CN109657642A - 一种基于黎曼距离的运动想象脑电信号分类方法及系统 - Google Patents

一种基于黎曼距离的运动想象脑电信号分类方法及系统 Download PDF

Info

Publication number
CN109657642A
CN109657642A CN201811639014.2A CN201811639014A CN109657642A CN 109657642 A CN109657642 A CN 109657642A CN 201811639014 A CN201811639014 A CN 201811639014A CN 109657642 A CN109657642 A CN 109657642A
Authority
CN
China
Prior art keywords
riemann
distance
mental imagery
classification
known class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811639014.2A
Other languages
English (en)
Inventor
高诺
高志栋
杨玉娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN201811639014.2A priority Critical patent/CN109657642A/zh
Publication of CN109657642A publication Critical patent/CN109657642A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开提供了一种基于黎曼距离的运动想象脑电信号分类方法及系统。其中，一种基于黎曼距离的运动想象脑电信号分类方法，包括黎曼空间转化步骤：将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵；黎曼平均值计算步骤：计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值；黎曼距离计算步骤：分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值；类别输出步骤：取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。

Description

一种基于黎曼距离的运动想象脑电信号分类方法及系统
技术领域
本公开属于运动想象脑电信号分类领域，尤其涉及一种基于黎曼距离的运动想象脑电信号分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
1999年，第一届国际脑机接口大会在纽约召开并提出了脑机接口(BCI，BrainComputer Interface)的概念。利用脑机接口技术，大脑所谓作为用户与外界沟通与控制的主要方式，可更好的发挥出意念控制能力。随着脑电技术的发展，运动想象逐渐兴起，研究人员专门对运动想象的脑电信号进行特征提取并对得到的各个提取的特征进行分类识别，使得由脑电信号转变为运动操作的研究更进一步。运动想象脑电是指没有实际的肢体行为，而是利用大脑意念想象肢体动作，并由控制器来实现后续的实际操作。运动想象脑电是一种内源性自发脑电，局部皮层的某些波段的能量会因某些事件(肢体运动或运动想象、某些思维任务等)发生改变。伴随事件而出现的能量下降的现象称为事件相关去同步(ERS，Event Related Synchronization)，伴随事件而出现的能量上升的现象称为事件相关同步(ERD，Event Related Desynchronization)。在运动或运动想象时，主要出现在感觉运动皮层，属于自发脑电。与诱发脑电不同的是，其无需外界刺激，只需人进行想象运动，脑电波就呈现特异波形。由于这种技术的简单、灵活、无创等特点，在BCI系统中实现运动想象的运用很广。对常见于老年人中的瘫痪、中风等疾病造成的肢体不便，基于运动想象的BCI系统不仅能够帮助病患控制物体，实现自理，还可以作为一种康复理疗的手段，最大限度的帮助其恢复自身的运动能力。
