CN103425249A - 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 - Google Patents

Abstract

本发明公开了一种基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统，该方法包括：采集n位实验者想象两类不用运动的EEG信号,求得每位实验者的训练数据的协方差；引入正则化参数α和β（0≤α,β≤1），构造两类不同运动想象空间滤波器,保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；输入测试运动想象数据，进行空间滤波，并保留滤波后的测试数据；运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别；该脑电遥控系统包括：信号采集模块、信号分析模块、控制器模块。本发明通过正则化CSP和SRC进行脑电信号分类识别，有效地避免了特征提取不稳定的问题，与现有的分类器相比具有更强的鲁棒性。

Description

基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统

技术领域

本发明属于模式识别与智能系统和脑机接口技术领域，尤其涉及一种基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统。

背景技术

目前，有多种疾病可以损伤脑与外部环境进行交流和控制的神经肌肉通路，如脑瘫多发性硬化和脑卒中等，这些疾病会使人部分或全部失去自主的肌肉控制能力，这就需要人们开始尝试建立一种全新的、不依赖于肌肉神经活动的交流和控制通路，也就是说在大脑和外部设备之间建立一个信息交流通道，从而使那些有认知能力但存在运动障碍的人能与外部环境进行交，如控制轮椅、计算机、照明开关、电视机、甚至恢复运动功能等，在休闲娱乐领域，脑机接口为人们提供一种新的娱乐方式，可以通过思维来玩游戏，让玩家漫游于虚拟世界中，同时，脑际接口在信息安全领域中作为一门身份识别技术也得到了广泛地研究。

基于运动想象的脑机接口技术是利用脑电采集装置从大脑皮层采集运动想象脑电信号，提取有效的脑电特征信息，进行识别和分类，尽管使用不同方法在不同条件下识别效果各有优劣，然而，在运动想象脑电信号识别中最根本的问题是需要高效而且对于不同想象运动脑电信号特征区分度高的特征提取和分类算法，在这方面，近年来国内外已经取得了很多不错的进展。

在特征提取方面，2003年清华大学高上凯小组运用共空域子空间分解算法（Common Special Subspace Decomposition，CSSD）对EEG信号进行特征提取，取得了良好的识别效果，CSSD是一种针对多通道脑电数据的空域滤波算法，它的作用是提取任务相关的信号分量而抑制任务不相关的分量和噪声，CSSD对处理EEG信号的事件相关同步化现象非常有效，其不足在于构建的特征向量的特征值稳定性低，区分度比较差，尤其是在小样本时更加明显。

在识别分类方面，现有的分类方法有线性判别分析法、支持向量机（SVM）等，线性判别分析法简单、容易实现、需要的计算量和存储量小，然而，由于EEG的非线性特点，得到的特征向量很难具有线性可分性，对分类造成很大困扰，必然会引起识别率降低，支持向量机是将向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面，因此他的输入维数很高，分类器很难得到推广。

发明内容

本发明实施例的目的在于提供一种基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统，旨在解决现有的脑电信号特征提取存在的构建特征向量的特征值稳定性低，区分度比较差，识别分类存在的得到的特征向量很难具有线性可分性，对分类造成很大困扰，引起识别率降低的问题。

本发明实施例是这样实现的，一种基于正则化CSP和SRC的脑电信号分类识别方法，该基于正则化CSP和SRC的脑电信号分类识别方法包括以下步骤：

步骤一，采集n位实验者想象两类不用运动的EEG信号,分别求得每位实验者的训练数据的协方差；

步骤二，引入正则化参数α和β（0≤α,β≤1），在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类不同运动想象空间滤波器,保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；

