CN110888526A - 基于集成支持向量学习的脑机接口技术 - Google Patents

Abstract

本发明公开了基于集成支持向量学习的脑机接口技术，具体为：基于来自训练集的EEG信号数据设计类别差异指导子带滤波器CDF，利用CDF增强EEG信号，并基于FBCSP算法提取基于CDFCSP的特征；通过评估大脑左右感觉运动区域之间的脑电EEG信号差异来获得时空差异特征STDF；提取的基于CDFCSP的特征和时空差异特征STDF用于训练ESVL分类器并进行分类预测。本发明结合基于ERD/ERS的特征以及基于ERP的特征，在少通道EEG信号数据中提高MI‑EEG的分类效果。

Description

基于集成支持向量学习的脑机接口技术

技术领域

本发明属于脑机接口技术领域，涉及一种基于集成支持向量学习的脑机接口技术。

背景技术

脑机接口(BCI)是一种在人脑与外部设备之间建立通信或控制通路的技术。通过这种方式，大脑活动可以用于控制外部设备。BCI已成功用于医学，神经生物学和心理学领域，并在虚拟现实，教育技术和智能家居领域具有广阔的商业前景。运动想象(motorimagery,MI)脑电信号(EEG)是一种自发性内源EEG。它简单，灵活且无创，其优点包括低环境要求，良好的时间分辨率和低成本设备。因此，基于MI-EEG是BCI中应用最广泛的范例之一。MI-EEG范式在受试者想象特定运动时收集其EEG信号，根据EEG信号识别运动想象内容，然后将识别结果转换为控制命令，以实现对外围设备的控制。近年来，基于MI的EEG分类相关研究主要集中在三个方面，即EEG信号采集设备和技术，特征提取方法和分类器训练。

基于事件相关同步化(event-related synchronization，ERS)和基于事件相关去同步化(event-related desynchronization，ERD)的特征在MI分类中已被证明是有效的。在执行MI的过程中，EEG的频带功率会根据运动想象的内容而变化，这些现象被称为ERS和ERD。共空间模式(common spatial pattern,CSP)及其相关算法通过最大化或最小化两个类别EEG的方差比来利用ERD/ERS现象。近年来，基于CPS的特征在MI-BCI系统中取得了巨大的成功。由于CSP算法高度依赖于EEG的协方差矩阵估计，因此样本数量会极大地影响性能。因此，有研究人员提出了正则化CSP来克服小样本情况下的性能下降，并利用参数控制协方差矩阵估计的方差与偏差之间的折衷。Ang引入了滤波器组CSP(FBCSP)算法，该算法在第四届国际脑机接口大赛(BCI Competition IV)数据集2a和2b上赢得了冠军。FBCSP从9个子频带中提取基于CSP的特征，以有效检测ERD/ERS现象。Kumar提出了一个面向MI-BCI的CSP方法框架，该框架在协方差矩阵估计中应用了切线空间映射方法(Tangent Space Mapping，TSM)。对于不同受试者，最具区分度的频带各不相同。因此，许多研究人员试图识别出最有效的频带，并充分利用EEG信号中的这些频带分量来改善CSP算法的性能。Thomas提出了判别式CSP方法。费舍尔比率(Fisher’s ratio)用于选择最具区分度的频带，并且针对每个受试者选定有效频带来提取特征。基于互信息的最佳个体特征算法(mutual information-based best individual feature，MIBIF)和基于互信息的粗糙集约减算法(mutualinformation-based rough set reduction，MIRSR)用于选择从FBCSP中覆盖4-40Hz的9个频段中提取的判别特征。Kumar提出了一种改进的判别FBCSP方法，用于基于MI的EEG分类。根据提取的不同频带的特征计算互信息，并选择最佳的带通滤波器应用于分类。还有研究人员提出了一种基于稀疏贝叶斯学习的方法提取稀疏特征向量。然后，使用稀疏特征向量以线性判别准则完成分类。Yang提出了费舍尔小波包分解共空间模式算法，该算法通过费舍尔距离(Fisher’s distance)找到特定受试者最有效的子带，并将基于WPD的特征和基于CSP的特征组合输入概率神经网络分类器用于训练和预测。

传统方法通过选择有效特征或频带并舍弃其余特征来改善分类结果。通过这种方法，缩小了分类器的搜索空间，降低了机器学习任务的难度，最终容易获得更好的分类器和解决方案。但是，特征选择过程不能提高特征的判别能力。其次，基于少通道EEG系统，CSP特征的稳定性将降低。

事件相关电位(event-related potential，ERP)是与脑电活动相关的事件(例如影像，感觉刺激等)，它能够导致脑电信号的时序变化。大脑感觉运动区域中神经元的状态会根据想象的任务而改变，从而导致EEG信号振幅增加或减小。在基于MI的两类脑电分类问题的研究中，研究人员提出时空差异特征(spatiotemporal discrepancy feature，STDF)以利用ERP。

发明内容

本发明的目的是提供一种基于集成支持向量学习的脑机接口技术，解决了现有技术中存在的无法充分利用多种特征优势提高识别率的问题。

本发明所采用的技术方案，基于集成支持向量学习的脑机接口技术，具体如下：

步骤1：基于来自训练集的EEG信号数据设计类别差异指导子带滤波器(classdiscrepancy guided subband filter，CDF)利用CDF增强EEG信号，并基于FBCSP算法提取基于CDFCSP(class discrepancy guided subband filter-based common spatialpattern)的特征；

步骤2：通过评估大脑左右感觉运动区域之间的脑电EEG信号差异来获得时空差异特征STDF；

步骤3：提取的基于CDFCSP的特征和时空差异特征STDF用于训练ESVL分类器并进行分类预测。

本发明的特点还在于，

CDF的获得方式如下：

使用WPD提取训练集中EEG的频谱，并根据频谱设计CDF，所述CDF被用于预处理EEG，以增强EEG信号中的判别性频带；

第一步：利用WPD产生频谱模板，第j层中来自通道m的EEG信号的WPD系数用WP^m(i,k)表示，其中i是频率分量的索引，k是频率分量系数的索引；通过每个频率分量中系数的二次方求和来计算通道m的EEG的频谱：

其中K是每个频率分量中系数总数，通过对该类别中的所有频谱求平均，计算每个类别的频谱模板：

其中，c和C分别是类别和类别c的训练集，N是类别c在训练集中的数据量；

每个类别的频谱模板是一个矩阵，其行数等于通道数，列数等于频率分量数；类别之间具有明显模板差异的频带被认为是判别性频带；基于训练集中第一类数据得到频谱模板记为T_class1(m,i)，基于第二类数据得到频谱模板记为T_class2(m,i)；频谱模板作为参考用于指导CDF的设计，以增强判别频率分量，基于不同类别的频谱模板获得归一化模式CDF矩阵H(m,i)：

H₁、H₂中的每个元素都取决于两类数据频谱模板的比率，如果模板中某频带不具有区分度，在类别H₁模板的相关元素约等于在类别H₂模板中的元素，因此该频带在H中的值约等于0.5；相反，如果该频带具有较高区分度，H中的至少一个相关的元素会明显较大；

CDF矩阵H(m,i)的应用扩大了原始EEG中判别频带的WPD系数，并缩小其他频带系数：

其中，

表示原始EEG的WPD系数，

表示由CDF过滤后EEG的WPD系数，应用式(3a)和式(3b)中的两个CDF矩阵同时过滤原始EEG信号，会根据各类别之间模板的差异，来放大或缩小WPD系数；然后基于修正的WPD系数

采用小波包逆变换重建滤波后的脑电信号，得到增强的EEG信号。

步骤1所述基于FBCSP算法提取基于CDFCSP的特征的方法如下：

第一步：采用带通滤波器组过滤增强的EEG信号，参考FBCSP算法，选择包括9个子带带通滤波器的切比雪夫II型带通滤波器组；

第二步：执行CSP算法以找到大小为2e×M的映射矩阵P，其中e是控制映射后EEG信号通道的超参数，M是EEG信号中通道的数量；映射后的脑电信号Z_t大小为2e×L，通过P计算：

Z_t＝P×E_t (5)

其中，E_t是大小为M×L的脑电信号，L是脑电信号段的采样点；

第三步：将映射后的脑电信号的方差归一化，并计算对数作为特征：

由于可以从CSP滤波后EEG信号的一个通道中提取一维特征，并且使用9个子带滤波器，所以提取的特征的维数为18e。

步骤2获得时空差异信号STDF步骤如下：

第一步：基于大脑的左右感觉运动区EEG信号计算出时空差异信号：

D＝S_l-S_r (7)

其中，S_l是从左感觉运动区收集的EEG，而S_r是从右感觉运动区收集的EEG，STDF通过积分方式计算：

其中，f和x分别是特征和采样点的索引，X是EEG信号试验中采样点的总数。

步骤3具体如下：

首先，对线性SVM分类器分别进行基于CDFCSP的特征、时空差异特征STDF进行训练，再对线性SVM分类器进行基于CDFCSP的特征和STDF进行联结训练；然后将训练后的三个SVM分类器的输出后验概率合并以形成最终预测结果；

SVM分类器找到将数据分为两个类别的最佳分类边界。

f(x)＝x′β+b＝0, (9)

其中，x′是输入特征的转置，β和b是分类边界的参数；该最佳分类边界应使来自正类和负类的数据之间的间隔最大化，对于某些不可分割的数据，对位于分类边界反侧样本的目标函数施加了惩罚：

其中，ξ_j是用于惩罚跨越边际边界的样本的松弛变量，g是惩罚乘数，以控制施加于违反分类边界样本的最大惩罚；利用拉格朗日乘数法优化目标函数并找到最佳分类边界；对ESVL进行充分训练，基于训练集找到最佳分类边界；

再基于样本与分类边界的距离计算后验概率，从样本点到分类边界的有符号距离的计算公式为：

d(x)＝x′β+b, (11)

如果有符号距离为正值，则代表样本点在分类边界的正类一侧；相反，有符号距离为负值代表样本点在分类边界的负类一侧；后验概率是样本属于特定类别的概率，利用Sigmoid函数基于距离计算后验概率：

其中，d_j是由式(11)计算的距离，而A和B分别是斜率和截距参数；为了拟合Sigmoid函数，将y_j∈(-1,1)转移到概率目标中，该目标定义为正类别的概率：

然后，将交叉熵误差函数设置为目标函数，以找到最佳参数A和B：

使用最大似然估计基于训练集来获得最优参数A和B，得到最优的A、B参数后，通过(11)和(12)计算测试样本属于正类的后验概率；

基于三个经过训练的概率SVM分类器，计算出样本属于正类的后验概率，最后，对后验概率求和，形成ESVL分类器的最终预测。

9个子带的频谱依次为4-8Hz，8-12Hz，12-16Hz，…，36-40Hz。

本发明的有益效果是，本发明提出的一种基于集成支持向量学习(ESVL)的方法，使用支持向量机SVM的算法获得具有最大类别间距离的分类边界，并将样本点与分类边界之间的距离映射成为后验概率；ESVL结合了不同SVM分类器的输出后验概率，对样本进行分类。本发明基于ERD/ERS的特征以及基于ERP的特征进行改进，在少通道EEG数据中提高MI-EEG的分类效果。

附图说明

图1是本发明基于集成支持向量学习的运动想象EEG信号分类方法的流程图；

图2是本发明集成支持向量学习方法示意图；

图3是本发明应用于BCI Competition IV中2a数据集的对比结果直方图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

基于集成支持向量学习的脑机接口技术，EEG信号分类流程如图1所示，首先，使用WPD提取训练集中EEG的频谱，并根据频谱设计CDF。CDF被用于预处理EEG，以增强EEG信号中的判别性频率。应用FBCSP算法(不包括特征选择过程)对CDF过滤后的EEG提取特征。其次，计算EEG的差异信号，并使用积分方法提取STDF。最后，基于CDFCSP的特征和STDF特征对ESVL分类器进行训练。已训练ESVL分类器用于对测试EEG做出最终预测。该算法的细节介绍如下。

1基于CDFCSP的特征提取方法

(1)基于CDF的预处理方法

在传统方法中，基于CSP的特征提取之后执行特征选择过程，以找到最具区分性的频带和特征。但特征选择不能增强特征的判别能力，而是通过降低特征维度，减少机器学习算法的搜索空间，更容易得到最优解。相比之下，CDFCSP增强了EEG中区分度高的频带，并合理地扩展了通道数，从而提高了CSP算法的性能。

CDF的设计是依据训练集中的EEG计算频谱模板而获得的。WPD具有良好降噪性能，可以将信号转换为的准确时频表示，被广泛被用于信号处理。因此，利用WPD产生频谱模板。第j层中来自通道m的EEG的WPD系数用WP^m(i,k)表示，其中i是频率分量的索引，k是频率分量系数的索引。然后，通过每个频率分量中系数的二次方求和来计算通道m的EEG的频谱：

其中K是每个频率分量中系数总数。通过对该类别中的所有频谱求平均，计算每个类别的频谱模板：

其中，c和C分别是类别索引和类别c的训练集，N是类别c在训练集中的数据量。

每个类别的频谱模板是一个矩阵，其行数等于通道数，列数等于频率分量数；类别之间具有明显模板差异的频带被认为是判别性频带；基于训练集中第一类数据得到频谱模板记为T_class(m,i)，基于第二类数据得到频谱模板记为T_class2(m,i)；频谱模板作为参考用于指导CDF的设计，以增强判别频率分量，基于不同类别的频谱模板获得归一化模式CDF矩阵H(m,i)：

这样，H₁、H₂中的每个元素都取决于两类数据频谱模板的比率，如果模板中某频带不具有区分度，在类别H₁模板的相关元素约等于在类别H₂模板中的元素，因此该频带在H中的值约等于0.5；相反，如果该频带具有较高区分度，H中的至少一个相关的元素会明显较大；

通过WPD获得WPD系数，并通过调整原始EEG的WPD系数来应用CDF，CDF矩阵H(m,i)的应用扩大了原始EEG判别频带的WPD系数，并缩小其他频带系数：

其中

表示原始EEG的WPD系数，

表示由CDF过滤后的EEG的WPD系数。应用(3a)和(3b)中的两个CDF矩阵同时过滤原始EEG。再各类别之间模板的差异，来放大或缩小WPD系数。

然后基于修正WPD系数

采用小波包逆变换重建滤波后的脑电信号。因为利用了在(3a)和(3b)中获得的两个CDF矩阵，所以在过滤之后，EEG的通道数增加一倍。

(2)基于CSP的特征提取方法

CSP算法可以找到使一类EEG方差最大，而另一个类方差最小的滤波器。最近，从不同频带提取基于CSP的特征已被证明是有效的，并已广泛用于基于MI的EEG分类。因此，将FBCSP算法应用于提取特征。

首先，采用带通滤波器组过滤预处理后的EEG。参考FBCSP算法，选择包括9个子带滤波器(4-8Hz，8-12Hz，12-16Hz，…，36-40Hz)的切比雪夫II型带通滤波器组。然后，执行CSP算法以找到大小为2e×M的映射矩阵P，其中e是控制映射后EEG通道的超参数，M是EEG中通道的数量。大小为2e×L的投影脑电信号Z_t通过P计算如下：

Z_t＝P×E_t (5)

其中E_t是大小为M×L的脑电信号，L是脑电信号段的采样点。最后，将预计的脑电信号的方差归一化，并计算对数：

因为可以从CSP滤波后EEG的一个通道中提取一维特征，并且使用9个子带滤波器，所以提取的特征的维数为18e。

2STDF特征提取

为了从EEG中提取与ERP相关的判别特征，本发明采用了STDF。首先，基于大脑的左右感觉运动区EEG计算出时空差异信号：

D＝S_l-S_r (7)

其中S_l是从左感觉运动区(例如，国际10-20系统的C3通道)收集的EEG，而S_r是从右感觉运动区(例如，国际10-20系统的C4通道)收集的EEG。时空差异信号描述了EEG在空间和时间上的差异；通过这种方式，决定运动想象内容的对侧差异将被增强，并且同时影响左右感觉运动区域的噪声将被抑制；STDF通过积分方式计算：

其中，f和x分别是特征点和采样点的索引，X是EEG信号试验中采样点的总数；获得的特征的维数是基于先前的工作设置的超参数。

3集成支持向量学习分类器

如上所述，基于ERD/ERS的特征在某些受试者上显示出令人满意的区分能力，而基于ERP的特征在其他受试者上具有较好区别能力。

为了结合这两个特征的优点，提出了ESVL，提出的分类框架是基于SVM分类器构建的，图2说明了提出的ESVL分类器的结构，首先，对线性SVM分类器分别进行基于CDFCSP的特征，STDF和联结特征的训练，然后将训练后的三个SVM分类器的输出后验概率合并以形成最终预测结果。

SVM分类器试图找到将数据分为两个类别的最佳分类边界。

f(x)＝x′β+b＝0, (9)

其中x′是输入特征的转置，β和b是分类边界的参数，该最佳分类边界应使来自正类和负类的数据之间的间隔最大化。对于某些不可分割的数据，对位于分类边界反侧样本的目标函数施加了惩罚：

其中，ξ_j是用于惩罚跨越边际边界的样本的松弛变量，g是惩罚乘数，以控制施加于违反分类边界的样本的最大惩罚；利用拉格朗日乘数法优化目标函数并找到最佳分类边界；对ESVL进行充分训练，基于训练集计算最佳分类边界；

再基于样本与分类边界的距离计算后验概率，从样本点到分类边界的有符号距离的计算公式为：

d(x)＝x′β+b, (11)

如果有符号距离为正值，则代表样本点在分类边界的正类一侧；相反，有符号距离为负值代表样本点在分类边界的负类一侧；后验概率是样本属于特定类别的概率，利用Sigmoid函数基于距离计算后验概率：

其中，d_j是由式(11)计算的距离，而A和B分别是斜率和截距参数；为了拟合Sigmoid函数，将y_j∈(-1,1)转移到概率目标中，该目标定义为正类别的概率：

然后，将交叉熵误差函数设置为目标函数，以找到最佳参数A和B：

使用最大似然估计基于训练集来获得最优参数A和B，并且可以通过(11)和(12)计算测试样本属于正类的后验概率。

基于三个经过训练的概率SVM分类器，计算出样本属于正类的后验概率。最后，对后验概率求和，形成ESVL分类器的最终预测。

第三部分：

为了验证所提出的基于ESVL的方法的实际效果，实验根据具体实施方案中的框架进行。为了提供直观的比较，将所提出方法应用于BCI Competition IV中2a数据集，结果的直方图如图3所示。根据直方图，我们可以得出以下结论：(1)基于ESVL的方法获得的kappa值与每个受试者的最佳特征kappa值接近；(2)基于ESVL的方法在受试者1、3、4、6和9上表现最佳，并与受试者7和8的最佳特征相媲美；(3)来自9个对象的ESVL的平均kappa值明显高于单个特征的平均kappa值。

将所提出的方法应用于BCI Competition IV中的2a与2b数据集，并将实验结果与其他最新研究成功进行比较，实验结果展示在表1中。参与比较的方法包括递归量子神经网络(RQNN)模型，基于DCSP的方法，基于IDFBCSP的方法，基于FBCSP的方法，基于SBL的方法和基于CDFCSP的方法。为了测试所提出的方法在较少通道数下的性能，在BCI竞赛IV数据集2a中，仅将C3，Cz和C4收集的EEG用于左手和右手两类MI分类。

表1提出的基于CDFCSP的方法(最大kappa值)与其他最新算法的性能比较。

表1中的比较表明：(1)所提出的基于ESVL的方法在所有参与比较的最新算法中表现最佳；(2)在数据集2a中，所提出的基于ESVL的方法与其他方法相比，平均性能提高了81％，62％，15％，15％，18％和11％，在数据集2b中，所提出的基于ESVL的方法与其他方法相比，kappa值提高了4％，20％，18％，16％，17％和7％。

为了验证方法改进效果的显著程度，还使用了students’t-test检验，表2中列出了与其他最新算法相比的p值；表2所示的所有p值均小于0.05；这样，我们可以得出结论，实验中的性能改进是显著的。

表2比较了所提出的基于ESVL的方法与最新算法之间的性能差异的统计显着程度。

Claims (6)

1.基于集成支持向量学习的脑机接口技术，其特征在于，具体如下：

步骤1：基于来自训练集的EEG信号数据设计类别差异指导子带滤波器CDF，利用CDF增强EEG信号，并基于FBCSP算法提取基于CDFCSP的特征；

步骤2：通过评估大脑左右感觉运动区域之间的脑电EEG信号差异来获得时空差异特征STDF；

步骤3：提取的基于CDFCSP的特征和时空差异特征STDF用于训练ESVL分类器并进行分类预测。

2.根据权利要求1所述的基于集成支持向量学习的脑机接口技术，其特征在于，所述CDF的获得方式如下：

使用WPD提取训练集中EEG的频谱，并根据频谱设计CDF，所述CDF被用于预处理EEG，以增强EEG信号中的判别性频率；

第一步：利用WPD产生频谱模板，第j层中来自通道m的EEG信号的WPD系数用WP^m(i，k)表示，其中i是频率分量的索引，k是频率分量系数的索引；通过每个频率分量中系数的二次方求和来计算通道m的EEG的频谱：

其中K是每个频率分量中系数总数，通过对该类别中的所有频谱求平均，计算每个类别的频谱模板：

其中，c和C分别是类别和类别c的训练集，N是类别c在训练集中的数据量；

每个类别的频谱模板是一个矩阵，其行数等于通道数，列数等于频率分量数；类别之间具有明显模板差异的频带被认为是判别性频带；基于训练集中第一类数据得到频谱模板记为T_class1(m，i)，基于第二类数据得到频谱模板记为T_class(m，i)；频谱模板作为参考用于指导CDF的设计，以增强判别频率分量，基于不同类别的频谱模板获得归一化模式CDF矩阵H(m，i)：

H₁、H₂中的每个元素都取决于两类数据频谱模板的比率，如果模板中某频带不具有区分度，在类别H₁模板的相关元素约等于在类别H₂模板中的元素，因此该频带在H中的值约等于0.5；相反，如果该频带具有较高区分度，H中的至少一个相关的元素会明显较大；

CDF矩阵H(m，i)的应用扩大了原始EEG判别频带的WPD系数，并缩小其他频带系数：

其中，

表示原始EEG的WPD系数，

表示由CDF过滤后的EEG的WPD系数，应用式(3a)和式(3b)中的两个CDF矩阵同时过滤原始EEG信号，再根据各类别之间模板的差异，来放大或缩小WPD系数；然后基于修正的WPD系数

采用小波包逆变换重建滤波后的脑电信号，得到增强的EEG信号。

3.根据权利要求1所述的基于集成支持向量学习的脑机接口技术，其特征在于，步骤1所述基于FBCSP算法提取基于CDFCSP的特征的方法如下：

第一步：采用带通滤波器组过滤增强的EEG信号，参考FBCSP算法，选择包括9个子带带通滤波器的切比雪夫II型带通滤波器组；

第二步：执行CSP算法以找到大小为2e×M的映射矩阵P，其中e是控制映射后EEG信号通道的超参数，M是EEG信号中通道的数量；映射后的脑电信号Z_t大小为2e×L，通过P计算：

Z_t＝P×E_t (5)

其中，E_t是大小为M×L的脑电信号矩阵，L是脑电信号段的采样点；

第三步：将映射后的脑电信号的方差归一化，并计算对数：

由于可以从CSP滤波后EEG信号的一个通道中提取一维特征，并且使用9个子带滤波器，所以提取的特征的维数为18e。

4.根据权利要求1所述的基于集成支持向量学习的脑机接口技术，其特征在于，步骤2获得时空差异信号STDF步骤如下：

第一步：基于大脑的左右感觉运动区EEG信号计算出时空差异信号：

D＝S_l-S_r (7)

其中，S₁是从左感觉运动区收集的EEG，而S_r是从右感觉运动区收集的EEG，STDF通过积分方式计算：

其中，f和x分别是特征点和采样点的索引，X是EEG信号试验中采样点的总数。

5.根据权利要求3所述的基于集成支持向量学习的脑机接口技术，其特征在于，步骤3具体如下：

首先，对线性SVM分类器分别进行基于CDFCSP的特征、时空差异特征STDF进行训练，再对线性SVM分类器进行基于CDFCSP的特征和时空差异特征STDF进行联结训练；然后将训练后的三个SVM分类器的输出后验概率合并以形成最终预测结果；

SVM分类器找到将数据分为两个类别的最佳分类边界

f(x)＝x′β+b＝0， (9)

其中，x′是输入特征的转置，β和b是分类边界的参数；该最佳分类边界应使来自正类和负类的数据之间的间隔最大化，对于某些不可分割的数据，对位于分类边界反侧样本的目标函数施加了惩罚：

其中，ξ_j是用于惩罚跨越边际边界的样本的松弛变量，g是惩罚乘数，以控制施加于违反分类边界的样本的最大惩罚；利用拉格朗日乘数法优化目标函数并找到最佳分类边界；对ESVL进行充分训练，基于训练集找到最佳分类边界；

再基于样本与分类边界的距离计算后验概率，从样本点到分类边界的有符号距离的计算公式为：

d(x)＝x′β+b， (11)

如果有符号距离为正值，则代表样本点在分类边界的正类一侧；相反，有符号距离为负值代表样本点在分类边界的负类一侧；后验概率是样本属于特定类别的概率，利用Sigmoid函数基于距离计算后验概率：

其中，d_j是由式(11)计算的距离，而A和B分别是斜率和截距参数；为了拟合Sigmoid函数，将y_j∈(-1，1)转移到概率目标中，该目标定义为正类别的概率：

然后，将交叉熵误差函数设置为目标函数，以找到最佳参数A和B：

使用最大似然估计基于训练集来获得最优参数A和B，得到最优的A、B参数后，通过(11)和(12)计算测试样本属于正类的后验概率；

基于三个经过训练的概率SVL分类器，计算出样本属于正类的后验概率，最后，对后验概率求和，形成ESVL分类器的最终预测。

6.根据权利要求3所述的基于集成支持向量学习的脑机接口技术，其特征在于，所述9个子带的频谱依次为4-8Hz，8-12Hz，12-16Hz，...，36-40Hz。

Images