CN110018739B - 一种基于降维机制的脑电信号特征优选方法 - Google Patents
一种基于降维机制的脑电信号特征优选方法 Download PDFInfo
- Publication number
- CN110018739B CN110018739B CN201910178384.9A CN201910178384A CN110018739B CN 110018739 B CN110018739 B CN 110018739B CN 201910178384 A CN201910178384 A CN 201910178384A CN 110018739 B CN110018739 B CN 110018739B
- Authority
- CN
- China
- Prior art keywords
- feature
- reduction mechanism
- electroencephalogram
- features
- electroencephalogram signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Dermatology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于降维机制的脑电信号特征优选方法,采集原始脑电信号数据;对原始脑电信号数据进行预处理;对预处理后的脑电信号数据进行特征提取;对获取的特征集进行特征选择,获取最优特征子集;将所选最优特征子集送入支持向量机SVM中进行脑电思维分类,作为不同控制信号输出,从而实现对外部设备的控制。本发明可以减少搜索空间的维度,并且可以同时保留重要特征。
Description
技术领域
本发明涉及处理运动想象脑电信号处理领域,特别是一种基于降维机制的脑电信号特征优选方法。
背景技术
脑-机接口(Brain Computer Interface,简称BCI)是一种可以不通过***神经和肌肉而直接利用大脑活动所产生的信号就能与外界交互信息的***。它通过对特定任务下采集的脑电数据进行分析,并将大脑信息转换为控制命令,实现人与外界的交流。它提供了一种新的交流方式,可以帮助患有毁灭性神经肌肉损伤和神经退行性疾病的人在一定程度上恢复其交流能力,帮助癫痫,中风等疾病患者进行生物反馈治疗等。BCI技术引起了许多领域的广泛关注,如神经病学,康复工程,心理学,计算机科学,工程学和数学等,非常具有挑战性。
BCI***的基本框架如图1所示,一般情况下,BCI***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。在BCI***中常用的信号是脑电信号(Electroencephalography,EEG),具有非植入、无创伤、携带方便等优点。EEG信号的高时间分辨率和多通道将导致提取许多特征,并且这些特征中的一些可能是多余的或不相关的。显然,冗余和不相关的特征增加了分类器训练过程的计算负担,降低了分类器的泛化能力,降低了分类精度。因此,在分类之前应该采用特征选择,如图1。特征选择的任务是从所有特征中选择一些重要特征,目的是减少特征维度,加速训练过程,简化分类器模型,提高分类精度。
特征选择的任务就是从所有特征中挑选出一些有效的特征,以达到降低样本维度,加快学习过程,简化学习模型和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***代价,提高分类速度。尽管已经提出了很多用于特征选择的方法,但是这个问题还是没有完全解决。
特征选择是一个具有挑战性的问题,主要原因有两个:搜索空间大和不重要特征的干扰。首先,随着特征数量的增加,搜索空间呈指数增长。例如,对于n个特征,可能的特征子集的总数是(2n-1)。其次,为了选择一些重要特征,有必要去除冗余的,不相关的和微不足道的特征,即不重要的特征,因为它们对分类性能具有副作用。根据是否独立于后续的学习算法,特征选择可以分为过滤式和封装式。
过滤式特征选择方法与后续学习算法无关,一般直接使用所用训练数据的统计性能来评估特征,尽管它使用评价准则,如距离函数、粗糙集、互信息、模糊集和统计相关系数等,来增强特征与类的相关性,以及削减特征之间的相关性,但是它并不能保证选择出一个最优特征子集,尤其是当特征与分类器息息相关时,而在脑机接口中我们是要对所采集到的脑电信号进行分类,用过滤式特征选择方法来对脑电信号特征进行选择并不能有效消除冗余特征,即使找到一个满足条件的特征子集,它的规模也会比较庞大,会包含一些明显的噪声特征。
