CN109685031A - 一种脑机接口中脑电信号特征分类方法及系统 - Google Patents
一种脑机接口中脑电信号特征分类方法及系统 Download PDFInfo
- Publication number
- CN109685031A CN109685031A CN201811634766.XA CN201811634766A CN109685031A CN 109685031 A CN109685031 A CN 109685031A CN 201811634766 A CN201811634766 A CN 201811634766A CN 109685031 A CN109685031 A CN 109685031A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature vector
- brain
- eeg signals
- eigenvector
- 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.)
- Granted
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种脑机接口中脑电信号特征分类方法,具体包括以下步骤:S01,使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;S02,基于共空间模式方法(CSP)对脑电信号进行特征提取;构建第二特征向量;S03,将第一特征向量和第二特征向量整合;本申请将多特征模块整合起来,用多个特征作为分类依据,能获得较好的控制效果。
Description
技术领域
本发明涉及脑机接口领域,尤其涉及了一种脑机接口中脑电信号特征分类方法及系统,从而分析脑电信号的想象运动情况,提高了分类准确率。
背景技术
作为脑科研的一个新兴应用研究分支,脑与计算机接口技术的相关研究也正日益取得卓越进展剛。脑机接口(Brain-ComuputerInterface,BCI)指的是一条特殊通路,这条通路连结了人或动物等有机生物体的大脑和外界用来进行运算处理或机械控制的电子设备,使得仅通过直接传输大脑指令便达到控制的目的。该技术实际涉及到对人的特定思维意识进行解读,从而提取出具有高分辨率的信号模式命令来控制诸如神经假肢、轮椅、机器人等生物机械设备以辅助人的活动。脑机接口技术涉及到神经科学、生物医学工程、计算机科学、信号检测、信号处理、模式识别、机器人控制等多学科领域,它创新性地改革了人与外部世界的信息交互方式,修复并扩展了人体的生理机能和认知功能,从而重新诠释了人和机械的共存形式。
现有基于运动想象的脑电技术大多采用单一的特征作为分类的依据,分类不准确,脑机接口反馈的控制命令不准确。
发明内容
本发明的目的在于提供一个基于运动想象的脑电信号分类方法及系统,可将多特征模块整合起来,用多个特征作为分类依据,能获得较好的控制效果
本发明技术方案如下:
一种脑机接口中脑电信号特征分类方法,具体包括以下步骤:
S01,使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
S02,基于共空间模式方法(CSP)对脑电信号进行特征提取;构建第二特征向量;
S03,将第一特征向量和第二特征向量整合。
步骤S01具体包括以下步骤:
小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择频带,使脑电信号频谱在相应的频带范围内(信号频谱相应的频带范围);
基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点(共m个),每个节点重构后的长度为N,dk(i)表示该层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H为:H=[Hj1,Hj2,...,Hjm]。
步骤S02具体包括以下步骤:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分别为第一类任务数据和第二类任务数据;已知任务种类的训练集中,分别计算第一类任务数据的空间协方差的平均值CH和第二类任务数据的空间协方差的平均值CT;
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;对于同一组公共特征向量,矩阵ST的特征值最大时矩阵SH的特征值最小,反之亦然。
(203)构造空间滤波器
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵。
步骤S03将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
步骤S03之后还包括进行分类模型搭建:
分类模型基于长短期记忆模型(LSTM),长短期记忆模型结构将循环神经网络中的每个隐藏单元换成了具有记忆功能的CELL,每个单元中放置了输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate),输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)利用激活函数来控制网络中信息的传递。
一种脑机接口中脑电信号特征分类系统,包括第一特征向量构建单元、第二特征向量构建单元和第三特征向量构建单元;
第一特征向量构建单元使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
第二特征向量构建单元基于共空间模式方法(CSP)对脑电信号进行特征提取;构建第二特征向量;
第三特征向量构建单元将第一特征向量和第二特征向量整合。
第一特征向量构建单元构建第一特征向量具体包括以下步骤:
小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择频带,使脑电信号频谱在相应的频带范围内(信号频谱相应的频带范围);
基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点(共m个),每个节点重构后的长度为N,dk(i)表示该层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H为:H=[Hj1,Hj2,...,Hjm]。
第二特征向量构建单元构建第二特征向量具体包括以下步骤:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分别为第一类任务数据和第二类任务数据;已知任务种类的训练集中,分别计算第一类任务数据的空间协方差的平均值CH和第二类任务数据的空间协方差的平均值CT;
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;对于同一组公共特征向量,矩阵ST的特征值最大时矩阵SH的特征值最小,反之亦然。
(203)构造空间滤波器
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵。
第三特征向量构建单元将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
还包括分类模型搭建单元;
分类模型搭建单元进行分类模型搭建,具体包括以下步骤:
分类模型基于长短期记忆模型(LSTM),长短期记忆模型结构将循环神经网络中的每个隐藏单元换成了具有记忆功能的CELL,每个单元中放置了输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate),输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)利用激活函数来控制网络中信息的传递。
本发明的有益效果包括:
本发明一种脑机接口中脑电信号特征分类方法,基于小波包分解,通过对频带的多层次划分,完成多分辨分析中高频部分不能再分解的工作,实现了信号的低频和高频部分同步分解,使时间和频率分辨率都得到很大提高;本申请基于公共空间模式方法进行第二特征提取,使得两类样本能够被最大限度的区分,提高信噪比的空间滤波,从而完成两类信号的特征提取,然后对特征向量进行维度扩展;本申请将多特征模块整合起来,用多个特征作为分类依据,能获得较好的控制效果。
附图说明
下面结合附图和实施例对本发明进一步说明;
图1本发明一种脑机接口中脑电信号特征分类方法流程图;
图2为本发明三层小波包分解示意图;
图3为模型使用长短期记忆模型示意图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效,且为了使该评价方法易于明白了解,下面结合具体实施例,进一步阐述本发明。
如图1所示,一种脑机接口中脑电信号特征分类方法,包括以下步骤:
S01,使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
S02,基于共空间模式方法(CSP)对脑电信号进行特征提取;构建第二特征向量;
S03,将第一特征向量和第二特征向量整合。
步骤S01具体包括以下步骤:小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择相应频带,使之与脑电信号频谱相匹配(信号频谱相应的频带范围),使时间和频率分辨率都得到很大提高,因此相比小波变换,它在信号处理上具有更好的应用前景和更大的使用价值。小波包分解对信号的低频部分和高频部分进行同步分解,如图2所示为一个三层小波包分解示意图。
本实施例大脑在想象左右手运动的实验中,基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点(共m个),每个节点重构后的长度也是N,dk(i)表示该层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H=[Hj1,Hj2,...,Hjm];
步骤S02具体包括以下步骤:基于公共空间模式方法对脑电信号进行特征提取;
公共空间模式方法是在有标识的训练集上训练的目的是找到合适的映射使得投影后的信号其中一类方差最大,而另一类方差最小,使得两类任务样本能够被最大限度的区分;
公共空间模式是一种在两任务条件下,从多通道数据集中提取某一特定任务信号成分的方法,其关注的是不同运动模式下空间能量的分布差异。公共空间模式方法是在有标识的训练集上训练的目的是要找到合适的映射使得投影后的信号其中一类方差最大,而另一类方差最小,使得两类样本能够被最大限度的区分。它是一种常用的有效提高信噪比的空间滤波方法。其基本原理是:首先,对两个实对称矩阵协方差矩阵同时对角化;其次,应用主成分分析方法和空域子空间分析提取两种任务的空间成分;最后,根据所提取到的空间成分构建各类空域滤波器,使得两类别之间的差异最大化,从而完成两类信号的特征提取。
具体的求解步骤如下:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分别为第一类任务数据和第二类任务数据;已知任务种类的训练集中,对基于运动想象的两类任务,例如左手和右手这两类运动想象(分别用上标+1,-1表示)的样本矩阵分别计算各自的空间协方差的平均值,分别用CH和CT表示。
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;对于同一组公共特征向量,矩阵ST的特征值最大时矩阵SH的特征值最小,反之亦然。
(203)构造空间滤波器
对于同一组公共特征向量,当一类任务特征值最大时,另一类任务特征值最小,基于性质使得可以利用公共特征向量D来构造空间滤波器,其中第一个和最后一个特征向量包含了最大区别两类任务的信息,第二个和倒数第二个次之,以此类推。在实际应用中,应选取合适的向量个数,包含最佳的特征信息。
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵;
步骤S03将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
本实施例还包括步骤S04,分类模型搭建:分类的模型使用长短期记忆模型(LSTM)。它是一种特殊类型的RNN(循环神经网络),LSTM网络在算法中加入输入门限、遗忘门限和输出门限,使得其自身循环的权值是变化的,允许网络忘记当前已经积累的信息,从而避免了梯度消失或者梯度膨胀的问题。LSTM结构将RNN中的每个隐藏单元换成了具有记忆功能的CELL,每个单元中被放置了输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate),输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)利用sigmod激活函数来控制网络中信息的传递,分配给当前时刻一定的信息,再分配给下一时刻网络需要的信息。
如图3所示,i(t),o(t),f(t)分别表示输入们、输出门和遗忘门及其计算方法。3个控制门分别连接到3个乘法单元上,对LSTM的记忆产生影响,从而控制记忆元的读、写和遗忘操作。
一种脑机接口中脑电信号特征分类系统,包括第一特征向量构建单元、第二特征向量构建单元和第三特征向量构建单元;
第一特征向量构建单元使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
第二特征向量构建单元基于共空间模式方法(CSP)对脑电信号进行特征提取;构建第二特征向量;
第三特征向量构建单元将第一特征向量和第二特征向量整合。
第一特征向量构建单元构建第一特征向量具体包括以下步骤:
小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择频带,使脑电信号频谱在相应的频带范围内(信号频谱相应的频带范围);
基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点(共m个),每个节点重构后的长度为N,dk(i)表示该层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H为:H=[Hj1,Hj2,...,Hjm]。
第二特征向量构建单元构建第二特征向量具体包括以下步骤:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分别为第一类任务数据和第二类任务数据;已知任务种类的训练集中,分别计算第一类任务数据的空间协方差的平均值CH和第二类任务数据的空间协方差的平均值CT;
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;对于同一组公共特征向量,矩阵ST的特征值最大时矩阵SH的特征值最小,反之亦然。
(203)构造空间滤波器
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵。
第三特征向量构建单元将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
还包括分类模型搭建单元;
分类模型搭建单元进行分类模型搭建,具体包括以下步骤:
分类模型基于长短期记忆模型(LSTM),长短期记忆模型结构将循环神经网络中的每个隐藏单元换成了具有记忆功能的CELL,每个单元中放置了输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate),输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)利用sigmod激活函数来控制网络中信息的传递。长短期记忆模型(LSTM)为现有技术,本实施例不再详细说明。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此,如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种脑机接口中脑电信号特征分类方法,其特征在于,具体包括以下步骤:
S01,使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
S02,基于共空间模式方法对脑电信号进行特征提取,构建第二特征向量;
S03,将第一特征向量和第二特征向量整合。
2.根据权利要求1所述的一种脑机接口中脑电信号特征分类方法,其特征在于,
步骤S01具体包括以下步骤:
小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择频带,使脑电信号频谱在相应的频带范围内;
基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点,每个节点重构后的长度为N,dk(i)表示所述层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H为:H=[Hj1,Hj2,...,Hjm]。
3.根据权利要求1所述的一种脑机接口中脑电信号特征分类方法,其特征在于,
步骤S02具体包括以下步骤:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分为第一类任务数据和第二类任务数据;已知任务种类的训练集中,分别计算第一类任务数据的空间协方差的平均值CH和第二类任务数据的空间协方差的平均值CT;
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;
(203)构造空间滤波器
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵。
4.根据权利要求1所述的一种脑机接口中脑电信号特征分类方法,其特征在于,
步骤S03将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
5.根据权利要求1所述的一种脑机接口中脑电信号特征分类方法,其特征在于,
步骤S03之后还包括进行分类模型搭建:
分类模型基于长短期记忆模型,长短期记忆模型结构将循环神经网络中的每个隐藏单元换成了具有记忆功能的单元,每个单元中放置了输入、遗忘门和输出门,输入门、遗忘门和输出门利用激活函数控制网络中信息的传递。
6.一种脑机接口中脑电信号特征分类系统,其特征在于,包括第一特征向量构建单元、第二特征向量构建单元和第三特征向量构建单元;
第一特征向量构建单元使用小波包变换过滤信号,基于能量熵计算方法计算小波包分解后的每个节点的能量熵,构建第一特征向量;
第二特征向量构建单元基于共空间模式方法对脑电信号进行特征提取;构建第二特征向量;
第三特征向量构建单元将第一特征向量和第二特征向量整合。
7.根据权利要求6所述的一种脑机接口中脑电信号特征分类系统,其特征在于,
第一特征向量构建单元构建第一特征向量具体包括以下步骤:
小波包分解以小波变换为基础,通过对频带的层次划分,分解高频部分,实现脑电信号的低频和高频同步分解,根据脑电信号的频率特性选择频带,使脑电信号频谱在相应的频带范围内;
基于小波包的分解与重构,计算脑电信号每个节点重构后的能量熵,构造一维的第一特征向量;
将长度为N的单通道脑电信号进行j层小波包分解,则第j层共有m=2j个节点;对于第j层的每个节点,每个节点重构后的长度为N,dk(i)表示该层第k个节点的第i个信号分量(i=1,2…N;k=1,2…m),则定义第j层的第k个节点的能量熵Hjk为:
第一特征向量H为:H=[Hj1,Hj2,...,Hjm]。
8.根据权利要求6所述的一种脑机接口中脑电信号特征分类系统,其特征在于,
第二特征向量构建单元构建第二特征向量具体包括以下步骤:
(201)求解协方差矩阵:
Ei第i次试验为N*T的脑电信号矩阵,其中N为脑电采集电极数目,T为每次任务中的脑电信号采样点数,得到标准的空间协方差为:
其中,Ei'是Ei的转置矩阵,trace(EiEi')表示矩阵对角元素的和;
将脑电信号标志为两类任务的训练集,训练集中的数据分别为第一类任务数据和第二类任务数据;已知任务种类的训练集中,分别计算第一类任务数据的空间协方差的平均值CH和第二类任务数据的空间协方差的平均值CT;
l和r分别表示第一类任务数据和第二类任务数据的试验数目;C+1i和C-1i分别为第i次试验的第一类任务和第二类任务;
组合空间协方差C为:
C=CH+CT;
(202)分解协方差矩阵:
根据矩阵论知识组合空间协方差C表示为:
C=BλBT
其中B为N*N的特征向量矩阵,表示组合空间协方差C的特征向量,λ为非零特征值对角阵,是特征值在对角线上递减排列的N*N矩阵;
设置白化矩阵P:
则矩阵PCPT的特征值为1,令:
则ST和SH共享同样的公共特征向量D:
ST=DλTDT
SH=DλHDT
λT+λH=I
其中I为单位对角阵,λT和λH分别为矩阵ST和SH的特征值对角矩阵,D为公共特征向量;
(203)构造空间滤波器
基于公共特征向量D,选取前m个特征值和后n个特征值组成新的第一类公共特征向量DT和新的第二类公共特征向量DH,分别构造第一类空间滤波器W+1和第二类空间滤波器W-1;
W+1=DTP
W-1=DHP
取不同的值将构造出不同维数的空间滤波器W,其中W=[W+1,W-1];原始信号通过空间滤波器投影得到新的信号Zi:
Zi=WEi
所述Zi为第二特征向量矩阵。
9.根据权利要求6所述的一种脑机接口中脑电信号特征分类系统,其特征在于,
第三特征向量构建单元将第一特征向量附在第二特征向量的矩阵后,进行维度上的扩展。
10.根据权利要求1所述的一种脑机接口中脑电信号特征分类系统,其特征在于,
还包括分类模型搭建单元
分类模型搭建单元进行分类模型搭建,具体包括以下步骤:
分类模型基于长短期记忆模型,长短期记忆模型结构将循环神经网络中的每个隐藏单元换成了具有记忆功能的单元,每个单元中放置了输入门、遗忘门和输出门,输入门、遗忘门和输出门利用激活函数来控制网络中信息的传递。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634766.XA CN109685031B (zh) | 2018-12-29 | 2018-12-29 | 一种脑机接口中脑电信号特征分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634766.XA CN109685031B (zh) | 2018-12-29 | 2018-12-29 | 一种脑机接口中脑电信号特征分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685031A true CN109685031A (zh) | 2019-04-26 |
CN109685031B CN109685031B (zh) | 2022-09-13 |
Family
ID=66191103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811634766.XA Active CN109685031B (zh) | 2018-12-29 | 2018-12-29 | 一种脑机接口中脑电信号特征分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685031B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113509188A (zh) * | 2021-04-20 | 2021-10-19 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
CN117873330A (zh) * | 2024-03-11 | 2024-04-12 | 河海大学 | 一种脑电-眼动混合遥操作机器人控制方法、系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239142A (zh) * | 2017-06-01 | 2017-10-10 | 南京邮电大学 | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 |
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
-
2018
- 2018-12-29 CN CN201811634766.XA patent/CN109685031B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239142A (zh) * | 2017-06-01 | 2017-10-10 | 南京邮电大学 | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 |
