CN110074779A - 一种脑电信号识别方法及装置 - Google Patents

Abstract

本发明提供了一种脑电信号识别方法及装置，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后引入核矩阵计算脑电信号的协方差矩阵，进而得到聚合空间协方差矩阵；再对其进行特征分解并构造白化矩阵；利用白化矩阵对协方差矩阵进行变换并进行特征分解得到特征向量；通过特征向量构造空间过滤器，提取每类脑电信号的特征，得到与当前训练集对应的分类模型；最后利用多个分类模型确定待分类脑电信号的类别。本发明通过重复选取训练样本构成多个训练集，可以有效抑制脑电信号的个体性差异，提取到更具辨别力的特征，从而提高脑电信号的识别率，同时，在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

Description

一种脑电信号识别方法及装置

技术领域

本发明实施例涉及脑电信号处理技术领域，尤其涉及一种脑电信号识别方法及装置。

背景技术

BCI(Brain-Computer Interface，脑-机接口)系统是利用电生理信号，将用户的意图解码为控制命令来操纵设备的系统。根据获取用户思维意图的方式的不同，脑电信号又可以分为Ecog、EEG、MEG、FMRI等。其中EEG脑电信号因其非入侵性和低成本的特点而广受关注。当前基于EEG脑电信号的BCI研究主要集中于运动想象脑电信号方面，运动想象是通过让用户通过“想”的方式来产生相关脑电信号。对运动想象的研究表明，单侧肢体运动或者想象运动会对波(8-13Hz)和波(14.30Hz)的节奏活动和功率谱产生抑制/增强的效果，即事件相关去同步/同步(ERD/ERS)现象。根据这一现象，迄今为止研究者们已经提出了许多特征提取的方法，例如AR模型、Wavelet变换、HHT、CSP，等等。

发明人在实现本发明的过程中发现，脑电信号处理绕不开的两大难题在于：信号识别的准确率和耗时。然而，现有技术中的方法未很好的同时解决这两个问题。虽然CSP(common spatial pattern，共空间模式)近年来被证明是一种提取不同类型的运动想象信息的有效方法，不过EEG脑电信号存在个体性差异，且CSP算法假设采集的EEG信号和脑源信号之间存在线性关系，而从头皮顶部采集的EEG信号被认为是脑源信号和噪声源的非线性组合，故线性CSP不能充分探索EEG脑电信号的非线性结构，识别准确率不高。要想提高脑电信号识别准确率，一种办法是使用大样本数据进行训练和测试，例如使用深度学习中的DBN算法及其衍生算法构建脑电信号识别模型，提高了脑电信号识别率，然而这种方法却又耗时较长，大样本脑电数据采集也需要更精密的设备，投入更多的人力物力。

发明内容

本发明实施例提供一种脑电信号识别方法及装置，以提高EEG脑电信号的准确率和效率。

根据本发明实施例的第一方面，提供一种脑电信号识别方法，所述方法包括：

在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；

对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；

利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；

通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

可选的，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c，包括：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

可选的，对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P，包括：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

可选的，利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B，包括：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

S_i＝Bλ_iB^T，i＝1,2,...,k，

得到特征向量B。

可选的，通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，包括：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

可选的，利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别，包括：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

可选的，k＝2，所述脑电信号分为以下2类：

想象左手运动脑电信号，想象右手运动脑电信号。

可选的，在确定待分类脑电信号的类别之后，所述方法还包括：

根据所述类别及预设规则获取控制指令；

将所述控制指令转换为对应的电信号以控制指定设备。

根据本发明实施例的第二方面，提供一种脑电信号识别装置，所述装置包括：

分组模块，用于在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

训练模块，用于在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

分类模块，用于利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

可选的，所述训练模块在利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c时，具体用于：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

可选的，所述训练模块在对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P时，具体用于：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

可选的，所述训练模块在利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B时，具体用于：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

S_i＝Bλ_iB^T，i＝1,2,...,k，

得到特征向量B。

可选的，所述训练模块在通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y时，具体用于：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

