[发明专利]基于局部平衡极限学习机的动态运动想象脑电识别方法

权利要求书

1.基于局部平衡极限学习机的动态运动想象脑电识别方法，其特征在于，包括如下步骤：

步骤(1)采集脑电数据；

步骤(2)信号预处理；

步骤(3)通过似然同步性构建加权脑功能网络；

步骤(4)构建二值脑功能网络；

通过步骤(3)的加权脑功能网络构建两种二值脑功能网络；通过设置的最优阈值消除弱连接建立二值脑功能网络，通过构造最小生成树算法构建二值脑功能网络；

步骤(5)提取拓扑特征；

提取步骤(4)中两种二值脑功能网络各自的拓扑特征；

步骤(6)使用局部平衡极限学习机分类；

通过局部平衡极限学习机实现步骤(5)中两种拓扑特征在极限学习机特征空间的最优比例融合，以实现分类效果的提升，并通过最优的正则化系数获得最佳的分类泛化性能；

其中局部平衡极限学习机为在极限学习机的基础上，在归一化时增加了一个变量p，样本归一化后变为归一化后s′仍然满足方差为1，得到矩阵H中的输入特征相关项c·s′；

则极限学习机中的两个“理解”之间的比值变为即通过改变变量p就实现融合比例的调节；其中两个“理解”分别为样本s由两个互补特征x₁＝[x_1，1，x_1，2，…，x_1，a]^T和x₂＝[x_2，1，x_2，2，…，X_2，b]^T组成，即s＝[x₁；x₂]，x₁、x₂的模为||x₁||₂和||x₂||₂，其中x_1，a表示第一个局部特征中第a个元素，X_2，b第二个局部特征中第b个元素；隐藏层单元的输入权重矩阵为c＝[w₁|w₂]，其中w₁＝[w_1，1，w_1，2，…，w_1，a]^T、w₂＝[w_2，1，w_2，2，…，w_2，b]^T；隐藏层参数由高斯分布N(0，1)生成，所以同理

步骤(7)使用改进后的留一法进行参数寻优；

设置二值化阈值σ候选区间为[0：0.01：0.2]；融合比值p候选区间为10^{[-1：0.1：1]}；正则化系数λ候选区间为e^{[-4：0.1：6]}；通过改进后的留一法得到分类效果最佳的二值化阈值σ、融合比值p和正则化系数λ；

其中改进后的留一法为：令留一法中L≤N情况下的实际输出和HAT_r，与L＞N的情况下的实际输出和HAT_r相同；其中L表示局部平衡极限学习机隐藏层单元的个数，N表示输入特征数量；将原留一法中的预计算项中的矩阵相乘项E＝PU，L＞N和E＝HV，L≤N改进为矩阵点乘项E＝U⊙repmat(diag(D²)，size(U，1)，1)；其中P＝HH^T，H为局部平衡极限学习机的隐藏层输出矩阵，“⊙”表示两个矩阵点乘，假设H＝UDV^T是矩阵H的奇异值分解，其中D为对角矩阵，U和V为酉矩阵。

2.根据权利要求1所述的基于局部平衡极限学习机的动态运动想象脑电识别方法，其特征在于：所述的采集脑电数据；具体为：

在数据采集之前，将电极帽安装在受试者头上，并将导电胶注入电极中以降低阻抗；调整电极的接触条件，直到阻抗下降到阈值以下，以确保收集信号的质量；实验样本频率设置为5000Hz。

3.根据权利要求1所述的基于局部平衡极限学习机的动态运动想象脑电识别方法，其特征在于：信号预处理；具体为：

对记录的信号进行WT去噪，以尽可能减少噪声对研究结果的干扰。

4.根据权利要求1所述的基于局部平衡极限学习机的动态运动想象脑电识别方法，其特征在于：通过似然同步性构建加权脑功能网络；具体为：

选取了采集信号中的40个通道，使用似然同步性分析方法量化两两通道间的广义同步关系，构建了基于似然同步性的加权脑功能网络。