一種基于PSO-SVM的腦電信號特征分類方法技術

本發明專利技術涉及一種基于PSO?SVM的腦電信號特征分類方法。本發明專利技術首先利用正則化的CSP(R?CSP)算法進行腦電信號特征提取；其次利用粒子群算法對支持向量機的懲罰因子C和核參數g進行優化。最后，用得到的最優參數對SVM分類器進行訓練，利用訓練好的分類器對樣本進行分類預測。本發明專利技術與傳統的SVM分類識別進行對比，結果表明基于PSO?SVM的分類識別算法能有效的提高腦電信號的分類識別率，較傳統的分類識別方法有明顯的優勢。

【技術實現步驟摘要】

本專利技術涉及腦電信號的特征提取與分類方法，特別涉及基于PSO-SVM的腦電信號特征分類方法。
技術介紹
腦-接口(BCI)是一種基于腦電信號(EEG)實現人腦與計算機或其他設備之間通信和控制接口。BCI技術指的是能夠使人在無外周神經系統和肌肉組織的參與條件下，通過計算機等電子設備輸出控制信號，進而與外界環境進行交流的一種新型人機交互手段。近年來，基于腦電的腦-機接口技術成為域的研究熱點，并逐步發展成為一門新興的多學科交叉技術。BCI的關鍵技術是如何快速有效的提取腦電信號特征和提高識別準確率。EEG分類識別的主要方法有線性判別分析(LDA)、K-最鄰近分析以及人工神經網絡等。SVM是支持向量機(SVM)是1995年首次提出的一種分類技術，常用于模式分類和非線性回歸。其思想是將向量映射變換到一個更高維的空間里，通過計算得到一個最優分類面，從而使樣本線性分開。但由于SVM使用過程中由于腦電信號的隨機、非平穩性，以及研究人員對信號的分布特性缺少一點的先驗知識，導致SVM的最優核函數的選取存在不確定性。而支持向量機分類效果的好壞主要取決于核函數和參數的選擇。
技術實現思路
本專利技術的目的是在正則化CSP(R-CSP)進行特征提取的基礎上，結合粒子群算法(PSO)對支持向量機的核函數參數進行迭代尋優，提出了基于PSO-SVM的腦電信號特征分類方法。本專利技術的目的可以通過以下技術方案實現：基于PSO-SVM的腦電信號特征分類方法，該方法包括以下步驟：步驟1.利用正則化的CSP算法(R-CSP)對腦電信號進行特征提取,得到樣本特征向量Y。步驟2.利用粒子群算法對支持向量機的核函數參數進行迭代尋優。步驟3.利用PSO優化后的最優參數對SVM分類器進行訓練，利用訓練好的分類器對樣本進行分類預測。其中步驟1中腦電信號特征提取得到特征向量具體步驟如下：采用正則化的CSP算法對腦電信號進行特征提取，從兩類特征中提取出首尾各q個具有代表性特征向量，得到空間濾波器為W，設運動想象腦電信號為表示類別為c的第i個樣本的腦電信號，得到投影后的矩陣X＝WTE，對X進行對數化處理得到的特征系數表示如下： y j = l o g ( var ( x j ) Σ k = 1 k = 2 m var ( x k ) ) , j = 1 , 2 , ....2 q ]]>其中xj為x的第j行，var(xq)為方差。作為優選，步驟2中的核函數K(x,xi)選用徑向基核函數(RBF)，公式如下：K(x,xi)＝exp(-|x-xi|2)/g2其中(,)為內積，x,xi∈Rn，xi為特征向量，g為核參數，則支持向量機的最優決策函數公式轉換為：式中C為懲罰因子，ai為對應的拉格朗日系數，b*為分類閾值。作為優選，步驟2中所述的粒子群算法對支持向量機的核函數參數，即核參數g和懲罰因子C，進行迭代尋優的具體步驟如下：(1)初始化：在D維空間中，初始化M個粒子的初始位置和速度，包括設定粒子群初始參數c1,c2,確定每個粒子的初始速度及每個初始粒子的最優位置和全局最優位置。其中第i個粒子的位置和速度分別為:xi＝(xi1,xi2,...,xid),vi＝(vi1,vi2,...,vid)T，式中i＝1,2,...M。第i個粒子最優位置是Pi＝(Pi1,Pi2,...,Pid)，種群全局最優位置是Pg＝(Pg1,Pg2,...,Pgd)。(2)計算適應度：利用初始化的參數對支持向量機建模，根據訓練樣本對該模型進行訓練，并且利用適應度函數計算得到各個粒子適應度函數值。(3)調整：根據粒子的適應度值調整粒子的個體最優位置和全局最優位置。(4)更新：根據粒子的速度和位置迭代更新公式，對粒子的位置和速度進行更新，獲得新的參數pbest和gbest。其中粒子的速度和位置迭代公式為： v i d t + 1 = wv i d t + c 1 r 1 ( p i d t - x i d t ) + c 2 r 2 ( p g d t - x i d t ) ]]> x i d t + 1 = x i d t 本文檔來自技高網...

【技術保護點】
一種基于PSO?SVM的腦電信號特征分類方法，其特征在于,該方法包括以下步驟：步驟1.利用正則化的CSP算法對腦電信號進行特征提取,得到樣本特征向量Y；步驟2.利用粒子群算法對支持向量機的核函數參數進行迭代尋優；步驟3.利用PSO優化后的最優參數對SVM分類器進行訓練，利用訓練好的分類器對樣本進行分類預測。

【技術特征摘要】
1.一種基于PSO-SVM的腦電信號特征分類方法，其特征在于,該方法包括以下步驟：
步驟1.利用正則化的CSP算法對腦電信號進行特征提取,得到樣本特征向量Y；
步驟2.利用粒子群算法對支持向量機的核函數參數進行迭代尋優；
步驟3.利用PSO優化后的最優參數對SVM分類器進行訓練，利用訓練好的分類器對樣本
進行分類預測。
2.根據權利要求1所述的一種基于PSO-SVM的腦電信號特征分類方法，其特征在于：其
中步驟1中腦電信號特征提取得到特征向量具體步驟如下：
采用正則化的CSP算法對腦電信號進行特征提取，從兩類特征中提取出首尾各q個具有
代表性特征向量，得到空間濾波器為W，設運動想象腦電信號為表示類別為c的
第i個樣本的腦電信號，得到投影后的矩陣X＝WTE，對X進行對數化處理得到的特征系數表
示如下：
y j = log ( var ( x j ) Σ k = 1 k = 2 m var ( x k ) ) , j = 1 , 2 , ....2 q ]]>其中xj為x的第j行，var(xq)為方差。
3.根據權利要求1所述的一種基于PSO-SVM的腦電信號特征分類方法，其特征在于：步
驟2中的核函數K(x,xi)選用徑向基核函數(RBF)，公式如下：
K(x,xi)＝exp(-|x-xi|2)/g2其中(,)為內積，x,xi∈Rn，xi為特征向量，g為核參數，則支持向量機的最優決策函數公
式轉換為：
式中C為懲罰因子，ai為對應的拉格朗日系數，b*為分類閾值。
4.根據權利要求3所述的一種基于PSO-SVM的腦電信號特征分類方法，其特征在于：步
驟2中所述的粒子群算法對支持向量機的核函數參數，即核參數g和懲罰因子C，進行迭代尋
優的具體步驟如下：
(1)初始化：在D維空間中，初始化M個粒子的初始位置和速度，包括設定粒子群初始參
數c1,c2,確定每個粒子的初始速度及每個初始粒子的最優位置和全局最優...

【專利技術屬性】
技術研發人員：馬玉良，丁曉慧，孟明，高云園，羅志增，
申請(專利權)人：杭州電子科技大學，
類型：發明
國別省市：浙江;33