[发明专利]一种基于多特征融合的多类运动想象脑电信号识别方法

说明书

本发明公开了一种基于多特征融合的多类运动想象脑电信号识别方法，该方法将基于时域、频域、空域的多域特征提取及融合方法引入到多类运动想象脑电信号分类识别研究领域中，实现多类运动想象脑电信号的识别。对预处理后的脑电信号分别采用AR模型法、变分模态分解－双谱分析法以及共空间模式分析法提取脑电信号在时域、频域以及空间域内的特征，构造联合多特征向量；通过提取贡献率大于85%的主元，生成融合特征，达到特征降维的目的；实现测试数据的实时识别。本发明方法克服了传统单域特征提取算法信息描述不足，多域特征联合特征维数高等问题，有效地提升了针对多类运动想象脑电信号的识别准确率。

技术领域

本发明涉及运动想象脑电信号分类识别，具体涉及一种基于多特征融合的多类运动想象脑电信号识别方法。

背景技术

目前，脑机接口（Brain Computer Interface，BCI）是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯控制系统，其中最重要的是基于运动想象（MI）的BCI系统，它可以将一个人对运动的想象转化为控制信号来控制外部设备。

脑电信号具有高度的受试者特异性和非平稳性，不同运动想象脑电信号识别的准确性仍然是亟待解决的问题，特征提取在运动想象脑电信号的分类中起到了至关重要的作用，因为信号具有维数高的特点，许多学者提出了多种特征提取方法，包括功率谱密度，基于小波的时频分析、希尔伯特－黄变换的时频能量和其他复杂特征来提取具有良好表示能力的特征，然而上述大多数研究都是基于单个领域进行特征提取，只能描述有限的信息，结果会使得脑电信号特征单一而且包含的信息描述不足，导致分类性能不理想，并且可能对不同的运动想象模式具有不同的敏感性，因此有必要对它们进行融合来增强对运动想象脑电信号的分类能力。

同时，为了充分利用不同领域的更多特征来提高分类性能，需要提取多域特征，然而多域特征通常具有较高维数，如果这些具有高维数的特征直接输入到分类器，就需要更复杂的模型来训练，甚至有可能降低分类性能，因此，开发一种不仅能够克服脑电信号提取特征单一、信息描述不足、识别精度低等缺陷，而且具有更好的鲁棒性和分类性能的脑电信号识别方法极具现实意义。

发明内容

本发明的主要目的在于提供一种基于多特征融合的多类运动想象脑电信号识别方法，该方法将基于时－频－空的多域特征提取技术引入到多类运动想象脑电信号分类识别研究领域中，结合“信号预处理”、“特征提取及特征融合”、“模式识别”三个流程，实现多类运动想象脑电信号的识别。有效的提升了针对多类运动想象脑电信号的识别准确率，克服了传统单域特征提取算法信息描述不足的问题。

本发明采用的技术方案是：一种基于多特征融合的多类运动想象脑电信号识别方法，包括以下步骤：

第一步，进行运动想象脑电信号数据采集，对采集的信号进行数据预处理；

第二步，对预处理后的脑电信号采用AR模型法分析，提取脑电信号的时域特征；

第三步，使用变分模态分解－双谱分析法，对运动想象脑电信号进行频域特征提取；

第四步，使用共空间模式分析法提取运动想象脑电信号在空间域内的特征；

第五步，将二、三、四步提取的时域、频域、空域特征联合，构造一类运动想象的联合特征向量；

第六步，重复进行二到五步，提取各类运动想象所有样本信号的联合特征向量，构造联合特征矩阵；

第七步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85%的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征矩阵；

第八步，将融合特征作为训练数据输入到孪生支持向量机，并利用蝙蝠算法优化的孪生支持向量机进行参数寻优，完成分类器的训练；