專利名稱：一種用于腦機接口中的分類方法
技術領域：
本發明屬于生物醫學信息技術領域，具體涉及一種腦-機接口領域中對腦電特征進行分類識別的方法。
背景技術：
腦機接口(Brain-Computer Interface, BCI)是近年發展起來的不依賴于大腦的正常輸出通路(即外圍神經和肌肉組織)，就可以實現人腦與外界(計算機或其它外部裝置)直接通信的技術。腦機接口技術可以將腦電信號轉化成控制信號從而實現對外部設備的控制，基于腦機接口可以發展多種增強型控制和通信系統，提高患有某些疾病人群的生活質量，如腦卒中、帕金森、運動神經元損傷等。通常基于腦電信號的腦機接口系統由4個模塊組成:腦電信號采集放大模塊，特征提取模塊，分類識別模塊，反饋及控制模塊，如圖1所示。腦電信號采集放大模塊主要由腦電放大器組成，用于放大微弱的腦電信號并將之送入特征提取模塊進行處理；特征提取模塊對包含噪聲和眾多冗余信息的腦電數據進行處理，將有用的特征提取出來送入分類識別模塊；分類識別模塊采用模式識別的方法對特征進行分類，并將分類結果作為控制指令輸出到反饋及控制模塊中；反饋及控制模塊主要用于同步被試行動、為被試提供相應的反饋信息及轉化控制指令。采用性能更好的腦電信號放大器可以有效提升采集到的腦電數據的信噪比，將創新的實驗范式應用在反饋及控制模塊中可以獲得質量更高的腦電特征，而在腦電信號放大器和實驗范式固定的情況下，腦機接口的性能則由特征提取方法和分類識別方法決定。基于腦電信號的腦機接口系統可用的腦電特征包括運動想象節律信號、P300誘發電位、穩態視覺/聽覺誘發電位、瞬態視覺誘發電位等。在采集到的腦電信號中，自發腦電占有非常大的比例，而上述可用的特征被淹沒在大量的自發腦電中，國內外的研究者們提出了許多種特征提取算法，如拉普拉斯濾波，自回歸功率譜分析法，共空間模式，典型相關分析，雙譜分析等。作為一個輸入-輸出系統，以轉化使用者意圖為目的，分類識別模塊最終決定腦機接口系統是否可以正確的將使用者的意圖轉化為控制命令。與傳統的模式識別問題相t匕，腦機接口系統對分類識別模塊有著特殊的要求，如小樣本訓練集，腦電信號非平穩性等，因此，需要將更先進的分類方法應用到腦機接口系統中，以提高腦機接口系統的性能。目前，線性判別分析(Linear Discriminant Analysis, LDA)基于其易用性好,計算效率高，穩定性強的優點，成為腦機接口領域中最流行的分類方法之一。線性判別分析已經在運動想象腦機接口、P300打字機和穩態視覺誘發電位腦機接口中取得了較好的應用效果，也有一些基于線性判別分析的改進算法，如正則化線性判別分析(RLDA)、貝葉斯線性判別分析(BLDA)、自適應線性判別分析等。線性判別分析假設兩類數據具有相同的協方差矩陣，通過尋找最大化兩類數據均值同時最小化類內方差的投影得到分類邊界線，分類邊界線只由投影后的兩類數據的均值決定，而投影后的兩類數據的方差信息則被忽略，造成了分類的不準確。
發明內容
本發明的目的在于針對現有分類識別方法的存在的上述問題，提出了一種用于腦機接口中的分類方法。本發明的技術方案為:一種用于腦機接口中的分類方法，具體包括如下步驟:S1.根據訓練集中若干類樣本集的特征，分別計算每類樣本集特征的權重和，所述權重和近似服從正態分布，估計出若干個正態分布的均值和標準差；S2.對新樣本進行分類時，計算出新樣本特征的權重和，并根據步驟SI得到的若干個正態分布的均值和標準差對計算出的新樣本特征的權重和進行標準化，得到若干個標準化后的值；S3.對若干個標準化后的值的絕對值進行排序，將其中最小值對應的樣本集類別作為新樣本的類別。本發明的有益效果:本發明的方法利用標準分數對新樣本特征的權重和進行標準化，進而根據標準化后的權重和確定分類邊界線，克服了傳統線性判別分析方法在樣本集特征分布不相同情況下分類識別率下降的缺點，有效提升了腦機接口系統在復雜情況下分類表現的穩定性。
圖1為腦機接口系統的組成的示意圖。圖2為本發明的用于腦機接口中的分類方法示意圖。圖3為示意了本發明方法和傳統線性判別分析方法分類邊界線位置的差異示意圖。圖4為本發明方法與現有的線性判別分析方法的分類效果比較示意圖。
具體實施例方式下面結合附圖和具體實施例對本發明做進一步的說明。在實際應用中，待分類的多類數據往往不滿足同協方差矩陣的假設，因此，將投影后的兩類數據的方差信息加入分類邊界線的決定過程中是具有重要意義的。本發明的具體方案流程圖如圖1所示，包括如下步驟:S1.根據訓練集中若干類樣本集的特征，分別計算每類樣本集特征的權重和，所述權重和近似服從正態分布，估計出若干個正態分布的均值和標準差；S2.對新樣本進行分類時，計算出新樣本特征的權重和，并根據步驟SI得到的若干個正態分布的均值和標準差對計算出的新樣本特征的權重和進行標準化，得到若干個標準化后的值；S3.對若干個標準化后的值的絕對值進行排序，將其中最小值對應的樣本集類別作為新樣本的類別。本發明理論依據是:以訓練集中包含兩類樣本集(第一類樣本集和第二類樣本集)為例說明，假設訓練集中的兩類樣本集特征經過線性判別分析方法計算得到的權重和分別近似服從正態分布，估計出這兩個正態分布的均值和標準差并保存在訓練模型中。在對新樣本進行分類時，首先用線性判別分析方法計算出其特征的權重和，然后用訓練模型中保存的兩類正態分布的均值和標準差分別對其標準化，得到Z1和Z2，則Iz1I和Iz2I分別反映了待分類樣本特征的權重和與訓練模型中保存的兩類正態分布的均值的相對標準距離，若Z11 < IZ21，則新樣本與第一類樣本集的正態分布的均值的相對標準距離更小，被分作第一類，反之則被分作第二類。不同于現有線性判別分析方法，此方法對兩類樣本特征的權重和分別做正態分布假設，其分類邊界線由兩個正態分布曲線的交點決定。仍以兩類樣本集Cp C2為例進行說明，假設X1=U11, X12, xlffl)T,和乂2_ (義21，義22，...，X2n)， 是兩類樣本集的特征向量，其中，Xll, Xi2,..., Xlm e C1,X21, X22,...，X2n e C2, m、n分別為特征向量X1和X2中樣本的個數。
,首先尋找一個特征向量的線性方程使得:Y (X) =Xff+W0 (I)其中，W是權重向量，W0是偏移量，如果將C1作為樣本集C1的標簽，C2作為樣本集C2的標簽，則傳統線性判別分析方法的分類邊界線可定義為d=(Cl+C2)/2。為了計算方便，可以用向量記法將等式(I)轉換為Y(X)=XW⑵其中，而相應的為帶一個虛擬輸入Xtl=I的擴大化的特征向量
^ = (X5I)tj等式(2)的最小二乘解為:W = (XtX) XtY⑶如果C1〈C2，傳統的線性判別分析方法在進行分類識別時，用式子(2)計算出樣本特征對應的權重和I的值，若y〈d，則樣本被分作第一類，反之則被分作第二類。本發明方法對線性判別分析方法的改進主要體現在以下幾個方面:將等式(3)得到的#代入等式(2)中計算出每一個訓練樣本的權重和y值，再分別計算出兩類樣本訓練集的特征權重和的均值UpU2和標準差ο” σ 2。
權利要求
1.種用于腦機接口中的分類方法，具體包括如下步驟:據訓練集中若干類樣本集的特征，分別計算每類樣本集特征的權重和，所述權重和近似服從正態分布，估計出若干個正態分布的均值和標準差；新樣本進行分類時，計算出新樣本特征的權重和，并根據步驟SI得到的若干個正態分布的均值和標準差對計算出的新樣本特征的權重和進行標準化，得到若干個標準化后的值；若干個標準化后的值的絕對值進行排序，將其中最小值對應的樣本集類別作為新樣本的類別。
2.據權利要求1所述的用于腦機接口中的分類方法，其特征在于，計算樣本集特征的權重和具體采用線性判別分析方法。
3.據權利要求1或2所述的用于腦機接口中的分類方法，其特征在于，所述的若干類樣本集具體為兩類樣本集:第一類樣本集和第二類樣本集。
4.據權利要求3所述的用于腦機接口中的分類方法，其特征在于，步驟S2所述的標準化后的值具體為:
全文摘要
本發明公開了一種用于腦機接口中的分類方法，包括步驟根據訓練集中若干類樣本集的特征，分別計算每類樣本集特征的權重和，所述權重和近似服從正態分布，估計出若干個正態分布的均值和標準差；對新樣本進行分類時，計算出新樣本特征的權重和，根據得到的若干個正態分布的均值和標準差對計算出的新樣本特征的權重和進行標準化，得到若干個標準化后的值；對若干個標準化后的值的絕對值進行排序，將其中最小值對應的樣本集類別作為新樣本的類別。本發明方法利用標準分數對新樣本特征的權重和進行標準化，進而根據標準化后的權重和確定分類邊界線，克服了傳統線性判別分析方法在樣本特征分布不相同情況下分類識別率下降的缺點。
文檔編號G06F17/30GK103092971SQ20131002726
公開日2013年5月8日 申請日期2013年1月24日 優先權日2013年1月24日
發明者張銳, 徐鵬, 堯德中 申請人:電子科技大學