[发明专利]一种基于空域特征时频变换的运动想象脑电解码方法

权利要求书

1.一种基于空域特征时频变换的运动想象脑电解码方法，其特征在于：使用巴特沃斯带通滤波器获得脑电信号的目标频段，然后使用CSP算法对目标频段进行空域滤波，并将数据做标准化处理，再通过连续小波变换得到信号的时频能量图，时频图作为卷积神经网络的输入，最终得到该段信号的分类结果。

2.根据权利要求1所述的基于空域特征时频变换的运动想象脑电解码方法，其特征在于，具体步骤为：

Step1：设计一个巴特沃斯带通滤波器，带通频带8-30Hz，阶数5阶，获取到α，β段的运动想象脑电信号；

Step2：对Step1中滤波后的8-30Hz频段信号使用共空间模式算法(CSP)，将脑电信号进行空间滤波，然后作标准化处理；

Step3：对Step2处理好的脑电数据使用连续小波变换(CWT)，获得相应的时频能量图；

Step4：设计一个卷积神经网络(CNN)，该网络由卷积-池化层和全连接层组成，将Step3获得的时频能量图作为卷积神经网络的输入，CNN能够自动提取时频图中的特征，通过反向传播更新各层参数，完成网络的学习训练；

Step5：使用测试集数据对Step4中训练好的卷积神经网络模型进行性能测试，以此验证空间滤波和时频变换在运动想象脑电信号特征提取上的有效性。

3.根据权利要求2所述的基于空域特征时频变换的运动想象脑电解码方法，其特征在于，所述Step2具体为：

设X₁，X₂为MI-EEG数据中的两个不同类信号，两类信号X₁和X₂归一化后的协方差矩阵如下：

式(1)，(2)中，表示矩阵X₁的转置，表示矩阵X₂的转置，表示矩阵对角线上元素之和，表示矩阵对角线上元素之和；

求取混合空间的协方差矩阵：

为X₁的平均协方差矩阵，为X₂的平均协方差矩阵；

根据式(3)得到的混合空间协方差矩阵进行特征值分解：

R＝UλU^T (4)

其中，U是矩阵λ的特征向量矩阵，λ是矩阵R特征值构成的对角阵，特征值按降序排序，计算白化值矩阵：

由式(5)求得的白化矩阵和式(1)，式(2)的归一化协方差矩阵求出公共特征向量矩阵：

S₁＝PR₁P^T (6)

S₂＝PR₂P^T (7)

然后对S₁，S₂进行主分量分解：

式(8)，(9)中，矩阵S₁，S₂的特征向量矩阵相等，即：

B₁＝B₂＝B (10)

与此同时，特征值对应的对角矩阵λ₁和λ₂之和为单位矩阵I：

λ₁+λ₂＝I (11)

投影矩阵由式(5)计算出的白化矩阵和式(10)的公共特征向量矩阵决定，得到投影矩阵：

W＝B^TP (12)

投影矩阵W即为所求的空间滤波器，最终，空域滤波后的信号通过(13)式获得：

S＝X*W^T (13)

其中，信号X的维度为T×N，T代表采样点数，N代表通道数，W^T的维度为N×N，空域滤波信号S的维度为T×N。