步骤三，输入测试运动想象数据，按照步骤二进行空间滤波，并保留滤波后的测试数据；

步骤四，运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别。

进一步，该基于正则化CSP和SRC的脑电信号分类识别方法的特征提取具体步骤包括如下：

步骤一，采集多位实验者的EEG信号

利用8～30Hz带通滤波器对采集到的EEG信号数据进行滤波，以获取明显的ERD/ERS生理现象；

步骤二，对n位实验者进行编号，选取其中1名被试为主试；其他为次试；分别求取他们的各类协方差矩阵，引入正则化参数α和β（0≤α,β≤1），在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类平均正则化协方差矩阵：

$Z_A(\mathrm{\α},\mathrm{\β})=(1-\mathrm{\α})\frac{(1-\mathrm{\β})\·R_A+\mathrm{\β}\·{\hat{R}}_A}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}+\frac{\mathrm{\α}}{N}\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_A+\mathrm{\β}\·{\hat{R}}_A}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]\·I$

$Z_B(\mathrm{\α},\mathrm{\β})=(1-\mathrm{\α})\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}+\frac{\mathrm{\α}}{N}\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]\·I$

其中， $\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]$ 表示 $\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}$ 的迹，Ｉ为Ｎ×Ｎ的单位矩阵，Ｎ为通道采集数；

当正则化参数α和β均为零时，正则化的共同空间模式则变为传统的共同空间模式算法；

步骤三，将步骤二中的两类平均正则化协方差矩阵求和并进行特征值分解，求解正则白化矩阵，如下所示：

$Z(\mathrm{\α},\mathrm{\β})=Z_A(\mathrm{\α},\mathrm{\β})+Z_B(\mathrm{\α},\mathrm{\β})=\hat{U}\·\widehat{\mathrm{\Λ}}\·{\hat{U}}^T$

其中，为特征值对角矩阵，

为对应的特征向量矩阵，则正则白化矩阵为：

$P={\widehat{\mathrm{\Λ}}}^{(-\frac{1}{2})}\·{\hat{U}}^T;$

步骤四，对步骤二中所得的Z_A(α,β)和Z_B(α,β)进行如下转换：

${\stackrel{\‾}{Z}}_A(\mathrm{\α},\mathrm{\β})=P\·Z_A(\mathrm{\α},\mathrm{\β})\·P^T=U_A\·{\mathrm{\Λ}}_A\·{U_A}^T$

${\stackrel{\‾}{Z}}_B(\mathrm{\α},\mathrm{\β})=P\·Z_B(\mathrm{\α},\mathrm{\β})\·P^T=U_B\·{\mathrm{\Λ}}_B\·{U_B}^T$

其中，Λ_A和Λ_B为特征值对角矩阵，U_A和U_B为对应的特征向量矩阵，选取对角阵Λ_A、Λ_B中最大特征值对应的特征向量，构造空间滤波器如下：

W_A＝U_A ^T·P

W_B＝U_B ^T·P

步骤五，将训练样本的两类EEG信号X_A和X_B经过相应的滤波器W_A、W_B，有：

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

步骤六，对步骤五中经过正则化CSP过滤的脑电信号计算功率谱密度，求取频率在8-15Hz的功率谱密度值，利用构造学习字典B=[F_AF_B]；

步骤七，按下式求解测试样本的稀疏表示向量：

${\hat{x}}_1=\min {\left|\right|x\left|\right|}_1$ subject to ${\left|\right|\hat{y}-\hat{B}x\left|\right|}_2\≤\mathrm{\ϵ}$

其中x为待求解的测试运动想象样本的稀疏表示向量，y为待求解的测试运动想象样本数据，ε为误差阈值；

步骤八，针对每一次运动想象i，根据测试样本的稀疏表示向量

计算残差

$r_i\left(\hat{y}\right)=\left|\right|\hat{y}-B{T}_i\left({\hat{x}}_i\right)\left|\right|$

