[发明专利]基于多层超限学习机的运动想象脑电信号分类方法

摘要

本发明公开了基于多层超限学习机的运动想象脑电信号分类方法，属于模式识别和脑‑机接口领域。脑电信号的分类识别主要包括脑电信号的特征提取和特征分类两部分。首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K‑1维特征向量进行组合，得到S*(K‑1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果。与现有技术相比，本发明的方法具有以下优点传统的ELM算法是单隐层结构，对于提取复杂信号的特征有很大的局限性，本发明通过增加隐层个数提取深层信息，从而提高了分类正确率，并且保持了ELM低耗时的优势。

主权项

基于多层超限学习机的运动想象脑电信号分类方法，其特征在于：首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K‑1维特征向量进行组合，得到S*(K‑1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果；基于多层超限学习机的运动想象脑电信号分类方法，包括以下步骤：步骤一，采用固定的滑动时间窗将原始运动想象脑电信号分为S段子信号；S的取值取决于滑动时间窗的长度与原始脑电信号的长度；步骤二，对步骤一所得到的每一段子信号通过主成分分析方法进行降维，去除眼动和眨眼等伪迹对信号的干扰，得到降维后的特征向量；步骤三，将步骤二中得到的特征向量通过线性判别分析方法进行二次降维，对于K个类别的脑电数据，得到K‑1维的特征向量；对于二分类问题，得到的是一个一维的特征向量；步骤四，对每个子信号均按步骤二和步骤三进行处理，对于S段子信号，所以最终会得到S个K‑1维的特征向量，将S个K‑1维的特征向量进行组合，得到最终为S*(K‑1)维的特征；步骤五，将步骤四所得到的S*(K‑1)维特征送入ML‑ELM分类器，得到最终分类结果。