本發(fā)明涉及人機交互技術領域，尤其涉及一種殘障人士運動狀態(tài)下腦電信號的高魯棒解析方法。

背景技術：

腦機接口(brain-computer interface，BCI)是大腦與外部設備間建立的直接連接通路。利用大腦中的各種信號實現(xiàn)人腦與計算機或其他電子設備的通訊和控制，是一種全新的人機接口方式。當前獲取腦信號的方式主要有腦電圖EEG、功能磁共振成像fMRI和腦磁圖MEG等多種形式。EEG信號具有時間分辨率高和可以無創(chuàng)獲取等特點，使得利用大腦無時無刻不在產(chǎn)生的腦電波信號來解讀大腦工作狀態(tài)和思維活動成為當前BCI研究的熱門和主流方向。

BCI設備還可以幫助殘障人士。例如，美國研制了由肌肉電信號和腦電信號聯(lián)合控制的義肢。在2012年11月，美國男子扎克·沃特利用腦控義肢，成功攀登了103層的芝加哥威利斯大廈，在這個過程中，沃特只要想著觸動電機和鏈條，使假肢的腳踝和膝蓋的動作保持一致，這個仿生假肢就會對腿筋部位的肌肉產(chǎn)生電脈沖，實現(xiàn)行走的功能。

目前BCI技術發(fā)展總體上還是處于初級的研究階段，BCI系統(tǒng)的實用場景仍然處于實驗室的理想條件下，距離真正實際應用還有相當長的路要走。首先，當前的腦電波解析技術還不夠完善，把情緒與認知狀態(tài)作為固定模式看待，缺少動態(tài)、系統(tǒng)的研究視點，還有待進一步研究發(fā)展。其次，國內(nèi)外腦認知研究中都要求使用者靜止不動并盡可能地屏蔽掉各種干擾信號，而在實際應用情況下這些要求都是不能滿足的。第三，探索在工作人員運動的狀態(tài)下檢測和解讀腦電信號，目前的國內(nèi)外研究都沒有涉及這一點。第四，腦認知從來就是一個復雜的動態(tài)過程，需要時序建模技術來分析處理，這也是目前的國內(nèi)外研究沒有深入的領域。此外，目前研究中大多數(shù)都只是分析單一動作所引起的腦電波變化特征，通常還會要求實驗人員要處于心情平和的狀態(tài)，從而排除情緒帶來影響，這樣通常不適用于實際應用的復雜環(huán)境和狀態(tài)。所以要想將BCI研究進一步深入和實用化，就必須要攻克運動狀態(tài)下情緒和腦認知狀態(tài)的高魯棒解析的問題。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服突破在安靜條件下研究腦認知活動的傳統(tǒng)做法，針對運動協(xié)變腦電波，提出了一種殘障人士運動狀態(tài)下腦電信號的高魯棒解析方法。

為達上述目的，本發(fā)明通過以下技術方案實現(xiàn)：

一種殘障人士運動狀態(tài)下腦電信號的高魯棒解析方法，包括：

獲取運動狀態(tài)下的腦電樣本信號，建立具有變化運動特征的信號集；獲取殘障人士運動狀態(tài)下的待認知腦電信號；以及

對EEG信號進行基于自適應CQT的腦電信號timbre分析，包括：

首先，對腦電圖EEG信號進行預處理，去除噪聲與偽跡干擾；其次，根據(jù)腦電信號timbre的諧波規(guī)律，進行自適應差異的提取，自適應地找到各頻帶中心位置；最后，根據(jù)各頻帶中心位置，計算CQT頻譜，提取各頻帶頻譜特征參數(shù)構(gòu)造特異性timbre；其中，將傳統(tǒng)CQT公式修改為：

其中相鄰譜線的間隔B_k由B_k＝f_k+1-f_k計算得到，各頻帶采樣帶寬N_k由N_k＝f_s/B_k計算得到；

使用基于希爾伯特-黃變換HHT的多尺度時頻分析算法對腦電信號的諧波成分和精細結(jié)構(gòu)進行分析，提取腦電信號時-頻-空域特征：所述多尺度時頻分析算法首先對腦電信號進行經(jīng)驗模態(tài)分解EMD分解，得到若干本征模態(tài)函數(shù)IMF，對這些IMF進行希爾伯特譜分析HSA，計算各IMF對應的瞬時頻率，然后進行空間電極的選擇，最后提取0-30Hz頻段的IMF分量，基于這些IMF分量重建原信號；

