[发明专利]基于CSP-UMAP的运动想象脑电数据降维方法及其实验装置

说明书

本发明提供一种基于CSP‑UMAP的运动想象脑电数据降维方法，具体实施步骤为：首先获取运动想象脑电数据，并将运动想象脑电数据进行归一化和切边处理；然后，获取运动想象脑电数据的协方差矩阵，运用协方差矩阵对混合空间的协方差矩阵R进行矩阵白化；接着构造空间滤波器对脑电数据进行特征提取，并构造运动想象脑电数据的模糊拓扑表示；最后，使用交叉熵优化运动想象脑电数据特征矩阵的低维表达，并获取优化后的低维表达式，使用最邻近分类器对获得的低维表达式进行分类，来降低分类结果的随机性。本发明通过使用共空间模式算法和均匀流形近似与投影算法相结合的方法，将非线性降维应用于脑电信号处理中，起到了降低数据维度的作用，也避免了维数灾难。

技术领域

本发明涉及信号处理和数据降维技术领域，特别涉及一种基于CSP-UMAP(共空间模式和均匀流形投影)的运动想象脑电数据降维方法。

背景技术

机器学习技术和特征提取技术为发掘数据集和学习潜在行为提供了有力的数学工具，掀起了对复杂数据的分析和理解的研究热潮。针对脑电数据的降维处理，如何在保证分类准确率的基础上，降低数据维度，避免维数灾难，就成为了关键性问题。在对于复杂非线性信号的特征提取问题上，国内外专家已经进行了几十年的研究。降维技术主要包括特征选择和特征变换两种。特征选择是指在众多特征中选择较为重要的特征，用以代表整体数据，进而进行下一步的分类处理。经典的特征选择方法有许多，诸如，启发式、穷举法、智能优化以及随机法等。而特征变换则不同，特征变换是通过某种特定的变换将数据从原始的数据空间投影到一个新的空间中。相比于特征选择，特征变换可以消除原始数据集的冗余性和相关性，有效避免维数灾难，增强模型的泛化能力。常用的特征变换方法有主成分分析、线性判别分析等。

区别于传统方法，本发明突破性的使用共空间模式算法和均匀流形近似与投影算法相结合的方法，对运动想象脑电数据进行降维，在保证分类正确率的同时，也起到了降低数据维度的作用，避免了维数灾难。

发明内容

针对传统方法存在的问题，本发明提供一种基于CSP-UMAP的运动想象脑电数据降维方法，主要是为了消除原始数据集的冗余性和相关性，在保证分类准确率的基础上，降低数据维度，避免维数灾难。

本发明提供了一种基于CSP-UMAP的运动想象脑电数据降维方法，其具体实施步骤如下：

S1、获取运动想象脑电数据，所获取的数据为实验室采集的运动想象脑电数据；

S11、控制电脑屏幕中的碗状结构向左或者向右运动，在保证碗状结构中小球不从碗中掉落的前提之下使碗状结构从起点运动到终点；

S12、在步骤S11的运动过程中，采集运动想象脑电数据，所述脑电数据分为左手运动想象脑电数据和右手运动想象脑电数据；

S2、对运动想象脑电数据进行预处理；

S21、将运动想象脑电数据进行归一化处理，通过低通滤波器将高于30Hz的高频噪声过滤掉；

S22、对过滤后的运动想象脑电数据根据脑电采集设备的频率进行切片,每个切片视为一次实验；

S3、计算S2处理的运动想象脑电数据的协方差矩阵；

S31、将左手运动想象脑电数据和右手运动想象脑电数据进行处理，即所述左手运动想象脑电数据和所述右手运动想象脑电数据能够分别写成：