CN106991409A - 一种运动想象脑电信号特征提取与分类***及方法 - Google Patents

Abstract

本发明涉及一种运动想象脑电信号特征提取与分类***及方法，该方法基于一种运动想象脑电信号特征提取与分类***，该方法的具体步骤包括：对运动想象脑电信号的训练：将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；对运动想象脑电信号的测试：将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。

Description

一种运动想象脑电信号特征提取与分类***及方法

技术领域

本发明属于脑电信号处理的技术领域，尤其涉及一种运动想象脑电信号特征提取与分类***及方法。

背景技术

目前，脑机接口技术作为一种全新的通信和控制技术，可以为思维正常但有严重运动障碍的患者提供语言交流和环境控制手段。其中，脑机接口被定义为能够使人不依赖周围神经***和肌肉、而与外界进行通信或控制的设备。脑机接口技术不仅应用于未患者提供语言交流和环境控制，在自动控制、军事认知等科学领域也有潜在的应用价值。鉴于其巨大的应用前景，脑机接口已经引起国际科学界的高度重视，称为脑科学、康复工程、生物医学工程及人机控制领域的一个研究热点。

在所有能够被监测到的反映大脑活动的信号中，由于脑电信号(Electroencephalogram，EEG)具有较好的时间分辨率，监测仪器较简单，非入侵等优点，被大部分脑机接口***所采纳。

在所有基于EEG信号的脑机接口***中，能够被用作控制信号的大脑活动信号有：视觉诱发电位、P300事件相关电位、运动想象、皮层慢电位等几种。其中，针对运动想象信号，基于运动想象的脑机接口的理论基础是：当人进行某中意识活动时，大脑皮层的对应区域处于活动状态，这些区域产生的μ节律和β波的低频部分将出现幅度衰减，即事件相关去同步(event-related desynchronization，ERD)；在某一时刻，大脑皮层的局部区域没有受到意识模式的激励，该区域内的脑电信号EEG局部成分将出现幅度的增强，即事件相关同步(event-related synchronization，ERS)。基于ERD/ERS的脑机接口***主要是辨别运动想象思维作业的EEG信号，比如想象左手、右手、脚、舌的运动，从而产生不同的控制命令。

目前，基于运动想象脑机接口***的研究是目前脑机接口的研究热点之一。主要原因是ERS/ERD现象的生理依据和数学模型已被许多科研机构研究和证明，并成为目前探讨正常和病理状态下识别感觉、运动和认知功能最为常用的方法。另外，该现象中的μ节律和β波变化不需要外界刺激诱发，便于受试者训练和控制，进而成为脑机接口研究最受欢迎的实现途径。

但是，目前基于运动想象的脑机接口在特征提取与分类方面存在如下问题：

(1)分类种类少：基于不同运动想象思维作业的特征提取与分类十分困难，目前能够区分的最多的运动想象思维作业是六种。分类种类少限制了脑机接口的应用范围；

(2)分类精度不高：随着运动想象种类的增加，分类精度随之下降；

(3)无法随时区分工作与休息状态：脑机接口若要用户长期佩戴，就需要持续工作，则相应脑机接口***需要能够区分用户的运动想象状态和休息状态，用户不可能长时间处于运动想象的控制状态。目前的脑机接口***还不具备该功能。

综上所述，对于基于运动想象的脑机接口在特征提取与分类方面分类种类少、分类精度低和无法随时区分工作与休息状态的问题，尚缺乏有效的解决方案。

发明内容

本发明为了解决上述问题，克服现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题，提供一种运动想象脑电信号特征提取与分类***及方法。

为了实现上述目的，本发明采用如下技术方案：

一种运动想象脑电信号特征提取与分类***，该***包括训练模块和测试模块；

所述训练模块被配置为将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图的模块；

所述测试模块被配置为将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类的模块。

进一步的，所述训练模块包括第一脑电信号存储模块，所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为训练数据存储；

所述测试模块包括第二脑电信号存储模块，所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为测试数据存储。

本发明为了解决上述问题，克服现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题，提供一种运动想象脑电信号特征提取与分类***及方法。

