一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法
【專利摘要】本發(fā)明公開了一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法，通過利用組合差異進(jìn)化算法在全局搜索能力和快速收斂方面的突出表現(xiàn)，迅速找到最佳空間濾波系數(shù)和特征向量，克服現(xiàn)有技術(shù)中需依靠人工確定空間濾波系數(shù)和特征向量的工作繁瑣且低效的問題，并利用搜索到的最佳空間濾波系數(shù)和特征向量訓(xùn)練分類器，對(duì)腦電信號(hào)進(jìn)行分類，提高腦電信號(hào)的識(shí)別率。實(shí)現(xiàn)了對(duì)腦電信號(hào)的自動(dòng)化識(shí)別，降低了人工勞動(dòng)強(qiáng)度，大大提高了腦電信號(hào)的處理效率。
【專利說明】一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法。
【背景技術(shù)】
[0002]腦機(jī)接口系統(tǒng)是一種通過傳感器讀取大腦神經(jīng)活動(dòng)，利用計(jì)算機(jī)在線處理并解碼，實(shí)現(xiàn)對(duì)外部設(shè)備控制的系統(tǒng)。腦機(jī)接口系統(tǒng)主要包括數(shù)據(jù)采集、信號(hào)處理、應(yīng)用程序三個(gè)主要部分。其中，數(shù)據(jù)采集模塊主要通過電極和腦電放大器，從受試者頭部獲取腦電信號(hào)，其中的腦電放大器將電極上獲得腦電信號(hào)進(jìn)行放大以及模數(shù)轉(zhuǎn)換變成數(shù)字信號(hào)，然后發(fā)送給信號(hào)處理模塊處理。信號(hào)處理模塊首先要對(duì)信號(hào)進(jìn)行預(yù)處理，包括去噪、數(shù)據(jù)對(duì)齊、空間濾波等。然后再對(duì)信號(hào)進(jìn)行特征分析，并提取某些特征參數(shù)(如幅值、自回歸模型的系數(shù)等)，接著對(duì)這些特征參數(shù)進(jìn)行識(shí)別分類，確定其對(duì)應(yīng)的意念狀態(tài)或指令，并將狀態(tài)或指令傳送給應(yīng)用接口模塊。應(yīng)用接口模塊主要將識(shí)別的狀態(tài)或指令按一定要求傳遞給應(yīng)用程序，完成某一具體控制功能。實(shí)際應(yīng)用程序包括字母拼寫器、機(jī)器人控制器或虛擬現(xiàn)實(shí)等應(yīng)用。如圖1所示。
[0003]獲得腦電信號(hào)的途徑很多，比如MEG、ECoG, EEG、fMRI等，其中EEG信號(hào)是直接將多個(gè)電極貼到頭皮上，采集大腦頭皮的生物電活動(dòng)信號(hào)，具有時(shí)間分辨率高、使用簡(jiǎn)單、無創(chuàng)傷的特點(diǎn)，因此被廣泛應(yīng)用于腦機(jī)接口的研究中。在這種方式中，電極通常按照國(guó)際慣用的10-20方式固定到大腦的不同位置。對(duì)EEG信號(hào)而言，單獨(dú)一個(gè)電極采集的是時(shí)間序列，而某一時(shí)刻所采集的多個(gè)電極信號(hào)則可以表達(dá)大腦信號(hào)此刻空間分布情況。由于大腦皮層是按照功能分區(qū)的，各個(gè)電極所接收的腦電信號(hào)是不一樣的，因此所采集的腦電信號(hào)能反應(yīng)該大腦區(qū)域的活動(dòng)狀況，例如當(dāng)實(shí)驗(yàn)者想象肢體運(yùn)動(dòng)時(shí)，通常在C3、C4、Cz等區(qū)域位置的腦電信號(hào)變化比較明顯。因此可以通過對(duì)各電極信號(hào)加權(quán)，增強(qiáng)運(yùn)動(dòng)想象的信號(hào)，對(duì)應(yīng)的權(quán)值稱為空間濾波器。