[发明专利]结合集成学习与独立分量分析的运动想象分类方法

说明书

本发明公开了一种结合集成学习与独立分量分析的运动想象分类方法，基于不同的单次试验数据构造ICA空域滤波器对数据进行空域滤波与特征提取，并使用简单分类规则构造不同的基分类器，进而运用集成学习的投票法结合策略构成新的运动想象脑电信号分类器。本发明设计的集成分类器具有较稳定的识别率，多个基分类器集成学习分类，可以获得比单一分类器更优越的泛化性能，提高EEG信号的分类识别率。在不同受试者之间和同一受试者的不同时期采集的数据的迁移测试中，也体现较稳定的性能，具有更好的实用性。

技术领域

本发明涉及脑电信号处理技术领域，特别是涉及一种结合集成学习与独立分量分析的运动想象分类方法。

背景技术

脑-机接口(Brain-Computer Interface,BCI)技术能够在大脑与外部设备间建立一条信息传输通道。BCI在对采集到的脑电信号(electroencephalogram,EEG)进行分析与处理，并将所获取的与思维任务相关的EEG模式特征转化为计算机可识别的命令，从而实现人脑与外部世界的直接交流以及对外部设备的控制。由于BCI技术不依赖于人体肌肉和周围神经，所以在康复医疗、交通控制、智能家居、军事以及娱乐等领域都有很大的发展和应用前景。

运动想象是常用的一类BCI实现模式。根据神经电生理知识，当人们想象或实际控制左/右侧肢体运动时，大脑右/左侧运动皮层为活跃状态，表现为新陈代谢和血液流动加快，此时肢体对侧脑电的mu节律和beta节律振幅减小，对应频段能量降低，即所谓事件相关去同步(event-related desynchronizations,ERD)现象。与之相反，肢体同侧大脑的感觉运动皮层区域处于静息状态，mu节律和beta节律振幅增大，频段能量升高，称为事件相关同步(event-related synchronizations,ERS)现象。运动想象脑电(motor imagery EEG,MI-EEG)的这种节律性差异可用于设计运动想象脑机接口(motor imagery BCI,MI-BCI)。

BCI接口的组成包括脑电信号采集、信号预处理、特征提取和分类四个部分。在信号预处理模块中，空域滤波技术对BCI系统性能的改善起到了极其重要的作用。其中，共同空间模式(Common Spatial Pattern,CSP)与独立分量分析(Independent ComponentAnalysis,ICA)是两种最常用的空域滤波算法。CSP算法需要使用带标签的训练样本，属于有监督空域滤波器设计方法，而ICA空域滤波器的设计不依赖于训练数据的标签，属于无监督设计。在信号分类模块中，线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vecor Machine,SVM)、人工神经网络(Artificial Neural Netwroks,ANN)等被广泛应用于运动想象脑电信号的分类。

空域滤波器和机器学习分类器是构建BCI系统的两个核心模块，它们的性能决定了BCI系统的整体性能，而这两个模块的性能又与训练样本质量密切相关。只有高质量的MI-EEG训练样本才可能建立具有良好性能的空域滤波器和分类器。但是，在MI-EEG的采集过程中，因受试者疲劳和注意力分散而导致的标签错误很难避免。这些标签错误对有监督空域滤波器(如CSP)和机器学习分类器的影响很大，往往会造成BCI系统的分类和迁移性能显著下降。

原始头皮EEG的信噪比和空间分辨率都很低，且易受各种突发伪迹的干扰。ICA作为一种盲源分离方法，可以从多导联EEG信号中分离出任务相关的神经源和各种伪迹，因此被广泛应用于EEG信号信噪比改善和真实神经活动的提取。但ICA算法在对实测EEG数据进行处理时，由于噪声干扰的非平稳性和随机性，所得ICA空域滤波器的稳定性欠佳，进而限制了ICA算法在MI-BCI系统实现中的有效应用。

为此，针对现有的运动想象脑电分类方法的不足，本发明提出一种结合集成学习(ensemble learning,EL)与独立分量分析(EL-ICA)的运动想象分类方法，来解决上述问题。

发明内容