[发明专利]一种基于EMD及高斯核函数SVM的脑电情感分类方法

摘要

本发明公开了一种基于EMD及高斯核函数SVM的脑电情感分类方法，针对脑电信号分类正确率不高的问题，本发明将经验模态分解(EMD)技术与SVM进行结合，对脑电信号先进行EMD分解，得到若干条模态分量，每个模态分量中包含不同频率的有效信息，再将频率能量作为每条模态分量的量化标准，即每条脑电可以得到不同的特征值，将这些特征值作为脑电序列的特征值进行下一步的分类样本值。通过实验表明，基于EMD及高斯核函数SVM的脑电分类方法能够提高脑电信号分类的正确率。

主权项

一种基于EMD及高斯核函数SVM的脑电情感分类方法，其特征在于：1)对原始脑电进行EMD处理，将脑电序列信号分解为若干个本征模函数，随后提取本征模函数频域的能量特征作为信号的特征值；2)将特征值作为分类器的样本值进行分类；线性分类问题，可以用下式表示：f(x)＝ωTx+b其中，f(x)定义为将空间的点分开的超平面，位于f(x)一侧的x点f(x)＝‑1，而另外一侧的o点f(x)＝1，位于超平面上的点f(x)＝0；因此，平面上面的点的分类问题也就转化成为了确定超平面f(x)的问题；3)为了得到完美分类的超平面f(x)，此超平面所应具有的属性是f(x)距离两类点的间距d尽可能达到最小的情况下γ达到最大，γ的定义为：γ=yf(x)||ω||]]>其中||ω||是ω的2范数，y是点的分类值1或者‑1；那么，求分类最优超平面f(x)的问题便可以转化为求极值问题：max1||ω||,s.t.,yi(ωTx+b)≥1,i=1,...,n]]>4)对于求解的最大值的方法，可以转换为下式的最小值的求解问题：min12||ω||2,s.t.,yi(ωTxi+b)≥1,i=1,...,n]]>由于中的最小值求解问题定义的是在线性约束条件下，因此可以引入拉格朗日对偶性，将原问题转化为到对偶变量的优化问题：L(ω,b,α)=12||ω||2-Σi=1nαi(yi(ωTxi+b)-1)]]>其中α是拉格朗日算子，令：θ(ω)=maxL(ω,b,α)ai≥0]]>5)求解问题可以归结为求解下式的问题：maxαi≥0minw,bL(ω,b,α)]]>可以用SMO高效优化算法就能求解出相应的分类模型，在建立分类模型，通过求需要预测数据与训练数据的内积就可以对数据进行分类预测；6)用核函数来解决线性不可分问题；核函数是高斯核函数，高斯核函数在大多数的分类问题中都表现出稳定和高效的特性，其表达式是：K(X,Y)=exp{-||X-Y||2σ2}---(8)]]>主要用来判断X和Y之间的内积，如果X和Y很相似，那么核函数的值为1，如果X和Y相差很大那么和函数值约等于0，由于这个函数类似于高斯分布因此被称为高斯核函数。