CN108038429A - 一种运动执行的单次脑电特征提取分类方法 - Google Patents

Abstract

一种运动执行的单次脑电特征提取分类方法，该方法将多元经验模态分解算法和共同空间模式算法进行结合，对运动执行的单次脑电进行处理，提取出表征不同运动意图的脑电信号特征后，对提取的脑电信号特征进行分类，得出单次运动执行脑电所表征的运动执行类别，本方法能够解决现有多分类运动执行任务分类正确率较低的问题，通过结合多元经验模态分解和共同空间模式，有效提高多任务脑电信号的识别率，降低了运算过程的复杂度。

Description

一种运动执行的单次脑电特征提取分类方法

技术领域

本发明属于脑电信号识别控制技术领域，特别涉及一种运动执行的单次脑电特征提取分类方法，基于多元经验模态分解和共同空间模式的运动执行单次脑电分类方法，用于不同运动执行的脑电信号模式识别研究。

背景技术

大脑是人体最重要的生理器官，通过指导神经肌肉来使人体进行一系列行为活动。但是，不少疾病能降低甚至阻隔大脑与神经之间的传递功能，致使人体丧失肌肉活动能力。研究表明，人脑在结构和功能上具有可塑性，早期正确的康复训练能促进脑神经修复，减少神经元死亡，改善患者的运动功能。因此，利用脑损伤患者康复训练过程中的脑电信号来准确提取患者主动意识特征，并对不同的运动意图进行模式识别分类研究，之后根据该运动意图对患者进行主动康复训练，对于促进患者的运动功能康复具有重要的理论意义和应用价值。

一种典型的手部动作模式识别算法主要包括两个阶段：特征提取和分类。在特征提取的过程中，如何将不同信号的隐含信息转化为特征明显、区分度高的信号，直接关系到分类识别的结果。使用不同的特征提取算法，可以得到不同的分类正确率。目前，用于脑电信号特征提取的算法主要包括时域、频域和时频分析方法，其中共同空间模式凭借其可以有效提高信噪比、不需人工干预的优点得到了广泛应用，但是CSP是基于二阶统计量的，对信号野值点比较敏感，这些野值点会影响协方差矩阵的计算，从而使得投影矩阵的方向发生偏转，进而导致特征的可分性降低。多元经验模态分解是近些年来发展起来的一种非平稳信号的分解方法，已经有学者将其与CSP结合起来用于脑电信号的特征提取，但是这种算法只选择了特定频段的2-3个MIMF分量对信号进行重构，并不包含全频段的脑电信息，因此分类正确率仍然不高。

发明内容

针对现有的多类运动执行任务分类正确率较低等问题，本发明的目的是提供一种运动执行的单次脑电特征提取分类方法，基于多元经验模态分解和共同空间模式的运动执行单次脑电信号分类方法，CSP算法可以从空间角度提取多通道信号的特征，有效提高信号的信噪比；MEMD方法可以将非线性非平稳的脑电信号分解为多个平稳的本征模态函数，实现非平稳信号的平稳化处理，将两种方法结合起来用于脑电信号的特征提取，可以有效提高多任务脑电信号的识别率。

为达到上述目的，本发明提供如下技术方案：

一种运动执行的单次脑电特征提取分类方法，包括以下步骤：

步骤一：获取多通道运动执行脑电信号并对脑电信号进行预处理；

步骤二：分别对每组脑电信号X(t)进行MEMD分解；脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的n通道信号，各通道信号都处于同一频段内；

步骤三：通过一对多CSP算法构造K分类的空间滤波器W₁,W₂,...,W_K，通过脑电信号在空间滤波器中的滤波效果得出不同运动执行所对应空间滤波器下的特征向量，进而通过对特征向量进行对数运算，减少特征维数，同时可以进一步增强不同运动执行的特征间差异；

步骤四：采用PCA特征降维的方法将得到特征进行组合，在减少特征向量维数的基础上，最大程度地保留特征间的差异。

步骤五：利用一对多的支持向量机分类算法，对多类任务的脑电信号进行分类识别，根据各个分类器输出的决策值大小确定每个测试样本的唯一属性。

所述步骤一中获取多通道运动执行脑电信号，脑电信号为K分类，n通道运动执行脑电信号，采集时长为t，采集组数为l。

所述步骤一中对脑电信号进行预处理包括带通滤波处理和陷波处理，用于进行带通滤波步骤的带通滤波器的截止频率为1-100HZ；用于进行陷波处理的陷波滤波器的陷波频率为50HZ。

所述步骤二中采用MEMD分解将采集的脑电信号分解为m个频率由高到低排列的MIMF分量的分解过程为：

(1)设每组单次脑电信号都可以表示为X(t)＝{x₁(t),x₂(t),...,x_n(t)}，其中n表示脑电信号的通道数，t表示每组动作的时间长度。

(2)使用Hammersley序列采样法，在(n-1)维球面上选择一个合适的点集，产生一组方向向量集其中为对应的方向角；

(3)求出原始信号X(t)沿每一个方向向量投影得到的投影信号对于K个方向向量，可以得到投影集

(4)找到投影集中的各个投影信号的极大值和极小值，令其对应的时间为

(5)以为插值节点，使用样条插值函数得到K个包络

(6)计算K个方向上得到的n元包络的均值

(7)c_i(t)＝X(t)-m(t)，若c_i(t)满足MIMF的判定条件，则其为X(t)的一个MIMF分量，若不满足，则令X(t)＝c_i(t)，继续重复步骤(2)-(6)；若找到一个MIMF分量，则令X(t)＝X(t)-c_i(t)，重复步骤(2)-(6)，继续分解出信号的其他MIMF分量，当信号中的MIMF分量被全部分解出之后，不包含MIMF分量的剩余信号被称为信号的残余函数r(t)。

所述步骤(7)中所述的判定条件为：

其中，M(t)为信号均值，为偏差函数，γ为阈值，可以根据信号类型进行设定，当的值小于某个阈值时，可以判定其为MIMF。

判定残余函数r(t)的方法为：当各个投影信号的极值点个数为2或3时，信号接近单调，可以认为信号不再含有MIMF分量，分解结束。

经过一系列的MEMD分解，原始信号X(t)可以由m个MIMF分量和残余函数r(t)之和来表示，即：

所述步骤三中的空间滤波器的构造流程为：

设E_i(i＝1,2,...,k)分别是需要进行分类的K类运动执行脑电信号的样本矩阵，其对应的协方差矩阵C_i分别为：

计算K类运动执行脑电信号所有样本矩阵的协方差矩阵，然后求其平均值：

由此可以得到K类运动执行脑电信号的协方差矩阵。

以类别1的空间滤波器为例，将类别1视为一类，其余的K-1类划归为一类，转化为二分类的协方差矩阵：

则组合协方差矩阵C为:

设B为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝BλB^T (8)

定义白化矩阵P为:

P＝λ^-1/2B^T (9)

则矩阵PCP^T的特征值为1，同时由式(7)，对和进行白化转换：

对S₁、S₂做特征分解可得：

S₁＝D₁λ₁D₁ ^T (12)

可以证明S₁、S₂共享相同的特征向量，即D₁＝D₂＝D，其特征值对角矩阵相加为单位对角阵，即λ₁+λ₂＝I。

将特征值由大到小排列，提取λ₁的最大的三个特征值对应的特征向量D₊₁来构建第一类动作的空间滤波器W₊₁，提取λ₂的最大的三个特征值对应的特征向量D_-1来构建第二类动作的空间滤波器W_-1：

W₊₁＝D₊₁P (14)

W_-1＝D_-1P (15)

则第一类动作对应的空间滤波器可以表示为：

W₁＝[W₊₁,W_-1] (16)

原信号E_i通过空间滤波器投影就可以得到新的特征信号Z_i：

Z_i＝W₁E_i (17)

对数运算的计算过程为：

P_i＝log(var(Z_i)) (18)。

所述步骤四中的PCA特征降维具体为：

设经过特征组合的信号X＝(x₁,x₂,......x_n)，计算样本的协方差为：

C＝XX^T (19)

设D为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝DλD^T (20)

将特征值按照从大到小的顺序重新排列，第i个特征值对应的特征向量D_i即为第i个主成分的投影算子，将原信号经过投影得到主成分：

根据特征值的大小来衡量各主成分的重要性，从而选取主要成分，以减少特征维数。

所述步骤五中的支持向量机分类算法为：

将K类的样本矩阵构造K个SVM分类器，然后将测试样本输入到分类器中得到K个相应的决策值，比较K个分类器对同一测试样本输出的决策值大小，输出决策值最大且大于0的分类器对应的类别即为该样本的所属类别。

与已有技术相比，本发明的有益效果体现在：

本发明提供一种基于多元经验模态分解和共同空间模式的运动执行单次脑电分类方法。该方法解决了CSP对信号野值点敏感度高，从而降低信号特征的可分性的缺陷，同时实现了以保留大部分信号特征MIMF分量为前提，有效降低了模式识别过程中的计算量。将两种方法结合起来用于脑电信号的特征提取，可以有效提高多任务脑电信号的识别率。

附图说明

图1为MEMD-CSP算法简述图。

图2为通过Neuroscan采集到的32导联脑电信号和4导联肌电信号。

图3为通过肌电阈值得到的运动执行脑电信号起始点。

图4是单次运动执行脑电经过多元经验模态分解后的各MIMF分量图，此处只取脑电前10导联的MIMF分量，其中图a指的是对原信号进行第一次MEMD分解获得的MIMF分量；图b指的是对第一次MEMD分解后的信号进行第二次MEMD分解获得的MIMF分量；图c指的是对第二次MEMD分解后的信号进行第三次MEMD分解获得的MIMF分量；图d指的是对第三次MEMD分解后的信号进行第四次MEMD分解获得的MIMF分量；图e指的是对第四次MEMD分解后的信号进行第五次MEMD分解获得的MIMF分量；图f指的是对第五次MEMD分解后的信号进行第六次MEMD分解获得的MIMF分量；图g指的是对第六次MEMD分解后的信号进行第七次MEMD分解获得的MIMF分量；图h指的是对第七次MEMD分解后的信号进行第八次MEMD分解获得的MIMF分量；图i指的是经过七次MEMD分解之后得到的残余函数r(t)。

图5为5种运动执行脑电信号经SVM分类器分类后的分类结果。

图6为MEMD-CSP算法流程图。

图7-1为相同样本在CSP与MEMD-CSP算法下的分类正确率对比表。

图7-2为相同样本在CSP与MEMD-CSP算法下的分类正确率直方图。

具体实施方式

下面将结合附图，对本发明的流程以及优势进行详述。

本方法中，在采集到运动执行脑电信号和肌电信号之后，先对脑电信号进行预处理，将原始脑电信号分割成单次运动执行的脑电信号。而后通过多元经验模态将脑电信号分解成若干个MIMF分量，再通过一对多CSP方法将MIMF分量中的特征差异最大化，进而通过PCA特征降维将信号在保留大部分特征的前提下进行降维处理，最后通过SVM分类器对单次运动执行的脑电信号进行分类。

图1是整个算法的简要流程。整个算法一共分为5个模块，运动执行脑电信号的采集和提取，多元经验模态分解，一对多CSP处理，PCA降维，SVM分类器。

具体步骤如下：

步骤一：获取多通道运动执行脑电信号

使用Neuroscan采集系统采集32导联的运动执行脑电信号和4导联的肌电信号。

被试佩戴好电极帽后，坐于安静、封闭、防电磁干扰的房间内。根据主试人员的指示，依次执行五种运动执行实验模式：握拳、展拳、二指对、三指对、休息。每种动作分别做T次，分为固定组数完成。其中每组的间隔中预留一定的休息时间用于消除肌肉的疲劳。

获得原始的运动执行脑电信号和肌电之后，对信号进行预处理。信号的预处理分为，1-100HZ的带通滤波，50HZ的陷波滤波以及对运动执行脑电信号的单次分割。

1-100HZ带通滤波和50HZ陷波滤波通过设计相应的滤波器可以进行实现。

图2是通过Neuroscan采集到的握拳情况下32导联运动执行脑电信号和4导联肌电信号的原始信号。

运动执行脑电信号属于自发脑电信号，没有明显的动作开始的起始点。同脑电信号相比，肌电信号在起始处具有明显的电位变化，因此对于单次脑电信号的分割，引入与其对应的肌电信号进行处理。

具体算法为：在肌电信号平稳的非动作段，先取一个包含20个点的时间窗，计算窗内能量，然后以步长为20，连续计算25个时间窗内的能量，将这25个时间窗的信号能量取平均值作为判断动作起始的阈值Q。然后从计算阈值的结束点开始，以20个点为一个时间窗计算信号的能量值，如果有连续20个窗口的能量值都大于阈值Q，则选取最后一个窗口的起点作为有效动作段的起始点。找出与肌电信号起始点对应的脑电信号位置，以此为起点截取一段有效的运动执行脑电信号。

利用肌电信号的能量阈值分割出单次动作对应的脑电信号，共可以得到5*T组的数据。

图3是通过对于肌电信号的阈值检测，得到了肌电信号的起始位置，从而确定了与之对应的运动执行脑电信号的起始位置。参见图3，由肌电信号确定的脑电起始点大致为真实的脑电信号起始位置，证明采取这种肌电阈值分割脑电信号方案所获得脑电信号的真实性和完整性。

步骤二：对脑电信号进行MEMD分解

(1)设每组单次脑电信号都可以表示为X(t)＝{x₁(t),x₂(t),...,x₃₀(t)}，其中30表示脑电信号的通道数，t表示每组动作的时间长度。

(2)使用Hammersley序列采样法，在(n-1)维球面上选择一个合适的点集，产生一组方向向量集其中为对应的方向角；

(3)求出原始信号X(t)沿每一个方向向量投影得到的投影信号对于K个方向向量，可以得到投影集

(4)找到投影集中的各个投影信号的极大值和极小值，令其对应的时间为

(5)以为插值节点，使用样条插值函数得到K个包络

(6)计算K个方向上得到的n元包络的均值

(7)令c_i(t)＝X(t)-m(t)，若c_i(t)满足MIMF的判定条件，则其为X(t)的一个MIMF分量，若不满足，则令X(t)＝c_i(t)，继续重复步骤(2)-(6)；若找到一个MIMF分量，则令X(t)＝X(t)-c_i(t)，重复步骤(2)-(6)，继续分解出信号的其他MIMF分量。当信号中的MIMF分量被全部分解出之后，不包含MIMF分量的剩余信号被称为信号的残余函数r(t)。

所述步骤(7)中所述的判定条件为：

其中，M(t)为信号均值，为偏差函数，γ为阈值，可以根据信号类型进行设定，当的值小于某个阈值时，可以判定其为MIMF。

判定残余函数r(t)的方法为：当各个投影信号的极值点个数为2或3时，信号接近单调，可以认为信号不再含有MIMF分量，分解结束。

经过一系列的MEMD分解，原始信号X(t)可以由n个MIMF分量和残余函数r(t)之和来表示，即：

脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的30通道信号，各通道信号都处于同一频段内。

因为不同数据分解得到的MIMF个数并不完全相同，所以不能直接对MIMF做特征提取，否则造成各个样本的特征维数不同。这里，分别计算每组数据分解得到的MIMF个数，然后选出MIMF个数的最小值M，截取各数据的前M层MIMF分量用于特征提取。

图4是单次运动执行脑电经过多元经验模态分解后的各MIMF分量图，此处只取脑电前10导联的MIMF分量。

图a指的是对原信号进行第一次MEMD分解获得的MIMF分量。

图b指的是对第一次MEMD分解后的信号进行第二次MEMD分解获得的MIMF分量。

图c指的是对第二次MEMD分解后的信号进行第三次MEMD分解获得的MIMF分量。

图d指的是对第三次MEMD分解后的信号进行第四次MEMD分解获得的MIMF分量。

图e指的是对第四次MEMD分解后的信号进行第五次MEMD分解获得的MIMF分量。

图f指的是对第五次MEMD分解后的信号进行第六次MEMD分解获得的MIMF分量。

图g指的是对第六次MEMD分解后的信号进行第七次MEMD分解获得的MIMF分量。

图h指的是对第七次MEMD分解后的信号进行第八次MEMD分解获得的MIMF分量。

图i指的是经过七次MEMD分解之后得到的残余函数r(t)。

步骤三：利用CSP提取每层MIMF分量的特征

每类动作的每一层MIMF分量都包含了T组数据，数据量为5*M*30*T组数据。先利用K重交叉验证将运动执行脑电信号分为K-1重的训练集和1重的测试集，通过K-1重的训练集构造出5分类的空间滤波器。

设E_i(i＝1,2,...,5)分别是需要进行分类的5类运动执行脑电信号的样本矩阵，其对应的协方差矩阵C_i分别为：

计算K类运动执行脑电信号所有样本矩阵的协方差矩阵，然后求其平均值：

由此可以得到5类运动执行脑电信号的协方差矩阵。

以类别1的空间滤波器为例，将类别1视为一类，其余的4类划归为一类，转化为二分类的协方差矩阵：

则组合协方差矩阵C为:

设B为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝BλB^T (8)

定义白化矩阵P为:

P＝λ^-1/2B^T (9)

则矩阵PCP^T的特征值为1，同时由式(7)，对和进行白化转换：

对S₁、S₂做特征分解可得：

S₁＝D₁λ₁D₁ ^T (12)

可以证明S₁、S₂共享相同的特征向量，即D₁＝D₂＝D，其特征值对角矩阵相加为单位对角阵，即λ₁+λ₂＝I。

将特征值由大到小排列，提取λ₁的最大的3个特征值对应的特征向量D₊₁来构建第一类动作的空间滤波器W₊₁，提取λ₂的最大的3个特征值对应的特征向量D_-1来构建第二类动作的空间滤波器W_-1：

W₊₁＝D₊₁P (14)

W_-1＝D_-1P (15)

则第一类动作对应的空间滤波器可以表示为：

W₁＝[W₊₁,W_-1]

然后使用测试集数据应用一对多CSP方法构造空间滤波器，将测试集和训练集数据分别经滤波器投影并提取对数能量值得到6*1的特征空间。

原信号E_i通过空间滤波器投影就可以得到新的特征信号Z_i：

Z_i＝W₁E_i (17)

其中Z_i为6*T的矩阵，然后我们对投影后得到的新信号计算每一行的方差并取对数值作为特征值，这样能够减少特征维数，同时可以进一步增强不同任务的特征间差异。

P_i＝log(var(Z_i)) (18)

得到的P_i为一个6*1维的特征向量。

按照上述过程，可以分别得到其余四种动作对应的空间滤波器W₂，W₃，W₄和W₅，用于特征提取。

步骤二可知，每组脑电信号经过MEMD分解可以得到M个MIMF，每个MIMF都由30*T的数据组成，将各个MIMF经过对应的空间滤波器投影并提取对数能量值，可以得到6*1维的特征向量，然后将M个MIMF得到的特征向量组合起来得到6*M*1维的特征向量，用来标识这一组数据的特征。

步骤四：将各层MIMF得到的特征进行组合

每类动作的每层MIMF都可以得到6*1的特征空间，将M层MIMF的特征组合，则可以得到6M的特征空间，由于其维数较高不利于分类器设计，所以使用PCA进行特征降维。

设经过特征组合的信号X＝(x₁,x₂,......x_n)，计算样本的协方差为：

C＝XX^T (19)

设D为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝DλD^T (20)

将特征值按照从大到小的顺序重新排列，第i个特征值对应的特征向量D_i即为第i个主成分的投影算子，将原信号经过投影得到主成分：

v_i＝D_i ^TX (21)

主成分个数的选取取决于累计贡献率，即保留成分的累积方差在方差总和中所占的比例。通过PCA特征降维可以选择出特征占有率最大的部分，除去特征占有率小的部分，有效降低算法的运算量。

步骤五：应用支持向量机进行一对多分类

采用K重交叉验证将每类动作信号随机分为K个相互独立的子集。在每一重验证中，选取其中K-1个子集作为训练集，剩下一个子集作为测试集，分别按照前述MEMD分解和CSP特征提取的过程提取对应的训练集和测试集的特征，然后以其中一种动作作为第一类别，分类标签设置为+1，其余四种动作作为第二类别，分类标签设置为-1，分别构造五个分类器对应五种动作类型，用训练集特征训练分类模型，然后将测试样本分别通过五个分类器得到对应的决策值。比较五个分类器对同一测试样本输出的决策值大小，输出决策值最大且大于0的分类器对应的类别即为该样本的所属类别，然后将其与事先知道的分类标签进行对比确定分类是否正确，并以每类动作中正确分类的样本个数占总的样本个数的比值作为该种动作的分类正确率最后取六重结果的平均值作为该动作的最终的分类正确率。

图5是在5分类的情况下，采用六重交叉验证，通过SVM分类器对单次执行脑电信号进行分类的结果图。图中，编号为1-10的是第一类动作的测试样本，编号为11-20的是第二类动作的测试样本，编号为21-30的是第三类动作的测试样本，编号为31-40的是第四类动作的测试样本，编号为41-50的是第五类动作的测试样本，五种颜色的曲线分别代表五个分类器输出的决策值。比较五个分类器对同一测试样本输出的决策值大小，输出决策值最大且大于0的分类器对应的类别即为该样本的所属类别，然后将其与事先知道的分类标签进行对比确定分类是否正确，并以每类动作中正确分类的样本个数占总的样本个数的比值作为该种动作的分类正确率最后取六重结果的平均值作为该动作的最终的分类正确率。

图6是MEMD-CSP算法流程图。

图7是相同样本在CSP与MEMD-CSP算法下的分类正确率的对比图。其中图7-1是通过数据表对比两类方法的分类正确率，图7-2是通过直方图对比两类方法的分类正确率。参见图7，对于每一个被试，MEMD-CSP方法得到的平均分类正确率都明显高于CSP的结果，对两种结果做显著性分析，得到的p值小于0.001，说明两种方法的分类效果有显著性差异。因此，MEMD与CSP结合的算法可以有效提高脑电信号的分类性能，这是因为MEMD处理在一定程度上可以减轻信号野值点对投影产生的干扰，并利用导联之间的互信息来提高对噪声和记录伪影的鲁棒性，从而提高CSP算法的性能，使其更适用于脑电信号的分类识别问题。

Claims (8)

1.一种运动执行的单次脑电特征提取分类方法，其特征在于，包括以下步骤：

步骤一：获取多通道运动执行脑电信号并对脑电信号进行预处理；

步骤二：分别对每组脑电信号X(t)进行MEMD分解；脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的n通道信号，各通道信号都处于同一频段内；

步骤三：通过一对多CSP算法构造K分类的空间滤波器W₁,W₂,...,W_K，通过脑电信号在空间滤波器中的滤波效果得出不同运动执行所对应空间滤波器下的特征向量，进而通过对特征向量进行对数运算，减少特征维数，同时可以进一步增强不同运动执行的特征间差异；

步骤四：采用PCA特征降维的方法将得到特征进行组合，在减少特征向量维数的基础上，最大程度地保留特征间的差异。

步骤五：利用一对多的支持向量机分类算法，对多类任务的脑电信号进行分类识别，根据各个分类器输出的决策值大小确定每个测试样本的唯一属性。

2.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤一中获取多通道运动执行脑电信号，脑电信号为K分类，n通道运动执行脑电信号，采集时长为t，采集组数为l。

3.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤一中对脑电信号进行预处理包括带通滤波处理和陷波处理，用于进行带通滤波步骤的带通滤波器的截止频率为1-100HZ；用于进行陷波处理的陷波滤波器的陷波频率为50HZ。

4.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤二中采用MEMD分解将采集的脑电信号分解为m个频率由高到低排列的MIMF分量的分解过程为：

(1)设每组单次脑电信号都可以表示为X(t)＝{x₁(t),x₂(t),...,x_n(t)}，其中n表示脑电信号的通道数，t表示每组动作的时间长度。

(2)使用Hammersley序列采样法，在(n-1)维球面上选择一个合适的点集，产生一组方向向量集其中为对应的方向角；

(3)求出原始信号X(t)沿每一个方向向量投影得到的投影信号对于K个方向向量，可以得到投影集

(4)找到投影集中的各个投影信号的极大值和极小值，令其对应的时间为

(5)以为插值节点，使用样条插值函数得到K个包络

(6)计算K个方向上得到的n元包络的均值

(7)c_i(t)＝X(t)-m(t)，若c_i(t)满足MIMF的判定条件，则其为X(t)的一个MIMF分量，若不满足，则令X(t)＝c_i(t)，继续重复步骤(2)-(6)；若找到一个MIMF分量，则令X(t)＝X(t)-c_i(t)，重复步骤(2)-(6)，继续分解出信号的其他MIMF分量，当信号中的MIMF分量被全部分解出之后，不包含MIMF分量的剩余信号被称为信号的残余函数r(t)。

5.根据权利要求4所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤(7)中所述的判定条件为：

其中，M(t)为信号均值，为偏差函数，γ为阈值，可以根据信号类型进行设定，当的值小于某个阈值时，可以判定其为MIMF。

判定残余函数r(t)的方法为：当各个投影信号的极值点个数为2或3时，信号接近单调，可以认为信号不再含有MIMF分量，分解结束。

经过一系列的MEMD分解，原始信号X(t)可以由m个MIMF分量和残余函数r(t)之和来表示，即：

6.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤三中的空间滤波器的构造流程为：

设E_i(i＝1,2,...,k)分别是需要进行分类的K类运动执行脑电信号的样本矩阵，其对应的协方差矩阵C_i分别为：

计算K类运动执行脑电信号所有样本矩阵的协方差矩阵，然后求其平均值：

由此可以得到K类运动执行脑电信号的协方差矩阵。

以类别1的空间滤波器为例，将类别1视为一类，其余的K-1类划归为一类，转化为二分类的协方差矩阵：

则组合协方差矩阵C为:

设B为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝BλB^T (8)

定义白化矩阵P为:

P＝λ^-1/2B^T (9)

则矩阵PCP^T的特征值为1，同时由式(7)，对和进行白化转换：

对S₁、S₂做特征分解可得：

S₁＝D₁λ₁D₁ ^T (12)

可以证明S₁、S₂共享相同的特征向量，即D₁＝D₂＝D，其特征值对角矩阵相加为单位对角阵，即λ₁+λ₂＝I。

将特征值由大到小排列，提取λ₁的最大的三个特征值对应的特征向量D₊₁来构建第一类动作的空间滤波器W₊₁，提取λ₂的最大的三个特征值对应的特征向量D_-1来构建第二类动作的空间滤波器W_-1：

W₊₁＝D₊₁P (14)

W_-1＝D_-1P (15)

则第一类动作对应的空间滤波器可以表示为：

W₁＝[W₊₁,W_-1] (16)

原信号E_i通过空间滤波器投影就可以得到新的特征信号Z_i：

Z_i＝W₁E_i (17)

对数运算的计算过程为：

P_i＝log(var(Z_i)) (18)。

7.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤四中的PCA特征降维具体为：

设经过特征组合的信号X＝(x₁,x₂,......x_n)，计算样本的协方差为：

C＝XX^T (19)

设D为特征向量矩阵，λ为特征值，则矩阵C可以表示为：

C＝DλD^T (20)

将特征值按照从大到小的顺序重新排列，第i个特征值对应的特征向量D_i即为第i个主成分的投影算子，将原信号经过投影得到主成分：

v_i＝D_i ^TX (21)

根据特征值的大小来衡量各主成分的重要性，从而选取主要成分，以减少特征维数。

8.根据权利要求1所述的一种运动执行的单次脑电特征提取分类方法，其特征在于，所述步骤五中的支持向量机分类算法为：

将K类的样本矩阵构造K个SVM分类器，然后将测试样本输入到分类器中得到K个相应的决策值，比较K个分类器对同一测试样本输出的决策值大小，输出决策值最大且大于0的分类器对应的类别即为该样本的所属类别。