本發(fā)明涉及腦電信號(hào)處理及模式識(shí)別領(lǐng)域，尤其涉及腦機(jī)接口中運(yùn)動(dòng)想象腦電信號(hào)模式分類，具體是涉及基于多分類器集成的腦電分類方法。

背景技術(shù)：

腦機(jī)接口是大腦與外部設(shè)備之間進(jìn)行信息傳遞的通訊系統(tǒng)，它能將使用者大腦的電位活動(dòng)轉(zhuǎn)換為外部設(shè)備的控制命令，從而代替肢體與語(yǔ)言實(shí)現(xiàn)與外界的交流。目前，從人體頭皮采集的運(yùn)動(dòng)想象腦電經(jīng)常被用于無(wú)創(chuàng)腦機(jī)接口控制。基于運(yùn)動(dòng)想象腦電的腦機(jī)接口主要通過(guò)對(duì)運(yùn)動(dòng)想象腦電的分析處理識(shí)別使用者的運(yùn)動(dòng)意圖，進(jìn)而將識(shí)別結(jié)果轉(zhuǎn)換為對(duì)外部設(shè)備的控制命令。近十年來(lái)，腦機(jī)接口技術(shù)由于其在運(yùn)動(dòng)功能障礙患者康復(fù)訓(xùn)練中的良好應(yīng)用前景而受到廣泛關(guān)注。

模式識(shí)別是腦機(jī)接口的關(guān)鍵技術(shù)，包括特征提取和模式分類兩個(gè)部分。在運(yùn)動(dòng)想象腦電特征提取方面，時(shí)域分析方法、模型參數(shù)法、時(shí)頻分析方法等得到了廣泛的使用，其中，離散小波變換由于其良好的時(shí)頻特性在各種特征提取方法中更具有優(yōu)勢(shì)，而且離散小波變換提供了一種將信號(hào)分解到不同的子頻帶進(jìn)行分析的途徑。在運(yùn)動(dòng)想象腦電模式分類方面，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)是一種重要的分類方法，它通過(guò)在訓(xùn)練集樣本空間中構(gòu)造一個(gè)超平面將樣本分開(kāi)，具有較高的分類精度和泛華性能。

目前，在腦機(jī)接口的模式識(shí)別中大多采用單一分類器，導(dǎo)致分類準(zhǔn)確率難以提高，泛華性能也較差，通過(guò)集成學(xué)習(xí)方法，構(gòu)建并結(jié)合多個(gè)分類器，能夠獲得比單一分類器更高的準(zhǔn)確率和泛華性能。D-S證據(jù)理論在處理不確定信息方面十分有效，利用D-S證據(jù)理論能夠在先驗(yàn)概率未知的情況下獲得較好推理結(jié)果，通過(guò)D-S證據(jù)理論實(shí)現(xiàn)多個(gè)分類器的結(jié)合，從而提高腦機(jī)接口中模式識(shí)別的準(zhǔn)確率，對(duì)于進(jìn)一步改善腦機(jī)接口技術(shù)在康復(fù)治療中的效果具有重要意義。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：為提高腦機(jī)接口中運(yùn)動(dòng)想象腦電模式識(shí)別的準(zhǔn)確率，本發(fā)明提供一種基于多分類器集成的腦電分類方法，首先分別采用時(shí)域分析、自回歸模型和離散小波變換方法提取腦電信號(hào)特征并組成相應(yīng)的特征域，然后在每個(gè)特征域下對(duì)個(gè)體支持向量機(jī)分類器進(jìn)行訓(xùn)練，最后通過(guò)D-S證據(jù)理論對(duì)每個(gè)個(gè)體支持向量機(jī)的分類信息進(jìn)行融合，得到最終的分類結(jié)果。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于多分類器集成的腦電分類方法，包括如下步驟：

步驟(1)腦電信號(hào)采集及預(yù)處理：多次采集受試者運(yùn)動(dòng)想象動(dòng)作模態(tài)(僅進(jìn)行左手運(yùn)動(dòng)想象和右手運(yùn)動(dòng)想象)下的腦電信號(hào)，并對(duì)每一次采集的腦電信號(hào)進(jìn)行帶通濾波處理以形成一個(gè)樣本，從所有的樣本中隨機(jī)抽取半數(shù)樣本作為訓(xùn)練樣本集，剩余的半數(shù)樣本作為測(cè)試樣本集；

步驟(2)腦電信號(hào)特征提?。簩?duì)步驟1預(yù)處理后的每一個(gè)樣本進(jìn)行如下處理：

(a)采用時(shí)域分析方法，提取樣本的時(shí)域統(tǒng)計(jì)量特征，組成統(tǒng)計(jì)量特征域；

(b)采用自回歸模型方法，提取樣本的自回歸模型特征，組成自回歸模型特征域；

(c)采用離散小波變換方法，對(duì)樣本進(jìn)行分解與重構(gòu)，提取重構(gòu)信號(hào)的均值、方差和能量特征，組成離散小波變換特征域；

步驟(3)建立個(gè)體支持向量機(jī)分類器模型：針對(duì)訓(xùn)練樣本集，在每個(gè)特征域下分別對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，并將支持向量機(jī)的輸出轉(zhuǎn)換為概率輸出，得到三個(gè)個(gè)體支持向量機(jī)分類器；

步驟(4)多分類器集成腦電模式分類：針對(duì)測(cè)試樣本集中的每個(gè)樣本，先將相應(yīng)的特征輸入到對(duì)應(yīng)的個(gè)體支持向量機(jī)分類器內(nèi)，得到每個(gè)個(gè)體支持向量機(jī)分類器的分類信息，然后利用D-S證據(jù)理論對(duì)三個(gè)個(gè)體支持向量機(jī)分類器的分類信息進(jìn)行融合，得到該樣本最終的分類結(jié)果。

具體的，所述步驟(1)中，腦電電極基于國(guó)際10-20系統(tǒng)標(biāo)準(zhǔn)放置，通過(guò)電極帽將電極與頭皮相連，采樣頻率為128Hz，一次采集的腦電信號(hào)同時(shí)包含C3和C4導(dǎo)聯(lián)腦電信號(hào)，并用巴特沃斯三階帶通濾波器對(duì)腦電信號(hào)進(jìn)行濾波處理，帶通濾波頻段為0.5～30Hz。

具體的，所述步驟(1)中，訓(xùn)練樣本集和測(cè)試樣本集中均包含想象左手運(yùn)動(dòng)信號(hào)和想象右手運(yùn)動(dòng)信號(hào)兩類樣本；訓(xùn)練樣本集類別標(biāo)簽已知，想象左手運(yùn)動(dòng)信號(hào)標(biāo)記為1，想象右手運(yùn)動(dòng)信號(hào)標(biāo)記為-1；測(cè)試樣本集類別標(biāo)簽需要預(yù)測(cè)，將預(yù)測(cè)結(jié)果和真實(shí)類別標(biāo)簽進(jìn)行對(duì)比即可得到分類準(zhǔn)確率。

具體的，所述步驟(2)具體包括如下步驟：

(a)采用時(shí)域分析方法，提取樣本的時(shí)域統(tǒng)計(jì)量特征，組成統(tǒng)計(jì)量特征域：

(a1)對(duì)某個(gè)樣本，分別計(jì)算C3和C4導(dǎo)聯(lián)腦電信號(hào)的均值m₃和m₄、方差v₃和v₄，進(jìn)而對(duì)C3和C4導(dǎo)聯(lián)腦電信號(hào)進(jìn)行一階差分和二階差分，分別計(jì)算一階差分信號(hào)的絕對(duì)均值fam₃和fam₄、二階差分信號(hào)的絕對(duì)均值sam₃和sam₄，則該樣本的時(shí)域統(tǒng)計(jì)量特征為(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃對(duì)應(yīng)C3導(dǎo)聯(lián)腦電信號(hào)，m₄、v₄、fam₄和sam₄對(duì)應(yīng)C4導(dǎo)聯(lián)腦電信號(hào)；

(a2)所有樣本的時(shí)域統(tǒng)計(jì)量特征共同構(gòu)成統(tǒng)計(jì)量特征域；

(b)采用自回歸模型方法，提取樣本的自回歸模型特征，組成自回歸模型特征域：

(b1)對(duì)某樣本分別提取C3和C4導(dǎo)聯(lián)腦電信號(hào)的自回歸模型特征Co₃和Co₄，提取方法相同，具體為：設(shè)該樣本經(jīng)預(yù)處理后的某導(dǎo)聯(lián)腦電信號(hào)(C3或C4導(dǎo)聯(lián)腦電信號(hào))時(shí)間序列為x(t)，對(duì)其建立自回歸模型為：

其中，x(t)為該導(dǎo)聯(lián)腦電信號(hào)時(shí)間序列，p*為自回歸模型階次，a_h為自回歸模型系數(shù)，u(t)為高斯白噪聲序列；自回歸模型階次p*根據(jù)BIC準(zhǔn)則確定：

BIC(p)＝Nlnσ²+plnN

其中，p＝1,2,…，N為該導(dǎo)聯(lián)腦電信號(hào)長(zhǎng)度，σ²為自回歸模型殘差；當(dāng)p由1開(kāi)始遞增時(shí)，BIC(p)將在p＝p^*處取得極小值，確定p*為自回歸模型階次；

基于自回歸模型階次p*，利用Burg算法估計(jì)自回歸模型系數(shù)a_h，將Co＝(a₁，a₂，…，a_p*)作為該導(dǎo)聯(lián)腦電信號(hào)的自回歸模型特征；

(b2)該樣本的自回歸模型特征為(Co₃,Co₄)^T；

(b3)所有樣本的自回歸模型特征共同構(gòu)成自回歸模型特征域；

(c)采用離散小波變換方法，對(duì)樣本進(jìn)行分解與重構(gòu)，提取重構(gòu)信號(hào)的均值、方差和能量特征，組成離散小波變換特征域：

(c1)對(duì)某樣本分別提取C3和C4導(dǎo)聯(lián)腦電信號(hào)的離散小波變換特征So₃和So₄，提取方法相同，具體為：設(shè)該樣本經(jīng)預(yù)處理后的某導(dǎo)聯(lián)腦電信號(hào)(C3或C4導(dǎo)聯(lián)腦電信號(hào))時(shí)間序列為x(t)，對(duì)其進(jìn)行離散小波變換，首先構(gòu)造小波函數(shù)Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)為母小波(本發(fā)明采用Daubechies類db4母小波)，k為Ψ_j,k(t)縱坐標(biāo)方向的平移量，j為Ψ_j,k(t)的分解層數(shù)，2^-j表示為尺度參數(shù)；

對(duì)x(t)進(jìn)行3層頻譜分解，得到離散小波變換系數(shù)C_j,k：

其中，為Ψ_j,k(t)的共軛；

基于上式得到離散小波變換系數(shù)C_j,k后，提取第2和3層系數(shù)并按照下式對(duì)x(t)進(jìn)行重構(gòu)：

重構(gòu)信號(hào)x₁(t)和x₂(t)分別對(duì)應(yīng)腦功能頻帶beta(16～32Hz)和alpha(8～16Hz)頻段的信號(hào)；計(jì)算x₁(t)的均值m_a、方差v_a和能量E_a，計(jì)算x₂(t)的均值m_b、方差v_b和能量E_b，得到該導(dǎo)聯(lián)腦電信號(hào)的離散小波變換特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)該樣本的離散小波變換特征為(So₃,So₄)^T；

(c3)所有樣本的離散小波變換特征共同構(gòu)成離散小波變換特征域。

具體的，所述步驟(3)中，三種特征域下的支持向量機(jī)的訓(xùn)練過(guò)程相同，具體如下：

將某特征域(統(tǒng)計(jì)量特征域、自回歸模型特征域或離散小波變換特征域)下所有特征進(jìn)行0-1歸一化，將歸一化后的特征作為支持向量機(jī)的輸入，對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，然后根據(jù)下式將支持向量機(jī)的輸出轉(zhuǎn)換為概率輸出：

其中，x_i表示訓(xùn)練樣本i，y_i表示訓(xùn)練樣本i所屬類別，A*為尺度參數(shù)A的最優(yōu)值，B*為位置參數(shù)B的最優(yōu)值，f(x_i)為支持向量機(jī)的決策函數(shù)；A和B為未知參數(shù)，A和B的最優(yōu)值A(chǔ)*和B*通過(guò)如下目標(biāo)函數(shù)估計(jì)得到：

其中，M為訓(xùn)練樣本的數(shù)量，y_i＝+1表示訓(xùn)練樣本i屬于想象左手運(yùn)動(dòng)信號(hào)類，y_i＝-1表示訓(xùn)練樣本i屬于想象右手運(yùn)動(dòng)信號(hào)類。

具體的，所述步驟(4)中，利用D-S證據(jù)理論對(duì)三個(gè)個(gè)體支持向量機(jī)分類器的分類信息進(jìn)行融合，融合公式為：

其中，n為特征域的數(shù)量，包括統(tǒng)計(jì)量特征域、自回歸模型特征域和離散小波變換特征域三個(gè)；D_j為信號(hào)類別，包括想象左手運(yùn)動(dòng)信號(hào)類、想象右手運(yùn)動(dòng)信號(hào)類和未知信號(hào)類三種；r_i(D_j)表示測(cè)試樣本在第i個(gè)特征域下屬于類別D_j的概率，K為沖突因子；W_m為三個(gè)特征域融合后的信號(hào)類別，包括想象左手運(yùn)動(dòng)信號(hào)類和想象右手運(yùn)動(dòng)信號(hào)類；r(W_m)表示三個(gè)特征域融合后測(cè)試樣本屬于類別W_m的概率；

通過(guò)融合公式對(duì)個(gè)體支持向量機(jī)的分類信息進(jìn)行融合，得到測(cè)試樣本屬于想象左手類別的概率值r(W₁)和測(cè)試樣本屬于想象右手類別的概率值r(W₂)，比較r(W₁)與r(W₂)的大小，其中概率值大的類別即為測(cè)試樣本最終的類別。

有益效果：本發(fā)明提供的基于多分類器集成的腦電分類方法，相對(duì)于現(xiàn)有技術(shù)，具有如下優(yōu)勢(shì)：1、本發(fā)明方法聯(lián)合運(yùn)用時(shí)域分析方法、自回歸模型方法和離散小波變換方法提取腦電信號(hào)特征，提取到的分類信息更全面；2、本發(fā)明利用D-S證據(jù)理論融合多個(gè)個(gè)體支持向量機(jī)分類器的分類信息，大大提高了分類的準(zhǔn)確率。

附圖說(shuō)明

圖1為本發(fā)明的設(shè)計(jì)原理框圖；

圖2為本發(fā)明中采用國(guó)際10-20系統(tǒng)標(biāo)準(zhǔn)放置的腦電導(dǎo)聯(lián)示意圖；

圖3為基于本發(fā)明的單次實(shí)驗(yàn)過(guò)程時(shí)序圖；

圖4為受試者想象左手運(yùn)動(dòng)腦電信號(hào)及重構(gòu)后的beta和alpha頻段波形圖；

圖5為受試者想象右手運(yùn)動(dòng)腦電信號(hào)及重構(gòu)后的beta和alpha頻段波形圖；

圖6為受試者在單個(gè)特征域下以及采用本發(fā)明方法的分類準(zhǔn)確率對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。

