一种基于混合二进制编码的脑电信号特征优选及分类器优选方法与流程

本发明涉及一种基于混合二进制编码的脑电信号特征优选及分类器优选方法，可以应用于特征优选及分类器优选，属于特征选择与模式识别技术领域。

背景技术：

脑-机接口(braincomputerinterface，简称bci)是一种基于脑电信号实现人脑与计算机或其他设备之间通信和控制的接口。它利用计算机等设备对特定任务下采集的脑电数据进行分析，将大脑信息转换为控制命令，实现人与外界的交流以及对外部环境的控制。目前bci技术在国际上已引起众多研究者的关注，成为神经工程、生物医学工程、计算机技术、通信等多领域交叉的一个新的研究方向，具有很高的科学和应用价值。

bci系统提供了一种全新的通讯方式，它可以帮助肢体严重残疾的人，使其在一定程度上恢复与外界交流的能力；或协助患有癫痫和中风等疾病的患者进行生物反馈治疗；以及进行电脑游戏的控制等。一般情况下，bci系统包括信号采集模块、预处理模块、特征提取模块、分类模块和控制模块5个模块。信号采集模块作为系统的输入，它需要通过信号采集设备从大脑皮层采集脑电信号，经过放大、滤波、采样、a/d转换等处理方式得到一组可以被计算机识别的信号，然后把这组信号放到信号处理模块进行信号的预处理，然后提取特征信号，再利用这些特征作模式识别，得到一个具体的指令，最后把这个指令交给控制设备模块，实现对外部设备的控制。

通过特征提取方法后获得的脑电信号特征，不可避免的会存在一些与分类无关或者相关但是冗余的信息。对全部特征进行处理不仅分类过程中会浪费一定的时间，加重分类器负担，而且会由于无关特征的影响导致分类正确率降低。可以通过特征选择来消除冗余和不相关的特征，以此来降低数据的维度，从而加快学习过程，简化学习模型和提高分类性能。特征选择的任务是从所有特征中挑选出一些最有效的特征，以达到降低样本维数，提高分类性能的目的。实践证明用少数几个特征进行分类器设计，不仅在样本不多的情况下可以改善分类器性能，而且在很多情况下，可以降低模式识别系统代价，提高分类速度。

因此，需要一种基于混合二进制编码的脑电信号特征优选及分类器优选方法。

技术实现要素：

本发明的目的在于提供一种基于混合二进制编码的脑电信号特征优选及分类器优选方法，旨在最大化分类精度的同时最小化特征个数。

本发明的技术方案为：首先采集被测试者当前行为的脑电信号并对其进行预处理，数据分为训练数据与测试数据；在获得了数据之后对其进行特征提取；其次进行特征选择；然后把选出的最优特征送入分类器进行脑电思维分类，最终作为不同控制信号输出，从而实现对外部设备的控制；具体过程如下：

步骤1：样本采集，从依附在试验者大脑头皮表面的电极处采集脑电信号；

步骤2：脑电信号的预处理，eeg信号的预处理是进行特征提取和分类必不可少的前提，指滤除噪声和伪迹、提高信噪比的过程；

步骤3：脑电信号的特征提取，特征提取是bci研究中的一个核心环节，其主要任务是将脑电信号中可以表征测试者不同思维状态的特征提取出来。由于人脑的复杂性以及人们对大脑意识形成的认识还不够深入，且同一种思维状况在不同的人身上的脑电表征也不尽相同，因此如何快速有效地提取eeg信号的特征是bci研究的关键；

步骤4：脑电信号的特征选择，从原始大量特征中选择相关特征的一小部分来实现与使用所有特征类似甚至更高的分类性能；由于脑电信号是一种非平稳的复杂信号，并且对于同一动作意识，不同的测试者有可能表现不一样，即使同一个人，在不同的时刻脑电信号的特征都有可能不同，同时特征向量中会有一些冗余甚至是不相关的特征，而这些冗余甚至不相关的特征可能会降低分类算法的性能，大量的特征也会增加计算的复杂性，所以需要使用一种算法去进行优选。因为脑电信号的特征不明显且无规律可循，使用一般的搜索算法无法对其进行有效的选择，而进化计算作为一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，正适合eeg信号的特征选择；

步骤5：脑电信号的分类器选择，将步骤4中获得的最优特征子集送入分类器进行脑电思维分类，最终作为不同控制信号输出，从而实现对外部设备的控制；特征分类即对提取到的特征信号进行分析处理和分类，模式分类的效果则影响着控制系统的好坏以及能否达到预期的效果。目前，随着bci技术研究的不断深入，许多用于类别信息识别的算法被提出，而比较常见的分类器主要包括：支持向量机(svm)，线性判别分析(lda)，bp神经网络(bp)，贝叶斯分类器(bayes)，knn等。不同的分类器由于其分类原理的不同，表现的分类性能则有着各自的特点和优势，因此选择适合的分类器才能达到好的分类效果。

附图说明

图1为本发明方法流程图；

图2为脑电信号采集过程图；

图3为基于混合二进制编码的脑电信号特征优选及分类器优选图。

具体实施方式

本发明设计的一种基于混合二进制编码的脑电信号特征优选及分类器优选方法具体实现过程如下：

步骤1：采集脑电信号数据，脑电信号采集装置中电极的安放位置是根据国际10-20标准电极安放法安放的，只采集的c3、cz和c4三个电极的信号。信号的采样频率为250hz，采集到的脑电信号经过放大和滤波后，通过无线usb接收器传输到计算机上。实验在一个相对安静的环境下进行的，在0-2s：试验者静坐在椅子上，保持放松状态；2s时：会出现“beep”的一声，提醒试验者要集中注意力；2-3s：电脑显示器上出现十字符号提示实验即将开始；3s时十字符号被一个向左或者向右的箭头所代替，试验者根据箭头的方向来想象手的运动；整个试验过程持续9s；每个试验者对每类想象任务完成后，稍作休息再重复以上试验；

步骤2：对原始脑电信号数据进行预处理，在eeg信号采集过程中，周围环境的影响、设备的工频干扰以及其它的生理电信号(如心电、眼电和肌电等)都会对采集造成不利影响，而且脑电信号本身非常的微弱，信号有着较强的随机性和非平稳性，因此在bci系统中为了能够更好地提取包含有用信息的信号特征，首要任务就是对采集的脑电信号进行去噪处理，以减少噪声干扰对后续研究造成的影响；由于想象左右手运动时所发生的事件相关同步/去同步现象主要表现在mu节律(8～13hz)和beta节律(14～30)hz上，因此对脑电信号进行6～40hz的带通滤波，将不需要的频率信号去除；利用小波阈值去噪法将无关信号去除；

步骤3：脑电信号特征提取，共同空间模式(commonspatialpatterns，csp)是eeg信号中经典的特征提取方法，它充分利用了大脑功能分区的特点，特别是运动区，各个运动部位对应的大脑头皮层不同位置。通过空间模式变化，将两个不同部位信号的差异最大化。csp算法就是利用矩阵同时对角化，寻找一组空间滤波器，使得在这组空间滤波器的作用下，一类信号的方差达到极大；另一类信号的方差达到极小，从而达到分类的目的。csp算法在信号处理方面表现出了许多突出的优点，比如得到的特征向量相互独立，互不相干，能够很好地用来进行分类。由于运动想象的信号主要集中在8-30hz之间，且根据试验者的不同，其具体频率也是有差异的，如果直接使用eeg信号计算csp特征，会将其余不需要的频率信号考虑进来，进而影响了分类性能。因此针对上述csp的不足，同时又考虑到大脑的认知过程是分阶段的以及每个试验者对指示信号的反映速度不一样，因此考虑时、频、空三维特性，将提供更加全面的信号特征，即通过短时加窗对eeg信号进行分段处理，然后在每个时间窗内利用特定的滤波器将eeg信号滤波成多个频带，最后对每个时间窗内的每个频带上的eeg信号都进行csp特征提取；

步骤4：脑电信号的特征选择及分类器选择，特征选择的目的就在于通过从原始大量特征中选择相关特征的一小部分来实现与使用所有特征类似甚至更高的分类性能，分类器选择的目的是选择更有效的分类器使得特征子集达到更佳的分类效果；

步骤4.1：设置差异进化算法的参数，种群规模np，最大迭代次数genmax，缩放因子f，交叉概率cr，特征个数d，分类器个数n；对于特征选择和分类器选择问题可以看成是离散优化问题，此时的个体是用二进制表示的，随机初始化种群，即产生np个二进制变量，其维度等于特征的个数加上分类器的个数，例如xi＝(xi,1,xi,2,l,xi,d,xi,d+1,l,xi,d+n),i＝1,2,l,np，其中前d维表示特征选择，即xi,j(j＝1,2,l,d)为0或者1，“0”表示不选该特征；“1”表示选择该特征；后n维表示分类器选择，即xi,j(j＝d+1,d+2,l,d+n)这n维中只有一维为1，其余维全是0，哪一维为1就表示选择该维所对应的分类器进行分类；然后评估初始种群，并保存最优个体；

步骤4.2：产生试验个体：首先从当前种群中随机选择三个不同的个体，根据公式1、2产生新的二进制变异个体；然后通过执行公式3的交叉算子，产生试验个体，重复执行该步骤，直到产生np个试验个体；评估试验个体并通过选择算子产生下一代的种群。如果试验个体的适应度函数值大于相应目标个体的适应度函数值，则保留试验个体到下一代，否则保留目标个体到下一代；更新并保存最优个体；

步骤4.3：判断是否满足终止条件，如果满足，则输出最优解；否则继续执行步骤4.2，直到满足终止条件；

步骤5：脑电信号的分类，将步骤4中获得的最优特征子集送入最终的分类器支持向量机svm中进行脑电思维分类，最终作为不同控制信号输出，从而实现对外部设备的控制。