運(yùn)動(dòng)想象的腦電信號(hào)一般集中在12-32HZ左右，每個(gè)人情況會(huì)不同，以2Hz帶寬的信號(hào)能量作為特征，那么單個(gè)電極就有(32-12)/2 = 10個(gè)特征值，如果使用32導(dǎo)聯(lián)數(shù)據(jù)，那么一個(gè)特征樣本就有10*32 = 320個(gè)特征值，特征值過多會(huì)影響分類器的學(xué)習(xí)效率和分類精度。如果訓(xùn)練樣本太少或者特征值太少，會(huì)導(dǎo)致分類器過度擬合訓(xùn)練數(shù)據(jù)，降低分類精度。因此，為了提高分類精度，對(duì)原始EEG信號(hào)進(jìn)行合適預(yù)處理是必不可少的環(huán)節(jié)。
[0004]其中，空間濾波和特征選擇在腦機(jī)接口中是非常重要的步驟。而現(xiàn)在通常的做法是根據(jù)經(jīng)驗(yàn)選擇空間濾波器系數(shù)和頻率特征，通過多次嘗試獲得較優(yōu)的分類精度。由于腦電信號(hào)因人而異，這個(gè)實(shí)驗(yàn)者用的空間濾波系數(shù)和頻率特征向量不一定適合另外其他的實(shí)驗(yàn)者，因此每次實(shí)驗(yàn)都需要人工去確定空間濾波系數(shù)和特征向量，這是一個(gè)繁瑣和低效率的工作。

【發(fā)明內(nèi)容】

[0005]本發(fā)明提出了一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法，利用組合差異進(jìn)化算法在全局搜索能力和快速收斂方面的突出表現(xiàn)，迅速找到最佳空間濾波系數(shù)和特征向量，克服現(xiàn)有技術(shù)中需依靠人工確定空間濾波系數(shù)和特征向量的工作繁瑣且低效的問題，并利用搜索到的最佳空間濾波系數(shù)和特征向量訓(xùn)練分類器，對(duì)腦電信號(hào)進(jìn)行分類，提高腦電信號(hào)的識(shí)別率。
[0006]一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，包括以下步驟:
[0007]步驟1:選取腦電信號(hào)樣本數(shù)據(jù)Xtx。，并對(duì)腦電信號(hào)樣本數(shù)據(jù)進(jìn)行預(yù)處理獲得訓(xùn)練
樣本; X為tXc的矩陣，Xfft為mXc的矩陣，t是每一個(gè)電極采集數(shù)據(jù)個(gè)數(shù)，m是每個(gè)
導(dǎo)聯(lián)在一個(gè)T時(shí)間段內(nèi)的特征值個(gè)數(shù)，c為腦電信號(hào)的導(dǎo)聯(lián)個(gè)數(shù)；
[0008]步驟2:設(shè)定染色個(gè)體和適應(yīng)度函數(shù)，設(shè)置策略知識(shí)庫(kù)、迭代停止條件及染色個(gè)體種群，并對(duì)染色個(gè)體及迭代次數(shù)進(jìn)行參數(shù)初始化；
[0009]以空間濾波器$~和特征選擇器夂mxq作為染色個(gè)體[S，K]，S的編碼為實(shí)數(shù)，K采用O和I編碼；
[0010]步驟3:按照組合差異進(jìn)化算法對(duì)每一個(gè)染色個(gè)體進(jìn)行變異、修補(bǔ)及交叉處理，獲得新染色個(gè)體；
[0011]步驟4:以新染色個(gè)體的實(shí)數(shù)編碼部分作為空間濾波器S 對(duì)訓(xùn)練樣本X:: T進(jìn)行空間濾波，獲得樣本特征向量Cxq，V為mXCl的矩陣,C1表示空間濾波器輸出維數(shù)；接著
利用新染色個(gè)體的{0，1}編碼部分作為特征選擇器&:1對(duì)樣本特征向量Cwi構(gòu)建訓(xùn)練特
征向量Xv，K為mX C1的矩陣，計(jì)算每個(gè)新染色個(gè)體的Kf，利用適應(yīng)度函數(shù)計(jì)算每個(gè)新染色個(gè)體的適應(yīng)值；
[0012]Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量Ixq中特征總個(gè)數(shù)的比值；
[0013]步驟5:判斷是否滿足迭代停止條件，如果不滿足，令迭代次數(shù)G = G+1，并轉(zhuǎn)到步驟3 ;否則，輸出種群中的最優(yōu)染色個(gè)體Rbest的實(shí)數(shù)部分S作為腦機(jī)接口中的空間濾波器，K {O, 1}部分作為腦機(jī)接口中的特征選擇器。
[0014]所述步驟I中腦電信號(hào)樣本數(shù)據(jù)Xtx。采用設(shè)定頻率范圍內(nèi)的腦電信號(hào)數(shù)據(jù)；
[0015]所述預(yù)處理是指對(duì)腦電信號(hào)樣本數(shù)據(jù)以T時(shí)間窗進(jìn)行分幀處理，并對(duì)每幀數(shù)據(jù)進(jìn)行FFT變換。
[0016]所述染色個(gè)體初始化包括:空間濾波器足w,通過隨機(jī)函數(shù)生成實(shí)數(shù)，特征選擇器I.,初始化為1，S為CXC1的矩陣。
[0017]所述適應(yīng)度函數(shù)為fitness (S，K) = Elda+λ | Kf |，其中，Euia為分類誤差，通過線性判決分析對(duì)腦電信號(hào)特征向量Xv進(jìn)行訓(xùn)練獲得；Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量Cq中特征總個(gè)數(shù)的比值，λ為調(diào)整參數(shù)，0.1〈 λ〈0.5;
[0018]腦電信號(hào)特征向量XV的獲取過程為:利用每一個(gè)染色個(gè)體[S，K]中的空間濾波器兄M對(duì)腦電信號(hào)X進(jìn)行空間濾波，然后對(duì)空間濾波后的結(jié)果進(jìn)行FFT變換獲得頻域特征向量
Kxci，最后利用染色個(gè)體中的特征選擇器對(duì)頻域特征向量^^,進(jìn)行特征選擇，選擇后的結(jié)果作為腦電信號(hào)特征向量χν。
[0019]所述迭代停止條件為:迭代次數(shù)超過最大迭代代數(shù)GMax = 1000或連續(xù)30次迭代后適應(yīng)度函數(shù)變化率小于0.0Olo
[0020]一種基于組合差異進(jìn)化的腦電信號(hào)特征分類方法，采用所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，選擇的空間濾波器及特征選擇器形成的最優(yōu)染色個(gè)體Rbest,具體包括以下幾個(gè)步驟:
[0021]步驟A:利用最優(yōu)染色個(gè)體Rbest,按照步驟4所述方法對(duì)訓(xùn)練樣本XfJ進(jìn)行空間濾
波和特征選擇，獲得最優(yōu)訓(xùn)練特征向量X/，利用SVM分類器對(duì)最優(yōu)訓(xùn)練特征向量X/進(jìn)行訓(xùn)練，獲得分類器Csvm;
[0022]步驟B:對(duì)待測(cè)試數(shù)據(jù)按照步驟I所述方法進(jìn)行預(yù)處理獲得待測(cè)試樣本，Yfft
SmXc的矩陣，利用獲得的最優(yōu)染色個(gè)體Rbest依據(jù)步驟4所述方法對(duì)待測(cè)試樣本進(jìn)行
空間濾波和特征選擇，獲得待測(cè)試特征向量Y/，將待測(cè)試特征向量Y/輸入步驟A獲得的分類器Csvm，輸出分類結(jié)果。
[0023]對(duì)染色體個(gè)體編碼:
[0024]在本發(fā)明中，個(gè)體的編碼主要是對(duì)空間濾波器系數(shù)和特征選擇進(jìn)行編碼，其中空間濾波器系數(shù)是實(shí)數(shù)，采用實(shí)數(shù)編碼，而特征選擇器中I表示選擇該特征，O表示不選擇該特征，因此特征選擇采用{0，1}編碼。
