[发明专利]基于小波包分解及逻辑回归的脑电分类方法

摘要

本发明公开了基于小波包分解及逻辑回归的脑电分类方法，主要采用小波包分解获取运动感知节律信号，并提取节律信号能量均值特征，最后建立逻辑回归判别模型进行运动想象脑电模式分类。本发明包括脑电信号采集及预处理、小波包分解及重构、重构信号能量均值特征提取、逻辑回归判别模型建立及运动想象脑电模式分类。实验结果表明：小波包分解能准确提取运动感知节律信号，在此基础上建立的逻辑回归模型能有效判别运动想象脑电模式，达到较好的分类效果。

主权项

1.基于小波包分解及逻辑回归的脑电分类方法，其特征在于，该方法包含以下几个步骤：步骤一、脑电信号采集及预处理：采用电极导联C3和C4多次采集被试者大脑左右两侧脑电信号，并对每一次电极导联C3和C4采集的脑电信号进行带通滤波，将其中若干次采集样本作为训练样本集，剩余样本作为测试样本集；步骤二、小波包分解及重构：针对每一个样本，将步骤一预处理后的电极导联C3和C4采集的脑电信号分别采用小波包分解进行3层分解，得到各自的分解系数S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，抽取与μ节律和部分β节律相关的分解系数S(3,1)进行信号重构；步骤三、重构信号能量均值特征提取：对步骤二得到的S(3,1)重构信号计算其能量均值特征E₃和E₄，其中E₃对应电极导联C3，E₄对应电极导联C4，分别得到各样本的一个二维特征向量(E₃,E₄)；步骤四、逻辑回归判别模型建立：基于步骤一得到的训练样本集，建立基于Sigmoid函数的逻辑回归分类器；Sigmoid函数具体的计算公式如下：其中，z＝ω₀+ω₁X₁+ω₂X₂，此处X₁及X₂为分类器所需输入的特征，ω₀、ω₁、ω₂为回归系数，最优回归系数的寻找过程如下：1)初始化步长alpha及迭代次数maxCycles；2)初始化回归系数，得到一个N×3维的回归系数矩阵dataMatrix，其中N为训练样本集中的样本个数；3)将训练样本集中每一个样本的二维特征向量(E₃,E₄)作为输入求取Sigmoid函数值，得到一个N维向量h，向量h中的每一个元素即为某一个样本对应的Sigmoid函数值；4)将向量h与训练样本集的真实类标签向量label相减，得到偏差向量error，具体公式如下：error＝label‑h5)更新回归系数，具体公式如下：weights＝weights+alpha*dataMatrix^T*error其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T为dataMatrix的转置矩阵；判别迭代终止，若迭代次数小于maxCycles，则返回步骤2)，否则输出weights；步骤五、运动想象脑电模式分类：对于步骤一得到的测试样本集中的每一个样本，将其二维特征向量代入逻辑回归分类器，得到具体的分类结果。