• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩那个网站好: 一种基于非高斯中性向量特征选择的脑电波EEG信号分类方法.pdf

    关 键 词:
    一种 基于 非高斯 中性 向量 特征 选择 脑电波 EEG 信号 分类 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201510067912.5

    申请日:

    2015.02.09

    公开号:

    CN104680176A

    公开日:

    2015.06.03

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06K 9/62申请日:20150209|||公开
    IPC分类号: G06K9/62 主分类号: G06K9/62
    申请人: 北京邮电大学
    发明人: 马占宇; 齐峰
    地址: 100876北京市海淀区西土城路10号
    优先权:
    专利代理机构: 代理人:
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510067912.5

    授权公告号:

    ||||||

    法律状态公告日:

    2018.04.24|||2015.07.01|||2015.06.03

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明实施例公开了一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法。该方法包括如下步骤:通道选择步骤:将输入的每个通道变换并归一化后,取能量最大的M个通道形成一个超向量;非线性去相关步骤:由于每个通道形成的向量是中性向量,可以利用其中性性质进行非线性去相关生成向量u;特征选择步骤:按差分熵或方差从大到小排序,对每个通道分别取Nm个为最终特征;贝塔分类器设计步骤:用贝塔混合模型设计分类器。利用本发明实施例,能够提高脑电波信号分类的准确率,具有很大的实用价值。

    权利要求书

    权利要求书
    1.  一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法,其特征在于,包括以下步骤:
    通道选择步骤:将输入的每个通道变换并归一化后,取能量最大的M个通道形成一个超向量;
    非线性去相关步骤:由于每个通道形成的向量是中性向量,可以利用其中性性质进行非线性去相关生 成向量u;
    特征选择步骤:按差分熵或方差从大到小排序,对每个通道分别取Nm个为最终特征;
    贝塔分类器设计步骤:用贝塔混合模型设计分类器。

    2.  如权利要求1所述的一种脑电波信号分类方法,其特征在于,通道选择步骤中,输入的EEG信号 包含S个相互独立的通道,这一步骤的目的是选出和最后分类任务最相关的M组通道,排除相关性不大的
    噪声通道,以此来增加最终分类结果的准确率,具体步骤如下:
    1)将输入的每个通道的EEG信号进行变换,如离散小波变换,傅立叶变换等,得到变换域归一化的 K+1维向量[x1,x2,...,xK+1]T,其元素为:
    x k = c k Σ i = 1 K + 1 c i , k = 1 , . . . , K + 1 ]]>
    2)对每一通道算其能量,即平方和:
    E s = Σ i = 1 K + 1 x i 2 , s = 1 , . . . , S ]]>
    3)取Es值最大的M个通道作为后面步骤分析的通道,这M个通道的所有元素形成一个超向量:
    x sup = [ x 1 T , x 2 T , . . . , x M T ] T ; ]]>
    上述超向量中,每个通道(即xm)中的元素都非负且加和为1,符合中性向量的特征。

    3.  如权利要求2所述的一种脑电波信号分类方法,其特征在于,非线性去相关步骤中,对选定的M 个通道中每一通道做去相关;随机变量x=[x1,x2,...,xK+1]T,满足xk≥0且那么x中所有 元素都是中性的,向量x是中性向量(neutral vector);含有K+1个元素的中性向量有K维自由度;本发 明利用其中性性质用非线性可逆变换来去相关,使其转换为一组相互独立的变量;由于x中所有元素都是 中性的,xk独立于其他归一化元素,那么其余归一化元素可以组成一个新的中性向量,过程如下:
    1)输入中性向量:x=[x1,x2,...,xK+1]T
    2)按图2所示算法流程图做非线性去相关,其中,P=2T-(K+1),0P是全 0的P×1向量,和分别表示xt中奇数和偶数位置的元素,运算符./表示每个元素分 别相除,并特殊定义0/0=1;
    3)输出: u = [ u 1 T , . . . , u T T ] T . ]]>