可选的，所述分类模块具体用于：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

可选的，k＝2，所述脑电信号分为以下2类：

想象左手运动脑电信号，想象右手运动脑电信号。

可选的，所述装置还包括：

控制模块，用于在分类模块确定待分类脑电信号的类别之后，根据所述类别及预设规则获取控制指令；将所述控制指令转换为对应的电信号以控制指定设备。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明实施例中，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵；再对所述聚合空间协方差矩阵进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；最后利用多个训练集获得的多个分类模型确定待分类脑电信号的类别。由上可见，本发明实施例利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得信号间的方差值差异最大化，从而得到具有较高区分度的特征向量，通过重复选取训练样本构成多个训练集，可以有效抑制、削弱脑电信号的个体性差异，提取到更具辨别力的特征，从而提高EEG脑电信号的识别率，同时，本发明中在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。此外，这些介绍并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是根据本发明一示例性实施例示出的一种脑电信号识别方法流程图；

图2是根据本发明一示例性实施例示出的一种脑电信号识别方法流程图；

图3是根据本发明一示例性实施例示出的传感器电极位置分布示意图；

图4是根据本发明一示例性实施例示出的信号采集单次实验过程示意图；

图5是根据本发明一示例性实施例示出的一种脑电信号识别装置示意图；

图6是根据本发明一示例性实施例示出的一种脑电信号识别装置示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据本发明一示例性实施例示出的一种脑电信号识别方法的流程图。参见图1所示，该方法可以包括：

步骤S101，在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集。其中所述脑电信号分为k类，k≥2。

可以采集被测试者的脑电信号作为原始样本集。作为示例，为了降低研发成本，可以采用比较便宜的脑电信号采集仪(比如Emotiv)进行EEG脑电信号的采集，对此本实施例并不进行限制。

每次(也即每轮)从原始样本集中抽取n个脑电信号样本组成一个训练集，这样通过多次抽取训练样本，便可将训练样本数据构成一个个数据包，也即一个个训练集。需要说明的是，本发明中从原始样本集抽取n个样本时是随机抽取的，在一些情况下有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中。假设共进行x轮抽取，则得到x个训练集，也即x个数据包。这x个训练集之间是相互独立的。另外，原始样本集中的样本都是带标签，也就是说，已知晓每个样本所属的类别。

步骤S102，在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c。

本步骤及下面几个步骤的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得信号间的方差值差异最大化，从而得到具有较高区分度的特征向量。不过本发明在计算协方差矩阵时引入了核矩阵，例如它的大小可以是EEG信道的数量，通常远小于时间点的数量，从而可以减少计算量，进而降低耗时。

作为示例，在本实施例或本发明其他某些实施例中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c，具体可以包括：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

步骤S103，对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P。

作为示例，在本实施例或本发明其他某些实施例中，对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P，具体可以包括：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

步骤S104，利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B。

作为示例，在本实施例或本发明其他某些实施例中，利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B，具体可以包括：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

S_i＝Bλ_iB^T，i＝1,2,...,k，

得到特征向量B。所述特征向量B用于对所述k类脑电信号进行排序。

步骤S105，通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型。

作为示例，在本实施例或本发明其他某些实施例中，通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，具体可以包括：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

这样就得到了一组y_i，i＝1,2,...,k，也即从一个训练集中得到了一个分类模型。

步骤S106，利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

作为示例，在本实施例或本发明其他某些实施例中，利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别，具体可以包括：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

x个训练集得到x个分类模型，但这x个分类模型之间有差异，x个分类模型组合成了识别模型。例如同一个待分类的脑电信号，有10个分类模型，其中8个分类模型将其识别为第1类，2个分类模型将其识别为第2类，那么根据投票数8:2可知识别模型最终算出的结果为：该脑电信号属于第1类。

参见图2所示，图2是根据本发明一示例性实施例示出的一种脑电信号识别方法流程图，在本实施例或本发明其他某些实施例中，在确定待分类脑电信号的类别之后，所述方法还可以包括：

步骤S107，根据所述类别及预设规则获取控制指令，将所述控制指令转换为对应的电信号以控制指定设备。

例如指定设备可以是手机、车辆、轮椅、机械臂等，对此本实施例并不进行限制，本领域技术人员可以根据不同需求\不同场景而自行选择、设计，可以在此处使用的这些选择和设计都没有背离本发明的精神和保护范围。

在本实施例中，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵；再对所述聚合空间协方差矩阵进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；最后利用多个训练集获得的多个分类模型确定待分类脑电信号的类别。由上可见，本实施例利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得信号间的方差值差异最大化，从而得到具有较高区分度的特征向量，通过重复选取训练样本构成多个训练集，可以有效抑制、削弱脑电信号的个体性差异，提取到更具辨别力的特征，从而提高EEG脑电信号的识别率，同时，本发明中在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

下面再以k＝2，也即脑电信号分为2类(如表1所示)为例，并结合具体应用场景对本发明方案作进一步描述。当然以下应用场景为例仅为示例性的，在实际应用中，也可以适用于其它应用场景。

表1

类别1	想象左手运动脑电信号
		类别2	想象右手运动脑电信号

本实施例的技术方案可分两个过程：训练过程和应用过程。其中，训练过程的目的是为了建立一套完整左右手运动想象脑电信号的识别模型，应用过程是将训练出的脑电信号识别模型用于对设备的控制上。

(一)训练过程

1、脑电信号采集

信号采集模块包含以下两部分：一是用于信号采集的Emotiv传感器，二是用于记录与保存信号的TestBench软件。该信号采集模块的工作流程如下：先利用Emotiv传感器采集被测试者想象左、右手运动的脑电信号，再通过Emotiv传感器内置的放大器和滤波器对采集信号进行放大及滤波处理，最后，将模拟的电信号转换为数字信号，并输入到信号处理模块。

在使用Emotiv传感器之前，佩戴传感器并调试的过程中，必须在TestBench软件界面上确认电极是否与大脑皮层接触良好，将电极与大脑皮层的接触状态调至绿色，是采集高质量信号的前提，在进行脑电信号采集的过程中，这个软件需要一直开着，以便受试者随时观察电极与大脑皮层的接触情况。具体可参见图3所示，图3是根据本发明一示例性实施例示出的传感器电极位置分布示意图。

本方案设计了信号采集的单次实验过程如图4所示，图4是根据本发明一示例性实施例示出的信号采集单次实验过程示意图，具体实验过程为：

a、当t＝0s时，受试者停止遐想，进入放松状态；

b、当t＝2s时，受试者听到一个短促的提示声后，开始执行相应的想象左手运动和想象右手运动的指定任务；

c、在t＝6s时，同样在听到一个短促的提示声后，受试者停止相应动作的实验任务，经过短暂的休息后，再继续下次实验。

在两类特定任务中，想象左手运动和想象右手运动的脑电信号由14个通道采集，这是因为在10-20国际电极安放标准中，想象左、右手运动的脑电信号在C3和C4通道表现明显，而在Emotiv传感器的电极分布中，只有FC5和FC6的位置靠近C3和C4，如果只用Emotiv传感器的FC5和FC6传感器通道采集脑电信号，会导致采集信号的质量不够高，所以本方案采用Emotiv传感器的所有电极来采集脑电信号，并在处理算法上作出较大的突破，能使两类脑电信号有较高的识别率。

2、脑电信号特征提取

1)通过Emotiv采集的左右手运动想象脑电信号样本集中抽取训练集，每轮从原始样本集中抽取n个训练样本(在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中)。共进行x轮抽取，得到x个训练集，即x个数据包。x个训练集之间是相互独立的，下面需要对每个训练集分别进行特征提取和分类。

2)引入线性核矩阵K，计算被试者的协方差矩阵。其中，核矩阵的大小是EEG信道的数量，在本方案中为14，用M代替，即：K_M×M。则被试者的协方差矩阵为：

式中，E_M×T表示单次脑电信号，E_i表示第i类脑电信号，M表示通道数量，T表示每个通道的采样点数，i指的是脑电信号的类别。

为kernel函数，trace为矩阵的迹。

可以用R_c＝R₁+R₂来代替聚合空间协方差矩阵的计算，即：

3)将协方差矩阵分解为：即将R_c对角化。

式中，U₀∈R^n×n表示特征向量矩阵，Λ_c表示按递减顺序分类的特征值的对角矩阵。

通过在空间内使用白化矩阵P可以均衡方差，则：

式中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

4)变换协方差矩阵和特征分解，其中，白化矩阵P可用于将R₁和R₂转换为S₁和S₂：

S₁＝PR₁P^T,

S₂＝PR₂P^T.

