CN104809329A - 一种基于共模型成分分析的零再训练方法 - Google Patents

Abstract

本发明提供的一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，包括以下步骤：经过S天的训练与使用，存储了S天LDA分类器模型；计算目标函数；采用共模型成分分析方法计算最优投影矩阵w*；计算S天LDA分类器模型的共有成分的参数；利用共有成分的参数构造LDA分类器；从S+1天开始，采用最优投影矩阵w*对提取的特征投影，使用构造的LDA分类器进行识别。本发明提供的零再训练方法，避免每天使用前进行训练，便于肌电假肢佩戴者的使用，节省了训练时间；采用共模型成分分析方法，求取前期训练得到的分类器模型的共有成分，将此共有成分构造的分类器直接用于后期肌电假肢的使用，从而实现了肌电假肢控制的零再训练。

Description

一种基于共模型成分分析的零再训练方法

技术领域

本发明属于生物信息技术领域，具体涉及一种基于共模型成分分析的零再训练方法。

背景技术

肌电假肢手技术起源于上世纪40年代，在60年代前苏联开始有商用肌电假肢手出现。经过近60年的发展，肌电假肢手技术取得长足的进步。但报告显示目前的商用假肢手的接受率很低(约30％)。目前商用肌电假肢手所使用的控制方法是基于肌电幅值的简单控制方法。这种控制方法一般将一对肌电电极置于一对拮抗肌上面用于控制一个自由度的运动。如果要进行多自由度的控制，患者可采用co-contraction的方法进行不同自由度间的切换。这种不自然的、序贯的控制策略用于控制多自由度灵巧假肢手具有很大的局限性。

从上世纪80年代学术界开始发展基于肌电模式识别的控制策略来解决这一问题。这种控制方法使患者的动作意图与假肢手运动有更直接的对应关系。通过先进的信号处理和模式识别算法，可以区分出多种动作模式的肌电特征，从而可用于控制多自由度灵巧假肢手。通过提取区分性能良好的特征和设计合适的分类器，对10类以上的动作可有高达95％的识别率。

然而，虽然论文报道效果很好，但因实际使用的障碍这一控制策略目前还没应用到商用肌电假肢上。在实验室开展的肌电模式识别研究在实验中会特意让受试者保持特定的作用力，手臂位置不变，实验时间较短。但是，这一理想情况和假肢的实际使用情况并不符合。在肌电假肢的实际使用中，使用者动作力的变化、手臂位置的变化和长时间使用均会造成肌电信号的变化。因此前期在理想条件下取得的研究成果，也就无法满足实际情况的使用要求。

考虑不同天的假肢使用，由于如上所描述的肌电信号的变化，一般当天训练得到的分类器模型只适用于当天的使用，前一天得到的模型很难直接应用在后一天。因此每一天患者重新戴上假肢时都要训练分类器，这给假肢的使用造成很大不便。另一方面，虽然肌电信号在天与天之间会发生变化，但考虑到患者仍在做同一组动作，电极位置也不会发生显著变化，可以假设当中肌电信号存在共性，这样不同天训练得到的分类器模型就存在一些共有成分(即不变成分)。这共有成分具有更好的泛化能力与鲁棒性，有希望能够直接适用于不同天的肌电模式识别，从而解决每天假肢使用时都要重新训练的问题。

因此，本领域的技术人员致力于开发一种能够实现肌电假肢控制的零再训练的方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是利用肌电假肢前期多个分类器模型的共有成分，实现肌电假肢控制的零再训练。

零再训练是指肌电假肢经过前期多天的训练使用后，无需再做训练即可进行肌电假肢的使用。

本发明利用共模型成分分析方法，求取前期训练得到的LDA分类器模型的共有成分，并将此共有成分构造的LDA分类器直接用于后期肌电假肢的使用，从而实现了肌电假肢控制的零再训练。

本发明提供的一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，包括以下步骤：

1)肌电控制假肢经过S天的训练与使用，存储了S天LDA分类器模型；

2)计算目标函数；

3)采用共模型成分分析方法计算最优投影矩阵w*；

4)根据最优投影矩阵w*，计算S天LDA分类器模型的共有成分的参数；

5)利用步骤4)得到的S天LDA分类器模型的共有成分的参数构造LDA分类器；

6)从S+1天开始，使用肌电控制假肢时，采用最优投影矩阵w*对提取的特征投影，使用步骤5)构造的LDA分类器进行识别。

进一步地，步骤1)S天LDA分类器模型参数为(μ_ij，Σ_ij)，i＝1，2，...，C；j＝1，2，...，S，其中μ_ij为各个动作类别特征样本的均值向量，Σ_ij各个动作类别特征样本的协方差矩阵，C表示动作类别数，S表示训练天数。

进一步地，步骤2)的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。

进一步地，步骤2)的目标函数的计算方法如下：

       $L\left(w\right)=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\μ}}_{\mathrm{ij}},w^T{\mathrm{\Σ}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i,w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{i}w)\right],$

其中，L(w)为用KL散度表示的目标函数，w表示线性投影矩阵；

      和表示对于动作类别i S天LDA分类器模型参数的均值；

       $\begin{array}{c}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\μ}}_{\mathrm{ij}},w^T{\mathrm{\Σ}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i,w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{i}w)\right]=\\ \frac{1}{2}\left\{\log \right[\frac{\det \left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}{\det \left(w^T{\mathrm{\Σ}}_{\mathrm{ij}}w\right)}]+\mathrm{tr}[{\left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}^{-1}{w}^T{\mathrm{\Σ}}_{\mathrm{ij}}w]+{(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i-w^T{\mathrm{\μ}}_{\mathrm{ij}})}^T{\left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}^{-1}(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i-w^T{\mathrm{\μ}}_{\mathrm{ij}})-d\}\end{array},$

其中d表示投影后的S天LDA分类器模型的维数；det表示求矩阵的行列式；tr表示求矩阵的迹；||用于将前后两个正态分布的参数N(w^Tμ_ij,w^TΣ_ijw)与分开；当且仅当对于所有动作类别S天LDA分类器参数均相等时目标函数L(w)为0。

进一步地，步骤3)采用共模型成分分析方法计算最优投影矩阵w*的方法为：

       $w*=\underset{w^{T}w=I}{\arg }\min L\left(w\right),$

其中w^Tw＝I为表示线性投影矩阵w的正交性约束，对w做正交性约束以保证投影后的协方差矩阵仍然可逆。

进一步地，步骤3)计算最优投影矩阵w*时为满足正交性约束，采用在李群与李代数空间操作的优化算法。

进一步地，对于动作类别i，步骤4)根据最优投影矩阵w*，S天LDA分类器模型的共有成分的参数为：其中 ${\stackrel{\‾}{\mathrm{\μ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}},i$ 和 ${\stackrel{\‾}{\mathrm{\Σ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\Σ}}_{\mathrm{ij}}$ 表示对于动作类别i S天LDA分类器模型参数的均值。

本发明还提供一种基于共模型成分分析的零再训练方法，用于采用脑机接口的装置，该方法包括以下步骤：

1)采用脑机接口的装置，经过S天的训练与使用，存储了S天LDA分类器模型；

2)计算目标函数；

3)采用共模型成分分析方法计算最优投影矩阵w*；

4)根据最优投影矩阵w*，计算S天LDA分类器模型的共有成分的参数；

5)利用步骤4)得到的S天LDA分类器模型的共有成分的参数构造LDA分类器；

6)从S+1天开始，使用采用脑机接口的装置时，采用最优投影矩阵w*对提取的特征投影，使用步骤5)构造的LDA分类器进行识别。

进一步地，步骤2)的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。

进一步地，对于动作类别i，步骤4)根据最优投影矩阵w*，S天LDA分类器模型的共有成分的参数为：其中 ${\stackrel{\‾}{\mathrm{\μ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}},i$ 和 ${\stackrel{\‾}{\mathrm{\Σ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\Σ}}_{\mathrm{ij}}$ 表示对于动作类别i S天LDA分类器模型参数的均值。

与现有技术相比，本发明提供的基于共模型成分分析的肌电假肢控制零再训练方法具有以下有益效果：

(1)首次在肌电模式识别控制假肢的天与天之间的使用中引入零再训练的概念，避免每天使用前进行训练，便于肌电假肢佩戴者的使用，节省了训练时间；

(2)首次利用共模型成分分析方法，求取前期训练得到的分类器模型的共有成分，将此共有成分构造的分类器直接用于后期肌电假肢的使用，从而实现了肌电假肢控制的零再训练。

以下将结合附图对本发明的构思、具体实施例及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个实施例的基于共模型成分分析的零再训练方法的流程图；

图2是共模型成分分析算法流程图，其中D表示原始模型维数；

图3是肌电电极置于受试者前臂的剖视图；

图4是肌电采集实验范式示意图。

具体实施方式

本发明基于不同天肌电模式LDA分类器模型存在共性的假设，从前期的多个LDA分类器模型找出共有成分。假定这些共有成分具有更好的鲁棒性，可直接在后期的肌电模式识别中使用，从而实现肌电假肢控制的零再训练。

LDA分类器(linear discriminant analysis)在肌电模式识别领域有广泛的运用，因此，本发明的共模型成分分析方法基于LDA分类器模型开展。LDA分类器的模型参数为各个动作类别特征样本的均值向量和协方差矩阵。

图1是本发明的一个实施例的基于共模型成分分析的零再训练方法的流程图，用于肌电假肢。

如图1所示，在前期S天的肌电假肢的训练与使用中，由于每天需要先进行训练再使用，于是存储了S天LDA分类器模型；

共模型成分分析方法即是要确定一个最优投影矩阵w*，使得投影后的模型(w^Tμ_ij,w^TΣ_ijw)不同天之间的差异最小，从而得到共模型成分的参数；

利用共模型成分的参数构造LDA分类器；

采用构造的LDA分类器进行后期肌电假肢的使用，无需每天再进行肌电假肢的训练。

共模型成分是指前期S天的肌电假肢的训练得到的S天LDA分类器模型的共同成分。

共模型成分分析方法是指找到共模型成分的参数的方法。

本实施例的基于共模型成分分析的肌电假肢控制零再训练方法，具体包括以下步骤：

1)肌电假肢经过S天的训练与使用，存储了S天LDA分类器模型；

2)计算目标函数；

3)采用共模型成分分析方法计算最优投影矩阵w*；

4)根据最优投影矩阵w*，计算S天LDA分类器模型的共有成分的参数；

5)利用步骤4)得到的S天LDA分类器模型的共有成分的参数构造LDA分类器；

6)从S+1天开始，使用肌电假肢时，采用最优投影矩阵w*对提取的特征投影，使用步骤5)构造的LDA分类器进行识别。

S天LDA分类器模型的参数可表示为：(μ_ij,Σ_ij),i＝1,2,...,C；j＝1,2,...,S，其中μ_ij为各个动作类别特征样本的均值向量，Σ_ij各个动作类别特征样本的协方差矩阵，C表示动作类别数，S表示训练天数。

目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性；

目标函数的计算方法如下：

       $L\left(w\right)=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\μ}}_{\mathrm{ij}},w^T{\mathrm{\Σ}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i,w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{i}w)\right],$

其中，L(w)为用KL散度表示的目标函数，w表示线性投影矩阵；

      和表示对于动作类别i S天LDA分类器模型参数的均值；

       $\begin{array}{c}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\μ}}_{\mathrm{ij}},w^T{\mathrm{\Σ}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i,w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{i}w)\right]=\\ \frac{1}{2}\left\{\log \right[\frac{\det \left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}{\det \left(w^T{\mathrm{\Σ}}_{\mathrm{ij}}w\right)}]+\mathrm{tr}[{\left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}^{-1}{w}^T{\mathrm{\Σ}}_{\mathrm{ij}}w]+{(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i-w^T{\mathrm{\μ}}_{\mathrm{ij}})}^T{\left(w^T{\stackrel{\‾}{\mathrm{\Σ}}}_{\mathrm{iw}}\right)}^{-1}(w^T{\stackrel{\‾}{\mathrm{\μ}}}_i-w^T{\mathrm{\μ}}_{\mathrm{ij}})-d\}\end{array},$

其中d表示投影后的S天LDA分类器模型的维数；det表示求矩阵的行列式；tr表示求矩阵的迹；||用于将前后两个正态分布的参数N(w^Tμ_ij,w^TΣ_ijw)与分开；当且仅当对于所有动作类别S天LDA分类器参数均相等时目标函数L(w)为0。

通过优化算法，找到使这一差异性最小的最优投影矩阵w*，也就找到这些模型的共有成分，方法如下：

       $w*=\underset{w^{T}w=I}{\arg }\min L\left(w\right),$

其中w^Tw＝I为表示线性投影矩阵w的正交性约束，对w做正交性约束以保证投影后的协方差矩阵仍然可逆。

步骤3)计算最优投影矩阵w*时为满足正交性约束，采用在李群与李代数空间操作的优化算法，该优化算法的流程如图2所示，说明如下：

(1)旋转矩阵是指满足R^TR＝I且行列式为1的方阵，旋转矩阵是乘法李群；

(2)步骤3的等式成立是因为目标函数值与R的最后D-d列元素无关；

(3)步骤4中所谓旋转矩阵对应的李代数是反对称矩阵集M，反对称矩阵和旋转矩阵存在指数映射关系，即R＝exp(M)，所以步骤5才能实现。

对于动作类别i，步骤4)根据最优投影矩阵w*，S天LDA分类器模型的共有成分的参数为：其中 ${\stackrel{\‾}{\mathrm{\μ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}},i$ 和 ${\stackrel{\‾}{\mathrm{\Σ}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\Σ}}_{\mathrm{ij}}$ 表示对于动作类别i S天LDA分类器模型参数的均值。

利用得到的S天LDA分类器模型的共有成分的参数构造LDA分类器；

从S+1天开始，使用肌电假肢时，采用最优投影矩阵w*对提取的特征投影，使用构造的LDA分类器进行识别。

在本发明的一个优选实施例中，采用美国Delsys无线肌电采集系统采集受试者的肌电信号。5名健康受试者参与实验，每名受试者做10天的肌电采集。每1天受试者完成20次试验(trial)的肌电采集。在每一个试验中受试者连续做12类动作，参见图4，因此加上休息，总共识别的类别数为13(C＝13)。在1次trial里面每类动作保持5秒，相邻两个动作之间休息5秒。

如图3所示，实验采集4个通道的肌电信号，这4个肌电电极1分别置于尺侧腕伸肌(ECU)4、桡侧腕屈肌(FCR)2、桡侧腕长伸肌(ECRL)3和尺侧腕屈肌(FCU)5；6为挠骨，7为尺骨。

肌电信号采集频率为2KHz，并由采集系统做20-450Hz的硬件带通滤波。

对采集到的肌电信号，每200ms数据作为一个窗进行特征提取(200ms的窗长是为满足假肢手的实时控制要求)，窗增长时间100ms，即相邻两个窗之间有100ms的重叠。对每一通道的肌电信号，特征采用6阶自回归(Autoregressive)模型系数，将4通道肌电信号的特征串联起来，组成一个24维的特征向量(即D＝24)。LDA分类器的模型参数根据提取到的肌电特征样本做参数估计得到，即求每类动作的特征样本均值和协方差矩阵。为验证所发明算法的有效性，对于每名受试者的10天数据，将其中9天肌电数据训练得到的分类器模型作为前期模型(即S＝9)，余下1天作为后期的测试天，这天的肌电数据全部用于测试。如此循环10次，每名受试者有10个实验结果，类似于10折交叉验证(10-fold cross validation)。

在做共模型成分分析之前，要确定一个参数，即投影后的模型维数d，要求d<D，本实施例中取d＝22。对于9天肌电数据训练得到的LDA分类器模型，使用发明内容中的步骤(1)—(4)求取最优投影矩阵w*并利用共模型成分的参数构造LDA分类器。然后对于余下的1天肌电数据，做特征提取，用w*进行投影，然后用构造的LDA分类器进行分类。

实验结果(即动作识别率)与没有进行共模型成分分析的baseline方法进行对比，baseline方法是指直接用前期模型的参数均值构造LDA分类器，即动作类别i的LDA模型参数为 ${\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}},i$ 和 ${\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&Sigma;}}_{\mathrm{ij}}.$

实验结果表明，相比baseline方法，经过共模型成分分析得到的LDA分类器具有更好的泛化能力和鲁棒性。当baseline方法动作识别率较低时，共模型成分分析方法有大于10％的识别率的改进。本实施过程中，都是直接用前期9天的模型构造共模型成分，然后所得LDA分类器用于测试余下1天的数据(即肌电假肢佩戴者使用肌电假肢)，测试天没有数据用于训练，因此达到天与天之间基于肌电模式识别的假肢控制零再训练的目的。一般来说，前期模型个数越多(即训练天数越多)，所求得的共有成分构造的LDA分类器的识别效果越好。

以上详细描述了本发明的较佳具体实施例。除此之外，本发明的应用并不限于肌电控制的假肢手，还可扩展到其他采用生物信号控制的人机接口的装置上面。比如对于脑电信号控制的脑机接口，由于脑电信号的非平稳性，在多天的使用中，每天其分类器模型亦要重新训练。为此，也可以根据本发明提供的思路，从前期训练得到的脑机接口分类器模型找出共有成分，用于后期的使用，从而实现该控制接口的零再训练。

应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，其特征在于，该方法包括以下步骤：

1)所述肌电控制假肢经过S天的训练与使用，存储了S天LDA分类器模型；

2)计算目标函数；

3)采用共模型成分分析方法计算最优投影矩阵w*；

4)根据所述最优投影矩阵w*，计算所述S天LDA分类器模型的共有成分的参数；

5)利用步骤4)得到的所述S天LDA分类器模型的共有成分的参数构造LDA分类器；

6)从S+1天开始，使用所述肌电控制假肢时，采用所述最优投影矩阵w*对提取的特征投影，使用步骤5)构造的LDA分类器进行识别。

2.如权利要求1所述的基于共模型成分分析的零再训练方法，其特征在于，步骤1)所述S天LDA分类器模型参数为(μ_ij，Σ_ij)，i＝1，2，...，C；j＝1，2，...，S，其中μ_ij为各个动作类别特征样本的均值向量，Σ_ij所述各个动作类别特征样本的协方差矩阵，C表示动作类别数，S表示训练天数。

3.如权利要求2所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所述的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。

4.如权利要求2所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所述的目标函数的计算方法如下：

$L\left(w\right)=\underset{i=1}{\overset{C}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\&mu;}}_{\mathrm{ij}},w^T{\mathrm{\&Sigma;}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i,w^T{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{i}w)\right],$

其中，L(w)为用KL散度表示的目标函数，w表示线性投影矩阵；

和表示对于动作类别i所述S天LDA分类器模型参数的均值；

$\begin{array}{c}{D}_{\mathrm{KL}}\left[N(w^T{\mathrm{\&mu;}}_{\mathrm{ij}},w^T{\mathrm{\&Sigma;}}_{\mathrm{ij}}w)\right|\left|N(w^T{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i,w^T{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{i}w)\right]=\\ \frac{1}{2}\left\{\log \right[\frac{\det \left(w^T{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{i}w\right)}{\det \left(w^T{\mathrm{\&Sigma;}}_{\mathrm{ij}}w\right)}]+\mathrm{tr}[{\left(w^T{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{i}w\right)}^{-1}{w}^T{\mathrm{\&Sigma;}}_{\mathrm{ij}}w]+{(w^T{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i-w^T{\mathrm{\&mu;}}_{\mathrm{ij}})}^T{\left(w^T{\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{i}w\right)}^{-1}(w^T{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i-w^T{\mathrm{\&mu;}}_{\mathrm{ij}})-d\}\end{array},$

其中d表示投影后的S天LDA分类器模型的维数；det表示求矩阵的行列式；tr表示求矩阵的迹；||用于将前后两个正态分布的参数N(w^Tμ_ij,w^TΣ_ijw)与分开；当且仅当对于所有动作类别S天LDA分类器参数均相等时目标函数L(w)为0。

5.如权利要求4所述的基于共模型成分分析的零再训练方法，其特征在于，步骤3)采用共模型成分分析方法计算最优投影矩阵w*的方法为：

$w^{*}=\underset{w^{T}w=I}{\arg }\min L\left(w\right),$

其中w^Tw＝I为线性投影矩阵w的正交性约束。

6.如权利要求5所述的基于共模型成分分析的零再训练方法，其特征在于，步骤3)计算最优投影矩阵w*时为满足正交性约束，采用在李群与李代数空间操作的优化算法。

7.如权利要求1所述的基于共模型成分分析的零再训练方法，其特征在于，对于动作类别i，步骤4)根据所述最优投影矩阵w*，所述S天LDA分类器模型的共有成分的参数为：其中 ${\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}},$ i和 ${\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&Sigma;}}_{\mathrm{ij}}$ 表示对于动作类别i所述S天LDA分类器模型参数的均值。

8.一种基于共模型成分分析的零再训练方法，用于采用脑机接口的装置，其特征在于，该方法包括以下步骤：

1)所述采用脑机接口的装置，经过S天的训练与使用，存储了S天LDA分类器模型；

2)计算目标函数；

3)采用共模型成分分析方法计算最优投影矩阵w*；

4)根据所述最优投影矩阵w*，计算所述S天LDA分类器模型的共有成分的参数；

5)利用步骤4)得到的所述S天LDA分类器模型的共有成分的参数构造LDA分类器；

6)从S+1天开始，使用所述采用脑机接口的装置时，采用所述最优投影矩阵w*对提取的特征投影，使用步骤5)构造的LDA分类器进行识别。

9.如权利要求8所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所述的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。

10.如权利要求8所述的基于共模型成分分析的零再训练方法，其特征在于，对于动作类别i，步骤4)根据所述最优投影矩阵w*，所述S天LDA分类器模型的共有成分的参数为：其中 ${\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}},$ i和 ${\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_i=\frac{1}{S}\underset{j=1}{\overset{S}{\mathrm{\&Sigma;}}}{\mathrm{\&Sigma;}}_{\mathrm{ij}}$ 表示对于动作类别i所述S天LDA分类器模型参数的均值。