一种基于稀疏表征分类算法的运动想象脑电分类处理方法与流程

技术特征：

1.一种基于稀疏表征分类算法的运动想象脑电分类处理方法，其特征在于，包括以下步骤：

(1)试备者在外部干扰较小的环境中，头部戴上无线或有线传输的头皮电极帽，根据提示想象运动动作，脑电帽检测到试备者的脑电波信号，随后对其进行初步的带通滤波，将滤波后的脑电信号传入上位机存储；上位机软件对传入的原始脑电信号进行整理标记，制作出用于分类的样本集和测试集；

(2)上位机端软件根据运动想象脑电信号固有的ERD/ERS特点，利用共同空间模式滤波器提取降维特征，并计算所提取的特征频带的功率谱密度值；

(3)将训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征；

(4)根据用训练集计算得到的稀疏表征脑电字典，求解训练集和测试集的稀疏表征系数，然后设计判定准则对分类脑电的类别标签进行标记。

2.根据权利要求1所述的一种基于稀疏表征分类算法的运动想象脑电分类处理方法，其特征在于：在利用共同空间模式滤波器提取降维特征时，使用两类样本的协方差矩阵设计共同空间模式滤波器。

3.根据权利要求1所述的一种基于稀疏表征分类算法的运动想象脑电分类处理方法，其特征在于：根据脑电信号特征提取特点，并从传统的压缩感知的稀疏基和字典设计思路出发，设计了一种适用于脑电波运动想象分类的字典矩阵设计过程，具体过程为：

首先对两类训练样本进行CSP滤波如下：

$X_L^{CSP}=W_{CSP}^T{X}_L$

$X_R^{CSP}=W_{CSP}^T{X}_R$

其中，

为了对脑电信号的能量特征进行突出展现，对经过CSP滤波器特征提取后的信号和再计算该8-15Hz频带的功率谱密度，得到class1_feat，class2_feat，定义字典矩阵为D＝[class1_feat,class2_feat]，D∈R^2α×N，N为训练集样本总试验次数。

4.根据权利要求1所述的一种基于稀疏表征分类算法的运动想象脑电分类处理方法，其特征在于：利用设计计算好的字典矩阵构成的稀疏表征分类器进行脑电分类，首先，对测试信号y进行求得字典矩阵D中列向量的步骤处理，即对8-15Hz频率段的ERD/ERS特征进行提取，再经CSP滤波器得到相应的功率谱值；其维数同字典矩阵D中列向量的维数N相同；那么测试样本y可以表示为设计的字典D中的原子的线性组合；：

$y=\underset{i=L,R}{\Σ}{x}_{i,1}{d}_{i,1}+x_{i,2}{d}_{i,2}+...+x_{i,N_i}{d}_{i,N_i}$

其中，x_i,j∈R，j＝1,2,…,N_i代表标量系数；