[发明专利]一种基于加权主成分分析的EEG信号特征降维方法

权利要求书

1.一种基于加权主成分分析的EEG信号特征降维方法，其特征在于，包括如下步骤：

1)应用AR模型提取疲劳驾驶的m个EEG信号的样本，每个样本包含有n维特征数据；

2)将m个EEG信号的样本分为训练集和测试集，使用SVM分别对训练集和测试集进行训练，并对测试集进行分类，得到分类总准确率A；

3)去掉每个EEG信号样本的n维特征数据中的第一维特征数据，得到每个EEG信号样本的n-1维特征数据，将m个EEG信号的样本分为训练集和测试集，使用SVM分别对训练集和测试集进行训练，并对测试集进行分类，得到分类准确率A₁；去掉每个EEG信号样本的n维特征数据中的第二维数据，将m个EEG信号的样本分为训练集和测试集，用SVM对剩下的n-1维数据进行训练并分类，得到分类的准确率A₂，依次类推，最终得到n个分类的准确率A₁,A₂,…A_i,…,A_n；

4)将步骤2)得到的分类总准确率A分别与步骤3)得到的分类准确率A₁,A₂,…A_i,…,A_n做差，得到n个差值；当差值为负数时，做差的分类准确率A_i所对应的去掉的第i维特征对分类有负影响，当差值为正数时，做差的分类准确率A_i所对应的去掉的第i维特征对分类有正影响；

5)对n个差值分别做归一化处理得到n个权值；

6)对n个权值w_ii＝1,2,…,n，构造权值对角矩阵W_n*n：

7)将m个EEG信号的样本写成一个m*n维矩阵X_m*n：

其中，x₁...x_m为m个EEG信号的样本；

8)将m*n维矩阵X_m*n与权值w的对角矩阵W_n*n相乘，得到加权的EEG信号特征数据Z_m*n：

9)计算加权的EEG信号特征数据Z_m*n的协方差矩阵C′；所述的协方差矩阵是采用如下公式计算：

式中，C′为协方差矩阵；n表示每个样本特征的维数；Z_m*n表示加权的EEG信号特征数据；

10)分解协方差矩阵C′，得到协方差矩阵的特征值和特征值所对应的单位化特征向量；所述的分解协方差矩阵C′是采用如下公式：

λ_iu_i＝C′u_i，i＝1,2,3,…,n                   (6)

式中，λ_i为协方差矩阵的第i个特征值，u_i为λ_i对应的单位化特征向量，对得到的n个特征值按降序排列，得到λ₁,λ₂,…,λ_n；

11)按照给定的累计贡献率选取前k个协方差矩阵的特征值对应的单位化特征向量进行组合形成映射矩阵P′；包括,选取前k个协方差矩阵的特征值，第i个协方差矩阵的特征值的累积贡献率计算如下：

根据累计贡献率，选取前k个协方差矩阵的特征值对应的单位化特征向量进行组合形成映射矩阵P′

P′＝[u₁,u₂,…,u_k]                         (8)

式中，i≤k，α_i为累计贡献率，λ_j为协方差矩阵的第j个特征值，u₁,u₂,…,u_k为前k个协方差矩阵的特征值对应的单位化特征向量；

12)利用映射矩阵P′，通过如下公式得到降维的EEG信号特征数据Y′：

Y′＝Z_m*nP′                             (9)

式中，Z_m*n为加权的EEG信号特征数据。

2.根据权利要求1所述的一种基于加权主成分分析的EEG信号特征降维方法，其特征在于，步骤5)所述的归一化处理是采用如下公式：

其中，d为归一化之前的数据，max是n个差值中最大的值，min是n个差值中最小的值，w为权值。