[0025]假設(shè)腦機(jī)接口有c個(gè)腦電極或?qū)?lián)通道，采樣頻率為f，采集時(shí)間為S，那么每一個(gè)電極采集數(shù)據(jù)共有t = f X S個(gè)，設(shè)所采集的腦電信號(hào)為X，那么X為tXc的矩陣。對(duì)X進(jìn)行空間濾波，實(shí)質(zhì)上是對(duì)各導(dǎo)聯(lián)數(shù)據(jù)進(jìn)行加權(quán)處理，可以表示X‘ =XXS,其中SScXcdE陣，X'為tXCl矩陣，C1表示空間濾波器輸出維數(shù)。特征選擇濾波器是一個(gè)mXC1的二值矩陣K，其中m是每個(gè)導(dǎo)聯(lián)在一個(gè)T時(shí)間段內(nèi)(即一個(gè)時(shí)間幀內(nèi)，其中0.5s〈T〈2s)的特征值個(gè)數(shù)，其中I表示選擇該特征頻率，O表示不選擇。將S，K矩陣進(jìn)行扁平化處理，即可獲得S，K的染色體編碼，如圖3、圖4所示。
[0026]確定組合差異進(jìn)化的適應(yīng)度函數(shù):
[0027]為了獲得最優(yōu)的分類性能，利用每一個(gè)染色體(S，K)中的空間濾波器S對(duì)訓(xùn)練腦電信號(hào)X進(jìn)行預(yù)處理:利用每一個(gè)染色個(gè)體[S，K]中的空間濾波器對(duì)腦電信號(hào)X進(jìn)行空
間濾波，然后對(duì)空間濾波后的結(jié)果進(jìn)行FFT變換獲得頻域特征向量匕xq，最后利用染色個(gè)
體中的特征選擇器夂對(duì)頻域特征向量匕進(jìn)行特征選擇，選擇后的結(jié)果作為腦電信號(hào)特
征向量Xv，選擇后的結(jié)果Xv作為線性判斷的訓(xùn)練樣本；通過線性判決分析(LDA)對(duì)樣本進(jìn)行訓(xùn)練，獲得分類器參數(shù)Puia以及分類誤差Em，其中分類誤差Euia作為適應(yīng)度函數(shù)的參數(shù)，用于判斷染色體的優(yōu)劣。如果分類誤差小，則說明該染色體最接近最優(yōu)解，應(yīng)該保留；否則應(yīng)該進(jìn)行交叉、變異。
[0028]為了選擇合適的特征個(gè)數(shù)，定義Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量^中特征總個(gè)數(shù)的比值，顯然0〈Kf < I。
[0029]考慮到分類誤差以及特征個(gè)數(shù)，那么適應(yīng)度函數(shù)定義為:[0030]fitness (S，K) = Elda+λ I Kf I 公式(I)
[0031]其中，0.1〈 λ〈0.5。
[0032]另外，由于空間濾波器和FFT變化都屬于線性變化，兩種的先后順序不影響算法結(jié)果，但是如果先空間濾波再進(jìn)行FFT變化的話，那么在每一次進(jìn)化迭代過程中都需要進(jìn)行FFT運(yùn)算，會(huì)顯著增加運(yùn)算量。因此本發(fā)明中對(duì)訓(xùn)練數(shù)據(jù)初始化過程中先進(jìn)行FFT變化，在進(jìn)化迭代過程中只進(jìn)行空間濾波，不進(jìn)行FFT運(yùn)算。
[0033]有益效果
[0034]本發(fā)明提出了一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇及分類方法，通過利用組合差異進(jìn)化算法在全局搜索能力和快速收斂方面的突出表現(xiàn)，迅速找到最佳空間濾波系數(shù)和特征向量，克服現(xiàn)有技術(shù)中需依靠人工確定空間濾波系數(shù)和特征向量的工作繁瑣且低效的問題，并利用搜索到的最佳空間濾波系數(shù)和特征向量訓(xùn)練分類器，對(duì)腦電信號(hào)進(jìn)行分類，提高腦電信號(hào)的識(shí)別率，為腦機(jī)接口的實(shí)用化奠定基礎(chǔ)。實(shí)現(xiàn)了對(duì)腦電信號(hào)的自動(dòng)化識(shí)另IJ，降低了人工勞動(dòng)強(qiáng)度，大大提高了腦電信號(hào)的處理效率。
【專利附圖】

【附圖說明】
[0035]圖1為腦機(jī)接口結(jié)構(gòu)示意圖；
[0036]圖2為本發(fā)明所述方法的流程圖；
[0037]圖3為空間濾波器S的編碼示意圖；
[0038]圖4為特征選擇器K的編碼示意圖；
[0039]圖5為實(shí)施例中特征選擇器選擇特征向量示意圖；
[0040]圖6第I組數(shù)據(jù)組合差異進(jìn)化迭代過程中分類誤差ε LDA變化圖。
【具體實(shí)施方式】
[0041]下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說明。
[0042]一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，包括以下步驟:
[0043]步驟1:選取腦電信號(hào)樣本數(shù)據(jù)Xtx。，并對(duì)腦電信號(hào)樣本數(shù)據(jù)進(jìn)行預(yù)處理獲得訓(xùn)練
樣本X= ; X為tXc的矩陣，Xfft為mXc的矩陣，t是每一個(gè)電極采集數(shù)據(jù)個(gè)數(shù)，m是每個(gè)導(dǎo)聯(lián)在一個(gè)T時(shí)間段內(nèi)的特征值個(gè)數(shù)，c為腦電信號(hào)的導(dǎo)聯(lián)個(gè)數(shù)；
[0044]步驟2:設(shè)定染色個(gè)體和適應(yīng)度函數(shù)，設(shè)置策略知識(shí)庫(kù)、迭代停止條件及染色個(gè)體種群，并對(duì)染色個(gè)體及迭代次數(shù)進(jìn)行參數(shù)初始化；
[0045]以空間濾波器和特征選擇器Ixq作為染色個(gè)體[S，K]，S的編碼為實(shí)數(shù)，K采用O和I編碼；
[0046]步驟3:按照組合差異進(jìn)化算法對(duì)每一個(gè)染色個(gè)體進(jìn)行變異、修補(bǔ)及交叉處理，獲得新染色個(gè)體；
[0047]步驟4:以新染色個(gè)體的實(shí)數(shù)編碼部分作為空間濾波器$ 對(duì)訓(xùn)練樣本ZfJ進(jìn)行空間濾波，獲得樣本特征向量P /SmXc1的矩陣,C1表示空間濾波器輸出維數(shù)；接著利用新染色個(gè)體的{0，1}編碼部分作為特征選擇器夂對(duì)樣本特征向量^7構(gòu)建訓(xùn)練特征向量Xv，K為mX C1的矩陣，計(jì)算每個(gè)新染色個(gè)體的Kf，利用適應(yīng)度函數(shù)計(jì)算每個(gè)新染色個(gè)體的適應(yīng)值；
[0048]Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量Fmxq中特征總個(gè)數(shù)的比值；
[0049]步驟5:判斷是否滿足迭代停止條件，如果不滿足，令迭代次數(shù)G = G+1，并轉(zhuǎn)到步驟3 ;否則，輸出種群中的最優(yōu)染色個(gè)體Rbest的實(shí)數(shù)部分S作為腦機(jī)接口中的空間濾波器，K {O, 1}部分作為腦機(jī)接口中的特征選擇器。
[0050]所述步驟I中腦電信號(hào)樣本數(shù)據(jù)Xtx。的選取是以設(shè)定頻率范圍內(nèi)的腦電信號(hào)數(shù)據(jù)作為腦電信號(hào)樣本數(shù)據(jù)；
[0051]所述預(yù)處理是指對(duì)腦電信號(hào)樣本數(shù)據(jù)按照時(shí)間T內(nèi)的數(shù)據(jù)作為一幀，進(jìn)行分幀處理,并對(duì)每幀數(shù)據(jù)進(jìn)行FFT變換。
[0052]所述染色個(gè)體初始化是指空間濾波器足X￡l通過隨機(jī)函數(shù)生成實(shí)數(shù)，特征選擇器K 初始化為I。
[0053]所述適應(yīng)度函數(shù)為fitness (S，K) = Elda+λ | Kf |，其中，Euia為分類誤差，通過線性判決分析對(duì)腦電信號(hào)特征向量XV進(jìn)行訓(xùn)練獲得；Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特
征向量,中特征總個(gè)數(shù)的比值，0.1< λ <0.5 ；
[0054] 電信號(hào)特征向量XV是利用每一個(gè)染色個(gè)體[S，K]中的空間濾波器足xq對(duì)腦電
信號(hào)X進(jìn)行空間濾波，然后對(duì)空間濾波后的結(jié)果進(jìn)行FFT變換獲得頻域特征向量Cxq，最后
利用染色個(gè)體中的特征選擇器夂_ ,對(duì)頻域特征向量P進(jìn)行特征選擇，選擇后的結(jié)果作為腦電信號(hào)特征向量Xv。
[0055]所述迭代停止條件為:迭代次數(shù)超過最大迭代代數(shù)GMax = 1000或連續(xù)30次迭代后適應(yīng)度函數(shù)變化率小于0.0Olo
[0056]一種基于組合差異進(jìn)化的腦電信號(hào)特征分類方法，如圖2所示，采用所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，選擇的空間濾波器及特征選擇器形成的最優(yōu)染色個(gè)體Rbest,具體包括以下幾個(gè)步驟:
[0057]步驟A:利用依據(jù)最優(yōu)染色個(gè)體Rbest,按照步驟4所述方法對(duì)訓(xùn)練樣本進(jìn)行空
間濾波和特征選擇，獲得最優(yōu)訓(xùn)練特征向量X/，利用SVM分類器對(duì)最優(yōu)訓(xùn)練特征向量X/進(jìn)行訓(xùn)練，獲得分類器Csvm;
[0058]步驟B:對(duì)待測(cè)試數(shù)據(jù)按照步驟I所述方法進(jìn)行預(yù)處理獲得待測(cè)試樣本，利用
獲得的最優(yōu)染色個(gè)體Rbest依據(jù)步驟4所述方法對(duì)待測(cè)試樣本}！f進(jìn)行空間濾波和特征選
擇，獲得待測(cè)試特征向量Y/，將待測(cè)試特征向量Y/輸入步驟A獲得的分類器Csvm，輸出分類結(jié)果。
[0059]本實(shí)施例以基于運(yùn)動(dòng)想象的BCI實(shí)驗(yàn)為例，其中涉及的數(shù)據(jù)來源于第三屆國(guó)際腦機(jī)接口比賽提供的數(shù)據(jù)集。該數(shù)據(jù)集采集了 3個(gè)人的腦電數(shù)據(jù)(即有3組實(shí)驗(yàn)數(shù)據(jù))，每個(gè)人做4次實(shí)驗(yàn)，其中前3次作為訓(xùn)練數(shù)據(jù)，最后一次作為測(cè)試數(shù)據(jù)。其中記錄電極為32導(dǎo)聯(lián)，采樣率為512HZ。除了提供原始數(shù)據(jù)外，競(jìng)賽組還提供經(jīng)過處理的數(shù)據(jù)，即8導(dǎo)聯(lián)的能量譜密度(PSD)數(shù)據(jù)。針對(duì)第I組實(shí)驗(yàn)的具體實(shí)施方案如下:
[0060]I)數(shù)據(jù)加載以及FFT變化:加載第I組實(shí)驗(yàn)的前3次原始數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)X，對(duì)其進(jìn)行分幀處理，其中以Is的數(shù)據(jù)為一幀,每幀間隔0.125秒，重疊0.875s。并對(duì)每一幀進(jìn)行FFT變化，選取8-32Hz的數(shù)據(jù)，以相鄰2Hz的數(shù)據(jù)的絕對(duì)值相加作為訓(xùn)練樣本Xfft，那么每一導(dǎo)聯(lián)的特征向量維數(shù)為12維，共32導(dǎo)聯(lián)；
[0061]2)組合差異進(jìn)化算法初始化:設(shè)置空間濾波輸出維數(shù)C1 = 2，那么空間濾波器系數(shù)共有32 X 2 = 64個(gè)，特征選擇器系數(shù)共有12 X 2 = 24個(gè)，因此染色體的編碼長(zhǎng)度為D =64+24 = 88維，設(shè)置種群數(shù)N = 88，每個(gè)染色體的實(shí)數(shù)編碼部分通過隨機(jī)函數(shù)生成，{0，1}編碼部分初始化全部設(shè)置為1，即選擇所有的特征值作為訓(xùn)練特征樣本。適應(yīng)度函數(shù)按照公式(I)計(jì)算，其中λ =0.2。其他組合差異進(jìn)化算法的參數(shù)按照步驟2設(shè)置；
[0062]3)按照本發(fā)明方法的步驟3-步驟5搜索最優(yōu)特征向量，如圖5所示，為本實(shí)施例中特征選擇器選擇特征向量示意圖；
[0063]4)按照本發(fā)明方法的步驟A獲得SVM分類器；
[0064]5)按照本發(fā)明方法的步驟B對(duì)第I組的第4次實(shí)驗(yàn)進(jìn)行測(cè)試，獲得測(cè)試結(jié)果；
[0065]第2組和第3組實(shí)驗(yàn)同樣按照以上過程獲得。將分類結(jié)果與競(jìng)賽數(shù)據(jù)集中所提供的正確結(jié)果相比較，可得到分類精度η = l-ε，其中ε為分類誤差，如表1所示，其中括號(hào)內(nèi)為進(jìn)化算法結(jié)束時(shí)LDA分類精度= 1- ε ωΑ。
[0066]從表中可以看出，本發(fā)明所述方法獲得的分類結(jié)果精度均高于2003年國(guó)際BCI競(jìng)賽時(shí)獲得第I名的分類結(jié)果精度。
[0067]表1分類精度η結(jié)果比較表(括號(hào)內(nèi)為nLDA，單位100% )
[0068]
【權(quán)利要求】
1.一種基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，其特征在于，包括以下步驟: 步驟1:選取腦電信號(hào)樣本數(shù)據(jù)Xtx。，并對(duì)腦電信號(hào)樣本數(shù)據(jù)進(jìn)行預(yù)處理獲得訓(xùn)練樣本Z,= ; X為tXc的矩陣，Xfft為mXc的矩陣，t是每一個(gè)電極采集數(shù)據(jù)個(gè)數(shù)，m是每個(gè)導(dǎo)聯(lián)在一個(gè)T時(shí)間段內(nèi)的特征值個(gè)數(shù)，c為腦電信號(hào)的導(dǎo)聯(lián)個(gè)數(shù)； 步驟2:設(shè)定染色個(gè)體和適應(yīng)度函數(shù)，設(shè)置策略知識(shí)庫(kù)、迭代停止條件及染色個(gè)體種群，并對(duì)染色個(gè)體及迭代次數(shù)進(jìn)行參數(shù)初始化；以空間濾波器足和特征選擇器& 作為染色個(gè)體[S，K]，S的編碼為實(shí)數(shù)，K采用O和I編碼； 步驟3:按照組合差異進(jìn)化算法對(duì)每一個(gè)染色個(gè)體進(jìn)行變異、修補(bǔ)及交叉處理，獲得新染色個(gè)體； 步驟4:以新染色個(gè)體的實(shí)數(shù)編碼部分作為空間濾波器，對(duì)訓(xùn)練樣本XfJ進(jìn)行空間濾波，獲得樣本特征向量匕，VSmXc1的矩陣，C1為空間濾波輸出維數(shù)；接著利用新染色個(gè)體的{O，1}編碼部分作為特征選擇彳K 對(duì)樣本特征向量匕構(gòu)建訓(xùn)練特征向量Xv，K為mXCl的矩陣，計(jì)算每個(gè)新染色個(gè)體的Kf，利用適應(yīng)度函數(shù)計(jì)算每個(gè)新染色個(gè)體的適應(yīng)值； Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量匕(1中特征總個(gè)數(shù)的比值； 步驟5:判斷是否滿足迭代停止條件，如果不滿足，令迭代次數(shù)G = G+1，并轉(zhuǎn)到步驟3 ;否則，輸出種群中的最優(yōu)染色個(gè)體Rbest的實(shí)數(shù)部分S作為腦機(jī)接口中的空間濾波器，K {O，1}部分作為腦機(jī)接口中的特征選擇器。
