步驟四、特征分類：根據(jù)步驟S中得到的訓練集的特征構建線性判別分析化inear Discriminant Analysis,LDA)分類器，然后根據(jù)所述的分類器對測試集中的特征進行分 類，獲得分類準確率。2. 根據(jù)權利要求1所述的基于人工蜂群時頻參數(shù)優(yōu)化的運動想象腦電模式識別方法， 其特征在于:步驟一包含如下幾個步驟： (1) 將一組包含左右手兩類運動想象模式多導聯(lián)通道腦電信號對應一個樣本，針對訓 練集內(nèi)的每個樣本，對腦電信號進行滑動窗口處理，時間窗口長度設為1秒，在每個導聯(lián)通 道的每一個時間窗口內(nèi)計算能量Pch,t = log(var(Xch,t))，其中XcM為導聯(lián)通道Ch上在滑動 時間窗口 t內(nèi)的腦電信號，var()為方差函數(shù)，log()為log函數(shù)； (2) 在每個導聯(lián)通道Ch的每一個滑動時間窗口 t內(nèi)，針對訓練集中的左右手兩類運動想 象模式，采用線性判別準則量化類間區(qū)分度，其中mi和m2分別為訓練集中兩類 運動想象模式樣本的PcM的平均值，誓和駕為訓練集中兩類運動想象模式樣本的PcM的方 差； (3) 在每個導聯(lián)通道上，針對所有滑動時間窗口內(nèi)的ChS求取其最大值作為該導聯(lián)的類 間區(qū)分度指標； (4) 針對所有導聯(lián)通道，按類間區(qū)分度指標進行降序排序，選取前若干個導聯(lián)通道腦電 信號。3. 根據(jù)權利要求1所述的基于人工蜂群時頻參數(shù)優(yōu)化的運動想象腦電模式識別方法， 其特征在于:步驟二中采用人工蜂群算法進行最優(yōu)頻帶和最優(yōu)時間窗口的選擇具體包括W 下步驟： (1)種群初始化:包括蜜蜂總數(shù)NP，采蜜蜂數(shù)量化OdNumber，控制參數(shù) Limit,最大迭代次數(shù)maxi terW及容忍誤差toleranceTh，初始化迭代次數(shù)Iter = 1,隨機生 成一個含有NP個解的初始種群，每個解Xi是一個4維矢量，其中i = 1，2，…，NP，Xi (1)代表頻 帶起始端點，Xi (2)代表頻帶寬度，Xi (3)代表時間窗口起始端點，Xi (4)代表時間窗口長度； (2) 計算步驟（1)中每個解XiQ = I，2,…，NP)的適應度值，此處的適應度值為左右手兩 類運動想象模式的5折交叉驗證的平均分類準確率； (3) 采蜜蜂捜索領域內(nèi)的蜜源，產(chǎn)生新解xnew(Param) = Xoid(Param)+fix(rand(Xoid (Param)-Xneighbour(Param))),其中F*aram是1,2,3,4四個數(shù)中的 隨機數(shù)，Xneighbour是任 采蜜蜂且Xneighbour辛Xold，Xold為采蜜蜂初始解，Xnew為采蜜蜂新解，f ix()代表取整數(shù)； (4) 利用貪婪選擇策略，從步驟（3)中產(chǎn)生的新解和原來的解中選擇適應度值更高的 解，并根據(jù)適應度值計算當前采蜜蜂對應的選擇概率，概率計算公式為'其中 fiti是采蜜蜂i的適應度值； (5) 觀察蜂XLook根據(jù)步驟(4)中得到的概率選擇解，并捜索領域內(nèi)的解，產(chǎn)生新解XLookNew (P曰r曰m) = XFood (P曰r曰m) +f iX (r曰nd (XFood (P曰r曰m) -XLookNeighbour (P曰r曰m)))，其中 P曰r曰m是 1,2, 3,4四個數(shù)中的一個隨機數(shù)，XFood是該觀察蜂XLook選擇的采蜜蜂，孔OOkNeighbour是觀察蜂且 XLookNeighbour辛XLook, fix()代表取整數(shù)，并計算適應度值，利用貪婪選擇策略從新解和原來 的解中選擇適應度值更高的解； (6) 判斷是否有要放棄的解，如果某個解經(jīng)過Limit次循環(huán)之后其適應度值沒有提高， 此時對應的采蜜蜂就變成偵察蜂，根據(jù)式*'=為.向-.心,化j = 1，2，3，4隨機產(chǎn)生 一個新解來代替該解，其中苗。和4?分別代表各個參數(shù)的上下邊界，fix()代表取整數(shù)； (7) -次迭代結束后，記錄當前最好的解及適應度值； (8) 判斷迭代次數(shù)T是否達到最大迭代次數(shù)maxiter或最好的適應度值是否達到了最大 容忍誤差toleranceTh，若達到，輸出全局最優(yōu)適應度值OptimalValue及最好的解GBest, GBe S t中的4個分量分別對應于頻帶起始端點、頻帶寬度、時間窗口起始端點及時間窗口長 度;否則迭代次數(shù)T = T+1，重復步驟(3)到步驟(8)。