基于分層遞階的可視化特征融合與降維算法對上述步驟獲得的高維的特征進行降維處理：首先，對高維數(shù)據(jù)進行特征排序，并進行分層處理，之后對各層數(shù)據(jù)進行可視化特征融合，得到能夠反映此層數(shù)據(jù)特性的特征，并將各層提取的特征組合在一起作為下一級處理的輸入，重復上述過程，得到能夠表示高維數(shù)據(jù)的低維特征。

進一步地，自適應差異的提取具體為：使用各頻帶能量最大值的頻率位置來表示個體間的差異，計算方法如下：1)樣本選?。簭男盘栔须S機取出一維，并取出長為L的一段來計算功率譜和頻率序列；2)插值計算：使用樣條插值法在頻率序列基礎上提高頻率分辨率；3)頻帶能量提取：將原始EEG信號劃分為Delta(0.5-4Hz)，Theta(4-8Hz)，Alpha(8-13Hz)，Beta(13-20Hz)，以及Gamma(30-50Hz)五個頻帶，分別計算這五個頻帶能量值；4)差異計算：求出各段頻率能量最大值時頻率的位置。

進一步地，空間電極選擇為：針對特定被試者，首先選定一個最優(yōu)準則J，計算所有電極的最優(yōu)準則J，并且選擇J最大的那個電極作為初始電極；任取一個其它的電極與初始電極組合在一起并且計算準則J，如果結(jié)果小于初始電極的J，則丟棄這個電極數(shù)據(jù)；如果大于初始電極的J，則取這個新的電極組合為初始電極；繼續(xù)上一步，直到取完所有電極，此時得到的初始電極即為針對該被試者的最優(yōu)的采集電極組合。

進一步地，設原始特征Feature為(x₁,x₂,…,x_i,…,x_n)，x_i表示第i維特征，n為特征維數(shù)，基于分層遞階的可視化特征融合與降維算法流程如下：

輸入：原始特征Feature(x₁,x₂,…,x_i,…,x_n)

輸出：特征融合降維后特征Re_fea

(1)F-score值計算：對每維特征x_i計算其F-Score值F_i；

(2)特征排序：對所有特征(x₁,x₂,…,x_i,…,x_n)按F-Score值的大小降序排列，得到排列后的特征(x₁',x'₂,…,x_i',…,x'_n)及F-Score值排列(F₁',F₂',…,F_i',…,F_n')，其中F′₁≥F′₂≥…≥F′_i≥…≥F′_n；

(3)分層：對所有特征的F-Score值求平均，得到F_Mean，求得第一個小于F_Mean的點F_first，即F₁'≥F₂'≥…≥F'_{F_first-1}≥F_Mean，F(xiàn)_Mean＜F'_{F_first}，則將(x₁',x'₂,…,x'_{F_first-1})作為第一層，計算F_first至n的F-Score的平均值F_Mean2，同理求得第一個小于F_mean2的點F_second，將(x'_{F_first},x'₂,…,x'_{F_second-1})作為第二層，(x'_{F_second},x'_{F_second+1},…,x'_n)作為第三層；

(4)可視化特征融合：對第一層數(shù)據(jù)構(gòu)成雷達圖，m＝2求取雷達圖的三角形的重心特征，以完成可視化特征融合，對第二層數(shù)據(jù)構(gòu)成雷達圖，m＝3求取雷達圖的四邊形的重心特征，以完成可視化特征融合，對第二層數(shù)據(jù)構(gòu)成雷達圖，m＝4求取雷達圖的四邊形的重心特征，以完成可視化特征融合，將三層特征融合后的特征組合構(gòu)造出初始特征融合集S’；

(5)對初始特征融合集S’，重復(1)，(2)，(3)步，得到降維后特征Re_fea。

本發(fā)明的有益效果是：本發(fā)明提出了一種殘障人士運動狀態(tài)下腦電信號的高魯棒解析方法，包括獲取運動狀態(tài)下的腦電樣本信號，建立具有變化運動特征的信號集；獲取殘障人士運動狀態(tài)下的待認知腦電信號；以及對EEG信號進行基于自適應CQT的腦電信號timbre分析，使用基于希爾伯特-黃變換HHT的多尺度時頻分析算法對腦電信號的諧波成分和精細結(jié)構(gòu)進行分析，提取腦電信號時-頻-空域特征：基于分層遞階的可視化特征融合與降維算法對上述高維的特征進行降維處理。運動協(xié)變腦電波樣本數(shù)據(jù)和殘障人士的腦電波數(shù)據(jù)通過以上步驟可構(gòu)造出時域-頻域-空域相配合的認知信號圖譜，進而分類識別出殘障人士的腦電波數(shù)據(jù)所對應的含義。本發(fā)明突破在安靜條件下研究腦認知活動的傳統(tǒng)做法，提出運動協(xié)變腦波的新概念，研究人體運動對腦電信號的影響規(guī)律，滿足實用化產(chǎn)業(yè)需求；摒棄必須分離干擾信號與目標信號的傳統(tǒng)思想，研究協(xié)變腦電的根本規(guī)律和直接解析方法。

