[发明专利]基于特征融合和粒子群优化算法的MI脑电信号识别方法

说明书

本发明公开了一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；S2、采用PSO‑RF对脑电特征信号进行特征筛选。本发明结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F‑score也都表现优异，因此能够达到精确运动想象分类的目的。

技术领域

本发明涉及一种基于特征融合和粒子群优化算法的MI脑电信号识别方法。

背景技术

脑机接口(Brain Computer Interface，BCI)作为一项新兴的技术，在军事、娱乐、医疗康复中逐渐发挥其作用。运动想象(Motor imagery，MI)作为BCI的一个重要应用，主要通过采集受试者想象肢体运动的脑电信号，并使用机器学习(Machine Learning，ML)的方法进行分类，最终将分类结果反馈给外界设备，辅助受试者进行肢体运动，帮助身体残疾的人进行日常运动，因此该研究方向在医疗康复领域有重大的意义。

在众多的脑机交互控制范式中，基于运动想象的脑机接口是其中最普遍的一类。运动想象是在各部分肢体器官都没有发生任何真实运动的情况下，通过大脑想象运动动作产生相对应的脑电波。通过脑电采集设备采集运动想象时的脑电信号，再通过计算机进行分析，并完成模式分类任务，将模式分类的最终结果反馈到外部设备中，从而起到辅助和康复的作用。具体的处理流程图如图1所示。

由于脑电信号的信噪比较低，且单一的特征提取方法所得到的特征信息不足，从而无法提高脑机接口的分类准确率。

发明内容

本发明的目的在于克服现有技术的不足，提供一种结合带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F-score也都表现优异的基于特征融合和粒子群优化算法的MI脑电信号识别方法。

本发明的目的是通过以下技术方案来实现的：基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：

采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；

S2、采用PSO-RF对脑电特征信号进行特征筛选。

进一步地，所述步骤S1包括以下子步骤：

S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；

S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；

S13、进行SCSP筛选通道，包括以下步骤：

S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；

S132、对协方差矩阵进行正交白化变换并对角化；

S133、计算投影矩阵；

S134、根据投影矩阵计算各个通道的得分；

S135、筛选得分最高的16个通道；

S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；

S14、特征提取：建立自回归模型：

式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；