而封装式特征选择方法利用后续学习算法的训练准确率来评估特征子集,即直接使用分类性能作为特征重要性程度的评价标准,这特别适合用在脑电信号的特征选择上,可以让我们得到一个分类性能较高的特征子集,但是封装式方法在速度上比过滤式方法慢,计算量大,时间复杂度较高,但最重要的一点是它所选择的特征子集的规模相对要小得多,非常有利于关键特征的辨识。因此该类方法目前是特征选择领域的热点。
原则上,包装式方法包含两个重要组件:子集搜索,其目的是从原始特征集生成候选特征子集,以及子集评估,其利用分类器来评估该特征子集的良好性。近年来,进化算法(EAs)已成为有效的子集搜索方法。此外,各种EAs,如差分进化(DE),粒子群优化(PSO),以及遗传算法(GA),已经实现比传统的子集搜索方法更好的性能。与传统的子集搜索方法相比,EAs不需要领域知识,也不需要对搜索空间进行任何假设,例如非线性和可分离性。另一个优点是EAs是基于种群的搜索算法,具有强大的搜索能力。
对于EEG运动想象任务的分类来说,要想获得更高的分类准确率,适当的特征是至关重要的。EAs在处理该类优化问题时仍然存在局部最优的停滞问题,是因为在搜索过程中没有考虑不重要特征的存在对搜索算法的干扰,这些特征的存在,使得EAs搜索效率变低,容易陷入局部最优。
因此,需要一种基于降维机制的脑电信号特征优选方法来解决上述问题。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提出一种基于进化算法的运动想象脑-机接口特征选择的维数降维机制,嵌入到EAs中,实现在EAs迭代过程中删除一些不重要的特征。
为解决上述技术问题,本发明所采用的技术方案是:一种基于降维机制的脑电信号特征优选方法,包括以下步骤:
1)采集原始脑电信号数据;
2)对原始脑电信号数据进行预处理;
3)对预处理后的脑电信号数据进行特征提取;
4)对步骤3)获取的特征集进行特征选择,获取最优特征子集;
5)将所述最优特征子集送入支持向量机SVM中进行脑电思维分类,作为不同控制信号输出,从而实现对外部设备的控制。
步骤3)的具体实现过程包括:
1)使用带通滤波器将预处理后的脑电信号数据分成多个频带信号;
2)通过短时间窗口将每个频带信号分成多个时间段;
3)在每个时频网格中通过CSP方法提取脑电信号的特征。
步骤4)中对特征集进行特征选择的算法采用的是基于降维机制的进化算法,其过程为,首先随机初始化种群P0,即随机产生NP个二进制变量,其维度D等于特征的个数,接着执行降维机制得到然后在上执行EAs的进化算子,产生Pt+1,Pt+1的维度小于或者等于Pt的维度,重复执行上述过程直到满足停止准则,然后输出最优特征子集。
基于降维机制的脑电信号特征优选方法中的降维机制过程为,对于种群Pt中的每个个体表示选择了第j个特征,表示未选择第j个特征;设是Pt中最好的个体,Sj是不选择第j个特征的个体数;NP为种群规模,D为变量的维度,也就是特征的个数;
1)从{S1,S2,…,SD}中找到最大值,表示为Smax,如果在{S1,S2,…,SD}中只有一个元素等于Smax,则该元素的索引记为k;
2)如果在{S1,S2,…,SD}中有多个元素等于Smax,则随机选择一个元素,并将该元素的索引记为k;
与现有技术相比,本发明所具有的有益效果为:本发明在EAs迭代过程中去除冗余,不相关和微不足道的特征,即不重要的特征。可以减少搜索空间的维度,并且可以同时保留重要特征。DimReM(降维机制)首先通过利用来自进化的反馈信息来确定特征是不重要的。之后,一代又一代地删除这些不重要的特征。结果,保留了重要的特征。DimReM结构简单,不会引入任何其他参数和复杂的运算符。DimReM很容易嵌入到不同的EAs中。此外,我们已成功将DimReM与三个EAs和三个分类器集成在一起。已对BCI数据集进行了***实验,以验证DimReM的有效性。实验结果表明,DimReM(降维机制)可以找到具有较高分类精度和较少数量特征的特征子集。
附图说明
图1为BCI***组成框图;
图2为时频窗示意图;
图3为本发明的降维机制;(a)最优个体中没选要删除的特征;(b)最优个体中选了要删除的特征;
图4为本发明中所采用的二进制编码。
具体实施方式
本发明设计的一种基于降维机制的脑电信号特征优选方法,具体实现过程如下:
步骤1:采集脑电信号数据,为了验证本发明的有效性,在本发明中使用了BCICompetition III dataset IVa和BCI Competition IV dataset IIb两种数据集;
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***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,因此在本发明中对脑电信号进行6~40Hz的带通滤波,将不需要的频率信号去除;
