一种基于多分类器集成的脑电分类方法与流程

技术特征：

1.一种基于多分类器集成的脑电分类方法，其特征在于：包括如下步骤：

步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；

步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；

步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；

步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。

2.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。

3.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。

4.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(2)具体包括如下步骤：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：

(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m₃和m₄、方差v₃和v₄，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam₃和fam₄、二阶差分信号的绝对均值sam₃和sam₄，则该样本的时域统计量特征为(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃对应C3导联脑电信号，m₄、v₄、fam₄和sam₄对应C4导联脑电信号；

(a2)所有样本的时域统计量特征共同构成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：

(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co₃和Co₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其建立自回归模型为：

$x\left(t\right)=-\underset{h=1}{\overset{p*}{\Σ}}{a}_{h}x(t-h)+u\left(t\right)$

其中，x(t)为该导联脑电信号时间序列，p^*为自回归模型阶次，a_h为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p^*根据BIC准则确定：

BIC(p)＝N lnσ²+p ln N

其中，p＝1,2,…，N为该导联脑电信号长度，σ²为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p^*处取得极小值，确定p^*为自回归模型阶次；

基于自回归模型阶次p^*，利用Burg算法估计自回归模型系数a_h，将作为该导联脑电信号的自回归模型特征；

(b2)该样本的自回归模型特征为(Co₃,Co₄)^T；

(b3)所有样本的自回归模型特征共同构成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域：

(c1)对某样本分别提取C3和C4导联脑电信号的离散小波变换特征So₃和So₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其进行离散小波变换，首先构造小波函数Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)为母小波，k为Ψ_j,k(t)纵坐标方向的平移量，j为Ψ_j,k(t)的分解层数，2^-j表示为尺度参数；

对x(t)进行3层频谱分解，得到离散小波变换系数C_j,k：

$C_{j,k}={\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}x\left(t\right){\mathrm{\Ψ}}_{j,k}^{*}\left(t\right)dt$

其中，为Ψ_j,k(t)的共轭；

基于上式得到离散小波变换系数C_j,k后，提取第2和3层系数并按照下式对x(t)进行重构：

$x_{j-1}\left(t\right)=\underset{-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}\underset{-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{C}_{j,k}{\mathrm{\Ψ}}_{j,k}\left(t\right),j=2,3$

重构信号x₁(t)和x₂(t)分别对应脑功能频带beta和alpha频段的信号；计算x₁(t)的均值m_a、方差v_a和能量E_a，计算x₂(t)的均值m_b、方差v_b和能量E_b，得到该导联脑电信号的离散小波变换特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)该样本的离散小波变换特征为(So₃,So₄)^T；

(c3)所有样本的离散小波变换特征共同构成离散小波变换特征域。

5.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(3)中，三种特征域下的支持向量机的训练过程相同，具体如下：

将某特征域下所有特征进行0-1归一化，将归一化后的特征作为支持向量机的输入，对支持向量机进行训练，然后根据下式将支持向量机的输出转换为概率输出：

$\mathrm{Pr}(y_i=1|x_i)=\frac{1}{1+\exp (A*f(x_i)+B*)}$

其中，x_i表示训练样本i，y_i表示训练样本i所属类别，A*为尺度参数A的最优值，B*为位置参数B的最优值，f(x_i)为支持向量机的决策函数；A和B为未知参数，A和B的最优值A*和B*通过如下目标函数估计得到：

$\underset{Z=(A*,B*)}{min}F\left(Z\right)=-\underset{i=1}{\overset{M}{\Σ}}\[T_{i}log\left(q_i\right)+(1-T_i)log(1-q_i)\]$

$q_i=\frac{1}{1+\exp \left(Af\right(x_i)+B)}$

$T_i=\left\{\begin{array}{cc}\frac{y_i+1}{y_i+2}& (y_i=+1,i=1,2,\mathrm{...},M)\\ \frac{1}{y_i+2}& (y_i=-1,i=1,2,\mathrm{...},M)\end{array}\right.$

其中，M为训练样本的数量，y_i＝+1表示训练样本i属于想象左手运动信号类，y_i＝-1表示训练样本i属于想象右手运动信号类。

6.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(4)中，利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，融合公式为：

其中，n为特征域的数量，包括统计量特征域、自回归模型特征域和离散小波变换特征域三个；D_j为信号类别，包括想象左手运动信号类、想象右手运动信号类和未知信号类三种；r_i(D_j)表示测试样本在第i个特征域下属于类别D_j的概率，K为冲突因子；W_m为三个特征域融合后的信号类别，包括想象左手运动信号类和想象右手运动信号类；r(W_m)表示三个特征域融合后测试样本属于类别W_m的概率；

通过融合公式对个体支持向量机的分类信息进行融合，得到测试样本属于想象左手类别的概率值r(W₁)和测试样本属于想象右手类别的概率值r(W₂)，比较r(W₁)与r(W₂)的大小，其中概率值大的类别即为测试样本最终的类别。