征提取及分類。
[0054]步驟二:最優(yōu)頻帶及最優(yōu)時(shí)間窗口選擇:針對(duì)步驟一選擇的訓(xùn)練集中的若干個(gè)導(dǎo) 聯(lián)通道內(nèi)的腦電信號(hào)，采用人工蜂群算法進(jìn)行最優(yōu)頻帶和最優(yōu)時(shí)間窗口的選擇。具體為： [0055] (1)種群初始化:包括蜜蜂總數(shù)NP，采蜜蜂數(shù)量FoodNumber，控制參數(shù)Limi t，最大 迭代次數(shù)11^11〖61'以及容忍誤差1：〇16瓜11〇61'11;初始化迭代次數(shù)1〖61=1，隨機(jī)生成一個(gè)含有 NP個(gè)解的初始種群，每個(gè)解Xi是一個(gè)4維矢量，其中i = l，2, . . .，NP，Xi(l)代表頻帶下端點(diǎn)， xi (2)代表頻帶寬度，Xi (3)代表時(shí)間窗口下端點(diǎn)，Xi (4)代表時(shí)間窗口長(zhǎng)度。初始化參數(shù)的具 體設(shè)置如表1所示，4個(gè)參數(shù)的范圍設(shè)置如表2所示，其中g(shù)Xl(l)+ Xl(2)>50則Xl(2)=50-Xl (1)，若xi(3)+h(4)>8,貝ljxi(4) = 8-xi(3);
[0056]表1初始化參數(shù)設(shè)置
[0057]
[0060] (2)計(jì)算（1)中每個(gè)解的適應(yīng)度值，此處的適應(yīng)度值為兩類運(yùn)動(dòng)想象模式的5折交 叉驗(yàn)證的平均分類識(shí)別率，將訓(xùn)練集全部數(shù)據(jù)隨機(jī)分成5份，輪流選擇其中的的1/5數(shù)據(jù)作 為測(cè)試集，其余的4/5數(shù)據(jù)作為訓(xùn)練集，采用CSP算法提取訓(xùn)練集及訓(xùn)練集特征，利用LDA算 法進(jìn)行分類識(shí)別，求取5次識(shí)別的正確率均值作為適應(yīng)度值，根據(jù)所有的適應(yīng)度值記錄當(dāng)前 最好的適應(yīng)度值以及最好的解；
[0061 ] (3)采蜜蜂搜索領(lǐng)域內(nèi)的蜜源，產(chǎn)生新解 xnew(Param) =x〇id(Param)+fix(rand(x〇id (Param)-Xneighbour(Param)))，其中Param是 1，2，3，4四個(gè)數(shù)中的一個(gè)隨機(jī)數(shù)，Xneighbour是任一 采蜜蜂且Xneighbour矣X(jué)old，f ix()代表取整數(shù)；
[0062] (4)利用貪婪選擇策略，從（3)中產(chǎn)生的新解和原來(lái)的解中選擇適應(yīng)度值更高的 解，并根據(jù)適應(yīng)度值計(jì)算當(dāng)前采蜜蜂對(duì)應(yīng)的選擇概率，概率計(jì)算公式為
'其中 fiti是采蜜蜂i的適應(yīng)度值；
[0063] (5)觀察蜂根據(jù)(4)中得到的概率選擇解，并搜索領(lǐng)域內(nèi)的解，產(chǎn)生新解 (Param) = XF〇〇d (Param) +f iX (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是該觀察蜂選擇的采蜜蜂，XlookNeighboiii·是觀察蜂且 XLookNeighbmjr矣：XL?k，f ix()代表取整數(shù)，并計(jì)算適應(yīng)度值;利用利用貪婪選擇策略從新解和 原來(lái)的解中選擇適應(yīng)度值更高的解；
[0064] (6)判斷是否有要放棄的解，即如果某個(gè)解經(jīng)過(guò)Limit次循環(huán)之后仍然沒(méi)有得到改 善，此時(shí)對(duì)應(yīng)的采蜜蜂就變成偵察蜂，根據(jù)式γ =Λ'?" + .私-x_)),i = l，2.3,4，隨機(jī)產(chǎn)生 一個(gè)新解來(lái)代替該解，其中4"和*二分別代表各個(gè)參數(shù)的上下邊界，fix()代表取整數(shù)；
[0065] (7) -次迭代結(jié)束后，記錄當(dāng)前最好的解及適應(yīng)度值；
[0066] (8)判斷迭代次數(shù)τ是否達(dá)到最到迭代次數(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;否則迭代次數(shù)τ = τ+1，重復(fù)(3)到(8)。全局最優(yōu)適應(yīng)度值OptimalValue進(jìn)化圖如圖3 所示，最優(yōu)頻帶下端點(diǎn)、頻帶寬度、時(shí)間窗口下端點(diǎn)及時(shí)間窗口長(zhǎng)度進(jìn)化圖本別如圖4-7所 示。由圖3可見(jiàn)，當(dāng)經(jīng)過(guò)5次迭代后，OptimalValue已收斂且達(dá)到了99 · 2 %，收斂速度快且收 斂精度較高。由圖4-7可見(jiàn)，當(dāng)達(dá)到收斂后，最優(yōu)的時(shí)頻參數(shù)分別如下:頻帶下端點(diǎn)16Hz，頻 帶寬度20Hz，時(shí)間窗口下端點(diǎn)4.2秒，時(shí)間窗口長(zhǎng)度2.9秒。
[0067] 步驟三:運(yùn)動(dòng)想象腦電信號(hào)特征提取: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)作為測(cè)試集中的樣本，抽取測(cè)試集中與步驟一所選擇的導(dǎo)聯(lián)通道相對(duì)應(yīng) 的腦電信號(hào)，并根據(jù)步驟二得到的最優(yōu)頻帶對(duì)其進(jìn)行帶通濾波和最優(yōu)時(shí)間窗口對(duì)其進(jìn)行截 ??；將經(jīng)過(guò)上述處理后的訓(xùn)練集和測(cè)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(cè)試集中的腦電信 號(hào)的方差作為特征。具體為：
[0068] 首先進(jìn)行去均值化處理：
?其中Xch,η是訓(xùn)練集和測(cè)試集 中所選擇的導(dǎo)聯(lián)通道Ch上某一個(gè)采樣點(diǎn)處的值，1'。4為轉(zhuǎn)化后的值，Ν為采樣點(diǎn)總數(shù)。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: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)心和辦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)方差矩陣心和辦為
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：
，其中仏和心分別為兩類樣本的個(gè)數(shù)。得到混合協(xié)方差矩陣
對(duì)R進(jìn)行特征值分解:R=U2UT，其中U是特征向量，Σ是特征值的對(duì)角矩陣。得到 白化變換矩陣：
。對(duì)瓦進(jìn)行白化處理
得到Si，再對(duì)Si做特征值分解
設(shè)入!（ i = 1，2，. . .，40)為Si的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 . . . 2λ4〇,分別取最大和最小的3個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成空間濾波器I，濾波 后的信號(hào)分別為和夂對(duì)于濾波后的信號(hào)乂'心二^^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。針對(duì)訓(xùn)練集中的45次左手和45次右手運(yùn)動(dòng)想象腦電數(shù) 據(jù)，特征分布如圖8所示。由圖可見(jiàn)，特征類間區(qū)分度較大。利用上述空間濾波器組I對(duì)測(cè)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(cè)試集的特征集。
[0069] 步驟四：根據(jù)步驟三中得到的訓(xùn)練集的特征構(gòu)建線性判別分析（L i n e ar Discriminant Analysis，LDA)分類器，然后根據(jù)所述的分類器對(duì)測(cè)試集中的特征進(jìn)行分 類，獲得分類準(zhǔn)確率。具體為：
[0070] 對(duì)于已知類別1(1 = 1，2)的左右手兩類訓(xùn)練樣本，分別計(jì)算訓(xùn)練集樣本均值向量 nu，
其中X為樣本的特征向量，心為某一類的樣本數(shù);計(jì)算樣本類內(nèi)離散 度矩陣
計(jì)算總類內(nèi)離散度矩陣
；求最佳向量
:十算閾值
根據(jù)判別式
吋未知類別的測(cè) 試集樣本進(jìn)行兩類分類，若y>〇則屬于第一類，反之則屬于第二類。最后將分類結(jié)果與測(cè)試 集樣本的特征向量的實(shí)際類別進(jìn)行比較，得到分類準(zhǔn)確率。對(duì)于測(cè)試集中的45次左手和45 次右手運(yùn)動(dòng)想象腦電數(shù)據(jù)進(jìn)行分類識(shí)別，分類準(zhǔn)確率達(dá)到了 98.9%。
【主權(quán)項(xiàng)】
1. 一種基于人工蜂群時(shí)頻參數(shù)優(yōu)化的運(yùn)動(dòng)想象腦電模式識(shí)別方法，其特征在于，該方 法包含W下幾個(gè)步驟： 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)； 步驟二、最優(yōu)頻帶及最優(yōu)時(shí)間窗口選擇:針對(duì)步驟一選擇的訓(xùn)練集中的若干個(gè)導(dǎo)聯(lián)通 道內(nèi)的腦電信號(hào)，采用人工蜂群算法進(jìn)行最優(yōu)頻帶和最優(yōu)時(shí)間窗口的選擇； 步驟=、運(yùn)動(dòng)想象腦電信號(hào)特征提取: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)作為測(cè)試集中的樣本，抽取測(cè)試集中與步驟一所選擇的導(dǎo)聯(lián)通道相對(duì)應(yīng)的腦 電信號(hào)，并根據(jù)步驟二得到的最優(yōu)頻帶對(duì)其進(jìn)行帶通濾波和最優(yōu)時(shí)間窗口對(duì)其進(jìn)行截取； 將經(jīng)過(guò)上述處理后的訓(xùn)練集和測(cè)試集中的腦電信號(hào)，均采用共空間模式（Common Spatial化ttern，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(cè)試集中的腦電信 號(hào)的方差作為特征；