附圖說明

圖1是基于CQT變換的腦電信號頻帶分析過程示意圖；

圖2是基于希爾伯特黃變換的腦電信號時頻分析過程示意圖；

圖3是分層遞階特征融合與降維算法示意圖。

具體實施方案

下面通過具體實施方式結(jié)合附圖對本發(fā)明作進一步詳細說明。

首先，本發(fā)明以從靜止、步行到奔跑的一系列運動狀況為實驗條件，用平均法、PCA、ICA等腦電(ERP)提取算法分別實現(xiàn)運動狀態(tài)下腦靜息態(tài)時的腦電波信息的提取，根據(jù)提取結(jié)果，建立具有變化運動特征的信號集，如簡單運動信號集，復雜運動信號集等。用信號集內(nèi)的所有信號作為刺激源，通過實驗得到對應的被試的ERP信號集合。計算ERP信號的潛伏期、波幅、波形變化等時域特征和頻譜特征等變換域特征，使用統(tǒng)計學的方法和數(shù)據(jù)挖掘的方法，尋找ERP信號特征變化與運動信號特征變化的規(guī)律，以及引起ERP信號改變的最低刺激信號改變的閾值。從而得出運動狀態(tài)下腦靜息時腦波的基本規(guī)律，建立其電生理模型。

在音頻信號中，不同的發(fā)聲體由于材料、結(jié)構(gòu)不同，發(fā)出聲音的音質(zhì)(timbre)也就不同，因此，可以通過音質(zhì)的不同規(guī)律去分辨不同的聲源。根據(jù)timbre的特點，即使在同一音高和同一聲音強度的情況下，也能區(qū)分出是不同樂器或人發(fā)出的。同樣，以腦電信號為代表的各種認知信號，也具有規(guī)律的諧波成分和精細結(jié)構(gòu)，本發(fā)明借用音樂領域的音質(zhì)概念(timbre)來對此進行表達。不同類型的認知信號其timbre各不相同但具有一定的規(guī)律性，不同人同一類信號的timbre也具有其個人特點。本發(fā)明根據(jù)認知信號timbre的個人特點和不同采集位置的特異性(如：頻帶分布特點，成分能量分布特點，諧波結(jié)構(gòu)模式等)，提出基于自適應CQT的信號timbre分析方法，能夠快速找到腦電信號timbre的個人特點，實現(xiàn)過程如附圖1所示。

常數(shù)Q變換(CQT：Constant Q Transform)由Brown和Pluckette在1991年提出并成功應用于音樂信號處理領域。鑒于音階頻率不是等間隔分布，而是按指數(shù)規(guī)律分布的。因此用傳統(tǒng)的等間隔頻率分析方法(如離散傅里葉變換DFT)來估計音階頻率時，會產(chǎn)生非常大的估計誤差。從濾波器組的觀點來解釋，DFT就是一個中心頻率等間隔分布、帶寬相同的濾波器組。而CQT卻具有多分辨率與中心頻率自適應的特點，通過計算音樂信號的CQT譜，可直接得到該信號在各音階頻率的頻譜值，因此CQT在信號處理中正逐漸獲得廣泛應用。

有限長序列x(n)的CQT表達式如下：

式中N_k是計算第k條頻率f_k的CQT變換時所對應的窗長度，是長度為N_k的窗函數(shù)，Q是CQT變換中的常數(shù)因子，k是序列CQT譜的頻率下標。

本發(fā)明的基于自適應CQT的腦電信號timbre分析過程主要包含三個部分。首先，對各被試EEG信號進行預處理，去除噪聲與偽跡干擾；其次，根據(jù)腦電信號timbre的諧波規(guī)律，自適應地找到各頻帶中心位置；最后，根據(jù)各頻帶中心位置，計算CQT頻譜，提取各頻帶頻譜特征參數(shù)構(gòu)造特異性timbre。

然后開始自適應差異的提?。菏褂酶黝l帶能量最大值的頻率位置來表示個體間的差異。計算方法如下：1)樣本選?。簭男盘栔须S機取出一維，并取出長為L的一段來計算功率譜和頻率序列；2)插值計算：使用樣條插值法在頻率序列基礎上提高頻率分辨率；3)頻帶能量提?。簩⒃糆EG信號劃分為Delta(0.5-4Hz)，Theta(4-8Hz)，Alpha(8-13Hz)，Beta(13-20Hz)，以及Gamma(30-50Hz)五個頻帶，分別計算這五個頻帶能量值；4)差異計算：求出各段頻率能量最大值時頻率的位置。

接下來進行中心頻率的估計：不同于音階頻率指數(shù)分布的規(guī)律，腦電信號頻率分布規(guī)律在自適應差異提取步驟中自適應地找到。為此，將傳統(tǒng)CQT公式修改為：

其中相鄰譜線的間隔(帶寬)B_k可由B_k＝f_k+1-f_k計算得到，因此各頻帶采樣帶寬N_k就可以由計算得到。

這樣針對認知信號之間的個體差異問題，提出的能夠自適應找到信號差異的方法，可以比傳統(tǒng)的等間隔頻帶劃分方法更能揭示腦電信號頻譜特點。通過CQT可以快速找到腦電信號timbre的個人特點后，就可以使用基于HHT的多尺度時頻分析技術對腦電信號的諧波成分和精細結(jié)構(gòu)進行分析，提取腦電信號時-頻-空域特征。

希爾伯特-黃變換(Hilbert Huang Transform，HHT)由美國航空航天局的黃鍔教授于1998年提出。HHT是一種基于經(jīng)驗的信號分析方法，可以自適應地對信號進行分解，得到非線性非平穩(wěn)信號的具有物理意義的表示。它由兩部分構(gòu)成，經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)和希爾伯特譜分析(Hilbert Spectrum Analysis，HSA)。對于一個非線性、非平穩(wěn)的信號，如腦電信號，直接進行希爾伯特變換得到的結(jié)果在很大程度上失去了原有的物理意義。EMD可以將信號分解成為有限并少量的具有不同特征尺度的本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)，它是從信號本身的特征時間尺度出發(fā)對信號進行分解，沒有固定的先驗基，是一種自適應的信號分解方法，因此得到的IMF分量一般具有明顯的物理意義，這些IMF反映了信號內(nèi)部固有的波動性，在每個周期上僅包含一個波動模態(tài)。對IMF進行HSA，可以得到各IMF的瞬時頻率和瞬時振幅具有清晰的物理意義，能夠表征信號的局部特征，繼而得到的希爾伯特譜能夠準確地反映出該物理過程中能量在各種尺度的時頻空間上的分布規(guī)律。正好適應了我們對信號分析時在不同頻率范圍所需要不同的分辨率這一基本要求。

目前主流的EEG信號分析方法有兩種：一種是傳統(tǒng)時頻特征組合法，將時域均值、頻域功率譜組合作為特征矢量，主要是利用多種類別信息提供更多的特征，但較多的特征使得建立分類器的模型比較復雜，不利于實際系統(tǒng)中的應用；另一種是小波變化系數(shù)法，依據(jù)先驗知識、抽取感興趣頻段的小波系數(shù)作為特征，但選擇不同的小波對分類結(jié)果有一定的影響。這些腦電信號預處理方法存在一定的缺陷，即忽略了空間電極的選擇而導致的大數(shù)據(jù)計算量，同時還有依據(jù)經(jīng)驗選擇的電極無法根據(jù)不同被試者自身腦電信號的特點動態(tài)變化。針對這些不足，本發(fā)明提出了一種基于多域的腦電信號處理算法，不僅在時頻域?qū)δX電信號進行適當?shù)念A處理操作，而且進一步把預處理應用到腦電信號的空間分布中，有效克服傳統(tǒng)預處理方法中系統(tǒng)數(shù)據(jù)計算量大的缺點。算法主要分為三個步驟，如附圖2所示。

在對腦電信號的時頻分析階段，使用的是前面提到的HHT。有研究表明，腦電信號一般存在于0-30Hz的低頻段，所以首先對腦電信號進行EMD分解，得到若干IMF，對這些IMF進行HSA，計算各IMF對應的瞬時頻率，然后提取0-30Hz頻段的IMF分量，最后基于這些IMF分量重建原信號。