如圖1所示為一種基于多分類器集成的腦電分類方法，對(duì)具體實(shí)施過(guò)程加以說(shuō)明。

步驟一：腦電信號(hào)采集及預(yù)處理

多次采集受試者運(yùn)動(dòng)想象動(dòng)作模態(tài)下的腦電信號(hào)，并對(duì)每一次采集的腦電信號(hào)進(jìn)行帶通濾波處理以形成一個(gè)樣本，從所有的樣本中隨機(jī)抽取半數(shù)樣本作為訓(xùn)練樣本集，剩余的半數(shù)樣本作為測(cè)試樣本集。

通過(guò)多通道采集器上的電極導(dǎo)聯(lián)C3、Cz和C4采集運(yùn)動(dòng)想象腦電信號(hào)，腦電電極采用國(guó)際10-20系統(tǒng)標(biāo)準(zhǔn)放置，如圖2所示，采樣頻率為128Hz；由于Cz通道的腦電信號(hào)與想象左右手運(yùn)動(dòng)無(wú)關(guān)，所以一次采集的樣本只記錄C3和C4導(dǎo)聯(lián)的腦電信號(hào)，并用巴特沃斯三階帶通濾波器對(duì)腦電信號(hào)進(jìn)行濾波處理，帶通濾波頻段為0.5～30Hz。每次運(yùn)動(dòng)想象實(shí)驗(yàn)持續(xù)9s，實(shí)驗(yàn)開(kāi)始前，受試者休息10s，實(shí)驗(yàn)開(kāi)始后，前2s受試者處于安靜狀態(tài)，不做任何思維想象，在第2秒時(shí)計(jì)算機(jī)發(fā)出由低到高的提示音，計(jì)算機(jī)屏幕中央出現(xiàn)“+”圖像，第3秒時(shí)屏幕出現(xiàn)向左或向右的箭頭，提示受試者想象用左(右)手按箭頭指向移動(dòng)，單次實(shí)驗(yàn)過(guò)程如圖3所示。一共對(duì)4名受試者進(jìn)行信號(hào)采集，其中受試者Ⅰ共采集280組樣本，受試者Ⅱ和受試者Ⅲ共采集1080組樣本，受試者Ⅳ共采集640組樣本，對(duì)每位受試者的樣本隨機(jī)抽取半數(shù)作為訓(xùn)練樣本集，剩余樣本作為測(cè)試樣本集，訓(xùn)練樣本集和測(cè)試樣本集中均包含想象左手運(yùn)動(dòng)信號(hào)和想象右手運(yùn)動(dòng)信號(hào)兩類樣本，其中訓(xùn)練樣本集類別標(biāo)簽已知，想象左手運(yùn)動(dòng)信號(hào)標(biāo)記為1，想象右手運(yùn)動(dòng)信號(hào)標(biāo)記為-1，測(cè)試樣本集類別標(biāo)簽需要預(yù)測(cè)，將預(yù)測(cè)結(jié)果和真實(shí)類別標(biāo)簽進(jìn)行對(duì)比得到分類準(zhǔn)確率。

步驟二：腦電信號(hào)特征提取

對(duì)步驟1預(yù)處理后的每一個(gè)樣本進(jìn)行如下處理：

(a)采用時(shí)域分析方法，提取樣本的時(shí)域統(tǒng)計(jì)量特征，組成統(tǒng)計(jì)量特征域：

(a1)對(duì)某個(gè)樣本，分別計(jì)算C3和C4導(dǎo)聯(lián)腦電信號(hào)的均值m₃和m₄、方差v₃和v₄，進(jìn)而對(duì)C3和C4導(dǎo)聯(lián)腦電信號(hào)進(jìn)行一階差分和二階差分，分別計(jì)算一階差分信號(hào)的絕對(duì)均值fam₃和fam₄、二階差分信號(hào)的絕對(duì)均值sam₃和sam₄，則該樣本的時(shí)域統(tǒng)計(jì)量特征為(m₃,v₃,fam₃,sam₃,m₄,v₄,fam₄,sam₄)^T；其中，m₃、v₃、fam₃和sam₃對(duì)應(yīng)C3導(dǎo)聯(lián)腦電信號(hào)，m₄、v₄、fam₄和sam₄對(duì)應(yīng)C4導(dǎo)聯(lián)腦電信號(hào)；

(a2)所有樣本的時(shí)域統(tǒng)計(jì)量特征共同構(gòu)成統(tǒng)計(jì)量特征域。

(b)采用自回歸模型方法，提取樣本的自回歸模型特征，組成自回歸模型特征域：

(b1)對(duì)某樣本分別提取C3和C4導(dǎo)聯(lián)腦電信號(hào)的自回歸模型特征Co₃和Co₄，提取方法相同，具體為：設(shè)該樣本經(jīng)預(yù)處理后的某導(dǎo)聯(lián)腦電信號(hào)時(shí)間序列為x(t)，對(duì)其建立自回歸模型為：

其中，x(t)為該導(dǎo)聯(lián)腦電信號(hào)時(shí)間序列，p*為自回歸模型階次，a_h為自回歸模型系數(shù)，u(t)為高斯白噪聲序列；自回歸模型階次p*根據(jù)BIC準(zhǔn)則確定：

BIC(p)＝Nlnσ²+plnN

其中，p＝1,2,…，N為該導(dǎo)聯(lián)腦電信號(hào)長(zhǎng)度，σ²為自回歸模型殘差；當(dāng)p由1開(kāi)始遞增時(shí)，BIC(p)將在p＝p*處取得極小值，確定p*為自回歸模型階次；

基于自回歸模型階次p*，利用Burg算法估計(jì)自回歸模型系數(shù)a_h，將Co＝(a₁，a₂，…，a_p*)作為該導(dǎo)聯(lián)腦電信號(hào)的自回歸模型特征；

(b2)該樣本的自回歸模型特征為(Co₃,Co₄)^T；

(b3)所有樣本的自回歸模型特征共同構(gòu)成自回歸模型特征域。

(c)采用離散小波變換方法，對(duì)樣本進(jìn)行分解與重構(gòu)，提取重構(gòu)信號(hào)的均值、方差和能量特征，組成離散小波變換特征域：

(c1)對(duì)某樣本分別提取C3和C4導(dǎo)聯(lián)腦電信號(hào)的離散小波變換特征So₃和So₄，提取方法相同，具體為：設(shè)該樣本經(jīng)預(yù)處理后的某導(dǎo)聯(lián)腦電信號(hào)時(shí)間序列為x(t)，對(duì)其進(jìn)行離散小波變換，首先構(gòu)造小波函數(shù)Ψ_j,k(t)：

Ψ_j,k(t)＝2^-j/2Ψ_j,k(2^-jt-k)

其中，Ψ_j,k(t)為母小波，k為Ψ_j,k(t)縱坐標(biāo)方向的平移量，j為Ψ_j,k(t)的分解層數(shù)，2^-j表示為尺度參數(shù)；

對(duì)x(t)進(jìn)行3層頻譜分解，得到離散小波變換系數(shù)C_j,k：

其中，為Ψ_j,k(t)的共軛；

基于上式得到離散小波變換系數(shù)C_j,k后，提取第2和3層系數(shù)并按照下式對(duì)x(t)進(jìn)行重構(gòu)：

重構(gòu)信號(hào)x₁(t)和x₂(t)分別對(duì)應(yīng)腦功能頻帶beta和alpha頻段的信號(hào)；計(jì)算x₁(t)的均值m_a、方差v_a和能量E_a，計(jì)算x₂(t)的均值m_b、方差v_b和能量E_b，得到該導(dǎo)聯(lián)腦電信號(hào)的離散小波變換特征So＝(m_a,v_a,E_a,m_b,v_b,E_b)；

(c2)該樣本的離散小波變換特征為(So₃,So₄)^T；

(c3)所有樣本的離散小波變換特征共同構(gòu)成離散小波變換特征域。

步驟三：建立個(gè)體支持向量機(jī)分類器模型

針對(duì)訓(xùn)練樣本集，在每個(gè)特征域下分別對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，并將支持向量機(jī)的輸出轉(zhuǎn)換為概率輸出，得到三個(gè)個(gè)體支持向量機(jī)分類器。三種特征域下的支持向量機(jī)的訓(xùn)練過(guò)程相同，具體如下：

將某特征域下所有特征進(jìn)行0-1歸一化，將歸一化后的特征作為支持向量機(jī)的輸入，對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，然后根據(jù)下式將支持向量機(jī)的輸出轉(zhuǎn)換為概率輸出：

其中，x_i表示訓(xùn)練樣本i，y_i表示訓(xùn)練樣本i所屬類別，A*為尺度參數(shù)A的最優(yōu)值，B*為位置參數(shù)B的最優(yōu)值，f(x_i)為支持向量機(jī)的決策函數(shù)；A和B為未知參數(shù)，A和B的最優(yōu)值A(chǔ)*和B*通過(guò)如下目標(biāo)函數(shù)估計(jì)得到：

其中，M為訓(xùn)練樣本的數(shù)量，y_i＝+1表示訓(xùn)練樣本i屬于想象左手運(yùn)動(dòng)信號(hào)類，y_i＝-1表示訓(xùn)練樣本i屬于想象右手運(yùn)動(dòng)信號(hào)類。

步驟四：多分類器集成腦電模式分類

針對(duì)測(cè)試樣本集中的每個(gè)樣本，先將相應(yīng)的特征輸入到對(duì)應(yīng)的個(gè)體支持向量機(jī)分類器內(nèi)，得到每個(gè)個(gè)體支持向量機(jī)分類器的分類信息，然后利用D-S證據(jù)理論對(duì)三個(gè)個(gè)體支持向量機(jī)分類器的分類信息進(jìn)行融合，得到該樣本最終的分類結(jié)果。融合公式為：

其中，n為特征域的數(shù)量，包括統(tǒng)計(jì)量特征域、自回歸模型特征域和離散小波變換特征域三個(gè)；D_j為信號(hào)類別，包括想象左手運(yùn)動(dòng)信號(hào)類、想象右手運(yùn)動(dòng)信號(hào)類和未知信號(hào)類三種；r_i(D_j)表示測(cè)試樣本在第i個(gè)特征域下屬于類別D_j的概率，K為沖突因子；W_m為三個(gè)特征域融合后的信號(hào)類別，包括想象左手運(yùn)動(dòng)信號(hào)類和想象右手運(yùn)動(dòng)信號(hào)類；r(W_m)表示三個(gè)特征域融合后測(cè)試樣本屬于類別W_m的概率；

通過(guò)融合公式對(duì)個(gè)體支持向量機(jī)的分類信息進(jìn)行融合，得到測(cè)試樣本屬于想象左手類別的概率值r(W₁)和測(cè)試樣本屬于想象右手類別的概率值r(W₂)，比較r(W₁)與r(W₂)的大小，其中概率值大的類別即為測(cè)試樣本最終的類別。

圖4和圖5分別為受試者想象左手運(yùn)動(dòng)、想象右手運(yùn)動(dòng)腦電信號(hào)的原始信號(hào)時(shí)域波形，以及經(jīng)過(guò)離散小波變換重構(gòu)后得到的alpha和beta頻段的時(shí)域波形(左側(cè)是C3通道的腦電信號(hào)，右側(cè)是C4通道的腦電信號(hào))。

圖6為4位受試者的運(yùn)動(dòng)想象腦電分類結(jié)果對(duì)比圖。從中可以得到，在所有受試者中，本發(fā)明的方法獲得的分類準(zhǔn)確率最高，有助于提高腦機(jī)接口中模式識(shí)別的準(zhǔn)確率，改善利用腦機(jī)接口對(duì)患者進(jìn)行康復(fù)治療的效果。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。