一种基于特征选择的脑电注意力识别系统及方法

1.本发明涉及一种基于特征选择的脑电注意力识别系统及方法，属于数字信号处理和脑电信号技术领域。


背景技术：

2.注意力指的是个体的心理活动集中和指向某种特定事物的能力，注意力的高低水平直接或间接地从各方面影响着我们的生活质量：在医疗健康领域，如常见的多动症又称注意缺陷多动障碍，注意力的检测识别与研究有助于这类疾病的康复治疗；在安全驾驶领域，驾驶员的注意力集中程度更是直接关系到个体的人身安全；在射箭，射击等专业培训中，较为理想的注意力状态有助于运动员取得更突出的成绩；在教育学习方面，对注意力的研究有助于对学习者的学习状态进行分析与调节，分析甚至干预学习者的学习过程。是否预先有目的，是否需要意志力的角度，注意力可以分为被动注意力与主动注意力。而在我们的工作和学习中，主动注意力尤为重要，所以本发明主要研究主动注意力下的脑电信号。引起和保持主动注意力的方法有：明确活动的目的与任务、利用间接兴趣如奖励等。在本发明的数据采集阶段，通过让实验者进行不同的任务，诱发不同的注意力水平。
3.现如今随着计算机技术的快速发展和人们在生物基础认知方面的进步，研究者逐渐认识到脑电信号是一种可以反应个体生理和心理信息的生物电信号，通过对脑电信号的研究可以反映出大脑内部状态甚至个体的思维状态。脑电信号会随着各种内外界因素的变化而改变，比如个体的生理条件、精神状态、情绪类型、心理活动，以及个体所处的环境、场景变化，这些多元的因素都会导致脑电信号拥有不同的特性，研究不同特性的脑电波所携带的信息，使得脑电信号在不同领域得以应用。
4.在以往的研究中，已经有学者通过个体的眼睛状态、面部表情、坐姿等判断注意力水平。但这种判断方法具有一定的主观性。随着认知心理学的发展，科研工作者发现大脑皮层是产生注意的最高部位，对皮下层组织起调节、控制作用，于是基于脑电信号的注意力水平识别渐渐兴起。
5.在基于脑电信号的注意力水平识别中，提取出可以区别不同注意力状态的有效特征是精确分类的重要前提。特征提取的方法从特征参数的种类上可以分为时域、频域以及时频域分析方法：从时域上来讲，脑电信号的特征更为具体，更为直观。它们往往是时域上的一些统计量比如均值、方差、峰差、分形维度、高阶过零分析等。频域参数有能量、功率谱。时频域参数主要利用小波变换从脑电信号中分离出不同节律的信号，利用小波系数的均方根以及能量作为特征值进行分类研究。不同类型的特征参数在提供丰富细节信息的同时，也会存在冗余的现象，增大计算量，甚至影响识别的准确率。


技术实现要素：

6.本发明的目的在于克服现有技术中的不足，提供一种基于特征选择的脑电注意力识别系统及方法，在特征提取阶段对特征数据进行选择，减少了特征的冗余，提高了分类的
准确度。
7.为达到上述目的，本发明是采用下述技术方案实现的：
8.第一方面，本发明提供了一种基于特征选择的脑电注意力识别方法，包括：
9.采集不同注意力任务中的脑电信号；
10.对采集到的脑电信号进行预处理；
11.对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；
12.使用relieff算法根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；
13.计算初选特征的互信息量，通过相关性对特征进行复选；
14.使用rfecv对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；
15.将所得的特征集使用支持向量机进行注意力脑电的识别。
16.进一步的，所述不同注意力任务为四种，包括：
17.task1：高注意力任务：浏览+心算，浏览一个10*10的数字矩阵(1～100随机分布且不重复)，并找出其中的质数；
18.task2：中注意力任务：浏览，浏览提供的论述类文本材料；
19.task3：低注意力任务：分神，眼睛盯着task2中的文本材料，脑子里想与任务无关的事；
20.task4：非注意力任务：休息；
21.其中，task1的任务时间从被试浏览首个数字开始到判断完最后一个数字结束，task2～task4的任务时间与task1的时间保持一致。
22.进一步的，采集不同注意力任务中的脑电信号时，选择在额叶、中央区(β波)，枕叶、顶叶(α波)，中央区(θ波)的导联，包括：fp1、fp2、f3、f4、c3、c4、p3、p4、o1、o2。
23.进一步的，对采集到的脑电信号进行预处理，包括：使用matlab中的eeglab工具包，采样率设置为512hz，首先采用fir滤波器对原始信号进行带通滤波，保留0.5～30hz频带范围内的信号，去除一些用不到的频率范围内的信号，同时去除了频率较高的肌电信号和频率较低的心电信号、皮电信号和呼吸带信号，之后采用独立成分分析法去除原始信号中的眼电信号，分析所有的ica成分，删除其中的眼电成分，最后去除坏段。
