专利汇可以提供基于多层超限学习机的运动想象脑电信号分类方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了基于多层超限学习机的运动想象脑电 信号 分类方法,属于 模式识别 和脑-机 接口 领域。脑 电信号 的分类识别主要包括脑电信号的特征提取和特征分类两部分。首先,对每一样本的原始信号进行 加窗 分段,得到S段子信号;然后,分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析,并将最终的S个K-1维 特征向量 进行组合,得到S*(K-1)维的特征;最后,将所有样本的特征送入多层超限学习机分类器中,得到最后的分类结果。与 现有技术 相比,本发明的方法具有以下优点:传统的ELM 算法 是单隐层结构,对于提取复杂信号的特征有很大的局限性,本发明通过增加隐层个数提取深层信息,从而提高了分类正确率,并且保持了ELM低耗时的优势。,下面是基于多层超限学习机的运动想象脑电信号分类方法专利的具体信息内容。
1.基于多层超限学习机的运动想象脑电信号分类方法,其特征在于:
首先,对每一样本的原始信号进行加窗分段,得到S段子信号;然后,分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析,并将最终的S个K-1维特征向量进行组合,得到S*(K-1)维的特征;最后,将所有样本的特征送入多层超限学习机分类器中,得到最后的分类结果;
基于多层超限学习机的运动想象脑电信号分类方法,包括以下步骤:
步骤一,采用固定的滑动时间窗将原始运动想象脑电信号分为S段子信号;S的取值取决于滑动时间窗的长度与原始脑电信号的长度;
步骤二,对步骤一所得到的每一段子信号通过主成分分析方法进行降维,去除眼动和眨眼等伪迹对信号的干扰,得到降维后的特征向量;
步骤三,将步骤二中得到的特征向量通过线性判别分析方法进行二次降维,对于K个类别的脑电数据,得到K-1维的特征向量;对于二分类问题,得到的是一个一维的特征向量;
步骤四,对每个子信号均按步骤二和步骤三进行处理,对于S段子信号,所以最终会得到S个K-1维的特征向量,将S个K-1维的特征向量进行组合,得到最终为S*(K-1)维的特征;
步骤五,将步骤四所得到的S*(K-1)维特征送入ML-ELM分类器,得到最终分类结果。
2.根据权利要求1所述的基于多层超限学习机的运动想象脑电信号分类方法,其特征在于:假设有训练数据集TrainData和一组测试数据集TestData,TrainData的样本量为N,维度为D;TestData的样本量为M,维度同样为D;其中TrainData与TestData中样本属于K个类别的;
基于多层超限学习机的运动想象脑电信号分类方法,
步骤一,通过固定时间窗划分的方式把TrainData和TestData均分成S段脑电子信号;
TrainDatai代表训练数据集中第i段子信号,每段子信号的维度为Di(i=1,2,…,S);
TestDatai代表测试数据集中第i段子信号,每段子信号的维度为Di(i=1,2,…,S);因为采用的固定时间窗,窗口大小是固定的,所以D1=D2=…=Di;
固定的滑动时间窗分为两种:一种是无叠加时间窗,每一段子信号之间没有重叠部分,即 另一种是有叠加的时间窗,每两段相邻的子信号之间是有部分重叠的,即步骤二,对步骤一所得到的每一段子信号TrainDatai和TestDatai通过主成分分析方法进行降维;将特征值从大到小进行排序后,再根据累计贡献率,只保留前m个最大特征值对应的特征向量组合MPCA作为投影空间向量,MPCA=[Φ1,Φ2,...,Φm],Φ1,Φ2,...,Φm分别为通过主成分分析方法进行降维后得到的最大特征值所对应的特征向量;将TrainDatai和TestDatai同时投影到MPCA上,可得到PCA降维后的训练数据Traini和测试数据Testi:
Traini=TrainDatai·MPCA
Testi=TestDatai·MPCA
步骤三,将步骤二中得到的特征向量通过LDA方法进行二次降维,具体方法如下:
(1)根据LDA准则,利用Traini中不同类别样本的类间离散度矩阵以及同一类别样本的类内离散度矩阵计算出LDA的投影空间向量w*;
(2)把Traini与Testi投影到w*上,得到第i段脑电子信号的特征:
Trainfeaturei=Traini·w*
Testfeaturei=Testi·w*
步骤四,计算出所有的Trainfeaturei与Testfeaturei,并进行组合,得到最终的特征TrainFeature与TestFeature:
TrainFeature={TrainFeature1,TrainFeature2,…,Trainfeaturex}TestFeature={TestFeature1,TestFeature2,…,TestFeaturex}
步骤五,用步骤四所得到的特征TrainFeature训练ML-ELM分类器模型,将TestFeature送入训练好的模型进行分类,得出最终分类结果;流程图如图2所示,具体方法如下:
(1)给定隐层个数K、隐层节点个数L={L1,L2,…,LK}和激励函数g(x);随机产生输入权值ai和偏置值bi;xi代表输入的第i个训练样本,ti对应第i个训练样本的标签;因为送入分类器是已经提取好的特征,故在本发明中,xi实际上代表TrainFeaturei;
(2)计算隐层1所对应的基于ELM的自编码器的输出矩阵G1:
其中,G1(ai,bi,x)=g(x·ai+bi)为训练数据集的单个样本;
(3)求出自编码器1的最优权β1;
根据神经网络的输出X=G1β1;如果G1是列满秩的,通过最小二乘法得到最佳权值,其解为:
是G1的广义逆矩阵,如果G1是非列满秩的,则使用奇异值分解求解G1的广义逆矩阵来计算最优权β1;
(4)计算隐层1的输出矩阵H1:
是β1的转置;
(5)计算隐层2所对应的基于ELM的自编码器的输出矩阵G2:
G2=g(H1·a2+b2)
(6)求出自编码器2的最优权β2:
(7)计算隐层2的输出矩阵H2:
(8)重复步骤(5)-(7),直到计算出隐层K的输出矩阵HK;
(9)计算输出层的最优权βK+1:
(10)将TestFeature送入该模型进行分类,得到一组M维的预测标签,将预测标签与真实标签进行比较求出分类正确率。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
进程建模和界面 | 2020-05-11 | 204 |
一种含钠硫电池的离网型微网能量管理方法 | 2020-05-13 | 342 |
一种复合材料雷击烧蚀损伤仿真分析的新方法 | 2020-05-08 | 478 |
一种可自定义的测试控制系统 | 2020-05-08 | 665 |
一种高中低压一体化配电网络可靠性混合计算方法 | 2020-05-08 | 966 |
一种基于GoJS的复杂任务可视化方法、终端设备及存储介质 | 2020-05-11 | 405 |
软件相似性度量方法及装置 | 2020-05-11 | 467 |
一种经济活动业务内控审批系统 | 2020-05-08 | 720 |
一种大数据智能控制布袋除尘器优化控制方法及系统 | 2020-05-08 | 450 |
基于大型机的跨平台图形化运行监控方法及装置 | 2020-05-11 | 14 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。