本發(fā)明屬于信息技術(shù)領(lǐng)域，涉及左手、右手、腳和舌頭這四類運動想象腦電信號的分類方法，可用于嚴(yán)重殘疾人醫(yī)療和生活輔助，如智能輪椅，機(jī)械四肢的控制，也可用于現(xiàn)代智能化產(chǎn)品，如飛行器控制，智能汽車駕駛等具有運動想象腦-機(jī)接口BCI在線系統(tǒng)的腦電產(chǎn)品控制。

背景技術(shù)：

現(xiàn)代神經(jīng)生物學(xué)認(rèn)為，大腦皮層按照不同的特點和功能，可以分為若干個區(qū)，不同區(qū)域掌管和調(diào)控身體的不同部位實現(xiàn)不同功能，機(jī)體的各部位實現(xiàn)各功能在大腦皮層具有對應(yīng)關(guān)系，比如中央前回主要管理全身骨骼運動，稱為運動區(qū)；中央后回主要管理全身軀體感覺，稱為感覺區(qū)；額葉區(qū)主要決定性格、控制情感和辨別對錯；枕葉區(qū)主要用來掌管視覺；大腦皮層除了一些特定功能的中樞外，大部分區(qū)域被稱為聯(lián)合區(qū)，它們接收多通道的感覺信息，匯通各個功能區(qū)的神經(jīng)活動。根據(jù)空間位置，其中與人肢體運動相關(guān)的區(qū)域主要有軀體運動區(qū)和軀體感覺區(qū)，我們把這些區(qū)域稱為運動感覺區(qū)。

運動想象，是指受試者在大腦中想象肢體的某個部位做出相應(yīng)動作而實際肢體部位并沒有執(zhí)行動作的想象過程，如靜坐的受試者想象雙手鼓掌動作，但在該過程中雙手保持靜止。神經(jīng)解剖學(xué)研究表明，在運動想象過程中會使人的大腦皮層的功能性連接發(fā)生變化，從而導(dǎo)致大腦中能量分布發(fā)生改變，這種能量的改變和實際進(jìn)行相應(yīng)肢體動作時基本是一致的。具體來說就是，當(dāng)想象左手運動或?qū)嶋H執(zhí)行左手動作時，大腦對側(cè)的運動感覺區(qū)mu節(jié)律(8-12Hz)腦電信號和beta節(jié)律(18-24Hz)腦電信號能量減弱，這種現(xiàn)象被稱為事件相關(guān)去同步現(xiàn)象ERD；與此同時，在大腦的同側(cè)運動感覺區(qū)mu節(jié)律腦電信號和beta節(jié)律腦電信號能量增強(qiáng)，這種現(xiàn)象被稱為事件相關(guān)同步現(xiàn)象ERS；當(dāng)想象右手運動或?qū)嶋H執(zhí)行右手動作時，也會在對應(yīng)區(qū)發(fā)生ERD和ERS現(xiàn)象，因此ERD和ERS現(xiàn)象是目前判別左右手運動想象腦電信號最基本的特征。而想象腳的運動會在大腦的中央頂區(qū)產(chǎn)生ERD現(xiàn)象，而在運動感覺區(qū)產(chǎn)生ERS現(xiàn)象；想象舌頭的運動則會在大腦的中央頂區(qū)和運動感覺區(qū)都產(chǎn)生ERS現(xiàn)象。

共空間模式CSP算法是目前提取運動想象腦電信號特征常用的方法，該算法利用代數(shù)上矩陣同時對角化理論，尋找一個特定方向的空間濾波器對信號進(jìn)行濾波處理，使得經(jīng)過濾波后信號中一類的方差達(dá)到最大，同時另一類的方差達(dá)到最小，從而達(dá)到提取特征的目的。然而這種共空間模式CSP算法存在以下不足：1.只能針對兩類腦電信號進(jìn)行分類，對于四類信號無法使用傳統(tǒng)CSP方法進(jìn)行分類；2.CSP算法特征提取過程綜合了所有導(dǎo)聯(lián)的的相關(guān)性，并沒有對每個導(dǎo)聯(lián)信號做出分析后綜合，加之人腦電信號個體差別較大，所以傳統(tǒng)CSP對有些受試者準(zhǔn)確率較低。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于特征重組和小波變換的運動想象腦電信號分類方法，以提高分類的種數(shù)和分類正確率。