S₁和S₂具有相同的特征向量，即若

S₁＝Bλ₁B^T,

S₂＝Bλ₂B^T,

λ₁+λ₂＝I,

式中，I表示单位矩阵。此时，对于这两个相应的特征值，总和只有一个。因此，具有S₁的最小特征值的特征向量对应有S₂的最大特征值，反之亦然。此属性使特征向量B能够对这两个类(左、右手运动想象脑电信号)进行排序。

λ₁+λ₂＝I，两个对角矩阵的和为单位矩阵，也就是说，λ₁的每一个特征值(有几阶，就有几个特征值)与λ₂对应的特征值之和为1，也就是说，具有S₁的最小特征值的特征向量对应有S₂的最大特征值，所以能对其进行排序。

5)构造空间过滤器W，并提取特征，所述的空间过滤器W构造方法的具体如下：

W＝(B^TP)^T

选择构造的空间过滤器W来映射一个训练样本E_i：

Z＝WE

则对于第i类脑电信号E_i，提取的特征向量y为：

其中，i为信号类别。其完整表达如下：

Z_L＝W×E_L

Z_R＝W×E_R

其中，E_L为一个左手运动想象脑电信号，E_R为一个右手运动想象脑电信号。y_L为一个E_L通过本方法提取的特征，y_R为一个E_R提取的的特征。

3、特征分类

使用线性判别分析(Linear Discriminative Analysis，LDA)将特征向量映射到低维空间，最后采用基于NNC(Nearest Neighbor Classifier)的分类算法区分左右手想象运动，具体做法为：

算出特征以后，判断离这个特征欧氏距离最近的几个样本中，哪一类别最多，就把它(信号样本)归属到哪一个类别。每次使用一个训练集得到一个分类模型，x个训练集共得到x个分类模型，这x个分类模型可以采用投票的方式得到分类结果。

(二)应用过程

利用训练过程得到的左右手运动想象脑电信号识别模型，将采集的待识别脑电信号进行分类。然后根据预先规定的控制方式得到对应的控制指令。再将信号识别后得到的控制指令发送到控制器。控制器将接收到的指令信息传送给电机控制系统。电机控制系统再将这些控制指令数据转换成脉冲信号控制电机驱动器，进而转换为相应电压信号驱动电机。

在本实施例中，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵；再对所述聚合空间协方差矩阵进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；最后利用多个训练集获得的多个分类模型确定待分类脑电信号的类别。由上可见，本实施例利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得信号间的方差值差异最大化，从而得到具有较高区分度的特征向量，通过重复选取训练样本构成多个训练集，可以有效抑制、削弱脑电信号的个体性差异，提取到更具辨别力的特征，从而提高EEG脑电信号的识别率，同时，本发明中在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图5是根据本发明一示例性实施例示出的一种脑电信号识别装置的示意图，该装置可以包括：

分组模块501，用于在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

训练模块502，用于在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

分类模块503，用于利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

在本实施例或本发明其他某些实施例中，所述训练模块在利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c时，具体可以用于：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

在本实施例或本发明其他某些实施例中，所述训练模块在对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P时，具体可以用于：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

在本实施例或本发明其他某些实施例中，所述训练模块在利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B时，具体可以用于：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

S_i＝Bλ_iB^T，i＝1,2,...,k，

得到特征向量B。

在本实施例或本发明其他某些实施例中，所述训练模块在通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y时，具体可以用于：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

在本实施例或本发明其他某些实施例中，所述分类模块具体可以用于：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

