一种脑电信号的多元特征融合提取的信号特征提取方法技术

本发明专利技术公开了一种脑电信号的多元特征融合提取的信号特征提取方法，该方法包括：获取脑电信号数据并对脑电信号数据进行信号预处理，得到预处理后的信号；对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵；对原始特征矩阵进行融合降维处理，得到最终特征矩阵；将最终特征矩阵输入至预训练的分类模型进行分类，输出分类结果。本发明专利技术克服了传统算法中的单域特征提取算法中的脑电信号信息不全的问题，有效提升分类性能。本发明专利技术作可广泛应用于信号处理领域。可广泛应用于信号处理领域。可广泛应用于信号处理领域。

【技术实现步骤摘要】
一种脑电信号的多元特征融合提取的信号特征提取方法


[0001]本专利技术涉及信号处理领域，尤其涉及一种脑电信号的多元特征融合提取的信号特征提取方法。

技术介绍

[0002]脑电信号是非线性、非平稳的时序信号，可通过头皮上电极的传感器检测，这些信号是神经元膜电位的外部表现。基于脑电信号的研究可以用于进行情绪识别，目前大多都是通过提取单个领域的特征进行情绪识别，但是单个领域的特征提取只能包含脑电信号的部分信息，会导致分类性能不太理想。

技术实现思路

[0003]本专利技术的目的是提供一种脑电信号的多元特征融合提取的信号特征提取方法，克服了传统算法中的单域特征提取算法中的脑电信号信息不全的问题。
[0004]本专利技术所采用的第一技术方案是：一种脑电信号的多元特征融合提取的信号特征提取方法，包括以下步骤：
[0005]获取脑电信号数据并对脑电信号数据进行信号预处理，得到预处理后的信号；
[0006]对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵；
[0007]对原始特征矩阵进行融合降维处理，得到最终特征矩阵；
[0008]将最终特征矩阵输入至预训练的分类模型进行分类，输出分类结果。
[0009]进一步，所述获取脑电信号数据集并对脑电信号数据集进行信号预处理，得到预处理后的信号这一步骤，其具体包括：
[0010]获取脑电信号数据；
[0011]基于独立成分分析方法对脑电信号数据进行杂讯分离处理，得到分离后的信号；
[0012]基于巴特沃夫带通滤波器对分离后的信号进行频率筛选处理，得到筛选后的信号；
[0013]对筛选后的信号进行归一化，得到预处理后的信号。
[0014]进一步，所述对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵这一步骤，其具体包括：
[0015]对预处理后的信号在时域上进行特征提取，得到时域特征；
[0016]基于AR模型功率谱估计方法对预处理后的信号在频域上进行特征提取，得到频域特征；
[0017]基于希尔伯特
‑
黄变换方法对预处理后的信号在时频域上进行特征提取，得到时频域特征；
[0018]基于非线性动力学分析对预处理后的信号在非线性域上进行特征提取，得到非线性域特征；
[0019]基于公共空间模式分析对预处理后的信号在空域上进行特征提取，得到空域特
征；
[0020]根据时域特征、频域特征、时频域特征、非线性域特征和空域特征进行矩阵构建，得到原始特征矩阵。
[0021]进一步，所述时域特征包括标准差、均方根、一阶差分绝对值的均值，所述非线性特征包括近似熵、模糊熵、样本熵。
[0022]进一步，所述对原始特征矩阵进行融合降维处理，得到最终特征矩阵这一步骤，其具体包括：
[0023]对原始特征矩阵进行去均值处理，得到中心化后的矩阵；
[0024]计算中心化后的矩阵的协方差矩阵并进行特征值分解，得到特征值和对应的特征向量；
[0025]将特征值排序并按顺序取预设数量特征值对应的特征向量构建矩阵，得到最终特征矩阵。
[0026]进一步，所述将最终特征矩阵输入至预训练的分类模型进行分类，输出分类结果对这一步骤，其具体包括：
[0027]基于粒子群算法和预构建的训练集对SVM
‑
KNN分类器进行参数寻优，得到预训练的分类模型；
[0028]以最终特征矩阵为输入，基于预训练的分类模型计算待测样本与最优超平面的距离，得到样本距离；
[0029]将样本距离与预设阈值比较；
[0030]判断到样本距离的绝对值小于预设阈值，采用KNN算法进行分类，输出分类结果；
[0031]判断到样本距离的绝对值大于等于预设阈值，采用SVM算法进行分类，输出分类结果。
[0032]进一步，所述样本距离的计算公式如下：
[0033][0034]上式中，a
i
为拉格朗日乘数，y
i
a
i
为支持向量在决策函数中的系数，k为系统常数，b为SVM中的决策函数的常数项。
[0035]本专利技术所采用的第二技术方案是：一种脑电信号的多元特征融合提取的信号特征提取系统，包括：
[0036]预处理模块，用于获取脑电信号数据并对脑电信号数据进行信号预处理，得到预处理后的信号；
[0037]特征提取模块，用于对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵；
[0038]降维模块，用于对原始特征矩阵进行融合降维处理，得到最终特征矩阵；
[0039]分类模块，用于将最终特征矩阵输入至预训练的分类器进行分类，输出分类结果。
[0040]本专利技术所采用的第三技术方案是：一种脑电信号的多元特征融合提取的信号特征提取装置，包括：
[0041]至少一个处理器；
[0042]至少一个存储器，用于存储至少一个程序；
[0043]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种脑电信号的多元特征融合提取的信号特征提取方法。
[0044]本专利技术方法的有益效果是：本专利技术通过多维度特征尽可能完整地保留脑电信号中包含的信息，能够有效提升分类器的分类性能，通过降维处理，使得分类器的计算更加简便，能够进一步提高分类器的性能。
附图说明
[0045]图1是本专利技术一种脑电信号的多元特征融合提取的信号特征提取方法的步骤流程图；
[0046]图2是本专利技术一种脑电信号的多元特征融合提取的信号特征提取系统的结构框图。
具体实施方式
[0047]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0048]如图1所示，本专利技术提供了一种脑电信号的多元特征融合提取的信号特征提取方法，该方法包括以下步骤：
[0049]S1、获取脑电信号数据并对脑电信号数据进行信号预处理，得到预处理后的信号；
[0050]具体地，由于脑电信号中杂讯比较多，并且与情绪有关的信息大部分集中在0
‑
50Hz频带中，因此需要对脑电信号数据进行预处理。
[0051]S1.1、获取脑电信号数据；
[0052]S1.2、基于独立成分分析方法对脑电信号数据进行杂讯分离处理，得到分离后的信号；
[0053]具体地，我们需要将脑电信号中的眼电、肌电等人体中的其他生物电分离开来，目前对于伪迹的去除可以采用独立成分分析(ICA)来将脑电信号与其他杂讯分离开。
[0054]S1.3、基于巴特沃夫带通滤波器对分离后的信号进行频率筛选处理，得到筛选后的信号；
[0055]具体地，通过巴特沃夫带通滤波器将脑电信号中0
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号的多元特征融合提取的信号特征提取方法，其特征在于，包括以下步骤：获取脑电信号数据并对脑电信号数据进行信号预处理，得到预处理后的信号；对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵；对原始特征矩阵进行融合降维处理，得到最终特征矩阵；将最终特征矩阵输入至预训练的分类模型进行分类，输出分类结果。2.根据权利要求1所述一种脑电信号的多元特征融合提取的信号特征提取方法，其特征在于，所述获取脑电信号数据集并对脑电信号数据集进行信号预处理，得到预处理后的信号这一步骤，其具体包括：获取脑电信号数据；基于独立成分分析方法对脑电信号数据进行杂讯分离处理，得到分离后的信号；基于巴特沃夫带通滤波器对分离后的信号进行频率筛选处理，得到筛选后的信号；对筛选后的信号进行归一化，得到预处理后的信号。3.根据权利要求2所述一种脑电信号的多元特征融合提取的信号特征提取方法，其特征在于，所述对预处理后的信号进行多维度特征提取和矩阵构建，得到原始特征矩阵这一步骤，其具体包括：对预处理后的信号在时域上进行特征提取，得到时域特征；基于AR模型功率谱估计方法对预处理后的信号在频域上进行特征提取，得到频域特征；基于希尔伯特
‑
黄变换方法对预处理后的信号在时频域上进行特征提取，得到时频域特征；基于非线性动力学分析对预处理后的信号在非线性域上进行特征提取，得到非线性域特征；基于公共空间模式分析对预处理后的信号在空域上进行特征提取，得到空域特征；根据时域特征、频域特征、时频域特征、非线性域特征和空域特征进行矩阵构建，得到原始特征矩阵。4.根据权利要求3所述一种脑电信号...

【专利技术属性】
技术研发人员：王晓鹰，杜玉晓，杨钦泰，凌宇，刘子锋，李向欢，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：