[发明专利]一种基于小波包分解的MEAs生物信号的数据降维方法

权利要求书

1.一种基于小波包分解的MEAs生物信号的数据降维方法，其特征在于，包括以下步骤：

S1)、给定数据集其中，N表示样本数，每个样本包含M个MEAs信道，即每个信道包含L个采样点，即

S2)、依次对每个样本的每个信道数据进行小波包变换，得到小波包基系数集合

其中，P∈{1,2，....,2^l+1-2}表示小波包分解树中的节点序号，l为小波包分解级数，其中，分别表示尺度子空间的树节点和小波子空间的树节点；Q表示在对应小波包下的系数个数；n∈{1,2,...,N}，m∈{1,2,...,M}；

S3)、基于散布准则利用类标向量对每一信道下数据的小波包基系数求得散布向量集其中，

S4)、由对每个节点p通过得到每个信道在固定节点下的度量值JA^m,p；

S5)、根据左右孩子节点度量值和不小于父亲节点度量值，构造小波包分解最优树，筛选得到最优小波包基下的散布向量集

其中，

S6)、对下所有的散布值按照从大到小的顺序进行排序，然后提取前C(C＜L)个散布值的索引，每个索引以二元组形式表示{p,q}，其中，p∈{1,2....,2^l+1-2}，p∈{1,2,....,L}；

S7)、重复步骤S3)-S6)，得到所有信道的索引集合S_i＝{(p_i,q_i),i＝1,2,...,C×M}；

S8)、按照步骤S2)对待处理的数据Y_N×M×L进行相应的处理得到小波包基系数集合U；

S9)、根据集合S_i和U得到降维后的特征集

2.根据权利要求1所述的一种基于小波包分解的MEAs生物信号的数据降维方法，其特征在于：步骤S3)中，还包括，设定共有d＝{w₁,w₂,...,w_i}个类，每个类别的样本数为n_i，则每个类以矢量集表示，其中，为w_i中第k个中m维矢量，计算：

其中，为w_i类内的均值矢量、M^m,h为总体类的均值矢量、为类内散布矢量、为类间散布矢量。