本发明涉及脑机接口技术中的运动想象脑电信号(motor imageryelectroencephalogram，mi-eeg)分类问题，具体地说，是一种结合函数型主成分分析(fpca)和主微分分析(pda)特征提取以及麻雀搜索算法优化核极限学习机(ssa_kelm)的mi-eeg信号四分类问题准确辨识方法。
背景技术：
1、脑机接口(brain-computer interface，bci)是一种人脑-计算机之间的一种连接(如图2所示)，实现脑与设备的信息交换，该技术具有深刻的理论研究意义和广泛的应用前景,目前，我国已在战略层面对脑机接口做出了规划与设想。
2、运动想象脑电图(motor imagery electroencephalogram，mi-eeg)是bci研究领域重要研究方向，是一种非侵入式脑机接口技术，通过头皮穿戴设备从头部表面记录大脑活动。运动想象脑机接口技术是通过采集脑电信号，对其进行预处理、特征提取和模式识别等一系列步骤来完成信号处理，破解大脑状态或意图，将处理后的信息编码并转化为具体指令，以此来控制外部设备应用，实现信息交流、运动辅助和功能恢复等，最终也可能将神经反馈信号传输给人脑，完成通信系统的闭环处理。基于运动想象的脑机接口技术在医疗康复(如智能假肢与轮椅)、辅助工具开发、脑控武器(如脑控无人驾驶飞机、脑控机器人等)等领域具有广泛的运用前景。
3、运动想象脑电信号具有如下特点：(1)脑电信号的幅值微弱，它的幅值通常只有几微伏到100微伏左右。
4、(2)脑电信号的信噪比低，脑电信号易产生各个信号之间的混叠与干扰，同时其在采集时穿过头皮和颅骨时也受到了干扰产生了衰减，也容易受到来自环境和身体运动等因素的干扰，例如来自电极、电缆和电源等的电磁干扰，以及来自肌肉运动、眨眼和呼吸等的生理干扰。采用电极电缆质量更高的采集设备、让受试者处于一个相对平静的状态和安静的环境并且采用一些先进的预处理和分析方法可以有效提高信号的信噪比。
5、(3)脑电信号是一种非平稳性很强的随机信号。
6、(4)脑电信号具有非线性特征，它在时间和空间上的变化是非线性的。不同神经元间电信号不同频率分量间的相位差随时间变化不规律，同时也会产生非线性的振荡；神经元间复杂的耦合关系会表现出如混沌、分岔和周期倍增等复杂的动力学现象，这些都是脑电信号非线性特征的表现。
7、(5)脑电信号属于宽带多成分信号，在频域上有多个频率成分，且这些频率成分的能量分布相对较宽，不集中在某一个频率点上，不同频率成分存在非线性耦合关系且信号中存在伪迹和交叉干扰。
8、(6)多通道采集为脑电信号提供了更多地空间域信息，通过多通道采集可以去除共同噪声和交叉干扰，提供更高的信号分辨率，准确的定位脑电活动的来源，反之亦可依据其空间定位采集到更准确的信号。
9、运动想象脑电信号的分类问题是一个复杂而重要的研究领域，它涉及到脑电信号(eeg)的采集、处理、分析和分类等多个方面。
10、脑电波按频率大小分为五大类：α波(8～14hz)、β波(14～30hz)、θ波(4～8hz)、δ波(4hz以下)和γ波(30hz以上)。
11、脑电信号测试实践表明，运动现象脑电信号主要集中在α波段，所以对α波段进行信号分析对于mi-eeg信号分类具有非常重要的意义。
12、由于mi-eeg原始信号的低信噪比以及数据的高维特性，直接利用原始脑电数据进行分类几乎是不可能的，必须经过一系列预处理和特征参数提取过程，实现原始数据的大幅度降维处理。
13、运动想象脑电信号的预处理是脑机接口技术中的一个重要环节，它对于提高后续信号处理的准确性和效率至关重要。预处理的内容主要包括：(1)滤波。滤波是预处理过程中最基本也是最重要的步骤之一。滤波的目的是去除脑电信号中的噪声和伪迹，提高信号的信噪比(snr)。滤波可以在时域、空域和频域等多个维度上进行，常见的滤波方法包括：时域滤波，频域滤波，和空域滤波。(2)伪迹去除。脑电信号中常常包含与脑活动无关的伪迹，如眼电、肌电、心电等。这些伪迹会干扰脑电信号的分析和分类，因此需要在预处理过程中去除。伪迹去除的方法包括独立成分分析(ica)、主成分分析(pca)等，可以将信号分解为多个独立成分，并去除与伪迹相关的成分。(3)信号分段。由于脑电信号是连续的时间序列数据，为了方便后续处理和分析，通常需要将信号分割成多个较短的片段(也称为epochs)。信号分段需要根据实验设计的具体要求来确定分段的长度和重叠度。(4)基准校正。在采集脑电信号时，由于电极与头皮之间的接触电阻等因素，可能会产生直流偏移(dc offset)。这种偏移会影响信号的后续处理和分析，因此需要进行基准校正。基准校正通常是通过将信号的某个时间点或时间段设置为基准点，并调整其他时间点的信号值来消除直流偏移。(5)其他预处理步骤。除了上述步骤外，还可能包括信号的质量评估、坏道(损坏的电极通道)的检测和处理等。
14、目前，基本的mi-eeg信号特征提取的传统方法多采用时域、频域、时频域和空间域分析的方法。目前有共空间模式(common spatial pattern,csp)、主成分分析(principlecomponent analysis,pca)、共同平均参考(common average referencing,car)、自适应滤波、独立成分分析(independent component analysis,ica)和数字滤波等方法。
15、通过频域分析进行特征提取多使用快速傅里叶变换(fast fourier transform，fft)和自回归方法(auto regressive，ar)。根据eeg信号被划分为五个频带，因此可以使用fft将eeg信号从时域转换为频域来提取信号的特征。ar模型通过将每个通道上的信号表示为前一点处的信号线性组合来模拟eeg信号。此外还可以计算eeg信号的功率谱密度(powerspectral density,psd)来表征其特征。小波变换(wavelet transform，wt)、小波包分解(wavelet packet decomposition)、可以应用于任意时间序列的总体经验模态分解(ensemble empirical mode decomposition,eemd)，使用希尔伯特谱分析的希尔伯特-黄变换(hilbert-huang transform,hht)也是时频域分析中常用的方法。
16、上述基于时域、频域、时频域和空间域的特征提取方法虽然数学-物理意义明确，但分类准确度很低。
17、上述传统的脑电信号特征提取方法无法从高维脑电数据中提取出更有效的脑电特征，而深度学习的自动学习高维数据并能同时选择特征的能力解决了这一问题，通过深度学习强大的分析能力，可以实现对脑电信号的有效表征，为准确识别不同的大脑信号提供了新的可能。
18、深度学习模型具有从高维数据中进行特征提取并从分层表示中学习的能力，因此基于深度学习的mi-eeg特征提取和分类方法成为新的研究趋势。卷积神经网络(convolution neural network，cnn)、深度信念网络(deep belief network，dbn)和递归神经网络(recurrent neural network，rnn)、以及eegnet是深度学习中对脑电信号进行分析的当前几大主流算法。不同深度学习模型进行融合共同应用于脑电分类识别已成为新的研究趋势，许多研究者使用对cnn和rnn进行融合的混合型网络。这种混合型网络不是简单的串联关系，而是并联构造的混合型结构。深度学习在脑电信号分类识别领域的应用将朝着对eeg信号进行时频空多尺度分析的方向发展。
19、与传统mi-eeg信号分类方法相比，各种神经网络特征提取分类方法取得了很高的准确度。但是这类方法可解释性差，缺乏清晰的数学-物理意义，另外，如果把这些算法写入芯片的话，价格将非常昂贵。
20、综上所述，mi-eeg信号分类算法众多，但尚未建立一种具有普遍适应性的简单易用算法。此外，在分类问题的芯片设计中，还需要对分类算法进行更多研究，这需要考虑算法的时效性和易实现性。
技术实现思路
1、本发明的目的在于提供一种结合函数型数据分析(functional data analysis，fda)特征提取以及麻雀搜索算法优化核极限学习机(ssa_kelm)的mi-eeg信号分类问题辨识方法，以实现运动想象脑电信号(mi-eeg)类别的准确预测。
2、实现本发明目的的技术解决方案为：一种结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，包括以下步骤：
3、1、利用8通道以上高精度脑电信号采集设备，选择采样频率500hz，进行mi-eeg信号采集；根据脑电信号预处理技术要求，对采集到的mi-eeg信号进行预处理；
4、2、根据单个运动想象持续时间建立数据样本，通过fir滤波器获取多通道、多样本的α波段的功率谱密度psd-频率关系曲线；
5、3、根据函数型数据分析fda的基本理论，对所有psd-频率关系曲线进行函数化平滑处理；
6、4、利用函数型主成分分析fpca获取每个数据样本的主成分得分，称之为主成分得分特征值；
7、5、利用函数型主微分分析pda获取每个样本的主微分得分，称之为主微分得分特征值；
8、6、合并每个样本的主成分得分特征值和主微分得分特征值，并将所有样本的特征参数进行归一化处理；
9、7、随机选取训练样本和测试样本，利用麻雀搜索算法优化核极限学习机ssa_helm进行聚类训练；
10、8、对待分类样本进行类别预测。
11、进一步地，步骤1中所述对采集到的mi-eeg信号进行预处理具体包括：
12、信号过滤；通过带通滤波器保留对运动想象任务最有价值的频率范围，该范围在1到40赫兹之间；还包括陷波滤波，即针对特定频率的噪声使用陷波滤波器进行抑制；
13、伪迹去除；通过分解mi-eeg信号中的独立成分并去除与眼动、肌肉活动相关的成分；
14、通道选择；选择对运动想象任务最有价值的eeg通道，选择c4、p4、pz、cz、p3、c3这些与运动相关的电极采集的mi-eeg信号；
15、基线校正；在刺激呈现前一段时间内的mi-ee信号作为基线，在刺激呈现前一段时间内之后的时间序列数据中减去这一基线值；
16、信号放大；对mi-eeg信号进行放大处理。
17、进一步地，所述步骤2的具体实现为：
18、2.1通过fir滤波器，获取预处理过的mi-eeg信号8-14hz范围内的α波时间序列；
19、2.2对上述时间序列，根据单个运动想象持续时间建立数据样本；
20、2.3对每个样本时间序列，执行fft运算，求取上述每个α波运动想象脑电信号的psd-频率关系曲线。
21、进一步地，步骤3所述对所有psd-频率关系曲线进行函数化平滑处理的方法为：
22、3.1按脑电极通道逐一将每个通道的离散的psd-频率数据拟合为连续的函数；分别对属于c4、p4、pz、cz、p3、c3通道的样本数据进行函数化拟合，即将每个通道的4类样本数据放在一起进行函数化；
23、mi-eeg信号是非周期性的，选用适用于非周期数据的b样条基函数，取6～8阶b样条，从而使拟合曲线具有良好的可导性和局部性；
24、3.2在选定基函数后，利用加权最小二乘准则最小化误差平方和估计系数向量ci；求解时基函数个数越大，数据拟合度越好，但函数平滑性越差，还可能会将原始数据中的噪声或异常数据拟合到函数中；为了兼顾数据的拟合度和函数的平滑性，引入a阶粗糙度惩罚函数。
25、进一步地，所述步骤4中利用函数型主成分分析fpca获取每个样本的主成分得分，具体实现为：
26、4.1协方差函数估计；估计函数型数据的协方差函数，它描述了不同时间点或变量值之间数据变化的关联性；
27、4.2特征值和特征函数求解；通过求解协方差函数的特征值问题，得到一系列的特征值和对应的特征函数；这些特征值和特征函数分别代表数据中的主要变化模式和这些模式在数据中的重要性；
28、4.3排序和选择；将特征值按从大到小的顺序排序，并选择前m个最大的特征值对应的特征函数，这里m是降维后的维度数；
29、4.4投影和降维；投影是将原始的函数型数据投影到由选定的m个特征函数定义的低维子空间上，其通过计算原始数据与每个特征函数的内积来实现，该投影是将来分类用的特征值，称之为主成分得分特征值；投影后的结果即为降维后的数据，它们以较低的维度表示了原始数据中的主要变化模式。进一步地，所述步骤5中利用函数型主微分分析pda获取每个样本的主微分得分，具体实现为：
30、(1)构建线性微分算子与微分方程
31、k阶齐次微分方程表示为：
32、
33、式中，为系数参数，可以是变化的函数，也可以是常数；
34、定义一个线性微分算子：
35、
36、式中，i为恒等算子；与之关联的同质微分方程为：
37、
38、pda的首要任务是对线性微分算子l进行估计，希望线性微分算子l尽可能消除给定的n个函数x(t)＝[x1(t),x2(t),…,xn(t)]t，即希望微分方程(17)提供的拟合残差lxi(t)尽可能为0；使用最小二乘法将残差范数平方和定义为拟合准则：
39、
40、若线性微分方程为非齐次，即存在表示系统外部输入或扰动的强迫函数δ(t)，则微分方程表示为：
41、
42、此时，lx(t)＝δ(t)，线性微分算子l的最小二乘拟合准则变为：
43、
44、(2)权重函数的估计
45、基于式(6)的最小二乘拟合准则，采用逐点最小化方法对线性微分算子l的系数参数进行估计，逐点估计的拟合准则为：
46、
47、式中，当t固定时，该拟合准则只是一个简单的最小二乘拟合准则，将其表示为矩阵形式：
48、
49、式中，τ(t)＝[dkx1(t),dkx2(t),…,dkxn(t)]t；z(t)为逐点估计设计矩阵，其第i行元素为zi(t)＝[-xi(t),-dxi(t),…,-dk-1xi(t),δi(t)]；
50、保持t不变，逐点最小化即可得到系数向量的最小二乘解为：
51、
52、系数向量逐点估计值的存在依赖于z(t)tz(t)的行列式对于任意t非零；
53、由此得到线性微分算子l的估计为：
54、
55、rsq是pda中常用的度量微分方程拟合优度的工具：
56、
57、rsq的取值范围为[0,1]，其值越接近1，表示线性微分算子l对函数的拟合越好；
58、(3)求取主微分得分特征值
59、定理：设λ为hilbert空间，y是λ的线性闭子空间，y⊥是y的正交补，任意属于λ的元素可以唯一分解为属于y的分量和属于y⊥的分量之和；
60、根据定理该可知，函数所属的函数空间可以正交分解为两部分，记为和其中表示的零空间，为的正交补；这表明函数xi(t)可正交分解为其中称为结构分量，满足集合了函数型数据共有的函数微分特征；称为残差分量，满足体现了线性微分算子无法描述的函数微分特征；
61、将pda作为特征提取技术时，考虑微分算子l的系数参数为常数的情况，且假设不存在强迫函数；对于k阶非退化线性微分方程，其任意解都可以表示为k个线性无关的复指数函数的线性组合；构建特征方程：
62、
63、该特征方程具有k个线性无关的复根相应的复指数函数为：
64、
65、k个线性无关的复指数函数张成的空间作为线性微分算子的零空间：
66、
67、函数在微分方程的解空间中形成了一组基函数，将其称为主微分函数，或者微分特征函数，则表示为：
68、
69、式中，为函数xi(t)的第k阶主微分得分(principal differential score,pds)，也就是通过pda提取的函数xi(t)的特征参数。
70、本发明与现有技术相比，其显著优点是：
71、(1)通过将mi-eeg信号的psd-频率曲线函数化，从而将离散信号处理为连续信号。利用函数型主成分分析(fpca)和主微分分析(pda)提取信号特征。其特点是数据函数化后将被看作—个整体，而不仅仅是个体观测值的顺序排列，可以从数学上挖掘其内在结构。另外，被函数化后的数据，可以进行多阶微分分析，从而挖掘信号频率变化率的动态信息，这是目前几乎所有分类算法所没有考虑到的。
72、(2)数学严谨，物理意义清晰，主观认知在特征提取中影响很小。fpca和pda都具有严格的数学定义，所提取的特征就是样本函数在基函数上的投影，具有明确的数学物理意义。
73、(3)分类过程简单而清晰，求解快速，便于在芯片中实施。
1.一种结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于，步骤1中所述对采集到的mi-eeg信号进行预处理具体包括：
3.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于：所述步骤1中选择采样频率500hz，进行mi-eeg信号采集。
4.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于，所述步骤2的具体实现为：
5.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于，步骤3所述对所有psd-频率关系曲线进行函数化平滑处理的方法为：
6.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于：所述步骤4中利用函数型主成分分析fpca获取每个样本的主成分得分，具体实现为：
7.根据权利要求1所述的结合函数型数据分析和核极限学习机的运动想象脑电信号分类方法，其特征在于：所述步骤5中利用函数型主微分分析pda获取每个样本的主微分得分，具体实现为：
