基于群体智能算法的脑电波优化分类与识别系统及方法与流程

本发明涉及脑电波优化分类，具体是基于群体智能算法的脑电波优化分类与识别系统及方法。

背景技术：

1、脑电波信号在脑科学研究、人机交互等领域具有广泛的应用前景。然而，脑电波信号的特征提取和分类识别是一个复杂且具有挑战性的问题。传统的特征提取和分类方法受限于人工选择特征和分类器的能力，往往存在着特征维度高、分类效果不稳定等问题。因此，需要一种基于群体智能算法的脑电波优化分类与识别系统来提升分类性能和降低特征维度；

2、公开号为cn113935382a的中国专利公开了一种基于遗传算法和快速独立成分分析的脑电波信号分离方法，包括对脑电波信号数据进行预处理，使用粒子群算法(pso)来改进遗传算法从而构建fastica算法的初始矩阵w，通过fastica算法对含噪声的脑电波盲源信号进行信号分离。然而该方法是使用遗传算法进行去噪，而未能解决特征提取和优化的问题；

3、为此，本发明提出基于群体智能算法的脑电波优化分类与识别系统及方法。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于群体智能算法的脑电波优化分类与识别系统及方法，提高了对脑电波进行分类的工作效率和准确性。

2、为实现上述目的，提出基于群体智能算法的脑电波优化分类与识别方法，包括以下步骤：

3、步骤一：收集原始电波数据以及情绪标签数据，并对原始电波数据预处理，获得预处理电波数据；

4、步骤二：对预处理电波数据进行特征提取，获得全特征集合；

5、步骤三：基于全特征集合中生成m个初始特征子集；m为预设的数量参数；

6、步骤四：使用预处理电波数据和情绪标签数据，为每个初始特征子集构建情绪分类器，并使用情绪分类器计算每个初始特征子集的适应度；

7、步骤五：基于适应度，从所有初始特征子集中选择出优质特征子集群体，对优质特征子集群体进行进化操作，重新生成初始特征子集群体；重复执行步骤四至步骤五，直至满足进化停止条件，并获得最终优化特征子集；

8、所述收集原始电波数据以及情绪标签数据的方式包括：

9、征集n个测试人员，并收集每个测试人员的头皮上的n1个eeg通道数据和n2个生理通道数据，每个测试人员的eeg通道数据和生理通道数据组成一组个体原始电波；其中，n、n1和n2均为预先设置的数量参数；所有个体原始电波组成原始电波数据；

10、收集每个测试人员在被测试时的情绪标签，所述情绪标签为0-k中的正整数；所述情绪标签表达的是测试人员不同的情绪模式，k为情绪模式的数量；所有情绪标签组成情绪标签数据；

11、所述获得预处理电波数据，包括：

12、步骤11：使用数字滤波器对原始电波数据中，各个个体原始电波的各条通道的eeg通道数据进行滤波处理；

13、步骤12：使用去噪技术对滤波处理后的各条eeg通道数据进一步去噪处理；

14、步骤13：对各条生理通道的生理通道数据以及去噪后的各条eeg通道的eeg通道数据进行标准化处理；将标准化处理后的每个个体的生理通道数据和eeg通道数据组成预处理电波数据；

15、所述对预处理电波数据进行特征提取，获得全特征集合的方式为：

16、对于预处理电波数据中的每组个体原始电波中的eeg通道数据进行特征提取，获得eeg个体特征集合；

17、所述eeg通道数据进行特征提取的方式为：

18、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg时域特征；

19、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg频域特征：

20、提取每个测试人员的预处理电波数据中，各个eeg通道的eeg通道数据对应的eeg时频域特征：

21、每个测试人员的每个eeg通道对应的eeg时域特征、eeg频域特征和eeg时频域特征组成一组eeg离散特征向量；

22、每个测试人员的所有eeg通道的eeg离散特征集合组成eeg离散特征集合，每个测试人员的所有生理通道的生理通道数据组成一组生理通道特征集合；

23、每个测试人员的eeg离散特征集合和生理通道特征集合的并集组成一组分类特征集合，所有测试人员的分类特征集合组成全特征集合；

24、所述生成m个初始特征子集包括以下步骤：

25、步骤21：从n1个eeg通道和n2个生理通道中随机选择若干个通道作为候选通道；对选中的候选通道设置通道标签为1，对未选中的通道设置通道标签为0，生成一个通道标签串；

26、步骤22：从eeg通道中选择若干特征，从生理通道中选择若干特征，作为候选特征，对选中的候选特征设置特征标签为1，对未选中的特征设置特征标签为0，生成一个特征标签串；

27、步骤23：候选通道中的候选特征组成一组初始特征子集；

28、步骤24：重复执行步骤21至步骤23m次，生成m个初始特征子集；

29、所述为每个初始特征子集构建情绪分类器的方式为：

30、对于每个初始特征子集：

31、从所有测试人员中，随机选择nx个测试人员作为训练测试人员，其余的n-nx个测试人员作为验证测试人员；将全特征集合中，每个训练测试人员的分类特征集合作为电波训练集合，每个验证测试人员的分类特征集合作为电波验证集合；其中，nx为预设的数量参数，