本發(fā)明技術(shù)方案是這樣實現(xiàn)的：

一.技術(shù)原理

根據(jù)進(jìn)行左手、右手、雙腳和舌頭這四類運動想象時，運動感覺區(qū)域的腦電信號表現(xiàn)出ERD和ERS現(xiàn)象，可將左手和右手運動想象腦電信號進(jìn)行特征組合，作為一類信號，將雙腳和舌頭運動想象腦電信號進(jìn)行特征組合，作為另一類信號，然后對組合后的兩類信號進(jìn)行分類；根據(jù)正交小波變換具有良好的時間和頻域分辨率，以運動想象腦電信號mu節(jié)律和beta節(jié)律具有較低頻率的特性，使用經(jīng)典的Mallat小波塔式分解算法，對各個通道的腦電信號進(jìn)行分解和重構(gòu)，然后再使用經(jīng)典CSP算法進(jìn)行分類特征提取，這樣就充分考慮了整體能量和各通道能量關(guān)系，能夠提升分類的適用性。

二.技術(shù)方案

根據(jù)上述原理，本發(fā)明的技術(shù)方案包括如下：

(1)獲取腦電信號：通過受試者佩戴的電極帽上的左電極C3、右電極C4和中電極CZ以及這三個電極各自周圍的22個電極，以256HZ采樣率f_s分別采集受試者在想象左手、右手、雙腳和舌頭四類運動想象時的多組實驗的腦電信號，并將采集的原始腦電信號依次經(jīng)過放大、模/數(shù)轉(zhuǎn)換、低通濾波后，得到想象左手運動的腦電信號E_l，想象右手運動的腦電信號E_r,想象雙腳運動的腦電信號E_f和想象舌頭運動的信號E_t；

(2)將(1)中得到的四類腦電信號平均隨機(jī)地分成訓(xùn)練集T1和測試集T2，其中T1內(nèi)均包括所述的四類腦電信號E_l、E_r、E_f和E_t，T2中包含的四類腦電信號統(tǒng)一命名為E_x；

(3)對訓(xùn)練集T1中的四類腦電信號按照矩陣的行從上到下有序排列進(jìn)行特征組合，得到特征重組后的兩組信號X₁，X₂：

(4)對特征組合后的兩組信號X₁，X₂分別進(jìn)行Mallat塔式小波分解和重構(gòu)，得到第一組重構(gòu)信號X₁'和第二組重構(gòu)信號X'₂；

(5)將兩組重構(gòu)信號X₁'，X'₂作為共空間模式CSP算法的輸入信號，求出重組信號X₁和X₂對應(yīng)的第一投影矩陣W₁及這兩組重構(gòu)信號分別對應(yīng)的特征組合向量F_X1和F_X2，并將這兩個特征組合向量F_X1和F_X2，輸入到第一分類器SVM1中，對支持向量機(jī)分類器SVM1進(jìn)行參數(shù)訓(xùn)練；

(6)對訓(xùn)練集T1中的想象左手運動信號E_l和想象右手運動信號E_r進(jìn)行與(4)相同的Mallat塔式小波分解和重構(gòu)操作，得到左手重構(gòu)信號E_l'和右手重構(gòu)信號E_r'；

(7)將左手重構(gòu)信號E_l'和右手重構(gòu)信號E'_r作為共空間模式CSP算法的輸入信號，求出左右手重構(gòu)信號E_l'和E'_r對應(yīng)的第二投影矩陣W₂以及這兩個重組信號分別對應(yīng)的左手特征向量F_l和右手特征向量F_r，并將這兩個特征向量F_l，F(xiàn)_r輸入到第二分類器SVM2中，對支持向量機(jī)分類器SVM2進(jìn)行參數(shù)訓(xùn)練；

(8)對訓(xùn)練集T1中的想象雙腳運動信號E_f和想象舌頭運動信號E_t進(jìn)行與(4)相同的Mallat塔式小波分解和重構(gòu)操作，得到雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'；

(9)將雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'作為共空間模式CSP算法的輸入信號，求出雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'對應(yīng)的第三投影矩陣W₃以及這兩個重組信號分別對應(yīng)的左手特征向量F_f和右手特征向量F_t；并將這兩個特征向量F_f，F(xiàn)_t輸入到第三分類器SVM3中，對支持向量機(jī)分類器SVM3進(jìn)行參數(shù)訓(xùn)練；

