一種優(yōu)勢電極組合與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電特征提取方法
【專利摘要】一種優(yōu)勢電極組合與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電特征提取方法腦電信號特征提取方法，輸入N導(dǎo)腦電信號數(shù)據(jù)；選擇優(yōu)勢電極，電極記錄的腦電信號的分類性能高于某一閾值時，稱該電極為優(yōu)勢電極，否則稱之為非優(yōu)勢電極。選擇優(yōu)勢組合，利用EMD對每一種優(yōu)勢組合所對應(yīng)的訓(xùn)練樣本集的腦電數(shù)據(jù)和測試樣本集的腦電數(shù)據(jù)分別進(jìn)行特征提取，得到每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量；分別將每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量、訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器里進(jìn)行分類，得到每一種優(yōu)勢組合的分類正確率；根據(jù)每一種優(yōu)勢組合的分類正確率，推測出執(zhí)行有關(guān)運(yùn)動想象任務(wù)時刺激激活腦區(qū)之間的聯(lián)系。
【專利說明】 一種優(yōu)勢電極組合與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電特征提取方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識別領(lǐng)域，特別涉及一種腦電信號特征提取方法。

【背景技術(shù)】
[0002]腦電信號的識別是認(rèn)知神經(jīng)科學(xué)、信號處理和計(jì)算機(jī)科學(xué)等多交叉研究學(xué)科，如何合理地應(yīng)用這些知識，從腦電信號中提取出能夠表征人體不同狀態(tài)的有效信息，一直是腦電信號研究領(lǐng)域的熱點(diǎn)和難點(diǎn)。
[0003]心理學(xué)研究發(fā)現(xiàn)，不同的刺激或?qū)嶒?yàn)任務(wù)會導(dǎo)致大腦的不同結(jié)構(gòu)的神經(jīng)元細(xì)胞產(chǎn)生放電行為。因此，在腦電信號的研究過程中，對電極的篩選是不可缺少的環(huán)節(jié)。傳統(tǒng)腦電信號的處理方法基于心理學(xué)的結(jié)論，然而心理學(xué)結(jié)論通常只是籠統(tǒng)地給出判斷，比如研究發(fā)現(xiàn)運(yùn)動想象激活區(qū)域包括輔助運(yùn)動區(qū)，運(yùn)動前區(qū)，主運(yùn)動區(qū)，感覺運(yùn)動皮層，頂上小葉，頂下小葉。這導(dǎo)致傳統(tǒng)腦電信號的處理方法在電極選擇時側(cè)重選擇這些區(qū)域?qū)?yīng)的電極,這種選擇方式選擇范圍廣而不細(xì)。
[0004]腦電信號具有空間分辨率低的特點(diǎn)，為了更精細(xì)地采集到大腦的活動信號，目前的采集裝置基本采用多通道方式，如較常見的有40導(dǎo)、64導(dǎo)、128導(dǎo)和256導(dǎo)電極帽等等。通道數(shù)的增加雖然能夠更加準(zhǔn)確的采集到刺激激活的腦區(qū)的放電現(xiàn)象，但同時也增加了更多的冗余信息。
[0005]另外，大腦自身存在復(fù)雜的溝回結(jié)構(gòu)，對不同思維活動大腦的加工方式也不同。在執(zhí)行有關(guān)運(yùn)動想象任務(wù)期間，推測刺激來臨時刺激激活腦區(qū)之間的聯(lián)系，對研究大腦的工作方式及大腦的功能有著極其重要的作用及意義。
[0006]綜上所述，現(xiàn)有技術(shù)存在以下問題:(1)不能精確定位到與任務(wù)或刺激有直接聯(lián)系的電極位置；(2)信息冗余；(3)執(zhí)行有關(guān)運(yùn)動想象任務(wù)時，無法推測刺激激活腦區(qū)之間的聯(lián)系。


【發(fā)明內(nèi)容】

[0007]針對上述技術(shù)的不足，本發(fā)明提出一種優(yōu)勢電極組合與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電特征提取方法。該方法將記錄電極分為優(yōu)勢電極和非優(yōu)勢電極，克服了傳統(tǒng)腦電信號處理方法選擇范圍的廣而不細(xì)的缺陷；然后將優(yōu)勢電極進(jìn)行組合，選出優(yōu)勢組合，多導(dǎo)并行處理腦電信號，去除了腦電數(shù)據(jù)的冗余信息，有效提高了腦電信號的識別準(zhǔn)確度；由于充分考慮了刺激激活腦區(qū)之間的聯(lián)系以及腦電信號自身的非平穩(wěn)非線性特點(diǎn)，從而取得了更高的分類正確率。
[0008]實(shí)現(xiàn)本發(fā)明方法的主要思路是:對輸入的每一導(dǎo)腦電信號，利用主成分分析法(PCA)進(jìn)行降維，得到降維后的每一導(dǎo)腦電數(shù)據(jù)；利用樸素貝葉斯分類器，分別對每一導(dǎo)腦電數(shù)據(jù)分類，得到每個電極的平均分類正確率；設(shè)定判斷閾值，根據(jù)每個電極的平均分類正確率，用閾值劃分出優(yōu)勢電極和非優(yōu)勢電極；對多個優(yōu)勢電極進(jìn)行組合，利用PCA對每一種電極組合對應(yīng)的腦電數(shù)據(jù)進(jìn)行降維，得到每一種電極組合降維后的腦電數(shù)據(jù)；利用樸素貝葉斯分類器，分別對每一種電極組合降維后的腦電數(shù)據(jù)分類，得到每一導(dǎo)電極組合腦電數(shù)據(jù)的平均分類正確率，將平均分類正確率在80%到100%之間的電極組合稱為優(yōu)勢電極組合；利用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥?EMD)分別對每一個優(yōu)勢電極組合所對應(yīng)的初始輸入的腦電信號進(jìn)行特征提取，得到每一種組合信號的特征向量；利用樸素貝葉斯分類器，對每一種組合信號的特征向量進(jìn)行分類，得到每一種優(yōu)勢電極組合的分類正確率。
[0009]本發(fā)明方法包括如下步驟:
[0010]步驟(I):輸入N導(dǎo)腦電信號數(shù)據(jù)(簡稱腦電信號)。
[0011]所輸入的腦電信號包括訓(xùn)練樣本集、訓(xùn)練樣本集標(biāo)簽、測試樣本集、測試樣本集標(biāo)簽。其中訓(xùn)練樣本集包括樣本類別已知的N導(dǎo)腦電信號，測試樣本集包括樣本類別未知的N導(dǎo)腦電信號。訓(xùn)練(測試)樣本標(biāo)簽即每個訓(xùn)練(測試)樣本所屬類別組成的類別向量。
[0012]步驟(2):選擇優(yōu)勢電極。
[0013]所述的優(yōu)勢電極是指與放電腦區(qū)相關(guān)聯(lián)的電極。本發(fā)明提出的優(yōu)勢電極評判標(biāo)準(zhǔn)是基于電極記錄的腦電信號的分類性能，當(dāng)電極記錄的腦電信號的分類性能高于某一閾值時，稱該電極為優(yōu)勢電極，否則稱之為非優(yōu)勢電極。
[0014]步驟(2.1):將訓(xùn)練樣本集中每一導(dǎo)腦電信號都降到d維，利用PCA計(jì)算降維后的每導(dǎo)信號主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率，選擇累計(jì)貢獻(xiàn)率最低的一導(dǎo)信號，其對應(yīng)的電極為T。對電極T對應(yīng)的訓(xùn)練樣本集中的一導(dǎo)腦電信號，利用PCA計(jì)算主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率，選擇累計(jì)貢獻(xiàn)率在85%到95%之間的維度。再從選出的維度中等邊距選取k個維度。
[0015]步驟(2.2):利用PCA將訓(xùn)練樣本集和測試樣本集中每一導(dǎo)的腦電信號分別降到這k個維度，得到訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)。再分別將訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)，以及訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器中進(jìn)行分類，得到的每一導(dǎo)腦電信號的k個維度對應(yīng)的分類正確率。對每一導(dǎo)信號的k個維度對應(yīng)的分類正確率求平均值，得到每一導(dǎo)信號的平均分類正確率。
[0016]步驟(2.3):設(shè)定判定閾值為(l/c+0.1)，其中c表示訓(xùn)練樣本集標(biāo)簽種類的個數(shù)。分別用每一導(dǎo)信號的平均分類正確率與判定閾值比較。將平均分類正確率高于閾值的電極劃為優(yōu)勢電極，其余電極劃為非優(yōu)勢電極。
[0017]步驟(3):選擇優(yōu)勢組合。
[0018]在步驟(2.2)中，已得到了訓(xùn)練樣本集中每一導(dǎo)信號的的平均分類正確率。在優(yōu)勢電極中按平均分類正確率從高到低的順序選取兩個電極，將這兩個電極作為與任務(wù)相關(guān)的固有腦區(qū)電極。優(yōu)勢電極中除這兩個電極外的其余電極組成集合B。將兩個固有腦區(qū)電極分別和集合B的每一個子集進(jìn)行組合，得到C種電極組合。對每一種電極組合對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的腦電數(shù)據(jù)，利用PCA按步驟(2.1)的方法分別降到k個維度，得到每一種電極組合訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的k個不同維度的腦電數(shù)據(jù)。再用樸素貝葉斯分類器，對每一種電極組合的k個不同維度的腦電數(shù)據(jù)分別進(jìn)行分類，得到每一種電極組合的k個分類正確率。對每一種電極組合的k個分類正確率求平均值，得到每一種電極組合的平均分類正確率。選擇平均分類正確率在80%到100%之間的電極組合作為優(yōu)勢組合。
[0019]步驟(4):特征提取。
[0020]利用EMD對每一種優(yōu)勢組合所對應(yīng)的訓(xùn)練樣本集的腦電數(shù)據(jù)和測試樣本集的腦電數(shù)據(jù)分別進(jìn)行特征提取，得到每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量。
[0021]步驟(5):分類。
[0022]分別將每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量、訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器里進(jìn)行分類，得到每一種優(yōu)勢組合的分類正確率。
[0023]步驟(6):輸出結(jié)果。
[0024]根據(jù)每一種優(yōu)勢組合的分類正確率，推測出執(zhí)行有關(guān)運(yùn)動想象任務(wù)時刺激激活腦區(qū)之間的聯(lián)系。
[0025]本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢和有益效果:
[0026](I)從所有電極中選出優(yōu)勢電極，不僅能精確定位到與與任務(wù)或刺激有直接聯(lián)系的電極位置，而且去掉了冗余電極信息；
[0027](2)推測出執(zhí)行有關(guān)運(yùn)動想象任務(wù)時刺激激活腦區(qū)之間的聯(lián)系。本發(fā)明提出的方法不僅對單個電極進(jìn)行有效性篩選，同時充分考慮了電極之間的關(guān)聯(lián)性，最大化的保留了腦電信號的有效信息。

【專利附圖】

【附圖說明】
[0028]圖1為本發(fā)明所涉及方法總流程示意圖；
[0029]圖2為本發(fā)明所采用實(shí)驗(yàn)數(shù)據(jù)中電極在頭皮表面的位置的示意圖；
[0030]圖3為每一導(dǎo)腦電信號在不同維度下的累計(jì)貢獻(xiàn)率；
[0031]圖4為組合電極不同維度的分類結(jié)果。

【具體實(shí)施方式】
[0032]下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明做進(jìn)一步的描述。
[0033]本發(fā)明所涉及方法的流程圖如圖1所示，包括以下步驟:
[0034]步驟I，輸入N導(dǎo)腦電信號。
