亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于小波包分解及邏輯回歸的腦電分類方法與流程

文檔序號(hào):11865346閱讀:1018來(lái)源:國(guó)知局
基于小波包分解及邏輯回歸的腦電分類方法與流程

本發(fā)明屬于腦電信號(hào)處理及模式識(shí)別領(lǐng)域,涉及腦機(jī)接口中運(yùn)動(dòng)想象腦電信號(hào)模式分類,特別涉及一種基于小波包分解及邏輯回歸的腦電分類方法。



背景技術(shù):

腦機(jī)接口使用腦電或者大腦活動(dòng)的其他電生理測(cè)試量為人與外部設(shè)備建立了一個(gè)不依靠傳統(tǒng)神經(jīng)肌肉輸出的通信管道。目前,從人體頭皮采集的運(yùn)動(dòng)想象腦電經(jīng)常被用于無(wú)創(chuàng)腦機(jī)接口控制?;谶\(yùn)動(dòng)想象的腦機(jī)接口主要利用運(yùn)動(dòng)感知節(jié)律的幅度調(diào)制來(lái)反映人體的運(yùn)動(dòng)意圖。運(yùn)動(dòng)感知節(jié)律的幅度調(diào)制通常以事件相關(guān)去同步和事件相關(guān)同步的形式出現(xiàn)。近十年以來(lái),基于事件相關(guān)去同步和事件相關(guān)同步的腦機(jī)接口技術(shù)由于其在殘疾人康復(fù)訓(xùn)練中的良好應(yīng)用前景而受到廣泛關(guān)注。

小波包分析作為良好的信號(hào)時(shí)頻分析工具,由于它不僅將頻帶進(jìn)行多層次劃分,而且對(duì)高頻部分也進(jìn)行進(jìn)一步的分解,具有比小波分析更好的時(shí)頻特性,對(duì)于提高運(yùn)動(dòng)想象腦電分析的精度而言更具有優(yōu)勢(shì)。此外,邏輯回歸是一種重要的分類方法,它使用輸入變量的系數(shù)加權(quán)線性組合來(lái)分類,自某一給定的類上,能給出相應(yīng)的類分布估計(jì),具有較高的分類精度。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明的目的是提供一種運(yùn)動(dòng)想象腦電模式分類方法,基于小波包分解及邏輯回歸,涉及神經(jīng)科學(xué)、數(shù)字信號(hào)處理、機(jī)器學(xué)習(xí)、模式識(shí)別等領(lǐng)域,通過(guò)小波包分解能有效獲取運(yùn)動(dòng)感知節(jié)律相關(guān)信號(hào)并由邏輯回歸模型進(jìn)行準(zhǔn)確分類。為了實(shí)現(xiàn)上述目的,本發(fā)明提供了一種基于小波包分解及邏輯回歸的腦電分類方法。具體包括以下幾個(gè)步驟:

步驟一、腦電信號(hào)采集及預(yù)處理:采用電極導(dǎo)聯(lián)C3和C4多次采集被試者大腦左右兩側(cè)腦電信號(hào),并對(duì)每一次電極導(dǎo)聯(lián)C3和C4采集的腦電信號(hào)進(jìn)行帶通濾波,將其中若干次采集樣本作為訓(xùn)練樣本集,剩余樣本作為測(cè)試樣本集;

步驟二、小波包分解及重構(gòu):針對(duì)每一個(gè)樣本,將步驟一預(yù)處理后的電極導(dǎo)聯(lián)C3和C4采集的腦電信號(hào)分別采用小波包分解進(jìn)行3層分解,得到各自的分解系數(shù)S(3,0),S(3,1),S(3,2),S(3,3),S(3,4),S(3,5),S(3,6)及S(3,7),抽取與μ節(jié)律和部分β節(jié)律相關(guān)的分解系數(shù)S(3,1)進(jìn)行信號(hào)重構(gòu);

步驟三、重構(gòu)信號(hào)能量均值特征提?。簩?duì)步驟二得到的S(3,1)重構(gòu)信號(hào)計(jì)算其能量均值特征E3和E4,其中E3對(duì)應(yīng)電極導(dǎo)聯(lián)C3,E4對(duì)應(yīng)電極導(dǎo)聯(lián)C4,分別得到各樣本的一個(gè)二維特征向量(E3,E4);