(10)對測試集T2中的四類腦電信號，通過自身數(shù)據(jù)段的復(fù)制進(jìn)行特征加強(qiáng)，得到特征加強(qiáng)信號e_x：

(11)將該特征加強(qiáng)信號e_x進(jìn)行與(4)相同的Mallat塔式小波分解和重構(gòu)操作，得到測試集重構(gòu)信號e'_x；

(12)將測試集重構(gòu)信號e'_x與第一投影矩陣W₁卷積，提取信號的測試特征向量f_x，并將該測試特征向量輸入到(5)中訓(xùn)練好的第一分類器SVM1進(jìn)行分類，識別出e_x是關(guān)于左、右手的腦電測試數(shù)據(jù)E_{r_l}還是關(guān)于雙腳、舌頭的腦電測試數(shù)據(jù)E_{f_t}；

(13)將(12)中識別出的關(guān)于左、右手腦電測試數(shù)據(jù)E_{r_l}與第二投影矩陣W₂卷積，提取特征向量f_{l_r}，并將該特征向量f_{l_r}輸入到(7)中訓(xùn)練好的第二分類器SVM2進(jìn)行分類，識別出e_x是屬于左手腦電信號E_l還是右手腦電信號E_r；

(14)將(12)中識別的關(guān)于腳、舌頭的腦電測試數(shù)據(jù)E_{f_t}第三投影矩陣W₃卷積，提取特征向量f_{f_t}，并將特征向量f_{f_t}輸入到(9)中訓(xùn)練好的第三分類器SVM3進(jìn)行分類，識別出e_x是屬于雙腳腦電信號E_f還是舌頭腦電信號E_t。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

1.本發(fā)明通過左手、右手腦電信號，雙腳、舌頭腦電信號的特征組合，實現(xiàn)了對多類運動想象腦電信號的分類；

2.本發(fā)明引入了Mallat塔式小波變換對腦電信號進(jìn)行處理，提高了腦電信號的分類準(zhǔn)確率，擴(kuò)展了算法的適用性。

附圖說明

圖1為本發(fā)明的實現(xiàn)流程圖；

圖2為本發(fā)明使用的Mallat小波塔式分解結(jié)構(gòu)；

圖3為本發(fā)明中采集的腦電信號電極分布示意圖；

圖4為本發(fā)明中信號采集時序圖；

圖5為本發(fā)明中使用CSP方法求解投影矩陣的子流程圖；

圖6為本發(fā)明中對測試集信號進(jìn)行分類的子流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)描述。

參照圖1，本發(fā)明的具體實現(xiàn)如下：

步驟1.獲取腦電信號。

(1a)安裝腦電采集設(shè)備的22個電極，并設(shè)置信號采樣頻率為256Hz：

(1a1)受試者佩戴電極帽，按照圖3電極分布圖安裝電極帽的左電極C3、中電極Cz和右電極C4以及這三個電極周圍的19個電極；

(1a2)設(shè)置腦電采集設(shè)備的采樣頻率為256Hz，用于采集受試者進(jìn)行運動想象時的腦電信號；

(1b)受試者坐在椅子上平視前方距離其1m的顯示器，按照信號采集時序圖4所示的時序進(jìn)行運動想象試驗，通過腦電采集設(shè)備獲取四類運動想象腦電信號：

(1b1)在開始的第0秒至第2秒之間，屏幕顯示黑色，受試者休息；在第2秒開始時，主機(jī)發(fā)出Bee的提示音，同時屏幕中央出現(xiàn)白色十字叉提示受試者做好準(zhǔn)備，白色十字叉持續(xù)顯示時間為1秒，Bee的提示音持續(xù)時間為200毫秒；

(1b2)第3秒開始，十字叉消失，在屏幕中央隨機(jī)出現(xiàn)白色的向上箭頭、向下箭頭、向左箭頭和向右箭頭中的一種，其中向左箭頭提示受試者進(jìn)行左手運動想象，向右箭頭提示受試者進(jìn)行右手運動想象，向上箭頭提示受試者進(jìn)行舌頭運動想象，向下箭頭提示受試者雙腳運動想象；箭頭持續(xù)時間為4秒，第7秒開始時箭頭消失，表示本次試驗結(jié)束，受試者停止運動想象，進(jìn)入休息狀態(tài)。

(1b3)每一類運動想象進(jìn)行40次實驗，四類運動想象總共進(jìn)行160次實驗，通過電極帽采集到受試者原始腦電信號的160組數(shù)據(jù)，將該四類原始腦電信號依次經(jīng)過放大、模/數(shù)轉(zhuǎn)換、低通濾波后，得到想象左手運動的腦電信號E_l，想象右手運動的腦電信號E_r,想象雙腳運動的腦電信號E_f和想象舌頭運動的信號E_t；

步驟2.將步驟1中獲得的160組腦電信號平均隨機(jī)地分成訓(xùn)練集T1和測試集T2，其中T1內(nèi)均包括所述的四類腦電信號E_l、E_r、E_f和E_t，T2中包含的四類腦電信號統(tǒng)一命名為E_x；

步驟3.對訓(xùn)練集T1中的四類腦電信號按照矩陣的行從上到下有序排列進(jìn)行特征組合，得到特征組合后的兩組信號X₁，X₂：

其中E_l和E_r分別代表想象左手，右手運動時的數(shù)據(jù),E_f和E_t分別想象雙腳，舌頭運動時的數(shù)據(jù)。

步驟4.對特征組合后的兩組信號X₁，X₂分別按照圖2進(jìn)行Mallat塔式小波分解和重構(gòu)，得到第一組重構(gòu)信號X₁'和第二組重構(gòu)信號X'₂：

(4a)選用Daubechies函數(shù)作為小波分解過程的基函數(shù)，對特征組合后的第一組信號X₁和特征重組后的第二組信號X₂分別進(jìn)行Mallat塔式小波4層分解，得到X₁的5個小波分量A4、D4、D3、D2、D1和X₂的5個小波分量A4'、D4'、D3'、D2'、D1'；

(4b)用第一組信號X₁的5個小波分量中的第四小波分量D4和第三小波分量D3對該第一組信號X₁進(jìn)行重構(gòu)，得到第一組重構(gòu)信號X'₁＝D4+D3；用第二組信號的5個小波分組中的第四小波分量D4'和第三小波分量D3'對該第二組信號X₂進(jìn)行重構(gòu)，得到第二組重構(gòu)信號X₂'＝D4'+D3'。

步驟5.將兩組重構(gòu)信號X₁'，X'₂作為共空間模式CSP算法的輸入信號，求出重組信號X₁和X₂對應(yīng)的第一投影矩陣W₁；

(5a)按照圖5所示，分別計算第一組重構(gòu)信號X₁'的左、右手平均空間協(xié)方差矩陣R_{l_r}和第二組重構(gòu)信號X'₂的雙腳、舌頭平均空間協(xié)方差矩陣R_{f_t}：

其中，分別表示第一組重構(gòu)信號X₁'和第二組重構(gòu)信號X'₂的轉(zhuǎn)置，和分別表示矩陣和矩陣的跡，N₁表示第一組重構(gòu)信號X₁'在訓(xùn)練集T1中共有的重復(fù)試驗次數(shù)，N₂表示第二組重構(gòu)信號X₂'訓(xùn)練集T1中共有的重復(fù)試驗次數(shù)；

(5b)對步驟(5a)計算出的左、右手平均空間協(xié)方差矩陣R_{l_r}，雙腳、舌頭平均空間協(xié)方差矩陣R_{f_t}求和，得到總的混合平均協(xié)方差矩陣R_c：

R_c＝R_{l_r}+R_{f_t}，

(5c)對總的混合平均協(xié)方差矩陣R_c進(jìn)行如下特征值分解：

R_c＝UλU^T，

其中，U表示混合平均協(xié)方差矩陣R_c分解后的特征向量矩陣，U^T表示特征向量矩陣U的轉(zhuǎn)置，λ表示混合平均協(xié)方差矩陣R_c分解后的特征值對角矩陣；

(5d)根據(jù)混合平均協(xié)方差矩陣R_c分解后的特征值向量矩陣U和特征值對角矩陣λ，計算白化矩陣P：

(5e)用步驟(4d)中得到的白化矩陣P分別對左、右手平均空間協(xié)方差矩陣R_{l_r}和雙腳、舌頭平均空間協(xié)方差矩陣R_{f_t}進(jìn)行白化，計算左、右手白化協(xié)方差矩陣S_{l_r}和雙腳、舌頭白化協(xié)方差矩陣S_{f_t}：