其中是由稀疏表示向量

得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

步骤九，用残差最小的类别作为最终的运动想象类别的识别结果：

$\mathrm{Identity}\left(y\right)=\arg \min r_i\left(\hat{y}\right),$

是测试样本数据。

本发明提供的基于正则化CSP和SRC的脑电信号分类识别方法及其遥控系统，通过运用R-传统共同空间模式（CSP）算法对运动想象脑电信号进行特征提取，实现了降维，有效的降低了在运用基于信号的稀疏表示的脑电信号分类方法SRC对运动想象脑电信号识别时的计算复杂度，R-传统共同空间模式（CSP）算法是利用代数上矩阵同时对角化的理论，寻找一组空间滤波器，使得在这组滤波器的作用下，一类信号的方差达到极大，另一类信号是方差达到极小，从而达到分类的目的，R-传统共同空间模式（CSP）通过引入正则化参数α和β,将多位实验者的训练数据加权相加结合，有效的避免了小训练样本特征提取不稳定的弊端，减少了数据的个体差异性，充分利用了其他被试者的实验数据；本发明的SRC算法是将运动想象分类看作为多个线性回归模型的分类问题，将测试样本看成训练库中同类样本的线性组合，非同类样本系数表示为零，即使对于“模糊区域”中的点其线性加权系数中同类训练样本的非零数个数大于异类训练样本非零数个数，从而正确判别其分类，在比较了几种常规的线性判别分析方法在2003年BCI竞猜数据（dataset IVa）上的识别率后，得到的结果显示本发明提出的分类算法相对于其他方法效果更佳，具有很强的鲁棒性。本发明方法简单，操作方便较好的解决了现有的脑电信号特征提取存在的构建特征向量的特征值稳定性低，区分度比较差，识别分类存在的得到的特征向量很难具有线性可分性，对分类造成很大困扰，引起识别率降低的问题。

附图说明

图1是本发明实施例提供的基于正则化CSP和SRC的脑电信号分类识别方法的流程图；

图2是本发明实施例提供的基于正则化CSP和SRC的脑电遥控系统的结构示意图；

图中：1、信号采集模块；2、信号分析模块；3、控制器模块；

图3是本发明实施例提供的采集脑电信号一次实验的时间周期示意图；

图4是本发明实施例提供的基于正则化CSP和SRC的脑电遥控系统的流程图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明：

实施例1

本发明构建了一个集脑电采集装置和对不同想象运动脑电信号识别为一体的遥控系统，系统框图如图2所示，主要包括信号采集模块1、信号分析模块2、控制器模块3三大模块；

用于使用银/氯化银电极帽采集脑电信号EEG的信号采集模块1；

与信号采集模块1连接，用于通过CSP、FFT、带通滤波的方法，经过预处理的脑电信号中提取与受试者意图相关的特征向量，特征向量提取后交给分类器进行分类，分类器的输出即作为控制器的输入，利用matlab完成信号分析程序的编写和测试的信号分析模块2；

与信号分析模块2连接，用于将已分类的信号利用无线发射器发送给要控制的外设对象的控制器模块3。

信号采集模块1：本实施例中采用2003年BCI竞猜数据（dataset IVa），实验使用银/氯化银电极帽采集脑电信号EEG，通道按照国际标准通道系统安放，采集118个通道的EEG数据，实验过程中，要求实验者安静放松坐在椅子上，根据计算机屏幕上的提示做相应的想象运动，每组想象运动时间为3.5秒，两组间隔时间为1.75～2.25秒，图3展示了一次实验的时间周期，此过程会完整记录脑电信号的变化过程，每位实验者想象右手运动时，其EEG信号对应的类别标注为A类，想象左手运动时，其EEG信号对应的类别标注为B类，X_A、X_B分别表示想象右手、想象左手运动的EEG信号；

信号分析模块2：利用传统共同空间模式（CSP）、FFT、带通滤波等方法，从经过预处理的脑电信号中提取与受试者意图相关的特征向量，特征向量提取后交给分类器进行分类，分类器的输出即作为控制器的输入，利用matlab完成信号分析程序的编写和测试；