为了实现上述目的，本发明采用如下技术方案：

一种运动想象脑电信号特征提取与分类方法，该方法基于一种运动想象脑电信号特征提取与分类***，该方法的具体步骤包括：

(1)对运动想象脑电信号的训练：将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；

(2)对运动想象脑电信号的测试：将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。

进一步的，所述步骤(1)中对训练数据进行格式转换的具体步骤为：

将采集的运动想象脑电信号由二维信号转换为三维信号：将第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T构建二维空间矩阵。

在对运动想象脑电信号的分析训练中，建立能够描述脑电信号空间信息的二维矩阵，将采集的运动想象脑电信号由二维信号转换为三维信号，使得脑电信号描述过程中，不仅包含时间信息，也能够包含空间信息。

进一步的，所述步骤(1)中对特征点提取和特征向量计算的具体步骤为：

(1-1)关键点检测：第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T表示为X＝[X₁,X₂,...,X_T]；

对于X中的每个值利用Harris关键点检测器检测关键点，针对检测到的所有关键点提取大小为(η×η×T)的模块；

(1-2)特征值提取：针对步骤(1-1)中的模块所有值去均值，针对模块里面的每一个像素沿着时间方向计算其方差M₂，偏态M₃和峰度M₄，组成与模块对应的时间矩阵M_r,r＝{2,3,4}，其中M_r＝[m_ij],i,j＝1,2,...,η

其中，v_ijt是位置在{i,j}的第t个时间片；

(1-3)特征向量计算：将步骤(1-2)中的每一个时间矩阵转化为一个长度为η²的向量，时间矩阵M_r,r＝{2,3,4}中r的三个值组成特征向量m∈IR^d，其中d＝3η²为关键点模块的特征向量长度，

进一步的，所述步骤(1)中降维采用随机投影(random projection)方法进行降维处理，具体步骤为：

记描述该运动想象特征向量m的矩阵为D∈IR^d×p，其中，d为关键点模块的特征向量长度，p为关键点模块的数量；

将维数为d的向量投影到一个维数为n的子空间中，其中n＜＜d；

通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理，将特征向量矩阵维数降低为n×p：

Y＝RD

其中，Y∈IR^n×p为降维后的特征向量矩阵，R为随机投影矩阵，R∈IR^n×d，均值为0,方差为1。

进一步的，所述步骤(1)中的字典学习根据降维后的特征向量矩阵Y，通过压缩传感得到Y的稀疏表达，具体步骤为：

利用K-SVD算法，得到满足下列公式的字典Φ∈IR^n×m(m＞n)和稀疏表达式x_i∈IR^m，其中，x_i包含k(k<<n)个或更少的非零元素：

其中，||·||_F是Frobenius范数，||·||₀是l₀半范数，计算向量里包含的非零元素。

进一步的，所述步骤(2)中测试数据的稀疏表达计算的具体步骤为：

将步骤(2)中测试数据分别经过格式转换、特征点提取、特征向量计算、降维得到的降维后的特征向量矩阵Q，结合步骤(1)中得到的字典Φ，

根据：

得到测试数据的稀疏表达X_Q。

进一步的，所述步骤(1)中的训练数据的类别直方图和所述步骤(2)中的测试数据的类别直方图分别根据：

得到，所述步骤(1)中的训练数据的类别直方图为h_i，所述步骤(2)中的训练数据的类别直方图为h_Q；

所述步骤(2)中测试数据分类的具体步骤为：

根据：

确定所述测试数据的所述类别。

本发明的有益效果：

1.分类种类得到了提高：本发明的一种运动想象脑电信号特征提取与分类***及方法，在步骤(1)的对运动想象脑电信号的训练中，不同的思维作业可以建立一个共同的字典Φ，在步骤(2)的对运动想象脑电信号的测试中，只要在训练部分出现的思维作业，在测试过程中就可以检测出该类别，因此，此种算法的分类种类得到了提高；

2.运动想象与休息状态均可进行检测：本发明的一种运动想象脑电信号特征提取与分类***及方法，将休息状态当做一种思维作业，在建立字典Φ时考虑进去该状态，则在后续的测试中，当出现休息状态时，也可以检测出用户目前处于休息状态；

3.分类速度较快：本发明的一种运动想象脑电信号特征提取与分类***及方法，不同的思维作业建立一个共同的字典，在测试中不同的思维作业可以一次性得到分类结果。

附图说明

图1是本发明的方法流程图；

图2是本发明的国际10-20电极位置示意图。

具体实施方式：

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。

实施例1：

正如背景技术所介绍的，现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题，提供一种运动想象脑电信号特征提取与分类***及方法。

本申请的一种运动想象脑电信号特征提取与分类***的实施方式中，

为了实现上述目的，本发明采用如下技术方案：

一种运动想象脑电信号特征提取与分类***，该***包括训练模块和测试模块；

所述训练模块被配置为将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图的模块；

所述测试模块被配置为将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类的模块。

所述训练模块包括第一脑电信号存储模块，所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为训练数据存储；

所述测试模块包括第二脑电信号存储模块，所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为测试数据存储。

为了实现上述目的，本发明采用如下技术方案：

一种运动想象脑电信号特征提取与分类方法，该方法基于一种运动想象脑电信号特征提取与分类***，如图1所示，该方法的具体步骤包括：

(1)对运动想象脑电信号的训练：将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；

所述步骤(1)中脑机接口***采集的运动想象脑电信号作为训练数据的具体步骤为：

用户佩戴EEG电极帽进行不同心理作业的运动想象，例如想象左手运动、右手运动，采集相应的脑电信号为X＝[X_L:X_R]并存储于第一脑电信号存储模块中。

所述步骤(1)中对训练数据进行格式转换的具体步骤为：

将采集的运动想象脑电信号由二维信号转换为三维信号：将第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T构建二维空间矩阵。

为了体现EEG信号的空间信息，采集到的EEG信号存储为X∈IR^n×m×T,其中M＝n×m是为了体现EEG空间信息而构建的二维空间矩阵，其依据是国际10－20电极位置图，如图2所示。若是标准的10－20电极位置图，则构建的二维空间矩阵M为一个5*5的二维矩阵，相应位置上的值为该电极上在不同时间点测量到的脑电信号电压值，为0的位置则表示该点没有测量信号，该点的值始终为0。T是采集的时间点，若采集时间为1秒，采集频率为128,则T＝128。

经过此种数据转换，测量到的脑电信号则为的三维信号，也可以看作一个的图像随着时间的变化而变化的录像。

在对运动想象脑电信号的分析训练中，建立能够描述脑电信号空间信息的二维矩阵，将采集的运动想象脑电信号由二维信号转换为三维信号，使得脑电信号描述过程中，不仅包含时间信息，也能够包含空间信息。

当大脑进行不同的运动想象时，不同电极位置上的脑电信号会随着时间的推移进行变化。同一种运动想象任务导致的这种变化是相似的，特征提取的任务就是针对某一种运动想象任务找到能够描述这种相似性的东西。

所述步骤(1)中对特征点提取和特征向量计算的具体步骤为：

(1-1)关键点检测：第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T表示为X＝[X₁,X₂,...,X_T]；

针对X₁,利用Harris关键点检测器检测到X₁的ρ个关键点。特征提取的任务就是观察这ρ个关键点在后面的(T-1)个时间点上是如何变化的。针对这ρ个关键点，提取大小为(η×η×T)的模块。

(1-2)特征值提取：针对步骤(1-1)中的模块所有值去均值，针对模块里面的每一个像素沿着时间方向计算其方差M₂，偏态M₃和峰度M₄，组成与模块对应的时间矩阵M_r,r＝{2,3,4}，其中M_r＝[m_ij],i,j＝1,2,...,η

其中，v_ijt是位置在{i,j}的第t个时间片；

(1-3)特征向量计算：将步骤(1-2)中的每一个时间矩阵转化为一个长度为η²的向量，时间矩阵M_r,r＝{2,3,4}中r的三个值组成特征向量m∈IR^d，其中d＝3η²为关键点模块的特征向量长度，

在本实施例中，设其中一个模块为v∈IR^η×η×T,首先对该模块所有值去均值，然后针对模块里面的每一个像素沿着时间方向计算其方差M₂，偏态M₃和峰度M₄。

假设与模块v相关的时间矩阵为M_r,r＝{2,3,4}，其中M_r＝[m_ij],i,j＝1,2,...,η

其中

其中v_ijt是位置在{i,j}的第t个时间片。每一个时间矩阵都可以转化为一个长度为η²的向量，,因此r的三个值可以组成向量m∈IR^d，其中d＝3η²

上述方法得到的特征向量一般都是高维数的，对后续的计算十分不利。

在本实施例中，在不损失信号特征的情况下，所述步骤(1)中降维采用随机投影(random projection)方法进行降维处理，具体步骤为：

训练数据脑电信号得到了p个关键点模块，每一个关键点模块的特征向量长度为d，

记描述该运动想象特征向量m的矩阵为D∈IR^d×p，其中，d为关键点模块的特征向量长度，p为关键点模块的数量；

将维数为d的向量投影到一个维数为n的子空间中，其中n＜＜d；

通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理，将特征向量矩阵维数降低为n×p：

Y＝RD

其中，Y∈IR^n×p为降维后的特征向量矩阵，R为随机投影矩阵，R∈IR^n×d，均值为0,方差为1。

所述步骤(1)中的字典学习根据降维后的特征向量矩阵Y，通过压缩传感得到Y的稀疏表达，具体步骤为：

利用K-SVD算法，得到满足下列公式的字典Φ∈IR^n×m(m＞n)和稀疏表达式x_i∈IR^m，其中，x_i包含k(k<<n)个或更少的非零元素：

其中，||·||_F是Frobenius范数，||·||₀是l₀半范数，计算向量里包含的非零元素。

K-SVD是一种经典的字典训练算法，依据误差最小原则，对误差项进行SVD分解，选择使误差最小的分解项作为更新的字典原子和对应的原子系数，经过不断的迭代从而得到优化的解。

在本实施例中对压缩感知技术进行应用，将降维后的特征向量矩阵Y压缩之后，得到稀疏表达的字典，后续的脑电信号利用该字典建立自己的稀疏表达，并利用：若后续的脑电信号属于训练字典时存在的某一种思维作业，则在该思维作业部分的稀疏表达系数应该包含最少的非零值，并建立稀疏表达直方图进行思维作业的分类。不同种类的脑电信号建立一个共同的字典，一旦字典建立，后续步骤(2)的分类过程将节省大量时间。

若在字典训练过程中，认为用户休息的状态为一种思维作业，则在后续分类过程中，也能随时把用户休息的状态分辨出来，因此解决了目前大多数脑机接口***无法解决的问题，实现了用户长期使用脑机接口，脑机接口***可以识别用户的工作状态和休息状态。

所述步骤(1)中的训练数据类别直方图h_i＝[h₁,h₂,...,h_K]根据下式计算得到：

在本实施例中，步骤(1)训练部分结束，得到两个结果：1)学习字典Φ；2)类别直方图h_i＝[h₁,h₂,...,h_K]。

(2)对运动想象脑电信号的测试：将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，步骤(2)中测试数据的格式转换、特征点提取、特征向量计算与步骤(1)采用的方法公式完全一致，这里就不赘述了。

利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图。

所述步骤(2)中测试数据的稀疏表达计算的具体步骤为：

将步骤(2)中测试数据分别经过格式转换、特征点提取、特征向量计算、降维得到的降维后的特征向量矩阵Q，结合步骤(1)中得到的字典Φ，

根据：

得到测试数据的稀疏表达X_Q。

所述步骤(2)中的测试数据的类别直方图分别根据：

得到，所述步骤(2)中的测试数据的类别直方图为h_Q；

根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。

所述步骤(2)中测试数据分类的具体步骤为：

根据：

确定所述测试数据的所述类别。

本发明的有益效果：

1.分类种类得到了提高：本发明的一种运动想象脑电信号特征提取与分类***及方法，在步骤(1)的对运动想象脑电信号的训练中，不同的思维作业可以建立一个共同的字典Φ，在步骤(2)的对运动想象脑电信号的测试中，只要在训练部分出现的思维作业，在测试过程中就可以检测出该类别，因此，此种算法的分类种类得到了提高；

2.运动想象与休息状态均可进行检测：本发明的一种运动想象脑电信号特征提取与分类***及方法，将休息状态当做一种思维作业，在建立字典Φ时考虑进去该状态，则在后续的测试中，当出现休息状态时，也可以检测出用户目前处于休息状态；

3.分类速度较快：本发明的一种运动想象脑电信号特征提取与分类***及方法，不同的思维作业建立一个共同的字典，在测试中不同的思维作业可以一次性得到分类结果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种运动想象脑电信号特征提取与分类***，该***包括训练模块和测试模块；其特征是：

所述训练模块被配置为将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图的模块；

所述测试模块被配置为将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类的模块。

2.如权利要求1所述的一种运动想象脑电信号特征提取与分类***，其特征是：所述训练模块包括第一脑电信号存储模块，所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为训练数据存储；

所述测试模块包括第二脑电信号存储模块，所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为测试数据存储。

3.一种运动想象脑电信号特征提取与分类方法，该方法基于一种运动想象脑电信号特征提取与分类***，其特征是：该方法的具体步骤包括：

(1)对运动想象脑电信号的训练：将脑机接口***采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；

(2)对运动想象脑电信号的测试：将脑机接口***采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。

4.如权利要求3所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(1)中对训练数据进行格式转换的具体步骤为：

将采集的运动想象脑电信号由二维信号转换为三维信号：将第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T构建二维空间矩阵。

5.如权利要求3所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(1)中对特征点提取和特征向量计算的具体步骤为：

(1-1)关键点检测：第一脑电信号存储模块中存储的脑机接口***采集的运动想象脑电信号X∈IR^n×m×T表示为X＝[X₁,X₂,...,X_T]；

对于X中的每个值利用Harris关键点检测器检测关键点，针对检测到的所有关键点提取大小为(η×η×T)的模块；

(1-2)特征值提取：针对步骤(1-1)中的模块所有值去均值，针对模块里面的每一个像素沿着时间方向计算其方差M₂，偏态M₃和峰度M₄，组成与模块对应的时间矩阵M_r,r＝{2,3,4}，其中M_r＝[m_ij],i,j＝1,2,...,η

$m_{ij}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\left(v_{ijt}\right)}^r$

其中，v_ijt是位置在{i,j}的第t个时间片；

(1-3)特征向量计算：将步骤(1-2)中的每一个时间矩阵转化为一个长度为η²的向量，时间矩阵M_r,r＝{2,3,4}中r的三个值组成特征向量m∈IR^d，其中d＝3η²为关键点模块的特征向量长度，

$m=\left[\begin{array}{c}{m}_1\\ m_2\\ m_3\end{array}\right].$

6.如权利要求5所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(1)中降维采用随机投影(random projection)方法进行降维处理，具体步骤为：

记描述该运动想象特征向量m的矩阵为D∈IR^d×p，其中，d为关键点模块的特征向量长度，p为关键点模块的数量；

将维数为d的向量投影到一个维数为n的子空间中，其中n＜＜d；

通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理，将特征向量矩阵维数降低为n×p：

Y＝RD

其中，Y∈IR^n×p为降维后的特征向量矩阵，R为随机投影矩阵，R∈IR^n×d，均值为0,方差为1。

7.如权利要求6所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(1)中的字典学习根据降维后的特征向量矩阵Y，通过压缩传感得到Y的稀疏表达，具体步骤为：

利用K-SVD算法，得到满足下列公式的字典Φ∈IR^n×m(m＞n)和稀疏表达式其中，x_i包含k(k<<n)个或更少的非零元素：

其中，||·||_F是Frobenius范数，||·||₀是l₀半范数，计算向量里包含的非零元素。

8.如权利要求3所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(2)中测试数据的稀疏表达计算的具体步骤为：

将步骤(2)中测试数据分别经过格式转换、特征点提取、特征向量计算、降维得到的降维后的特征向量矩阵Q，结合步骤(1)中得到的字典Φ，

根据：

$\underset{X_Q}{min}\left\{\right||Q-{\mathrm{\&Phi;X}}_Q|{|}_F^2\}s.t.|\left|x_Q\right|{|}_0\&le;k_1$

得到测试数据的稀疏表达X_Q。

9.如权利要求6所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(1)中的训练数据的类别直方图和所述步骤(2)中的测试数据的类别直方图分别根据：

$h=\frac{1}{p}\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{x}_j$

得到，所述步骤(1)中的训练数据的类别直方图为h_i，所述步骤(2)中的训练数据的类别直方图为h_Q。

10.如权利要求9所述的一种运动想象脑电信号特征提取与分类方法，其特征是：所述步骤(2)中测试数据分类的具体步骤为：

根据：

$class=\arg \max x_{i\&Element;1,2,...,K}{h}_Q^T{h}_i$

确定所述测试数据的所述类别。