[发明专利]一种基于TRCA-WPTD的aVEPs脑电识别方法

权利要求书

1.一种基于任务相关成分分析TRCA结合小波包阈值去噪WPTD的对非对称视觉诱发电位aVEPs脑电识别方法，其特征在于：包括以下3个阶段：

(1)训练阶段：

对训练数据，通过8种不同阈值设置方式的WPTD算法分别进行滤波；并分别计算滤波后训练数据的SNR和RMSE参数，选择SNR值最高且RMSE值最低的数据进行数据梳理；通过TRCA算法计算广义右特征向量矩阵W；并对数据进行降维，得出模板矩阵Temp；

(2)测试阶段：

对测试数据，通过与训练阶段相同滤波及数据选择方法处理，再进行数据筛选，与广义右特征向量矩阵W和模板矩阵Temp计算相关系数矩阵r；

(3)解码阶段：

对测试阶段得出的相关系数矩阵r进行解码并生成预测编码矩阵，与实际编码矩阵比对，输出识别结果；

所述阶段(1)和(2)中的8种不同阈值设置方式的WPTD算法具体如下：

利用小波包分解将aVEPs脑电数据分解到各尺度中，采用阈值及阈值函数的组合生成8种去噪方法，即：通用型硬阈限去噪法、通用型软阈限去噪法、无偏型硬阈限去噪法、无偏型软阈限去噪法、混合型硬阈限去噪法、混合型软阈限去噪法、极大极小型硬阈限去噪法和极大极小型软阈限去噪法，分别用每种方法把每一尺度中属于噪声的小波系数去掉，保留并增强属于aVEPs脑电数据的小波系数，最后利用小波逆变换将处理后的小波系数重构得出降噪后的aVEPs脑电。

2.根据权利要求1所述基于任务相关成分分析TRCA结合小波包阈值去噪WPTD的对非对称视觉诱发电位aVEPs脑电识别方法，其特征在于：所述阶段(1)中的数据梳理过程为：从第一个字符数据开始，找到所有标签类别为“0”的采样点位置，并以该位置为起始位置，向后截取设定的数据段长度，将所有的数据段按标签出现次序依次保存在名为Lefttemp的数组中；并找到所有标签类别为“1”的数据并保存在名为Righttemp的数组中；重复上述循环，直至所有字符的数据全部读取结束；将所述Lefttemp的数组和Righttemp的数组中的数据合并，依次放入名为Data_train的数组保存。

3.根据权利要求2所述基于任务相关成分分析TRCA结合小波包阈值去噪WPTD的对非对称视觉诱发电位aVEPs脑电识别方法，其特征在于：所述阶段(1)中的TRCA算法具体为：

从所述Data_train的数组中选择一类标签数据矩阵X，设X＝[X₁，X₂，···X_n]，n为单类标签数据中的标签总数；对X中的第i个元素X_i和第j个元素X_j按如下公式计算出矩阵S：

把矩阵S与矩阵S的转置相加，并进一步求出矩阵T；

将所述矩阵X在标签总数的维度上进行合并，得到矩阵Y，设Y按列展开可表示为：Y＝[Y₁，Y₂，···Y_m]，m为矩阵Y的列数，即采样点数，再按如下公式计算出矩阵Z的每一个元素：

其中，Z_i表示矩阵Z中的第i个元素，于是，Z＝[Z₁，Z₂，···Z_m]；m为矩阵Z的列数，即采样点数，矩阵Z和矩阵Z的转置相加，并进一步求出Q；对所求的T，Q计算出广义特征值对角矩阵D与对应的广义右特征向量矩阵V，从矩阵D的对角线上提取特征值，并按降序方式对得到的向量进行排序，按照同样降序方式对广义右特征向量矩阵V的元素进行排序后记为矩阵W_i；重复上述步骤，直至所有类别标签数据计算完毕，得到所述广义右特征向量矩阵W，W＝[W₁，W₂，···W_t]，W_i是W的第i个元素，t为标签类别数。