技術特征：

1.基于小波包分解及邏輯回歸的腦電分類方法，其特征在于，該方法包含以下幾個步驟：

步驟一、腦電信號采集及預處理：采用電極導聯C3和C4多次采集被試者大腦左右兩側腦電信號，并對每一次電極導聯C3和C4采集的腦電信號進行帶通濾波，將其中若干次采集樣本作為訓練樣本集，剩余樣本作為測試樣本集；

步驟二、小波包分解及重構：針對每一個樣本，將步驟一預處理后的電極導聯C3和C4采集的腦電信號分別采用小波包分解進行3層分解，得到各自的分解系數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)律相關的分解系數S(3,1)進行信號重構；

步驟三、重構信號能量均值特征提取：對步驟二得到的S(3,1)重構信號計算其能量均值特征E₃和E₄，其中E₃對應電極導聯C3，E₄對應電極導聯C4，分別得到各樣本的一個二維特征向量(E₃,E₄)；

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

步驟五、運動想象腦電模式分類：對于步驟一得到的測試樣本集中的每一個樣本，將其二維特征向量代入邏輯回歸分類器，得到具體的分類結果。

2.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：步驟一中一次采集的樣本同時包含電極導聯C3和C4采集的腦電信號，電極導聯C3和C4的采樣頻率為128Hz，且?guī)V波頻段為0.5Hz～30Hz。

3.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：步驟一中訓練樣本集和測試樣本集中均包含左手運動想象和右手運動想象兩類樣本，其中訓練樣本集類標簽已知，一類標為1，另一類標為0，測試樣本集類標簽需要預測，將預測結果和真實類標簽進行對比得到分類正確率。

4.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：步驟二所述的與μ節(jié)律和部分β節(jié)律相關的分解系數S(3,1)對應的頻段范圍為8～16Hz。

5.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：所述步驟三中能量均值特征計算如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}|x_i{|}^2$

其中E代表E₃或E₄，i＝1,2,…,m，m為一次采集信號周期中所截取的事件相關去同步/同步現象最明顯時間段的采樣點數，x_i為采樣點腦電信號幅值。

6.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：所述步驟四中Sigmoid函數具體的計算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此處X₁及X₂為分類器所需輸入的特征，ω₀、ω₁、ω₂為回歸系數，

最優(yōu)回歸系數的尋找過程如下：

1)初始化步長alpha及迭代次數maxCycles；

2)初始化回歸系數，得到一個N×3維的回歸系數矩陣dataMatrix，其中N為訓練樣本集中的樣本個數；

3)將訓練樣本集中每一個樣本的二維特征向量(E₃,E₄)作為輸入求取Sigmoid函數值，得到一個N維向量h，向量h中的每一個元素即為某一個樣本對應的Sigmoid函數值；

4)將向量h與訓練樣本集的真實類標簽向量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，具體公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T為dataMatrix的轉置矩陣；

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

7.根據權利要求1所述的基于小波包分解及邏輯回歸的腦電分類方法，其特征在于：所述步驟五中，將測試樣本集中的每一個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。