[发明专利]一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法

权利要求书

1.一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，其特征在于，包括：

数据预处理，根据功率谱密度计算R²图，得到每个数据集信息量最大的频率波段并进行带通滤波，并通过SCSP算法进行通道筛选，将每个数据集的通道进行筛选，得到最优筛选通道；特征提取，通过小波包方法对脑电信号的细节系数和近似系统进行提取并计算小波包能量熵值，得到小波包能量熵特征，并通过小波包能量熵值构建脑功能网络，提取脑网络的拓扑特征；并根据数据预处理中SCSP算法对不同类样本的方差进行方差特征提取，得到方差特征；将小波包能量熵特征、拓扑特征和方差特征进行融合，得到较高维度的特征矩阵；

特征选择，通过基于互信息和相关性的Lasso方法并结合Relief-f的方法进行特征选择，筛选出较小维度的特征矩阵；

其中，所述Lasso方法具体包括：

优化目标函数：根据特征与标签的互信息和相关性信息，优化Lasso算法的目标函数，所述目标函数包括具体为：

arg min(||y^T-w^TX||₂²+α||w||₁+βw^TCw) (8)

其中，所述y表示每一列特征向量，X则对应的整个特征矩阵，C表示平方互信息相关性矩阵，w表示每个特征向量的权重系数，α和β表示学习率，控制整个目标函数的优化速度，上述公式所述C矩阵的计算公式如下所示：

其中，R表示互信息以及相关性的系数矩阵，符号表哈达吗乘积，所述R矩阵中每个元素的计算公式如下所示：

其中，n表示特征向量的总维度有n个，xki和xli分别表示系数矩阵中的每一列和每一行，用于计算出互信息指数， mutInf表示两个特征向量之间的相关性系数，r_kl表示R矩阵的每一个系数。

2.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，其特征在于，所述数据预处理还包括通过小波软阈值去噪算法对脑电信号进行去噪处理，具体为：脑电信号经过小波分解之后，信号的小波系数幅值大于噪声，含噪信号在各个尺度上通过正交小波基进行分解之后，将低分辨率的值全部保存下来，对于高分辨率下的分解值，通过设定阈值，将幅值低于该阈值的小波系数置为零，高于该阈值的小波系数进行相应的收缩和直接保留，将处理后所得到的小波系数通过逆小波技术进行重构，还原得到去噪后的脑电信号。

3.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，其特征在于，所述SCSP算法具体包括：

通过计算投影矩阵每一个通道的得分，对每一类得分最高的通道进行筛选；

将筛选出的通道进行合并，得到最优的筛选通道。

4.根据权利要求1所述的一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法，其特征在于，所述小波包方法具体包括：

计算脑电信号每一层能量系数：将脑电信号分解为n层，得到n层的近似系数{Aj},j＝1,2…n和细节系数{Dj},j＝1,2…n，其中j代表的分解层数，每一层的能量系数的计算公式如下所示：

其中，Ej表示第j层得能量系数，K表示第K个通道，通过上式，小波变换后的近似系数取平均值，细节系数取二范数，将细节系数以及近似系数作为每一层的能量值，其中，取近似系数的原值作为能量系数的一部分，并取细节系数的二范数均值来作为能量系数的一部分；

计算总能量：根据得到的每一层的能量系数计算总能量，具体计算公式如下所示：

其中，E_total表示总的小波包能量值；

计算小波能量值：通过每一层的能量系数和总能量计算相对小波能量值，具体公式如下所示：

其中，Pj表示相对小波能量值；

计算小波包能量熵：根据香农熵理论，计算EEG信号的小波包能量熵，具体公式如下所示：

其中，S_m代表了通道m的相对小波包能量熵，根据计算出通道与通道之间的小波包能量熵值，得到每个数据集的小波包能量熵特征。