1.一种基于线性分析的特征决策融合的脑电意识动态分类方法,其特征在于,其包括以下步骤:
S1、通过脑波感应头盔采集脑电信号数据集X=(X1,X2,…,Xn);
S2、使用正则判别分析RDA对信号数据集X=(X1,X2,…,Xn)进行分类,得到相关系数矩阵ρn,定义为ρRDA;
其中, 是权重的矩阵转置,X是数据值,是数据值平均数;
S3、使用二次判别分析QDA对信号数据集X=(X1,X2,…,Xn)进行分类,得到相关系数矩阵ρn,定义为ρQDA;
其中, 是权重的矩阵转置,X是数据值,是数据值平均数;
S4、构建特征决策融合器对RDA和QDA的决策和系数进行特征整合和决策选择,获得脑电意识动态分类,具体步骤如下;
S41、构建特征决策融合器,特征决策融合器包括特征提取单元、投影分类单元和决策选择单元;
S42、通过特征提取单元对RDA和QDA的相关系数进行特征提取,生成一个特征向量F;
根据 的比值判断,值越大说明ρ就越大,根据表达式:T T
其中,wX为x方向的投影,wX 为转置的投影,wY为y方向的投影,wY为转置的投影,X矩阵T T T T T T
作为横坐标,X为转置矩阵,Y矩阵作为横坐标,Y为转置矩阵,E[wXXYwY]代表wXXYwY的期T T T T T T T T望,E[wXXXwX]代表wXXXwX的期望,E[wYXYwY]代表wYXYwY的期望;
分别得到RDA和QDA的最大相关系数和第二大相关系数;
根据得到的RDA和QDA算法的最大相关系数和第二大相关系数,生成特征向量F:其中, 是QDA的最大相关系数, 是QDA的第二大相关系数, 是RDA的最大相关系数, 是RDA的第二大相关系数;
S43、通过投影分类单元将特征向量F分为RDA‑false和QDA‑false两类;
投影分类单元使用线性SVM分类器在软边界目标函数的范围内进行投影,将特征向量F投影为标量值,投影到平面后,形成一个个的点,表示为:其中,vj,j=1,2,…,N是支持向量,用来确定分类器的最大边缘平面,aj>0,是可以改变并调节的参数,yj指第j个支持向量的类别,F是特征向量,b是偏差,是线性核函数;
软边界目标函数为:
其中,δj是松弛变量,表示样本vj是否在边缘内,需要调节程度,C是控制宽度和误分类权衡的调节系数,松弛变量用来确定点是否在范围内,W是样本总数;
通过求解软边界目标函数,得到最大化值2/||W||,其作为边界线,根据标量值投影点的位置,将特征向量F中的特征分为RDA‑false和QDA‑false两类;
S44、通过决策选择单元根据分类结果选择RDA或QDA算法的决策输出;
决策选择单元为:
如果得到一个RDA‑false结果,则模块输出QDA决策;否则,模块输出RDA决策,获得了准确率较好的脑电意识动态分类。
2.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法,其特征在于,步骤S1中采用脑波感应头盔为Emotiv采集脑电信号。
3.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法,其特征在于,步骤S2中ρRDA的求解步骤具体如下:将数据集X=(X1,X2,…,Xn)分配给K组类中的一组,在训练数据中,数据的类别是已知的,因此类别k的先验概率和平均值分别为:其中, 是类别k的先验概率, 是类别k的平均值,ω是样本总数,ωk是类别k的样本数,Xn是样本点, 是类别k的数值的平均数;
正则判别分析RDA通过修改奇异协方差值来改善多重共线性的影响;每个类别的样本协方差估计如下:
其中,ω是样本总数,Xn是样本点, 是类别k的平均值;
通过引入收缩参数γ进一步调整协方差矩阵:其中,λ是正则化参数,0≤λ≤1,p是自变量的维数,I是单位矩阵,γ是收缩参数;
优化目标为J(w):
上式为Sk和S的广义瑞利商,其中,Sk=ωk∑k, 这就是QDA欲最大化的目‑1 ‑1
标,J的最大值为矩阵Sk S的最大特征值,而对应的为Sk S的最大特征值对应的特征向量;
‑1 T
求解得到w=Sk (μ1‑μ2),即为确定的最佳投影方向,w是转置的投影,将训练集中的样本向w方向投影得到:
T
y=wX (6)
其中, 是权重的矩阵转置,X是数据值, 是数据值平均数。
4.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法,其特征在于,步骤S3中ρQDA的求解步骤具体如下:假设样本数据集X=(X1,X2,…,Xn)服从多元高斯分布,μi是均值向量,表示为:计算样本的协方差矩阵∑j:
其中,j=1,2;
可得到类内散度矩阵Sw为:
同时定义类间散度矩阵Sb为:T
Sb=(μ1‑μ2)(μ1‑μ2) (12)优化目标为J(w):
‑1
上式为Sw和Sb的广义瑞利商,这就是QDA欲最大化的目标,J的最大值为矩阵Sw Sb的最‑1 ‑1
大特征值,而对应的为Sw Sb的最大特征值对应的特征向量;求解得到w=Sw (μ1‑μ2),即为确定的最佳投影方向,将训练集中的样本向w方向投影得到:T
y=wX (14)