A.經(jīng)驗模態(tài)分解

首先，對腦電信號進行EMD分解，其核心過程是通過“篩選”對信號進行分解的過程，對于給定的信號x(t)，具體的處理過程如下所示：

1)分別用光滑的三次樣條函數(shù)連接信號x(t)的所有極大值點組成上包絡x_up(t)，以及所有極小值點組成下包絡x_low(t)，所有的數(shù)據(jù)都應該被上下包絡包含在內(nèi)；

2)對數(shù)據(jù)的上下包絡求取均值，并從原始數(shù)據(jù)中減去進而得到差值函數(shù)d₁(t)，公式描述如下：

d₁(t)＝x(t)-(x_up(t)+x_low(t))/2 (3)

3)將d₁(t)作為新的x(t)，重復執(zhí)行步驟1)和2)，直到d(t)滿足IMF的兩個條件，即：1)對于整個時間序列，數(shù)據(jù)中的極值點數(shù)目與過零率數(shù)相等或者最多相差一個；2)在任一個數(shù)據(jù)點位置，由局部極大值點確定的上包絡以及由局部極小值點確定的下包絡，它們的均值為0。此時記d₁(t)為c₁(t)，c₁(t)便是從原始信號中提取的第一個IMF，它包含信號的最高頻成分；

4)計算差值信號r₁(t)，計算公式如下所示：

r₁(t)＝x(t)-c₁(t) (4)

將r₁(t)視為新的初始信號x(t)，重復執(zhí)行1)-3)的篩選過程，直到第N階的差值信號成為單調(diào)函數(shù)，不能再篩選出IMF分量。

5)最后，獲得了一系列固有模態(tài)分量，這些簡單而有著良好特性的分量就組成了原始信號x(t)的基函數(shù)，x(t)的擴展表達式如下：

其中，N表示IMF的數(shù)量，r_N(t)是最后的差值信號，c_j(t)即是求得的IMF。

B.希爾伯特譜分析

通過HSA計算每個IMF的瞬時頻率，來判斷每個IMF所處的頻帶。每個IMF被表示為x_imf(t)，它的希爾伯特變換被表示為y_imf(t)，與希爾伯特變換相關的分析函數(shù)z_imf(t)如下所示。

其中，

其中，a_imf(t)表示瞬時幅值函數(shù)，θ_imf(t)表示瞬時相位函數(shù)，瞬時頻率可以按下式給出

C.空間電極選擇

針對特定被試者，首先選定一個最優(yōu)準則J。計算所有電極的最優(yōu)準則J，并且選擇J最大的那個電極作為初始電極；任取一個其它的電極與初始電極組合在一起并且計算準則J，如果結(jié)果小于初始電極的J，則丟棄這個電極數(shù)據(jù)；如果大于初始電極的J，則取這個新的電極組合為初始電極。繼續(xù)上一步，直到取完所有電極。此時得到的初始電極即為針對該被試者的最優(yōu)的采集電極組合。對于不同的被試者，可以得到不同的最優(yōu)采集電極組合。

D.信號重建

如式(10)所示，通過將處于0-30Hz頻帶內(nèi)的IMF進行疊加，便可得到重構(gòu)的腦電信號。

其中，x^*(t)表示重構(gòu)后的腦電信號，M表示處于0-30Hz頻帶內(nèi)的IMF個數(shù)。

為了分析以上提取的特征，本發(fā)明采用基于分層遞階的可視化特征融合與降維算法對特征進行分析，并最終建立模型。在完成了腦電波信號的特征提取之后，得到一組高維的數(shù)據(jù)。本發(fā)明將可視化技術作為將高維數(shù)據(jù)降維的處理方法，并采用多層信息融合的思想，對特征空間按照特征重要性進行分層，分段，并通過遞階的方式運用雷達圖挖掘特征間的特性，對數(shù)據(jù)化繁為簡，達到信息融合與降維的目的，最終完成建模。

雷達圖又可以稱為蜘蛛圖或者星點圖，雷達圖的圖形信息稱為圖形特征。雷達圖的圖形特征包括面積特征、重心特征、相鄰幅值比、位置特征、分區(qū)面積比等。其中重心特征能夠較好的反應雷達圖間的各個維之間的內(nèi)部關系，是重要的可視化特征。

一個M維的樣本數(shù)據(jù)構(gòu)成的雷達圖r₁,r₂,…,r_i,…,r_M，任意連續(xù)相鄰的m維變量構(gòu)成的m多邊形(r_i,r_i+1,…,r_i+m-1)，由幾何代數(shù)能夠推出，此m多邊形的重心特征為

其中，w為雷達圖中相鄰兩維特征所構(gòu)成的夾角，w＝2π/M，abs_im表示雷達圖中(r_i,r_i+1,…,r_i+m-1)構(gòu)成的m多邊形的重心的幅值大小，angle_i表示雷達圖中(r_i,r_i+1,…,r_i+m-1)構(gòu)成m多邊形的重心的角度。從上述重心特征的計算公式能夠看出，雷達圖重心特征的提取方法其實是一種無監(jiān)督的非線性映射。

F-Score原本是一種衡量單個特征對兩類樣本分辨能力的評價指標，由于實際中多分類問題更加普遍，因而將F-Score進行擴展至多分類問題上。F-Score的定義為：給定訓練樣本集x_k∈R^m，k＝1,2,…,n，l(l≥2)為樣本類別數(shù)，n_j為第j類的樣本個數(shù)，其中j＝1,2,…,l。則訓練樣本第i個特征的F-Score定義為：

其中表示的為第i個特征在整個訓練集上的平均值，表示的為第i個特征在第j類數(shù)據(jù)集上的平均值；表示的是第j類的第k個樣本點的第i維特征的特征值。

基于分層遞階的可視化特征融合與降維算法的主要思想是首先對高維數(shù)據(jù)進行特征排序，并進行分層處理，之后對各層數(shù)據(jù)進行特征融合，得到能夠反映此層數(shù)據(jù)特性的特征，并將各層提取的特征組合在一起作為下一級處理的輸入，重復上述過程，得到能夠表示高維數(shù)據(jù)的低維特征。算法流程如附圖3所示。

設原始特征Feature為(x₁,x₂,…,x_i,…,x_n)，x_i表示第i維特征，n為特征維數(shù)，則基于分層遞階模型的可視化特征融合與降維方法的算法如下：

輸入：原始特征Feature(x₁,x₂,…,x_i,…,x_n)

輸出：特征融合降維后特征Re_fea

(1)F-score值計算：對每維特征x_i按式(12)計算其F-Score值F_i；

(2)特征排序：對所有特征(x₁,x₂,…,x_i,…,x_n)按F-Score值的大小降序排列，得到排列后的特征(x₁',x'₂,…,x_i',…,x'_n)及F-Score值排列(F₁',F₂',…,F_i',…,F_n')，其中F′₁≥F′₂≥…≥F′_i≥…≥F′_n；

(3)分層：對所有特征的F-Score值求平均，得到F_Mean，求得第一個小于F_Mean的點F_first，即F₁'≥F₂'≥…≥F'_{F_first-1}≥F_Mean，F(xiàn)_Mean＜F'_{F_first}，則將(x₁',x'₂,…,x'_{F_first-1})作為第一層，計算F_first至n的F-Score的平均值F_Mean2，同理求得第一個小于F_mean2的點F_second，將(x'_{F_first},x'₂,…,x'_{F_second-1})作為第二層，(x'_{F_sec}ond,x'_{F_second+1},…,x'_n)作為第三層；

(4)可視化特征融合：對第一層數(shù)據(jù)構(gòu)成雷達圖，并按式(11)，m＝2求取雷達圖的三角形的重心特征，以完成可視化特征融合，對第二層數(shù)據(jù)構(gòu)成雷達圖，并按式(11)，m＝3求取雷達圖的四邊形的重心特征，以完成可視化特征融合，對第二層數(shù)據(jù)構(gòu)成雷達圖，并按式(11)，m＝4求取雷達圖的四邊形的重心特征，以完成可視化特征融合，將三層特征融合后的特征組合構(gòu)造出初始特征融合集S’；

(5)對初始特征融合集S’，重復(1)，(2)，(3)步，得到降維后特征Re_fea。

運動協(xié)變腦電波樣本數(shù)據(jù)和殘障人士的腦電波數(shù)據(jù)通過以上步驟可構(gòu)造出時域-頻域-空域相配合的認知信號圖譜，進而分類識別出殘障人士的腦電波數(shù)據(jù)所對應的含義。本發(fā)明突破在安靜條件下研究腦認知活動的傳統(tǒng)做法，提出運動協(xié)變腦波的新概念，研究人體運動對腦電信號的影響規(guī)律，滿足實用化產(chǎn)業(yè)需求；摒棄必須分離干擾信號與目標信號的傳統(tǒng)思想，研究協(xié)變腦電的根本規(guī)律和直接解析方法。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術領域的普通技術人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發(fā)明的保護范圍。