在本实施例或本发明其他某些实施例中，k＝2，所述脑电信号可以分为以下2类：

想象左手运动脑电信号，想象右手运动脑电信号。

另外参见图6所示，图6是根据本发明一示例性实施例示出的一种脑电信号识别装置示意图，在本实施例或本发明其他某些实施例中，所述装置还可以包括：

控制模块504，用于在分类模块确定待分类脑电信号的类别之后，根据所述类别及预设规则获取控制指令；将所述控制指令转换为对应的电信号以控制指定设备。

在本实施例中，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵；再对所述聚合空间协方差矩阵进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；最后利用多个训练集获得的多个分类模型确定待分类脑电信号的类别。由上可见，本实施例利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得信号间的方差值差异最大化，从而得到具有较高区分度的特征向量，通过重复选取训练样本构成多个训练集，可以有效抑制、削弱脑电信号的个体性差异，提取到更具辨别力的特征，从而提高EEG脑电信号的识别率，同时，本发明中在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

关于上述实施例中的装置，其中各个单元\模块执行操作的具体方式已经在相关方法的实施例中进行了详细描述，此处不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (16)

1.一种脑电信号识别方法，其特征在于，所述方法包括：

在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；

对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；

利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；

通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

2.根据权利要求1所述的方法，其特征在于，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c，包括：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

3.根据权利要求1所述的方法，其特征在于，对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P，包括：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

4.根据权利要求1所述的方法，其特征在于，利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B，包括：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

得到特征向量B。

5.根据权利要求1所述的方法，其特征在于，通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，包括：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

6.根据权利要求1所述的方法，其特征在于，利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别，包括：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

7.根据权利要求1所述的方法，其特征在于，k＝2，所述脑电信号分为以下2类：

想象左手运动脑电信号，想象右手运动脑电信号。

8.根据权利要求1所述的方法，其特征在于，在确定待分类脑电信号的类别之后，所述方法还包括：

根据所述类别及预设规则获取控制指令；

将所述控制指令转换为对应的电信号以控制指定设备。

9.一种脑电信号识别装置，其特征在于，所述装置包括：

分组模块，用于在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

训练模块，用于在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

分类模块，用于利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

10.根据权利要求9所述的装置，其特征在于，所述训练模块在利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c时，具体用于：

计算第i类脑电信号的协方差矩阵R_i：

其中，E代表E_M×T，表示单次脑电信号，M表示通道数量，T表示每个通道的采样点数，E_i表示第i类脑电信号，为kernel核矩阵，i＝1,2,...,k；

根据得到聚合空间协方差矩阵R_c。

11.根据权利要求9所述的装置，其特征在于，所述训练模块在对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P时，具体用于：

将R_c对角化：

其中，U₀∈R^n×n表示特征向量矩阵，R^n×n为实数域，Λ_c表示按递减顺序分类的特征值的对角矩阵；

得到白化矩阵P：

其中，λ^1/2为特征值矩阵，U₀是与特征值矩阵λ^1/2对应的特征向量矩阵。

12.根据权利要求9所述的装置，其特征在于，所述训练模块在利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B时，具体用于：

使用白化矩阵P将R_i转换为S_i：

S_i＝PR_iP^T，i＝1,2,...,k

根据

得到特征向量B。

13.根据权利要求9所述的装置，其特征在于，所述训练模块在通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y时，具体用于：

通过特征向量B构造空间过滤器W：

W＝(B^TP)^T

使用所述空间过滤器W对当前训练集中的脑电信号样本进行映射，其中E_i表示第i类脑电信号，i＝1,2,...,k：

Z_i＝W×E_i

对于第i类脑电信号，提取的特征y_i为：

14.根据权利要求9所述的装置，其特征在于，所述分类模块具体用于：

根据每个分类模型及NNC最近邻分类算法，获取每个分类模型对所述待分类脑电信号的分类结果；

根据x个分类结果通过投票方式确定所述待分类脑电信号的类别。

15.根据权利要求9所述的装置，其特征在于，k＝2，所述脑电信号分为以下2类：

想象左手运动脑电信号，想象右手运动脑电信号。

16.根据权利要求9所述的装置，其特征在于，所述装置还包括：

控制模块，用于在分类模块确定待分类脑电信号的类别之后，根据所述类别及预设规则获取控制指令；将所述控制指令转换为对应的电信号以控制指定设备。