[发明专利]一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法

说明书

技术领域

本发明涉及信号特征提取领域，特别是一种基于随机选择正则化共空间模式(RandomSelect-RCSP)的运动想象脑电信号特征提取方法。

背景技术

当前在基于脑电信号(Electroencephalogram,EEG)的脑机接口(Brain Computer Interface,BCI)研究主要集中于运动想象脑电信号方面，而BCI中信号如何进行特征提取的问题是最为重要的问题之一。运动想象是通过“想”的方式来产生相关信号，对运动想象的研究表明，单侧肢体运动或者想象运动会对波(8-13Hz)和波(14-30Hz)的节奏活动和功率谱产生抑制/增强的效果，即事件相关去同步/同步(ERD/ERS)现象。根据这一现象，迄今为止研究者们已经提出了许多特征提取方法，如AR模型(auto-regressive，自回归)、Wavelet变换、希尔伯特黄变换、CSP(Common Spatial Pattern，共同空间模式)等。近些年，CSP被证明是一种提取不同类型的运动想象信息的有效方法，该方法的关键在于联合对角化协方差矩阵。即通过数学变换，使得一类的方差最大化，另一类的方差最小化。

CSP(Common Spatial Pattern，共同空间模式)方法的主要问题是对噪声非常敏感。因此，基于CSP的衍生方法层出不穷，如CCSP、SSCSP、RCSP、FERCSP、FBCSP。其中，最有效方法是正则化共空间模式(Regularized Common Spatial Pattern,RCSP)。该方法借助迁移学习的思想,将其他被试的脑电信号引入到CSP学习过程中，保证了被试的脑电信号协方差的估计偏差，使之相较于传统的CSP方法表现更好，在小训练样本集中这一点表现的尤为突出，然而，这种算法在小样本脑电数据集中的稳定性还有待提高，且随着训练样本的增加，其分类准确率增长缓慢，时间复杂度上升。

发明内容

本发明旨在解决现有RCSP算法在小样本运动想象脑电数据集中的稳定性不高，且随着训练样本的增加，其分类准确率增长缓慢，时间复杂度上升的问题，特别提出了一种基于RandomSelect-RCSP的运动想象脑电信号特征提取的方法。

基于RandomSelect-RCSP的特征提取算法通过重复选取样本构造数据包，并利用每个数据包分别对样本提取RCSP特征。通过与包括RCSP在内的CSP衍生算法进行分析比较，结果表明，Bagging RCSP在时间复杂度较低的情况下，能保持较高的识别率和稳定性，优于RCSP及CSP的其他衍生算法。

为了实现上述目的本发明采用如下技术方案：一种基于RandomSelect-RCSP的运动想象脑电信号特征提取方法，包括以下步骤：

S1，对被试者脑电信号数据，利用Bagging算法重新构造训练数据样本；脑电信号数据为左手和右手运动想象脑电数据。

S2，构造基于被试者训练数据样本的协方差矩阵，并计算出平均协方差；

S3,利用与步骤S1相同的Bagging算法，随机选择引入其他被试者的脑电信号数据；

S4，进行协方差矩阵正则化；

S5，进行正则化后的协方差矩阵估计计算；

S6，利用步骤S5的协方差矩阵提取RCSP特征。

所述重新构造训练数据样本的过程为：从被试者脑电信号数据中，随机抽取若干个数据形成一个新的自助数据包，重复这一过程，直到产生多个自助数据包。并且在后续的RCSP基本算法中计算被试者的协方差矩阵时，同样根据这个思想方法引入一部分其他人的脑电信号。

其中，Bagging算法的思想为：从大小为n的原始数据集中，分别独立随机选择抽取n'(n'≤n)个数据形成一个新的自助数据集，并且将这个过程独立地重复进行多次，直到产生多个独立的新自助数据集，然后，将每一个数据集作为一个数据包独立地用于训练一个“分量分类器”，最终的分类判别将根据这些分量器各自的判别结果的投票来决定。

所述协方差矩阵构造方法为：

对于某一个被试者，令D_N×T表示单次脑电信号，其中N代表通道数量，T代表每个通道的采样点数，经过归一化后的协方差矩阵如下：

其中，D^T为D的转置，trace(DD^T)为矩阵DD^T的迹，D为单次脑电信号，C表示归一化后的协方差矩阵。

根据以上协方差矩阵可以得到数据样本的平均协方差为