32、对于每个训练测试人员，从对应的电波训练集合中，筛选初始特征子集对应的特征值，组成一组训练特征向量；

33、将每组训练特征向量作为情绪分类器的输入，所述情绪分类器以训练特征向量对应的该测试人员的情绪模式的预测值作为输出，以训练特征向量对应的该测试人员的情绪标签作为预测目标，以情绪模式的预测值和情绪标签之间的差值作为预测误差，以最小化预测误差之和作为训练目标；对情绪分类器进行训练，直至预测误差之和达到收敛时停止训练；

34、所述使用情绪分类器计算每个初始特征子集的适应度的方式为：

35、对于每个初始特征子集：

36、对于每个验证测试人员，从对应的电波训练集合中，筛选初始特征子集对应的特征值，组成一组验证特征向量；

37、将验证特征向量输入对应的情绪分类器中，获得该情绪分类器输出的情绪模式的预测值；

38、统计输出的情绪模式的预测值与对应验证测试人员的情绪标签之间的预测准确率；所述预测准确率作为该初始特征子集的适应度；

39、所述基于适应度，从所有初始特征子集中选择出优质特征子集群体的方式为：

40、预设优质适应度阈值，将所有初始特征子集中适应度大于优质适应度阈值作为优质特征子集，所有优质特征子集组成优质特征子集群体；

41、所述对优质特征子集群体进行进化操作，重新生成初始特征子集群体的方式包括：

42、步骤31：计算所有优质特征子集的适应度之和，作为总适应度；

43、步骤32：对于每个优质特征子集，计算其适应度占总适应度的比例，并将该比例作为选中概率；

44、步骤33：按选中概率依次选择两个优质特征子集，并对选中的两个优质特征子集的通道标签串和特征标签串分别进行交叉操作，生成一组新的特征子集；重复执行步骤33，直至生成m个新的特征子集；

45、步骤34：对m个新的特征子集进行变异操作；m个变异操作后的新的特征子集重新组成初始特征子集群体；

46、所述进化停止条件为：

47、预先设置适应度停止阈值，若在优质特征子集群体中，存在任意一个初始特征子集的适应度大于适应度停止阈值，则判断为满足进化停止条件，否则，判断为不满足进化停止条件；

48、所述最终优化特征子集为所有优质特征子集群体中适应度最大的初始化特征子集。

49、提出基于群体智能算法的脑电波优化分类与识别系统，包括预数据收集模块、全特征集合获取模块以及群体智能筛选模块；其中，各个模块之间通过电性方式连接；

50、预数据收集模块，用于收集原始电波数据以及情绪标签数据，并对原始电波数据预处理，获得预处理电波数据，并将预处理电波数据发送至全特征集合获取模块，将情绪标签数据发送至群体智能筛选模块；

51、全特征集合获取模块，用于对预处理电波数据进行特征提取，获得全特征集合，并将全特征集合发送至群体智能筛选模块；

52、群体智能筛选模块，用于执行如下步骤：

53、步骤41：基于全特征集合中生成m个初始特征子集，m为预设的数量参数；

54、步骤42：使用预处理电波数据和情绪标签数据，为每个初始特征子集构建情绪分类器，并使用情绪分类器计算每个初始特征子集的适应度；

55、步骤43：基于适应度，从所有初始特征子集中选择出优质特征子集群体，对优质特征子集群体进行进化操作，重新生成初始特征子集群体；重复执行步骤41至步骤43，直至满足进化停止条件，并获得最终优化特征子集。

56、提出一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

57、所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于群体智能算法的脑电波优化分类与识别方法。

58、提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；

59、当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于群体智能算法的脑电波优化分类与识别方法。

60、与现有技术相比，本发明的有益效果是：

61、本发明通过收集原始电波数据以及情绪标签数据，并对原始电波数据预处理，获得预处理电波数据，对预处理电波数据进行特征提取，获得全特征集合，基于全特征集合，生成m个初始特征子集；m为预设的数量参数，使用预处理电波数据和情绪标签数据，为每个初始特征子集构建情绪分类器，并使用情绪分类器计算每个初始特征子集的适应度；基于适应度，从所有初始特征子集中选择出优质特征子集群体，对优质特征子集群体进行进化操作，重新生成初始特征子集群体；重复生成新的初始特征子集群体，并筛选优质特征子集群体，直至满足进化停止条件，并获得最终优化特征子集；通过使用遗传算法保证了最终优化特征子集中舍去了部分的通道和特征，也能使得情绪分类器的分类准确率达到预期的效果，从而达到了避免使用全部特征进行分类的运算量爆炸的问题，提高了分类性能和稳定性，也降低了人工选择特征的工作量，提高了对脑电波进行分类的工作效率和准确性。