步驟四、邏輯回歸判別模型建立:基于步驟一得到的訓(xùn)練樣本集,建立基于Sigmoid函數(shù)的邏輯回歸分類器;

步驟五、運(yùn)動(dòng)想象腦電模式分類:對(duì)于步驟一得到的測(cè)試樣本集中的每一個(gè)樣本,將其二維特征向量代入邏輯回歸分類器,得到具體的分類結(jié)果。

進(jìn)一步地,步驟一中一次采集的樣本同時(shí)包含C3和C4電極導(dǎo)聯(lián)信號(hào),電極導(dǎo)聯(lián)C3和C4分別以128Hz的采樣頻率采集被試者左右兩側(cè)腦電信號(hào),并對(duì)C3和C4采集的腦電信號(hào)進(jìn)行0.5Hz~30Hz帶通濾波去除低頻基線漂移及無(wú)效的高頻信號(hào)成分;

進(jìn)一步地,步驟一中訓(xùn)練樣本集和測(cè)試樣本集中均包含左手運(yùn)動(dòng)想象和右手運(yùn)動(dòng)想象兩類樣本,其中訓(xùn)練樣本集類標(biāo)簽已知,一類標(biāo)為1,另一類標(biāo)為0,測(cè)試樣本集類標(biāo)簽需要預(yù)測(cè),將預(yù)測(cè)結(jié)果和真實(shí)類標(biāo)簽進(jìn)行對(duì)比得到分類正確率。;

進(jìn)一步地,步驟二所述的與μ節(jié)律和部分β節(jié)律相關(guān)的分解系數(shù)S(3,1)對(duì)應(yīng)的頻段范圍為8~16Hz;

進(jìn)一步地,所述步驟三中能量均值E,計(jì)算如下:

<mrow> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow>

其中E代表E3或E4,i=1,2,…,m,m為一次采集信號(hào)周期中所截取的事件相關(guān)去同步/同步現(xiàn)象最明顯時(shí)間段的采樣點(diǎn)數(shù),xi為采樣點(diǎn)腦電信號(hào)幅值;

進(jìn)一步地,所述步驟四中Sigmoid函數(shù)具體的計(jì)算公式如下:

<mrow> <mi>&sigma;</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>z</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中,z=ω01X12X2,此處X1及X2為分類器所需輸入的特征,ω0、ω1、ω2為回歸系數(shù),

最優(yōu)回歸系數(shù)的尋找過(guò)程如下:

1)初始化步長(zhǎng)alpha及迭代次數(shù)maxCycles;

2)初始化回歸系數(shù),得到一個(gè)N×3維的回歸系數(shù)矩陣dataMatrix,其中N為訓(xùn)練樣本集中的樣本個(gè)數(shù);

3)將訓(xùn)練樣本集中每一個(gè)樣本的二維特征向量(E3,E4)作為輸入求取Sigmoid函數(shù)值,得到一個(gè)N維向量h,向量h中的每一個(gè)元素即為某一個(gè)樣本對(duì)應(yīng)的Sigmoid函數(shù)值;

4)將向量h與訓(xùn)練樣本集的真實(shí)類標(biāo)簽向量label相減,得到偏差向量error,具體公式如下:

error=label-h

5)更新回歸系數(shù),具體公式如下:

weights=weights+alpha*dataMatrixT*error

其中weights=[ω012],dataMatrixT為dataMatrix的轉(zhuǎn)置矩陣;

6)判別迭代終止,若迭代次數(shù)小于maxCycles,則返回步驟2),否則輸出weights;

進(jìn)一步地,所述步驟五中,將測(cè)試樣本集中的每一個(gè)樣本的二維特征向量代入邏輯回歸判別模型,若輸出大于0.5則分入一類,小于0.5則分入另一類。

與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果是:

1)本發(fā)明根據(jù)運(yùn)動(dòng)感知節(jié)律相關(guān)頻帶范圍內(nèi)的事件相關(guān)去同步/同步現(xiàn)象分段內(nèi)的腦電信號(hào)能有效反映不同運(yùn)動(dòng)想象模式的基本生理規(guī)律,提取能量均值特征,能有效反映腦電特性。

2)本發(fā)明采用小波包分解抽取運(yùn)動(dòng)感知節(jié)律相關(guān)信號(hào)分解系數(shù),能有效重構(gòu)特征成分。

3)本發(fā)明利用邏輯回歸建立分類模型對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行分類,大大提高了分類的準(zhǔn)確性和便利性。

附圖說(shuō)明

圖1為本發(fā)明整體流程示意圖;

圖2為小波包3層分解示意圖;

圖3為Sigmoid函數(shù)示意圖;

圖4為基于訓(xùn)練樣本集的分類決策邊界示意圖;

圖5為測(cè)試樣本集的邏輯回歸判別模型輸出值分布圖;

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步的描述。

如圖1所示,本發(fā)明基于小波包分解及邏輯回歸的腦電分類方法具體包括以下幾個(gè)步驟:

步驟一、腦電信號(hào)采集及預(yù)濾波:采用電極導(dǎo)聯(lián)C3和C4多次采集被試者大腦左右兩側(cè)腦電信號(hào),并對(duì)每一次采集的C3和C4導(dǎo)聯(lián)腦電信號(hào)進(jìn)行帶通濾波,將其中二分之一的采集樣本作為訓(xùn)練樣本集,剩余的二分之一樣本作為測(cè)試樣本集。具體為:

通過(guò)多通道采集器上的電極導(dǎo)聯(lián)C3,Cz和C4采集腦電運(yùn)動(dòng)想象腦電信號(hào),電極導(dǎo)聯(lián)C3,Cz和C4從左到右放置,采樣頻率為128Hz,并進(jìn)行濾波處理,帶通濾波頻段為0.5Hz~30Hz;由于Cz通道的腦電信號(hào)對(duì)想象左右手運(yùn)動(dòng)任務(wù)無(wú)關(guān),故本發(fā)明只考慮C3和C4二個(gè)通道的腦電信號(hào)。每次運(yùn)動(dòng)想象實(shí)驗(yàn)持續(xù)時(shí)間為9秒,0到2秒為休息時(shí)間;2秒后在屏幕中央出現(xiàn)一個(gè)“+”提示符表明實(shí)驗(yàn)即將開(kāi)始,持續(xù)1秒;在3秒后屏幕中央出現(xiàn)一個(gè)箭頭,隨機(jī)地指示向左或向右,要求受試者根據(jù)箭頭方向進(jìn)行左手或右手的運(yùn)動(dòng)想象。一共采集280組樣本,隨機(jī)抽取140組樣本作為訓(xùn)練樣本集,另外140組樣本作為測(cè)試樣本集,訓(xùn)練樣本集和測(cè)試樣本集中均包含兩類樣本:70組左手運(yùn)動(dòng)想象樣本及70組右手運(yùn)動(dòng)想象樣本。訓(xùn)練樣本集中樣本類標(biāo)簽已知,一類標(biāo)為1,另一類標(biāo)為0,測(cè)試樣本集類標(biāo)簽需要預(yù)測(cè),將預(yù)測(cè)結(jié)果和真實(shí)類標(biāo)簽進(jìn)行對(duì)比可以得到分類正確率。

步驟二、小波包分解及重構(gòu):對(duì)于經(jīng)步驟一預(yù)處理后的C3和C4電極導(dǎo)聯(lián)采集的兩路腦電信號(hào)數(shù)據(jù)進(jìn)行并行處理,兩路信號(hào)處理的方法完全相同:均采用‘db5’小波進(jìn)行3層小波包分解,分解示意圖如圖2所示,分別得到C3和C4兩路腦電數(shù)據(jù)的分解系數(shù)S(3,0),S(3,1),S(3,2),S(3,3),S(3,4),S(3,5),S(3,6)及S(3,7),其頻帶范圍分別是0~8Hz,8~16Hz,16~24Hz,24~32Hz,32~40Hz,40~48Hz,48~56Hz,56~64Hz,由于μ節(jié)律頻段范圍為8~12Hz,β節(jié)律頻段范圍為14~35Hz,所以8~16Hz頻帶包含了部分μ節(jié)律和部分β節(jié)律,因此分別提取與μ節(jié)律和部分β節(jié)律相關(guān)的C3和C4兩路腦電數(shù)據(jù)的S(3,1)系數(shù)進(jìn)行信號(hào)重構(gòu)。

