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 PDF

Info

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
Application number
CN201510339891.8A
Other languages
English (en)
Other versions
CN104899573B (zh
Inventor
黄志华
郭顺英
林苏云
文宇坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201510339891.8A priority Critical patent/CN104899573B/zh
Publication of CN104899573A publication Critical patent/CN104899573A/zh
Application granted granted Critical
Publication of CN104899573B publication Critical patent/CN104899573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于小波变换与Fisher准则的P300特征提取方法
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。
CN201510339891.8A 2015-06-18 2015-06-18 基于小波变换与Fisher准则的P300特征提取方法 Active CN104899573B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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