[0035]將BCI2003競賽標(biāo)準(zhǔn)數(shù)據(jù)集Data Set Ia輸入到本發(fā)明方法中。數(shù)據(jù)采自I個健康的受試者。在這次競賽中，主要針對兩種不同的思維活動。受試者的實(shí)驗(yàn)任務(wù)是通過想象來上下移動屏幕上的光標(biāo)。想象所誘發(fā)的成分是低頻的皮層慢電位(Slow CorticalPotential, SCP)。所謂皮層慢電位是事件相關(guān)電位(Event-Related Potential,ERP)的一種。實(shí)驗(yàn)數(shù)據(jù)以02電極為參考電極，以六1、八2、？3、？4、？3、？4電極為記錄電極。記錄電極用于采集受試者執(zhí)行運(yùn)動想象任務(wù)時的腦電信號，采樣頻率為256HZ，電極在頭皮表面的位置按照國際10-20標(biāo)準(zhǔn)分布(示意圖如圖2所示)。在數(shù)據(jù)采集過程中，受試者連續(xù)不間斷執(zhí)行主試給出的實(shí)驗(yàn)任務(wù)。每次實(shí)驗(yàn)包含三個階段:休息階段(Is)、提示想象階段(1.5s)、信息反饋階段(3.5s)。最終用于信號處理的數(shù)據(jù)是實(shí)驗(yàn)過程中記錄到的信息反饋階段的腦電信號。在提示想象階段，屏幕上出現(xiàn)向上或向下的光標(biāo)指示，光標(biāo)的出現(xiàn)直到反饋階段結(jié)束為止，受試者根據(jù)光標(biāo)的方向執(zhí)行相應(yīng)的想象活動。在實(shí)驗(yàn)過程中，受試者可以接收到控制信號給出的可視化反饋，此反饋指導(dǎo)受試者進(jìn)行正確的大腦想象活動。
[0036]實(shí)驗(yàn)共采集兩組實(shí)驗(yàn)數(shù)據(jù)，一組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集訓(xùn)練分類器，另一組數(shù)據(jù)作為測試數(shù)據(jù)集用于判斷分類器的性能。訓(xùn)練數(shù)據(jù)集包括訓(xùn)練樣本集和訓(xùn)練樣本集標(biāo)簽。測試數(shù)據(jù)集包括測試樣本集及測試樣本集標(biāo)簽。由于本實(shí)驗(yàn)只采集了兩種類型的腦電信號，因此，整個數(shù)據(jù)集的預(yù)測過程是一個兩類分類問題，類別標(biāo)簽分別是O和I。其中O表示向下移動光標(biāo)對應(yīng)的信號類別，I表不向上移動光標(biāo)對應(yīng)的信號類別。
[0037]步驟2，選擇優(yōu)勢電極。
[0038]步驟(2.1):將訓(xùn)練樣本集中每一導(dǎo)腦電信號都降到10維，利用PCA計(jì)算降維后的每導(dǎo)信號主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率。通過計(jì)算發(fā)現(xiàn)，電極F3對應(yīng)的累計(jì)貢獻(xiàn)率最小。故，對電極F3對應(yīng)的訓(xùn)練樣本集中的一導(dǎo)腦電信號，利用PCA計(jì)算主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率，通過計(jì)算得知:當(dāng)維數(shù)降低到3維時，累積貢獻(xiàn)率已經(jīng)超過85% ;當(dāng)維度降低到30維時，累積貢獻(xiàn)率已經(jīng)超過95%，即與運(yùn)動想象相關(guān)的腦電信號主成分的特征主要集中在30維空間內(nèi)。由于85%到95%之間的維度有28個，比較多，因此從這28個維度中等邊距選取7個。故，主要將PCA維數(shù)參數(shù)設(shè)置為3、5、10、15、20、25和30維。其中每一導(dǎo)腦電信號在7個不同維度下的累計(jì)貢獻(xiàn)率如圖3所示。
[0039]步驟(2.2):利用PCA將訓(xùn)練樣本集和測試樣本集中每一導(dǎo)的腦電信號分別降到這7個維度，得到訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)。再分別將訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)，以及訓(xùn)練數(shù)據(jù)集標(biāo)簽、測試數(shù)據(jù)集標(biāo)簽輸入到樸素貝葉斯分類器中進(jìn)行分類，得到的每一導(dǎo)腦電信號的7個不同維度對應(yīng)的分類正確率。對每一導(dǎo)信號的7個維度對應(yīng)的分類正確率求平均值，得到每一導(dǎo)信號的平均分類正確率，結(jié)果如表I所示。
[0040]表I每一導(dǎo)的平均分類正確率
[0041]
￠11AlA2OF4ηΡ4
平瑪涵涵罩^78J9 82.10 65Α3 53:63 65.24 54.12"""""
[0042]步驟(2.3):由于輸入的腦電信號的類別有兩個，故設(shè)定閾值為60%。分別用每一導(dǎo)信號的平均分類正確率與60%比較，劃分出優(yōu)勢電極和分優(yōu)勢電極，如表2所示。
[0043]表2優(yōu)勢電極和非優(yōu)勢電極
[0044]
^F4、P4
[0045]步驟3，選擇優(yōu)勢組合。
[0046]從表I找到優(yōu)勢電極，比較優(yōu)勢電極的平均分類正確率，A1、A2最高。故，將Al和A2作為與任務(wù)相關(guān)的固有腦區(qū)電極，則集合B = {F3，P3}。將A1A2分別和集合B的每一個子集進(jìn)行組合，得到A1A2、A1A2F3、A1A2P3和A1A2F3 P3這4種電極組合。對每一種電極組合對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的腦電數(shù)據(jù)，利用PCA分別降到3、5、10、15、20、25和30維，得到每一種電極組合訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的7個不同維度的腦電數(shù)據(jù)。再用樸素貝葉斯分類器，對每一種電極組合的7個不同維度的腦電數(shù)據(jù)分別進(jìn)行分類，得到每一種電極組合的7個分類正確率。對每一種電極組合的7個分類正確率求平均值，得到每一種電極組合的平均分類正確率，如表3所示。選擇平均分類正確率在80%到100%之間的電極組合作為優(yōu)勢組合。故，這四種組合全都是優(yōu)勢組合。
[0047]表3四種組合的平均分類性能
[0048]
電極 ^^合A1A2AIA2F3Α?Α2Ρ3AJA2F3P3

84Λ?85.7687J1UM
[0049]步驟4，特征提取。
[0050]利用EMD對四種優(yōu)勢組合所對應(yīng)的訓(xùn)練樣本集的腦電數(shù)據(jù)和測試樣本集的腦電數(shù)據(jù)分別進(jìn)行特征提取，得到每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量。
[0051]步驟(5):分類。
[0052]分別將每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量、訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器里進(jìn)行分類，得到每一種優(yōu)勢組合的分類正確率。
[0053]表4最終分類結(jié)果
[0054]
優(yōu)勢電極組合分?正確率<%》
Al A2HS.32
A1A2F39?Λ4
A1A2F393Μ
A1A2F3P3Ε7Μ
[0055]步驟(6):輸出結(jié)果。
[0056]從表4中結(jié)果可以看出，組合A1A2F3和組合Α1Α2Ρ3分類性能較其他組合有明顯提升。Al和Α2電極都代表了中央?yún)^(qū)的信息，F(xiàn)3代表額區(qū)的信息，Ρ3代表頂區(qū)的信息。推測刺激在中央?yún)^(qū)和額區(qū)有交互效應(yīng)，刺激在中央?yún)^(qū)和頂區(qū)也存在交互效應(yīng)。中央頂區(qū)的交互效應(yīng)比中央額區(qū)的交互效應(yīng)明顯，但中央?yún)^(qū)、頂區(qū)和額區(qū)之間并無明顯的交互效應(yīng)。
【權(quán)利要求】
1.一種優(yōu)勢電極組合與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電特征提取方法，其特征在于包括如下步驟: 步驟(I):輸入N導(dǎo)腦電信號數(shù)據(jù)，所述的腦電信號包括訓(xùn)練樣本集、訓(xùn)練樣本集標(biāo)簽、測試樣本集、測試樣本集標(biāo)簽，其中訓(xùn)練樣本集包括樣本類別已知的N導(dǎo)腦電信號，測試樣本集包括樣本類別未知的N導(dǎo)腦電信號，訓(xùn)練、測試樣本標(biāo)簽即每個訓(xùn)練、測試樣本所屬類別組成的類別向量； 步驟(2):選擇優(yōu)勢電極，電極記錄的腦電信號的分類性能高于某一閾值時，稱該電極為優(yōu)勢電極，否則稱之為非優(yōu)勢電極； 步驟(2.1):將訓(xùn)練樣本集中每一導(dǎo)腦電信號都降到d維，利用PCA計(jì)算降維后的每導(dǎo)信號主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率，選擇累計(jì)貢獻(xiàn)率最低的一導(dǎo)信號，其對應(yīng)的電極為T，對電極T對應(yīng)的訓(xùn)練樣本集中的一導(dǎo)腦電信號，利用PCA計(jì)算主成分對應(yīng)的特征值的累計(jì)貢獻(xiàn)率，選擇累計(jì)貢獻(xiàn)率在85%到95%之間的維度，再從選出的維度中等邊距選取k個維度； 步驟(2.2):利用PCA將訓(xùn)練樣本集和測試樣本集中每一導(dǎo)的腦電信號分別降到這k個維度，得到訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)，再分別將訓(xùn)練樣本集和測試樣本集每一導(dǎo)腦電信號降維后的數(shù)據(jù)，以及訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器中進(jìn)行分類，得到的每一導(dǎo)腦電信號的k個維度對應(yīng)的分類正確率，對每一導(dǎo)信號的k個維度對應(yīng)的分類正確率求平均值，得到每一導(dǎo)信號的平均分類正確率； 步驟(2.3):設(shè)定判定閾值為(1八+0.1)，其中c表示訓(xùn)練樣本集標(biāo)簽種類的個數(shù)，分別用每一導(dǎo)信號的平均分類正確率與判定閾值比較，將平均分類正確率高于閾值的電極劃為優(yōu)勢電極，其余電極劃為非優(yōu)勢電極； 步驟(3):選擇優(yōu)勢組合； 在優(yōu)勢電極中按平均分類正確率從高到低的順序選取兩個電極，將這兩個電極作為與任務(wù)相關(guān)的固有腦區(qū)電極，優(yōu)勢電極中除這兩個電極外的其余電極組成集合B，將兩個固有腦區(qū)電極分別和集合B的每一個子集進(jìn)行組合，得到C種電極組合，對每一種電極組合對應(yīng)的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的腦電數(shù)據(jù)，利用PCA按步驟(2.1)的方法分別降到k個維度，得到每一種電極組合訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的k個不同維度的腦電數(shù)據(jù)，再用樸素貝葉斯分類器，對每一種電極組合的k個不同維度的腦電數(shù)據(jù)分別進(jìn)行分類，得到每一種電極組合的k個分類正確率，對每一種電極組合的k個分類正確率求平均值，得到每一種電極組合的平均分類正確率，選擇平均分類正確率在80%到100%之間的電極組合作為優(yōu)勢組合； 步驟(4):特征提取； 利用EMD對每一種優(yōu)勢組合所對應(yīng)的訓(xùn)練樣本集的腦電數(shù)據(jù)和測試樣本集的腦電數(shù)據(jù)分別進(jìn)行特征提取，得到每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量； 步驟(5):分類； 分別將每一種優(yōu)勢組合的訓(xùn)練特征向量及測試特征向量、訓(xùn)練樣本集標(biāo)簽、測試樣本集標(biāo)簽輸入到樸素貝葉斯分類器里進(jìn)行分類，得到每一種優(yōu)勢組合的分類正確率； 步驟(6):輸出結(jié)果； 根據(jù)每一種優(yōu)勢組合的分類正確率，推測出執(zhí)行有關(guān)運(yùn)動想象任務(wù)時刺激激活腦區(qū)之間的聯(lián)系。
【文檔編號】A61B5/0476GK104127179SQ201410146942
【公開日】2014年11月5日 申請日期:2014年4月13日 優(yōu)先權(quán)日:2014年4月13日
【發(fā)明者】段立娟, 葛卉, 張祺, 楊震, 馬偉 申請人:北京工業(yè)大學(xué)