CN106803081A - 一种基于多分类器集成的脑电分类方法 - Google Patents

Abstract

本发明公开了一种基于多分类器集成的脑电分类方法，包括如下步骤：脑电信号采集及预处理；联合运用时域分析方法、自回归模型方法、离散小波变换方法对脑电信号进行特征提取；建立个体支持向量机分类器模型，并将支持向量机分类器的输出转换为概率输出；多分类器集成脑电模式分类，利用D‑S证据理论对3个个体支持向量机分类器的分类信息进行融合，得到最终的分类结果。实验结果表明，本发明方法能够提高运动想象脑电信号分类的准确率。

Description

一种基于多分类器集成的脑电分类方法

技术领域

本发明涉及脑电信号处理及模式识别领域，尤其涉及脑机接口中运动想象脑电信号模式分类，具体是涉及基于多分类器集成的脑电分类方法。

背景技术

脑机接口是大脑与外部设备之间进行信息传递的通讯系统，它能将使用者大脑的电位活动转换为外部设备的控制命令，从而代替肢体与语言实现与外界的交流。目前，从人体头皮采集的运动想象脑电经常被用于无创脑机接口控制。基于运动想象脑电的脑机接口主要通过对运动想象脑电的分析处理识别使用者的运动意图，进而将识别结果转换为对外部设备的控制命令。近十年来，脑机接口技术由于其在运动功能障碍患者康复训练中的良好应用前景而受到广泛关注。

模式识别是脑机接口的关键技术，包括特征提取和模式分类两个部分。在运动想象脑电特征提取方面，时域分析方法、模型参数法、时频分析方法等得到了广泛的使用，其中，离散小波变换由于其良好的时频特性在各种特征提取方法中更具有优势，而且离散小波变换提供了一种将信号分解到不同的子频带进行分析的途径。在运动想象脑电模式分类方面，基于结构风险最小化的支持向量机是一种重要的分类方法，它通过在训练集样本空间中构造一个超平面将样本分开，具有较高的分类精度和泛华性能。

目前，在脑机接口的模式识别中大多采用单一分类器，导致分类准确率难以提高，泛华性能也较差，通过集成学习方法，构建并结合多个分类器，能够获得比单一分类器更高的准确率和泛华性能。D-S证据理论在处理不确定信息方面十分有效，利用D-S证据理论能够在先验概率未知的情况下获得较好推理结果，通过D-S证据理论实现多个分类器的结合，从而提高脑机接口中模式识别的准确率，对于进一步改善脑机接口技术在康复治疗中的效果具有重要意义。

发明内容

发明目的：为提高脑机接口中运动想象脑电模式识别的准确率，本发明提供一种基于多分类器集成的脑电分类方法，首先分别采用时域分析、自回归模型和离散小波变换方法提取脑电信号特征并组成相应的特征域，然后在每个特征域下对个体支持向量机分类器进行训练，最后通过D-S证据理论对每个个体支持向量机的分类信息进行融合，得到最终的分类结果。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于多分类器集成的脑电分类方法，包括如下步骤：

步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态(仅进行左手运动想象和右手运动想象)下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；

步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；

步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；

步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。

具体的，所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。

具体的，所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。

具体的，所述步骤(2)具体包括如下步骤：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：

(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m₃和m₄、方差v₃和v₄，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam₃和fam₄、二阶差分信号的绝对均值sam₃和sam₄，则该样本的时域统计量特征为(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃对应C3导联脑电信号，m₄、v₄、fam₄和sam₄对应C4导联脑电信号；

(a2)所有样本的时域统计量特征共同构成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：

(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co₃和Co₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号(C3或C4导联脑电信号)时间序列为x(t)，对其建立自回归模型为：

其中，x(t)为该导联脑电信号时间序列，p*为自回归模型阶次，a_h为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p*根据BIC准则确定：

BIC(p)＝Nlnσ²+plnN

其中，p＝1,2,…，N为该导联脑电信号长度，σ²为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p^*处取得极小值，确定p*为自回归模型阶次；

基于自回归模型阶次p*，利用Burg算法估计自回归模型系数a_h，将Co＝(a₁，a₂，…，a_p*)作为该导联脑电信号的自回归模型特征；

(b2)该样本的自回归模型特征为(Co₃,Co₄)^T；

(b3)所有样本的自回归模型特征共同构成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域：

(c1)对某样本分别提取C3和C4导联脑电信号的离散小波变换特征So₃和So₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号(C3或C4导联脑电信号)时间序列为x(t)，对其进行离散小波变换，首先构造小波函数Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)为母小波(本发明采用Daubechies类db4母小波)，k为Ψ_j,k(t)纵坐标方向的平移量，j为Ψ_j,k(t)的分解层数，2^-j表示为尺度参数；

对x(t)进行3层频谱分解，得到离散小波变换系数C_j,k：

其中，为Ψ_j,k(t)的共轭；

基于上式得到离散小波变换系数C_j,k后，提取第2和3层系数并按照下式对x(t)进行重构：

重构信号x₁(t)和x₂(t)分别对应脑功能频带beta(16～32Hz)和alpha(8～16Hz)频段的信号；计算x₁(t)的均值m_a、方差v_a和能量E_a，计算x₂(t)的均值m_b、方差v_b和能量E_b，得到该导联脑电信号的离散小波变换特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)该样本的离散小波变换特征为(So₃,So₄)^T；

(c3)所有样本的离散小波变换特征共同构成离散小波变换特征域。

具体的，所述步骤(3)中，三种特征域下的支持向量机的训练过程相同，具体如下：

将某特征域(统计量特征域、自回归模型特征域或离散小波变换特征域)下所有特征进行0-1归一化，将归一化后的特征作为支持向量机的输入，对支持向量机进行训练，然后根据下式将支持向量机的输出转换为概率输出：

其中，x_i表示训练样本i，y_i表示训练样本i所属类别，A*为尺度参数A的最优值，B*为位置参数B的最优值，f(x_i)为支持向量机的决策函数；A和B为未知参数，A和B的最优值A*和B*通过如下目标函数估计得到：

其中，M为训练样本的数量，y_i＝+1表示训练样本i属于想象左手运动信号类，y_i＝-1表示训练样本i属于想象右手运动信号类。

具体的，所述步骤(4)中，利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，融合公式为：

其中，n为特征域的数量，包括统计量特征域、自回归模型特征域和离散小波变换特征域三个；D_j为信号类别，包括想象左手运动信号类、想象右手运动信号类和未知信号类三种；r_i(D_j)表示测试样本在第i个特征域下属于类别D_j的概率，K为冲突因子；W_m为三个特征域融合后的信号类别，包括想象左手运动信号类和想象右手运动信号类；r(W_m)表示三个特征域融合后测试样本属于类别W_m的概率；

通过融合公式对个体支持向量机的分类信息进行融合，得到测试样本属于想象左手类别的概率值r(W₁)和测试样本属于想象右手类别的概率值r(W₂)，比较r(W₁)与r(W₂)的大小，其中概率值大的类别即为测试样本最终的类别。

有益效果：本发明提供的基于多分类器集成的脑电分类方法，相对于现有技术，具有如下优势：1、本发明方法联合运用时域分析方法、自回归模型方法和离散小波变换方法提取脑电信号特征，提取到的分类信息更全面；2、本发明利用D-S证据理论融合多个个体支持向量机分类器的分类信息，大大提高了分类的准确率。

附图说明

图1为本发明的设计原理框图；

图2为本发明中采用国际10-20系统标准放置的脑电导联示意图；

图3为基于本发明的单次实验过程时序图；

图4为受试者想象左手运动脑电信号及重构后的beta和alpha频段波形图；

图5为受试者想象右手运动脑电信号及重构后的beta和alpha频段波形图；

图6为受试者在单个特征域下以及采用本发明方法的分类准确率对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于多分类器集成的脑电分类方法，对具体实施过程加以说明。

