CN110399805A - 半监督学习优化svm的运动想象脑电信号分类方法 - Google Patents

Abstract

本发明公开了半监督学习优化SVM的运动想象脑电信号分类方法，包括：获取运动想象脑电信号，并对其进行预处理；将预处理后的运动想象脑电信号进行划分为训练集、验证集和测试集，基于训练集进行待定参数的SVM分类器初始化训练，得到验证集的互信息；更新训练集，基于更新后的训练集进行SVM分类器迭代训练，得到每次迭代后验证集的互信息；基于得到的互信息和待定参数的SVM分类器构建目标函数，采用帝国主义算法得到SVM分类器的最优化参数；采用经优化后的SVM分类器获得平均迭代分类率。本发明使用帝国殖民竞争算法优化SVM，能够获得更好的参数，进而获得更好的分类效果。

Description

半监督学习优化SVM的运动想象脑电信号分类方法

技术领域

本发明涉及计算机技术领域，具体涉及半监督学习优化SVM的运动想象脑电信号分类方法。

背景技术

现技术有标记样本的运动想象脑电信号(Electroencephalogram，EEG)分类学习方法大致分为两类：(1)监督学习。监督学习是在有标记样本集的基础上进行训练的过程。在监督学习中，有标记样本的数量十分重要，只有使用大量的有标记样本建立出的模型才能比较准确地反映数据真实的分布，从而提高分类器的预测性能。(2)半监督学习。在实际情况中，运动想象EEG的有标记样本和未标记样本是并存的，半监督学习综合考虑使用少量有标记样本和大量未标记样本来提高分类器的学习性能。

监督学习原理是训练样本的标记信息已知，让机器可以自己找到特征和标签之间的联系，在面对没有标签的数据时，可以判断出标签。

半监督学习原理是大量的无标记样本加入到有限的有标记样本中不断迭代训练，能对分类器学习性能起到改进的作用。

监督学习缺陷是获得大量的有标记样本的付出代价是昂贵的，因为进行多次运动想象试验需要花费大量的时间和精力，容易造成受试者的疲劳，阻碍了脑机接口(Brain-computer Interface，BCI)系统的发展。而且随着时间的变化，EEG信号具有非平稳性，运动想象EEG状态会发生变化，这使得分类难度进一步升高。

半监督学习应用到运动想象EEG数据的分类中是非常有意义的，未标记样本比标记样本更容易获得，它只需获取少量标记样本，缓解了受试者的疲劳，同时利用标记样本和未标记样本来进行训练，而且其本身也是一个自适应的过程，有助于促进BCI自适应性的增强并有效地提高分类性能。半监督学习使用了各种分类器对运动想象EEG进行分类，其中支持向量机(Support Vector Machine,SVM)和线性判别分析能获得较好地效果，但是线性判别分析存在过拟合的缺点，SVM能够克服过拟合的缺点，具有训练效率高、泛化能力强的特点，且不易陷入局部最优。但是SVM的性能主要取决于它的惩罚因子和核函数及其参数，其中核参数和惩罚因子的选择比较困难，在监督学习中，粒子群优化算法为优化支持向量机做出了贡献，但是对于离散的优化问题处理不佳，容易陷入局部最优，对于半监督学习，粒子群优化算法存在相同的问题，因此如何用更好的智能优化算法寻找合适的核函数参数和惩罚因子也成为了半监督运动想象EEG分类的研究重点。

发明内容

为了解决现有运动想象脑电信号分类难度大，效果差等技术问题，本发明提供了半监督学习优化SVM的运动想象脑电信号分类方法，该方法在半监督学习中结合互信息和交叉验证构建目标函数，并建立了优化SVM参数的模型，通过最优化参数对运动想象EEG进行分类。

本发明通过下述技术方案实现：

半监督学习优化SVM的运动想象脑电信号分类方法，该方法包括：

步骤一，获取运动想象脑电信号，并对其进行预处理；

步骤二，将预处理后的运动想象脑电信号进行划分为训练集、验证集和测试集，基于训练集进行待定参数的SVM分类器初始化训练，得到验证集的互信息；

步骤三，更新训练集，基于更新后的训练集对步骤二初始化训练后的SVM分类器进行迭代训练，得到每次迭代后验证集的互信息；

步骤四，基于步骤三得到的互信息和待定参数的SVM分类器构建目标函数，采用帝国主义算法得到SVM分类器的最优化参数；

步骤五，采用经步骤四优化后的SVM分类器获得平均迭代分类率。

优选的，所述步骤一中预处理为：采用共同平均参考法对运动想象脑电信息进行空间滤波处理。

优选的，所述步骤二具体包括：

步骤2.1，将预处理后的运动想象脑电信号分为分类集和测试集，将分类集按照6*5折交叉验证分为训练集和验证集D_V，训练集分为标记训练集D_I和未标记扩展训练集D_F；

步骤2.2，使用CSP算法对标记训练集D_I进行训练，并提取标记训练集D_I、未标记扩展训练集D_F和验证集D_V的CSP特征；

步骤2.3，使用标记训练集D_I的样本特征及其对应的标签，训练待定参数的初始SVM分类器，并预测未标记扩展训练集D_F和验证集D_V中所有样本的判别分数，得出样本类别；

步骤2.4，利用验证集的每个特征和预测的样本类别，计算验证集中每个特征所对应的互信息，并将这些特征的互信息平均化，记作I(C,γ,m)；其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数，m＝0。

优选的，所述步骤三具体包括：

步骤3.1，根据置信度评估准则，当第m次迭代时，从未标记扩展训练集D_F中挑选置信度高样本，记作Q_m，并预测其标签；标记训练集D_I和Q_m构成了新的训练集m＝1,2,...,m₀，m₀表示迭代次数；

步骤3.2，利用CSP算法训练新的训练集重新提取新的训练集未标记扩展训练集D_F和验证集D_V中的所有样本的CSP特征；

步骤3.3，根据新的训练集中提取出的所有样本的特征及其对应的标签，训练SVM分类器，在未标记扩展训练集D_F和验证集D_V上分别获得样本的判别分数，得出样本类别；

步骤3.4，利用验证集D_V的每个特征及其样本类别，计算每个特征所对应的互信息，并将这些特征的互信息平均化，记作I(C,γ,m)；其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数；

步骤3.5，当m＝m₀时，在第m₀次迭代后终止，且得到未标记扩展训练集D_F的最终预测类别[y_m(1),...,y_m(N₂)]以及在验证集D_V上最终获得的互信息I(C,γ,m₀)，其中，N₂代表未标记扩展训练集D_F的样本数量；否则返回步骤3.1执行第m+1次迭代。

优选的，所述步骤四具体包括：

步骤4.1，利用待定参数的SVM分类器和N*k折交叉验证，得到N*k个I(C,γ,m₀)互信息的值，并将其平均化，记作I(C,γ)，基于I(C,γ)构建运动想象脑电信号分类目标函数，则该目标函数的最优解为SVM分类器的最优参数组合；

步骤4.2，采用帝国竞争算法求解得到目标函数的最优解；

步骤4.3，当帝国竞争算法在迭代过程中，只剩下一个殖民者或者满足迭代次数n₀，则得到的最优参数组合将会被存储；否则返回步骤4.2，执行下一次迭代。

优选的，所述步骤4.1中构建的运动想象脑电信号分类目标函数为国家成本的最小值min f₁(countrycost)：

min f₁(countrycost)＝-maxf(C，γ)；

且

其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数；C_min、C_max分别为SVM分类器的惩罚因子的最小和最大值；γ_min、γ_max分别为SVM分类器的核参数的最小和最大值。

优选的，所述步骤五采用优化后的SVM分类器和6*5折交叉验证分别在验证集和测试集样本上获得平均迭代分类率。

本发明具有如下的优点和有益效果：

1、本发明克服了前述的现有技术中人工标记运动想象EEG需要花费大量的时间和精力且EEG信号非平稳的缺点，通过在半监督学习中结合互信息和交叉验证构建目标函数，利用帝国殖民竞争算法优化SVM参数，提供了一种半监督学习优化SVM参数的运动想象EEG分类方法。

2、本发明使用的帝国殖民竞争算法优化SVM比粒子群优化算法优化SVM和标准算法优化SVM能够获得更好的参数，进而获得更好的分类效果。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的方法流程图。

图2为本发明的22通道电极的位置示意图。

图3为不同迭代次数下SSL-CCA-SVM和SL-CCA-SVM的最小成本和平均成本。其中，(a)图表示SSL-CCA-SVM，(b)图表示SL-CCA-SVM。

图4为不同迭代次数下SSL-CCA-SVM、SSL-PSO-SVM和SSL-SVM算法的平均分类率。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本实施例提出了半监督学习优化SVM的运动想象脑电信号分类方法，如图1所示，该方法包括：获取运动想象脑电信号---运动想象EEG预处理(步骤A)---初始化(步骤B)---自训练过程(步骤C)---帝国主义竞争算法优化参数(步骤D)---在独立测试集上获得分类率(步骤E)

具体流程如下：

获取运动想象脑电信号：本实施例使用2005BCI竞赛的数据集IVa验证半监督学习优化支持向量机参数的运动想象EEG分类方法的有效性。实验采用118个Ag/AgCl电极和1000Hz的采样频率记录EEG，并进行了0.05到200Hz的带通滤波。5个受试者在试验中执行三种运动想象任务：想象左手运动、想象右手运动和想象右脚运动，EEG采集完成后，将采样频率降到100Hz。这次竞赛中只提供了想象右手和右脚运动的数据，总共包括280个样本。

运动想象脑电信号预处理(步骤A)：本实施例采用共同平均参考法(CommonAverage Reference，CAR)对运动想象EEG进行空间滤波。对各个受试者280次试验的脑电数据，我们从118通道选择如图2所示的22通道(对应想象运动区域)的数据并使用每通道3.5s运动想象数据进行分析，然后对脑电数据进行8～30Hz的带通滤波和CAR预处理。

步骤A中的CAR是将所有导联原始信号的均值作为参考来计算各个导联的电位信号，这样不仅消除了广泛分布在头皮上的电位成分，而且还突出了感兴趣的电位，计算公式如下：CAR可以用式1表示：

其中D_i是第i个导联的信号(i＝1,2,…,n),n表示所有电极的数量，是CAR滤波后的导联信号。

步骤B具体为:运动想象EEG划分(步骤B1)----提取训练集特征(步骤B2)----训练初始分类器(步骤B3)----计算验证集互信息(步骤B4)

步骤B1中，将每个受试者预处理后的280次运动想象EEG分为分类集(220个样本)和独立测试集(60个样本)，将分类集按照6*5折交叉验证分为训练集(176个样本)和验证集D_V(44个样本)，训练集分为标记训练集D_I(40个样本)和未标记扩展训练集D_F(136个样本)。

6*5折交叉验证是指将分类集平均分成5份，轮流将其中4份作为训练集，剩余1份作为独立测试集，将分类集随机排序6次，将构成30种不同的训练集和验证集的组合。

步骤B2中，使用共空间模式(Common Spatial Patterns，CSP)算法对40个标记训练集D_I进行训练，并提取标记训练集D_I、未标记扩展训练集D_F和验证集D_V的CSP特征。

CSP算法的目标是设计一个最优的空间滤波器来获取最佳的投影方向，使第一类方差最大化，而使另一类方差最小化，实现对两类任务协方差矩阵的同时对角化，最终使两类信号的区别最大。

原始信号转换成了新的信号可以用式2表示：Z＝WX 式2

其中X为原始数据，W是个N×N阶矩阵，它的行向量构造了CSP的滤波器矩阵。W的前a行和后a行构成了最佳滤波器矩阵，最后对产生的新信号的方差取对数，再经对数规范化处理后作为特征，可以得到式3：

步骤B3中，使用标记训练集D_I的样本特征和其对应的标签，训练待定参数(惩罚因子C和核参数γ)的初始SVM分类器，并预测未标记扩展训练集D_F和验证集D_V中所有样本的判别分数，得出样本类别。

求解SVM最优分类函数f(x)如式4：

其中,α_i为拉格朗日系数，y_i∈{-1,1}为其对应的标签，K(.,.)为核函数，b是分类的域值。函数f(x)的用来预测样本的类别。如果函数的判别分数大于0，样本x判别为类别1，否则判别为类别2。

本实施例采用高斯径向基核函数作为SVM的核函数，核函数如式5：

K(x,x_i)＝exp(-γ||x-x_i||²),γ＞0 式5

γ为高斯径向基核函数中一个可变的参数值，除需优化γ外，还需优化SVM的惩罚因子C。

步骤B4中，利用验证集D_V的每个特征和预测的样本类别，计算每个特征所对应的互信息，然后将这些特征的互信息平均化，记作I(C,γ,m)。这里m代表第0次迭代，m＝0。

初始化特征集m表示特征的维度，表示N个样本的第b个特征。互信息I(f_b；w)维系着N个样本的各个特征与其对应的类别w＝{-1,1}之间的关系，如式6：I(f_b；w)＝H(w)-H(w|f_b)

其中f_b,i是第i个样本的第b个特征，w表示特征对应的标签。p(w|f_b,i)通过贝叶斯准则可以计算得到。互信息越大意味着信息量越大。

步骤C中包括的步骤：

更新训练集(步骤C1)---重新提取特征(步骤C2)---重新训练分类器(步骤C3)---计算每次迭代后验证集互信息(步骤C4)---停止条件(步骤C5)

步骤C1中，根据置信度评估准则，当第m(m＝1,2,...,m₀)次迭代时，从未标记扩展训练集D_F中挑选置信度高样本，记作Q_m，并预测其标签。因此，第m次迭代中，初始训练集D_I和Q_m(预测标签)构成了新的训练集步骤C1中的置信度评估准则是指根据SVM的原理，推断得出与某类中心(mean1或mean2)有最小距离的同类预测未标记样本有着更高的置信度。通过分析标记和未标记样本得到的SVM判别分数，从所有未标记样本中选择置信度高的样本。置信度评估准则说明如式7：

P_F1和P_F2分别表示预测结果属于类别1和类别2的未标记数量集。f(x_i)预表示测结果为类别1的未标记样本的判别分数，d₁(x_i)和d₂(x_i)分别表示预测为类别1和类别2的各个未标记样本的置信度，newd₁(x_i)和newd₂(x_i)分别表示d₁(x_i)和d₂(x_i)的升序结果。在本实施例中，从预测为类别1的未标记样本和预测为类别2的未标记样本中分别挑选前80％置信度高的样本。

步骤C2中，利用CSP训练重新提取新的训练集未标记扩展训练集D_F中和验证集D_V中的所有样本的特征。

步骤C3中，根据新的训练集中提取出的所有样本的特征和其对应的标签，训练SVM分类器(经步骤B初始化训练之后的SVM分类器)，在D_F和验证集D_V上分别获得样本的判别分数，得出样本类别。

步骤C4中，利用验证集D_V的每个特征和预测的样本类别，计算每个特征所对应的互信息，然后将这些特征的互信息平均化，记作I(C,γ,m)。

步骤C5中，当m＝m₀时，算法在第m₀次迭代后终止，其中m₀是迭代的次数。[y_m(1),...,y_m(N₂)](N₂代表D_F的样本数量)是扩展训练集D_F最终预测类别，I(C,γ,10)是在验证集D_V上最终获得的互信息。否则跳回步骤C1执行第m+1次迭代。本实施例中设定m₀＝10，因为10次迭代后互信息已经趋于稳定。

步骤D中包括的步骤：

构建目标函数(步骤D1)---寻找目标函数的最佳解(步骤D2)---选择到最优参数(步骤D3)

步骤D1中，在运动想象EEG训练集的基础上，利用待定参数的SVM和N*k折交叉验证，得到N*k个I(C,γ,m₀)互信息的值，并将其平均化，记作I(C,γ)。帝国殖民竞争算法需要确定国家成本的最小值min f₁(countrycost)作为目标函数，如式8，本实施例将可以将交叉验证得到的互信息作为国家成本的计算函数f(C,γ)，如式9。目标函数的最佳解是SVM的最优参数组合。

min f₁(countrycost)＝-maxf(C，γ) 式8

式8的约束条件如式10所示：

其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数；C_min、C_max分别为SVM分类器的惩罚因子的最小和最大值；γ_min、γ_max分别为SVM分类器的核参数的最小和最大值。

步骤D2中，为了确定SVM的最优参数组合，需要利用帝国殖民竞争算法，通过帝国初始化，帝国同化，能量计算，帝国竞争后，寻找目标函数的最佳解。在帝国殖民竞争算法初始化过程中，设置未知参数的维数为2，惩罚因子C和γ的搜索区间范围分别设为[1,1000]，[0.001,10]，最大迭代次数为30，所有国家的个数为30，初始帝国数为8，变革系数为0.45，同化系数为2，同化系数角为0.5。

步骤D3中，若帝国殖民竞争算法在迭代过程中，只剩下一个殖民者或者满足迭代的次数n₀，则所选的参数将会被存储；否则返回步骤D2，进行再循环。本实施例设定n₀＝30；

步骤E中，确定最优化SVM参数后，利用6*5折交叉验证分别在验证集和60个独立测试集样本上获得平均迭代分类率。

实施例2

本实施例采用半监督帝国殖民竞争算法优化SVM(SSL-CCA-SVM，即上述实施例1提出的方法)、监督帝国殖民竞争算法优化SVM(SL-CCA-SVM)、半监督粒子群优化算法优化SVM(SSL-PSO-SVM)、监督粒子群优化算法优化SVM(SL-PSO-SVM)、半监督算法优化标准SVM(SSL-SVM)、监督算法优化标准SVM(SL-SVM)分别进行实验。其中粒子群优化算法的目标函数与帝国殖民竞争算法一致。

对半监督优化SVM算法(SSL-CCA-SVM,SSL-PSO-SVM,SSL-SVM)，监督优化SVM算法(SL-CCA-SVM，SL-PSO-SVM，SL-SVM)，分类集样本进行6*5折交叉验证的过程中，在训练集上分别选取176个(40个标记样本，136个未标记样本)、40个(标记样本)进行训练，在确定其最佳参数后，利用6*5折交叉验证分别在验证集和60个独立测试集样本上获得平均分类率。

以下是其中一个受试者的试验结果：

图1给出SSL-CCA-SVM、SL-CCA-SVM算法中所有帝国各迭代次数的平均成本值和最小成本值。如图1所示，起初所有帝国的最小成本远小于所有帝国的平均成本。但随着帝国迭代次数的增加，最小成本与平均成本间的差距越来越小。图2给出了SSL-CCA-SVM、SSL-PSO-SVM和SSL-SVM分别选择最优参数后，随着迭代次数的增加在独立测试集样本上获得的平均分类率情况。

表1给出6种方法选择的最优参数(惩罚因子C和核参数γ)，分别在验证集和独立测试集上最终获得的平均分类率：

由上述数据可知，采用帝国殖民竞争算法优化SVM比粒子群优化算法优化SVM和标准算法优化SVM能够获得更好的参数，进而获得更好的分类效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，该方法包括：

步骤一，获取运动想象脑电信号，并对其进行预处理；

步骤二，将预处理后的运动想象脑电信号进行划分为训练集、验证集和测试集，基于训练集进行待定参数的SVM分类器初始化训练，得到验证集的互信息；

步骤三，更新训练集，基于更新后的训练集对步骤二初始化训练后的SVM分类器进行迭代训练，得到每次迭代后验证集的互信息；

步骤四，基于步骤三得到的互信息和待定参数的SVM分类器构建目标函数，采用帝国主义算法得到SVM分类器的最优化参数；

步骤五，采用经步骤四优化后的SVM分类器获得平均迭代分类率。

2.根据权利要求1所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤一中预处理为：采用共同平均参考法对运动想象脑电信息进行空间滤波处理。

3.根据权利要求1所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤二具体包括：

步骤2.1，将预处理后的运动想象脑电信号分为分类集和测试集，将分类集按照6*5折交叉验证分为训练集和验证集D_V，训练集分为标记训练集D_I和未标记扩展训练集D_F；

步骤2.2，使用CSP算法对标记训练集D_I进行训练，并提取标记训练集D_I、未标记扩展训练集D_F和验证集D_V的CSP特征；

步骤2.3，使用标记训练集D_I的样本特征及其对应的标签，训练待定参数的初始SVM分类器，并预测未标记扩展训练集D_F和验证集D_V中所有样本的判别分数，得出样本类别；

步骤2.4，利用验证集的每个特征和预测的样本类别，计算验证集中每个特征所对应的互信息，并将这些特征的互信息平均化，记作I(C,γ,m)；其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数，m＝0。

4.根据权利要求1所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤三具体包括：

步骤3.1，根据置信度评估准则，当第m次迭代时，从未标记扩展训练集D_F中挑选置信度高样本，记作Q_m，并预测其标签；标记训练集D_I和Q_m构成了新的训练集 m＝1,2,...,m₀，m₀表示迭代次数；

步骤3.2，利用CSP算法训练新的训练集重新提取新的训练集未标记扩展训练集D_F和验证集D_V中的所有样本的CSP特征；

步骤3.3，根据新的训练集中提取出的所有样本的特征及其对应的标签，训练SVM分类器，在未标记扩展训练集D_F和验证集D_V上分别获得样本的判别分数，得出样本类别；

步骤3.4，利用验证集D_V的每个特征及其样本类别，计算每个特征所对应的互信息，并将这些特征的互信息平均化，记作I(C,γ,m)；其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数；

步骤3.5，当m＝m₀时，在第m₀次迭代后终止，且得到未标记扩展训练集D_F的最终预测类别[y_m(1),...,y_m(N₂)]以及在验证集D_V上最终获得的互信息I(C,γ,m₀)，其中，N₂代表未标记扩展训练集D_F的样本数量；否则返回步骤3.1执行第m+1次迭代。

5.根据权利要求4所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤四具体包括：

步骤4.1，利用待定参数的SVM分类器和N*k折交叉验证，得到N*k个I(C,γ,m₀)互信息的值，并将其平均化，记作I(C,γ)，基于I(C,γ)构建运动想象脑电信号分类目标函数，则该目标函数的最优解为SVM分类器的最优参数组合；

步骤4.2，采用帝国竞争算法求解得到目标函数的最优解；

步骤4.3，当帝国竞争算法在迭代过程中，只剩下一个殖民者或者满足迭代次数n₀，则得到的最优参数组合将会被存储；否则返回步骤4.2，执行下一次迭代。

6.根据权利要求5所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤4.1中构建的运动想象脑电信号分类目标函数为国家成本的最小值min f₁(countrycos t)：

min f₁(countrycos t)＝-max f(C，γ)；

且

其中，C表示SVM分类器的惩罚因子，γ表示SVM分类器的核参数；C_min、C_max分别为SVM分类器的惩罚因子的最小和最大值；γ_min、γ_max分别为SVM分类器的核参数的最小和最大值。

7.根据权利要求1所述的半监督学习优化SVM的运动想象脑电信号分类方法，其特征在于，所述步骤五采用优化后的SVM分类器和6*5折交叉验证分别在验证集和测试集样本上获得平均迭代分类率。