kNew( Param) = XF〇〇d (Param)+f i X (rand (XF〇〇d (Param) -XL〇〇kNeighb〇ur (Param)))，其中 Param 是1,2,3,4四個(gè)數(shù)中的一個(gè)隨機(jī)數(shù)，XFood是該觀察蜂^^。。1<選擇的采蜜蜂，XLookNeighbmjr是觀察 蜂且XLookNeighbcwr矣XLook，f ix ()代表取整數(shù)，并計(jì)算適應(yīng)度值，利用貪婪選擇策略從新解和 原來的解中選擇適應(yīng)度值更高的解；
[0022] (6)判斷是否有要放棄的解，如果某個(gè)解經(jīng)過Limit次循環(huán)之后其適應(yīng)度值沒有提 高，此時(shí)對(duì)應(yīng)的采蜜蜂就變成偵察蜂，根據(jù)式V = = U·3,4隨機(jī)產(chǎn)生 一個(gè)新解來代替該解，其中和、分別代表各個(gè)參數(shù)的上下邊界，fix()代表取整數(shù)；
[0023] (7) -次迭代結(jié)束后，記錄當(dāng)前最好的解及適應(yīng)度值；
[0024] (8)判斷迭代次數(shù)τ是否達(dá)到最大迭代次數(shù)maxlter或最好的適應(yīng)度值是否達(dá)到了 最大容忍誤差toleranceTh，若達(dá)到，輸出全局最優(yōu)適應(yīng)度值OptimalValue及最好的解 GBest，GBest中的4個(gè)分量分別對(duì)應(yīng)于頻帶起始端點(diǎn)、頻帶寬度、時(shí)間窗口起始端點(diǎn)及時(shí)間 窗口長度;否則迭代次數(shù)τ = τ+1，重復(fù)步驟(3)到步驟(8)。
[0025]進(jìn)一步地，所述步驟三中經(jīng)過上述處理后的訓(xùn)練集和測試集中的腦電信號(hào)，均采 用共空間模式(Common Spatial Pattern，CSP)算法進(jìn)行空域?yàn)V波，并分別提取濾波后訓(xùn)練 集和測試集中的腦電信號(hào)的方差作為特征，具體步驟如下：
[0026] (1)去均值化處理：
，其中Xc；h,n是訓(xùn)練集和測試集 中所選擇的導(dǎo)聯(lián)通道ch上某一個(gè)采樣點(diǎn)處的腦電信號(hào)值，1'。^為轉(zhuǎn)化后的值，N為采樣點(diǎn) 總數(shù)；
[0027] (2)采用共空間模式(Common Spatial Pattern,CSP)算法對(duì)訓(xùn)練集中的左右手兩 類樣本進(jìn)行空濾濾波及特征提取:依據(jù)不同的運(yùn)動(dòng)想象模式，將訓(xùn)練集分為兩類，設(shè)X#PX2 分別是每一類的一個(gè)樣本，它們對(duì)應(yīng)的歸一化的空間協(xié)方差矩陣辦和此為
和
其中T上標(biāo)代表矩陣的轉(zhuǎn)置，trace()代表矩陣的跡;將所有樣本的協(xié)方差 矩陣按類別計(jì)算均值得到
其中他和犯分別為兩類樣本的個(gè)數(shù)； 得到混合協(xié)方差矩陣
；對(duì)1?進(jìn)行特征值分解:R = UXUT，其中U是特征向量矩陣，Σ 是特征值的對(duì)角矩陣;得到白化變換矩陣:P = Σ _1/2UT;對(duì)瓦進(jìn)行白化處理S, = 得到Si， 再對(duì)Si做特征值分解=試2私％其中山是特征向量矩陣，Σ :是特征值的對(duì)角矩陣，設(shè)λι( i =1，2, . . .，40)為S^40(對(duì)應(yīng)于所選的導(dǎo)聯(lián)數(shù)為40)個(gè)特征值且λ: 2 λ2 2 2 λ4〇,分別取 Σ i中最大和最小的3個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成空間濾波器Α，濾波后的信號(hào)分別為 X; = 和尤=巧X『，對(duì)于濾波后的信號(hào)X ' i(i = 1，2)，分別提取其第一行和最后一行數(shù)據(jù) 的方差作為特征值;對(duì)于訓(xùn)練集中的每一個(gè)樣本，均進(jìn)行上述操作得到訓(xùn)練集的特征集；