2.根據(jù)權(quán)利要求1所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，其特征在于，所述步驟I中腦電信號(hào)樣本數(shù)據(jù)Xtx。采用設(shè)定頻率范圍內(nèi)的腦電信號(hào)數(shù)據(jù)； 所述預(yù)處理是指對(duì)腦電信號(hào)樣本數(shù)據(jù)以T時(shí)間窗進(jìn)行分幀處理，并對(duì)每幀數(shù)據(jù)進(jìn)行FFT變換。
3.根據(jù)權(quán)利要求2所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，其特征在于，所述染色個(gè)體初始化包括:空間濾波器S通過隨機(jī)函數(shù)生成實(shí)數(shù)，特征選擇器A 初始化為1，S為CXC1的矩陣。
4.根據(jù)權(quán)利要求3所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，其特征在于，所述適應(yīng)度函數(shù)為fitness (S，K) = Elda+ λ | Kf |，其中，Elda為分類誤差，通過線性判決分析對(duì)腦電信號(hào)特征向量Xv進(jìn)行訓(xùn)練獲得；Kf為特征選擇器所選的特征個(gè)數(shù)與頻域特征向量Cwi中特征總個(gè)數(shù)的比值，λ為調(diào)整參數(shù)，0.1〈 λ〈0.5;腦電信號(hào)特征向量Xv的獲取過程為:利用每一個(gè)染色個(gè)體[S，K]中的空間濾波器兄對(duì)腦電信號(hào)X進(jìn)行空間濾波，然后對(duì)空間濾波后的結(jié)果進(jìn)行FFT變換獲得頻域特征向量Vmxix，最后利用染色個(gè)體中的特征選擇器夂,對(duì)頻域特征向量Cm進(jìn)行特征選擇，選擇后的結(jié)果作為腦電 信號(hào)特征向量χν。
5.根據(jù)權(quán)利要求4所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，其特征在于，所述迭代停止條件為:迭代次數(shù)超過最大迭代代數(shù)GMax = 1000或連續(xù)30次迭代后適應(yīng)度函數(shù)變化率小于0.001。
6.一種基于組合差異進(jìn)化的腦電信號(hào)特征分類方法，其特征在于，采用權(quán)利要求1-5任一項(xiàng)所述的基于組合差異進(jìn)化的腦電信號(hào)特征選擇方法，選擇的空間濾波器及特征選擇器形成的最優(yōu)染色個(gè)體Rbest,具體包括以下幾個(gè)步驟: 步驟A:利用最優(yōu)染色個(gè)體Rbest,按照步驟4所述方法對(duì)訓(xùn)練樣本進(jìn)行空間濾波和特征選擇，獲得最優(yōu)訓(xùn)練特征向量X/，利用SVM分類器對(duì)最優(yōu)訓(xùn)練特征向量X/進(jìn)行訓(xùn)練，獲得分類器Csvm ； 步驟B:對(duì)待測(cè)試數(shù)據(jù)按照步驟I所述方法進(jìn)行預(yù)處理獲得待測(cè)試樣本，Yfft為mXc的矩陣，利用獲得的最優(yōu)染色個(gè)體Rbest依據(jù)步驟4所述方法對(duì)待測(cè)試樣本Kff進(jìn)行空間濾波和特征選擇，獲得待測(cè)試特征向量Y/，將待測(cè)試特征向量Y/輸入步驟A獲得的分類器Csvm，輸出分類 結(jié)果。
【文檔編號(hào)】G06K9/62GK103996054SQ201410245808
【公開日】2014年8月20日 申請(qǐng)日期:2014年6月5日 優(yōu)先權(quán)日:2014年6月5日
【發(fā)明者】譚平, 譚冠政, 王勇, 蔡自興 申請(qǐng)人:中南大學(xué)