24.进一步的，对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取，包括：针对每个样本中的原始数据，均由10通道的数据构成，而每个通道的脑电数据，依次提取出整流平均值、最大值、峰差、均方根、标准差、裕度因子、样本熵、theta波、alpha波、beta波的能量占比这10种特征参数，每个样本最终都会生成一个100维(10通道*10参数)的特征向量。
25.进一步的，根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征，包括：
26.通过relieff算法从训练样本集中随机取出一个样本r，然后从和r同类的样本集中找出r的k个最近邻样本hj，从每个r的不同类的样本集中分别找出k个最近邻样本m(c)j，然后更新每个特征的权值，计算样本中特征f的权值的计算方法如下：
[0027][0028]
式中，w(f)表示所计算的样本f的权值，m是抽样次数，k为最邻近样本的个数，class(r)是随机取出的样本r所属的类别，p(c)是类别c出现的概率，p(class(r))是随机选取的样本r所属的类别出现的概率，diff(f,r,hj)、diff(f,r,m(c)j)是两样本在特征f下的距离，计算方法如下：
[0029][0030]
式中，r1[f]是样本r1第f个特征的值，r2[f]是样本r2第f个特征的值。
[0031]
进一步的，计算初选特征的互信息量，通过相关性对特征进行复选，包括：
[0032]
互信息量的计算方法如下：
[0033]
i(x,y)＝h(x)-h(x|y)＝h(x)+h(y)-h(x,y)
[0034]
式中：i(x,y)为互信息量，h(x)表示随机变量x的信息熵，h(x|y)表示表随机变量x在随机变量y的条件下的条件熵，h(y)表示随机变量y的信息熵，h(x,y)表示(x，y)的联合熵，计算方法如下：
[0035][0036]
式中：x，y是x和y的特定值，p(x,y)表示x，y一起出现的联合概率；
[0037]
使用rfecv对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集，包括：
[0038]
使用rfecv方法进行特征选择，包括递归特征消除和交叉验证，其中：
[0039]
递归特征消除包括：
[0040]
步骤1)设原始特征集为所有可用特征；
[0041]
步骤2)使用当前特征集进行建模，对每个特征的重要性进行打分排序；
[0042]
步骤3)删除得分最低的，即最不重要的一个或多个特征，更新现有特征集；
[0043]
步骤4)重复步骤2)和步骤3)，直到完成所有特征的重要性评级；
[0044]
交叉验证包括：
[0045]
根据递归特征消除的结果得到各个特征的重要性，依次选择不同数量的特征；
[0046]
对选择的特征进行交叉验证；
[0047]
选定平均分最高的特征数量，完成特征选择。
[0048]
第二方面，本发明提供了一种基于特征选择的脑电注意力识别系统，包括：
[0049]
采集模块：用于采集不同注意力任务中的脑电信号；
[0050]
预处理模块：用于对采集到的脑电信号进行预处理；
[0051]
特征提取模块：用于对预处理后的脑电信号进行分段得到多个样本后，对样本进
行特征提取；
[0052]
特征初选模块：用于根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；
[0053]
复选模块：用于计算初选特征的互信息量，通过相关性对特征进行复选；
[0054]
特征终选模块模块：用于对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；
[0055]
识别模块：用于将所得的特征集使用支持向量机进行注意力脑电的识别。
[0056]
第三方面，本发明提供了一种基于特征选择的脑电注意力识别装置，包括处理器及存储介质；
[0057]
所述存储介质用于存储指令；
[0058]
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0059]
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0060]
与现有技术相比，本发明所达到的有益效果：
[0061]
本发明公开了一种基于relieff-mi和rfecv的脑电注意力识别研究方法。脑电信号可以反应个体的思维状态，因此可以用来识别不同注意力水平。本发明通过设置四组不同难度的认知任务来诱发不同水平的注意力脑电，提取了来自10个不同脑电通道的共计100维特征，为降低特征冗余，提高分类准确率，提出了relieff-mi结合rfecv特征选择算法，将过滤式特征选择与包裹式特征选择结合起来，很好的解决了以往注意力水平识别中维度过高、特征信息冗余、计算量庞大的问题。在识别率方面，该方法相比传统的特征提取之后直接分类更有优势，能够在减少特征维度的同时有效的提高注意力识别的准确率，将特征维数从100维降低到36维，同时四分类准确率从85.7％提高至91.4％。实验结果表明，relieff-mi结合rfecv可以在降低特征冗余度的同时保证分类准确率。
附图说明
[0062]
图1是本发明实施例一提供的基于relieff-mi和rfecv的脑电注意力识别流程框架图；
[0063]
图2是本发明实施例一提供的注意力脑电诱发实验流程图；
[0064]
图3是本发明实施例一提供的所选脑电信号通道分布图；
[0065]
图4是本发明实施例一提供的预处理前后脑电信号波形图；
[0066]
图5是本发明实施例一提供的特征向量示意图；
[0067]
图6是本发明实施例一提供的relieff算法在不同通道上计算各个特征参数的权值值示意图；
[0068]
图7是本发明实施例一提供的mi算法在不同通道上计算各个特征参数的互信息量示意图；
[0069]
图8是本发明实施例一提供的rfecv算法对各个通道的评分示意图；
[0070]
图9是本发明实施例一提供的特征提取后的分类混淆矩阵示意图。
具体实施方式
[0071]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0072]
实施例一：
[0073]
本实施例针对不同程度注意力脑电检测的需要，要求被试进行了四种不同难度的实验任务来诱发高度、中度、低度注意力和非注意力状态四类脑电信号，在提取多维特征后，为了降低特征的冗余，保证识别的准确率，使用了relieff-mi结合rfecv对所得特征进行特征选择，很好的解决了以往注意力水平识别中维度过高、特征信息冗余、计算量庞大的问题。在识别率方面，该方法相比传统的特征提取之后直接分类更有优势，能够有效的提高注意力识别的准确率。
[0074]
图1为本发明提出的基于relieff-mi和rfecv的脑电注意力识别流程框架图，主要有以下几个步骤：
[0075]
步骤1)脑电信号采集，采用南京伟思医疗机构脑电采集设备；脑区头皮电极放置：选取对应脑区的通道。
[0076]
步骤2)被试者在安静的实验条件下完成四种不同认知难度的注意力任务，诱发高度、中度、低度注意力和非注意力状态，记录在不同任务中被试者的脑电信号；
[0077]
步骤3)脑电信号的预处理，对步骤2采集到的脑电信号进行预处理，以减少肌电、眼电、工频信号等的干扰，减少大脑其它功能区伪影的影响，提高信号的质量。预处理主要包括滤波、通道筛选、去除工频干扰、去除眼电、重参考；
[0078]
步骤4)采用时长为4s，重叠50％的滑动窗口对步骤3处理后的信号分段得到3403个样本。之后进行特征提取，提取的主要参数有：整流平均值、最大值、峰差、均方根、标准差、裕度因子，样本熵，theta波、alpha波、beta波的能量占比。得到100维原始特征。
[0079]
步骤5)利用relieff算法，根据特征与类别标签之间的相关性，计算步骤4)中原始特征参数的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征。
[0080]
步骤6)计算步骤5)中初选特征的互信息量，通过相关性对特征进行复选。
[0081]
步骤7)通过rfecv算法对特征中的通道信息，以在分类器上的表现为依据进行评分排名，挑选出最佳特征作为最终特征。
[0082]
步骤8)使用步骤7)完成后所得的特征集，使用支持向量机进行注意力脑电的识别，并与使用原始特征进行识别的分类准确率进行对比。
[0083]
图2为步骤2)中设计诱发注意力脑电信号的实验流程，在实验中要求被试者在安静的实验条件下完成四种不同认知难度的注意力任务，实验开始后依次进行task1～task4这四类任务，task1的任务时间从被试浏览首个数字开始到判断完最后一个数字结束。task2～task4的任务时间与task1的时间保持一致。每个任务完成后有30s休息时间，被试在休息时需要填写相应的问卷，对实验过程中的注意力状态进行自我评价。以便之后结合被试的主观评价对样本进行筛选，得到符合实验要求的原始数据。t1为被试完成task1所用的时间，每组实验完成后要求被试对四个任务过程中的注意力水平由高到低排序，保留符合实验设定的被试者数据。每位被试重复做两组实验，两组实验之间间隔30min。四种注意力任务如下：
[0084]
task1：高注意力任务：浏览+心算。浏览一个10*10的数字矩阵(1～100随机分布且不重复)，并找出其中的质数。
[0085]
task2：中注意力任务：浏览。浏览提供的论述类文本材料。
[0086]
task3：低注意力任务：分神。眼睛盯着task2中的文本材料，脑子里想与任务无关的事。
[0087]
task4：非注意力任务：休息。尽可能放松，什么都不想
[0088]
图3为步骤1)中选择的脑电信号通道在大脑皮层的分布位置示意图，由于人处于注意力状态的脑电信号，与非注意力状态相比，β波变多，θ波与α波变少，所以在选择导联时，选择在额叶、中央区(β波)，枕叶、顶叶(α波)，中央区(θ波)的导联。最终选用的导联为fp1、fp2、f3、f4、c3、c4、p3、p4、o1、o2；
[0089]
步骤3)中对采集到的脑电信号进行预处理具体如下：使用matlab中的eeglab工具包，采样率设置为512hz。首先采用fir滤波器对原始信号进行带通滤波，保留0.5～30hz频带范围内的信号，去除掉了一些用不到的频率范围内的信号，同时去除了频率较高的肌电信号和频率较低的心电信号、皮电信号和呼吸带信号。之后采用独立成分分析法去除原始信号中的眼电信号，分析所有的ica成分，删除其中的眼电成分。最后手动去除坏段，图4为预处理前后脑电信号波形图，深色波形为预处理前信号，浅色波形为预处理后信号，从对比图可以看出眼电等伪迹已被去除。
[0090]
步骤4)中特征提取具体如下：特征提取的方法从特征参数的种类上可以分为时域、频域以及时频域分析方法：从时域上来讲，脑电信号的特征更为具体，更为直观。它们往往是时域上的一些统计量比如均值、方差、峰差、峰谷距离、分形维度、高阶过零分析等。频域参数有能量、功率谱。时频域参数主要利用小波变换从脑电信号中分离出不同节律的信号，利用小波系数的均方根以及能量作为特征值进行分类研究。本发明针对每个样本中的原始数据，均由10通道的数据构成，而每个通道的脑电数据，依次提取出整流平均值、最大值、峰差、均方根、标准差、裕度因子、样本熵、theta波、alpha波、beta波的能量占比这10种特征参数，因此每个样本最终都会生成一个100维(10通道*10参数)的特征向量。图5为步骤4)得到的特征向量示意图，原始特征向量由10种特征参数构成，每种特征参数都由不同脑区的10个通道数据计算得来，所以共100维(10参数*10通道)。
[0091]
步骤5)中relieff算法计算原始特征参数的权值具体如下：
[0092]
特征选择算法通常分为三种类型：过滤式、封装式、嵌入式。过滤式特征选择算法独立于后续的分类算法，按照发散性或相关性对各个特征进行评分，所以该算法运行效率较高，具有很好的通用性，可以适应不同的分类算法。封装式特征选择算法直接按照分类器的性能评价特征子集的好坏，由此可见，封装式特征选择算法与后续的分类器紧密相关，因此这种算法的优势在于具有较高的分类准确率。嵌入式特征选择算法指的是特征选择被嵌入到机器学习算法中成为它的组成部分，如典型的决策树算法。
[0093]
relieff算法属于过滤式特征选择算法，它的核心思想是根据利用特征与类别标签之间的相关性来计算该特征的权值，此处的相关性是以特征对近距离样本之间的区分能力来度量的。relieff算法在处理多类问题时，每次从训练样本集中随机取出一个样本r，然后从和r同类的样本集中找出r的k个最近邻样本hj，从每个r的不同类的样本集中分别找出k个最近邻样本m(c)j，然后更新每个特征的权值。如计算样本中特征f的权值，计算方法如
feature elimination，递归特征消除，可以对特征的重要性进行打分、评级；cv指的是cross validation，通过交叉验证，选择最佳数量的特征。其中：
[0106]
一、递归特征消除具体过程如下：
[0107]
(1)设原始特征集为所有可用特征；
[0108]
(2)使用当前特征集进行建模，对每个特征的重要性进行打分排序；
[0109]
(3)删除得分最低的，即最不重要的一个或多个特征，更新现有特征集；
[0110]
(4)重复(2)(3)，直到完成所有特征的重要性评级。
[0111]
二、交叉验证具体过程如下：
[0112]
根据递归特征消除的结果得到各个特征的重要性，依次选择不同数量的特征；
[0113]
对选择的特征进行交叉验证；
[0114]
选定平均分最高的特征数量，完成特征选择。
[0115]
图8为rfecv算法对各个通道的评分排序后，生成的特征子集在不同分类器上的识别率。经过rfecv算法的评分，各个通道的排序如下：fp2》o2》fp1》p4》o1》f4》c4》f3》p3》c3，不同通道数量下的特征子集在svm、knn分类器中的分类准确率如折线图8所示。由图可知，在通道数消除到6通道后，若继续消减通道，分类率开始加速下降。所以可以考虑移除排序靠后的4个通道信息，得到终选特征。
[0116]
图9为特征提取前后的分类混淆矩阵，原始特征100维(10参数*10通道)与终选特征36维(6参数*6通道)分别进入分类器分类，识别率分别为85.7％、91.4％。终选特征的混淆矩阵如图9所示。
[0117]
实施例二：
[0118]
一种基于特征选择的脑电注意力识别系统，可实现实施例一所述的一种基于特征选择的脑电注意力识别方法，包括：
[0119]
采集模块：用于采集不同注意力任务中的脑电信号；
[0120]
预处理模块：用于对采集到的脑电信号进行预处理；
[0121]
特征提取模块：用于对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；
[0122]
特征初选模块：用于根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；
[0123]
复选模块：用于计算初选特征的互信息量，通过相关性对特征进行复选；
[0124]
特征终选模块模块：用于对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；
[0125]
识别模块：用于将所得的特征集使用支持向量机进行注意力脑电的识别。
[0126]
实施例三：
[0127]
本发明实施例还提供了一种基于特征选择的脑电注意力识别装置，可实现实施例一所述的一种基于特征选择的脑电注意力识别方法，包括处理器及存储介质；
[0128]
所述存储介质用于存储指令；
[0129]
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
[0130]
采集不同注意力任务中的脑电信号；
[0131]
对采集到的脑电信号进行预处理；
[0132]
对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；
[0133]
根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；
[0134]
计算初选特征的互信息量，通过相关性对特征进行复选；
[0135]
对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；
[0136]
将所得的特征集使用支持向量机进行注意力脑电的识别。
[0137]
实施例四：
[0138]
本发明实施例还提供了一种计算机可读存储介质，可实现实施例一所述的一种基于特征选择的脑电注意力识别方法，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
[0139]
采集不同注意力任务中的脑电信号；
[0140]
对采集到的脑电信号进行预处理；
[0141]
对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；
[0142]
根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；
[0143]
计算初选特征的互信息量，通过相关性对特征进行复选；
[0144]
对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；
[0145]
将所得的特征集使用支持向量机进行注意力脑电的识别。
[0146]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0147]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0148]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0149]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0150]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种基于特征选择的脑电注意力识别方法，其特征是，包括：采集不同注意力任务中的脑电信号；对采集到的脑电信号进行预处理；对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；使用relieff算法根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；计算初选特征的互信息量，通过相关性对特征进行复选；使用rfecv对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；将所得的特征集使用支持向量机进行注意力脑电的识别。2.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，所述不同注意力任务为四种，包括：task1：高注意力任务：浏览+心算，浏览一个10*10的数字矩阵(1～100随机分布且不重复)，并找出其中的质数；task2：中注意力任务：浏览，浏览提供的论述类文本材料；task3：低注意力任务：分神，眼睛盯着task2中的文本材料，脑子里想与任务无关的事；task4：非注意力任务：休息；其中，task1的任务时间从被试浏览首个数字开始到判断完最后一个数字结束，task2～task4的任务时间与task1的时间保持一致。3.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，采集不同注意力任务中的脑电信号时，选择在额叶、中央区(β波)，枕叶、顶叶(α波)，中央区(θ波)的导联，包括：fp1、fp2、f3、f4、c3、c4、p3、p4、o1、o2。4.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，对采集到的脑电信号进行预处理，包括：使用matlab中的eeglab工具包，采样率设置为512hz，首先采用fir滤波器对原始信号进行带通滤波，保留0.5～30hz频带范围内的信号，去除一些用不到的频率范围内的信号，同时去除了频率较高的肌电信号和频率较低的心电信号、皮电信号和呼吸带信号，之后采用独立成分分析法去除原始信号中的眼电信号，分析所有的ica成分，删除其中的眼电成分，最后去除坏段。5.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取，包括：针对每个样本中的原始数据，均由10通道的数据构成，而每个通道的脑电数据，依次提取出整流平均值、最大值、峰差、均方根、标准差、裕度因子、样本熵、theta波、alpha波、beta波的能量占比这10种特征参数，每个样本最终都会生成一个100维(10通道*10参数)的特征向量。6.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，通过relieff算法根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征，包括：通过relieff算法从训练样本集中随机取出一个样本r，然后从和r同类的样本集中找出r的k个最近邻样本h
j
，从每个r的不同类的样本集中分别找出k个最近邻样本m(c)
j
，然后更新每个特征的权值，计算样本中特征f的权值的计算方法如下：
式中，w(f)表示所计算的样本f的权值，m是抽样次数，k为最邻近样本的个数，class(r)是随机取出的样本r所属的类别，p(c)是类别c出现的概率，p(class(r))是随机选取的样本r所属的类别出现的概率，diff(f,r,h
j
)、diff(f,r,m(c)
j
)是两样本在特征f下的距离，计算方法如下：式中，r1[f]是样本r1第f个特征的值，r2[f]是样本r2第f个特征的值。7.根据权利要求1所述的基于特征选择的脑电注意力识别方法，其特征是，计算初选特征的互信息量，通过相关性对特征进行复选，包括：互信息量的计算方法如下：i(x,y)＝h(x)-h(x|y)＝h(x)+h(y)-h(x,y)式中：i(x,y)为互信息量，h(x)表示随机变量x的信息熵，h(x|y)表示表示随机变量x在随机变量y的条件下的条件熵，h(y)表示随机变量y的信息熵，h(x,y)表示(x，y)的联合熵，计算方法如下：式中：x，y是x和y的特定值，p(x,y)表示x，y一起出现的联合概率；使用rfecv对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集，包括：使用rfecv方法进行特征选择，包括递归特征消除和交叉验证，其中：递归特征消除包括：步骤1)设原始特征集为所有可用特征；步骤2)使用当前特征集进行建模，对每个特征的重要性进行打分排序；步骤3)删除得分最低的，即最不重要的一个或多个特征，更新现有特征集；步骤4)重复步骤2)和步骤3)，直到完成所有特征的重要性评级；交叉验证包括：根据递归特征消除的结果得到各个特征的重要性，依次选择不同数量的特征；对选择的特征进行交叉验证；选定平均分最高的特征数量，完成特征选择。8.一种基于特征选择的脑电注意力识别系统，其特征是，包括：采集模块：用于采集不同注意力任务中的脑电信号；预处理模块：用于对采集到的脑电信号进行预处理；
特征提取模块：用于对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；特征初选模块：用于根据所提取的特征与类别标签之间的相关性，通过relieff算法计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；复选模块：用于计算初选特征的互信息量，通过相关性对特征进行复选；特征终选模块模块：用于对特征中的通道信息在分类器上的表现为依据，使用rfecv进行评分排序，选出最佳特征作为最终特征，得到特征集；识别模块：用于将所得的特征集使用支持向量机进行注意力脑电的识别。9.一种基于特征选择的脑电注意力识别装置，其特征是，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。10.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

技术总结
本发明公开了数字信号处理和脑电信号技术领域的一种基于特征选择的脑电注意力识别系统及方法，包括：采集不同注意力任务中的脑电信号；对采集到的脑电信号进行预处理；对预处理后的脑电信号进行分段得到多个样本后，对样本进行特征提取；使用ReliefF算法根据所提取的特征与类别标签之间的相关性计算该特征的权值，并求取所有权值的平均值作为阈值，将权值大于阈值的特征作为初选特征；计算初选特征的互信息量，通过相关性对特征进行复选；使用RFECV对特征中的通道信息在分类器上的表现为依据进行评分排序，选出最佳特征作为最终特征，得到特征集；将所得的特征集使用支持向量机进行注意力脑电的识别。本发明减少了特征的冗余，提高了分类的准确度。提高了分类的准确度。提高了分类的准确度。


技术研发人员：徐欣 董志欢 项忠泽 聂旭
受保护的技术使用者：南京邮电大学
技术研发日：2022.02.15
技术公布日：2022/5/25