[0028] (3)對(duì)測試集中的左右手兩類樣本進(jìn)行空濾濾波及特征提取:利用步驟(2)中得到 的空間濾波器組1對(duì)測試集中的每一個(gè)樣本進(jìn)行空域?yàn)V波，同樣提取濾波后的信號(hào)第一行 和最后一行數(shù)據(jù)的方差作為特征值，最終得到測試集的特征集。
[0029] 進(jìn)一步地，所述步驟四包括如下步驟：
[0030] (1)對(duì)于已知左右手兩類類別1(1 = 1，2)的訓(xùn)練集中的樣本，分別計(jì)算樣本均值 向量nu，
：其中X為經(jīng)步驟三提取的訓(xùn)練集樣本的特征值向量，Ni為某一類 的樣本數(shù)；
[0031] (2)計(jì)算訓(xùn)練樣本類內(nèi)離散度矩陣
[0032] (3)計(jì)算總類內(nèi)離散度矩陣Εω = E4E2;
[0033] (4)求最佳向
[0034] (5)計(jì)算閾信
[0035] (6)構(gòu)建分類器判別式y(tǒng)= · Χ-ω〇,采用判別式對(duì)未知類別的測試集中的樣本 進(jìn)行兩類分類，若y>〇則屬于第一類(左手），反之則屬于第二類(右手）；將分類結(jié)果與測試 集中的樣本特征向量的實(shí)際類別進(jìn)行比較，得到分類準(zhǔn)確率。
[0036] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0037] 1)本發(fā)明將運(yùn)動(dòng)想象腦電模式識(shí)別中的時(shí)頻參數(shù)優(yōu)化策略對(duì)應(yīng)于自然界中蜂群 搜尋最優(yōu)蜜源的策略，利用仿生群智能算法進(jìn)行求解，易于并行實(shí)現(xiàn)，具有較強(qiáng)的通用性。 [0038] 2)本發(fā)明利用觀察蜂按概率選擇采蜜蜂進(jìn)行跟隨，有利于算法資源合理分配，加 快迭代速度，同時(shí)利用偵察蜂幫助算法跳出局部最優(yōu)解，增強(qiáng)了解的多樣性，克服過早停滯 的現(xiàn)象。
[0039] 3)本發(fā)明在每次迭代時(shí)都進(jìn)行全局和局部搜索，從而在較大程度上避免了局部最 優(yōu)，使得算法具有很強(qiáng)的全局收斂性。
[0040] 4)本發(fā)明不需要先驗(yàn)知識(shí)，結(jié)合隨機(jī)性選擇和概率規(guī)則進(jìn)行最優(yōu)頻帶及最優(yōu)時(shí)間 窗口的搜尋，具有較強(qiáng)的魯棒性和適應(yīng)性。
[0041] 5)本發(fā)明結(jié)合了優(yōu)化導(dǎo)聯(lián)選擇、最優(yōu)頻帶選擇和最優(yōu)時(shí)間窗口選擇，從時(shí)、頻、空 三個(gè)方面對(duì)腦電信號(hào)特征進(jìn)行綜合優(yōu)化，能有效提高運(yùn)動(dòng)想象腦電模式分類識(shí)別的準(zhǔn)確 率。
【附圖說明】
[0042] 圖1為本發(fā)明實(shí)施例提供的結(jié)構(gòu)框圖；
[0043] 圖2為本發(fā)明實(shí)施例提供的導(dǎo)聯(lián)通道區(qū)分度腦部地形圖；
[0044] 圖3為本發(fā)明實(shí)施例提供的最優(yōu)適應(yīng)度函數(shù)值進(jìn)化圖；
[0045]圖4為本發(fā)明實(shí)施例提供的最優(yōu)頻帶起始端點(diǎn)進(jìn)化圖；
[0046] 圖5為本發(fā)明實(shí)施例提供的最優(yōu)頻帶寬度進(jìn)化圖；
[0047] 圖6為本發(fā)明實(shí)施例提供的最優(yōu)時(shí)間窗口起始端點(diǎn)進(jìn)化圖；
[0048] 圖7為本發(fā)明實(shí)施例提供的最優(yōu)時(shí)間窗口進(jìn)化圖；
[0049] 圖8為本發(fā)明實(shí)施例提供的左、右手運(yùn)動(dòng)想象腦電特征分布圖。
【具體實(shí)施方式】
[0050] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的描述。
[0051] 如圖1-8所示，本發(fā)明包括腦電信號(hào)導(dǎo)聯(lián)通道選擇、最優(yōu)頻帶及時(shí)間窗口選擇、運(yùn) 動(dòng)想象腦電信號(hào)特征提取及特征分類。本發(fā)明的運(yùn)動(dòng)想象腦電數(shù)據(jù)來源于BCI competition 2005的標(biāo)準(zhǔn)MI-EEG數(shù)據(jù)庫（DatasetHIa)。數(shù)據(jù)通過64導(dǎo)的Neuroscan腦電放 大器采集獲得，采樣頻率為250Hz，并對(duì)數(shù)據(jù)進(jìn)行了 1~50Hz的帶通濾波處理，記錄了其中60 個(gè)導(dǎo)聯(lián)的EEG數(shù)據(jù)，本發(fā)明采用受試者K3B的左手及右手運(yùn)動(dòng)想象腦電數(shù)據(jù)，其中針對(duì)每一 類，訓(xùn)練集和測試集均包含45次單次試驗(yàn)。單次試驗(yàn)的時(shí)間長度為8秒，其中前2秒為準(zhǔn)備 期，計(jì)算機(jī)顯示黑屏，2秒時(shí)計(jì)算機(jī)語言提示實(shí)驗(yàn)開始，屏幕中出現(xiàn)"十"字，持續(xù)1秒，3秒時(shí) 屏幕出現(xiàn)向左、向右的指示箭頭，提示受試者進(jìn)行左手或右手的運(yùn)動(dòng)想象，指示箭頭持續(xù)到 7秒結(jié)束。具體步驟如下：
[0052]步驟一:腦電信號(hào)導(dǎo)聯(lián)通道選擇:將采集的包含左右手兩類運(yùn)動(dòng)想象模式多導(dǎo)聯(lián) 通道腦電信號(hào)作為訓(xùn)練集中的樣本，采用線性判別準(zhǔn)則量化每個(gè)導(dǎo)聯(lián)通道的類間（兩類運(yùn) 動(dòng)想象模式）區(qū)分能力，并對(duì)各個(gè)導(dǎo)聯(lián)通道的類間區(qū)分能力進(jìn)行降序排序，選擇前若干個(gè)導(dǎo) 聯(lián)通道，抽取所選擇的導(dǎo)聯(lián)通道內(nèi)的腦電信號(hào)。具體為：
[0053]針對(duì)訓(xùn)練集內(nèi)的每個(gè)樣本，對(duì)原始腦電信號(hào)進(jìn)行滑動(dòng)窗口處理，窗口長度設(shè)為1秒 (即250個(gè)采樣數(shù)據(jù)點(diǎn)），在每個(gè)導(dǎo)聯(lián)通道的每一個(gè)窗口內(nèi)計(jì)算能量?。以=1<^(>31'(1。11,1；))， 其中X Ch,t為導(dǎo)聯(lián)通道ch上在滑動(dòng)窗口t內(nèi)的信號(hào)。在每個(gè)導(dǎo)聯(lián)通道的每一個(gè)窗口內(nèi)，針對(duì)左 手、右手兩類運(yùn)動(dòng)想象模式訓(xùn)練集，采用線性判別準(zhǔn)則量化類間區(qū)分度
·其中 mjPm2分別為兩類訓(xùn)練集平均值，奪和矣為對(duì)應(yīng)的方差。在每個(gè)導(dǎo)聯(lián)通道上，對(duì)所有 時(shí)間窗口內(nèi)的chS求取最大值作為該導(dǎo)聯(lián)的類間區(qū)分度指標(biāo)，60個(gè)導(dǎo)聯(lián)通道的類間區(qū)分度 腦部地形圖如圖2所示。針對(duì)所有導(dǎo)聯(lián)通道，按類間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前40個(gè) 導(dǎo)聯(lián)通道腦電信號(hào)用于后續(xù)特