CN104899573A - 基于小波变换与Fisher准则的P300特征提取方法 - Google Patents
基于小波变换与Fisher准则的P300特征提取方法 Download PDFInfo
- Publication number
- CN104899573A CN104899573A CN201510339891.8A CN201510339891A CN104899573A CN 104899573 A CN104899573 A CN 104899573A CN 201510339891 A CN201510339891 A CN 201510339891A CN 104899573 A CN104899573 A CN 104899573A
- Authority
- CN
- China
- Prior art keywords
- matrix
- wavelet
- data segment
- fisher criterion
- vector
- 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.)
- Granted
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Complex Calculations (AREA)
Abstract
本发明以小波变换与Fisher准则相结合为基础提供了一种针对P300 Speller脑机接口的脑电信号特征提取方法。主要包括以下步骤:根据用户指定的小波函数及小波分解层数,为特定长度的EEG数据段构造小波变换矩阵;利用小波变换矩阵,将EEG数据段映射到小波域,在小波域中利用Fisher准则寻找使得不同类别数据区分度最大的投影轴;利用投影轴从小波变换矩阵中抽取若干行构成特征提取矩阵;每个通道的特征提取矩阵把对应的EEG数据段映射为特征向量;每次刺激在各通道上的特征向量被拼接为一个特征向量。该方法为每次刺激对应的EEG数据段计算特征向量,在满足准确率要求的前提下,能减少刺激重复次数,从而提高字符传输速率。
Description
技术领域
本发明属于认知神经科学领域与信息技术领域的结合应用,涉及一种事件相关电位P300特征提取方法,具体是基于小波变换与Fisher准则的P300特征提取方法。
背景技术
脑机接口是一种为运动功能缺失而脑功能完好的患者,提供与外界交流的新路径。P300 Speller是脑机接口的一种方式,其功能是通过分析用户的脑电信号,识别出其所希望输出的字符,从而帮助用户与外界交流。目前在P300 Speller中使用的特征提取方法为:对从各通道提取出的EEG数据段做下采样,得到的即作为特征。这种特征提取方法存在特征不明确的问题,从而影响到分类器效果,为了保证其准确率,通常需要较多次刺激重复,一般为15次,存在的问题是,一方面被试易感到疲劳,另一方面输出一个字符需要较多时间,从而降低了字符传输速率。
由于P300成分主要存在于低频部分,目前已发表的利用小波变换的一些论文,一般是对脑电数据进行多层小波变换。例如在论文《Off-line analysis of the P300 event-related potential using discrete wavelet transform》中对脑电数据进行6层离散小波变换,将得到小波系数的近似部分作为特征。或是对脑电信号去噪再重构信号,提取特征。但是两者的实用性都不高。
发明内容
为解决了现有技术中脑电信号特征提取不明确、实用性不高的缺陷,本发明提供一种基于小波变换与Fisher准则相结合的P300特征提取方法,该方法通过提取恰当特征,使分类器的效果得到提升,在满足准确率要求的前提下,能够达到减少刺激重复次数、提高字符传输速率的目的。
本发明采用以下技术方案实现:一种基于小波变换与Fisher准则的P300特征提取方法,其特征在于,包括以下步骤:步骤S1:对EEG数据经过预处理后,根据用户设定的传输通道,提取每个刺激后长度为 的数据段,记为向量e;把给定小波所对应的低通滤波器记为向量h,其长度为;设置相关参数:小波分解层数L、单通道特征个数r;步骤S2:根据L、、和h确定矩阵W;步骤S3:把所有的e延拓为n维向量,仍用e表示;步骤S4:根据Fisher准则,由W和r为每个通道分别确定一个矩阵M;步骤S5:对所有EEG数据段e按通道求特征向量:,v为r维向量;步骤S6:将各传输通道得到的特征向量拼接构成总特征向量。
进一步的,所述步骤S2包括以下具体步骤:步骤S21:k=1,,;初始化Wimg-format="jpg"img-content="drawing"orientation="portrait"inline="no"/>: ,先令 , , ,再令,,;步骤S22:若k等于L,则输出W;否则进入下一步;步骤S23: ,, m=p;步骤S24:把W延拓为矩阵,仍记为W;步骤S25:生成矩阵A: ,先令 ,,,再令,,;步骤S26:用更新W,k=k+1,返回步骤S22。
在本发明一实施例中,步骤S4包括以下具体步骤:步骤S41:把该通道的所有e分为目标组G+和非目标组G-,其中G+中的N+个e为目标刺激对应的数据段,G-中的N-个e为非目标刺激对应的数据段;步骤S42:利用公式把所有的e转化为d,相应地,d分属于G+和G-;步骤S43:计算 ,,,, , , 为m维向量;步骤S44:将按绝对值由大到小排序,得到,其中,表示中各元素的原位置;步骤S45:根据设定的单通道特征个数r,取出W的第,,,行,构成特征提取矩阵M,其中。
与现有技术相比,本发明具有以下优点:结合了小波变换与Fisher准则两种方法来确定特征。通过利用小波变换,将原始EEG数据映射到小波域上,在小波域上应用Fisher准则寻找能将两类数据很好地区分开的投影轴,并只取两类差异最大的r维投影空间,作为最终特征空间,从而实现了对高维特征空间的降维,此外所得到的特征空间,是能明显表现出两类数据的差别,有利于分类器性能的提高,减少刺激重复次数,提高字符传输速率。并且通过小波变换矩阵来为每个传输通道构造对应特征提取矩阵,采用特征提取矩阵求各通道特征,具有在线运算速度快的优点,使本发明能够适于实际应用。
附图说明
图1为本发明的主要步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
本发明提供一种基于小波变换与Fisher准则的P300特征提取方法,用于P300 Speller特征提取,对每个刺激对应的EEG数据段提取恰当特征,提高准确率,减少刺激重复次数,提高字符传输速率。
本发明的主要步骤流程图参见图1。该方法包括以下步骤:
步骤S1:对EEG数据经过预处理后,根据用户设定的传输通道,提取每个刺激后长度为的数据段,记为向量e;把给定小波所对应的低通滤波器记为向量h,其长度为;设置相关参数:小波分解层数L、单通道特征个数r;
步骤S2:根据L、、和h确定矩阵W;
步骤S3:把所有的e延拓为n维向量,仍用e表示;
步骤S4:根据Fisher准则,由W和r为每个通道分别确定一个矩阵M;
步骤S5:对所有EEG数据段e按通道求特征向量:,v为r维向量;
步骤S6:将各传输通道得到的特征向量拼接构成总特征向量。
进一步的,步骤S2包括以下具体步骤:
步骤S21:k=1, ,;初始化W
,先令 , , ,
再令,,;
步骤S22:若k等于L,则输出W;否则进入下一步;
步骤S23: ,,m=p;
步骤S24:把W延拓为矩阵,仍记为W;
步骤S25:生成矩阵A
,先令 ,,,
再令,,;
步骤S26:用更新W,k=k+1,返回步骤S22。
在本发明一实施例中步骤S4包括以下具体步骤:
步骤S41:把该通道的所有e分为目标组G+和非目标组G-,其中G+中的N+个e为目标刺激对应的数据段,G-中的N-个e为非目标刺激对应的数据段;
步骤S42:利用公式把所有的e转化为d,相应地,d分属于G+和G-;
步骤S43:计算 ,,,, , , 为m维向量;
步骤S44:将按绝对值由大到小排序,得到,其中,表示中各元素的原位置;
步骤S45:根据设定的单通道特征个数r,取出W的第,,,行,构成特征提取矩阵M,其中。
在本发明一实施例中,选择小波为“db4”小波,即可确定对应的低通滤波器h及其长度,对参数L、、r可按如下设定:L=4,=800,r=15。
以上仅为本发明的较佳实施方式,不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于小波变换与Fisher准则的P300特征提取方法,其特征在于,包括以下步骤:
步骤S1:对EEG数据经过预处理后,根据用户设定的传输通道,提取每个刺激后长度为 的数据段,记为向量e;把给定小波所对应的低通滤波器记为向量h,其长度为;设置相关参数:小波分解层数L、单通道特征个数r;
步骤S2:根据L、、和h确定 矩阵W;
步骤S3:把所有的e延拓为n维向量,仍用e表示;
步骤S4:根据Fisher准则,由W和r为每个通道分别确定一个矩阵M;
步骤S5:对所有EEG数据段e按通道求特征向量:,v为r维向量;
步骤S6:将各传输通道得到的特征向量拼接构成总特征向量。
2.根据权利要求1所述的基于小波变换与Fisher准则的P300特征提取方法,其特征在于:所述步骤S2包括以下具体步骤:
步骤S21:k=1, ,;初始化W:
,先令 , , ,
再令,,;
步骤S22:若k等于L,则输出W;否则进入下一步;
步骤S23: ,, m=p;
步骤S24:把W延拓为矩阵,仍记为W;
步骤S25:生成矩阵A: ,先令 ,,,
再令,,;
步骤S26:用更新W,k=k+1,返回步骤S22。
3.根据权利要求1所述的基于小波变换与Fisher准则的P300特征提取方法,其特征在于:步骤S4包括以下具体步骤:
步骤S41:把该通道的所有e分为目标组G+和非目标组G-,其中G+中的N+个e为目标刺激对应的数据段,G-中的N-个e为非目标刺激对应的数据段;
步骤S42:利用公式把所有的e转化为d,相应地,d分属于G+和G-;
步骤S43:计算 ,,,
, , , 为m维向量;
步骤S44:将按绝对值由大到小排序,得到,其中,表示中各元素的原位置;
步骤S45:根据设定的单通道特征个数r,取出W的第,,,行,构成特征提取矩阵M,其中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510339891.8A CN104899573B (zh) | 2015-06-18 | 2015-06-18 | 基于小波变换与Fisher准则的P300特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510339891.8A CN104899573B (zh) | 2015-06-18 | 2015-06-18 | 基于小波变换与Fisher准则的P300特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899573A true CN104899573A (zh) | 2015-09-09 |
CN104899573B CN104899573B (zh) | 2018-06-15 |
Family
ID=54032227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510339891.8A Active CN104899573B (zh) | 2015-06-18 | 2015-06-18 | 基于小波变换与Fisher准则的P300特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899573B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN109144277A (zh) * | 2018-10-19 | 2019-01-04 | 东南大学 | 一种基于机器学习实现脑控智能小车的构建方法 |
CN110495879A (zh) * | 2019-07-30 | 2019-11-26 | 福建亿能达信息技术股份有限公司 | 基于信息增益的脑电波形时频特征提取方法 |
CN111913582A (zh) * | 2020-08-18 | 2020-11-10 | 福州大学 | P300脑机接口Chekerboard刺激序列生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391129A (zh) * | 2008-07-21 | 2009-03-25 | 天津大学 | 基于p300信号脑机接口智能化上肢康复训练器及信号处理方法 |
CN101833669A (zh) * | 2010-05-13 | 2010-09-15 | 天津大学 | 视听联合刺激产生事件相关电位的特征提取方法 |
US20110034821A1 (en) * | 2009-08-10 | 2011-02-10 | Frank Edughom Ekpar | Increasing the information transfer rate of brain-computer interfaces |
-
2015
- 2015-06-18 CN CN201510339891.8A patent/CN104899573B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391129A (zh) * | 2008-07-21 | 2009-03-25 | 天津大学 | 基于p300信号脑机接口智能化上肢康复训练器及信号处理方法 |