对BCI中的运动想象脑电信号进行模式识别，国内外已进行了较多研究，目前对左、右手运动想象脑电特征的分类已经取得了较高的准确率，但目前运动想象脑电信号仍不成熟，还存在许多问题：分类种类少，分类精度较低，训练时间较长等。之所以存在这些问题，是因为在欧几里德空间，运动想象脑电信号维度高，特征提取困难，不同运动想象差异小，因此要想解决上述问题，需要跳出欧几里德空间。
发明人发现现有的基于多任务运动想象的脑机接口技术存在以下难点：分类正确率低，算法较复杂，稳定性差等问题。
发明内容
根据本公开的一个或多个实施例的一个方面，提供一种基于黎曼距离的运动想象脑电信号分类方法，使得特征提取与分类同时完成，大大缩短了方法的执行时间，更适合于在线系统分析。
本公开的一种基于黎曼距离的运动想象脑电信号分类方法，包括：
黎曼空间转化步骤：将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵；
黎曼平均值计算步骤：计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值；
黎曼距离计算步骤：分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值；
类别输出步骤：取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。
在一个或多个实施例中，运动想象脑电矢量信号采用矩阵来表示；其中，矩阵的行数等于信号信道记录的数量；矩阵的列数等于每次试验中采样时间点的数量。
在一个或多个实施例中，黎曼空间转化步骤的前提条件是：其中，Ts是每次试验中采样时间点的数量，n是信号信道记录的数量。
在一个或多个实施例中，黎曼空间转化步骤之前还包括：
对已知类别标签的运动想象脑电矢量信号进行频域滤波。
在一个或多个实施例中，采用梯度下降算法来计算已知类别标签的样本协方差矩阵之间的黎曼平均值。
根据本公开的一个或多个实施例的另一个方面，提供一种基于黎曼距离的运动想象脑电信号分类系统，使得特征提取与分类同时完成，大大缩短了方法的执行时间，更适合于在线系统分析。
本公开的一种基于黎曼距离的运动想象脑电信号分类系统，包括存储器和处理器，所述处理器，包括：
黎曼空间转化模块，其用于将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵；
黎曼平均值计算模块，其用于计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值；
黎曼距离计算模块，其用于分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值；
类别输出模块，其用于取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。
在一个或多个实施例中，运动想象脑电矢量信号采用矩阵来表示；其中，矩阵的行数等于信号信道记录的数量；矩阵的列数等于每次试验中采样时间点的数量。
在一个或多个实施例中，在黎曼空间转化模块中，黎曼空间转化步骤的前提条件是满足其中，Ts是每次试验中采样时间点的数量，n是信号信道记录的数量。
在一个或多个实施例中，所述处理器，还包括：
信号预处理模块，其用于对已知类别标签的运动想象脑电矢量信号进行频域滤波。
在一个或多个实施例中，在所述黎曼平均值计算模块中，采用梯度下降算法来计算已知类别标签的样本协方差矩阵之间的黎曼平均值。
本公开的有益效果是：
(1)分类种类多：只要有相应类别的脑电数据，就可以对该类脑电信号进行分类，分类种类大大提高，非常适合应用到目前四分类及多分类运动想象脑电信号中。
(2)不需要训练：此种方法无需训练，只需计算未知类别脑电信号与已知类别脑电信号的黎曼距离就可以进行类别判断
(3)分类速度快：此种方法将特征提取与分类同时完成，大大缩短了方法的执行时间，更适合于在线系统分析。
(4)方法容易实现：本公开是在信号的原生空间中处理EEG空间协方差矩阵，并利用它们在这个空间中的黎曼距离进行分类。黎曼几何提供了丰富的框架来处理属于对称正定矩阵的黎曼流形的协方差矩阵的特定结构，因此，此种方法易实现。
(5)分类精度高：由于ERS/ERD的差异出现在不同频带范围，利用黎曼距离对运动想象脑电信号进行特征提取和分类，这种差异性得到最大体现，提高了脑电信号的分类精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开的一种基于黎曼距离的运动想象脑电信号分类方法流程图。
图2是计算已知类别标签的样本协方差矩阵之间的黎曼平均值方法流程图。
图3是本公开的一种基于黎曼距离的运动想象脑电信号分类系统的结构示意。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
MDRM：Minimum Distance to Riemannian Mean，黎曼平均最小距离。
MI：Motor Imagery，运动想象。
SPD：Symmetric and Positive Definite Matrices，对称正定矩阵。
SCM：Sample Covariance Matrix，样本协方差矩阵。
LMI：Linear Matrix Inequality，线性矩阵不等式。
EEG：Electroencephalogram，脑电波。
解决运动想象现有的问题需要考虑黎曼空间，因为黎曼空间是比欧几里德空间更适合分析脑电信号的信号空间，原因是黎曼空间是弯曲空间，而欧几里德空间是平面空间。EEG信号中包含的脑电信息一般在空域，而在平面空间中进行分析处理往往达不到很好的效果，所以本公开使用黎曼框架，在黎曼空间中寻找运动想象脑电信号的特征使得不同运动想象脑电信号的差异性达到最大。
而基于黎曼几何下的脑机接口分类技术，目前研究的还不是很深。在2010年，Alexandre Barachant团队开启了使用黎曼方法作为神经计算领域的预处理方法，使得分类效果得到了显著提高。这一年，他们在CSP的基础上加入了黎曼平均的计算，提出了CSP+和CSP++两种改进方法，但还是没避开经典的空间滤波方法。到2012年他们开始使用协方差矩阵作为EEG信号的表示方法，摒弃了原先需要的各种滤波操作，直到2016年，CleisonSilva等人使用黎曼距离结合LMI方法提出了进行特征提取和分类的新算法，使用相关参数化矩阵表示EEG信号，为每个类使用不同的参数化，并进行优化将类的相关矩阵分开，从而提取特征并分类。虽然开始使用黎曼几何作为工具进行脑机接口分类，但是并没有完全将黎曼数学融入其中，只是把黎曼几何作为传统方法的一种补充。
针对目前运动想象脑机接口存在的问题，本公开提出在黎曼空间中进行多种类运动想象脑电信号的分类，本公开的运动想象脑电信号的分类方法基于黎曼平均最小距离，可以解决运动想象脑机接口分类种类少、精度低和训练时间较长等问题。
图1是本公开的一种基于黎曼距离的运动想象脑电信号分类方法流程图。
如图1所示，本公开的运动想象脑电信号分类方法涉及协方差矩阵流形中黎曼几何的概念，主要思想是使用空间协方差矩阵作为EEG信号的描述符，并依靠黎曼几何中黎曼距离的计算直接对这些矩阵进行分类，该发明允许在不使用空间滤波的情况下提取EEG信号中包含的空间信息。
本公开的运动想象脑电信号分类方法主要包含黎曼空间转化，黎曼平均值计算，黎曼距离计算和类别输出四部分。
在黎曼空间转化之前，先将EEG信号进行预处理操作。然后用Xi表示k*N个试验的EEG信号矢量，已知这些Xi属于k个类别标签，也就是说每个类别里面都有N个EEG信号矢量；用X表示待测的g个试验的EEG信号矢量，这些X是未知类别标签。接下来计算Xi的样本协方差矩阵得到一组(k*N个)Pi，以及X的样本协方差矩阵得到一组(g个)P。在黎曼平均值计算部分，根据已经得到的所有Pi按照类别分别计算出黎曼平均值共有k个(通过有效的迭代算法可以将这些黎曼平均值快速算出)。接下来在黎曼距离计算部分，拿其中一个未知类别P来说，将P与k个分别算出它们之间的黎曼距离，也是共有k个值。最后在类别输出部分，取k个黎曼距离中的最小值，就把这个最小黎曼距离对应的下的的类别标签认为是所求的P的类别
详细步骤如下：
(1)黎曼空间转化步骤
(1.1)数据采集部分
用户佩戴EEG电极帽进行不同心理作业的运动想象，例如想象左手运动、右手运动，采集相应的脑电信号为并存储，它对应于在时间t＝Ti开始的第i次运动想象试验，Ts表示每次试验中采样时间点的数量。
(1.2)前期工作
(1.2.1)信号预处理：
频域滤波：由于与运动想象相关的脑电信号主要集中在40Hz以下，所以为了防止其他频率段信号的干扰，首先要做的是进行频域滤波。EEG信号由5阶巴特沃斯滤波器进行带通滤波，滤波后的频率范围是8-30Hz。
(1.2.2)信号表示：
用Xi表示已知属于k个类别标签的试验信号矢量，同时用X表示未知属于g个类别标签的试验信号矢量。这里的Xi和X都属于Rn*Ts，也就是说它们两个都是n行Ts列的信号矢量，n是记录信号信道的数量，Ts是每次试验中采样时间点的数量。
(1.3)样本协方差的计算
EEG信号包含运动想象中的空间信息，因此使用空间协方差矩阵来表示EEG信号最为合适，空间协方差矩阵的定义公式如(1)：
∑＝E{(Xt-E{Xt}) (Xt-E{Xt})T} (1)
其中Xt为特定时间t处的EEG信号矢量，E{Xt}表示Xt的期望值，上标T表示向量或矩阵转置。
但是由于上式难以计算，增加工作量，本公开实施例使用的是样本协方差矩阵作为空间协方差矩阵∑的无偏估计，前提条件是满足其中，Ts是每次试验中采样时间点的数量，n是信号信道记录的数量。
在运动想象采的信号中此条件完全满足，那么样本协方差矩阵的计算公式如下所示。
已知类别标签信号Xi的样本协方差矩阵的计算公式如(2)：
同理，未知类别标签信号X的样本协方差矩阵的计算公式如(3)：
这样就完成了黎曼空间的转化，也就是将EEG信号矢量用样本协方差矩阵表示出来。
(2)黎曼平均值计算步骤
利用样本协方差矩阵计算黎曼平均值，具体操作步骤如下：
不同类别标签的协方差矩阵Pi之间的黎曼平均值由式(4)给出
该平均值也称为几何平均值，根据相关定理，这种流形中的均值是存在且唯一的，但是上面式子只是为了表述此均值存在，并不是计算公式。若要计算需要使用有效的迭代算法，这种有效的迭代算法的流程框图如图2所示，说明如下。
这种均值是用一种梯度下降算法来实现的，具体过程结合图2说明：
首先输入一组已知类别标签的SCM，即P1，...，PN。
接下来利用公式(5)和(6)做循环计算
其中Exp()是Log()的逆运算。
最后判断||Xi||>ò(ò是一个预先设定的值)是否成立，若此式成立，则输出μ作为这一组已知类别标签的黎曼均值，若此式不成立，则返回循环继续计算。
由上述迭代算法计算出k个不同类别标签的黎曼均值。
(3)黎曼距离计算步骤
本公开选取其中一个未知类别标签的协方差矩阵做阐述，其余的也是同等道理，不再赘述。
一个未知类别的协方差矩阵P与不同类别的协方差矩阵之间的黎曼距离计算公式如下式(7)
其中是每个条件的类内协方差矩阵，其中k＝[1:K]表示类索引集。λi,i＝1...n是的实特征值。
(4)类别输出步骤
根据(7)式已经计算出了未知SCM与不同类别SCM的几何平均值之间的黎曼距离，再根据下式(8)就可估计出未知SCM所属的类别标签
也就是取这些黎曼距离值的最小者对应的类别作为未知信号X的类别标签。
本公开提高了基于运动想象脑机接口系统分类种类和分类精度；而且无需训练就能进行分类。
本公开还提供了一种基于黎曼距离的运动想象脑电信号分类系统，使得特征提取与分类同时完成，大大缩短了方法的执行时间，更适合于在线系统分析。
图3是本公开的一种基于黎曼距离的运动想象脑电信号分类系统的结构示意。
如图3所示，本公开的一种基于黎曼距离的运动想象脑电信号分类系统，包括存储器和处理器，所述处理器，包括：
(1)黎曼空间转化模块，其用于将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵。
(1.1)数据采集模块
在具体实施中，所述处理器还与数据采集模块相连；
所述数据采集模块可采用EEG电极帽来实现。
具体地，用户佩戴EEG电极帽进行不同心理作业的运动想象，例如想象左手运动、右手运动，采集相应的脑电信号为并存储，它对应于在时间t＝Ti开始的第i次运动想象试验，Ts表示每次试验中采样时间点的数量。
其中，存储器用于存储数据采集模块所采集的运动想象脑电信号。
(1.2)信号预处理模块
所述处理器还包括信号预处理模块，所述信号预处理模块与黎曼空间转化模块相连；
信号预处理模块用于对已知类别标签的运动想象脑电矢量信号进行频域滤波。
频域滤波：由于与运动想象相关的脑电信号主要集中在40Hz以下，所以为了防止其他频率段信号的干扰，首先要做的是进行频域滤波。EEG信号由5阶巴特沃斯滤波器进行带通滤波，滤波后的频率范围是8-30Hz。
用Xi表示已知属于k个类别标签的试验信号矢量，同时用X表示未知属于g个类别标签的试验信号矢量。这里的Xi和X都属于Rn*Ts，也就是说它们两个都是n行Ts列的信号矢量，n是记录信号信道的数量，Ts是每次试验中采样时间点的数量。
(1.3)样本协方差的计算
EEG信号包含运动想象中的空间信息，因此使用空间协方差矩阵来表示EEG信号最为合适，空间协方差矩阵的定义公式如(1)：
∑＝E{(Xt-E{Xt}) (Xt-E{Xt})T} (1)
其中Xt为特定时间t处的EEG信号矢量，E{Xt}表示Xt的期望值，上标T表示向量或矩阵转置。
但是由于上式难以计算，增加工作量，本公开实施例使用的是样本协方差矩阵作为空间协方差矩阵∑的无偏估计，前提条件是满足在运动想象采的信号中此条件完全满足，那么样本协方差矩阵的计算公式如下所示。
已知类别标签信号Xi的样本协方差矩阵的计算公式如(2)：
同理，未知类别标签信号X的样本协方差矩阵的计算公式如(3)：
这样就完成了黎曼空间的转化，也就是将EEG信号矢量用样本协方差矩阵表示出来。
(2)黎曼平均值计算模块，其用于计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值。
利用样本协方差矩阵计算黎曼平均值，具体操作步骤如下：
不同类别标签的协方差矩阵Pi之间的黎曼平均值由式(4)给出
该平均值也称为几何平均值，根据相关定理，这种流形中的均值是存在且唯一的，但是上面式子只是为了表述此均值存在，并不是计算公式。若要计算需要使用有效的迭代算法，这种有效的迭代算法的流程框图如图2所示，说明如下。
这种均值是用一种梯度下降算法来实现的，具体过程结合图2说明：
首先输入一组已知类别标签的SCM，即P1，...，PN。
接下来利用公式(5)和(6)做循环计算
其中Exp()是Log()的逆运算。
最后判断||Xi||>ò(ò是一个预先设定的值)是否成立，若此式成立，则输出μ作为这一组已知类别标签的黎曼均值，若此式不成立，则返回循环继续计算。
由上述迭代算法计算出k个不同类别标签的黎曼均值。
(3)黎曼距离计算模块，其用于分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值。
本公开选取其中一个未知类别标签的协方差矩阵做阐述，其余的也是同等道理，不再赘述。
一个未知类别的协方差矩阵P与不同类别的协方差矩阵之间的黎曼距离计算公式如下式(7)
其中是每个条件的类内协方差矩阵，其中k＝[1:K]表示类索引集。λi,i＝1...n是的实特征值。
(4)类别输出模块，其用于取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。
根据(7)式已经计算出了未知SCM与不同类别SCM的几何平均值之间的黎曼距离，再根据下式(8)就可估计出未知SCM所属的类别标签
也就是取这些黎曼距离值的最小者对应的类别作为未知信号X的类别标签。
本公开提高了基于运动想象脑机接口系统分类种类和分类精度；而且无需训练就能进行分类。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于黎曼距离的运动想象脑电信号分类方法，其特征在于，包括：
黎曼空间转化步骤：将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵；
黎曼平均值计算步骤：计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值；
黎曼距离计算步骤：分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值；
类别输出步骤：取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。
2.如权利要求1所述的基于黎曼距离的运动想象脑电信号分类方法，其特征在于，运动想象脑电矢量信号采用矩阵来表示；其中，矩阵的行数等于信号信道记录的数量；矩阵的列数等于每次试验中采样时间点的数量。
3.如权利要求2所述的基于黎曼距离的运动想象脑电信号分类方法，其特征在于，黎曼空间转化步骤的前提条件是满足其中，Ts是每次试验中采样时间点的数量，n是信号信道记录的数量。
4.如权利要求1所述的基于黎曼距离的运动想象脑电信号分类方法，其特征在于，黎曼空间转化步骤之前还包括：
对已知类别标签的运动想象脑电矢量信号进行频域滤波。
5.如权利要求1所述的基于黎曼距离的运动想象脑电信号分类方法，其特征在于，采用梯度下降算法来计算已知类别标签的样本协方差矩阵之间的黎曼平均值。
6.一种基于黎曼距离的运动想象脑电信号分类系统，其特征在于，包括存储器和处理器，所述处理器，包括：
黎曼空间转化模块，其用于将已知类别标签的运动想象脑电矢量信号采用样本协方差矩阵表示，得到已知类别标签的样本协方差矩阵；
黎曼平均值计算模块，其用于计算已知类别标签的样本协方差矩阵之间的黎曼平均值，得到与已知类别标签数量相同个数的黎曼平均值；
黎曼距离计算模块，其用于分别计算待分类的运动想象脑电矢量信号对应的样本协方差矩阵与已知类别标签数量相同个数的黎曼平均值之间的黎曼距离值；
类别输出模块，其用于取上述黎曼距离值中的最小者所对应的类别作为待分类的运动想象脑电矢量信号的类别标签。
7.如权利要求6所述的基于黎曼距离的运动想象脑电信号分类系统，其特征在于，运动想象脑电矢量信号采用矩阵来表示；其中，矩阵的行数等于信号信道记录的数量；矩阵的列数等于每次试验中采样时间点的数量。
8.如权利要求7所述的基于黎曼距离的运动想象脑电信号分类系统，其特征在于，在黎曼空间转化模块中，黎曼空间转化步骤的前提条件是满足其中，Ts是每次试验中采样时间点的数量，n是信号信道记录的数量。
9.如权利要求6所述的基于黎曼距离的运动想象脑电信号分类系统，其特征在于，所述处理器，还包括：
信号预处理模块，其用于对已知类别标签的运动想象脑电矢量信号进行频域滤波。
10.如权利要求6所述的基于黎曼距离的运动想象脑电信号分类系统，其特征在于，在所述黎曼平均值计算模块中，采用梯度下降算法来计算已知类别标签的样本协方差矩阵之间的黎曼平均值。
CN201811639014.2A 2018-12-29 2018-12-29 一种基于黎曼距离的运动想象脑电信号分类方法及系统 Pending CN109657642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811639014.2A CN109657642A (zh) 2018-12-29 2018-12-29 一种基于黎曼距离的运动想象脑电信号分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811639014.2A CN109657642A (zh) 2018-12-29 2018-12-29 一种基于黎曼距离的运动想象脑电信号分类方法及系统

