[发明专利]一种基于多分类器集成的脑电分类方法

摘要

本发明公开了一种基于多分类器集成的脑电分类方法，包括如下步骤脑电信号采集及预处理；联合运用时域分析方法、自回归模型方法、离散小波变换方法对脑电信号进行特征提取；建立个体支持向量机分类器模型，并将支持向量机分类器的输出转换为概率输出；多分类器集成脑电模式分类，利用D‑S证据理论对3个个体支持向量机分类器的分类信息进行融合，得到最终的分类结果。实验结果表明，本发明方法能够提高运动想象脑电信号分类的准确率。

主权项

一种基于多分类器集成的脑电分类方法，其特征在于：包括如下步骤：步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D‑S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。