S_{l_r}＝PR_{l_r}P^T

S_{f_t}＝PR_{f_t}P^T

其中，P^T表示白化矩陣P的轉(zhuǎn)置矩陣；

(5f)對左、右手白化協(xié)方差矩陣S_{l_r}和雙腳、舌頭白化協(xié)方差矩陣S_{f_t}進(jìn)行如下分解：

S_{l_r}＝U_sλ_{l_r}U_s^T

S_{f_t}＝U_sλ_{f_t}U_s^T

λ_{l_r}+λ_{f_t}＝E

其中，U_s是白化特征向量，λ_{l_r}是左、右手白化協(xié)方差矩陣S_{l_r}分解后的白化特征值對角矩陣，λ_{f_t}是雙腳、舌頭白化協(xié)方差矩陣S_{f_t}分解后的白化特征值對角矩陣，E表示單位陣；

(5g)根據(jù)步驟(5f)得到的白化特征向量U_s和步驟(5d)得到的白化矩陣P，計算第一投影矩陣W₁：

W₁＝U_s^TP

其中，U_s^T是白化特征向量U_s的轉(zhuǎn)置矩陣；

步驟6.計算第一重組信號X₁'對應(yīng)的左、右手特征分類向量F_X1和第二重組信號X'₂對應(yīng)的雙腳、舌頭特征分類向量F_X2，并將這兩個特分類向量F_X1和F_X2，輸入到第一分類器SVM1中，對支持向量機(jī)分類器SVM1進(jìn)行參數(shù)訓(xùn)練。

(6a)利用步驟(5g)得到的第一投影矩陣W₁對第一重組信號X₁'和第二重組信號X'₂進(jìn)行卷積，得到左、右手卷積特征矩陣Z_{l_f}和雙腳、舌頭卷積特征矩陣Z_{f_t}：

Z_{l_r}＝W₁X₁′

Z_{f_t}＝W₁X₂′；

(6b)從左、右手卷積特征矩陣Z_{l_r}中，提取關(guān)于左、右手的特征分類向量F_X1：

其中，v_j表示特征分類向量F_X1的第j個向量元素，var(Z_{l_r})表示對左、右手卷積特征矩陣Z_{l_r}進(jìn)行方差運算，表示對左、右手卷積特征矩陣Z_{l_r}的第j行進(jìn)行方差運算；m₁表示提取左、右手卷積特征矩陣Z_{l_r}的前后行數(shù)，取值為m₁＝6；

(6c)從雙腳、舌頭卷積特征矩陣Z_{f_t}中，提取關(guān)于雙腳、舌頭的特征分類向量F_X2：

其中，y_j表示特征分類向量F_X1的第j個人向量元素，var(Z_{f_t})表示對雙腳、舌頭卷積特征矩陣Z_{f_t}進(jìn)行方差運算，表示對雙腳、舌頭卷積特征矩陣Z_{f_t}的第j行進(jìn)行方差運算；m₂表示提取雙腳、舌頭卷積特征矩陣Z_{f_t}的前后行數(shù)，取值m₂＝6。

(6d)將(6b)、(6c)得到的關(guān)于左、右手的特征分類向量F_X1和關(guān)于雙腳、舌頭的特征分類向量F_X2作為分類器SVM1的輸入，訓(xùn)練支持向量機(jī)分類器，其中支持向量機(jī)SVM1的核函數(shù)為徑向基核函數(shù)，采用網(wǎng)格搜索法獲得最優(yōu)的核函數(shù)懲罰系數(shù)p和核函數(shù)半徑g。

步驟7.對訓(xùn)練集T1中的想象左手運動信號E_l和想象右手運動信號E_r進(jìn)行與步驟4相同的Mallat塔式小波分解和重構(gòu)操作，得到左手重構(gòu)信號E_l'和右手重構(gòu)信號E′r。

步驟8.計算第二投影矩陣W₂，訓(xùn)練第二分類器SVM2。

(8a)將步驟7得到的左手重構(gòu)信號E_l'和右手重構(gòu)信號E_r'作為共空間模式CSP算法的輸入信號，用與步驟5相同的方法求出左手重構(gòu)信號E_l'和右手重構(gòu)信號E_r'對應(yīng)的第二投影矩陣W₂；

(8b)使用第二投影矩陣W₂、左手重構(gòu)信號E_l'和右手重構(gòu)信號E_r'，按照與步驟6同樣的方法計算左手重構(gòu)信號E_l'對應(yīng)的左手特征分類向量F_l和右手重構(gòu)信號E_r'對應(yīng)的右手特征分類向量F_r，并將這兩個特征分類向量F_l，F(xiàn)_r，輸入到第二分類器SVM2中，對支持向量機(jī)分類器SVM2進(jìn)行參數(shù)訓(xùn)練。

步驟9.對訓(xùn)練集T1中的想象雙腳運動信號E_f和想象舌頭運動信號E_t進(jìn)行與步驟4相同的Mallat塔式小波分解和重構(gòu)操作，得到雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E′_t。

步驟10.計算第二投影矩陣W₃，訓(xùn)練第三分類器SVM3。

(8a)將步驟9得到的雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'作為共空間模式CSP算法的輸入信號，用與步驟5相同的計算過程求出雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'對應(yīng)的第三投影矩陣W₃；

(8b)使用第三投影矩陣W₃、雙腳重構(gòu)信號E'_f和舌頭重構(gòu)信號E_t'，按照與步驟6同樣的方法計算雙腳重構(gòu)信號E'_f對應(yīng)的雙腳特征分類向量F_f和舌頭重構(gòu)信號E_t'對應(yīng)的舌頭特征分類向量F_t，并將這兩個特征分類向量F_f和F_t，輸入到第三分類器SVM3中，對支持向量機(jī)分類器SVM3進(jìn)行參數(shù)訓(xùn)練；

步驟11.對測試集T2中的四類腦電信號E_x，通過自身數(shù)據(jù)段的復(fù)制進(jìn)行特征加強(qiáng)，得到特征加強(qiáng)信號e_x：

并將該特征加強(qiáng)信號e_x進(jìn)行與步驟4相同的Mallat塔式小波分解和重構(gòu)操作，得到測試集重構(gòu)信號e'_x。

步驟12.按照如圖6所示，將測試集重構(gòu)信號e'_x與第一投影矩陣W₁卷積，按照與步驟6相同的方法，提取測試集重構(gòu)信號e'_x的測試集第一級特征分類向量f_x，并將該特征分類向量f_x輸入到(6d)中訓(xùn)練好的第一分類器SVM1進(jìn)行分類，識別出e_x是關(guān)于左、右手的腦電測試數(shù)據(jù)E_{r_l}還是關(guān)于雙腳、舌頭的腦電測試數(shù)據(jù)E_{f_t}。

步驟13.按照如圖6所示，將(12)中識別出的關(guān)于左、右手腦電測試數(shù)據(jù)E_{r_l}與第二投影矩陣W₂卷積，按照與步驟6相同的方法，提取測試集第二級特征分類向量f_{l_r}，并將該特征分類向量f_{l_r}輸入到(8b)中已訓(xùn)練好的第二分類器SVM2進(jìn)行分類，識別出e_x是屬于左手腦電信號E_l還是右手腦電信號E_r；

步驟14.按照如圖6所示，將步驟(12)中識別的關(guān)于腳、舌頭的腦電測試數(shù)據(jù)E_{f_t}與第三投影矩陣W₃卷積，按照與步驟6相同的方法，提取測試集第二級特征分類向量f_{f_t}，并將該特征分類向量f_{f_t}輸入到(9)中已訓(xùn)練好的第三分類器SVM3進(jìn)行分類，識別出e_x是屬于雙腳腦電信號E_f還是舌頭腦電信號E_t。

通過以上步驟可對測試信號E_x進(jìn)行分類，識別出測試信號E_x是屬于以下四類信號中的具體哪一個種類的信號：想象左手運動的腦電信號，想象右手運動的腦電信號,想象雙腳運動的腦電信號和想象舌頭運動的信號。

在以上方法中，首先通過訓(xùn)練集的四類運動想象腦電信號訓(xùn)練出三個特定方向的投影矩陣，第一投影矩陣W₁、第二投影矩陣W₂、第三投影矩陣W₃和三個支持向量機(jī)分類器，第一分類器SVM1，第二分類器SVM2、第三分類器SVM3；然后通過以上訓(xùn)練好的三個特定方向的投影矩陣和三個分類器對測試集中的信號進(jìn)行分類，識別出測試信號屬于四類運動想象的哪一類。這樣就能夠通過識別人的運動想象腦電信號，實現(xiàn)對如輪椅，機(jī)械手臂等智能設(shè)備的控制。