CN107822627B - 一种基于脑电信号的眼动信号识别方法 - Google Patents

Abstract

发明公开了一种基于脑电信号的眼动信号识别方法，包括如下步骤：步骤1)脑电信号获取以及数据预处理：眼动时，获取脑电信号，对脑电信号预处理；步骤2)对步骤1)的处理结果使用改进SK算法进行判断无关最优向量，选择出少量的支持向量，并在算法中引入核技巧，将向量映射到高维空间，达到可分类的目的：步骤3)使用MDM算法对步骤2)获取的支持向量求解最优超平面；本发明利用脑电信号进行眼动方式识别分类非常可靠，此外，使用的SK算法以及MDM算法(SVM)可以在固定经验风险的情况下通过最大边缘化，来实现结构风险最小化，可以让分类器具有令人满意的学习精度和更强的推广能力。

Description

一种基于脑电信号的眼动信号识别方法

技术领域

本发明涉及一种基于脑电信号的眼动信号识别方法，涉及脑电信号特征识别领域。

背景技术

脑电信号是明显的非平稳性信号，从19世纪20年代检测到脑电信号以来，虽然已作了大量的工作，但长期以来还没有突破性的进展。随着信号处理方法的不断发展，更多更有效的分析方法在脑电信号分析中不断得到应用。

李远清等人于2008年首次将半监督学习算法引入脑电(EEG)信号识别中，用于识别右手/脚两类运动想象任务(数据集Iva)。

龙锦益等人于2010年提出了一种结合特征提取的自训练学习算法。

朱向阳等人于2014年提出了一种结合特征提取的协同训练半监督分类算法。

随着人们对于脑电活动机理信号的研究分析，人们会对大脑将有进一步的认识，也必将为临床医学和基础医学的发展作出新的贡献。

但目前并没有特别好的可以使用眼动信号来识别脑电信号的方法，自1932年，Dietch首先用傅立叶变换进行了脑电信号分析之后，在脑电分析中相继引入了时域分析、频域分析等脑电图分析的经典方法。传统的人工时域分析法是医学专家依靠临床经验通过肉眼观察来完成对脑电波的分析与评价，这种方法的直观性很强，但效率低，且在阅读和判断过程中容易造成误判，使得脑电波的特征提取只停留在主观水平。

随着计算机的快速发展，脑电自动分析系统相继开发，利用计算机辅助脑电信号的分析得到了很大的发展。现代的时域分析一般通过过零截点分析、直方图分析、方差分析、相关分析、峰值检测及波形参数分析、波形识别等手段来直接提取脑电波的波形特征。

由于脑电信号是一种时变的、非平稳的信号，在不同时间，不同的状态下有着不同的频率成分，目前并没有非常好的方法可以准确表征信号，瞬态提取脑电信号波形特征，而且由于个体之间的差异，使得这方面还需要很多的研究工作。

发明内容

本发明的目的在于提供一种基于脑电信号的眼动信号识别方法，采用改进SK算法判断无关最优向量及MDM算法求解最优超平面，从而使利用脑电信号进行眼动方式识别分类更为可靠。

为实现上述目的，本发明提供如下技术方案：一种基于脑电信号的眼动信号识别方法，包括如下步骤：

步骤1)脑电信号获取以及数据预处理：

眼动时，获取脑电信号，对脑电信号预处理；

步骤2)对步骤1)的处理结果使用改进SK算法进行判断无关最优向量，选择出少量的支持向量，并在算法中引入核技巧，将向量映射到高维空

间，达到可分类的目的：

改进SK算法包括以下步骤：

1)构造D₁＝{x₁,x₂,...,x_m}，D₂＝{z₁,z₂,...,z_n}两个数据集，然后再重新构造

两个数据集；

2)初始化，任意取

设置停止精度ε；

3)判断停止条件，如果||w₂-w₁||²＜ε，判定x_k∈D₁为无关最优向量；如果||w₂-w₁||₂-r_m2-r_m1＞0，则x_k∈D₁为可能支持向量；其中

否则转第4步；

4)优化更新，求

其中

如果

则令

其中

如果

则令

其中

返回第3步继续计算，

获得

的值，然后返回第3步继续计算。步骤3)使用MDM算法对步骤2)获取的支持向量求解最优超平面，其包括以下步骤：

1)任取

设置停止精度ε；

2)求

其中

3)如果||w₁-w₂||-m(x_i)≤ε，则向量w₁-w₂就是最优超平面，偏置为

否则取z＝w₁-w₂，继续第3步；

4)如果x_k∈D₁，求x_min∈D₁使得

(-z*x_min)＝min{-z*x_i:γ_i＝-z*x_i且γ_i＞0,x_i∈D₁}，

d＝f(-z)-x_min，z'＝z+(-z*x_min)d，取z^new为z和z'连线上的最小范数点，令

如果x_k∈D₂，求z_min∈D₂使得

(-z*z_min)＝min{-z*z_i:γ_i＝-z*z_i且γ_i＞0,z_i∈D₂}，

d＝f(-z)-z_min，z'＝z+(-z*z_min)d，取z^new为z和z'连线上的最小范数点，令

返回第二步，直至求解获得最优超平面，获得分类器。

所述步骤1)中的脑电信号是由32个电极获取的信号，包括向左眼动，向右眼动，向上眼动，向下眼动，闭眼。

所述步骤1)中脑电信号预处理包括减少干扰、降维、去除基线数据以及滤波。

所述的SK算法是一种双向Gilbert算法，其优点全局收敛，并且可以很容易推广到特征空间用来解决非线性问题。

所述SK算法是用于数据集是线性可分的，利用改进SK算法获取支持向量是通过核函数技巧来完成数据集线性不可分的情况。

所述的MDM算法是利用SK算法获取的支持向量来运算的。

本发明采用改进SK算法判断无关最优向量及MDM算法求解最优超平面。首先利用改进SK算法从大量样本中选择出少量的支持向量，然后利用MDM算法，通过支持向量求解出最优超平面；最后利用所得的最优超平面进行脑电眼动方式的识别分类。

脑电信号是大脑活动和功能状态的一种综合反映，具有唯一性、不可伪装性和实时差异性，利用脑电信号进行眼动方式识别分类非常可靠；此外，使用的SK算法以及MDM算法(SVM)可以在固定经验风险的情况下通过最大边缘化，来实现结构风险最小化，可以让分类器具有令人满意的学习精度和更强的推广能力。

附图说明

图1为本发明具体方法流程图；

图2为本发明具体实施方式大脑电极位置图；

图3为分类器分类示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1和图2所示，为一种基于脑电信号的眼动信号识别方法，包括如下

步骤：

步骤1)脑电信号获取以及数据预处理：

眼动时，获取脑电信号，脑电信号是由32个电极获取的信号，包括向左眼动，向右眼动，向上眼动，向下眼动，闭眼等，对脑电信号预处理，包括减少干扰、降维、去除基线数据以及滤波；

步骤2)对步骤1)的处理结果使用改进SK算法进行判断无关最优向量,选择出少量的支持向量，并在算法中引入核技巧，将向量映射到高维空间，达到可分类的目的,SK算法是用于数据集是线性可分的，利用改进SK算法获取支持向量是通过核函数技巧来完成数据集线性不可分的情况；

改进SK算法包括以下步骤：

1)构造D₁＝{x₁,x₂,...,x_m}，D₂＝{z₁,z₂,...,z_n}两个数据集，然后再重新构造

两个数据集；

2)初始化，任意取

设置停止精度ε；

3)判断停止条件，如果||w₂-w₁||²＜ε，判定x_k∈D₁为无关最优向量；

如果||w₂-w₁||₂-r_m2-r_m1＞0，则x_k∈D₁为可能支持向量；其中

否则转第4步；

4)优化更新，求

其中

如果

则令

其中

如果

则令

其中

返回第3步继续计算，

获得

的值，然后返回第3步继续计算。

步骤3)使用MDM算法对步骤2)获取的支持向量求解最优超平面，其包括以下步骤：

1)任取

设置停止精度ε；

2)求

其中

3)如果||w₁-w₂||-m(x_i)≤ε，则向量w₁-w₂就是最优超平面，偏置为

否则取z＝w₁-w₂，继续第3步；

4)如果x_k∈D₁，求x_min∈D₁使得

(-z*x_min)＝min{-z*x_i:γ_i＝-z*x_i且γ_i＞0,x_i∈D₁}，

d＝f(-z)-x_min，z'＝z+(-z*x_min)d，取z^new为z和z'连线上的最小范数点，令

如果x_k∈D₂，求z_min∈D₂使得

(-z*z_min)＝min{-z*z_i:γ_i＝-z*z_i且γ_i＞0,z_i∈D₂}，

d＝f(-z)-z_min，z'＝z+(-z*z_min)d，取z^new为z和z'连线上的最小范数点，令

返回第二步，直至求解获得最优超平面，获得分类器，如图3所示，只需要极少数的几个样本，即可获得很好的分类效果，极大的简化的分类模型。

其中，所述的SK算法是一种双向Gilbert算法，其优点全局收敛，并且可以很容易推广到特征空间用来解决非线性问题。

其中，所述的MDM算法是利用SK算法获取的支持向量来运算的。

脑电信号是大脑活动和功能状态的一种综合反映，具有唯一性、不可伪装性和实时差异性，利用脑电信号进行眼动方式识别分类非常可靠。

此外，支持向量机在固定经验风险的情况下通过最大边缘化，实现结构风险最小化，从而让分类器具有令人满意的学习精度和较强的推广能力。

本发明使用方法包括，改进SK算法判断无关最优向量及MDM算法求解最优超平面。

如图1所示，所述步骤1)包括，获取脑电信号(包括向左眼动，向右眼动，向上眼动，向下眼动，闭眼等)，对脑电信号预处理，包括减少干扰，降维，去除基线数据，滤波等。

所述步骤2)利用改进SK算法从大量样本中选择出少量的支持向量，由于脑电信号之间的非线性关系，需要引入核函数，核函数包括线性核函数、多项式核函数、高斯核函数等，其中高斯核函数最常用，可以将数据映射到无穷维，也叫做径向基函数(Radial BasisFunction简称RBF)，是某种沿径向对称的标量函数。支持向量机通过某非线性变换φ(x)，将输入空间映射到高维特征空间，特征空间的维数可能非常高。这种映射可以通过核函数实现，可以极大的简化计算。

所述步骤3)利用MDM算法，通过步骤2)的支持向量求解出最优超平面，最后利用所得的最优超平面进行脑电眼动方式的识别分类。

本发明采用改进SK算法判断无关最优向量及MDM算法求解最优超平面。首先利用改进SK算法从大量样本中选择出少量的支持向量，然后利用MDM算法，通过支持向量求解出最优超平面；最后利用所得的最优超平面进行脑电眼动方式的识别分类。

脑电信号是大脑活动和功能状态的一种综合反映，具有唯一性、不可伪装性和实时差异性，利用脑电信号进行眼动方式识别分类非常可靠；此外，使用的SK算法以及MDM算法(SVM)可以在固定经验风险的情况下通过最大边缘化，来实现结构风险最小化，可以让分类器具有令人满意的学习精度和更强的推广能力。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。

Claims (4)

1.一种基于脑电信号的眼动信号识别方法，其特征在于：包括如下步骤：

步骤1)脑电信号获取以及数据预处理：

眼动时，获取脑电信号，脑电信号是由32个电极获取的信号，包括向左眼动，向右眼动，向上眼动，向下眼动，闭眼，对脑电信号预处理，包括减少干扰、降维、去除基线数据以及滤波；

步骤2)对步骤1)的处理结果使用改进SK算法进行判断无关最优向量，选择出少量的支持向量，并在算法中引入核技巧，将向量映射到高维空间，达到可分类的目的：

改进SK算法包括以下步骤：

1)构造D₁＝{x₁,x₂,...,x_m}，D₂＝{z₁,z₂,...,z_n}两个数据集，然后再重新构造

两个数据集；

2)初始化，任意取

设置停止精度ε；

3)判断停止条件，如果||w₂-w₁||²＜ε，判定x_k∈D₁为无关最优向量；如果||w₂-w₁||₂-r_m2-r_m1＞0，则x_k∈D₁为可能支持向量；其中

否则转第4步；

4)优化更新，求

其中

如果

则令

其中

如果

则令

其中

获得

的值，然后返回第3步继续计算；步骤3)使用MDM算法对步骤2)获取的支持向量求解最优超平面，其包括以下步骤：

1)任取

设置停止精度ε；

2)求

其中

3)如果||w₁-w₂||-m(x_i)≤ε，则向量w₁-w₂就是最优超平面，偏置为

否则取z＝w₁-w₂，继续第3步；

4)如果x_k∈D₁，求x_min∈D₁使得

(-z*x_min)＝min{-z*x_i:γ_i＝-z*x_i且γ_i＞0,x_i∈D₁}，

d＝f(-z)-x_min，z'＝z+(-z*x_min)d，取z^new为z和z'连线上的最小范数点，令

如果x_k∈D₂，求z_min∈D₂使得

(-z*z_min)＝min{-z*z_i:γ_i＝-z*z_i且γ_i＞0,z_i∈D₂}，

d＝f(-z)-z_min，z'＝z+(-z*z_min)d，取z^new为z和z'连线上的最小范数点，令

返回第2步，直至求解获得最优超平面，获得分类器，最后利用所得的最优超平面进行脑电眼动方式的识别分类。

2.根据权利要求1所述的一种基于脑电信号的眼动信号识别方法，其特征在于，所述的SK算法是一种双向Gilbert算法，其优点全局收敛，并且可以很容易推广到特征空间用来解决非线性问题。

3.根据权利要求2所述的一种基于脑电信号的眼动信号识别方法，其特征在于，所述SK算法是用于数据集是线性可分的，利用改进SK算法获取支持向量是通过核函数技巧来完成数据集线性不可分的情况。

4.根据权利要求1所述的一种基于脑电信号的眼动信号识别方法，其特征在于，所述的MDM算法是利用SK算法获取的支持向量来运算的。

Images