控制器模块3：将已分类的信号利用无线发射器发送给要控制的外设对象，在外设对象上装有无线接收器，外设对象接受到信号后转换为相应的操作指令，从而完成了意念对外围设备的遥控功能，如在显示器上移动光标，控制机器人，控制轮椅等；

本发明的核心在于对不同想象运动脑电信号分类识别的算法，该算法基于一种改进的共用空间模式提取其特征，并结合信号的稀疏表征进行分类识别，具体步骤如下：

步骤一，选取主要实验者和次要实验者

对2003年BCI竞猜数据（dataset IVa）中的5位实验者对应的EEG信号依次编号为EEG_data_al、EEG_data_aa、EEG_data_av、EEG_data_ay、EEG_data_aw，选定al实验者为主要被试，其他四位实验者为次要被试；

步骤二，频域滤波

为了减少来自其他信号源如眼电和肌电的干扰，使用一个8～30Hz的带通滤波器，对采集的脑电数据进行滤波预处理，且此频率段有明显的ERD/ERS生理现象；

步骤三，选取训练样本

对信号滤波之后，从主要实验者al的A类和B类EEG信号中分别选取11个EEG信号作为训练样本，然后从其他4位次要实验者的A类和B类EEG信号中分别选取10个EEG信号作为训练样本，则所有次试者的A类和B类训练样本总数均为40个，本发明对测试样本采用留一法来进行交叉验证，即从主试中的11个训练样本中依次选出一个作为被试，反复循环11次，取11次的平均结果作为最终结果；

步骤四，分别求出主试者的A类和B类训练样本的协方差矩阵之和RA与RB，所有次试者A类和B类训练样本的协方差矩阵之和

与

$R_A=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}\frac{X_{\mathrm{Ai}}{X_{\mathrm{Ai}}}^T}{\mathrm{tr}\left(X_{\mathrm{Ai}}{X_{\mathrm{Ai}}}^T\right)}$

$R_B=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}\frac{X_{\mathrm{Bi}}{X_{\mathrm{Bi}}}^T}{\mathrm{tr}\left(X_{\mathrm{Bi}}{X_{\mathrm{Bi}}}^T\right)}$

其中，X_Ai(i＝1，2...10)表示主试者第i次想象左手运动的EEG信号，X_Bi(i＝1，2...10)表示主试者者第i次想象右手运动的EEG信号，X_(i,A) ^T表示X(i，A)的转置，tr(X_(i,A)X_(i,A) ^T)表示矩阵X_(i,A)X_(i,A) ^T的迹，

${\hat{R}}_A=\underset{i=1}{\overset{40}{\mathrm{\Σ}}}\frac{{\hat{X}}_{\mathrm{Ai}}{{\hat{X}}_{\mathrm{Ai}}}^T}{\mathrm{tr}\left({\hat{X}}_{\mathrm{Ai}}{{\hat{X}}_{\mathrm{Ai}}}^T\right)}$

${\hat{R}}_B=\underset{i=1}{\overset{40}{\mathrm{\Σ}}}\frac{{\hat{X}}_{\mathrm{Bi}}{{\hat{X}}_{\mathrm{Bi}}}^T}{\mathrm{tr}\left({\hat{X}}_{\mathrm{Bi}}{{\hat{X}}_{\mathrm{Bi}}}^T\right)}$

其中，

(i＝1，2...，40)表示次试者第i次想象左手运动的EEG信号，

(i＝1，2...，40)表示次试者第i次想象右手运动的EEG信号；

步骤五，求正则化协方差矩阵

引入正则化参数α和β，其取值范围为α∈[0,1]和β∈[0,1]，α分别取0，0.001，0.01，0.1，0.2；β分别取0，0.01，0.1，0.2，0.4,0.6，在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类平均正则化协方差矩阵，公式如下所示：

$Z_A(\mathrm{\α},\mathrm{\β})=(1-\mathrm{\α})\frac{(1-\mathrm{\β})\·R_A+\mathrm{\β}\·{\hat{R}}_A}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}+\frac{\mathrm{\α}}{N}\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_A+\mathrm{\β}\·{\hat{R}}_A}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]\·I$

$Z_B(\mathrm{\α},\mathrm{\β})=(1-\mathrm{\α})\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}+\frac{\mathrm{\α}}{N}\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]\·I$

其中， $\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]$ 表示 $\frac{(1-\mathrm{\β})\·R_B+\mathrm{\β}\·{\hat{R}}_B}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}$ 的迹，Ｉ为Ｎ×Ｎ的单位矩阵，Ｎ为通道采集数；

步骤六，将步骤五中的两类平均正则化协方差矩阵求和并进行特征值分解，求解正则白化矩阵，如下所示：

$Z(\mathrm{\α},\mathrm{\β})=Z_A(\mathrm{\α},\mathrm{\β})+Z_B(\mathrm{\α},\mathrm{\β})=\hat{U}\·\widehat{\mathrm{\Λ}}\·{\hat{U}}^T$

其中，

为特征值对角矩阵，

为对应的特征向量矩阵，则正则白化矩阵为：

$P={\widehat{\mathrm{\Λ}}}^{(-\frac{1}{2})}\·{\hat{U}}^T$

步骤七，对步骤六中所得的Z_A(α,β)和Z_B(α,β)进行如下转换：

${\stackrel{\‾}{Z}}_A(\mathrm{\α},\mathrm{\β})=P\·Z_A(\mathrm{\α},\mathrm{\β})\·P^T=U_A\·{\mathrm{\Λ}}_A\·{U_A}^T$

${\stackrel{\‾}{Z}}_B(\mathrm{\α},\mathrm{\β})=P\·Z_B(\mathrm{\α},\mathrm{\β})\·P^T=U_B\·{\mathrm{\Λ}}_B\·{U_B}^T$

其中，Λ_A和Λ_B为特征值对角矩阵，UA和UB为对应的特征向量矩阵，选取对角阵Λ_A、Λ_B中最大特征值对应的特征向量，构造空间滤波器如下：

W_A＝U_A ^T·P

W_B＝U_B ^T·P

步骤八，将训练样本的两类EEG信号X_A和X_B经过相应的滤波器W_A、W_B有：

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

步骤九，对步骤八中经过正则化传统共同空间模式（CSP）过滤的脑电信号计算功率谱密度，求取频率在8～15Hz的功率谱密度值，利用其构造学习字典B=[F_AF_B]；

步骤十，在主试者的训练样本中依次选取一组数据作为测试样本y，按以上步骤进行滤波，投影，保留处理后的测试样本数据；

步骤十一，按下式求解测试样本的稀疏表示向量：

${\hat{x}}_1=\min {\left|\right|x\left|\right|}_1$ subjectto ${\left|\right|\hat{y}-\hat{B}x\left|\right|}_2\≤\mathrm{\ϵ}$

其中x为待求解的测试运动想象样本的稀疏表示向量，y待求解的测试运动想象样本数据，为ε为误差阈值；

步骤十二，针对每一次运动想象i，根据测试样本的稀疏表示向量

计算残差

$r_i\left(\hat{y}\right)=\left|\right|\hat{y}-B{T}_i\left({\hat{x}}_i\right)\left|\right|$

其中

是由稀疏表示向量

得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

步骤十三，用残差最小的类别作为最终的运动想象类别的识别结果：

$\mathrm{Identity}\left(y\right)=\arg \min r_i\left(\hat{y}\right),$

是测试样本数据；

结合以下仿真数据对本发明做进一步的说明：

1、仿真条件

（1）选取BCIcompetitionⅢ数据在MATLAB平台中进行仿真实验；

（2）根据实验数据说明，提取提示开始1s后的数据，数据中共包含五名被试者的280次运动想象实验数据，选取其中一名为主试，其他四名为被试，本发明利用主试者的前11次实验数据、次试者的前10次实验数据进行仿真；

2、仿真内容和结果

（1）利用基于正则化传统共同空间模式（CSP）和稀疏表征的运动想象脑电信号分类方法进行仿真实验，其中正则化参数α分别取0，0.001，0.01，0.1，0.2；β分别取0，0.01，0.1，0.2，0.4,0.6，当α和β均为零时，正则化的传统共同空间模式（CSP）则变为传统的传统共同空间模式（CSP）算法，其结果如表1所示：

表1基于正则化传统共同空间模式（CSP）和稀疏表征的运动想象脑电信号分类方法不同参数下的识别率

（2）由表1可以看到，当α=0，β=0.01，0.1时，当α=0.001，β=0，0.2时，正确率最高，都高于α，β均为零时的值，从而证明了本发明提出的基于正则化传统共同空间模式（CSP）和稀疏表征分类识别方法的有效性；

由此表也可见β的作用区间比α大的多，次试者实验数据的加入，有效的降低了矩阵估计方差，但是过多的降低又会导致结果的误判，这就需要采用一个合理的正则化参数进行主次平衡控制，使其既能避免因小训练数据样本带来的弊端，又能充分利用其提供的数据价值；

实施例2

脑电遥控系统运行前的准备工作：本发明在搭建好整个脑电遥控系统的硬件之后，整个脑电遥控系统投入运行之前，需要事先采集控制器使用者们的运动想象脑电信号，建立一个已知标记分类的训练数据集，然后利用本发明中提出的算法，进行分析处理，得到稀疏表征学习字典A；

脑电遥控系统工作时的流程和使用方法：准备工作完成后，本发明的脑电遥控系统就可以运行了，具体步骤如下：

（1）控制器使用者配带电极帽，根据显示屏提示箭头，想象相应方向运动；

（2）计算机调用本发明提出的算法对采集到的脑电信号进行分析处理后，判别其所属类别，判别结果由显示屏显示；

（3）当正确显示其运动想象方向时，脑电遥控系统发送命令给无线接收端；

（4）无线接收端收到信号，做出相应控制指令，操控外围设备；

整个过程，使用者只要全神贯注想象不同方向运动即可实现对外围设备如鼠标、玩具汽车、轮椅等的近距离遥控，本发明系统虽然比直接说话、直接操作慢上数十倍，然而对于严重瘫痪的病人来说，本发明的脑电遥控系统可以让从身处“与世隔绝”的世界来到可以简答的表达自己的世界，即使只是简单的方向操控，也已是难能可贵的“零的突破”；

脑电遥控系统工作的流程图见说明书附图4，详细说明如下：

S401：计算机开机后，启动程序，显示器上出现指示箭头；

S402：使用者根据提示想象相应方向运动；

S403：PC机接受脑电信号后调用本发明算法判断其运动想象方向，并发送信号给显示器；

S404：判断其分类结果是否正确，由显示器可知，如果正确就停止想象并发送信号给无线接收器，否则返回状态S402；

S405：接收器是否接受信号，如果是就执行下一步，否则返回状态S402；

S406：根据接收器接收的信号执行相应控制指令；

S407：结束。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于正则化CSP和SRC的脑电信号分类识别方法，其特征在于，该基于正则化CSP和SRC的脑电信号分类识别方法包括以下步骤：

步骤一，采集n位实验者想象两类不用运动的EEG信号,分别求得每位实验者的训练数据的协方差；

步骤二，引入正则化参数α和β，在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类不同运动想象空间滤波器,保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；

步骤三，输入测试运动想象数据，按照步骤二进行空间滤波，并保留滤波后的测试数据；

步骤四，运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别。

2.如权利要求1所述的基于正则化CSP和SRC的脑电信号分类识别方法，其特征在于，该基于正则化CSP和SRC的脑电信号分类识别方法采用正则化的CSP进行特征提取。

3.如权利要求1所述的基于正则化CSP和SRC的脑电信号分类识别方法，其特征在于，步骤二包括以下步骤：

步骤一，分别求出主试者的A类和B类训练样本的协方差矩阵之和R_A与R_B，所有次试者A类和B类训练样本的协方差矩阵之和

与

，构造两类平均正则化协方差矩阵，公式如下所示：

$Z(\mathrm{\α},\mathrm{\β})=(1-\mathrm{\α})\frac{(1-\mathrm{\β})\·R+\mathrm{\β}\·\hat{R}}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}+\frac{\mathrm{\α}}{N}\mathrm{tr}\left[\frac{(1-\mathrm{\β})\·R+\mathrm{\β}\·\hat{R}}{(1-\mathrm{\β})\·m+\mathrm{\β}\·(n-1)\·m}\right]\·I$

其中，N为采集通道数，I为n阶单位阵，tr为矩阵的迹，即：矩阵的所有主对角线上的元素之和；

步骤二，对正则化协方差矩阵之和进行特征值分解，求得白化矩阵P:

$P={\widehat{\mathrm{\Λ}}}^{(-\frac{1}{2})}\·{\hat{U}}^T$

其中，为Z的特征值对角矩阵，为对应的特征向量矩阵；

步骤三，对步骤二中所得Z进行如下变换:

$\stackrel{\‾}{Z}(\mathrm{\α},\mathrm{\β})=P\·Z(\mathrm{\α},\mathrm{\β})\·P^T=U\·\mathrm{\Λ}\·U^T$

其中，Λ为特征值对角矩阵，U为对应的特征向量矩阵，选取对角阵Λ中最大特征值对应的特征向量，构造空间滤波器如下：

W＝U^T·P；

步骤四，将训练样本的两类EEG信号X_A和X_B经过相应的滤波器W_A、W_B，有：

F_A＝W_A ^T·X_A

F_B＝W_B ^T·X_B

再经过傅里叶变换，求取频率在8—15Hz的功率谱密度值，作为稀疏表征的学习字典B=[F_AF_B]。

4.如权利要求1所述的基于正则化CSP和SRC的脑电信号分类识别方法，其特征在于，步骤四包括以下步骤：

步骤一，按下式求解测试样本的稀疏表示向量：

${\hat{x}}_1=\min {\left|\right|x\left|\right|}_1$ subject to ${\left|\right|\hat{y}-\mathrm{Bx}\left|\right|}_2\≤\mathrm{\ϵ}$

其中，x为待求解的测试运动想象样本的稀疏表示向量，y为待求解的测试运动想象样本数据，ε为误差阈值，B为由两类特征向量构成的学习字典；

步骤二，针对每一次运动想象i，根据测试样本的稀疏表示向量

计算残差

$r_i\left(\hat{y}\right)=\left|\right|\hat{y}-B{T}_i\left({\hat{x}}_i\right)\left|\right|$

其中是由稀疏表示向量

得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

步骤三，用残差最小的类别作为最终的运动想象类别的识别结果： $\mathrm{Identity}\left(y\right)=\arg \min r_i\left(\hat{y}\right),$

是测试样本数据。

5.如权利要求1所述的基于正则化CSP和SRC的脑电信号分类识别方法，其特征在于，基于正则化CSP和SRC的脑电信号分类识别方法的脑电遥控系统。

6.如权利要求5所述的脑电遥控系统，其特征在于，该脑电遥控系统包括：信号采集模块、信号分析模块、控制器模块；

用于使用银/氯化银电极帽采集脑电信号EEG的信号采集模块；

与信号采集模块连接，用于通过共同空间模式、FFT、带通滤波的方法，经过预处理的脑电信号中提取与受试者意图相关的特征向量，特征向量提取后交给分类器进行分类，分类器的输出即作为控制器的输入，利用matlab完成信号分析程序的编写和测试的信号分析模块；

与信号分析模块连接，用于将已分类的信号利用无线发射器发送给要控制的外设对象的控制器模块。

Images