    4.  如权利要求3所述的一种脑电波信号分类方法,其特征在于,特征选择步骤中,由于狄利克雷变 量是完全中性向量,去相关之后得到向量u中的各个元素相互独立,根据可交换性,可加性,和中性性质, 向量u中的每个元素都是符合贝塔分布Beta(x;a,b);按差分熵或方差从大到小排序,每一个通道取最大 的Nm个为最终特征,这一步骤可通过如下两种方法分别实现:
    (1)按x的方差计算:
    var ( x ) = E { [ x - E ( x ) ] 2 } = ab ( a + b ) 2 ( a + b + 1 ) ; ]]>
    (2)按x的差分熵计算:
    H ( x ) = - E [ ln Beta ( x ; a , b ) ] = ln Γ ( a ) Γ ( b ) Γ ( a + b ) - ( a - 1 ) ψ ( a ) - ( b - 1 ) ψ ( b ) + ( a + b - 2 ) ψ ( a + b ) , ]]>
    其中,E[·]为求期望操作, ψ ( x ) = ∂ ln Γ ( x ) ∂ x . ]]>

    5.  如权利要求1所述的一种脑电波信号分类方法,其特征在于,贝塔分类器设计步骤中,根据上述 方法选定一组维度,因为每一维中的数据都假定为贝塔分布,且这些维度互相独立,可以得出从一个通道 中选定的Nm维向量的分布模型:一个多变量贝塔分布(mvBeta):
    f ( u ~ ) = Π r = 1 N m Beta ( u ~ r ; a r , b r ) ]]>
    同样,对于最大的M个通道,共选了维变量,分布为:
    f ( u ~ sup ) = Π i = 1 M Π r = 1 N m Beta ( u ~ ir ; a ir , b ir ) ]]>
    输入数据包含两类,分别标记为C∈{+1,-1};由于根据图3所示的算法流程图,贝塔分布的参数已 知,所以一个相关类mvBeta分布对每类可计算;最终创建一个符合上述得到模型分布的最大后验分类器 (MAP);对M个通道所选定特征的判决如下:
    if f ( C = + 1 | u ~ sup t ) ≥ f ( C = - 1 | u ~ sup t ) u ~ sup t ∈ + 1 else u ~ sup t ∈ - 1 , ]]>
    其中, f ( C | u ~ sup t ) ∝ f ( u ~ sup t | C ) p ( C ) . ]]>

    说明书

    说明书一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法
    技术领域
    本发明集中解决在脑机接口系统设计中,脑电波(EEG)信号的分类问题,着重描述了一种基于非高 斯中性向量特征选择的脑电波信号分类方法。
    背景技术
    脑机接口(BCI)通过分析大脑信号记录,将神经肌肉疾病患者与计算机连接起来。有了精心设计的 脑机接口系统,机器可以更好地帮助或辅助治疗神经肌肉疾病患者。上述脑电波(Electroencephalogram, EEG)信号作为非侵入性获取的信号,是BCI应用系统的设计中研究得最多的。不同模式的EEG信号可以 反映人体大脑不同的活动,因此脑电波(EEG)分类是脑机接口系统设计中至关重要的一个步骤。
    在脑电波信号的特征提取中,常用的特征有AR模型参数,多变量AR参数,傅里叶变换特征,边缘化 离散小波变换系数等。近年来,离散小波边缘化变换系数(mDWT)因可以较好的显示EEG信号的时域瞬 态特性,而广泛应用于EEG信号分类。本发明中使用离散小波边缘化变换系数来描述EEG特征。
    现有较成功的EEG分类方法是基于支撑向量机,然而基于SVM的方法并没有利用离散小波边缘化变换 系数非负且加和为1这一性质。本发明采用的基于超狄利克雷分布的分类,刚好弥补这一点,由于mDWT 系数分别来自于相互独立的通道,可以用超狄利克雷分布来模拟,且实验数据表明效果优于支撑向量机。
    发明内容
    针对现有语音传输过程中的丢包问题,本发明的目的是提供一种基于非高斯中性向量特征选择的脑电 波信号分类方法,以此来提高分类的准确率。
    为达到上述目的,本发明提出的非线性最优化缺失值估计方法包括下列步骤:
    通道选择步骤:将输入的每个通道变换并归一化后,取能量最大的M个通道形成一个超向量;
    非线性去相关步骤:由于每个通道形成的向量是中性向量,可以利用其中性性质进行非线性去相关生 成向量u;
    特征选择步骤:按差分熵或方差从大到小排序,对每个通道分别取Nm个为最终特征;
    贝塔分类器设计步骤:用贝塔混合模型设计分类器。
    通道选择步骤中,输入的EEG信号包含S个相互独立的通道,这一步骤的目的是选出和最后分类任 务最相关的M组通道,排除相关性不大的噪声通道,以此来增加最终分类结果的准确率。
    步骤如下:
    1)将输入的每个通道的EEG信号进行变换,如离散小波变换,傅立叶变换等,得到变换域归一化的 K+1维向量[x1,x2,...,xK+1]T,其元素为:
    x k = c k Σ i = 1 K + 1 , k = 1 , . . . , K + 1 . ]]>
    2)对每一通道算其能量,即平方和:
    E s = Σ i = 1 K + 1 x k 2 , s = 1 , . . . , S ]]>
    3)取Es值最大的M个通道作为后面步骤分析的通道,这M个通道的所有元素形成一个超向量:
    x sup = [ x 1 T , x 2 T , . . . , x M T ] T . ]]>
    上述超向量中,每个通道(即xm)中的元素都非负且加和为1,符合中性向量的特征。
    非线性去相关步骤中,对选定的M个通道中每一通道做去相关。随机变量x=[x1,x2,...,xK+1]T,满 足xk≥0且那么x中所有元素都是中性的,向量x是中性向量(neutral vector)。含有 K+1个元素的中性向量有K维自由度。本发明利用其中性性质用非线性可逆变换来去相关,使其转换 为一组相互独立的变量。由于x中所有元素都是中性的,xk独立于其他归一化元素,那么其余归一化 元素可以组成一个新的中性向量。本步骤的过程如下:
    1)输入中性向量:x=[x1,x2,...,xK+1]T
    2)按图2所示算法流程图做非线性去相关,其中,P=2T-(K+1),0P是全 0的P×1向量,和分别表示xt中奇数和偶数位置的元素,运算符./表示每个元素分 别相除,并特殊定义0/0=1;
    3)输出: u = [ u 1 T , . . . , u T T ] T . ]]>
    特征选择步骤中,由于狄利克雷变量是完全中性向量,去相关之后得到向量u中的各个元素相互独立。 根据可交换性,可加性,和中性性质,向量u中的每个元素都是符合贝塔分布Beta(x;a,b)。一旦狄利克 雷分布中的参数α=[α1,α2,...,αK+1]T已知,就可以算出贝塔分布中的a,b,算法见图3。按差分熵或方 差从大到小排序,每一个通道取最大的Nm个为最终特征,这一步骤可通过如下两种方法分别实现:
    (1)按x的方差计算:
    var ( x ) = E { [ x - E ( x ) ] 2 } = ab ( a + b ) 2 ( a + b + 1 ) ; ]]>
    (2)按x的差分熵计算:
    H ( x ) = - E [ ln Beta ( x ; a , b ) ] = ln Γ ( a ) Γ ( b ) Γ ( a + b ) - ( a - 1 ) ψ ( a ) - ( b - 1 ) ψ ( b ) + ( a + b - 2 ) ψ ( a + b ) , ]]>