步骤一：脑电信号采集及预处理

多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集。

通过多通道采集器上的电极导联C3、Cz和C4采集运动想象脑电信号，脑电电极采用国际10-20系统标准放置，如图2所示，采样频率为128Hz；由于Cz通道的脑电信号与想象左右手运动无关，所以一次采集的样本只记录C3和C4导联的脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。每次运动想象实验持续9s，实验开始前，受试者休息10s，实验开始后，前2s受试者处于安静状态，不做任何思维想象，在第2秒时计算机发出由低到高的提示音，计算机屏幕中央出现“+”图像，第3秒时屏幕出现向左或向右的箭头，提示受试者想象用左(右)手按箭头指向移动，单次实验过程如图3所示。一共对4名受试者进行信号采集，其中受试者Ⅰ共采集280组样本，受试者Ⅱ和受试者Ⅲ共采集1080组样本，受试者Ⅳ共采集640组样本，对每位受试者的样本随机抽取半数作为训练样本集，剩余样本作为测试样本集，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本，其中训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1，测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比得到分类准确率。

步骤二：脑电信号特征提取

对步骤1预处理后的每一个样本进行如下处理：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：

(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m₃和m₄、方差v₃和v₄，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam₃和fam₄、二阶差分信号的绝对均值sam₃和sam₄，则该样本的时域统计量特征为(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃对应C3导联脑电信号，m₄、v₄、fam₄和sam₄对应C4导联脑电信号；

(a2)所有样本的时域统计量特征共同构成统计量特征域。

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：

(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co₃和Co₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其建立自回归模型为：

其中，x(t)为该导联脑电信号时间序列，p*为自回归模型阶次，a_h为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p*根据BIC准则确定：

BIC(p)＝Nlnσ²+plnN

其中，p＝1,2,…，N为该导联脑电信号长度，σ²为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p*处取得极小值，确定p*为自回归模型阶次；

基于自回归模型阶次p*，利用Burg算法估计自回归模型系数a_h，将Co＝(a₁，a₂，…，a_p*)作为该导联脑电信号的自回归模型特征；

(b2)该样本的自回归模型特征为(Co₃,Co₄)^T；

(b3)所有样本的自回归模型特征共同构成自回归模型特征域。

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域：

(c1)对某样本分别提取C3和C4导联脑电信号的离散小波变换特征So₃和So₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其进行离散小波变换，首先构造小波函数Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)为母小波，k为Ψ_j,k(t)纵坐标方向的平移量，j为Ψ_j,k(t)的分解层数，2^-j表示为尺度参数；

对x(t)进行3层频谱分解，得到离散小波变换系数C_j,k：

其中，为Ψ_j,k(t)的共轭；

基于上式得到离散小波变换系数C_j,k后，提取第2和3层系数并按照下式对x(t)进行重构：

重构信号x₁(t)和x₂(t)分别对应脑功能频带beta和alpha频段的信号；计算x₁(t)的均值m_a、方差v_a和能量E_a，计算x₂(t)的均值m_b、方差v_b和能量E_b，得到该导联脑电信号的离散小波变换特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)该样本的离散小波变换特征为(So₃,So₄)^T；

(c3)所有样本的离散小波变换特征共同构成离散小波变换特征域。

步骤三：建立个体支持向量机分类器模型

针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器。三种特征域下的支持向量机的训练过程相同，具体如下：

将某特征域下所有特征进行0-1归一化，将归一化后的特征作为支持向量机的输入，对支持向量机进行训练，然后根据下式将支持向量机的输出转换为概率输出：

其中，x_i表示训练样本i，y_i表示训练样本i所属类别，A*为尺度参数A的最优值，B*为位置参数B的最优值，f(x_i)为支持向量机的决策函数；A和B为未知参数，A和B的最优值A*和B*通过如下目标函数估计得到：

其中，M为训练样本的数量，y_i＝+1表示训练样本i属于想象左手运动信号类，y_i＝-1表示训练样本i属于想象右手运动信号类。

步骤四：多分类器集成脑电模式分类

针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。融合公式为：

其中，n为特征域的数量，包括统计量特征域、自回归模型特征域和离散小波变换特征域三个；D_j为信号类别，包括想象左手运动信号类、想象右手运动信号类和未知信号类三种；r_i(D_j)表示测试样本在第i个特征域下属于类别D_j的概率，K为冲突因子；W_m为三个特征域融合后的信号类别，包括想象左手运动信号类和想象右手运动信号类；r(W_m)表示三个特征域融合后测试样本属于类别W_m的概率；

通过融合公式对个体支持向量机的分类信息进行融合，得到测试样本属于想象左手类别的概率值r(W₁)和测试样本属于想象右手类别的概率值r(W₂)，比较r(W₁)与r(W₂)的大小，其中概率值大的类别即为测试样本最终的类别。

图4和图5分别为受试者想象左手运动、想象右手运动脑电信号的原始信号时域波形，以及经过离散小波变换重构后得到的alpha和beta频段的时域波形(左侧是C3通道的脑电信号，右侧是C4通道的脑电信号)。

图6为4位受试者的运动想象脑电分类结果对比图。从中可以得到，在所有受试者中，本发明的方法获得的分类准确率最高，有助于提高脑机接口中模式识别的准确率，改善利用脑机接口对患者进行康复治疗的效果。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于多分类器集成的脑电分类方法，其特征在于：包括如下步骤：

步骤(1)脑电信号采集及预处理：多次采集受试者运动想象动作模态下的脑电信号，并对每一次采集的脑电信号进行带通滤波处理以形成一个样本，从所有的样本中随机抽取半数样本作为训练样本集，剩余的半数样本作为测试样本集；

步骤(2)脑电信号特征提取：对步骤1预处理后的每一个样本进行如下处理：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域；

步骤(3)建立个体支持向量机分类器模型：针对训练样本集，在每个特征域下分别对支持向量机进行训练，并将支持向量机的输出转换为概率输出，得到三个个体支持向量机分类器；

步骤(4)多分类器集成脑电模式分类：针对测试样本集中的每个样本，先将相应的特征输入到对应的个体支持向量机分类器内，得到每个个体支持向量机分类器的分类信息，然后利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，得到该样本最终的分类结果。

2.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，脑电电极基于国际10-20系统标准放置，通过电极帽将电极与头皮相连，采样频率为128Hz，一次采集的脑电信号同时包含C3和C4导联脑电信号，并用巴特沃斯三阶带通滤波器对脑电信号进行滤波处理，带通滤波频段为0.5～30Hz。

3.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(1)中，训练样本集和测试样本集中均包含想象左手运动信号和想象右手运动信号两类样本；训练样本集类别标签已知，想象左手运动信号标记为1，想象右手运动信号标记为-1；测试样本集类别标签需要预测，将预测结果和真实类别标签进行对比即可得到分类准确率。

4.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(2)具体包括如下步骤：

(a)采用时域分析方法，提取样本的时域统计量特征，组成统计量特征域：

(a1)对某个样本，分别计算C3和C4导联脑电信号的均值m₃和m₄、方差v₃和v₄，进而对C3和C4导联脑电信号进行一阶差分和二阶差分，分别计算一阶差分信号的绝对均值fam₃和fam₄、二阶差分信号的绝对均值sam₃和sam₄，则该样本的时域统计量特征为(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃对应C3导联脑电信号，m₄、v₄、fam₄和sam₄对应C4导联脑电信号；

(a2)所有样本的时域统计量特征共同构成统计量特征域；

(b)采用自回归模型方法，提取样本的自回归模型特征，组成自回归模型特征域：

(b1)对某样本分别提取C3和C4导联脑电信号的自回归模型特征Co₃和Co₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其建立自回归模型为：

$x\left(t\right)=-\underset{h=1}{\overset{p*}{\Σ}}{a}_{h}x(t-h)+u\left(t\right)$

其中，x(t)为该导联脑电信号时间序列，p^*为自回归模型阶次，a_h为自回归模型系数，u(t)为高斯白噪声序列；自回归模型阶次p^*根据BIC准则确定：

BIC(p)＝N lnσ²+p ln N

其中，p＝1,2,…，N为该导联脑电信号长度，σ²为自回归模型残差；当p由1开始递增时，BIC(p)将在p＝p^*处取得极小值，确定p^*为自回归模型阶次；

基于自回归模型阶次p^*，利用Burg算法估计自回归模型系数a_h，将作为该导联脑电信号的自回归模型特征；

(b2)该样本的自回归模型特征为(Co₃,Co₄)^T；

(b3)所有样本的自回归模型特征共同构成自回归模型特征域；

(c)采用离散小波变换方法，对样本进行分解与重构，提取重构信号的均值、方差和能量特征，组成离散小波变换特征域：

(c1)对某样本分别提取C3和C4导联脑电信号的离散小波变换特征So₃和So₄，提取方法相同，具体为：设该样本经预处理后的某导联脑电信号时间序列为x(t)，对其进行离散小波变换，首先构造小波函数Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)为母小波，k为Ψ_j,k(t)纵坐标方向的平移量，j为Ψ_j,k(t)的分解层数，2^-j表示为尺度参数；

对x(t)进行3层频谱分解，得到离散小波变换系数C_j,k：

$C_{j,k}={\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}x\left(t\right){\mathrm{\Ψ}}_{j,k}^{*}\left(t\right)dt$

其中，为Ψ_j,k(t)的共轭；

基于上式得到离散小波变换系数C_j,k后，提取第2和3层系数并按照下式对x(t)进行重构：

$x_{j-1}\left(t\right)=\underset{-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}\underset{-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{C}_{j,k}{\mathrm{\Ψ}}_{j,k}\left(t\right),j=2,3$

重构信号x₁(t)和x₂(t)分别对应脑功能频带beta和alpha频段的信号；计算x₁(t)的均值m_a、方差v_a和能量E_a，计算x₂(t)的均值m_b、方差v_b和能量E_b，得到该导联脑电信号的离散小波变换特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)该样本的离散小波变换特征为(So₃,So₄)^T；

(c3)所有样本的离散小波变换特征共同构成离散小波变换特征域。

5.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(3)中，三种特征域下的支持向量机的训练过程相同，具体如下：

将某特征域下所有特征进行0-1归一化，将归一化后的特征作为支持向量机的输入，对支持向量机进行训练，然后根据下式将支持向量机的输出转换为概率输出：

$\mathrm{Pr}(y_i=1|x_i)=\frac{1}{1+\exp (A*f(x_i)+B*)}$

其中，x_i表示训练样本i，y_i表示训练样本i所属类别，A*为尺度参数A的最优值，B*为位置参数B的最优值，f(x_i)为支持向量机的决策函数；A和B为未知参数，A和B的最优值A*和B*通过如下目标函数估计得到：

$\underset{Z=(A*,B*)}{min}F\left(Z\right)=-\underset{i=1}{\overset{M}{\Σ}}\[T_{i}log\left(q_i\right)+(1-T_i)log(1-q_i)\]$

$q_i=\frac{1}{1+\exp \left(Af\right(x_i)+B)}$

$T_i=\left\{\begin{array}{cc}\frac{y_i+1}{y_i+2}& (y_i=+1,i=1,2,\mathrm{...},M)\\ \frac{1}{y_i+2}& (y_i=-1,i=1,2,\mathrm{...},M)\end{array}\right.$

其中，M为训练样本的数量，y_i＝+1表示训练样本i属于想象左手运动信号类，y_i＝-1表示训练样本i属于想象右手运动信号类。

6.根据权利要求1所述的基于多分类器集成的脑电分类方法，其特征在于：所述步骤(4)中，利用D-S证据理论对三个个体支持向量机分类器的分类信息进行融合，融合公式为：

其中，n为特征域的数量，包括统计量特征域、自回归模型特征域和离散小波变换特征域三个；D_j为信号类别，包括想象左手运动信号类、想象右手运动信号类和未知信号类三种；r_i(D_j)表示测试样本在第i个特征域下属于类别D_j的概率，K为冲突因子；W_m为三个特征域融合后的信号类别，包括想象左手运动信号类和想象右手运动信号类；r(W_m)表示三个特征域融合后测试样本属于类别W_m的概率；

通过融合公式对个体支持向量机的分类信息进行融合，得到测试样本属于想象左手类别的概率值r(W₁)和测试样本属于想象右手类别的概率值r(W₂)，比较r(W₁)与r(W₂)的大小，其中概率值大的类别即为测试样本最终的类别。