【技术实现步骤摘要】
本专利技术涉及脑电波优化分类，具体是基于群体智能算法的脑电波优化分类与识别系统及方法。
技术介绍
1、脑电波信号在脑科学研究、人机交互等领域具有广泛的应用前景。然而，脑电波信号的特征提取和分类识别是一个复杂且具有挑战性的问题。传统的特征提取和分类方法受限于人工选择特征和分类器的能力，往往存在着特征维度高、分类效果不稳定等问题。因此，需要一种基于群体智能算法的脑电波优化分类与识别系统来提升分类性能和降低特征维度；
2、公开号为cn113935382a的中国专利公开了一种基于遗传算法和快速独立成分分析的脑电波信号分离方法，包括对脑电波信号数据进行预处理，使用粒子群算法(pso)来改进遗传算法从而构建fastica算法的初始矩阵w，通过fastica算法对含噪声的脑电波盲源信号进行信号分离。然而该方法是使用遗传算法进行去噪，而未能解决特征提取和优化的问题；
3、为此，本专利技术提出基于群体智能算法的脑电波优化分类与识别系统及方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于群体智能算法的脑电波优化分类与识别系统及方法，提高了对脑电波进行分类的工作效率和准确性。
2、为实现上述目的，提出基于群体智能算法的脑电波优化分类与识别方法，包括以下步骤：
3、步骤一：收集原始电波数据以及情绪标签数据，并对原始电波数据预处理，获得预处理电波数据；
4、步骤二：对预处理电波数据进行特征提取，获
5、步骤三：基于全特征集合中生成m个初始特征子集；m为预设的数量参数；
6、步骤四：使用预处理电波数据和情绪标签数据，为每个初始特征子集构建情绪分类器，并使用情绪分类器计算每个初始特征子集的适应度；
7、步骤五：基于适应度，从所有初始特征子集中选择出优质特征子集群体，对优质特征子集群体进行进化操作，重新生成初始特征子集群体；重复执行步骤四至步骤五，直至满足进化停止条件，并获得最终优化特征子集；
8、所述收集原始电波数据以及情绪标签数据的方式包括：
9、征集n个测试人员，并收集每个测试人员的头皮上的n1个eeg通道数据和n2个生理通道数据，每个测试人员的eeg通道数据和生理通道数据组成一组个体原始电波；其中，n、n1和n2均为预先设置的数量参数；所有个体原始电波组成原始电波数据；
10、收集每个测试人员在被测试时的情绪标签，所述情绪标签为0-k中的正整数；所述情绪标签表达的是测试人员不同的情绪模式，k为情绪模式的数量；所有情绪标签组成情绪标签数据；
11、所述获得预处理电波数据，包括：
12、步骤11：使用数字滤波器对原始电波数据中，各个个体原始电波的各条通道的eeg通道数据进行滤波处理；
13、步骤12：使用去噪技术对滤波处理后的各条eeg通道数据进一步去噪处理；
14、步骤13：对各条生理通道的生理通道数据以及去噪后的各条eeg通道的eeg通道数据进行标准化处理；将标准化处理后的每个个体的生理通道数据和eeg通道数据组成预处理电波数据；
15、所述对预处理电波数据进行特征提取，获得全特征集合的方式为：
16、对于预处理电波数据中的每组个体原始电波中的eeg通道数据进行特征提取，获得eeg个体特征集合；
17、所述eeg通道数据进行特征提取的方式为：
18、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg时域特征；
19、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg频域特征：
20、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg时频域特征：
21、每个测试人员的每个eeg通道对应的eeg时域特征、eeg频域特征和eeg时频域特征组成一组eeg离散特征向量；
22、每个测试人员的所有eeg通道的eeg离散特征集合组成eeg离散特征集合，每个测试人员的所有生理通道的生理通道数据组成一组生理通道特征集合；
23、每个测试人员的eeg离散特征集合和生理通道特征集合的并集组成一组分类特征集合，所有测试人员的分类特征集合组成全特征集合；
24、所述生成m个初始特征子集包括以下步骤：
25、步骤21：从n1个eeg通道和n2个生理通道中随机选择若干个通道作为候选通道；对选中的候选通道设置通道标签为1，对未选中的通道设置通道标签为0，生成一个通道标签串；
26、步骤22：从eeg通道中选择若干特征，从生理通道中选择若干特征，作为候选特征，对选中的候选特征设置特征标签为1，对未选中的特征设置特征标签为0，生成一个特征标签串；
27、步骤23：候选通道中的候选特征组成一组初始特征子集；
28、步骤24：重复执行步骤21至步骤23m次，生成m个初始特征子集；
29、所述为每个初始特征子集构建情绪分类器的方式为：
30、对于每个初始特征子集：
31、从所有测试人员中，随机选择nx个测试人员作为训练测试人员，其余的n-nx个测试人员作为验证测试人员；将全特征集合中，每个训练测试人员的分类特征集合作为电波训练集合，每个验证测试人员的分类特征集合作为电波验证集合；其中，nx为预设的数量参数，
32、对于每个训练测试人员，从对应的电波训练集合中，筛选初始特征子集对应的特征值，组成一组训练特征向量；
33、将每组训练特征向量作为情绪分类器的输入，所述情绪分类器以训练特征向量对应的该测试人员的情绪模式的预测值作为输出，以训练特征向量对应的该测试人员的情绪标签作为预测目标，以情绪模式的预测值和情绪标签之间的差值作为预测误差，以最小化预测误差之和作为训练目标；对情绪分类器进行训练，直至预测误差之和达到收敛时停止训练；
34、所述使用情绪分类器计算每个初始特征子集的适应度的方式为：
35、对于每个初始特征子集：
36、对于每个验证测试人员，从对应的电波训练集合中，筛选初始特征子集对应的特征值，组成一组验证特征向量；
37、将验证特征向量输入对应的情绪分类器中，获得该情绪分类器输出的情绪模式的预测值；
38、统计输出的情绪模式的预测值与对应验证测试人员的情绪标签之间的预测准确率；所述预测准确率作为该初始特征子集的适应度；
39、所述基于适应度，从所有初始特征子集中选择出优质特征子集群体的方式为：
40、预设优质适应度阈值，将所有初始特征子集中适应度大于优质适应度阈值作为优质特征子集，所有优质特征子集组成优质特征子集群体；
41、所述对优质特征子集群体进行进化操作，重新生成初始特征子集群体的方式包括：
42、步骤31：计算所有优质特征子本文档来自技高网...
【技术保护点】
1.基于群体智能算法的脑电波优化分类与识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述收集原始电波数据以及情绪标签数据的方式包括：
3.根据权利要求2所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述对预处理电波数据进行特征提取，获得全特征集合的方式为：
4.根据权利要求3所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述为每个初始特征子集构建情绪分类器的方式为：
5.根据权利要求4所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述使用情绪分类器计算每个初始特征子集的适应度的方式为：
6.根据权利要求5所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述对优质特征子集群体进行进化操作，重新生成初始特征子集群体的方式包括：
7.根据权利要求6所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述进化停止条件为：
8.基于群体智能算法的脑电波优化分类与识别
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，
10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
...【技术特征摘要】
1.基于群体智能算法的脑电波优化分类与识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述收集原始电波数据以及情绪标签数据的方式包括：
3.根据权利要求2所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述对预处理电波数据进行特征提取，获得全特征集合的方式为：
4.根据权利要求3所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述为每个初始特征子集构建情绪分类器的方式为：
5.根据权利要求4所述的基于群体智能算法的脑电波优化分类与识别方法，其特征在于，所述使用情绪分类器计算每个初始特征子集的适应度的方式为：
6....
【专利技术属性】
技术研发人员：赵学利，李尧，
申请(专利权)人：济南瑞特安防设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。