    其中,E[·]为求期望操作,
    贝塔分类器设计步骤中,根据上述方法选定一组维度,因为每一维中的数据都假定为贝塔分布,且这 些维度互相独立,我们可以得出从一个通道中选定的Nm维向量的分布模型:一个多变 量贝塔分布(mvBeta):
    f ( u ~ ) = Π r = 1 N m Beta ( u ~ r ; a r , b r ) ]]>
    同样,对于最大的M个通道,共选了维变量,分布为:
    f ( u ~ sup ) = Π i = 1 M Π r = 1 N m Beta ( u ~ ir ; a ir , b ir ) ]]>
    输入数据包含两类,分别标记为C∈{+1,-1}。由于根据图3所示的算法流程图,贝塔分布的参数已 知,所以一个相关类mvBeta分布对每类可计算。最终创建一个符合上述得到模型分布的最大后验分类器 (MAP)。对M个通道所选定特征的判决如下:
    if f ( C = + 1 | u ~ sup t ) ≥ f ( C = - 1 | u ~ sup t ) u ~ sup t ∈ + 1 else u ~ sup t ∈ - 1 , ]]>
    其中,
    本发明的有益效果在于,相对于现有技术而言,本发明中对描述EEG特征的变换系数进行非线性去相 关,利用中性向量非负且加和为1这一性质,设计了贝塔分类器,又给出完整的估计系统用于应用,试验 结果验证了本发明的高效性,具有很强的实用性。
    附图说明
    图1为本发明一种基于非高斯中性向量特征选择的脑电波信号分类方法的步骤流程图;
    图2为非线性去相关的步骤流程图;
    图3为贝塔分类器设计步骤中贝塔分布参数计算算法流程图。
    具体实施方式
    下面将结合附图对本发明具体实施方式进行详细说明。
    图1是本发明的流程图,包括以下步骤:
    步骤S1:将输入的S个通道进行变换,这里用离散小波边缘化变换举例,选取能量最大的M个通道, 形成向量x步骤;
    步骤S2:非线性去相关生成u步骤;
    步骤S3:特征选择步骤;
    步骤S4:用贝塔混合模型设计分类器步骤。
    下面将对每个步骤进行具体的说明:
    步骤S1实现选出和最后分类任务最相关的几组通道,将输入的S个通道进行变换,这里用离散小波 边缘化变换举例,选取能量最大的M个通道,形成向量x。该方法的具体流程如下:
    1)将输入的S个通道的EEG信号进行离散小波变换,再边缘化得到离散小波边缘化变换因子mDWT 向量有:
    c k = Σ j = 0 L / 2 K - 1 | w ( k , j ) | k = 1 , . . . , K - 1 Σ j = 0 L / 2 K - 1 | w H ( K , j ) | k = K Σ j = 0 L / 2 K - 1 | w L ( K , j ) | k = K + 1 ; ]]>
    2)归一化mDWT向量:
    x k = c k Σ i = 1 K + 1 c i , k = 1 , . . . , K + 1 . ]]>
    3)对每一通道算其能量,即平方和:
    E s = Σ i = 1 K + 1 x i 2 , s = 1 , . . . , S ]]>
    4)取Es值最大的M个通道作为后面步骤分析的通道,这M个通道的所有元素形成一个超向量:
    由于元素都非负且加和为1,根据其符合超狄利克雷分布,密度函数为:
    sDir ( x sup ; α ) = Π t = 1 m Dir ( x t ; α t ) = Π t = 1 m Γ ( Σ k = 1 K t + 1 α t , k ) Π k = 1 K t + 1 Γ ( α t , k ) Π k = 1 K t + 1 x t , k α t , k - 1 - - - ( 1 ) ]]>
    通过x可以估计到狄利克雷密度函数式(1)中的参数α=[α1,α2,...,αK+1]T,解法如下:
    先将混合模型应用于超狄利克雷分布,得到一个含有R个分量的超混合狄利克雷模型(SDMM), 其分布:
    f ( X ) = Π t = 1 T Σ r = 1 R π r SDir ( x sup ( t ) ; α ( r ) ) ]]>
    其中,权重因子 π r = 1 T Σ t = 1 T z ‾ tr = 1 T Σ t = 1 T π r SDir ( x sup ( t ) ; α ( r ) ) Σ r = 1 R π r SDir ( x sup ( t ) ; α ( r ) ) , ]]>πr是第r个分量的非负权重, 且 Σ r = 1 R π r = 1 . ]]>
    再计算模型参数,对于第r个混合分量,参数向量αr被分成K+1个子向量,每个参量子向量对 应xsup中的一个子向量。所以通过解下面的方程我们可以得到所有参数:

    步骤S2将步骤S1得到的x非线性去相关,x=[x1,x2,...,xK+1]T,满足xk≥0且本步 骤的过程如下:
    1)输入中性向量:x=[x1,x2,...,xK+1]T
    2)按图2所示算法流程图做非线性去相关,其中,P=2T-(K+1),步骤21 中0P是全0的P×1向量,步骤22中和分别表示xt中奇数和偶数位置的元素,运算符./ 表示每个元素分别相除,并特殊定义0/0=1;
    3)输出: u = [ u 1 T , . . . , u T T ] T . ]]>
    步骤S3做特征选择,由于步骤S1中(4)已经估计出狄利克雷密度函数式(1)中的参数 α=[α1,α2,...,αK+1]T,根据图3所示算法就可以算出贝塔分布中的a,b。贝塔分布Beta(x;a,b)的x按 差分熵或方差从大到小排序,取最大的Nm个为最终特征,这一步骤可通过如下两种方法分别实现:
    (a)按x的方差计算:
    var ( x ) = E { [ x - E ( x ) ] 2 } = ab ( a + b ) 2 ( a + b + 1 ) ; ]]>
    (b)按x的差分熵计算:
    H ( x ) = - E [ ln Beta ( x ; a , b ) ] = ln Γ ( a ) Γ ( b ) Γ ( a + b ) - ( a - 1 ) ψ ( a ) - ( b - 1 ) ψ ( b ) + ( a + b - 2 ) ψ ( a + b ) , ]]>
    其中,E[·]为求期望操作,
    步骤S4设计贝塔分类器,根据步骤S3选定一组维度,因为每一维中的数据都假定为贝塔分布,且这 些维度互相独立,我们可以得出从一个通道中选定的Nm维向量的分布模型:一个多变 量贝塔分布(mvBeta):
    f ( u ~ ) = Π r = 1 N m Beta ( u ~ r ; a r , b r ) ]]>
    同样,对于最大的M个通道,共选了维变量,分布为:
    f ( u ~ sup ) = Π i = 1 M Π r = 1 N m Beta ( u ~ ir ; a ir , b ir ) ]]>
    输入数据包含两类,分别标记为C∈{+1,-1}。由于根据图3所示的算法流程图,贝塔分布的参数已 知,所以一个相关类mvBeta分布对每类可计算。最终创建一个符合上述得到模型分布的最大后验分类器 (MAP)。对M个通道所选定特征的判决如下:
    if f ( C = + 1 | u ~ sup t ) ≥ f ( C = - 1 | u ~ sup t ) u ~ sup t ∈ + 1 else u ~ sup t ∈ - 1 , ]]>
    其中,
    以上结合附图对所提出的基于非高斯中性向量特征选择的脑电波信号分类方法及各??榈木咛迨凳?方式进行了阐述。通过以上实施方式的描述,所属领域的一般技术人员可以清楚的了解到本发明可借助软 件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现,但前者是更佳的实施方式?;谡庋?的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现, 该软件产品存储在一个存储介质中,包括若干指令用以使得一台或多台计算机设备执行本发明各个实施例 所述的方法。
    依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理 解为对本发明的限制。
    以上所述的本发明实施方式,并不构成对发明?;し段У南薅?。任何在本发明的精神和原则之内所作 的修改、等同替换和改进等,均应包含在本发明的?;し段е?。

    关于本文
    本文标题:一种基于非高斯中性向量特征选择的脑电波EEG信号分类方法.pdf
    链接地址://www.4mum.com.cn/p-5886854.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 韩国快乐8官网下载 3组三 娱乐厅棋牌 河南快赢481技巧 高频彩大神 彩票站双色球合买 七乐彩走势图图 湖北十一选五遗漏一定牛 甘肃十一选五 移动棋牌五子棋 北京十一选五任4技巧 时时彩选号技巧 3d组三和组六判定 高频彩群 浙江十一选五推荐 宁夏11选5前一推荐号