[发明专利]基于梯度提升决策树的特征优化SSVEP异步识别方法

说明书

基于梯度提升决策树的特征优化SSVEP异步识别方法，先通过设计离线实验采集被试者的异步脑电原始数据，用滑移窗的形式截取脑电信号，形成原始时域数据集；然后对原始时域数据集用典型相关分析进行降维滤波处理，取特定频段的CCA系数作为训练数据集；然后训练GBDT模型，更新GBDT模型参数，同时根据特征重要度指标对初始特征进行优化，得到最终训练模型；最后用最终训练模型对新的脑电信号进行分类，判断是NC状态和IC状态；本发明利用梯度提升决策树对被试者的训练数据进行模型训练，并根据决策树方法的特征重要度进行特征优化选取，提高方法识别准确率，降低方法计算成本并且解决了被试者个性化差异问题。

技术领域

本发明涉及生物医学工程中神经工程及脑-机接口技术领域，具体涉及一种基于梯度提升决策树的特征优化SSVEP异步识别方法。

背景技术

脑-机接口(Brain Computer Interface)技术是一种不依赖于正常的肌肉-神经通路的通讯技术，它提供了一条大脑与外部设备直接交互和通讯的途径，这些外部设备包括计算机、康复机器人、假肢、语音合成器等。稳态视觉诱发电位(SSVEP)是大脑枕区在接受视觉刺激后产生的周期性信号，与其他脑电接口形式如P300和运动想象相比，具有周期稳定、特征明显且不需要训练的特点，具有很好的实际运用价值。

脑机接口的控制模式有同步模式和异步模式之分。同步的脑控方法主要特征是使用者在预定的时间内，根据系统同步提示进行特定的意念控制任务，换言之计算机处理的每一段脑电信号都是控制意图状态(Intentional Control，IC)的信号，而不涉及到对空闲状态(No Control,NC)信号的处理。与同步模式不同，异步模式的运作过程中没有同步提示刺激，使用者具有自主思维的控制能力，脑控方法需要对IC状态和NC状态进行有效的区分。

现实生活中应用都具有异步控制模式的需求，然而目前大部分的脑控应用都采用同步控制模式，对异步控制的研究很少。现有的SSVEP异步识别方法存在以下缺点：识别时间长，识别准确率低，方法计算成本高，没有考虑到被试者的个性化差异问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)的特征优化SSVEP异步识别方法，利用梯度提升决策树对被试者的训练数据进行模型训练，并基于决策树方法的特征重要度进行特征优化选取，识别时间短，提高识别准确率，降低方法计算成本且解决被试者个体化差异问题。

为了达到上述目的，本发明采取的技术方案是：

基于梯度提升决策树(GBDT)的特征优化SSVEP异步识别方法，包括以下步骤：

1)采集被试者的异步脑电信号EEG：设计离线实验，采集被试者异步脑电数据，异步脑电数据为IC状态的时域EEG信号和NC状态的时域EEG信号；采用滑移窗的形式，按照设定窗长和窗长滑移量进行EEG信号的截取，形成原始时域EEG数据集D：D＝{D₁,D₂,D₃,…,D_T}，其中T为数据集的数量；

2)原始时域EEG数据预处理：采用典型相关分析CCA对原始时域EEG数据集进行降维滤波处理，生成EEG频域信息CCA系数谱；选取5Hz-15Hz，频率分辨率为0.1Hz的CCA系数作为初始特征以及每段IC状态和NC状态数据的标签L，得到GBDT的训练数据集S：S₁＝{ρ₁,ρ₂,…,ρ₁₀₁,L₁},S₂＝{ρ₁,ρ₂,…,ρ₁₀₁,L₂},…,S_T＝{ρ₁,ρ₂,…,ρ₁₀₁,L_T}，其中ρ为CCA系数，T为数据集的数量；