US20110034821A1 (en) * | 2009-08-10 | 2011-02-10 | Frank Edughom Ekpar | Increasing the information transfer rate of brain-computer interfaces |
CN101833669A (zh) * | 2010-05-13 | 2010-09-15 | 天津大学 | 视听联合刺激产生事件相关电位的特征提取方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN105718953B (zh) * | 2016-01-25 | 2019-07-05 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN109144277A (zh) * | 2018-10-19 | 2019-01-04 | 东南大学 | 一种基于机器学习实现脑控智能小车的构建方法 |
CN109144277B (zh) * | 2018-10-19 | 2021-04-27 | 东南大学 | 一种基于机器学习实现脑控智能小车的构建方法 |
CN110495879A (zh) * | 2019-07-30 | 2019-11-26 | 福建亿能达信息技术股份有限公司 | 基于信息增益的脑电波形时频特征提取方法 |
CN110495879B (zh) * | 2019-07-30 | 2021-11-09 | 福建亿能达信息技术股份有限公司 | 基于信息增益的脑电波形时频特征提取方法 |
CN111913582A (zh) * | 2020-08-18 | 2020-11-10 | 福州大学 | P300脑机接口Chekerboard刺激序列生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104899573B (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062250B (zh) | 基于深度特征学习的多受试者运动想象脑电信号识别方法 | |
Zhang et al. | Sub-band target alignment common spatial pattern in brain-computer interface | |
CN104899573A (zh) | 基于小波变换与Fisher准则的P300特征提取方法 | |
Suk et al. | Subject and class specific frequency bands selection for multiclass motor imagery classification | |
Chen et al. | Phase space reconstruction for improving the classification of single trial EEG | |
CN111178408B (zh) | 基于联邦随机森林学习的健康监护模型构建方法、系统 | |
Billinger et al. | Single-trial connectivity estimation for classification of motor imagery data | |
Samanta et al. | Cross-subject motor imagery tasks EEG signal classification employing multiplex weighted visibility graph and deep feature extraction | |
WO2019144776A1 (zh) | 一种基于非对称脑电特征的脑-机接口系统编解码方法 | |
CN107007278A (zh) | 基于多参数特征融合的自动睡眠分期方法 | |
CN103793058A (zh) | 一种主动式脑机交互系统运动想象任务分类方法及装置 | |
CN106295675B (zh) | 一种高准确性的基于智能手机的行为识别方法 | |
CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
CN103886235B (zh) | 一种正面人脸图像生物密钥生成方法 | |
CN103976740A (zh) | 一种面向网络环境的脑电信号身份识别系统及识别方法 | |
Gao et al. | Multi-ganglion ANN based feature learning with application to P300-BCI signal classification | |
CN112370017B (zh) | 脑电信号分类模型的训练方法和装置、以及电子设备 | |
CN105550705A (zh) | 一种基于改进自训练学习的脑电信号识别方法 | |
CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
Tan et al. | Spatial and spectral features fusion for EEG classification during motor imagery in BCI | |
Chen et al. | FB-CGANet: filter bank channel group attention network for multi-class motor imagery classification | |
Yao et al. | Information-preserving feature filter for short-term EEG signals | |
Parashiva et al. | A new channel selection method using autoencoder for motor imagery based brain computer interface | |
Guo et al. | Feature extraction of P300s in EEG signal with discrete wavelet transform and fisher criterion | |
Liu et al. | Distinguishable spatial-spectral feature learning neural network framework for motor imagery-based brain–computer interface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |