CN103473294A - 基于msvm脑电信号特征分类的方法及智能轮椅系统 - Google Patents

Abstract

本发明公开了一种基于MSVM脑电信号特征分类的方法，该方法涉及脑机接口技术的特征分类与识别控制领域。本发明本章中采用支持向量机对脑电信号进行特征分类，针对现有支持向量机算法在参数选择上的问题，提出了改进的参数寻优方法。为了达到多分类的目的，在二分类的基础上对多分类支持向量机的原理及结构进行了探索。通过分析比较后选择了二叉树形式的多分类支持向量机进行多特征分类，并在离线环境下对改进的参数寻优算法进行了实验验证。

Description

基于MSVM脑电信号特征分类的方法及智能轮椅系统

技术领域

本发明涉及脑电信号(EEG)分析与识别控制领域，特别涉及一种EEG处理系统中的特征分类方法及智能轮椅系统。 

背景技术

无障碍技术是一种通过高科技的手段为身体某部分功能衰退的人提供相应的人工辅助，使其能够正常的生活工作。人机交互技术(Human-Machine Interaction，HMI)是无障碍技术的核心技术之一，它是一种通过计算机输入、输出设备使人与计算机完成相互交流的技术。根据所采用控制方法的不同，人机交互技术可分为两大类：第一类就是采用如鼠标、键盘等传统的输入设备来完成人机交互任务。这种方式虽然有较好的可操作性，但是对于四肢运动功能有衰退的人来说并不适用；第二类是采用模式识别技术，利用人所独有的一些特性，如声音、运动姿势、表情和生物电信号(肌电信号、脑电信号)等完成人机交互。通过一定的方法采集人体的这些特性并将其转换为对外部设备的控制信号已完成交互任务。这种人机交互方式的交互过程更加直观，同时不再局限于固定的输入设备，因此更加灵活。可以看到，人机交互技术具有重要的研究和应用价值。 

脑—计算机接口(Brain-computer interface，BCI)是一种新兴的人机交互技术，它能够不依赖于大脑外围神经与肌肉等正常输出通道直接与外部设备进行通讯控制。它通过对人体的脑电信号进行采集，并进行特征提取和分类识别后转化为特定的控制指令，这样人们就可以直接通过大脑来表达自己的思想或者操纵外部设备，而不需要语言或者肢体动作的辅助。与之前所提到的模式识别方法相比，BCI技术只需要人的大脑能够正常的工作就能完成交互任务，因此其未来的应用前景也更加美好。一个基础的脑机接口控制系统大致可分为采集、信号处理和控制执行三个部分。其中脑电信号的信号处理环节是整个系统的核心。由于脑电信号本身极其微弱和脑电信号的复杂性，要使得从其中高效率地识别不同意识活动的成分成为可能，对脑电信号的特征提取与特征分类理论有着很高的要求。 

脑电信号特征分类是脑机接口系统和脑电信号识别过程中十分关键的一个环节。支持向量机(Support Vector Machine，SVM)是一种新兴的根据统计学习理论而发展起来的机器学 习算法。支持向量机在一定程度上解决了一些通常在机器学习理论中广泛存在的问题，诸如过学习、局部最小值非线性等。同时，支持向量机在样本集较小、特征向量维度较高的情况下依然能得到较好的分解结果。因此，该算法在模式识别领域得到了广泛的应用，并已经成为了当前机器学习领域的研究热点。综上所述，使用支持向量机作为脑电信号的分类识别的基础，具有其的研究和应用价值。 

智能轮椅是一种融合了多种智能控制技术(如自主导航、人机交互等技术)的特殊轮椅，旨在方便老年人和残障人士的日常生活。老一代智能轮椅的运动控制任务局限于通过控制杆或者控制按钮来完成，这种方法虽然准确有效，但是对某些四肢功能衰退的人来说却并不合适。随着人机交互技术的不断发展，基于模式识别技术的新型智能轮椅进入了人们的视野，这类智能轮椅能通过语音、姿态、表情、生物电信号(如肌电信号和脑电信号)完成轮椅的运动控制任务。其中，脑电信号以其通过大脑直接进行控制的独特优势，成为了智能轮椅人机交互的一个新的研究热点。 

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于参数优化多分类支持向量机(Multi-class Support Vector Machine，MSVM)的脑电信号特征分类方法，针对脑机接口中的脑电信号特征分类，首先运用小波分析进行特征提取，然后采用一种基于LOO误差上界的参数寻优方法获取支持向量机的最优参数，最后将二叉树形式的多分类支持向量机结合改进的参数寻优算法完成了多特征分类，实现支持向量机对脑电信号的多特征分类。 

本发明的目的之一是提出一种基于MSVM脑电信号特征分类方法；本发明的目的之二是提出一种采用基于MSVM脑电信号特征分类方法来实现的智能轮椅系统。 

本发明的目的之一是通过以下技术方案来实现的： 

本发明提供的一种基于MSVM脑电信号特征分类的方法，包括以下步骤： 

S1：获取脑电信号； 

S2：采用小波分析对脑电信号进行特征提取形成特征向量并归一化特征向量； 

S3：设计并训练多分类支持向量机； 

S4：利用多分类支持向量机对特征向量进行分类； 

S5：输出分类结果。 

进一步，所述脑电信号包括左手运动想象信号、右手运动想象信号和眨眼信号；所述多分类支持向量机包括第一二分类支持向量机和第二二分类支持向量机；所述第一二分类支持 向量机，用于对特征向量中的眨眼信号进行分类；所述第二二分类支持向量机，用于对左手运动想象信号和右手运动想象信号进行分类；所述步骤S4中利用多分类支持向量机对特征向量进行分类具体包括以下步骤： 

S41：将特征向量通过第一二分类支持向量机进行分类，判断特征向量是否为眨眼信号，如果是，输出眨眼信号； 

S42：如果否，则通过第二二分类支持向量机进行分类，判断特征向量是否为左手运动想象信号，如果是，则输出特征向量为左手运动想象信号； 

S43：如果否，则输出特征向量为右手运动想象信号。 

进一步，所述第一二分类支持向量机或第二二分类支持向量机采用基于优化惩罚因子C参数的支持向量机算法，具体步骤如下： 

S31：选择样本集数据作为训练集T＝{(x₁，y₁)，…，(x_l，y_l)}∈(X×Y)^l， 

其中，x_i∈X＝Rⁿ，y_i∈Y＝{-1，1}，i＝1，…，l，x_i是样本输入向量，y_i是样本输出向量，l表示； 

S32：通过计算如下最优化问题的解来得到一个最优分类面： 

$\underset{w\∈H,b\∈R,\mathrm{\ξ}\∈R^l}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

s.t.y_i((w·x_i)+b)≥1-ξ_i，i＝1，…，l 

ξ_i≥0，i＝1，…，l； 

其中，s.t.表示所受到的约束条件，b是最优分类面的参数，l表示维度，ξ是松弛项，H是希尔伯特空间，R是实数，R¹是实数空间；(x_i，y_i)表示样本点；C表示惩罚参数，w是Hilbert空间中的分类面。 

S33：通过构造Lagrange函数来得到如下最优化问题的对偶问题： 

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

0≤α_i≤C，i＝1，…，l， 

其中，K(x_i，x_j)表示求解LOO误差上界的凸二次规划问题中的核函数； 

S34：通过求解对偶问题获得最优解

S35：根据最优解选取α^*的一个正分量

并根据正分量按以下公式计算阈值： 

$b^{*}=y_i-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j),$

其中，b^*为确定最优划分超平面的参数，K(x_i，x_j)是求解二次规划问题中所引入的核函数。 

S36：根据阈值按以下公式构造决策函数： 

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j)+b^{*}),$

其中，f(x)表示决策函数，sgn( )表示所得到的最优的分类线的上下界限。 

进一步，所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算，具体步骤如下： 

S321：选择核函数并对对偶算法变形得到新的最优化问题： 

S322：对由构造Lagrange函数来得到的最优化问题的对偶问题进行变形得到如下的新核函数的最优化问题： 

$\underset{\mathrm{\α}}{\min }W\left({\mathrm{\α}}^{*}\right)=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(K(x_i,x_j)+\frac{1}{C}{\mathrm{\δ}}_{\mathrm{ij}})-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

α≥0_i，i＝1，…，l， 

其中，δ_ij为冲激函数， ${\mathrm{\δ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0& i\≠j\\ 1& i=j\end{array}\right.,$

S323：按以下公式求解新核函数的参数(θ₁，…，θ_k)^T； 

$R_{\mathrm{LOO}}\left(T\right)=\frac{1}{l}\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Φ(x_i)，i＝1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Φ(x)+b)＝0的几何间隔； 

S324：按以下公式求得最优的分类结果： 

$\underset{\mathrm{\θ}}{\min }\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Φ(x_i)，i=1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Φ(x)+b)＝0的几何间隔，θ是核函数参数。 

S325：按以下公式分别对分类结果求偏导，得到最优参数取值的参数(θ_l，…，θ_k)^T的方程： 

$\frac{\∂\frac{1}{{\mathrm{\γ}}^2}}{{\∂\mathrm{\θ}}_m}=\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{{\mathrm{\θ}}_i}{\mathrm{\α}}_{{\mathrm{\θ}}_j}{y}_i{y}_j\frac{{\∂K}_{\mathrm{\θ}}(x_i,x_j)}{{\∂\mathrm{\θ}}_m},m=1,\·\·\·,k;$

$\frac{{\∂R}^2}{{\∂\mathrm{\θ}}_m}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\frac{\∂K(x_i,x_i)}{{\∂\mathrm{\θ}}_m}-\underset{i}{\overset{l}{\mathrm{\Σ}}}\underset{j}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\mathrm{\λ}}_j\frac{\∂K(x_i,x_j)}{{\∂\mathrm{\θ}}_m},m=1,\·\·\·,k,$

其中，θ_m是新核函数参数(m＝1，…，k)，λ_i、λ_j是构造Lagrange函数求取极值的系数。 

本发明的目的之二是通过以下技术方案来实现的： 

本发明提供的利用基于MSVM脑电信号特征分类方法来控制的智能轮椅系统，包括脑电采集装置、信号处理器、无线通信模块以及智能轮椅本体； 

所述脑电采集装置，用于采集脑电信号； 

所述信号处理器，用于对采集到的脑电信号进行处理并产生用于控制智能轮椅本体的控制命令； 

所述无线通信模块，用于实现智能轮椅本体和信号处理器之间的通信； 

所述智能轮椅本体，用于接收从信号处理器传输的控制命令并驱动智能轮椅本体运动。 

进一步，所述信号处理器为MSVM的脑电信号特征分类模块，所述MSVM的脑电信号特征分类模块采用多分类支持向量机对脑电信号进行特征提取和特征分类。 

进一步，所述MSVM的脑电信号特征分类模块包括脑电信号预处理模块、小波分析模块、第一二分类支持向量机、第二二分类支持向量机、特征向量分类模块、左手运动想象信号控制命令输出模块、右手运动想象信号控制命令输出模块、眨眼信号控制命令输出模块； 

所述脑电信号预处理模块，用于获取脑电信号并对脑电信号预处理； 

所述小波分析模块，用于将通过小波分析方法来对脑电信号进行特征提取从而形成特征向量； 

所述第一二分类支持向量机，用于将判断特征向量中是否为眨眼信号并输出眨眼信号； 

所述第二二分类支持向量机，用于将区分特征向量中左手运动想象信号和右手运动想象信号并分别输出左手运动想象信号和右手运动想象信号； 

所述特征向量分类模块，用于对特征向量进行分类并输出分类信号； 

所述左手运动想象信号控制命令输出模块，用于将左手运动想象信号转换为左手运动想象信号控制命令并输出； 

所述右手运动想象信号控制命令输出模块，用于将右手运动想象信号转换为右手运动想象信号控制命令并输出； 

所述眨眼信号控制命令输出模块，用于将眨眼信号转换为眨眼信号控制命令并输出。 

进一步，所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算。 

本发明的优点在于：本发明采用一种基于MSVM脑电信号特征分类的方法，该方法针对脑机接口中的脑电信号的进行特征分类与识别控制，采用支持向量机对脑电信号进行特征分类，针对现有支持向量机算法在参数选择上的问题，提出了改进的参数寻优方法即采用基于LOO误差上界的参数估计，为了达到多分类的目的，在二分类的基础上对多分类支持向量机的原理及结构进行了探索。通过分析比较后选择了二叉树形式的多分类支持向量机进行多特征分类，并在离线环境下对改进的参数寻优算法进行了实验验证。可以以花费较少的计算时间来实现多分类支持向量机的最优参数。 

本发明还提供了一种基于脑电信号的智能轮椅控制系统，该系统包括：Emotiv SDK Headset脑电采集装置、笔记本电脑、无线通信模块、智能轮椅本体。Emotiv SDK Headset脑电采集装置用来进行脑电信号的采集处理；笔记本电脑作为整个控制系统的上位机，用于脑电信号的预处理、特征提取以及模式识别与分类的处理；无线通信模块用于上位机和下位机之间的通信；智能轮椅是整个控制系统的下位机，用来验证运动控制的实现。 

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中： 

图1为基于脑电信号的智能轮椅控制系统框架； 

图2为采用二叉树形式的多分类支持向量机决策流程图； 

图3为基于MSVM脑电信号特征分类方法来实现的智能轮椅系统框图； 

图4为基于支持向量机的脑电信号识别流程； 

图5为C-SVC算法流程图； 

图6为二叉树决策的三分类支持向量机原理； 

图7为最优参数取值求解流程图。 

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。 

图1为基于脑电信号的智能轮椅控制系统框架，图2为采用二叉树形式的多分类支持向量机决策流程图，图3为基于MSVM脑电信号特征分类方法来实现的智能轮椅系统框图，图4为基于支持向量机的脑电信号识别流程，图5为C-SVC算法流程图，图6为二叉树决策的三分类支持向量机原理，图7为最优参数取值求解流程图，如图所示：本发明提供的一种基于MSVM脑电信号特征分类的方法，包括以下步骤： 

S1：获取脑电信号； 

S2：采用小波分析对脑电信号进行特征提取形成特征向量并归一化特征向量； 

S3：设计并训练多分类支持向量机； 

S4：利用多分类支持向量机对特征向量进行分类； 

S5：输出分类结果。 

所述脑电信号包括左手运动想象信号、右手运动想象信号和眨眼信号；所述多分类支持向量机包括第一二分类支持向量机和第二二分类支持向量机；所述第一二分类支持向量机，用于对特征向量中的眨眼信号进行分类；所述第二二分类支持向量机，用于对左手运动想象信号和右手运动想象信号进行分类；所述步骤S4中利用多分类支持向量机对特征向量进行分类具体包括以下步骤： 

S41：将特征向量通过第一二分类支持向量机进行分类，判断特征向量是否为眨眼信号，如果是，输出眨眼信号； 

S42：如果否，则通过第二二分类支持向量机进行分类，判断特征向量是否为左手运动想象信号，如果是，则输出特征向量为左手运动想象信号； 

S43：如果否，则输出特征向量为右手运动想象信号。 

所述第一二分类支持向量机或第二二分类支持向量机采用基于优化惩罚因子C参数的支 持向量机算法，具体步骤如下： 

S31：选择样本集数据作为训练集T={(x₁，y₁)，…，(x_l，y_l)}∈(X×Y)^l， 

其中，x_i∈X=Rⁿ，y_i∈Y={-1，1}，i=1，…，l，x_i是样本输入向量，y_i是样本输出向量，l表示； 

S32：通过计算如下最优化问题的解来得到一个最优分类面： 

$\underset{w\∈H,b\∈R,\mathrm{\ξ}\∈R^l}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

s.t.   y_i((w·x_i)+b)≥1-ξ_i，i=1，…，l 

ξ_i≥0，i=1，…，l； 

其中，s.t.表示所受到的约束条件，b是最优分类面的参数，l表示维度，ξ是松弛项，H是希尔伯特空间，R是实数，R¹是实数空间；(x_i，y_i)表示样本点；C表示惩罚参数，w是Hilbert空间中的分类面。 

S33：通过构造Lagrange函数来得到如下最优化问题的对偶问题： 

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

0≤α_i≤C，i=1，…，l， 

其中，K(x_i，x_j)表示求解LOO误差上界的凸二次规划问题中的核函数； 

S34：通过求解对偶问题获得最优解

S35：根据最优解选取α^*的一个正分量

并根据正分量按以下公式计算阈值： 

$b^{*}=y_i-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j),$

其中，

b^*为确定最优划分超平面的参数，K(x_i，x_j)是求解二次规划问题中所引入的核函数。 

S36：根据阈值按以下公式构造决策函数： 

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j)+b^{*}),$

其中，f(x)表示决策函数，sgn( )表示所得到的最优的分类线的上下界限。 

所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算，具体步骤如下： 

S321：选择核函数并对对偶算法变形得到新的最优化问题： 

S322：对由构造Lagrange函数来得到的最优化问题的对偶问题进行变形得到如下的新核函数的最优化问题： 

$\underset{\mathrm{\α}}{\min }W\left({\mathrm{\α}}^{*}\right)=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(K(x_i,x_j)+\frac{1}{C}{\mathrm{\δ}}_{\mathrm{ij}})-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

α≥0_i，i=1，…，l， 

其中，δ_ij为冲激函数， ${\mathrm{\δ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0& i\≠j\\ 1& i=j\end{array}\right.,$

S323：按以下公式求解新核函数的参数(θ₁，…，θ_k)^T； 

$R_{\mathrm{LOO}}\left(T\right)=\frac{1}{l}\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Ф(x_i)，i＝1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Ф(x)+b)=0的几何间隔； 

S324：按以下公式求得最优的分类结果： 

$\underset{\mathrm{\θ}}{\min }\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Ф(x_i)，i＝1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Ф(x)+b)=0的几何间隔，θ是核函数参数。 

S325：按以下公式分别对分类结果求偏导，得到最优参数取值的参数(θ₁，…，θ_k)^T的方程： 

$\frac{\∂\frac{1}{{\mathrm{\γ}}^2}}{\∂{\mathrm{\θ}}_m}=\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{{\mathrm{\θ}}_i}{\mathrm{\α}}_{{\mathrm{\θ}}_j}{y}_i{y}_j\frac{\∂K_{\mathrm{\θ}}(x_i,x_j)}{\∂{\mathrm{\θ}}_m},m=1,...,k;$

$\frac{{\∂R}^2}{{\∂\mathrm{\θ}}_m}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\frac{\∂K(x_i,x_i)}{{\∂\mathrm{\θ}}_m}-\underset{i}{\overset{l}{\mathrm{\Σ}}}\underset{j}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\mathrm{\λ}}_j\frac{\∂K(x_i,x_j)}{{\∂\mathrm{\θ}}_m},m=1,\·\·\·,k,$

其中，θ_m是新核函数参数(m=1，…，k)，λ_i、λ_j是构造Lagrange函数求取极值的系数。 

本实施例还提供了一种利用基于MSVM脑电信号特征分类方法来控制的智能轮椅系统，包括脑电采集装置、信号处理器、无线通信模块以及智能轮椅本体； 

所述脑电采集装置，用于采集脑电信号； 

所述信号处理器，用于对采集到的脑电信号进行处理并产生用于控制智能轮椅本体的控制命令； 

所述无线通信模块，用于实现智能轮椅本体和信号处理器之间的通信； 

所述智能轮椅本体，用于接收从信号处理器传输的控制命令并驱动智能轮椅本体运动。 

所述信号处理器为MSVM的脑电信号特征分类模块，所述MSVM的脑电信号特征分类模块采用多分类支持向量机对脑电信号进行特征提取和特征分类。 

所述MSVM的脑电信号特征分类模块包括脑电信号预处理模块、小波分析模块、第一二分类支持向量机、第二二分类支持向量机、特征向量分类模块、左手运动想象信号控制命令输出模块、右手运动想象信号控制命令输出模块、眨眼信号控制命令输出模块； 

所述脑电信号预处理模块，用于获取脑电信号并对脑电信号预处理； 

所述小波分析模块，用于将通过小波分析方法来对脑电信号进行特征提取从而形成特征向量； 

所述第一二分类支持向量机，用于将判断特征向量中是否为眨眼信号并输出眨眼信号； 

所述第二二分类支持向量机，用于将区分特征向量中左手运动想象信号和右手运动想象信号并分别输出左手运动想象信号和右手运动想象信号； 

所述特征向量分类模块，用于对特征向量进行分类并输出分类信号； 

所述左手运动想象信号控制命令输出模块，用于将左手运动想象信号转换为左手运动想象信号控制命令并输出； 

所述右手运动想象信号控制命令输出模块，用于将右手运动想象信号转换为右手运动想象信号控制命令并输出； 

所述眨眼信号控制命令输出模块，用于将眨眼信号转换为眨眼信号控制命令并输出。 

所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数 σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算。 

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。 

Claims (8)

1.基于MSVM脑电信号特征分类的方法，其特征在于：包括以下步骤：

S1：获取脑电信号；

S2：采用小波分析对脑电信号进行特征提取形成特征向量并归一化特征向量；

S3：设计并训练多分类支持向量机；

S4：利用多分类支持向量机对特征向量进行分类；

S5：输出分类结果。

2.根据权利要求1所述的基于MSVM脑电信号特征分类的方法，其特征在于：所述脑电信号包括左手运动想象信号、右手运动想象信号和眨眼信号；所述多分类支持向量机包括第一二分类支持向量机和第二二分类支持向量机；所述第一二分类支持向量机，用于对特征向量中的眨眼信号进行分类；所述第二二分类支持向量机，用于对左手运动想象信号和右手运动想象信号进行分类；所述步骤S4中利用多分类支持向量机对特征向量进行分类具体包括以下步骤：

S41：将特征向量通过第一二分类支持向量机进行分类，判断特征向量是否为眨眼信号，如果是，输出眨眼信号；

S42：如果否，则通过第二二分类支持向量机进行分类，判断特征向量是否为左手运动想象信号，如果是，则输出特征向量为左手运动想象信号；

S43：如果否，则输出特征向量为右手运动想象信号。

3.根据权利要求2所述的基于MSVM脑电信号特征分类的方法，其特征在于：所述第一二分类支持向量机或第二二分类支持向量机采用基于优化惩罚因子C参数的支持向量机算法，具体步骤如下：

S31：选择样本集数据作为训练集T＝{(x₁，y₁)，…，(x_l，y_l)}∈(X×Y)^l，

其中，x_i∈X＝Rⁿ，y_i∈Y＝{-1，1}，i=1，…，l，x_i是样本输入向量，y_i是样本输出向量，l表示；

S32：通过计算如下最优化问题的解来得到一个最优分类面：

$\underset{w\∈H,b\∈R,\mathrm{\ξ}\∈R^l}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

s.t.y_i((w·x_i)+b)≥1-ξ_i，i＝1，…，l

ξ_i≥0，i=1，…，l：

其中，s.t.表示所受到的约束条件，b是最优分类面的参数，l表示维度，ξ是松弛项，H是希尔伯特空间，R是实数，R¹是实数空间；

(x_i，y_i)表示样本点；C表示惩罚参数，w是Hilbert空间中的分类面；

S33：通过构造Lagrange函数来得到如下最优化问题的对偶问题：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

0≤α_i≤C，i=1，…，l，

其中，K(x_i，x_j)表示求解LOO误差上界的凸二次规划问题中的核函数；

S34：通过求解对偶问题获得最优解

S35：根据最优解选取α^*的一个正分量

并根据正分量按以下公式计算阈值：

$b^{*}=y_i-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j),$

其中，

b^*为确定最优划分超平面的参数，K(x_i，x_j)是求解二次规划问题中所引入的核函数；

S36：根据阈值按以下公式构造决策函数：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j)+b^{*}),$

其中，f(x)表示决策函数，sgn( )表示所得到的最优的分类线的上下界限。

4.根据权利要求2所述的基于MSVM脑电信号特征分类的方法，其特征在于：所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算，具体步骤如下：

S321：选择核函数并对对偶算法变形得到新的最优化问题：

S322：对由构造Lagrange函数来得到的最优化问题的对偶问题进行变形得到如下的新核函数的最优化问题：

$\underset{\mathrm{\α}}{\min }W\left({\mathrm{\α}}^{*}\right)=\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(K(x_i,x_j)+\frac{1}{C}{\mathrm{\δ}}_{\mathrm{ij}})-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0,$

α≥0_i，i=1，…，l

其中，δ_ij为冲激函数， ${\mathrm{\δ}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0& i\≠j\\ 1& i=j\end{array}\right.,$

S323：按以下公式求解新核函数的参数(θ₁，…，θ_k)^T；

$R_{\mathrm{LOO}}\left(T\right)=\frac{1}{l}\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Φ(x_i)，i＝1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Φ(x)+b)=0的几何间隔；

S324：按以下公式求得最优的分类结果：

$\underset{\mathrm{\θ}}{\min }\frac{R^2}{{\mathrm{\γ}}^2},$

其中，R为Hilbert空间中包含{Φ(x_i)，i＝1，2，…，l}的最小超球半径，γ为训练集在Hilbert空间中关于划分分类超平面(w·Φ(x)+b)=0的几何间隔，θ是核函数参数；

S325：按以下公式分别对分类结果求偏导，得到最优参数取值的参数(θ₁，…，θ_k)^T的方程：

$\frac{\∂\frac{1}{{\mathrm{\γ}}^2}}{{\∂\mathrm{\θ}}_m}=\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{{\mathrm{\θ}}_i}{\mathrm{\α}}_{{\mathrm{\θ}}_j}{y}_i{y}_j\frac{{\∂K}_{\mathrm{\θ}}(x_i,x_j)}{{\∂\mathrm{\θ}}_m},m=1,\·\·\·,k;$

$\frac{{\∂R}^2}{{\∂\mathrm{\θ}}_m}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\frac{\∂K(x_i,x_i)}{{\∂\mathrm{\θ}}_m}-\underset{i}{\overset{l}{\mathrm{\Σ}}}\underset{j}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\mathrm{\λ}}_j\frac{\∂K(x_i,x_j)}{{\∂\mathrm{\θ}}_m},m=1,\·\·\·,k,$

其中，θ_m是新核函数参数(m=1，…，k)，λ_i、λ_j是构造Lagrange函数求取极值的系数。

5.根据权利要求1-4任一项所述的基于MSVM脑电信号特征分类方法来进行控制的智能轮椅系统，其特征在于：包括脑电采集装置、信号处理器、无线通信模块以及智能轮椅本体；

所述脑电采集装置，用于采集脑电信号；

所述信号处理器，用于对采集到的脑电信号进行处理并产生用于控制智能轮椅本体的控制命令；

所述无线通信模块，用于实现智能轮椅本体和信号处理器之间的通信；

所述智能轮椅本体，用于接收从信号处理器传输的控制命令并驱动智能轮椅本体运动。

6.根据权利要求5所述的智能轮椅系统，其特征在于：所述信号处理器为MSVM的脑电信号特征分类模块，所述MSVM的脑电信号特征分类模块采用多分类支持向量机对脑电信号进行特征提取和特征分类。

7.根据权利要求6所述的智能轮椅系统，其特征在于：所述MSVM的脑电信号特征分类模块包括脑电信号预处理模块、小波分析模块、第一二分类支持向量机、第二二分类支持向量机、特征向量分类模块、左手运动想象信号控制命令输出模块、右手运动想象信号控制命令输出模块、眨眼信号控制命令输出模块；

所述脑电信号预处理模块，用于获取脑电信号并对脑电信号预处理；

所述小波分析模块，用于将通过小波分析方法来对脑电信号进行特征提取从而形成特征向量；

所述第一二分类支持向量机，用于将判断特征向量中是否为眨眼信号并输出眨眼信号；

所述第二二分类支持向量机，用于将区分特征向量中左手运动想象信号和右手运动想象信号并分别输出左手运动想象信号和右手运动想象信号；

所述特征向量分类模块，用于对特征向量进行分类并输出分类信号；

所述左手运动想象信号控制命令输出模块，用于将左手运动想象信号转换为左手运动想象信号控制命令并输出；

所述右手运动想象信号控制命令输出模块，用于将右手运动想象信号转换为右手运动想象信号控制命令并输出；

所述眨眼信号控制命令输出模块，用于将眨眼信号转换为眨眼信号控制命令并输出。

8.根据权利要求7所述的智能轮椅系统，其特征在于：所述第一二分类支持向量机或第二二分类支持向量机中的惩罚参数C和最优核函数参数σ采用基于LOO误差上界的参数寻优方法来计算；所述惩罚参数C和最优核函数参数σ的最优参数取值是通过求解LOO误差上界的凸二次规划问题来计算。

Images