专利名称:一种基于稀疏度量的分类方法
技术领域:
本发明属于生物医学信息技术领域,具体涉及脑-机接口领域中的模式分类方法。
背景技术:
脑-机接口(Brain Computer Interface, BCI)是利用计算机或其他外部电子设备之间实现人脑与外界进行直接交流和控制的通道(Wolpaw JR, BirbaumerN, McFarland DJ, Pfurtscheller G, Vaughan TM(2002)Brain-computer interfaces forcommunication and control.Clin Neurophysiolll3, 767-791)。BCI 研究涉及众多学科,例如:神经科学、信号检测、信号处理、模式识别、控制理论等,这些学科的交叉发展推动了BCI研究的推进。BCI的基础理论与临床应用研究,已被纳入脑科学和神经工程学的范畴,也被国际上的很多权威机构认为是21世纪脑与神经科学研究中的最前沿与热点之一。一个BCI系统包括信号采集、数据处理以及外设与接口三个部分。在数据处理中,EEG信号的模式分类是BCI系统能否翻译出大脑信息的关键。用于脑机接口的模式分类方法很多,其中,线性判别分析方法(Linear Discriminant Analysis, LDA)由于简单的结构原理以及较低的计算复杂度而在BCI模式识别中得到了广泛的应用。线性判别分析的基本思想是将高维空间中的样本投影到一个低维特征空间并使得投影后的样本在新的空间中具有最大的类间离散度和最小的类内离散度,满足条件的特征空间即为使(I)式达到最大的特征向量W所张成的子空间:
权利要求
1.一种基于稀疏度量的分类方法,具体包括如下步骤: 51.根据脑电信号训练样本分别计算类间离散度矩阵Sb和类内离散度矩阵Sw; 52.根据步骤SI得到的类间离散度矩阵Sb和类内离散度矩阵Sw构造出相应的(^和Ψ,ν,其中,φ B 和%.-分别满足
2.根据权利要求1所述的基于稀疏度量的分类方法,其特征在于,还包括步骤S4.将测试样本投影到向量w张开的空间进行分类。
3.根据权利要求1或2所述的基于稀疏度量的分类方法,其特征在于,步骤S2具体采用奇异值分解构造小8和鲁-
4.根据权利要求1或2所述的基于稀疏度量的分类方法,其特征在于,步骤S3中估计使得目标函数取得最大值的投影向量w的具体过程如下: 531.对目标函数J*(w)两边同时求导计算出相应的梯度:
5.根据权利要求4所述的基于稀疏度量的分类方法,其特征在于,步骤S32利用梯度下降法对目标向量w进行估计的具体过程如下: 更新过程表示为: w (t+1) =w (t) - δ.w (t)τ.dw 其中,t表示迭代次数,w(t)为一 mXl的向量,表示第t次迭代得到的估计结果,w(t+1)表示第t+1次得到的估计结果,初始迭代向量W(0) e Rm设置为一任意的非O向量;S为迭代步距,选择使得J*(W(t+l))达到最大的一个值作为本次迭代的δ ;当满足J*(w(t+1))-J*(w(t)) I <α时,迭代停止,α为预先设定的阈值。
全文摘要
本发明公开了一种基于稀疏度量的分类方法,具体为计算类间离散度矩阵和类内离散度矩阵,对得到的矩阵进行分解,将Fisher判别准则转化为L1模结构,估计使得目标函数取得最大值的投影向量。针对现有的基于L2模测度函数的LDA会对Outliers等噪声产生不利的放大,本发明的方法在构造判别分析时采用了基于L1模的测度函数,能够克服现有基于L2模的线性判别分析受到Outliers以及噪声孤立点影响的问题,获得稳健的分类识别效果,在一定程度上提高BCI系统的稳定性。
文档编号G06F19/00GK103077318SQ201310017610
公开日2013年5月1日 申请日期2013年1月17日 优先权日2013年1月17日
发明者徐鹏, 李沛洋, 张锐, 田春阳, 郭兰锦, 尧德中 申请人:电子科技大学