Publications (1)

Publication Number Publication Date
CN109657642A true CN109657642A (zh) 2019-04-19

Family

ID=66118317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811639014.2A Pending CN109657642A (zh) 2018-12-29 2018-12-29 一种基于黎曼距离的运动想象脑电信号分类方法及系统

Country Status (1)

Country Link
CN (1) CN109657642A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851783A (zh) * 2019-11-12 2020-02-28 华中科技大学 一种用于脑机接口校准的异构标签空间迁移学习方法
CN111265212A (zh) * 2019-12-23 2020-06-12 北京无线电测量研究所 一种运动想象脑电信号分类方法及闭环训练测试交互系统
CN111507243A (zh) * 2020-04-15 2020-08-07 桂林电子科技大学 一种基于格拉斯曼流形分析的人体行为识别方法
CN111723661A (zh) * 2020-05-18 2020-09-29 华南理工大学 一种基于流形嵌入分布对齐的脑机接口迁移学习方法
CN112036354A (zh) * 2020-09-09 2020-12-04 东南大学 一种基于黎曼几何的自然动作脑电识别方法
CN112102343A (zh) * 2020-08-12 2020-12-18 海南大学 基于超声图像的ptc诊断系统
CN112580436A (zh) * 2020-11-25 2021-03-30 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
CN113111761A (zh) * 2021-04-07 2021-07-13 山东建筑大学 基于脑机接口与虚拟现实的手部运动能力恢复系统及方法
CN113143294A (zh) * 2021-04-15 2021-07-23 南京大学 一种基于卷积神经网络的脑电信号识别方法
CN113171111A (zh) * 2021-04-25 2021-07-27 北京理工大学 一种上肢运动方向神经解码方法和装置
CN113191206A (zh) * 2021-04-06 2021-07-30 华南理工大学 基于黎曼特征迁移的脑磁图信号分类方法、装置及介质
CN113495550A (zh) * 2021-06-30 2021-10-12 北京空间飞行器总体设计部 一种基于黎曼度量的航天器故障检测方法
CN113780169A (zh) * 2021-09-10 2021-12-10 山东建筑大学 基于脑机接口的黎曼空间脑电信号分类方法及系统
CN113974658A (zh) * 2021-10-28 2022-01-28 天津大学 基于eeg分时频谱黎曼的语义视觉图像分类方法及装置
CN114167983A (zh) * 2021-11-24 2022-03-11 哈尔滨工业大学（深圳） 一种基于共幅相测量的脑机接口系统
CN115828208A (zh) * 2022-12-07 2023-03-21 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101862194A (zh) * 2010-06-17 2010-10-20 天津大学 基于融合特征的想象动作脑电身份识别方法
CN102306303A (zh) * 2011-09-16 2012-01-04 北京工业大学 一种基于小训练样本的脑电信号特征提取方法
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN107106069A (zh) * 2014-11-13 2017-08-29 曼西亚技术公司 基于改进信号分析的评分方法
EP3241489A1 (en) * 2016-05-04 2017-11-08 Mensia Technologies Predictive neuromarkers of alzheimer's disease

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101862194A (zh) * 2010-06-17 2010-10-20 天津大学 基于融合特征的想象动作脑电身份识别方法
CN102306303A (zh) * 2011-09-16 2012-01-04 北京工业大学 一种基于小训练样本的脑电信号特征提取方法
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN107106069A (zh) * 2014-11-13 2017-08-29 曼西亚技术公司 基于改进信号分析的评分方法
EP3241489A1 (en) * 2016-05-04 2017-11-08 Mensia Technologies Predictive neuromarkers of alzheimer's disease

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
高冕: "基于黎曼流形的心律失常可视化与分类", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
齐菲菲: "基于正则化的脑电信号时空分析方法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851783A (zh) * 2019-11-12 2020-02-28 华中科技大学 一种用于脑机接口校准的异构标签空间迁移学习方法
CN111265212A (zh) * 2019-12-23 2020-06-12 北京无线电测量研究所 一种运动想象脑电信号分类方法及闭环训练测试交互系统
CN111507243A (zh) * 2020-04-15 2020-08-07 桂林电子科技大学 一种基于格拉斯曼流形分析的人体行为识别方法
CN111507243B (zh) * 2020-04-15 2022-08-19 桂林电子科技大学 一种基于格拉斯曼流形分析的人体行为识别方法
CN111723661A (zh) * 2020-05-18 2020-09-29 华南理工大学 一种基于流形嵌入分布对齐的脑机接口迁移学习方法
CN111723661B (zh) * 2020-05-18 2023-06-16 广州光达创新科技有限公司 一种基于流形嵌入分布对齐的脑机接口迁移学习方法
CN112102343A (zh) * 2020-08-12 2020-12-18 海南大学 基于超声图像的ptc诊断系统
CN112102343B (zh) * 2020-08-12 2024-03-29 海南大学 基于超声图像的ptc诊断系统
CN112036354A (zh) * 2020-09-09 2020-12-04 东南大学 一种基于黎曼几何的自然动作脑电识别方法
WO2022052328A1 (zh) * 2020-09-09 2022-03-17 东南大学 一种基于黎曼几何的自然动作脑电识别方法
CN112036354B (zh) * 2020-09-09 2022-04-29 东南大学 一种基于黎曼几何的自然动作脑电识别方法
CN112580436A (zh) * 2020-11-25 2021-03-30 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
CN113191206A (zh) * 2021-04-06 2021-07-30 华南理工大学 基于黎曼特征迁移的脑磁图信号分类方法、装置及介质
CN113191206B (zh) * 2021-04-06 2023-09-29 华南理工大学 基于黎曼特征迁移的脑磁图信号分类方法、装置及介质
CN113111761A (zh) * 2021-04-07 2021-07-13 山东建筑大学 基于脑机接口与虚拟现实的手部运动能力恢复系统及方法
CN113143294A (zh) * 2021-04-15 2021-07-23 南京大学 一种基于卷积神经网络的脑电信号识别方法
CN113171111A (zh) * 2021-04-25 2021-07-27 北京理工大学 一种上肢运动方向神经解码方法和装置
CN113495550A (zh) * 2021-06-30 2021-10-12 北京空间飞行器总体设计部 一种基于黎曼度量的航天器故障检测方法
CN113780169A (zh) * 2021-09-10 2021-12-10 山东建筑大学 基于脑机接口的黎曼空间脑电信号分类方法及系统
CN113974658B (zh) * 2021-10-28 2024-01-26 天津大学 基于eeg分时频谱黎曼的语义视觉图像分类方法及装置
CN113974658A (zh) * 2021-10-28 2022-01-28 天津大学 基于eeg分时频谱黎曼的语义视觉图像分类方法及装置
CN114167983A (zh) * 2021-11-24 2022-03-11 哈尔滨工业大学（深圳） 一种基于共幅相测量的脑机接口系统
CN114167983B (zh) * 2021-11-24 2024-07-23 哈尔滨工业大学（深圳） 一种基于共幅相测量的脑机接口系统
CN115828208A (zh) * 2022-12-07 2023-03-21 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统
CN115828208B (zh) * 2022-12-07 2023-09-08 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统

Similar Documents

Publication Publication Date Title
CN109657642A (zh) 一种基于黎曼距离的运动想象脑电信号分类方法及系统
Benalcázar et al. Hand gesture recognition using machine learning and the Myo armband
Xu et al. High accuracy classification of EEG signal
CN111265212A (zh) 一种运动想象脑电信号分类方法及闭环训练测试交互系统
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
Thomas et al. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN108968941A (zh) 一种心律失常检测方法、装置及终端
CN104035563A (zh) 基于w-pca和无监督ghsom的脑电信号识别方法
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
Wang et al. Classification of EEG signal using convolutional neural networks
CN107808166A (zh) 一种memd张量线性拉普拉斯判别的肌电特征提取方法
AU2013100576A4 (en) Human Identification with Electroencephalogram (EEG) for the Future Network Security
Mohanchandra et al. Distinct adoption of k-nearest neighbour and support vector machine in classifying EEG signals of mental tasks
Park et al. Optimal channel selection using covariance matrix and cross-combining region in EEG-based BCI
Li et al. Optimal combination of channels selection based on common spatial pattern algorithm
Kunanbayev et al. Data augmentation for p300-based brain-computer interfaces using generative adversarial networks
Li et al. A novel motor imagery EEG recognition method based on deep learning
Zhao et al. Incremental common spatial pattern algorithm for BCI
Das et al. Multiple feature extraction of electroencephalograph signal for motor imagery classification through bispectral analysis
Helal et al. Using autoencoders for feature enhancement in motor imagery Brain-Computer Interfaces
Guo et al. EEG signal analysis based on fixed-value shift compression algorithm
Mu et al. A channel selection method for motor imagery EEG based on Fisher score of OVR-CSP
Singla et al. Characterization of classifier performance on left and right limb motor imagery using support vector machine classification of EEG signal for left and right limb movement
Fira et al. A new method for eeg compressive sensing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination