CN111797674B - 基于特征融合和粒子群优化算法的mi脑电信号识别方法 - Google Patents

Abstract

本发明公开了一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；S2、采用PSO‑RF对脑电特征信号进行特征筛选。本发明结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F‑score也都表现优异，因此能够达到精确运动想象分类的目的。

Description

基于特征融合和粒子群优化算法的MI脑电信号识别方法

技术领域

本发明涉及一种基于特征融合和粒子群优化算法的MI脑电信号识别方法。

背景技术

脑机接口(Brain Computer Interface，BCI)作为一项新兴的技术，在军事、娱乐、医疗康复中逐渐发挥其作用。运动想象(Motor imagery，MI)作为BCI的一个重要应用，主要通过采集受试者想象肢体运动的脑电信号，并使用机器学习(Machine Learning，ML)的方法进行分类，最终将分类结果反馈给外界设备，辅助受试者进行肢体运动，帮助身体残疾的人进行日常运动，因此该研究方向在医疗康复领域有重大的意义。

在众多的脑机交互控制范式中，基于运动想象的脑机接口是其中最普遍的一类。运动想象是在各部分肢体器官都没有发生任何真实运动的情况下，通过大脑想象运动动作产生相对应的脑电波。通过脑电采集设备采集运动想象时的脑电信号，再通过计算机进行分析，并完成模式分类任务，将模式分类的最终结果反馈到外部设备中，从而起到辅助和康复的作用。具体的处理流程图如图1所示。

由于脑电信号的信噪比较低，且单一的特征提取方法所得到的特征信息不足，从而无法提高脑机接口的分类准确率。

发明内容

本发明的目的在于克服现有技术的不足，提供一种结合带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F-score也都表现优异的基于特征融合和粒子群优化算法的MI脑电信号识别方法。

本发明的目的是通过以下技术方案来实现的：基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：

采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；

S2、采用PSO-RF对脑电特征信号进行特征筛选。

进一步地，所述步骤S1包括以下子步骤：

S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；

S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；

S13、进行SCSP筛选通道，包括以下步骤：

S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；

S132、对协方差矩阵进行正交白化变换并对角化；

S133、计算投影矩阵；

S134、根据投影矩阵计算各个通道的得分；

S135、筛选得分最高的16个通道；

S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；

S14、特征提取：建立自回归模型：

式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；

采用最小二乘法对自回归模型进行参数估计；

自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；

S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。

进一步地，所述步骤S2具体实现方法为：

S21、对所有粒子进行随机初始化，粒子初始化为单个MI脑电信号的特征向量；

S22、根据适应度函数计算由所有粒子构成的种群的适应值，并将初始适应值中的最优值赋给全局最优值gbest；

适应度函数的计算公式为：

Fitness＝Accuracy+AUC+F_score

式中，Accuracy代表分类正确率，AUC代表ROC面积值，F-score代表分数；

分类正确率取为正确分类的样本数与样本总数之比，具体的计算公式为：

式中，Exactly值是分类正确的样本数量，Total指的是总样本数量；

F分数是衡量二分类的一种评价指标，它结合了精确率和召回率，具体公式为：

式中，Precision和Recall分别是模型的精确率和召回率，其计算公式为：

其中，TP是真阳性样本数，FN是假阴性样本数，FP是假阳性样本数。

S23、判断是否满足迭代结束条件；迭代的结束条件有两个：一个是超过了预设的最大迭代次数；另一个是已经达到了最优值；若满足其中任意一个迭代结束条件则保存粒子参数后跳出迭代循环；否则执行步骤S24；

S24、更新每个粒子当前的速度和位置：根据下式更新每个粒子的速度v和位置x：

v＝v+c₁*rand()*(pbest-x)

+c₂*rand()*(gbest-x)

x＝x+v

v是粒子的速度，rand()是介于(0,1)之间的随机数，x表示粒子当前的位置，c₁和c₂是两个学习因子；

S25、评估每个粒子的适应度函数值：根据S24得到的粒子当前的速度和位置评估每个粒子的适应值；

S26、对每个粒子的历史最优位置进行更新：将每个粒子当前位置与历史位置上的适应值进行比较，选择适应值最优结果作为该粒子的局部最优值；

S27、对群体的全局最优位置进行更新：将所有粒子的局部最优值进行比较，选择适应值最优结果作为新的全局最优值pbest，替代更新原有的gbest；然后返回步骤S23。

本发明的有益效果是：本发明针对脑电信号提取特征的不足，提取了脑电信号的时域、频域以及空间域特征，并进行特征融合；针对特征提取后维度过大且存在冗余性，影响分类器精度和耗费计算资源的问题，提出了一种PSO-RF算法进行特征筛选；针对单个分类器训练不足的问题，对分类器进行了集成，有效解决了训练样本过少而产生的分类器效果不好的问题。本发明结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合，最终得到的集成分类器能够达到98.34％的平均正确率，且AUC值和F-score也都表现优异，因此能够达到精确运动想象分类的目的。

附图说明

图1为脑电处理流程图；

图2为本发明的基于特征融合和粒子群优化算法的MI脑电信号识别方法的流程图；

图3为小波软阈值法去噪的流程图；

图4为进行SCSP筛选通道的流程图；

图5为随机森林参数图；

图6为带通滤波R2图，(a)～(c)分别为aa数据集R2图、al数据集R2图和ay数据集R2图；

图7为本实施例特征选择算法F分数图。

具体实施方式

本发明提出了一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，该方法结合了带通滤波、小波去噪、通道筛选、特征提取、特征融合、特征选择以及模式分类，对这七部分进行了有效的整合。并创新性地采用了PSO结合随机森林分类器的特征筛选算法，以一种新颖的方法来选择或者消除相关特征，将Accuarcy、AUC值以及F-score作为评价指标。下面结合附图进一步说明本发明的技术方案。

如图2所示，本发明的一种基于特征融合和粒子群优化算法的MI脑电信号识别方法，包括以下步骤：

S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；包括以下子步骤：

S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；利用多个电极分别采集不同通道的脑电数据，采集到一段时间的脑电数据，很多电极就采集到同一时间段的不同电极通道的脑电数据，所以就构成一个由采样点数和电极通道组成的矩阵。采样数就是一秒钟所采集到的数据量，将脑电波图形变成一个个数字来表示；

S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；小波阈值法去噪算法的主要理论依据是脑电信号经过小波分解之后，信号的小波系数幅值是要大于噪声，即含噪信号在各个尺度上通过正交小波基进行分解之后，将低分辨率的值全部保存下来，对于高分辨率下的分解值，通过设定一个阈值，将幅值低于该阈值的小波系数都置为零，高于该阈值的小波系数做相应的收缩或者直接保留。最后将得到处理后所得到的小波系数利用逆小波技术进行重构后就能够恢复出去噪后的脑电信号。

阈值的设定有很多不同的方法，并且阈值也有软阈值和硬阈值之分。软阈值法获得的重构信号具有更好的光滑性，但误差相对较大。硬阈值法获得的重构信号具有更好的逼近性，但是会存在一定的附加振荡。小波阈值法去噪原理图如图3所示。

S13、进行SCSP筛选通道；

得分共空间模式：对于采集到的EEG信号，空域滤波很适合处理这种多维信号和数据。传统的CSP是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的MI数据里提取出每一类的空间分布情况。该算法基本原理是利用矩阵的对角化，从而找到一组最优的空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。

SCSP主要是针对传统的共空间模式(CSP)进行了一定的改进，起到一个筛选通道的作用。通过计算投影矩阵每一个通道的得分，筛选出每一类得分最高的16个通道，最后将这两类筛选出的通道进行合并，得到最优的筛选通道。该算法不仅将两类样本的方差差异进行最大化，而且减少了计算资源的耗费，得分共空间模式算法的流程图如图4所示。

本步骤具体包括以下步骤：

S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；

S132、对协方差矩阵进行正交白化变换并对角化；

S133、计算投影矩阵；

S134、根据投影矩阵计算各个通道的得分；

S135、筛选得分最高的16个通道；

S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；

S14、特征提取：自回归模型(Auto Regression,AR)是利用初期的某个特定时刻的随机变量的线性组合来描述后期某个特定时刻的随机变量，处理脑电、心电这类时间序列的数据非常简便有效，因此该模型被广泛应用于BCI的数据处理当中。

AR模型特征提取的原理主要如下：首先针对该时间序列的数据，采用AR模型对其进行建模，假设有等时段n个样本点组成时间序列x(k)，建立AR模型：

式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；

采用最小二乘法对自回归模型进行参数估计；

自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；

由式(1)可知，AR模型系数直观地反映了信号x(k)在k时刻与k-1，k-2，…，k-P时刻值之间的依赖权重，因此对特征向量的构建具有重要意义。

AR模型的参数估计，常用的有Yule、Walker最小二乘估计、Burg方法等。本发明采用最小二乘法对自回归模型进行参数估计。

小波分析将时域的一维信号变换入时域上的二维空间。其基本思想是通过小波函数系去表示或者逼近信号或函数，而小波函数系通过基本小波的平移和伸缩构成。时域信号在小波变换域的多个尺度进行投影分解，从而能在变换域上得到有效的处理。

S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。

S2、采用PSO-RF对脑电特征信号进行特征筛选。

粒子群优化算法(Particle swarm optimization,PSO)是通过模拟鸟类捕食和鱼类教育的社会模型来解决连续的、非线性的数值问题和多模态问题。粒子群优化算法通过保持粒子候选解的数量来优化问题。在标准粒子群算法中，每个粒子都被设置在一个多维空间中，每个粒子都会移动到搜索空间中最佳位置，整个粒子群也会移动到全局的最优位置。在每次迭代的过程中，每个粒子的速度和位置都会根据其动量和最佳位置的影响而改变。

在S维搜索空间中的每个粒子的速度被限制为最大速度Vmax。通常，最大速度Vmax设置为搜索空间长度的一半，它被确定为最佳的最优解：如果Vmax太高，粒子可能会越过好的解；如果Vmax太小，粒子可能不会从局部好的区域进行适当的搜索。在调整惯性权重W和最大速度Vmax的参数之后，PSO可以完成嵌套搜索能力。每个粒子的位置和速度都是随机形成的，并基于方程进行迭代。如果最终满足了迭代次数或者设置好的迭代效果之后，就会跳出迭代返回最优的结果。

PSO的具体的迭代更新有两个公式：

x＝x+v (3)

在上述两个公式中，v是粒子的速度，rand()是介于(0,1)之间的随机数，x表示粒子当前的位置；c₁和c₂是两个学习因子，通常在PSO算法中都是设置为2。

因此PSO算法在搜索全局最优值方面也有比较好的效果，它的参数更新比较少，因此计算复杂度也不是很高，后续比较适合处理需要实时反馈的脑电信号。

随机森林算法(Random Forest,RF)是一个基于统计学习的理论的组合分类器，它将Bootstrap重抽样方法和决策树算法结合了起来，该算法的本质是构建一个树型分类器{hk(x)，k＝1，…}的集合，然后使用该集合，通过投票的方法进行分类和预测任务。RF中的每一棵树都是一颗决策树，决策树是通过信息增益来得到最终的分类结果。信息熵的计算公式如下所示：

根据该计算公式，能够计算出每一个特征向量的信息熵，根据这信息熵的和就能计算出信息增益，信息增益是RF判断分类结果的最终结果，根据不同的决策树的分类结果，采用投票法最终得到RF的分类结果。

本发明所提出的特征选择方法是在基于PSO粒子群优化算法的基础上，将随机森林分类器的三种评价指标之和作为适应度值，通过PSO找到最优的适应值，最终筛选出最优的个位数特征。

本步骤具体实现方法为：

S21、对所有粒子进行随机初始化，粒子初始化为单个MI脑电信号的特征向量；粒子是粒子群优化方法里面的一个元素，这里的粒子初始化为一个个脑电的特征向量，把不同的粒子放到随机森林分类器中进行分类，得到的适应度值反馈给种群和粒子，促进粒子和种群的下一步行动，最终一步步找到最优的粒子和种群的位置，也就相当于找到了最好的特征；

S22、根据适应度函数计算由所有粒子构成的种群的适应值，并将初始适应值中的最优值赋给全局最优值gbest；

本发明所用到的适应度函数是由正确率、ROC面积值和F分数三大评价指标组成。这三个值能从不同角度反映出分类器所产生的效果是否最佳，更全面的考虑到算法性能。

适应度函数的计算公式为：

Fitness＝Accuracy+AUC+F_score (5)

式中，Accuracy代表分类正确率，AUC代表ROC面积值，F-score代表分数；

分类正确率取为正确分类的样本数与样本总数之比，具体的计算公式为：

式中，Exactly值是分类正确的样本数量，Total指的是总样本数量；

F分数是衡量二分类的一种评价指标，它结合了精确率和召回率，具体公式为：

式中，Precision和Recall分别是模型的精确率和召回率，其计算公式为：

其中，TP是真阳性样本数，FN是假阴性样本数，FP是假阳性样本数。

S23、判断是否满足迭代结束条件；迭代的结束条件有两个：一个是超过了预设的最大迭代次数；另一个是已经达到了最优值；若满足其中任意一个迭代结束条件则保存粒子参数后跳出迭代循环；否则执行步骤S24；

S24、更新每个粒子当前的速度和位置：根据公式(2)和(3)更新每个粒子的速度v和位置x；

S25、评估每个粒子的适应度函数值：根据S24得到的粒子当前的速度和位置评估每个粒子的适应值；

S26、对每个粒子的历史最优位置进行更新：将每个粒子当前位置与历史位置上的适应值进行比较，选择适应值最优结果作为该粒子的局部最优值；

S27、对群体的全局最优位置进行更新：将所有粒子的局部最优值进行比较，选择适应值最优结果作为新的全局最优值pbest，替代更新原有的gbest；然后返回步骤S23。

下面通过实验对本发明的方法的有效性进行验证。

一、本次实验所用到的数据集是BCI竞赛III中的IVa的数据集，该数据集来自五个健康受试者。受试者坐在舒适的椅子上，手臂放在扶手上。该数据集仅包含来自4个初始会话的数据，而没有反馈。视觉线索表明为3.5秒以下哪些3的运动意识的主题应执行：(L)左手，(F)右脚。目标提示的呈现被1.75到2.25s的随机长度周期所中断，在此期间受试者可以放松。视觉刺激有两种类型：(1)用固定十字后面的字母表示目标(但可能会引起很少的与目标相关的眼球运动)，以及(2)随机移动的物体表示目标(诱导目标-不相关的眼球运动)。从受试者a1和aw记录了两种类型的2次会话，而从其他受试者中，记录了3种类型(2)的会话和1种类型(1)的会话。

二、该数据集使用BrainAmp放大器和ECI的128通道Ag/AgCl电极帽进行记录。在扩展的国际10/20系统的位置上测量了118个EEG通道。放大器参数：带宽0.05-200Hz，单通道采样率1kHz，AD位数为16bit。左手和右脚的样本数都是140个样本，通道数为118，采样数为1000，因此最终得到的数据集规模为280*1000*118。

三、评价指标：

分类精度：就是分类器的准确率，是整个分类系统中的最重要的指标。

AUC值：AUC值是ROC曲线所覆盖的面积值，样本数越多，计算的AUC越准确类似。AUC值是一个概率值，当你随机挑选一个正样本以及负样本时，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。

F分数：可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。

特征选择对比算法：

(1)基于核函数的主成分分析：Kernel-PCA算法主要是针对传统的PCA算法做了一定改进，该算法加入了核函数，借此可以通过非线性映射将数据转换到一个高维空间中，在高维空间中使用PCA再将其映射到另一个低维空间中。

(2)快速盲源分离：Fast-ICA是线性盲源分离算法中较为成熟的一种，算法流程主要包括三步：首先对特征矩阵进行归一化，将所有的特征值都归一化到[0,1]的范围。接着进行白化，因为ICA模型不包含噪声项，为了使模型正确就必须使用白化。最后将白化之后的模型进行ICA分析。

(3)基于KL散度的特征筛选算法：KL散度也被称为相对熵，用于度量两个概率分布之间的差异程度，具有非负性和不对称性。具体的计算公式如下所示：

式中P表示真实分布，Q表示P的拟合分布。

(4)基于相关系数的特征筛选算法：Corr方法是基于皮尔森相关系数，它是衡量两个随机变量之间线性相关程度的指标，描述的是一种非确定性的关系。相关系数r的取值范围是[-1,1]，表示变量之间相关程度的高低，r的绝对值取值越大，其相关度越高。r>0表示正相关，r<0表示负相关，r＝1称为完全正相关，r＝-1称为完全负相关，r＝0称为不相关。

四：实验调参：

(1)随机森林分类器中决策树数量参数的确定：针对随机森林分类器中的决策树数量进行参数调整，分类器的正确率随着决策树的数量增加产生的结果如图5所示；

在该分类器中，随着内部决策树数量的增加，正确率逐步上升。最终在5棵决策树的时候，分类正确率上升到98％的正确率，接近顶峰。为了避免资源浪费并保证正确率，后续的实验结果都是采用5棵树作为随机森林分类器中的决策树参数。

(2)带通滤波参数的确定：主要是通过计算每一类数据的功率谱密度，并根据功率谱密度绘制出能够反映不同频率段所含信息量大小的R2图，根据该图能得到信息最多的频段信息。在这些R2图中，该滤波段所蕴含的信息越多，则该频段的颜色就越鲜艳，由此确定每个数据集的带通滤波参数。绘制的R2图如图6所示。

由图6得知，不同的数据集对应的R2图也不同，由图6颜色对比来进行滤波参数选择。aa数据集的滤波频段选取为3-30。al数据集的滤波频段选取为5-40。av数据集的滤波频段选取为8-45。aw数据集的滤波频段选取为8-48。ay数据集的滤波频段选取为5-35。

(3)PSO参数设置：本实验所设置的粒子群优化算法的各项参数以及描述如表1所示。

表1 PSO参数设置

参数名	参数值	描述
			Iter_max	1000	最大迭代次数
pop_size	10	种群初始数量
			c1、c2	2	学习率
gBest	best(g.fitness)	当前状态所有粒子中的最优值
			pBest	best(p.fitness)	该粒子所走过的路程中的最佳位置

五、特征选择对比算法实验结果

将五个数据集的训练集和测试集按照2:8的比例进行分割，验证不同的对比算法在训练集样本少的情况下和本实验所提的方法的分类精度比较情况，并且每个算法都是经过10次实验，从而得到的五个数据集的平均的分类正确率，具体的结果如表2所示。

表2 各算法平均分类正确率结果表(％)

	KNN	sLDA	SGD	Ensemble
					Kernel-PCA	95.9	87.9	97.3	96.8
Fast-ICA	98.7	80.2	84.7	98.4
					KL	89.1	78.6	90.2	98.6
Corr	97.2	87.4	85.0	92.1
					Pso-EN	99.5	88.3	97.6	99.6

上表展示了各个特征选择的对比算法以及本文所提方法的结果，其中前四行表示不同的特征选择对比算法，分别对应3.3章节中的四个特征选择算法，最后一行表示本文所提出的特征选择算法，每一列表示不同的分类器。通过此表可以看出，本文所提出的特征筛选方法相比现阶段较为热门的四种算法来说，效果更优。在训练样本少的情况下，四种分类器所得到的平均分类正确率也能达到96.25％。

为了更直观地反应出这五种不同算法的区别，计算每个特征选择算法后所得到的分类器的平均F分数，并利用平均F分数值绘制下述直方图如图7所示。

由图7可得，本文所提的算法的F分数，在分类器平均十次后数值能够到达0.98，超过其余四种特征选择算法，因此验证本文提的方法更优。

六、适应度函数实验结果

本实验所使用的适应度函数是三个评价指标的和,分别是Accuracy、AUC以及F_score。为了验证这三种评价指标的和是否比任意单个或两个所组成的适应度函数的效果更好，结果如表3所示。

表3 不同适应度函数对应分类结果表(％)

	KNN	sLDA	SGD	Ensemble
					Accuracy	96.8	86.7	94.2	97.6
AUC	96.9	86.6	94.2	96.7
					F_score	95.1	85.7	97.2	97.5
Accuracy+AUC	91.6	87.1	86.5	95.3
					AUC+F_score	98.0	86.3	94.7	98.3
Accuracy+F_score	95.9	87.2	95.1	97.3
					Our method	98.4	87.9	98.8	98.6

上表展示了不同的适应度函数所得到的不同的分类效果。每一行表示不同的适应值函数，每一列表示不同的分类器。本实验所设计的由上述三种评价指标所构成的适应度函数在集成分类器上的平均效果能达到98.6％。在SGD的分类效果上也提高了12.3％～1.6％，因此验证了本文所设计的适应度函数的效果更优，因为这三种评价指标能从各个角度反映分类性能，从而互相辅助来达到更优效果。

为了证明本实验所提出的算法在不同数据集中都能适用，且训练集较少的情况下也表现优异，将五种数据集的训练集和测试集全部按照1:3的比例进行分类，在4种不同分类器上得到10次结果的平均值和方差，结果如下表4所示。

表4 不同数据集的特征分类验证结果表

表4反映了本文提出的算法在五个不同的数据集中所得到的效果。其中每一行表示为不同的数据集，最后一行为该五个数据集的平均分类性能，并且每一行都有上述三个评价指标来反映分类效果，每一列为不同的分类器的效果。由上表得知，本实验所设计的算法模型在五个数据集上表现的都较为良好，四个分类器的总平均分类正确率也能达到93.63％。在SGD、KNN以及Ensemble分类器上，五个数据集的平均正确率能够达到90％以上。而sLDA的分类性能在85％左右，这主要是因为本实验所规定的训练集比测试集为1:3，训练集较少，因此不适合sLDA分类器的应用。AUC值和F_score值也都与正确率较为接近，因此说明分类性能非常良好。从而根据以上结果能够实现精确的运动想象分类。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，包括以下步骤：

S1、采集MI脑电信号，并对采集到的MI脑电信号进行带通滤波，随后通过小波软阈值法进行去噪操作，并提取脑电特征信号；

S2、采用粒子群优化算法-随机森林算法PSO-RF对脑电特征信号进行特征筛选；具体实现方法为：

S21、对所有粒子进行随机初始化，粒子初始化为单个MI脑电信号的特征向量；

S22、根据适应度函数计算由所有粒子构成的种群的适应值，并将初始适应值中的最优值赋给全局最优值gbest；

适应度函数的计算公式为：

Fitness＝Accuracy+AUC+F_score

式中，Accuracy代表分类正确率，AUC代表ROC面积值，F-score代表分数；

分类正确率取为正确分类的样本数与样本总数之比，具体的计算公式为：

式中，Exactly值是分类正确的样本数量，Total指的是总样本数量；

F分数是衡量二分类的一种评价指标，它结合了精确率和召回率，具体公式为：

式中，Precision和Recall分别是模型的精确率和召回率，其计算公式为：

其中，TP是真阳性样本数，FN是假阴性样本数，FP是假阳性样本数；

S23、判断是否满足迭代结束条件；迭代的结束条件有两个：一个是超过了预设的最大迭代次数；另一个是已经达到了最优值；若满足其中任意一个迭代结束条件则保存粒子参数后跳出迭代循环；否则执行步骤S24；

S24、更新每个粒子当前的速度和位置：根据下式更新每个粒子的速度v和位置x：

v＝v+c₁*rand()*(pbest-x)+c₂*rand()*(gbest-x)

x＝x+v

v是粒子的速度，rand()是介于(0,1)之间的随机数，x表示粒子当前的位置，c₁和c₂是两个学习因子；

S25、评估每个粒子的适应度函数值：根据S24得到的粒子当前的速度和位置评估每个粒子的适应值；

S26、对每个粒子的历史最优位置进行更新：将每个粒子当前位置与历史位置上的适应值进行比较，选择适应值最优结果作为该粒子的局部最优值；

S27、对群体的全局最优位置进行更新：将所有粒子的局部最优值进行比较，选择适应值最优结果作为新的全局最优值pbest，替代更新原有的gbest；然后返回步骤S23。

2.根据权利要求1所述的基于特征融合和粒子群优化算法的MI脑电信号识别方法，其特征在于，所述步骤S1包括以下子步骤：

S11、采集一段时间内的MI脑电信号，将采集到的MI脑电信号进行带通滤波；

S12、采用小波软阈值法对滤波后的MI信号进行去噪处理；

S13、进行SCSP筛选通道，包括以下步骤：

S131、根据采样点和通道数所构成的矩阵来计算协方差矩阵，采样点即为信号采集时间内电极采集MI脑电信号的次数，一个电极即为一个采样通道；

S132、对协方差矩阵进行正交白化变换并对角化；

S133、计算投影矩阵；

S134、根据投影矩阵计算各个通道的得分；

S135、筛选得分最高的16个通道；

S136、将想象右手运动和想象右脚运动的两类不同样本进行合并；

S14、特征提取：建立自回归模型：

式中，P为自回归模型的阶数；a为自回归模型系数；e(k)表示的是自回归模型的残差，是均值为0、方差为or2的白噪声序列；x(k)表示所构建好的自回归模型；

采用最小二乘法对自回归模型进行参数估计；

自回归模型构建出来之后，利用自回归模型系数a来作为MI脑电信号的特征；

S15、进行特征融合：将SCSP筛选通道提取到的16维的特征向量、小波软阈值法去噪得到的64维的特征向量和自回归模型提取到的32维的特征向量进行随机组合，构成一个112维的特征向量。

Images