4.根據(jù)權利要求1所述的基于人工蜂群時頻參數(shù)優(yōu)化的運動想象腦電模式識別方法， 其特征在于：步驟=中經(jīng)過上述處理后的訓練集和測試集中的腦電信號，均采用共空間模 式(Common Spatial化tte;rn，CSP)算法進行空域濾波，并分別提取濾波后訓練集和測試集 中的腦電信號的方差作為特征，具體步驟如下： (1) 去均值化處理：，其中Xch,n是訓練集和測試集中所 選擇的導聯(lián)通道Ch上某一個采樣點處的腦電信號值，x'eh,n為轉化后的值，N為采樣點總數(shù)； (2) 采用共空間模式(Common Spatial化tte;rn,CSP)算法對訓練集中的左右手兩類樣 本進行空濾濾波及特征提取:依據(jù)不同的運動想象模式，將訓練集分為兩類，設Xi和X2分別 是每一類的一個樣本，它們對應的歸一化的空間協(xié)方差矩陣Ri和R2為和,其中T上標代表矩陣的轉置，trace()代表矩陣的跡;將所有樣本的協(xié)方差 矩陣按類別計算均值得到：，其中化和化分別為兩類樣本的個數(shù)； 得到混合協(xié)方差矩陣i?=弄+專;對R進行特征值分解:R = U SIJT，其中U是特征向量矩陣，S 是特征值的對角矩陣;得到白化變換矩陣:P = S -IZ2UT;對卒進行白化處理S =,'布得到Si， 再對Si做特征值分解Si =化X iUiT，其中化是特征向量矩陣，X1是特征值的對角矩陣，設、(i =1，2，…，40)為Si的40(對應于所選的導聯(lián)數(shù)為40)個特征值且入1 >入2 >… > 入40，分別取S1 中最大和最小的3個特征值對應的特征向量構成空間濾波器W1，濾波后的信號分別為 《=啊巧和4=巧Z[，對于濾波后的信號r ia=l，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;對于訓練集中的每一個樣本，均進行上述操作得到訓練集的特征集； (3)對測試集中的左右手兩類樣本進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Wi對測試集中的每一個樣本進行空域濾波，同樣提取濾波后的信號第一行和最 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。5.根據(jù)權利要求1所述的基于人工蜂群時頻參數(shù)優(yōu)化的運動想象腦電模式識別方法， 其特征在于:所述步驟四具體如下： (1) 對于已知左右手兩類類別KiU = I，2)的訓練集中的樣本，分別計算樣本均值向量 mi，，其中X為經(jīng)步驟=提取的訓練集樣本的特征值向量，Ni為某一類的樣 本數(shù)； (2) 計算訓練樣本類內(nèi)離散度矩陣= (3) 計算總類內(nèi)離散度矩陣Eu = Ei+E2; (4) 求最佳向量e/ = ￡,;1 (巧-W山 (5) 計算闊值《〇=( ?*)T(mi+m2)/2; (6) 構建分類器判別式y(tǒng)= X-COO; 采用判別式對未知類別的測試集中的樣本進行兩類分類，若y>〇則屬于第一類左手， 反之則屬于第二類右手;將分類結果與測試集中的樣本特征向量的實際類別進行比較，得 到分類準確率。
【專利摘要】本發(fā)明公開了一種基于人工蜂群時頻參數(shù)優(yōu)化的運動想象腦電模式識別方法，該方法根據(jù)線性判別準則進行導聯(lián)選擇，通過人工蜂群算法進行時域及頻域最優(yōu)參數(shù)的選擇，采用共空間模式算法進行特征提取，最后由線性判別分析算法進行特征分類。結果表明：導聯(lián)選擇算法能有效選擇類間區(qū)分度較大的導聯(lián)通道，同時基于人工蜂群的時頻參數(shù)優(yōu)化算法能自動選擇類間區(qū)分度較大的時間窗口及頻帶，得到了較好分類結果，能夠有效識別不同的運動想象模式。與傳統(tǒng)的參數(shù)人工選擇方法及頻域參數(shù)自動選擇算法相比，本發(fā)明的方法能同時在時域及頻域上進行全局最優(yōu)參數(shù)的自動搜尋，更有利于提升運動想象腦電信號的特征提取及特征分類效果。
【IPC分類】G06K9/00
【公開號】CN105654063
【申請?zhí)枴?br>【發(fā)明人】王愛民, 苗敏敏, 劉飛翔, 陳安然, 戴志勇
【申請人】東南大學
【公開日】2016年6月8日
【申請日】2016年1月8日