一种基于脑电信号的图形识别生成方法及系统与流程

本发明涉及人机交互技术领域，特别是涉及一种基于脑电信号的图形识别生成方法及系统。

背景技术：

现有的人机交互方式的交互过程包括将用户脑中的图形传输到系统中，系统将图形进行呈现，此交互过程中输入的是用户脑中的图形，输出的结果是系统呈现的图形，而输入和输出之间就涉及人机的交互方式。现有的交互过程的交互接口包括：键盘与鼠标、笔、触控设备、手势和语音。

然而，键盘与鼠标，这种交互方式在交互过程中，需要点选对应的若干歌操作指令和按钮，这是一种学习成本较高、操作效率较低的交互方式；笔，这种交互方式一方面需要交互人员本身具有一定的绘画能力，才能表达出交互人员脑中的图形，另一方面在交互结果的表达上存在效率比较低的问题。

因此，现有的将用户脑中图形进行呈现的方式存在操作效率较低的问题。

技术实现要素：

本发明的目的是提供一种基于脑电信号的图形识别生成方法及系统，解决了将用户脑中图形进行呈现的方式存在操作效率较低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于脑电信号的图形识别生成方法，包括：

构建支持向量机分类器；

获取待识别脑电信号；

对所述待识别脑电信号进行预处理，得到预处理后的待识别脑电信号；

提取所述预处理后的待识别脑电信号的特征向量；

将所述特征向量导入构建的支持向量机分类器，得到判别结果；

根据所述判别结果生成基于脑电信号的基础图形；

所述构建支持向量机分类器的具体过程为：

获取非侵入式脑电采集设备采集的原始脑电信号；

对采集的所述原始脑电信号进行预处理，得到预处理后的原始脑电信号；

将所述预处理后的原始脑电信号分解成多个脑电独立成分；

通过所述脑电独立成分提取所述脑电信号的初始特征向量；

根据所述初始特征向量构建和调整支持向量机分类器。

可选的，所述的对采集的所述原始脑电信号进行预处理，包括：识别所述原始脑电信号中的伪迹干扰并剔除。

可选的，所述的识别所述原始脑电信号中的伪迹干扰并剔除，具体包括：

采用独立成分分析方法将所述原始脑电信号分解成多个独立源信号；

根据伪迹特征剔除所述独立源信号中的伪迹信号。

可选的，所述的将所述预处理后的原始脑电信号分解成多个脑电独立成分，具体包括：采用独立成分分析方法将所述预处理后的原始脑电信号分解成多个脑电独立成分；

所述的通过所述脑电独立成分提取所述脑电信号的初始特征向量，具体包括：采用希尔伯特黄变换提取所述脑电信号的初始特征向量。

可选的，所述的采用希尔伯特黄变换提取所述脑电信号的初始特征向量，具体包括：

通过经验模态分解将非稳态时间序列信号分解成为r个包括瞬时频率的信号，所述包括瞬时频率的信号为固有模态函数；

对每个所述固有模态函数进行希尔伯特变换，得到所述包括瞬时频率的信号的瞬时振幅、相位和瞬时频率；

所有所述包括瞬时频率信号的瞬时振幅的时频分布为希尔伯特谱，通过对所述希尔伯特谱求积分得到希尔伯特边际谱；

通过所述希尔伯特边际谱计算所述脑电独立成分的不同频段的能量得到所述脑电信号的初始特征向量。

可选的，所述的根据所述初始特征向量构建和调整支持向量机分类器，具体包括：

将所述脑电信号的特征向量存储在数据集内；

将所述数据集分成训练集和测试集；

通过所述训练集构建所述支持向量机分类器；

通过所述测试集调整构建的所述支持向量机分类器。

可选的，所述的根据所述判别结果生成基于脑电信号的基础图形，具体包括：

根据所述判别结果通过计算机辅助设计绘制基于脑电信号的基础图形。

一种基于脑电信号的图形识别生成系统，包括：

支持向量机分类器构建模块，用于构建支持向量机分类器；

脑电信号获取模块，用于获取待识别脑电信号；

脑电信号预处理模块，用于对所述待识别脑电信号进行预处理，得到预处理后的待识别脑电信号；

脑电信号特征向量提取模块，用于提取所述预处理后的所述待识别脑电信号的特征向量；

结果获取模块，用于将所述特征向量导入构建的支持向量机分类器，得到判别结果；

生成图形模块，用于根据所述判别结果生成基于脑电信号的基础图形；

所述支持向量机分类器构建模块，具体包括：

获取原始脑电信号单元，用于获取非侵入式脑电采集设备采集的原始脑电信号；

原始脑电信号预处理单元，用于对采集的所述原始脑电信号进行预处理，得到预处理后的原始脑电信号；

分解预处理脑电信号单元，用于将所述预处理后的原始脑电信号分解成多个脑电独立成分；

提取初始特征向量单元，用于通过所述脑电独立成分提取所述脑电信号的初始特征向量；

构建调整单元，用于根据所述初始特征向量构建和调整支持向量机分类器。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种基于脑电信号的图形识别生成方法及系统，该基于脑电信号的图形识别生成方法包括：构建支持向量机分类器；采集基础图形视觉刺激诱发的待识别脑电数据；对待识别脑电数据进行预处理，得到预处理后的待识别脑电信号；提取脑电信号特征；将提取脑电信号特征导入构建的支持向量机分类器，得到判别结果；根据判别结果通过计算机辅助设计，生成基础图形。该方法构建了脑电特征的分类器，实现了脑电信号中图形含义的解读，并将该信息以实际图形的方式再现。该方法具有以下优点：①用hilbert-huang变换提取基础图形的脑电特征，较充分地保留了脑电信号的时频信息；②调用cad，将分类器的图形判别结果转换为图形信息，更加直观地实现了人脑中图形再现，形成了设计结果反馈的闭环，从而能够更好地运用于实际。从脑电信号到基础图形的生成，整个过程和结果能更直观的反应脑电识别的准确率，为今后脑电意图识别与再现技术的进一步发展铺垫良好基础。

同时，该基于脑电信号的图形识别生成方法相对于现有的计算机辅助设计技术(cad)借助鼠标、键盘、触控笔等来进行绘图相比，基于脑电信号的图形识别生成方法，既可以解放双手，又能直观地将脑中图形进行呈现，实现了自然的交互过程；还省去了移动鼠标、选择指令等繁杂的操作，减少了传统画图交互软件的学习成本和学习过程，提高了在绘图和表达上的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1所提供的基于脑电信号的图形识别生成方法的流程图；

图2为本发明实施例2所提供的基于脑电信号的图形识别生成系统的系统结构图；

图3为本发明实施例3所提供的基于脑电信号的图形识别生成方法的流程图；

图4为本发明实施例3所提供的分类方法的有向无环图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供一种基于脑电信号的图形识别生成方法。图1为本发明实施例1所提供的基于脑电信号的图形识别生成方法的流程图。参见图1，一种基于脑电信号的图形识别生成方法，包括：

步骤101，构建支持向量机分类器。构建支持向量机分类器的具体过程为：

获取非侵入式脑电采集设备采集的原始脑电信号。获取原始脑电信号的具体过程为：

使用非侵入式脑电采集设备采集原始脑电信号。

原始脑电信号采集实验包括：

实验设备：脑电信号采集设备。

外部刺激：基础图形的稳态视觉刺激，包括：刺激频率和刺激时长。

实验过程：(1)告知实验人员采集实验的注意事项；(2)实验人员佩戴脑电帽，检测脑电帽的连接效率；(3)开始实验，实验人员注视屏幕，观看视觉刺激视频；(4)实时记录实验人员的脑电信号；(5)脑电信号采集完毕，结束实验。

对采集的原始脑电信号进行预处理，得到预处理后的原始脑电信号。

运用矩阵工厂或矩阵实验室(matrix&laboratory，matlab)对采集的原始脑电信号进行预处理，包括：识别原始脑电信号中的伪迹干扰并剔除。

其中，识别原始脑电信号中的伪迹干扰并剔除具体包括：

采用独立成分分析(independentcomponentcorrelationalgorithm，ica)方法将原始脑电信号分解成多个独立源信号。

根据伪迹特征剔除独立源信号中的伪迹信号。

ica是一种主元分解的方法，ica的基本思想是从一组混合的观测信号中分离出独立成分。理论上认为脑电信号中的心动、眼动、肌电伪迹及其他干扰源所产生的干扰信号都是由相互独立的信源产生的，于是通过ica将信号分解成n个独立源信号，然后根据伪迹特征识别伪迹干扰，并利用ica剔除被认为是伪迹的独立成分源。其中，n为正整数。

运用matlab对采集的原始脑电信号进行预处理，在识别原始脑电信号中的伪迹干扰并剔除之前还包括：(1)导入脑电信号；(2)定位采集设备的电极位置；(3)重参考；(4)滤波；(5)根据刺激事件对脑电信号进行分段；(6)剔除坏导联信号/删除坏段；(7)对同类型刺激下的脑电信号段叠加平均。其中，滤波选择滤去50hz的工频干扰。

将预处理后的原始脑电信号分解成多个脑电独立成分。

将预处理后的原始脑电信号分解成多个脑电独立成分，具体包括：采用独立成分分析方法将预处理后的原始脑电信号分解成多个脑电独立成分，具体过程为：当剔除包含伪迹的独立成分源后，将剩余不包含伪迹的独立成分源重新利用ica分解形成g个脑电独立成分，这g个脑电独立成分之间有最小的互信息，每一个独立成分是一条时间序列信号。其中，g为正整数。

通过脑电独立成分提取原始脑电信号的初始特征向量。

通过脑电独立成分提取原始脑电信号的初始特征向量，具体包括：采用希尔伯特黄变换提取原始脑电信号的初始特征向量。

采用希尔伯特黄变换提取原始脑电信号的初始特征向量包括：通过经验模态分解将非稳态时间序列信号分解成为r个包括瞬时频率的信号，包括瞬时频率的信号为固有模态函数。其中，r为正整数。

对每个固有模态函数进行希尔伯特变换，得到包括瞬时频率的信号的瞬时振幅、相位和瞬时频率。

所有包括瞬时频率信号的瞬时振幅的时频分布为希尔伯特谱，通过对希尔伯特谱求积分得到希尔伯特边际谱。

通过希尔伯特边际谱计算脑电独立成分的不同频段的能量得到脑电信号的初始特征向量。

通过脑电独立成分提取脑电信号的初始特征向量的具体过程为：由于脑电信号属于非线性特征，并且会随着时间迅速变化，所以选用希尔伯特黄变换(hilbert-huangtransform，hht)提取特征向量，hht能跟踪原始信号的时频变化，并在任意时频范围上保留脑电信号的详细特征向量，进而可以实现高分辨率的时频特征提取。hht包括：经验模态分解(empiricalmodedecomposition，emd)和希尔伯特变换(hilberttransform)。

第一步，通过emd将时间序列信号分解成r个固有模态函数(intrinsicmodefunctions，imfs)ur(t)。经过emd分解后，时间序列信号的瞬时频率才具有物理意义，即时间序列信号的瞬时频率可以被计算出来。

第二步，对每个imfs进行希尔伯特变换(hilbert变换)。hilbert变换是一种谱分析方法，通过hilbert变换可以得到每个imfs的瞬时振幅、相位和瞬时频率。

式(1)中，h[]为hilbert变换算子，h[ur(t)]是原始信号ur(t)经过希尔伯特变换得到的信号值，h[ur(t)]用于计算瞬时振幅；ur(t)表示第r个imfs；*表示卷积运算；π为圆周率；p.v.表示柯西主值积分；ur(τ)表示第r个imfs的瞬间信号；τ表示微小时间量，τ为常数；t表示时间。

瞬时振幅：

其中，ar(t)表示第r个imfs的瞬时振幅。

相位：

其中，φr(t)表示第r个imfs的相位，h{ur(t)}为imfs的hilbert变换。获得相位的目的是求取瞬时频率。

瞬时频率：

其中，ωr(t)表示第r个imfs的瞬时频率；π为圆周率。

所有imfs的瞬时振幅随时间和频率的分布构成希尔伯特谱(hilbert谱)h(ω，t)，具体过程是将经过hilbert变换的信号进行傅里叶变换：

式(5)中，ω表示频率，re表示取实部，e为自然底数，j为复数单位。

hilbert谱表示瞬时振幅在整个频率段上随时间和频率的变化规律。对hilbert谱求积分可以得到希尔伯特边际谱(hilbert边际谱)，hilbert边际谱表示信号振幅在整个频率段上随频率的变化情况。hilbert边际谱具有更高的频率分辨率。hilbert边际谱表示为：

式(6)中，t表示脑电信号采集时长。

运用hilbert边际谱计算脑电信号每个独立成分icg的5个频段的能量。这5个是常用的根据不同频率划分的波段包括：δ1-4hz，θ4-8hz，α8-12hz，β12-30hz，γ30-64hz。进而可以得到每种基础图形对应的5n维脑电信号特征向量。

根据初始特征向量构建和调整支持向量机分类器，具体包括：

将脑电信号的特征向量存储在数据集内，即将脑电信号特征向量zs存储在数据集内。

将数据集分成训练集和测试集。

通过训练集构建支持向量机分类器。

通过测试集调整构建的支持向量机分类器。

步骤102，获取待识别脑电信号。

使用非侵入式脑电采集设备采集脑电信号。

脑电信号采集实验包括：

实验设备：脑电信号采集设备。

外部刺激：基础图形的稳态视觉刺激，包括：刺激频率和刺激时长。

实验过程：(1)告知实验人员采集实验的注意事项；(2)实验人员佩戴脑电帽，检测脑电帽的连接效率；(3)开始实验，实验人员注视屏幕，观看视觉刺激视频；(4)实时记录实验人员的脑电信号；(5)脑电信号采集完毕，结束实验。

步骤103，对待识别脑电信号进行预处理，得到预处理后的待识别脑电信号。

运用矩阵工厂或矩阵实验室(matrix&laboratory，matlab)对待识别脑电信号进行预处理的具体过程是：(1)导入脑电信号；(2)定位采集设备的电极位置；(3)重参考；(4)滤波；(5)根据刺激事件对脑电信号进行分段；(6)剔除坏导联信号/删除坏段；(7)对同类型刺激下的脑电信号段叠加平均；(8)识别伪迹干扰并剔除。

其中，滤波选择滤去50hz的工频干扰。

识别伪迹干扰采用独立成分分析(independentcomponentcorrelationalgorithm，ica)方法。

ica是一种主元分解的方法，是从一组混合的观测信号中分离出独立成分。理论上认为脑电信号中的心动、眼动、肌电伪迹及其他干扰源所产生的干扰信号都是由相互独立的信源产生的，于是通过ica将信号分解成n个独立源信号，然后根据伪迹特征识别伪迹干扰，并利用ica剔除被认为是伪迹的独立成分源。

步骤104，提取预处理后的待识别脑电信号的特征向量。

当剔除包含伪迹的独立成分源后，将剩余不包含伪迹的独立成分源重新利用ica分解形成g个脑电独立成分，这g个脑电独立成分之间有最小的互信息，每一个独立成分是一条时间序列信号。脑电信号属于非线性特征，并且会随着时间迅速变化，所以选用希尔伯特黄变换(hilbert-huangtransform，hht)提取特征向量，hht能跟踪原始信号的时频变化，并在任意时频范围上保留脑电信号的详细特征向量，进而可以实现高分辨率的时频特征提取。hht包括：经验模态分解(empiricalmodedecomposition，emd)和希尔伯特变换(hilberttransform，hilbert变换)。

第一步，通过emd将时间序列信号分解成r个固有模态函数(intrinsicmodefunctions，imfs)ur(t)。经过emd分解后，时间序列信号的瞬时频率才具有物理意义，即时间序列信号的瞬时频率可以被计算出来。

第二步，对每个imfs进行hilbert变换。hilbert变换是一种谱分析方法，通过hilbert变换可以得到每个imfs的瞬时振幅、相位和瞬时频率。

式(1)中，h[]为hilbert变换算子，h[ur(t)]是原始信号ur(t)经过希尔伯特变换得到的信号值，h[ur(t)]用于计算瞬时振幅；ur(t)表示第r个imfs；*表示卷积运算；π为圆周率；p.v.表示柯西主值积分；ur(τ)表示第r个imfs的瞬间信号；τ表示微小时间量，τ为常数；t表示时间。

瞬时振幅：

其中，ar(t)表示第r个imfs的瞬时振幅。

相位：

其中，φr(t)表示第r个imfs的相位，h{ur(t)}为imfs的hilbert变换。获得相位的目的是求取瞬时频率。

瞬时频率：

其中，ωr(t)表示第r个imfs的瞬时频率；π为圆周率。

所有imfs的瞬时振幅随时间和频率的分布构成希尔伯特谱(hilbert谱)h(ω，t)，具体过程是将经过hilbert变换的信号进行傅里叶变换：

式(5)中，ω表示频率，re表示取实部，e为自然底数，j为复数单位。

hilbert谱表示瞬时振幅在整个频率段上随时间和频率的变化规律。对hilbert谱求积分可以得到希尔伯特边际谱(hilbert边际谱)，hilbert边际谱表示信号振幅在整个频率段上随频率的变化情况。，hilbert边际谱具有更高的频率分辨率。hilbert边际谱表示为：

式(6)中，t表示脑电信号采集时长。

运用hilbert边际谱计算脑电信号每个独立成分icg的5个频段的能量。这5个是常用的根据不同频率划分的波段包括：δ：1-4hz，θ：4-8hz，α：8-12hz，β：12-30hz，γ：30-64hz。进而可以得到每种基础图形对应的5n维脑电信号特征向量。

步骤105，将特征向量导入构建的支持向量机分类器，得到判别结果。具体为将5n维脑电信号特征向量导入构建的支持向量机分类器，得到判别结果。

步骤106，根据判别结果生成基于脑电信号的基础图形。

根据判别结果生成基于脑电信号的基础图形，具体包括：

根据判别结果通过计算机辅助设计(computeraideddesign，cad)绘制基于脑电信号的基础图形。

实施例2

本实施例提供一种基于脑电信号的图形识别生成系统。图2为本发明实施例2所提供的基于脑电信号的图形识别生成系统的系统结构图。参见图2，一种基于脑电信号的图形识别生成系统，包括：

支持向量机分类器构建模块201，用于构建支持向量机分类器。

支持向量机分类器构建模块，具体包括：

获取原始脑电信号单元，用于获取非侵入式脑电采集设备采集的原始脑电信号。

原始脑电信号预处理单元，用于对采集的原始脑电信号进行预处理，得到预处理后的原始脑电信号。

原始脑电信号预处理单元包括：识别伪迹干扰并剔除子单元。

识别伪迹干扰并剔除子单元，用于识别原始脑电信号中的伪迹干扰并剔除，具体包括：

采用独立成分分析方法将原始脑电信号分解成多个独立源信号；

根据伪迹特征剔除独立源信号中的伪迹信号。

分解预处理脑电信号单元，用于将预处理后的脑电信号分解成多个脑电独立成分，具体包括：采用独立成分分析方法将预处理后的脑电信号分解成多个脑电独立成分。

提取初始特征向量单元，用于通过脑电独立成分提取脑电信号的初始特征向量，具体包括：

通过经验模态分解将非稳态时间序列信号分解成为r个包括瞬时频率的信号，包括瞬时频率的信号为固有模态函数；

对每个固有模态函数进行希尔伯特变换，得到包括瞬时频率的信号的瞬时振幅、相位和瞬时频率。

提取初始特征向量单元还包括：

所有包括瞬时频率信号的瞬时振幅的时频分布为希尔伯特谱，通过对希尔伯特谱求积分得到希尔伯特边际谱；

通过希尔伯特边际谱计算脑电独立成分的不同频段的能量得到脑电信号的初始特征向量。

构建调整单元，用于根据初始特征向量构建和调整支持向量机分类器，具体包括：

将脑电信号的特征向量存储在数据集内；

将数据集分成训练集和测试集；

通过训练集构建支持向量机分类器；

通过测试集调整构建的支持向量机分类器。

脑电信号获取模块202，用于获取待识别脑电信号。

脑电信号预处理模块203，用于对待识别脑电信号进行预处理，得到预处理后的待识别脑电信号。

脑电信号特征向量提取模块204，用于提取预处理后的待识别脑电信号的特征向量。

结果获取模块205，用于将特征向量导入构建的支持向量机分类器，得到判别结果。

生成图形模块206，用于根据判别结果生成基于脑电信号的基础图形，具体包括：

根据判别结果通过计算机辅助设计绘制基于脑电信号的基础图形。

实施例3

本实施例提供一种基于脑电信号的图形识别生成方法，图3为本发明实施例3所提供的基于脑电信号的图形识别生成方法的流程图。本实施例识别和生成的图形为：圆形、方形和三角形。参见图3，该方法包括：

步骤301，训练支持向量机分类器。训练支持向量机分类器具体包括：

采集训练数据。训练数据为原始脑电信号。

使用非侵入式脑电采集设备采集脑电信号。

脑电信号采集实验包括：

实验设备：脑电信号采集设备。优选emotivepoc+14通道脑电采集设备。

外部刺激：3种基础图形的稳态视觉刺激，包括：刺激频率和刺激时长。

实验过程：(1)告知实验人员采集实验的注意事项；(2)实验人员佩戴脑电帽，检测脑电帽的连接效率；(3)开始实验，实验人员注视屏幕，观看视觉刺激视频；(4)实时记录实验人员的脑电信号；(5)脑电信号采集完毕，结束实验。

对训练数据进行预处理，得到预处理后的训练数据。

运用matlab对原始脑电信号进行预处理的具体过程是：(1)导入脑电信号；(2)定位采集设备的电极位置；(3)重参考；(4)滤波；(5)根据刺激事件对脑电信号进行分段；(6)剔除坏导联信号/删除坏段；(7)对同类型刺激下的脑电信号段叠加平均；(8)识别伪迹干扰并剔除。

其中，滤波选择滤去50hz的工频干扰。

识别伪迹干扰采用ica方法。

ica是一种主元分解的方法，是从一组混合的观测信号中分离出独立成分。理论上认为脑电信号中的心动、眼动、肌电伪迹及其他干扰源所产生的干扰信号都是由相互独立的信源产生的，于是通过ica将信号分解成n个独立源信号，然后根据伪迹特征识别伪迹干扰，并利用ica剔除被认为是伪迹的独立成分源。

使用的脑电采集设备有14个通道，因此独立成分源有14个(m＝14)，即原始脑电信号包括来自14个通道的脑电信号x＝{x1(t),x2(t),…,x14(t)}，x＝{x1(t),x2(t),…,x14(t)}为m个未知的独立源信号s＝{s1(t),s2(t),…,sm(t)}的线性组合，即脑电信号与各独立成分的关系是x＝ws，其中w是权重矩阵。使用ica分解来自14个通道的脑电信号，得到ica分解出来的独立成分icx，icx＝w^-1x，icx＝{ic1(t),ic2(t),…,ic14(t)}，其中w^-1是为w的逆矩阵，icx＝s；x表示通道序列号，x小于或等于14。t表示时间。

提取预处理后的训练数据的特征向量。

当剔除包含伪迹的独立成分源后，将剩余不包含伪迹的独立成分源重新利用ica分解形成g个脑电独立成分icg，g＝14，icg＝{ic1(t),ic2(t),…,ic14(t)}，这14个脑电独立成分之间有最小的互信息，每一个独立成分是一条时间序列信号。脑电信号属于非线性特征，并且会随着时间迅速变化，所以选用希尔伯特黄变换(hilbert-huangtransform，hht)提取特征向量，hht能跟踪原始信号的时频变化，并在任意时频范围上保留脑电信号的详细特征向量，进而可以实现高分辨率的时频特征提取。hht包括：经验模态分解(empiricalmodedecomposition，emd)和希尔伯特变换(hilberttransform，hilbert变换)。

第一步，通过emd将时间序列信号分解成r个固有模态函数(intrinsicmodefunctions，imfs)ur(t)。经过emd分解后，时间序列信号的瞬时频率才具有物理意义，即时间序列信号的瞬时频率可以被计算出来。

第二步，对每个imfs进行hilbert变换。hilbert变换是一种谱分析方法，通过hilbert变换可以得到每个imfs的瞬时振幅、相位和瞬时频率。

式(1)中，h[]为hilbert变换算子，h[ur(t)]是原始信号ur(t)经过希尔伯特变换得到的信号值，h[ur(t)]用于计算瞬时振幅；ur(t)表示第r个imfs；*表示卷积运算；π为圆周率；p.v.表示柯西主值积分；ur(τ)表示第r个imfs的瞬间信号；τ表示微小时间量，τ为常数；t表示时间。

瞬时振幅：

其中，ar(t)表示第r个imfs的瞬时振幅。

相位：

其中，φr(t)表示第r个imfs的相位，h{ur(t)}为imfs的hilbert变换。获得相位的目的是求取瞬时频率。

瞬时频率：

其中，ωr(t)表示第r个imfs的瞬时频率；π为圆周率。

所有imfs的瞬时振幅随时间和频率的分布构成希尔伯特谱(hilbert谱)h(ω，t)，具体过程是将经过hilbert变换的信号进行傅里叶变换：

式(5)中，ω表示频率，re表示取实部，e为自然底数，j为复数单位。

hilbert谱表示瞬时振幅在整个频率段上随时间和频率的变化规律。对hilbert谱求积分可以得到希尔伯特边际谱(hilbert边际谱)，hilbert边际谱表示信号振幅在整个频率段上随频率的变化情况。hilbert边际谱具有更高的频率分辨率。hilbert边际谱表示为：

式(6)中，t表示脑电信号采集时长。

运用hilbert边际谱计算脑电信号每个独立成分icg的5个频段的能量。这5个是常用的根据不同频率划分的波段包括：δ：1-4hz，θ：4-8hz，α：8-12hz，β：12-30hz，γ：30-64hz。进而可以得到每种基础图形对应的70维脑电信号特征向量。

本实施例采用hilbert-huang变换提取基础图形的脑电特征，较充分地保留了脑电信号的时频信息。

根据脑电信号特征向量构建和调整支持向量机分类器，将脑电信号特征向量存储在数据集内，将数据集分为训练集和测试集。

用训练集学习支持向量机(supportvectormachine，svm)的判别模型。训练集包括80％数据集的数据。

数据集表示为d＝{(z1，y1)，(z2，y2)，...，(zs，ys)}，其中，zs表示70维脑电信号特征向量，ys表示与特征向量对应的类别标签，s是特征向量样本编号。类别标签是脑电信号特征所属的类别，在训练模型的时候输入脑电信号特征对应的类别。

由于本实施例生成的图形不止两种，属于多分类问题，而一个svm分类器只能对两个类别进行分类，所以本实施例构建的支持向量机分类器包括多个svm分类器，从而实现多分类svm算法。首先确定对k个类别分类需要构造k(k-1)/2个分类器。本实施例中脑电信号特征有3种类别：圆类、方类、三角类，则k＝3，即本实施例需要构造3个分类器。这3个分类器分别是分类器1：圆-方支持向量机分类器、分类器2：三角-方支持向量机分类器和分类器3：圆-三角支持向量机分类器。

svm为分类器，当zs属于第一类时，ys＝1；当zs属于第二类时，ys＝-1。在训练支持向量机分类器时，根据采集的训练数据，即原始脑电信号与3种图形类别的对应关系，可将训练集分成三个类别的小数据集，然后通过每两个类别的小数据集对一个分类器进行训练，当训练分类器1进行分类时，圆形为第一类，方形为第二类；当训练分类器2进行分类时，三角形为第一类，方形为第二类；当训练分类器3进行分类时，圆形为第一类，三角形为第二类。

由svm算法可知，构造分类器就是确定两个类别的分类超平面问题，这是典型的受约束二次规划问题，其中最优分类超平面是使待分类的两类向量距离超平面的几何间隔最大化的平面。且由于脑电信号分类问题是线性不可分问题，需引入松弛变量ξs，松弛变量ξs为非负数，s是特征向量样本编号。即，求最优分类超平面的目标函数表示为：

约束条件为：

ys[w^tk(zs,z′s)+b]≥1-ξs(8)

其中，w是权值向量；b是超平面截距；ξ表示松弛变量；ξs是第s个特征向量的松弛变量；c为惩罚系数，c越大表示对错误分类的惩罚越大；w^t表示权值向量的转置矩阵。且由于脑电信号分类问题是线性不可分问题，还需将样本映射到隐式特征空间中再进行求解。k(zs,z′s)为将zs映射到高维空间即隐式特征空间的核函数。由于脑电特征维数较多，所以采用线性核函数就能有较好的分类效果。

其中，通过拉格朗日(lagrange)法求解上述二次规划问题，lagrange法的决策函数表示为：

其中，f(zs)是决策结果，as是拉格朗日(lagrange)系数，即zs确定的所属类别。

在数据训练时，构造如公式(7)和(8)的3个分类超平面，分别对应3个分类器：分类器1(圆-方支持向量机分类器)、分类器2(三角-方支持向量机分类器)和分类器3(圆-三角支持向量机分类器)。

在对未知样本进行分类时，本实施例提供一种分类器分类方法的具体实施方式，图4为本发明实施例3所提供的分类方法的有向无环图，本实施方式所提供的分类方法采用有向无环图。参见图4，这3个分类器在分类时，从顶层根节点开始，根据分类结果决定从哪一条支路继续分类，即分类器1进行分类时，当分类结果是圆形，则向左下通过分类器3进行分类；当分类结果是方形，则向右下通过分类器2进行分类，直至底层显示最终的分类结果。

用测试集验证支持向量机的判别模型。测试集包括20％数据集的数据，将测试集中的数据作为支持向量机的判别模型的输入，根据判别模型的输出调整惩罚系数c，以平衡支持向量的复杂度和误分类率之间的关系。当惩罚系数c取值小时表示对经验误差惩罚小，支持向量机的复杂度小而误分类率高；c取值大时表示对经验误差惩罚大，支持向量机的复杂度大而误分类率低。

得到最终的判别模型。当支持向量机的复杂度达到特征空间允许最大值时，svm的推广能力最好，即此时误分类率在接受范围内，确定此时的惩罚系数c。另外，c在一定程度上取决于脑电信号数据中的噪声数量。

步骤302，图形生成。图形生成具体包括：

获取待识别脑电信号。

对待识别脑电信号进行预处理，得到预处理后的待识别脑电信号。

运用matlab对待识别脑电信号进行预处理的具体过程是：(1)导入脑电信号；(2)定位采集设备的电极位置；(3)重参考；(4)滤波；(5)根据刺激事件对脑电信号进行分段；(6)剔除坏导联信号/删除坏段；(7)对同类型刺激下的脑电信号段叠加平均；(8)识别伪迹干扰并剔除。

其中，滤波选择滤去50hz的工频干扰。

识别伪迹干扰采用独立成分分析(independentcomponentcorrelationalgorithm，ica)方法。

提取预处理后的待识别脑电信号的特征向量。选用希尔伯特黄变换(hilbert-huangtransform，hht)提取特征向量。

将特征向量导入构建的支持向量机分类器，得到判别结果。

根据判别结果通过计算机辅助设计(computeraideddesign，cad)绘制基于脑电信号生成的三种基础图形。

本实施例调用cad，将分类器的图形判别结果转换为图形信息，更加直观地实现了认知意图再现，形成了设计结果反馈的闭环，从而能够更好地运用于实际，辅助设计。

本实施例从采集脑电信号到基础图形的生成，整个过程和结果能更直观的反应脑电识别的准确率，为今后脑电意图识别与再现技术的进一步发展铺垫良好基础。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。