步驟三、重構(gòu)信號(hào)能量均值特征提?。簩?duì)步驟二得到的S(3,1)重構(gòu)信號(hào)計(jì)算其能量均值特征E3和E4(E3針對(duì)C3導(dǎo)聯(lián),E4針對(duì)C4導(dǎo)聯(lián)),能量均值特征計(jì)算公式如下:

<mrow> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow>

其中i=1,2,…,m,m為所截取的事件相關(guān)去同步/同步現(xiàn)象部分的采樣點(diǎn)數(shù),xi為采樣點(diǎn)腦電信號(hào)幅值,所截取的事件相關(guān)去同步/同步現(xiàn)象部分為一次采集信號(hào)的某一局部分段[t1,t2],此處t1設(shè)為4秒,t2設(shè)為6秒,這個(gè)時(shí)間段事件相關(guān)去同步/同步現(xiàn)象最明顯。

步驟四、邏輯回歸判別模型建立:基于步驟一得到的訓(xùn)練樣本集(其中的每一個(gè)樣本均具有一個(gè)二維特征向量(E3,E4)),建立基于Sigmoid函數(shù)的邏輯回歸分類器,Sigmoid函數(shù)具體的計(jì)算公式如下:

<mrow> <mi>&sigma;</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>z</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中,z=ω01X12X2,此處X1及X2為分類器所需輸入的特征,ω0、ω1、ω2為回歸系數(shù),圖3所示為Sigmoid函數(shù)示意圖。最優(yōu)回歸系數(shù)的尋找過(guò)程如下:

1.初始化步長(zhǎng)alpha為0.001,迭代次數(shù)maxCycles為500;

2.初始化回歸系數(shù)ω0=1,ω1=1,ω2=1,得到一個(gè)N×3維的回歸系數(shù)矩陣dataMatrix,其中N為訓(xùn)練樣本集中的樣本個(gè)數(shù),此處為140;

3.將訓(xùn)練樣本集中每一個(gè)樣本的二維特征向量(E3,E4)作為輸入求取Sigmoid函數(shù)值,得到一個(gè)140維向量h,h向量中的每一個(gè)元素即為某一個(gè)樣本對(duì)應(yīng)的Sigmoid函數(shù)值;

4.將h向量與訓(xùn)練樣本集的真實(shí)類標(biāo)簽向量label相減,得到偏差向量error,具體公式如下:

error=label-h

5.更新回歸系數(shù),具體公式如下:

weights=weights+alpha*dataMatrixT*error

其中weights=[ω012],dataMatrixT為dataMatrix的轉(zhuǎn)置矩陣;

6.判別迭代終止,若迭代次數(shù)小于maxCycles,則返回步驟2,否則輸出weights。根據(jù)最優(yōu)回歸系數(shù)構(gòu)建的分類決策邊界示意圖如圖4所示。

步驟五、運(yùn)動(dòng)想象腦電模式分類:對(duì)于步驟一得到的測(cè)試樣本集中的每一個(gè)樣本,將其二維特征向量代入邏輯回歸分類器,得到具體的分類結(jié)果,具體如圖5所示,若輸出大于0.5則分入標(biāo)簽為1的一類,小于0.5則分入標(biāo)簽為0的另一類。結(jié)果表明,分類準(zhǔn)確率達(dá)到了較為理想的89.29%。

以上僅是本發(fā)明的優(yōu)選實(shí)施方式,應(yīng)當(dāng)指出:對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō),在不脫離本發(fā)明原理的前提下,還可以做出若干改進(jìn)和潤(rùn)飾,這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。

當(dāng)前第1頁(yè)1 2 3 
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1