[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

说明书

一种基于加权主成分分析的EEG信号特征降维方法：提取疲劳驾驶的m个EEG信号的样本，分为训练集和测试集进行训练，得到分类总准确率A和n个不同的分类准确率；将总准确率A分别与不同的分类准确率做差，得到n个差值；对n个差值做归一化处理得到n个权值；对n个权值构造权值对角矩阵；将m个EEG信号的样本写成一个m*n维矩阵；将m*n维矩阵与权值的对角矩阵相乘，得到加权的EEG信号特征数据；计算其协方差矩阵并分解，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；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；从而得到降维的EEG信号特征数据。本发明有效提高了分类识别精度和降低识别模型的训练时间。

技术领域

本发明涉及一种EEG信号特征降维方法。特别是涉及一种基于加权主成分分析的EEG信号特征降维方法。

背景技术

近十年来，我国的汽车数量急剧增加，交通事故也随之增多[1]。据有关报道，我国已成为交通事故多发国家之一。导致交通事故的因素很多，其中，驾驶员疲劳驾驶是导致交通事故的主要原因。驾驶员在疲劳状态下会出现注意力分散、思维活动降低的现象，进而造成其反应迟钝、车辆控制力下降，增加发生交通事故的可能性[2]。因此，准确快速检测驾驶员驾驶疲劳状态显得尤为重要。基于生理信息的驾驶疲劳检测是一种可以根据生理指标变化对驾驶员疲劳状态做出检测识别的客观手段[3]。研究表明，通过体温、血压、心电图、脑电图(electroencephalogram,EEG)、肌电图等电生理信息可对驾驶员疲劳状态进行有效评价与检测。其中，脑电信号的分析是最为常用的一种判别方法。

脑电反映了脑神经系统的电生理信号，通过脑电信号可以对驾驶员的疲劳状态进行检测与分析。由于脑电信号所提特征通常是高维特征信号，这给我们的处理带来了一定的困难，为了解决这个问题，我们需要对高维特征信号进行降维处理。主成分分析(principal component analysis,PCA)是一种常用的降维方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。

Liu J等对于情绪分类问题提出了一种混合维度特征减少方案[4]，从EEG中提取14种不同的特征，最小冗余最大相关性(mRMR)用于最大化特征与分类变量之间的相关性和最小化特征与特征之间的相关性，通过PCA进一步减少生成的特征，以提取主成分。Bousseta R等通过连续小波变换(CWT)和经验模态分解(EMD)两种方法提取EEG特征[5]，并使用PCA进行特征降维，通过线性和径向基函数(RBF)核函数SVM分类器进行左右手运动想象分类。孙颖等提出了基于PCA的非线性全局特征和功率谱熵的融合算法[6]，提取EEG的非线性几何特征作为新的情感脑电特征，并结合EEG的功率谱熵以及Hurst指数等非线性属性特征，通过PCA技术进行降维以及特征融合，以SVM为分类器进行情感识别。Neshov NN等提出了使用6通道EEG数据识别五个心理任务的算法[7]，主要思想是将原始EEG信号分成几帧并计算其频谱，应用高斯的二阶导数来提取特征，并使用PCA降低特征维度。Xin L I等提取8种正负情绪代表各个脑区的14个通道脑电数据[8]，基于小波分解重构delta、theta、alpha、beta四种节律波，使用主成分分析(PCA)融合小波特征、近似熵和Hurst指数的脑电特征并降低特征维数。Zarei R等提出了一种特征提取方法[9]，结合PCA和交叉协方差技术(CCOV)，在脑机接口技术应用中基于EEG信号从心理状态中提取判别信息，应用基于相关性的变量选择方法，对提取的特征进行最佳的第一次搜索，以识别用于表征精神状态信号分布的最佳特征集。

前人在对PCA的应用中，都是基于数据方差降维的，平均的对待每一维特征。然而不同的特征在识别过程中所起的作用是不同的[10]，因此不能同等的对待每一维特征。由以上分析可见，目前对于PCA降维方法还有待进一步的完善和更新。

参考文献

[1]王福旺,王宏.长途客车驾驶员疲劳状态脑电特征分析[J].仪器仪表学报,2013,34(5):1146-1152.