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113509188A (zh) * | 2021-04-20 | 2021-10-19 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
CN113509188B (zh) * | 2021-04-20 | 2022-08-26 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
CN117873330A (zh) * | 2024-03-11 | 2024-04-12 | 河海大学 | 一种脑电-眼动混合遥操作机器人控制方法、系统及装置 |
CN117873330B (zh) * | 2024-03-11 | 2024-05-17 | 河海大学 | 一种脑电-眼动混合遥操作机器人控制方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109685031B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A multi-branch 3D convolutional neural network for EEG-based motor imagery classification | |
Delorme et al. | EEGLAB, SIFT, NFT, BCILAB, and ERICA: new tools for advanced EEG processing | |
Lee et al. | A convolution neural networks scheme for classification of motor imagery EEG based on wavelet time-frequecy image | |
Kachenoura et al. | ICA: a potential tool for BCI systems | |
Tu et al. | A subject transfer framework for EEG classification | |
Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
Islam et al. | Multiband tangent space mapping and feature selection for classification of EEG during motor imagery | |
CN111317468A (zh) | 脑电信号分类方法、装置、计算机设备和存储介质 | |
CN109787929A (zh) | 信号调制识别方法、电子装置及计算机可读存储介质 | |
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 | |
CN109685031A (zh) | 一种脑机接口中脑电信号特征分类方法及系统 | |
AU2013100576A4 (en) | Human Identification with Electroencephalogram (EEG) for the Future Network Security | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
Zou et al. | An inter-subject model to reduce the calibration time for motion imagination-based brain-computer interface | |
Kunanbayev et al. | Data augmentation for p300-based brain-computer interfaces using generative adversarial networks | |
Ai et al. | Flexible coding scheme for robotic arm control driven by motor imagery decoding | |
Koene | Feasible mind uploading | |
CN111950366A (zh) | 基于数据增强的卷积神经网络运动想象脑电分类方法 | |
CN109241996B (zh) | 一种基于梯度表征相似性和Searchlight的FMRI脑影像分析方法 | |
CN111772629A (zh) | 一种脑认知技能移植的方法 | |
CN115721323A (zh) | 一种脑机接口信号识别方法、系统及电子设备 | |
Pathan et al. | Investigation on classification of motor imagery signal using Bidirectional LSTM with effect of dropout layers | |
Jubien et al. | Decoding of finger activation from ECoG data: a comparative study | |
Meriño et al. | A bag-of-words model for task-load prediction from EEG in complex environments | |
Mathur et al. | Weighted vector visibility based graph signal processing (WVV-GSP) for neural decoding of motor imagery EEG signals |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |