CN112016415B - 结合集成学习与独立分量分析的运动想象分类方法 - Google Patents

Abstract

本发明公开了一种结合集成学习与独立分量分析的运动想象分类方法，基于不同的单次试验数据构造ICA空域滤波器对数据进行空域滤波与特征提取，并使用简单分类规则构造不同的基分类器，进而运用集成学习的投票法结合策略构成新的运动想象脑电信号分类器。本发明设计的集成分类器具有较稳定的识别率，多个基分类器集成学习分类，可以获得比单一分类器更优越的泛化性能，提高EEG信号的分类识别率。在不同受试者之间和同一受试者的不同时期采集的数据的迁移测试中，也体现较稳定的性能，具有更好的实用性。

Description

结合集成学习与独立分量分析的运动想象分类方法

技术领域

本发明涉及脑电信号处理技术领域，特别是涉及一种结合集成学习与独立分量分析的运动想象分类方法。

背景技术

脑-机接口(Brain-Computer Interface,BCI)技术能够在大脑与外部设备间建立一条信息传输通道。BCI在对采集到的脑电信号(electroencephalogram,EEG)进行分析与处理，并将所获取的与思维任务相关的EEG模式特征转化为计算机可识别的命令，从而实现人脑与外部世界的直接交流以及对外部设备的控制。由于BCI技术不依赖于人体肌肉和周围神经，所以在康复医疗、交通控制、智能家居、军事以及娱乐等领域都有很大的发展和应用前景。

运动想象是常用的一类BCI实现模式。根据神经电生理知识，当人们想象或实际控制左/右侧肢体运动时，大脑右/左侧运动皮层为活跃状态，表现为新陈代谢和血液流动加快，此时肢体对侧脑电的mu节律和beta节律振幅减小，对应频段能量降低，即所谓事件相关去同步(event-related desynchronizations,ERD)现象。与之相反，肢体同侧大脑的感觉运动皮层区域处于静息状态，mu节律和beta节律振幅增大，频段能量升高，称为事件相关同步(event-related synchronizations,ERS)现象。运动想象脑电(motor imagery EEG,MI-EEG)的这种节律性差异可用于设计运动想象脑机接口(motor imagery BCI,MI-BCI)。

BCI接口的组成包括脑电信号采集、信号预处理、特征提取和分类四个部分。在信号预处理模块中，空域滤波技术对BCI系统性能的改善起到了极其重要的作用。其中，共同空间模式(Common Spatial Pattern,CSP)与独立分量分析(Independent ComponentAnalysis,ICA)是两种最常用的空域滤波算法。CSP算法需要使用带标签的训练样本，属于有监督空域滤波器设计方法，而ICA空域滤波器的设计不依赖于训练数据的标签，属于无监督设计。在信号分类模块中，线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vecor Machine,SVM)、人工神经网络(Artificial Neural Netwroks,ANN)等被广泛应用于运动想象脑电信号的分类。

空域滤波器和机器学习分类器是构建BCI系统的两个核心模块，它们的性能决定了BCI系统的整体性能，而这两个模块的性能又与训练样本质量密切相关。只有高质量的MI-EEG训练样本才可能建立具有良好性能的空域滤波器和分类器。但是，在MI-EEG的采集过程中，因受试者疲劳和注意力分散而导致的标签错误很难避免。这些标签错误对有监督空域滤波器(如CSP)和机器学习分类器的影响很大，往往会造成BCI系统的分类和迁移性能显著下降。

原始头皮EEG的信噪比和空间分辨率都很低，且易受各种突发伪迹的干扰。ICA作为一种盲源分离方法，可以从多导联EEG信号中分离出任务相关的神经源和各种伪迹，因此被广泛应用于EEG信号信噪比改善和真实神经活动的提取。但ICA算法在对实测EEG数据进行处理时，由于噪声干扰的非平稳性和随机性，所得ICA空域滤波器的稳定性欠佳，进而限制了ICA算法在MI-BCI系统实现中的有效应用。

为此，针对现有的运动想象脑电分类方法的不足，本发明提出一种结合集成学习(ensemble learning,EL)与独立分量分析(EL-ICA)的运动想象分类方法，来解决上述问题。

发明内容

本发明所要解决的技术问题是提供一种结合集成学习与独立分量分析的运动想象分类方法，能够提高运动想象脑电信号的识别率和BCI系统的稳定性。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种结合集成学习与独立分量分析的运动想象分类方法，包括以下步骤：

S1：采集脑电信号并进行预处理，将预处理后的脑电数据分为训练集和测试集；

S2：在所述训练集中随机选择P个不同的单次试验样本数据，构造P个不同的ICA空域滤波器组；

S3：用P个空域滤波器组对测试集中的一个单次试验样本数据进行空域滤波，并提取特征；

S4：采用P个基于简单分类规则的基分类器进行分类识别，得到对这一个单次试验数据的P个预测标签；

S5：对P个预测标签进行遍历，用多数投票法结合策略集成所有基分类器预测结果，得到单次试验数据的最终分类结果；

S6：对所有的测试数据都执行上述S3至S5的集成学习分类步骤，计算整个测试集的分类识别率。

在本发明一个较佳实施例中，在步骤S1中，对采集的原始脑电信号进行预处理的过程包括：选取9导联数据并进行8—30Hz带通滤波和最大幅值归一化处理。

在本发明一个较佳实施例中，在步骤S2中，在所述训练集中随机选择P个不同的单次试验样本数据的具体步骤包括：

对于一个训练数据集X＝{x₁,x₂,...,x_n}共有n个单次试验样本数据，将整数序列[1:n]随机排序得到一个新的序列b，取序列b的前P个元素[b(1),b(2),...,b(P)]，在训练集X中找到b中元素值对应位置的{x_b(1),x_b(2),...,x_b(P)}作为随机选择的P个单次试验样本。

在本发明一个较佳实施例中，在步骤S2中，构造P个不同的ICA空域滤波器组的具体步骤包括：

S201：初始化一个分离矩阵W，对于其中的一个单次试验数据x，初始化独立源信号s＝W^Tx，对分离矩阵W进行迭代学习，算法如下：

W←W+lrate×(I-sign(s)s^T-ss^T)W

其中，lrate表示学习率；对分离矩阵W求逆得到混合矩阵A＝[a₁,a₂,…,a₉]；

S202：对A求绝对值得到|A|＝[|a₁|,|a₂|,...,|a₉|]，初始化一个全零数组[m₁,m₂,…,m₉]，对|a_i|(i＝{1,2,...,9})中的每个元素进行遍历，判断当前元素数值是否大于m_i位置处的元素，若是则更新m_i为当前元素的下标值，否则不变；

S203：记录左手、右手和脚三类运动想象数据相关的主电极位置，分别记为L_l，L_r，L_f；

S204：判断|A|中是否同时存在三列分别在主电极处有最大值，即在[m₁,m₂,…,m₉]中是否有m_i，m_j，m_k，使其满足m_i＝L_l，m_j＝L_r，m_k＝L_f，且i≠j≠k；若能找到，则在分离矩阵W^T中找到对应的第i列、第j列、第k列保存，作为单次试验数据x构造的一个ICA空域滤波器组w＝{w_l,w_r,w_f}；否则将x丢弃，并重新随机选择P个样本数据；

S205：对于P个不同的单次试验样本数据，重复步骤S201至S204，得到P个不同的滤波器组{w₁,w₂,...,w_P}。

在本发明一个较佳实施例中，步骤S3的具体步骤包括：

假设采集的脑电数据为左手、右手和脚三类运动想象数据，运动想象时段起始时间为T₁，结束时间为T₂，一个单次试验样本数据为y＝[y₁,y₂,…,y₉]^T；

S301：用一个空域滤波器对一个单次试验数据y＝[y₁,y₂,…,y₉]^T滤波得到3个独立源信号{s_l,s_r,s_f}，分别取{s_l,s_r,s_f}在时间点T₁与T₂之间的数据，并进行10—14Hz频带范围的带通滤波，然后分别对滤波后的3个源信号求平方和，得到特征向量e＝[e_l,e_r,e_f]；

S302：分别用P个空域滤波器对同一个单次试验数据执行步骤S301，得到P个特征向量{e₁,e₂,...,e_P}。

在本发明一个较佳实施例中，步骤S4的具体步骤包括：

假设采集的脑电数据为左手、右手和脚三类运动想象数据，在步骤S3中提取的P个特征向量为{e₁,e₂,...,e_P}，其中e_i＝[e_l,e_r,e_f](i＝{1,2,...,P})；

S401：简单分类规则分类为比较特征向量e_i＝[e_l,e_r,e_f]各个元素的大小，若e_l/e_r/e_f值最小，则预测为左手/右手/脚部运动想象，即得到一个对样本y的预测标签c，其中，c∈{“1”，“2”，“3”}分别表示左手、右手和脚的运动想象；

S402：对P个特征向量均执行步骤S401的简单分类规则，一个特征向量对应构造一个基分类器，最后得到P个对样本y的预测标签{c₁,c₂,…,c_P}。

在本发明一个较佳实施例中，步骤S5的具体步骤为：

假设采集的脑电数据为左手、右手和脚三类运动想象数据，对P个预测标签进行遍历，分别统计预测为左手、右手和脚部想象运动的标签个数，并比较其大小，找出得票最多的预测标签，判定其为本单次试验数据的最终分类结果。

在本发明一个较佳实施例中，步骤S6的具体步骤包括：

对所述测试数据集中的所有单次试验样本数据进行步骤S3至S5的集成学习分类，将每个样本的最终分类结果与其真实的运动想象标签进行对比，将正确分类的单次试验个数除以总的单次试验个数，得到最终的分类识别率，其计算公式如下：

本发明的有益效果是：

(1)本发明能够解决因采集的脑电数据由于某个单次试验数据受突发干扰导致数据质量差，进而导致的ICA滤波器性能差，MI-BCI系统分类识别率大幅度下降的问题；

(2)本发明中的基分类器是基于简单分类规则，属于无监督设计零训练分类器，对训练数据的错误标签不敏感，且时间复杂度相比较其他机器学习分类器低；

(3)本发明设计的集成分类器具有较稳定的识别率，多个基分类器集成学习分类，可以获得比单一分类器更优越的泛化性能，提高EEG信号的分类识别率。在不同受试者之间和同一受试者的不同时期采集的数据的迁移测试中，也体现较稳定的性能，具有更好的实用性。

附图说明

图1是本发明结合集成学习与独立分量分析的运动想象分类方法的流程图；

图2是本发明中三类运动想象实验采集范式；

图3是构造ICA空域滤波器的流程图；

图4是简单分类规则对测试数据分类的流程图；

图5是本发明中集成学习算法流程图；

图6是本发明构造的ICA空域滤波器示例图；

图7是基分类器对测试数据预测结果示例图；

图8是本发明与单次试验ICA滤波器自测试的识别结果对比图；

图9是本发明与单次试验ICA滤波器在组间迁移测试的识别结果对比图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本发明的技术思路是：基于不同的单次试验数据构造ICA空域滤波器对数据进行空域滤波与特征提取，并使用简单分类规则构造不同的基分类器，进而运用集成学习的投票法结合策略构成新的运动想象脑电信号分类器，具体技术方案如下：

请参阅图1，一种结合集成学习与独立分量分析的运动想象分类方法，包括以下步骤：

S1：采集脑电信号并进行预处理，将预处理后的脑电数据分为训练集和测试集；

S2：在所述训练集中随机选择P个不同的单次试验样本数据，构造P个不同的ICA空域滤波器组；

S3：用P个空域滤波器组对测试集中的一个单次试验样本数据进行空域滤波，并提取特征；

S4：采用基于简单分类规则的基分类器进行分类识别，得到对这一个单次试验数据的P个预测标签；

S5：对P个预测标签进行遍历，用多数投票法结合策略集成所有基分类器预测结果，得到单次试验数据的最终分类结果；

S6：对所有的测试数据都执行上述S3至S5的集成学习分类步骤，计算整个测试集的分类识别率。

下面结合一较佳实施例对本发明所述方法实现过程的具体步骤进行描述：

步骤1：实验数据的采集与预处理：

受试者佩戴电极帽进行MI-EEG数据采集，根据图2所示的运动想象实验范式进行实验，使用26个头皮电极记录左手、右手和脚三类运动想象10s的数据。如图2所示，单次试验数据采集分为准备、运动想象以及休息三个时段，在准备时段内，显示屏会持续1.5秒的黑屏，随后电脑发出“开始”声提示音，开始进入运动想象时段，受试者根据电脑屏幕上显示的三种“左手”、“右手”、“脚”的图片进行对应的运动想象思维任务，持续时间为5.5秒。运动想象时段结束后，显示屏黑屏，受试者进入休息时段，为下一次实验做准备；

为了提高计算速度，在26个导联数据中找到基本包含与运动想象相关特征的9个导联数据，但由于受试者之间脑结构的不同和每次实验电极帽佩戴位置的差异会导致每组实验数据的导联位置存在差距，所以将与用26个导联数据得到的准确率相比差距最小的9个导联确定为最优导联。实验数据的预处理过程包括：

对采集的原始脑电信号选取最优的9导联数据并进行8—30Hz带通滤波和最大幅值归一化处理，然后将处理后的脑电数据分为训练集和测试集；

步骤2：在训练数据集中随机选择P个不同的单次试验样本：

对于一个训练数据集X＝{x₁,x₂,...,x_n}共有n个单次试验样本数据，将整数序列[1:n]随机排序得到一个新的序列b，取序列b的前P个元素[b(1),b(2),...,b(P)]，在训练集X中找到b中元素值对应位置的{x_b(1),x_b(2),...,x_b(P)}作为随机选择的P个单次试验样本；

步骤3：构造基于单次试验的ICA空域滤波器，具体步骤如图3所示：

在步骤2选择的P个单次试验样本中选取一个10秒的单次试验数据x＝[x₁,x₂,…,x₉]^T，对该数据进行ICA计算：

首先初始化一个分离矩阵W，初始化独立源信号s＝W^Tx，分离矩阵W的迭代学习算法如下：

W←W+lrate×(I-sign(s)s^T-ss^T)W(1)

其中，lrate表示学习率。进而对分离矩阵求逆得到混合矩阵A＝[a₁,a₂,…,a₉]；

进一步构造空域滤波器，对A求绝对值得到|A|＝[|a₁|,|a₂|,...,|a₉|]，初始化一个全零数组[m₁,m₂,…,m₉]，对|a_i|(i＝{1,2,...,9})中的每个元素进行遍历，判断当前元素数值是否大于m_i位置处的元素，若是就更新m_i为当前元素的下标值，否则不变。在9导联中选出3个与三类运动想象相关的主电极，并记录它们的位置为L_l，L_r，L_f，判断在[m₁,m₂,…,m₉]中是否可以同时找到m_i，m_j，m_k，使其满足m_i＝L_l，m_j＝L_r，m_k＝L_f，且i≠j≠k。若能找到，则在分离矩阵W^T中找到对应的第i列、第j列、第k列保存，作为单次试验数据x构造的一个ICA空域滤波器组w＝{w_l,w_r,w_f}；否则将x丢弃，并重新随机选择P个样本数据；

步骤4：对测试数据提取特征并使用简单分类规则进行分类，具体过程如图4所示：

假设运动想象时段起始时间为T₁，结束时间为T₂，特征提取过程是用(3)中得到的w对一个单次试验数据y＝[y₁,y₂,…,y₉]^T滤波得到3个独立源信号{s_l,s_r,s_f}，分别取{s_l,s_r,s_f}在时间点T₁与T₂之间的数据，并进行ERD和ERS现象较明显的频带范围(一般为10—14Hz)的带通滤波，然后分别对滤波后的3个源信号求平方和，得到特征向量[e_l,e_r,e_f]；

简单分类规则分类为比较特征向量[e_l,e_r,e_f]各个元素的大小，若e_l/e_r/e_f值最小，则预测为左手/右手/脚部运动想象，即得到一个对样本y的预测标签c，其中，c∈{“1”，“2”，“3”}分别表示左手、右手和脚的运动想象；

步骤5：用多数投票法结合策略集成所有基分类器预测结果，得到最终决策，如图5所示：

对于MI-EEG测试集中的一个单次试验样本数据，用不同的ICA空域滤波器组对其预处理进而提取特征，再用基于简单分类规则的基分类器进行分类识别，然后用多数投票法集成所有预测结果，得出最终决策，具体步骤如图5所示：

根据步骤3，不同的单试验数据可以构造不同的ICA空域滤波器组，在运动想象EEG训练数据集中随机选择P个不同的单次试验样本数据，用来构造P个不同的空域滤波器组{w_l,w_r,w_f}；

依次用这P个空域滤波器组对测试数据中的同一个单次试验样本数据y进行步骤4所介绍的基于简单分类规则的分类识别，得到不同的基分类器对数据y的P个预测标签，记为{c₁,c₂,…,c_P}；

对P个预测标签进行遍历，计算基分类器对左手、右手和脚部想象运动标签的投票个数，计算规则如下：

class₁、class₂、class₃分别表示三类标签的得票数量，即将单次试验数据预测为左手、右手和脚部运动想象的基分类器个数；

比较class₁，class₂，class₃的大小，判定多数基分类器的预测结果即得票最多的标签为本单次试验样本数据y的最终识别类别C：

步骤6：计算整个测试集的识别率：

对MI-EEG测试数据集中的所有单次试验样本数据进行上述集成学习分类，将每个样本的最终分类结果与其真实的运动想象标签进行对比，将正确分类的单次试验个数除以总的单次试验个数，得到最终的分类识别率accuracy，其计算公式如下：

理论上，在基分类器的错误率相互独立的基础上，集成学习中基分类器数目P越大，集成错误率越小，但实际上基分类器都是针对同一问题训练出来的，不存在完全相互独立的情况，P太过于大也会增加算法的时间复杂度。所以应进行多次尝试实验，权衡准确率与时间复杂度，选择一个合适的基分类器数目，使准确率达到所期望的范围，同时时间复杂度也不会太大。经发明人多次试验数据显示，P的优选范围为10≤P≤15。

在一个具体实例的训练集中随机选择了10个不同的单次试验样本构造10个ICA滤波器组，主电极位置为4，5，6。如图6所示为其中5个空域滤波器组，可以明显的看出每个ICA滤波器组都分别在主电极处有最大值，而且对比5个滤波器组，可以发现滤波器组之间存在明显的差距，因此可以证实用不同的单次试验样本可以构造不同的ICA滤波器。

用10个不同的ICA滤波器组对每个单次试验测试数据空域滤波，并进行基于简单分类规则的分类预测，得到10个基分类器对该数据的预测标签。如图7所示，将数据做如下标记：左手运动想象(类别1)、右手运动想象(类别2)、脚部运动想象(类别3)，表现出不同的基分类器对同一测试数据的预测结果会有差别，这也正好满足了集成学习中基分类器的多样性特征。最后找到得票最多的标签，判定其为该单次试验样本的最终识别类别。

本实施例中，将基于单次试验ICA空域滤波器的BCI自测试识别结果与本发明的EL-ICA方法在训练集与测试集为同一数据集上的分类识别结果进行对比分析，图8(a)是基于单次试验的ICA空域滤波器的BCI自测试的识别结果，可以看到识别率波动起伏很大，存在BCI识别率大幅度下降的问题，图8(b)是本发明的EL-ICA方法的识别结果，识别率没有明显的好坏差距，识别结果稳定居于90％到95％之间。进一步从图8(c)的箱线图可以很明显看出本发明的EL-ICA方法识别率较基于单次试验ICA滤波器的BCI识别率分布范围更为集中，且识别效果有所提升。

本实施例中，还将本发明的EL-ICA方法运用在运动想象EEG组间迁移测试，即测试集与训练集为同一受试者在不同时期采集的数据，并且与基于单次试验ICA滤波器的BCI在组间迁移测试的结果进行对比分析，图9(a)和图9(b)分别为基于单次试验ICA滤波器的BCI和本发明的EL-ICA方法迁移测试的识别结果，图9(c)为两种方法识别率的箱线图表示，发现EL-ICA方法在组间迁移测试中，也体现了较稳定的识别率，具有更好的泛化性与实用性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种结合集成学习与独立分量分析的运动想象分类方法，包括以下步骤：

S1：采集脑电信号并进行预处理，脑电信号为左手、右手和脚三类运动想象数据，将预处理后的脑电数据分为训练集和测试集；

S2：在所述训练集中随机选择P个不同的单次试验样本数据，构造P个不同的ICA空域滤波器组；

S3：用一个空域滤波器组对一个单次试验数据进行滤波，得到一个特征向量，分别用P个空域滤波器组对测试集中的同一个单次试验样本数据进行空域滤波，得到P个特征向量；

S4：采用P个基于简单分类规则的基分类器进行分类识别，一个特征向量对应构造一个基分类器，得到对这一个单次试验数据的P个预测标签；

S5：对P个预测标签进行遍历，用多数投票法结合策略集成所有基分类器预测结果，得到单次试验数据的最终分类结果，结果分别是左手、右手和脚的运动想象；

S6：对所有的测试数据执行上述S3至S5的集成学习分类步骤，计算整个测试集的分类识别率。

2.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S1中，对采集的原始脑电信号进行预处理的过程包括：选取9导联数据并进行8-30Hz带通滤波和最大幅值归一化处理。

3.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S2中，在所述训练集中随机选择P个不同的单次试验样本数据的具体步骤包括：

对于一个训练数据集X＝{x₁，x₂，...，x_n}共有n个单次试验样本数据，将整数序列[1：n]随机排序得到一个新的序列b，取序列b的前P个元素[b(1)，b(2)，...，b(P)]，在训练集X中找到b中元素值对应位置的{x_b(1)，x_b(2)，...，x_b(P)}作为随机选择的P个单次试验样本。

4.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，在步骤S2中，构造P个不同的ICA空域滤波器组的具体步骤包括：

S201：初始化一个分离矩阵W，对于其中的一个单次试验数据x，初始化独立源信号s＝W^Tx，对分离矩阵W进行迭代学习，算法如下：

W←W+lrate×(I-sign(s)s^T-ss^T)W

其中，lrate表示学习率；对分离矩阵W求逆得到混合矩阵A＝[a₁，a₂，...，a₉]；

S202：对A求绝对值得到|A|＝[|a₁|，|a₂|，...，|a₉|]，初始化一个全零数组[m₁，m₂，...，m₉]，对|a_i|，i∈{1，2，...，9}中的每个元素进行遍历，判断当前元素数值是否大于m_i位置处的元素，若是则更新m_i为当前元素的下标值，否则不变；

S203：记录左手、右手和脚三类运动想象数据相关的主电极位置，分别记为L_l，L_r，L_f；

S204：判断|A|中是否同时存在三列分别在主电极处有最大值，即在[m₁，m₂，...，m₉]中是否有m_g，m_j，m_k，使其满足m_g＝L_l，m_j＝L_r，m_k＝L_f，且g≠j≠k；若能找到，则在W^T中找到对应的第g列、第j列、第k列保存，作为单次试验样本数据x构造的一个ICA空域滤波器组w＝{w_l，w_r，w_f}；否则将x丢弃，并重新随机选择P个样本数据；

S205：对于P个不同的单次试验样本数据，重复步骤S201至S204，得到P个不同的滤波器组{w₁，w₂，...，w_P}。

5.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，步骤S3的具体步骤包括：

采集的脑电数据为左手、右手和脚三类运动想象数据，运动想象时段起始时间为T₁，结束时间为T₂，一个单次试验样本数据为y＝[y₁，y₂，...，y₉]^T；

S301：用一个空域滤波器组对一个单次试验数据y＝[y₁，y₂，...，y₉]^T滤波得到3个独立源信号{s_l，s_r，s_f}，分别取{s_l，s_r，s_f}在时间点T₁与T₂之间的数据，并进行10-14Hz频带范围的带通滤波，然后分别对滤波后的3个源信号求平方和，得到特征向量e＝[e_l，e_r，e_f]；

S302：分别用P个空域滤波器组对同一个单次试验数据执行步骤S301，得到P个特征向量{e₁，e₂，...，e_P}。

6.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，步骤S4的具体步骤包括：

采集的脑电数据为左手、右手和脚三类运动想象数据，在步骤S3中提取的P个特征向量为{e₁，e₂，...，e_P}，其中e_i＝[e_l，e_r，e_f]，i∈{1，2，...，P}；

S401：简单分类规则分类为比较特征向量e_i＝[e_l，e_r，e_f]各个元素的大小，若e_l/e_r/e_f值最小，则预测为左手/右手/脚部运动想象，即得到一个对样本y的预测标签c，其中，c∈{“1”，“2”，“3”}分别表示左手、右手和脚的运动想象；

S402：对P个特征向量均执行步骤S401的简单分类规则，一个特征向量对应构造一个基分类器，最后得到P个对样本y的预测标签{c₁，c₂，...，c_P}。

7.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，步骤S5的具体步骤为：

采集的脑电数据为左手、右手和脚三类运动想象数据，对P个预测标签进行遍历，分别统计预测为左手、右手和脚部想象运动的标签个数，并比较其大小，找出得票最多的预测标签，判定其为本单次试验数据的最终分类结果。

8.根据权利要求1所述的结合集成学习与独立分量分析的运动想象分类方法，其特征在于，步骤S6的具体步骤包括：

对所述测试集中的所有单次试验样本数据进行步骤S3至S5的集成学习分类，将每个样本的最终分类结果与其真实的运动想象标签进行对比，将正确分类的单次试验个数除以总的单次试验个数，得到最终的分类识别率，其计算公式如下：

Images