CN109144277B - 一种基于机器学习实现脑控智能小车的构建方法 - Google Patents

Abstract

本发明涉及一种基于机器学习实现脑控智能小车的构建方法，包括以下步骤：被试佩戴EMOTIV脑电放大器，想象左手运动、右手运动、推和拉等肢体动作；将放大器采集得到的脑电信号传输给上位机中的Simuink模块，再通过无线串口将信号传输给虚拟机中的Linux系统；运用小波包分解滤除与运动想象无关的脑电信号，利用Fisher判据选取每个通道的最佳频率，再根据公共空间模式（CSP）的滤波系数剔除部分维度的信号分量；完成K近邻（KNN）分类器的构建，对一对多CSP滤波器所提取的特征向量进行分类，将分类结果传输给单片机，实现小车实时控制；本发明所需的硬件平台结构简单成本低，通过各通道频率选取及部分维度信号分量的剔除提高了脑电信号的识别率，保障了小车的驾驶安全。

Description

一种基于机器学习实现脑控智能小车的构建方法

技术领域

本发明涉及一种基于机器学习实现脑控智能小车的构建方法，属于脑电信号处理及车辆控制领域。

背景技术

随着国民经济的不断发展，中国的汽车保有量增长迅猛，由此引发的交通事故数量也在不断升高，许多人在交通事故中彻底失去了自主活动的能力，此外，肌肉萎缩、高位截瘫、中风和肌肉硬化症等疾病也让一些人失去了与外界交互的可能。脑机接口(BCI)这种直接通过大脑信号控制外周装置的方法为存在语言及肢体障碍的人提供了另一种对外交流的方式。脑控车辆利用脑机接口成功实现了基于人脑意志的自主驾驶，极大地提高了残障人士的生活质量，具有广泛的应用前景。

脑电放大器价格较为昂贵，高分辨率的脑电放大器价格甚至可以达到100万/每台，这给脑控车辆技术的推广设置了巨大的障碍。价格较低的商用级脑电放大器体积更小，便于携带，但是其采集得到的脑电信号的信噪比通常很低；如何滤除伪迹，提高脑电信号质量成为提升脑机接口性能的关键问题。经典的脑电滤波方法通常是根据经验选取合适的滤波频带进行脑电伪迹去除，这种方法忽视了不同个体脑电信号节律的差异性，因此得到的识别结果通常较差。选取合理的滤波频带已经成为脑电信号处理的一大难点。大脑区域的功能划分存在明确的规律，不同通道的脑电信号所表征信息的重要性区别明显，如何剔除部分维度的脑电信号分量、降低信号的冗余性也是脑机接口领域的研究重点。

发明内容

本发明提供一种基于机器学习实现脑控智能小车的构建方法，选用成本较低且便携性较好的EMOTIV放大器采集脑电信号，利用Fisher判据选取每个通道的最佳滤波频率，结合CSP滤波系数剔除部分维度的脑电信号分量，提高脑电信号的信噪比，实现脑控小车的安全驾驶。

本发明解决其技术问题所采用的技术方案是：

一种基于机器学习实现脑控智能小车的构建方法，包括以下步骤：

第一步，被试佩戴者充分清洗头部，吹干头发后佩戴EMOTIV脑电采集头套，保证各个电极与头皮均有良好的接触，根据车辆运动状态想象左手运动、右手运动、推和拉等肢体动作；

第二步，将所采集的脑电信号通过蓝牙传输给上位机中的Simulink模块，将Simulink模块连接到无线串口，利用无线串口把脑电信号实时传输给虚拟机中的Linux系统；

第三步，对原始的脑电信号进行去均值化处理，在Linux系统下利用小波包分解的方法选取并重构对应的脑电信号分量；

第四步，设计不同带宽的巴特沃斯带通滤波器组，利用滤波器组对训练集脑电信号进行滤波，计算对应的通道在不同滤波频率下的带通能量值，得到当前通道及滤波频率带条件下的Fisher判据值，选取每个通道内最佳的三个Fisher判据值作为训练集脑电信号相应通道的最终滤波频段；

第五步，对每个通道的脑电信号进行相应通道的最终滤波频段的滤波，利用滤波后的训练集脑电数据设计一对多CSP滤波器，通过滤波系数大小排序剔除在设定维度范围外的信号分量，得到新的电脑信号集合；

第六步，将新的脑电信号通过第五步中相同的方法设计一对多CSP滤波器，利用该滤波器对新的脑电信号进行滤波，将滤波后的训练集进行分组，构成测试组和训练组，通过测试组和训练组来确定测试样本的类别，使用新确定的测试样本类别构建新的KNN分类器，对测试组数据进行在线识别；

第七步，将在线辨识的结果通过无线串口实时传输给单片机，利用单片机控制车辆运动，实现与运动想象对应的小车运动；

作为本发明的进一步优选，EMOTIV脑电采集头套设定的采样频率为128Hz；

作为本发明的进一步优选，第二步中，串口通讯的波特率选择为115200，使用偶校验，确保脑电数据传输和解析的准确性；

作为本发明的进一步优选，第三步中，对原始脑电信号进行去均值化处理，其计算公式为：

其中，A_i表示第i个通道的脑电向量，

表示所有通道脑电信号幅值的平均值；

由于运动想象脑电信号的特征频率主要集中在0Hz-30Hz，因此选取并重构第1层中第0个节点对应子空间的脑电信号分量，实现小波包分解；

作为本发明的进一步优选，第四步中，构建带宽为5Hz、6Hz、7Hz、至10Hz的巴特沃斯带通滤波器，起始频率均选择为0Hz，终止频率均选择为32Hz，滤波步长设置为1Hz，形成一组滤波器，其滤波频率范围分别为0Hz-5Hz、1Hz-6Hz、2Hz-7Hz、…、27Hz-32Hz；0Hz-6Hz、1Hz-7Hz至22Hz-32Hz；利用这组滤波器分别对训练集进行滤波，计算各个通道在不同滤波频率下的带通能量：

运用各个通道在不同滤波频率下的带通能量计算整个训练集数据的类内距离S_w和类间距离S_b：

式中，P_i表示第i个样本的带通能量，P_ij表示属于第j类的第i个样本的带通能量，μ_j表示第j类的平均带通能量，m表示每一类的样本数量，n为样本的总类数；

由S_b和S_w可得到当前通道及滤波频带条件下的Fisher判据值D：

D＝S_b×S_w ^-1

选取每个通道最大的三个Fisher判据值对应的滤波频带作为训练集脑电信号相应通道的最终滤波频段；

作为本发明的进一步优选，第五步，对每个通道的脑电信号进行相应频带的滤波，组成新的脑电信号集合，原始的脑电信号维度被扩大三倍，将第i类的脑电信号作为正类，其他所有的脑电信号作为反类，可计算正类和反类的平均协方差矩阵

其中，M_i为第i类的样本个数，M_{res_i}为剩余各类的样本总数，E_i为第i类的脑电信号矩阵，E_{res_i}为其余各类的脑电信号矩阵；

将正类和反类的平均协方差矩阵的和进行特征分解：

C_i+C_{res_i}＝HλH^T

上述式中，λ为特征值组成的对角阵，H为特征值对应的特征向量组成的矩阵；

将正类和反类的平均协方差矩阵分别进行白化：

选取S_i和S_{res_i}所具有的最大特征值对应的特征向量F_i,F_{res_i}构建一组滤波器：

分别以四类运动想象任务中的一类为正类，其他类为反类，可构建四组滤波器，将其组成一个CSP滤波系数矩阵：

M＝[L₁,L_{res_1},L₂,L_{res_2},L₃,L_{res_3},L₄,L_{res_4}]^T

＝[α₁,α₂,α₃,...,α_3N]

上述式中，α_i表示M矩阵的第i个列向量，N表示采样通道总数，由于EMOTIV采用十四个采样通道，所以这里N等于14；

计算α_i的二范数，将M矩阵所有列向量的二范数进行排序，设置阈值η，将小于阈值η的所有二范数对应的信号分量剔除，训练集运动想象脑电信号维度将由3N降低为N′；

作为本发明的进一步优选，按照步骤五中的方法构建剔除部分维度后训练集脑电信号的滤波器组，利用该滤波器组对训练集数据进行滤波，得到一组新的脑电数据：

Q＝{Q₁,Q_{1_res},Q₂,Q_{2_res},Q₃,Q_{3_res},Q₄,Q_{4_res}}

计算每个脑电数据的方差，得到一组特征向量：

f＝[f₁,f₂,...,f₈]

将训练集随机分成三等份，选择一份作为测试组，剩下的两份为训练组，计算测试组中各个样本的特征向量与训练组中所有样本对应特征向量的欧氏距离，计算方法为

d＝||f-f′||₂

上述式中，||·||₂表示向量的2范数，f表示测试组中的一个特征向量，f′表示训练组中的一个特征向量；

利用KNN分类器对测试组样本进行分类，将测试组中的数据放至训练组中，提取出与其距离最近的K个训练组样本，以这些样本出现的最大次数的类别作为该测试组样本的类别；完成所有测试组样本的分类，并计算分类正确率；选用不同的K值进行上述操作，记录使得测试组分类正确率最高的K值；

此时，对测试集数据进行对应频带的滤波，剔除相同维度的脑电信号分量，利用一对多CSP滤波提取信号的特征向量：f_t＝[f_{t_1},f_{t_2},...,f_{t_8}]；重复上述训练集中获取K值的方法，记录使得测试集分类正确率最高的K值，完成测试集样本的在线识别。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

本发明采用了商业级的EMOTIV脑电放大器采集被试的运动想象脑电信号，所需的硬件平台结构简单、成本较低且便于携带，具有较强的实用性；

通过小波包变换提取了原始脑电信号中与运动想象相关的信号分量，利用Fisher判据选取了各个通道最佳的滤波频带，这种不依赖经验的特征选取方法可根据信号的统计学信息选择频带特征，有效提高了脑电信号的信噪比；

根据CSP滤波系数剔除了部分维度的信号分量，不仅提高了脑电信号的整体质量，同时降低了后续算法的计算复杂度，为实时、准确控制车辆奠定了基础；

基于交叉检验的KNN分类器可高效区分一对多CSP提取的特征向量，进一步保障了车辆驾驶的安全性。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的优选实施例的基于机器学习的脑控智能小车的实现步骤框图；

图2是本发明的优选实施例的脑控智能小车的信号通讯示意图；

图3是本发明的优选实施例的EMOTIV脑电放大器的电极分布图；

图4是本发明的优选实施例的小波包分解频带分布示意图；

图5是本发明的优选实施例的KNN分类器原理图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，本发明的一种基于机器学习实现脑控智能小车的构建方法，包括以下步骤：S1：被试佩戴EMOTIV脑电采集头套，并想象左手运动、右手运动、推、拉等肢体动作；S2：脑电信号通过蓝牙实时传送给上位机找那个的Simulink模块，将Simulink模块模块连接到无线串口，通过串口把信号实时传输给虚拟机中的Linux系统；S3：在Linux系统下，采用小波包分解提取运动想象所在频带的脑电分量；S4：设计不同宽带的滤波器组，对运动想象脑电信号进行滤波处理，通过Fisher判据选择每个通道最佳的三个频率范围；S5：对各个通道的脑电信号进行相应频带的滤波，利用滤波后的脑电数据设计一对多CSP滤波器，S6：设计KNN分类器，对一对多CSP滤波所得的特征向量进行辨识；S7：利用无线串口将分类结果传输给单片机，通过控制车辆的电机实现车辆驾驶。

图2所示，本发明的一种基于机器学习实现脑控智能小车的构建方法，具体的包括以下步骤：

第一步，被试佩戴者充分清洗头部，吹干头发后佩戴EMOTIV脑电采集头套，保证各个电极与头皮均有良好的接触，电极分布如图3所示，根据车辆运动状态想象左手运动、右手运动、推和拉等肢体动作；

第二步，将所采集的脑电信号通过蓝牙传输给上位机中的Simulink模块，将Simulink模块连接到无线串口，利用无线串口把脑电信号实时传输给虚拟机中的Linux系统；

第三步，对原始的脑电信号进行去均值化处理，图4所示，在Linux系统下利用小波包分解的方法选取并重构对应的脑电信号分量；

第四步，设计不同带宽的巴特沃斯带通滤波器组，利用滤波器组对训练集脑电信号进行滤波，计算对应的通道在不同滤波频率下的带通能量值，得到当前通道及滤波频率带条件下的Fisher判据值，选取每个通道内最佳的三个Fisher判据值作为训练集脑电信号相应通道的最终滤波频段；

第五步，对每个通道的脑电信号进行相应通道的最终滤波频段的滤波，利用滤波后的训练集脑电数据设计一对多CSP滤波器，通过滤波系数大小排序剔除在设定维度范围外的信号分量，得到新的电脑信号集合；

第六步，图5所示，将新的脑电信号通过第五步中相同的方法设计一对多CSP滤波器，利用该滤波器对新的脑电信号进行滤波，将滤波后的训练集进行分组，构成测试组和训练组，通过测试组和训练组来确定测试样本的类别，使用新确定的测试样本类别构建新的KNN分类器，对测试组数据进行在线识别；

第七步，将在线辨识的结果通过无线串口实时传输给单片机，利用单片机控制车辆运动，实现与运动想象对应的小车运动；

作为本发明的进一步优选，EMOTIV脑电采集头套设定的采样频率为128Hz；

作为本发明的进一步优选，第二步中，串口通讯的波特率选择为115200，数据位选择为8，停止位选择为1，使用偶校验，确保脑电数据传输和解析的准确性；

作为本发明的进一步优选，第三步中，对原始脑电信号进行去均值化处理，其计算公式为：

其中，A_i表示第i个通道的脑电向量，

表示所有通道脑电信号幅值的平均值；

由于运动想象脑电信号的特征频率主要集中在0Hz-30Hz，因此选取并重构第1层中第0个节点对应子空间的脑电信号分量，实现小波包分解；

作为本发明的进一步优选，第四步中，构建带宽为5Hz、6Hz、7Hz、至10Hz的巴特沃斯带通滤波器，起始频率均选择为0Hz，终止频率均选择为32Hz，滤波步长设置为1Hz，形成一组滤波器，其滤波频率范围分别为0Hz-5Hz、1Hz-6Hz、2Hz-7Hz、…、27Hz-32Hz；0Hz-6Hz、1Hz-7Hz至22Hz-32Hz；利用这组滤波器分别对训练集进行滤波，计算各个通道在不同滤波频率下的带通能量：

运用各个通道在不同滤波频率下的带通能量计算整个训练集数据的类内距离S_w和类间距离S_b：

式中，P_i表示第i个样本的带通能量，P_ij表示属于第j类的第i个样本的带通能量，μ_j表示第j类的平均带通能量，m表示每一类的样本数量，n为样本的总类数；

由S_b和S_w可得到当前通道及滤波频带条件下的Fisher判据值D：

D＝S_b×S_w ^-1

选取每个通道最大的三个Fisher判据值对应的滤波频带作为训练集脑电信号相应通道的最终滤波频段；

作为本发明的进一步优选，第五步，对每个通道的脑电信号进行相应频带的滤波，组成新的脑电信号集合，原始的脑电信号维度被扩大三倍，将第i类的脑电信号作为正类，其他所有的脑电信号作为反类，可计算正类和反类的平均协方差矩阵

其中，M_i为第i类的样本个数，M_{res_i}为剩余各类的样本总数，E_i为第i类的脑电信号矩阵，E_{res_i}为其余各类的脑电信号矩阵；

将正类和反类的平均协方差矩阵的和进行特征分解：

C_i+C_{res_i}＝HλH^T

上述式中，λ为特征值组成的对角阵，H为特征值对应的特征向量组成的矩阵；

将正类和反类的平均协方差矩阵分别进行白化：

选取S_i和S_{res_i}所具有的最大特征值对应的特征向量F_i,F_{res_i}构建一组滤波器：

分别以四类运动想象任务中的一类为正类，其他类为反类，可构建四组滤波器，将其组成一个CSP滤波系数矩阵：

M＝[L₁,L_{res_1},L₂,L_{res_2},L₃,L_{res_3},L₄,L_{res_4}]^T

＝[α₁,α₂,α₃,...,α_3N]

上述式中，α_i表示M矩阵的第i个列向量，N表示采样通道总数，由于EMOTIV采用十四个采样通道，所以这里N等于14；

计算α_i的二范数，将M矩阵所有列向量的二范数进行排序，设置阈值η，将小于阈值η的所有二范数对应的信号分量剔除，训练集运动想象脑电信号维度将由3N降低为N′；

作为本发明的进一步优选，按照步骤五中的方法构建剔除部分维度后训练集脑电信号的滤波器组，利用该滤波器组对训练集数据进行滤波，得到一组新的脑电数据：

Q＝{Q₁,Q_{1_res},Q₂,Q_{2_res},Q₃,Q_{3_res},Q₄,Q_{4_res}}

计算每个脑电数据的方差，得到一组特征向量：

f＝[f₁,f₂,...,f₈]

将训练集随机分成三等份，选择一份作为测试组，剩下的两份为训练组，计算测试组中各个样本的特征向量与训练组中所有样本对应特征向量的欧氏距离，计算方法为

d＝||f-f′||₂

上述式中，||·||₂表示向量的2范数，f表示测试组中的一个特征向量，f′表示训练组中的一个特征向量；

利用KNN分类器对测试组样本进行分类，将测试组中的数据放至训练组中，提取出与其距离最近的K个训练组样本，以这些样本出现的最大次数的类别作为该测试组样本的类别；完成所有测试组样本的分类，并计算分类正确率；选用不同的K值进行上述操作，记录使得测试组分类正确率最高的K值；

此时，对测试集数据进行对应频带的滤波，剔除相同维度的脑电信号分量，利用一对多CSP滤波提取信号的特征向量：f_t＝[f_{t_1},f_{t_2},...,f_{t_8}]；重复上述训练集中获取K值的方法，记录使得测试集分类正确率最高的K值，完成测试集样本的在线识别；

把在线辨识的结果通过无线串口传输给单片机，该无线串口模块使用的波特率为115200，采用偶校验；将想象左手运动映射为小车左转，想象右手运动映射为小车右转，想象推的动作映射为小车前进，想象拉的动作映射为小车倒车，利用单片机驱动小车电机，实现与运动想象相对应的小车运动。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (2)

1.一种基于机器学习实现脑控智能小车的构建方法，其特征在于：包括以下步骤：

第一步，被试佩戴者充分清洗头部，吹干头发后佩戴EMOTIV脑电采集头套，保证各个电极与头皮均有良好的接触，根据车辆运动状态想象左手运动、右手运动、推和拉等肢体动作；

第二步，将所采集的脑电信号通过蓝牙传输给上位机中的Simulink模块，将Simulink模块连接到无线串口，利用无线串口把脑电信号实时传输给虚拟机中的Linux系统；

第三步，对原始的脑电信号进行去均值化处理，在Linux系统下利用小波包分解的方法选取并重构对应的脑电信号分量；

第四步，设计不同带宽的巴特沃斯带通滤波器组，利用滤波器组对训练集脑电信号进行滤波，计算对应的通道在不同滤波频率下的带通能量值，得到当前通道及滤波频率带条件下的Fisher判据值，选取每个通道内最佳的三个Fisher判据值作为训练集脑电信号相应通道的最终滤波频段；

第五步，对每个通道的脑电信号进行相应通道的最终滤波频段的滤波，利用滤波后的训练集脑电数据设计一对多CSP滤波器，通过滤波系数大小排序剔除在设定维度范围外的信号分量，得到新的电脑信号集合；

第六步，将新的脑电信号通过第五步中相同的方法设计一对多CSP滤波器，利用该滤波器对新的脑电信号进行滤波，将滤波后的训练集进行分组，构成测试组和训练组，通过测试组和训练组来确定测试样本的类别，使用新确定的测试样本类别构建新的KNN分类器，对测试组数据进行在线识别；

第七步，将在线辨识的结果通过无线串口实时传输给单片机，利用单片机控制车辆运动，实现与运动想象对应的小车运动；

EMOTIV脑电采集头套设定的采样频率为128Hz；

第二步中，串口通讯的波特率选择为115200，使用偶校验，确保脑电数据传输和解析的准确性；

第三步中，对原始脑电信号进行去均值化处理，其计算公式为：

其中，A_i表示第i个通道的脑电向量，

表示所有通道脑电信号幅值的平均值；

由于运动想象脑电信号的特征频率主要集中在0Hz-30Hz，因此选取并重构第1层中第0个节点对应子空间的脑电信号分量，实现小波包分解；

第四步中，构建带宽为5Hz、6Hz、7Hz、至10Hz的巴特沃斯带通滤波器，起始频率均选择为0Hz，终止频率均选择为32Hz，滤波步长设置为1Hz，形成一组滤波器，其滤波频率范围分别为0Hz-5Hz、1Hz-6Hz、2Hz-7Hz、…、27Hz-32Hz；0Hz-6Hz、1Hz-7Hz至22Hz-32Hz；利用这组滤波器分别对训练集进行滤波，计算各个通道在不同滤波频率下的带通能量：

运用各个通道在不同滤波频率下的带通能量计算整个训练集数据的类内距离S_w和类间距离S_b：

式中，P_i表示第i个样本的带通能量，P_ij表示属于第j类的第i个样本的带通能量，μ_j表示第j类的平均带通能量，m表示每一类的样本数量，n为样本的总类数；

由S_b和S_w可得到当前通道及滤波频带条件下的Fisher判据值D：

D＝S_b，S_w ^-1

选取每个通道最大的三个Fisher判据值对应的滤波频带作为训练集脑电信号相应通道的最终滤波频段；

第五步，对每个通道的脑电信号进行相应频带的滤波，组成新的脑电信号集合，原始的脑电信号维度被扩大三倍，将第i类的脑电信号作为正类，其他所有的脑电信号作为反类，可计算正类和反类的平均协方差矩阵

其中，M_i为第i类的样本个数，M_{res_i}为剩余各类的样本总数，E_i为第i类的脑电信号矩阵，E_{res_i}为其余各类的脑电信号矩阵；

将正类和反类的平均协方差矩阵的和进行特征分解：

C_i+C_{res_i}＝HλH^T

上述式中，λ为特征值组成的对角阵，H为特征值对应的特征向量组成的矩阵；

将正类和反类的平均协方差矩阵分别进行白化：

选取S_i和S_{res_i}所具有的最大特征值对应的特征向量F_i,F_{res_i}构建一组滤波器：

分别以四类运动想象任务中的一类为正类，其他类为反类，可构建四组滤波器，将其组成一个CSP滤波系数矩阵：

M＝[L₁,L_{res_1},L₂,L_{res_2},L₃,L_{res_3},L₄,L_{res_4}]^T

＝[α₁,α₂,α₃,…,α_3N]

上述式中，α_i表示M矩阵的第i个列向量，N表示采样通道总数，由于EMOTIV采用十四个采样通道，所以这里N等于14；

计算α_i的二范数，将M矩阵所有列向量的二范数进行排序，设置阈值η，将小于阈值η的所有二范数对应的信号分量剔除，训练集运动想象脑电信号维度将由3N降低为N′。

2.根据权利要求1所述的基于机器学习实现脑控智能小车的构建方法，其特征在于：按照步骤五中的方法构建剔除部分维度后训练集脑电信号的滤波器组，利用该滤波器组对训练集数据进行滤波，得到一组新的脑电数据：

Q＝{Q₁,Q_{1_res},Q₂,Q_{2_res},Q₃,Q_{3_res},Q₄,Q_{4_res}}

计算每个脑电数据的方差，得到一组特征向量：

f＝[f₁,f₂,…,f₈]

将训练集随机分成三等份，选择一份作为测试组，剩下的两份为训练组，计算测试组中各个样本的特征向量与训练组中所有样本对应特征向量的欧氏距离，计算方法为

d＝||f-f′||₂

上述式中，||·||₂表示向量的2范数，f表示测试组中的一个特征向量，f′表示训练组中的一个特征向量；

利用KNN分类器对测试组样本进行分类，将测试组中的数据放至训练组中，提取出与其距离最近的K个训练组样本，以这些样本出现的最大次数的类别作为该测试组样本的类别；完成所有测试组样本的分类，并计算分类正确率；选用不同的K值进行上述操作，记录使得测试组分类正确率最高的K值；

此时，对测试集数据进行对应频带的滤波，剔除相同维度的脑电信号分量，利用一对多CSP滤波提取信号的特征向量：f_t＝[f_{t_1},f_{t_2},…,f_{t_8}]；重复上述训练集中获取K值的方法，记录使得测试集分类正确率最高的K值，完成测试集样本的在线识别。

Images