步骤3:脑电信号特征提取,由于EEG信号的非稳定性和非线性特征,在BCI中对其进行分类是非常具有挑战的。必须提取有用的特征以使分类算法有效地工作。脑机接口技术研究的一个关键是如何快速有效地从原始EEG中提取EEG有效信息。在本发明中使用了共同空间模式(CSP)算法来提取脑电信号特征。在BCI***中一个重要的类型是基于运动想象的BCI。运动图像的生理学研究表明,运动皮层中不同的想象运动之间的脑电功率不同。这种现象称为感觉运动节律(SMR),它指的是从体感和运动区域记录的大脑活动的振荡。特定频带中振荡活动的减少称为事件相关的去同步(ERD)。相应地,特定频带中振荡活动的增加称为事件相关同步(ERS)。共同空间模式(CSP)算法是在脑电信号两分类中用于检测ERD和ERS的非常成功的特征提取方法。CSP算法就是计算空间滤波器,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。
假设分别对左右手运动图像进行n次试验。设N×T矩阵Ej,i描述第i次试验的原始EEG数据,其中j∈{L,R}表示左手或右手运动图像,N表示记录电极的数量,T表示每个电极中的样本数。CSP算法的过程介绍如下:
1)计算第j类运动图像信号的第i次试验的协方差:
所以混合空间协方差为:
Cc=CL+CR (3)
2)对混合空间协方差Cc进行特征值分解:
其中Uc为特征向量矩阵,Ac为特征值对角矩阵。注意,为方便起见,应该按降序对特征值进行排序。
3)进行白化:
Sj=PCjPT (6)
利用白化后SL和SR具有相同的特征向量的特点,经特征值分解可得:
如果SL=BALBT,
则SR=BARBT且AL+AR=I。
其中I是单位矩阵,B是特征向量矩阵,Aj是特征值对角矩阵。经过白化后空间滤波器为:
W=(BTP)T (7)
所以Ej,i经过滤波后为:
Zj,i=WEj,i (8)
特别指出Zj,i是一个N×T的矩阵。
4)求特征向量f
其中Zj,i,p是Zj,i的第p行,p∈{1,2,…,M,N-M+1,…,N},var(Zj,i,p)是Zj,i,p的方差。最终所提取的特征向量f=[fj,i1,fj,i2,…,fj,i,2M]。根据EEG信号的质量及分类器的需求M的值可以改变,但是2M不能超过N。
在运动想象BCI中,EEG信号的频率在8-32Hz的范围内。对于不同的对象,反应频带是不同的。如果通过CSP算法从原始EEG信号直接提取特征,则一些不必要的频率信号可能干扰特征提取并降低分类性能。因此,在通过CSP算法提取特征之前应该采用频带滤波器。同时,每个测试者的反应时间对于指示信号是不同的,因此应考虑时域特征。因此,本发明结合时-频-空三维特征从脑电信号中提取原始特征集。其特征提取的整个过程包括三个步骤:
1)使用带通滤波器将EEG信号分成多个频带信号。
2)通过短时间窗口将每个试验的频带信号分成多个时间段。
3)最后,在每个时频网格中通过CSP算法提取EEG信号的特征。
时频窗如图2所示,其中每一个格子中包括若干个CSP特征值。
步骤4:脑电信号的特征选择,脑电信号在经过时-频-空三维特征提取后经常涉及大量的特征,容易产生维度灾难。所谓的维度灾难就是当特征维度超过一定界限之后,分类器的性能会随着特征维度的增加反而下降,而且维度越高训练模型的时间开销也会越大。为了克服这个问题,特征选择是一个有效的方法。然而,由于特征维数比较大以及不重要特征的干扰,使得特征选择问题成为一个很难的优化问题。
一般而言,特征选择可以看作是一个探索寻优的过程,最优特征子集的探索是一个NP问题,即除了穷举式搜索,不能保证找到最优解。但实际应用中,一般特征维数比较高,并且搜索空间是随着特征维数成指数增长的,例如对于一个大小为n的特征集合,其搜索空间由2n-1种不同的状态构成,由于计算量太大,穷举式搜索通常是不可行的。因此人们致力于用其它搜索算法寻找次优解。然而,大多数现有的特征选择方法仍然存在局部最优化停滞或计算成本高的问题。因此,需要有效的全局搜索技术来更好地解决特征选择问题。
由于强大的全局搜索能力,EAs已被用于基于脑电信号的运动想象BCI特征选择。
基于EAs的特征选择方法实现了有前途的性能。然而,在这些方法中,搜索空间的大小是固定的,并且有必要在每次迭代中判断是否应该选择每个特征。在这种情况下,一些冗余和不相关的特征将浪费计算资源。此外,由于大的搜索空间和冗余,不相关和微不足道的特征的干扰,EAs容易收敛到局部最优。在本发明中,我们提出了一种基于进化算法的运动想象脑-机接口特征选择的维数降维机制来解决上述问题。
4.1 EAs
在此使用了差异进化算法,遗传算法和粒子群算法来验证本发明的有效性。差异进化算法,遗传算法和粒子群算法都属于进化算法的分枝,很多学者对这些算法进行了研究,并通过不断的改进,提高了算法的性能,扩大了应用领域。在此将简单介绍应用在离散二进制问题上的三种典型的算法,为NMBDE、GA和BPSO这三种算法。
4.1.1 NMBDE
DE是由Storn和Price首先提出的基于种群的随机优化器,是一种非常流行的进化算法范式。该算法采用对个体进行方向扰动的方法,以达到对个体的函数值进行下降的目的。由于其简单性,稳健性和有效性,DE近年来受到越来越多的关注。然而标准的DE及其大部分变体是为了解决连续空间中的问题而开发的,不能直接解决二进制编码的优化问题,因此Wang等人在NMBDE中提出了一种新的概率估计算子来解决二进制编码的优化问题,在变异操作中引入该概率估计算子来产生二进制变异个体,NMBDE算法的基本步骤总结如下:
其中:t为世代指数;F为比例因子;为t代时随机选择的3个个体的第j维且r1≠r2≠r3≠i;b是带宽因子,是正实常数。带宽因子b是用来调整概率分布模型的范围和形状,适当的b值可以同时提高搜索效率和维持种群多样性。在标准DE中有很多变异策略,如上所见这里采用最流行的“DE/rand/1”变异策略,该算子被表示为MO,被保留并被嵌入到NMBDE的概率估计算子中。
NMBDE中的交叉算子和选择算子与标准DE是一样的。在NMBDE中,采用一对一的淘汰机制来更新种群。种群通过应用变异、交叉和选择算子一代一代地进行更新,直到满足停止标准。
4.1.2 GA
遗传算法(GA)是一种随机搜索方法,它源于达尔文的“适者生存”原则。这个原则意味着更健康的个体更适合生存,并有更大的机会将其良好的遗传特征转移到下一代。GA是一种基于种群的启发式方法,并且具有变异,交叉和选择三个算子。有以下特点:
(1)对优化函数是否可导以及是否具有连续性没有要求;(2)不是从单个点,而是从多个点构成的群体开始搜索;(3)搜索过程不易陷入局部最优点。
在遗传算法中,每个解都被表示为一个与适应值相关的染色体,用适应值来评价个体的优劣,并作为遗传操作的依据。根据特征选择的特点,可以用一个n位的二进制串来表示染色体,对于每一个二进制数字,“1”表示选择相应的特征,“0”则表示不选择。适合度值用于评估个体的质量,并作为遗传操作的基础。
4.1.3 BPSO
粒子群优化(PSO)是Kennedy和Eberhart在1995年首次提出的连续问题优化技术,其源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。在PSO中,有两个更新函数:速度更新函数和位置更新函数。对于每一代,每个粒子的速度和位置根据它之前最好的位置和所有粒子中最好的位置来更新。为了将标准连续PSO适用于二元空间,提出了BPSO。BPSO是基于当前速度通过sigmoid函数转换来进行更新位置的。如下式所示:
其中,t表示进化过程中的世代指数;j表示搜索空间的第j维;ω是惯性权值,用来控制上一代速度对当前代速度的影响;c1、c2是加速度因子;r1、r2是[0,1]之间的随机数;是被限制在预定义区间[-lmax,j,lmax,j]内的;S(·)是sigmoid转换函数。
4.2所设计的降维机制
4.2.1设计降维机制的动机
如上所述,当前基于EAs的特征选择方法旨在从所有特征中选择一些重要特征,这意味着它们关注于“选择”。然而,他们将面临以EEG为基础的运动想象BCI中的以下两大挑战:
·从EEG信号中提取的特征数量很大,这会导致高维搜索空间。在高维搜索空间中搜索重要特征并不是一件容易的事。
·冗余,不相关和微不足道的特征会对EAs产生干扰,导致EAs的搜索能力显着下降。
认识到这些挑战,我们从相反的角度处理特征选择问题。具体而言,我们关注“删除”。虽然很难准确地选择一些重要特征,但确定哪些特征是微不足道的相对容易。沿着这条线,在基于EAs的EEG运动想象BCI特征选择中我们提出了一种维度降维机制,称为DimReM。DimReM首先通过利用来自进化的反馈信息来检测特征是否不重要。如果已检测到,则我们将其删除。通过删除逐代生成的不重要特征,最终保留了重要特征,并且在搜索过程中搜索空间的维度逐渐减小。注意,当前基于EAs的特征选择方法中的搜索空间的维度在演化期间是固定的。
表1降维机制算法框架
4.2.2降维机制
算法1给出了DimReM的框架。首先,我们从{S1,S2,…,SD}中找到最大值,表示为Smax。如果在{S1,S2,…,SD}中只有一个元素等于Smax,则该元素的索引记为k;如果在{S1,S2,…,SD}中有多个元素等于Smax,则随机选择一个元素,并将该元素的索引记为k。如果的第k位是‘0’,则直接删除Pt的第k位,否则,进行以下尝试:1)用Qt等于Pt,并删除Qt的第k位;2)评估Qt并将最佳适应度值记为3)如果Qt的最佳适应度值没有变差,则否则
在算法1中,我们首先关注的是种群中大多数个体没有选择的特征,并认为这个特征是一个不重要的特征,所有特征中的概率最高。随后,如果群体中的最佳个体也未选择此特征,这意味着此特征实际上是一个不重要的特征,则会将其删除。但是,如果该特征由群体中的最佳个体选择,则将进行进一步的测试。我们尝试从群体中删除此特征,从而获得新的群体。如果新群体的最佳适应值优于或等于旧群体的最佳适应值,这意味着删除此特征对性能没有任何副作用,则删除此特征,因为它不重要;;否则,此特征是一项重要特征,应予以保留,因为删除它会导致性能下降。
从上面的介绍中可以清楚地看出,在DimReM中,群体信息用于识别每次迭代中潜在的不重要特征。此外,最佳个体被视为来自进化的反馈信息,以确定是否应该删除该特征。最后,DimReM可以轻松地逐步删除不重要的特征,最终实现特征降维。
DimReM的主要特点总结如下:
·DimReM提供了一种有效的方式,通过利用进化的信息来识别并删除不重要的特征。
·DimReM没有引入额外的参数和复杂的算子。可以简单实现。
·通过删除不重要的特征,使得搜索空间变小,有利于提高EAs的搜索效率。同时,特征子集的维数也变小,这降低了分类器中训练任务的难度。
·由于种群的重新评估,DimReM确保在每次删除特征时分类性能不会变差。
4.3基于降维机制的进化算法的特征选择
在本发明中,EAs被用作搜索引擎以找到最佳特征子集。为了测试DimReM的有效性,它嵌入在三个不同的EAs中,以解决基于EEG的运动想象BCI中的高维特征选择问题。在本小节中,我们主要介绍如何将DimReM嵌入到EAs中。
1)编码:对于特征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,每一位的取值为“1”或“0”,当个体的某一位为“1”时,表示选择该特征;否则不选,如图4所示。
2)适应度函数的设计决定了最优特征子集。本发明使用简化的基准问题,其目标是找到最优的特征子集达到最高的分类准确度,因此,本发明采用分类准确度作为适应度函数。即,适应度函数Fitness定义为:
其中TP为实际为正例且被分类器划分为正例的样本数;TN为实际为负例且被分类器划分为负例的样本数;NP为总的正例样本数;NN为总的负例样本数。
3)DimReM-EAs算法过程:首先随机初始化种群P0,即随机产生NP个二进制变量,其维度D等于特征的个数。接着执行DimReM得到然后在上执行EAs的进化算子,产生Pt+1。显然,Pt+1的维度小于或者等于Pt的维度。重复执行上述步骤直到满足停止准则,然后输出最优特征子集。
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。
Claims (2)
1.一种基于降维机制的脑电信号特征优选方法,其特征在于,包括以下步骤:
1)采集原始脑电信号数据;
2)对原始脑电信号数据进行预处理;
3)对预处理后的脑电信号数据进行特征提取;
4)对步骤3)获取的特征集进行特征选择,获取最优特征子集;对特征集进行特征选择的算法采用的是基于降维机制的进化算法,其过程为,首先随机初始化种群P0,即随机产生NP个二进制变量,其维度D等于特征的个数,接着执行降维机制得到然后在上执行EAs的进化算子,产生Pt+1,Pt+1的维度小于或者等于Pt的维度,重复执行上述过程直到满足停止准则,然后输出最优特征子集;基于降维机制的脑电信号特征优选方法中的降维机制过程为,对于种群Pt中的每个个体 表示选择了第j个特征,表示未选择第j个特征;设是Pt中最好的个体,Sj是不选择第j个特征的个体数;NP为种群规模,D为变量的维度,也就是特征的个数;
A.从{S1,S2,…,SD}中找到最大值,表示为Smax,如果在{S1,S2,…,SD}中只有一个元素等于Smax,则该元素的索引记为k;
B.如果在{S1,S2,…,SD}中有多个元素等于Smax,则随机选择一个元素,并将该元素的索引记为k;
5)将所述最优特征子集送入支持向量机SVM中进行脑电思维分类,作为不同控制信号输出,从而实现对外部设备的控制。
2.根据权利要求1所述的基于降维机制的脑电信号特征优选方法,其特征在于,步骤3)的具体实现过程包括:
1)使用带通滤波器将预处理后的脑电信号数据分成多个频带信号;
2)通过短时间窗口将每个频带信号分成多个时间段;
3)在每个时频网格中通过CSP方法提取脑电信号的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178384.9A CN110018739B (zh) | 2019-03-11 | 2019-03-11 | 一种基于降维机制的脑电信号特征优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178384.9A CN110018739B (zh) | 2019-03-11 | 2019-03-11 | 一种基于降维机制的脑电信号特征优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110018739A CN110018739A (zh) | 2019-07-16 |
CN110018739B true CN110018739B (zh) | 2021-06-18 |
Family
ID=67189425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178384.9A Active CN110018739B (zh) | 2019-03-11 | 2019-03-11 | 一种基于降维机制的脑电信号特征优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018739B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110876626B (zh) * | 2019-11-22 | 2022-08-12 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测*** |
CN111582050A (zh) * | 2020-04-16 | 2020-08-25 | 天津大学 | 一种基于csp-pso的癫痫脑电信号特征提取方法 |
CN112580606B (zh) * | 2020-12-31 | 2022-11-08 | 安徽大学 | 基于聚类分组的大规模人体行为识别方法 |
CN113255447B (zh) * | 2021-04-23 | 2023-03-24 | 桂林电子科技大学 | 脑电信号解码方法、装置、设备及计算机可读存储介质 |
CN114366122A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 一种基于eeg脑机接口的运动想象分析方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105395192A (zh) * | 2015-12-09 | 2016-03-16 | 恒爱高科(北京)科技有限公司 | 一种基于脑电的可穿戴情感识别方法和*** |
CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
-
2019
- 2019-03-11 CN CN201910178384.9A patent/CN110018739B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105395192A (zh) * | 2015-12-09 | 2016-03-16 | 恒爱高科(北京)科技有限公司 | 一种基于脑电的可穿戴情感识别方法和*** |
CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
Non-Patent Citations (1)
Title |
---|
"基于运动想象脑电信号的运动康复训练***研究";谢依;《中国优秀硕士学位论文全文数据库基础科学辑》;20190215;正文第14-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110018739A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018739B (zh) | 一种基于降维机制的脑电信号特征优选方法 | |
Kant et al. | CWT based transfer learning for motor imagery classification for brain computer interfaces | |
Guo et al. | Automatic feature extraction using genetic programming: An application to epileptic EEG classification | |
CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
Gupta et al. | Performance enhancement of mental task classification using EEG signal: a study of multivariate feature selection methods | |
Tan et al. | Dimensionality reduction in evolutionary algorithms-based feature selection for motor imagery brain-computer interface | |
Kumar et al. | OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals | |
Wu et al. | Classification of EEG motor imagery using support vector machine and convolutional neural network | |
Hettiarachchi et al. | Motor imagery data classification for BCI application using wavelet packet feature extraction | |
KR20210006486A (ko) | 강화학습을 이용한 적응형 뇌파 분석 방법 및 장치 | |
CN115381466A (zh) | 基于AE和Transformer的运动想象脑电信号分类方法 | |
Echtioui et al. | Multi-class Motor Imagery EEG Classification using Convolution Neural Network. | |
Ren et al. | A co-training algorithm for EEG classification with biomimetic pattern recognition and sparse representation | |
CN107016355A (zh) | 一种低误触发率运动想象双层分类识别方法 | |
Lian et al. | The improved ELM algorithms optimized by bionic WOA for EEG classification of brain computer interface | |
CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
Akmal et al. | Classification analysis of tensor-based recovered missing EEG data | |
Mu et al. | EEG channel selection methods for motor imagery in brain computer interface | |
Li et al. | A novel motor imagery EEG recognition method based on deep learning | |
Hossain et al. | Informative instance transfer learning with subject specific frequency responses for motor imagery brain computer interface | |
Yang et al. | EEG classification for BCI based on CSP and SVM-GA | |
Zhang et al. | Hand gesture recognition of double-channel EMG signals based on sample entropy and PSO-SVM | |
Lahiri et al. | Evolutionary approach for selection of optimal EEG electrode positions and features for classification of cognitive tasks | |
Guo et al. | EEG signal analysis based on fixed-value shift compression algorithm | |
Li et al. | ECoG recognition of motor imagery based on SVM ensemble |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |