申请/专利权人：重庆邮电大学

申请日：2022-02-14

公开（公告）日：2024-06-07

公开（公告）号：CN114358090B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2022.05.03#实质审查的生效;2022.04.15#公开

摘要：本发明涉及一种基于PSD和CSP的运动想象脑电信号分类方法，属于脑机接口技术领域。该方法包括：S1：信号输入：对输入的脑电信号进行通道和时间序列选择；S2：对选择的脑电信号预处理；S3：特征提取：首先提取功PSD特征和CSP特征，然后将PSD特征和CSP特征进行串行融合，即加权和正则化，从而得到融合特征；S4：分类：采用SVM对测试集进行分类。本发明解决了共空间模式对噪声敏感问题并且弥补了缺少频率特征信息的缺点；另外，本发明具有较高的识别率和较快的学习速度。

主权项：1.一种基于PSD和CSP的运动想象脑电信号分类方法，其特征在于，该方法具体包括以下步骤：S1：信号输入：对输入的脑电信号进行通道和时间序列选择；S2：对选择的脑电信号预处理，具体包括以下步骤：S21：对选择的脑电信号进行8-30hz的滤波；S22：对滤波后信号每个样本的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均；S23：采用滑动时间窗口对平均曲线进行平滑处理；S3：特征提取：首先提取功率谱密度PSD特征和共空间模式CSP特征，然后将PSD特征和CSP特征进行串行融合，即加权和正则化，从而得到融合特征；提取PSD特征，具体是采用非参数法的pwelch函数来计算PSD，具体包括以下步骤：S301：将长度L的信号分成重叠的N干段，每段的长度M＝LN，并将指定的窗口应用于每一段；则一段的周期图为： 其中，称为归一化因子，wn是窗函数；xpn表示分段的信号，p表示分段号，n表示第n段信号，w表示自变量；S302：将FFT应用于加窗数据，计算每一个窗口段的周期图，称为修改后的周期图；S303：对修改后的周期图进行求平均得到谱估计，则信号的PSD估计为： 其中，Bxw表示PSD估计值，T表示分段号；S304：对估计的PSD进行归一化处理： 其中，W是Bxw的个数，是标准化的PSD特征；提取CSP特征，具体包括以下步骤：S311：将预处理后的训练集数据按照类别进行分段；两类样本数据归一化后分别为E1和E2；S312：计算空间协方差矩阵；每类空间协方差矩阵的计算公式为： 其中，trace·为迹，i为标签，Ci为样本数据归一化后的空间协方差矩阵，C1和C2分别为左右手的空间协方差矩阵；Cc为两类数据的空间协方差矩阵之和，则有Cc＝C1+C25S313：正交白化变换并且同时对角化；由于Cc是正定矩阵，按奇值分解为其中Uc为特征向量矩阵，λ是特征值的对角阵，且特征值按降序排列；通过白化转换Uc得到矩阵P，将P作用于C1和C2得到S1和S2； S1＝PC1PT和S2＝PC2PT7S1＝Bλ1BT和S2＝Bλ2BT8λ1+λ2＝I9其中，S1和S2具有公共特征向量B，且所有特征值合为1，两个对应的特征值为λ1、λ2；C1、C2分别表示两类数据归一化后的协方差矩阵；S314：计算投影均阵；投影矩阵是通过将白化的特征向量投影到特征向量B的前后列特征向量而获得的，投影矩阵为：ω＝BTPT10S315：对数据投影得到特征矩阵；将数据E通过投影矩阵进行投影得到两类特征矩阵：Z2m·N'＝W2m·M'EM'·N'11选择ZM'·N'的前m行和后m行作为原始输入数据的特征，2mM’，M’表示矩阵行数，N’表示矩阵列数；S316：特征提取并归一化；S4：分类：采用SVM对测试集进行分类。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于PSD和CSP的运动想象脑电信号分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD