技術(shù)特征：

1.基于多層超限學(xué)習(xí)機的運動想象腦電信號分類方法，其特征在于：

首先，對每一樣本的原始信號進行加窗分段，得到S段子信號；然后，分別對上步驟分段得到的S段子信號進行主成分分析和線性判別分析，并將最終的S個K-1維特征向量進行組合，得到S*(K-1)維的特征；最后，將所有樣本的特征送入多層超限學(xué)習(xí)機分類器中，得到最后的分類結(jié)果；

基于多層超限學(xué)習(xí)機的運動想象腦電信號分類方法，包括以下步驟：

步驟一，采用固定的滑動時間窗將原始運動想象腦電信號分為S段子信號；S的取值取決于滑動時間窗的長度與原始腦電信號的長度；

步驟二，對步驟一所得到的每一段子信號通過主成分分析方法進行降維，去除眼動和眨眼等偽跡對信號的干擾，得到降維后的特征向量；

步驟三，將步驟二中得到的特征向量通過線性判別分析方法進行二次降維，對于K個類別的腦電數(shù)據(jù)，得到K-1維的特征向量；對于二分類問題，得到的是一個一維的特征向量；

步驟四，對每個子信號均按步驟二和步驟三進行處理，對于S段子信號，所以最終會得到S個K-1維的特征向量，將S個K-1維的特征向量進行組合，得到最終為S*(K-1)維的特征；

步驟五，將步驟四所得到的S*(K-1)維特征送入ML-ELM分類器，得到最終分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于多層超限學(xué)習(xí)機的運動想象腦電信號分類方法，其特征在于：假設(shè)有訓(xùn)練數(shù)據(jù)集TrainData和一組測試數(shù)據(jù)集TestData，TrainData的樣本量為N，維度為D；TestData的樣本量為M，維度同樣為D；其中TrainData與TestData中樣本屬于K個類別的；

基于多層超限學(xué)習(xí)機的運動想象腦電信號分類方法，

步驟一，通過固定時間窗劃分的方式把TrainData和TestData均分成S段腦電子信號；TrainData_i代表訓(xùn)練數(shù)據(jù)集中第i段子信號，每段子信號的維度為D_i(i＝1,2,…,S)；TestData_i代表測試數(shù)據(jù)集中第i段子信號，每段子信號的維度為D_i(i＝1,2,…,S)；因為采用的固定時間窗，窗口大小是固定的，所以D₁＝D₂＝…＝D_i；

固定的滑動時間窗分為兩種：一種是無疊加時間窗，每一段子信號之間沒有重疊部分，即另一種是有疊加的時間窗，每兩段相鄰的子信號之間是有部分重疊的，即

步驟二，對步驟一所得到的每一段子信號TrainData_i和TestData_i通過主成分分析方法進行降維；將特征值從大到小進行排序后，再根據(jù)累計貢獻率，只保留前m個最大特征值對應(yīng)的特征向量組合M_PCA作為投影空間向量，M_PCA＝[Φ₁,Φ₂,...,Φ_m]，Φ₁,Φ₂,...,Φ_m分別為通過主成分分析方法進行降維后得到的最大特征值所對應(yīng)的特征向量；將TrainData_i和TestData_i同時投影到M_PCA上，可得到PCA降維后的訓(xùn)練數(shù)據(jù)Train_i和測試數(shù)據(jù)Test_i：

Train_i＝TrainData_i·M_PCA

Test_i＝TestData_i·M_PCA

步驟三，將步驟二中得到的特征向量通過LDA方法進行二次降維，具體方法如下：

(1)根據(jù)LDA準(zhǔn)則，利用Train_i中不同類別樣本的類間離散度矩陣以及同一類別樣本的類內(nèi)離散度矩陣計算出LDA的投影空間向量w^*；

(2)把Train_i與Test_i投影到w^*上，得到第i段腦電子信號的特征：

Trainfeature_i＝Train_i·w^*

Testfeature_i＝Test_i·w^*

步驟四，計算出所有的Trainfeature_i與Testfeature_i，并進行組合，得到最終的特征TrainFeature與TestFeature：

TrainFeature＝{TrainFeature₁，TrainFeature₂，…，Trainfeature_x}

TestFeature＝{TestFeature₁，TestFeature₂，…，TestFeature_x}

步驟五，用步驟四所得到的特征TrainFeature訓(xùn)練ML-ELM分類器模型，將TestFeature送入訓(xùn)練好的模型進行分類，得出最終分類結(jié)果；流程圖如圖2所示，具體方法如下：

(1)給定隱層個數(shù)K、隱層節(jié)點個數(shù)L＝{L₁,L₂,…,L_K}和激勵函數(shù)g(x)；隨機產(chǎn)生輸入權(quán)值a_i和偏置值b_i；x_i代表輸入的第i個訓(xùn)練樣本,t_i對應(yīng)第i個訓(xùn)練樣本的標(biāo)簽；因為送入分類器是已經(jīng)提取好的特征，故在本發(fā)明中，x_i實際上代表TrainFeature_i；

(2)計算隱層1所對應(yīng)的基于ELM的自編碼器的輸出矩陣G₁：

$G_1={\left[\begin{array}{ccc}{G}_1\left(a_1,b_1,x_1\right)& ...& G_1\left(a_{L1},b_{L1},x_1\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ G_1\left(a_1,b_1,x_N\right)& ...& G_1\left(a_{L1},b_{L1},x_N\right)\end{array}\right]}_{N\×L1}$

其中，G₁(a_i,b_i,x)＝g(x·a_i+b_i)為訓(xùn)練數(shù)據(jù)集的單個樣本；

(3)求出自編碼器1的最優(yōu)權(quán)β₁；

根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出X＝G₁β₁；如果G₁是列滿秩的，通過最小二乘法得到最佳權(quán)值，其解為：

是G₁的廣義逆矩陣，如果G₁是非列滿秩的，則使用奇異值分解求解G₁的廣義逆矩陣來計算最優(yōu)權(quán)β₁；

(4)計算隱層1的輸出矩陣H₁：

$H_1={\mathrm{X\β}}_1^T$

是β₁的轉(zhuǎn)置；

(5)計算隱層2所對應(yīng)的基于ELM的自編碼器的輸出矩陣G₂：

G₂＝g(H₁·a₂+b₂)

(6)求出自編碼器2的最優(yōu)權(quán)β₂：

(7)計算隱層2的輸出矩陣H₂：

$H_2=H_1{\mathrm{\β}}_2^T$

(8)重復(fù)步驟(5)-(7)，直到計算出隱層K的輸出矩陣H_K；

(9)計算輸出層的最優(yōu)權(quán)β_K+1：

(10)將TestFeature送入該模型進行分類，得到一組M維的預(yù)測標(biāo)簽，將預(yù)測標(biāo)簽與真實標(biāo)簽進行比較求出分類正確率。