CN110363242B - 一种基于支持向量机的大脑意识多分类方法及系统 - Google Patents

一种基于支持向量机的大脑意识多分类方法及系统 Download PDF

Info

Publication number
CN110363242B
CN110363242B CN201910625030.4A CN201910625030A CN110363242B CN 110363242 B CN110363242 B CN 110363242B CN 201910625030 A CN201910625030 A CN 201910625030A CN 110363242 B CN110363242 B CN 110363242B
Authority
CN
China
Prior art keywords
brain
movement
consciousness
blood oxygen
original data
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.)
Active
Application number
CN201910625030.4A
Other languages
English (en)
Other versions
CN110363242A (zh
Inventor
龙军
余姝蕾
赵贵虎
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201910625030.4A priority Critical patent/CN110363242B/zh
Publication of CN110363242A publication Critical patent/CN110363242A/zh
Application granted granted Critical
Publication of CN110363242B publication Critical patent/CN110363242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Optics & Photonics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于支持向量机的大脑意识多分类方法及系统，其中方法包括：采集被试者脑运动区在大脑意识运动时段内的脑血氧原始数据序列；对该序列进行预处理并提取特征值以构建特征向量，作为训练样本；针对所有k种意识运动类别分别获取训练样本；根据意识运动类别的数量k，构建k(k‑1)/2个SVM分类模型；针对每个SVM分类模型，从训练集中获取相应的训练样本，构成相应的子样本集；采用子样本集训练获取相应组合类别的SVM二分类器，并组合得到意识运动类别多分类器；按上述方法获取待测者的特征向量，输入至意识运动类别多分类器以对待测者进行意识运动识别。本发明可实现对未知意识运动类别进行在线实时多分类识别。

Description

一种基于支持向量机的大脑意识多分类方法及系统
技术领域
本发明涉及脑机接口技术领域，尤其是指一种基于支持向量机的大脑意识多分类方法及系统。
背景技术
现有的非侵入式脑机接口有脑电图(EEG)、脑磁图(MEG)、功能磁共振成像(fMRI)和功能性近红外脑成像(functional near-infrared spectroscopy,fNIRS)。在使用MEG和fMRI技术时，要求被试者不能有任何移动，故不适合在有大量运动的场景应用；EEG相比于MEG和fMRI，有更高的时间分辨率，是研究脑机接口的一种重要手段，但在使用前需要对被试者进行培训，理解操作过程和目的，且操作过程较长易使被试者疲劳，并且在运动实验中收集的信噪比不好。
而fNIRS，是一种使用光谱法测量大脑神经活动水平的神经成像方法，其是基于神经血管耦合，以氧合血红蛋白(HbO)、脱氧血红蛋白(HbR)和总血红蛋白(Hbtotal)等为指标，考察与神经元活动、细胞能量代谢以及血液动力学相关的大脑功能。
fNIRS可以在不依靠视觉激活信号或前期大量训练情况下在运动时收集脑部血氧数据，并且在运动时数据衰弱更少。fNIRS技术的非侵入式、对测试环境以及受被试者限制少、在认知活动的自然情景下支持长时间测量、不需要进行大量训练可减少培训时间、具有理想的空间和时间分辨率的功能性，便于信号的特征提取分析。fNIRS的上述优点，使其在脑机接口应用领域具有很大的优势，现已经成为认知神经科学研究必不可少的先进技术手段，其可以进行包括知觉、学习、记忆、推理、语言理解、知识获得、注意、情感和统称为意识的高级心理现象的研究。因此，fNIRS提供的时空信息可以用于许多不同的研究项目，涉及大脑奥秘的探索、脑工作机制的了解、脑网络的信息解码以及医学与心理学的特殊诊断等多个方面。
现有一些科学家采用fNIRS技术测量了大脑的血氧信号，实现心算、左手和右手的运动想象(MI)信号识别；还有例如分别利用支持向量机(SVM)，人工神经网络(ANN)和卷积神经网络(CNN)来探索休息态，左-右手运动执行的脑机接口三分类结果准确率。在做多分类的脑机接口实验时，较成熟的是二分类或者三分类的脑机接口分类，少见四分类的脑机接口分类。并且现有对脑机接口数据的分类分析，也是在脑机接口数据采集完毕之后保存下来做离线分析，而没有探究过被试者在做未知运动范式的情况下，实时在线分析输出分类结果。
发明内容
基于现有的大脑意识运动多分类的精度低、离线识别的处理时间长的技术问题，本发明提供一种基于支持向量机的大脑意识多分类方法及系统，实现对多种大脑意识运动进行在线实时分类。
为实现上述技术目的，本发明采用如下技术方案：
一种基于支持向量机的大脑意识多分类方法，包括以下步骤：
步骤1，获取原始数据；
采集被试者脑运动区在大脑意识运动时段内的脑血氧原始数据，并组成脑血氧原始数据序列；其中，已知大脑意识运动的意识运动类别；
步骤2，构建训练样本；
对每次大脑意识运动时段内的脑血氧原始数据序列进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量，将该特征向量记为1个训练样本；
按照大脑意识运动的意识运动类别，给训练样本赋以相应的标签值；
步骤3，构建训练集；
重复步骤1-2，直到针对所有k种预设意识运动类别共获取得到n个训练样本，并组成训练集；
步骤4，利用训练样本训练分类器；
步骤4.1，从k种意识运动类别中任意选择2种进行组合，得到k(k-1)/2种组合类别，然后针对每种组合类别构建相应的SVM分类模型；
步骤4.2，针对每个SVM分类模型，根据其组合类别所包括的意识运动类别，从训练集中获取相应的训练样本，构成与各SVM分类模型相应的子样本集；
步骤4.3，以子样本集中的训练样本为输入数据、以相应的标签值为输出数据，对相应组合类别的SVM分类模型进行训练，得到相应组合类别的SVM二分类器；
步骤4.4，采用投票表决方法对k(k-1)/2个SVM二分类器进行组合，得到意识运动类别多分类器；
步骤5，对待测意识运动类别进行分类；
步骤5.1，按步骤1实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列；
步骤5.2，按步骤2对脑血氧原始数据序列进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量；
步骤5.3，将特征向量输入至步骤4得到的意识运动类别多分类器，即可根据输出的标签值得到待测者的最终意识运动类别。
本发明提供的基于支持向量机的大脑意识多分类方法和系统，使用支持向量机一对一的方法对大脑意识运动进行多分类操作，其分类精度高，满足脑机接口的多分类精度要求；在需要增加或修改意识运动类别的可识别数量时，不需要重新训练所有SVM二分类器，仅需要针对新增或修改的意识运动类别训练新组合类别的SVM二分类器即可，而不需要重复训练所有SVM二分类器，节约模型训练成本，应用更灵活多变。
进一步地，所述步骤1的具体过程为：
当被试者按照预设意识运动类别进行大脑意识运动时，利用功能性近红外脑成像方法，获取被试者脑运动区在每个采集时间点的近红外光谱数据，并利用比尔-朗伯定律根据近红外光谱数据获取含氧血红蛋白变化量，将含氧血红蛋白变化量作为相应采集时间点的脑血氧原始数据；
将大脑意识运动时段内所有采集时间点的脑血氧原始数据，组成脑血氧原始数据序列。
fNIRS技术可以在不依靠视觉激活信号或前期大量训练情况下在运动时收集脑血氧数据，并且在运动时数据衰弱更少。fNIRS技术的非侵入式、对测试环境以及受试者限制少、在认知活动的自然情景下支持长时间测量、不需要进行大量训练、具有理想的空间和时间分辨率的功能性等优点，使其在脑机接口应用领域具有很大的优势。
进一步地，步骤5.1具体是由服务器端LSL平台利用功能性近红外脑成像设备，实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列，并以LSL数据流的方式通过TCP/IP网络实时传输至客户端LSL平台；步骤5.2具体是通过LSL客户端平台实时接收意识运动类别待测者脑运动区的脑血氧原始数据序列，并在客户端完成步骤5.2至步骤5.4，且在客户端显示待测者的最终意识运动类别。
本发明采用LSL数据流的方式，将服务器端采集到的脑血氧原始数据通过TCP/IP网络实时传输到客户端，客户端即可通过LSL平台读取到实时传输进来的脑血氧原始数据，进而可在客户端完成数据预处理并提取特征向量，利用客户端训练好的所有SVM二分类器实现对待测者的未知意识运动类别进行在线实时多分类识别，促进脑机接口的发展。
进一步地，步骤2进行预处理的方法为：使用巴特沃斯带通滤波器对脑血氧原始数据序列进行带通滤波处理，且巴特沃斯带通滤波器的频率带宽为0.01～0.2Hz。
进一步地，步骤2中提取特征值并构建特征向量的具体过程为：
使用宽度为M秒、滑动步长为1秒的滑动窗口，将每次大脑意识运动时段划分为N-M+1个子时段；
针对大脑意识运动的每个子时段，均计算脑运动区在当前子时段内所有采集时间点的脑血氧原始数据的平均值，作为对应子时段的脑血氧均值；每个脑血氧原始数据子序列对应得到N-M+1个脑血氧均值；
根据脑运动区在大脑意识运动时段内的所有采集时间点的脑血氧原始数据，构建相应的脑血氧时间响应曲线，并计算脑血氧时间响应曲线的最大斜率k1；
将N-M+1个子时段所对应的N-M+1个脑血氧均值和1个脑血氧时间响应曲线的最大斜率k1，分别作为脑运动区在大脑意识运动时段内的特征值，所有特征值构成大脑意识运动的特征向量。
本发明通过滑动窗口的方法提取若干个有效子时段的脑血氧均值作为特征值，而不是整个10s大脑意识运动时长的脑血氧原始数据进行计算特征值，可以提高训练所得SVM二分类器的分类精度。
进一步地，M＝5，N＝10。
进一步地，在每两次进行大脑意识运动之间，大脑至少保持休息状态的时长为T1。
本发明可以使被试者脑运动区的脑血氧含量恢复到基线水平，可避免使大脑一直保持在高水平的运动激活状态，从而调整被试主观上的疲惫感，减少实验效果影响。
进一步地，k＝4，k种预设意识运动类别分别为左手抓握运动、右手抓握运动、左臂托举运动和右臂托举运动。
本发明还提供一种基于支持向量机的大脑意识多分类系统，包括功能性近红外脑成像设备和基于支持向量机的大脑意识多分类装置，
所述功能性近红外脑成像设备，用于执行上述方法的步骤1；
所述基于支持向量机的大脑意识多分类装置，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器用于执行上述方法的步骤2-5。
有益效果
本发明提供的基于支持向量机的大脑意识多分类方法和系统，使用支持向量机一对一的方法对大脑意识运动进行多分类操作，其分类精度高，满足脑机接口的多分类精度要求；在需要增加或修改意识运动类别的可识别数量时，不需要重新训练所有SVM二分类器，仅需要针对新增或修改的意识运动类别训练新组合类别的SVM二分类器即可，而不需要重复训练所有SVM二分类器，节约模型训练成，应用更灵活多变。另外，本发明采用LSL数据流的方式，将服务器端采集到的脑血氧原始数据通过TCP/IP网络实时传输到客户端，客户端即可通过LSL平台读取到实时传输进来的脑血氧原始数据，进而可在客户端完成数据预处理并提取特征向量，利用客户端训练好的所有SVM二分类器实现对待测者的未知意识运动类别进行在线实时多分类识别，促进脑机接口的发展。
附图说明
图1为本发明所述实施例获取训练集的大脑意识运动设置顺序示意图；
图2为本发明所述实施例获取测试集的大脑意识运动设置顺序示意图；
图3为本发明所述实施例电极帽的数据采集通道示意图；
图4为本发明所述实施例脑血氧时间响应函数的曲线图；
图5为本发明所述实施例的实时数据传递过程示意图；
图6为本发明所述实施例的系统结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本发明提出一种基于支持向量机的多分类实时脑机接口方法及系统，利用近红外脑功能成像技术(fNIRS)采集在大脑意识运动时，其脑运动区的脑血氧信号来进行脑机接口研究，对未知大脑意识运动进行多分类在线实时识别。本实施例以左手抓握、右手抓握、左臂托举和右臂托举这4种大脑意识运动为例对本发明进行解释说明，包括以下步骤：
步骤1，获取原始数据；
人体在有意识要地执行肢体操作时，其大脑运动区会有相应的意识运动，而该意识运动会体现在脑运动区的含氧血红蛋白变化量和脱氧血红蛋白变化量数据中。故本实施例设计实验任务为：设置左手抓握、右手抓握、左臂托举和右臂托举这4种大脑意识运动，依次记为LH、RH、LA、RA；在相邻两个大脑意识运动之间设置休息期，记为R；
在被试者按要求佩戴电极帽后，电极帽按预设采集频率从被试者脑运动区采集数据，功能性近红外脑成像设备利用采集到的数据计算被试者的脑血氧原始数据，以获取训练样本。
如图1所示，在实验开始前，让被试者确保经历一个准备放松阶段，即准备期Ready；然后，被试者按照LH、R、RH、R、LA、R、RA、R的顺序进行大脑意识运动；循环执行5次，在第5次循环的最后一个大脑意识运动RA在执行完毕时，收到停止指令stop，停止大脑意识运动。
在每次大脑意识运动的时段内，被试者脑运动区的脑血氧原始数据会随时间发生变化，因此本实施例即可获取得到若干个脑血氧原始数据序列。由于循环执行5次，每次循环有4次不同的大脑意识运动，因此总共可得到20组脑血氧原始数据序列。
根据典型的脑血氧时间响应函数(HRF)如图4，整个大脑意识运动理想的变化周期大约为16s。2～4s的阴影部分表示刺激周期，5～6s左右HbO水平达到顶峰值，然后HbO水平下降，血氧水平逐渐平稳，在没有其他外部影响的情况下HbO水平值大约在16s恢复到基线水平。故本实施例取每个大脑意识运动和休息期均持续时长为10s。准备期Ready，是为了被试者在实验开始前其脑运动区的脑血氧含量保持在基线水平，然后再开始执行第一个大脑意识运动LH，确保第一个大脑意识运动所采集的数据更准确；休息期R，是为了使被试者脑运动区的脑血氧含量恢复到基线水平，可避免使大脑一直保持在高水平的运动激活状态，从而调整被试主观上的疲惫感，减少实验效果影响。
被试者停止实验任务后，实验者停止脑血氧含量数据的采集，并查看脑血氧原始数据序列是否保存成功。
实施实验任务采集测试集的脑血氧原始数据：打乱LH、RH、LA、RA所示的4种执行运动任务的顺序，如图2所示，在实验开始前，让被试者确保经历一个准备放松阶段，即准备期Ready；然后，被试者按照A1、R、A2、R、A3、R、A4的顺序执行相应的执行运动任务，其中A1、A2、A3、A4表示4种执行运动任务中的任意一种。
其中，电极帽的探头分布如图3所示，由8个光源探头(光源点)和8个接收探头(探测器)共同采集大脑运动区血氧变化情况，S1～S8表示光源点，D1～D8表示探测器。每个光源点与相邻探测器相连形成通道(如S1与D1,D2,D3相邻，故有3个通道S1-D1,S1-D2,S1-D3)，且相邻通道距离固定为3厘米，如果光源点与探测器相隔大于3厘米，采集数据信号太小，噪声干扰大，故最终只需要提取20个通道的特征值。在进行数据采集时，S1～S8依次闪烁，红外光透过大脑皮层由探测器接收数据，从而避免通道数据采集出现冲突。数据保存形式为“时间帧数*通道数”的信号数据矩阵。
功能性近红外脑成像设备通过光源发出红外光，通过探测器接收反射红外光，从而每个通道在每次大脑意识运动时段内的每个数据采集时间点，均能按照以下公式计算得到含氧血红蛋白变化量ΔcHbO和脱氧血红蛋白变化量ΔcHbR：
Figure BDA0002126812460000071
Figure BDA0002126812460000072
L＝DPF*D；
式中，I为设备记录的光强信号，I(0)为反射的光强信号，ε为极点与皮肤光耦损失，μ为消光系数，c为血红蛋白浓度，ν为散射损失，IBL为基线强度，ΔcHbR和ΔcHbO表示HbO和HbR的变化含量，L为光子路径平均长度，DPF为差分路径长度因子，D为相邻探头之间的距离，
功能性近红外脑成像设备保存的形式为“时间帧数*通道数”的信号数据矩阵，本实施例从信号数据矩阵取其中的含氧血红蛋白变化量作为脑血氧原始数据进行分析，故可通过功能性近红外脑成像设备获取得到脑血氧原始数据序列，且序列中的每个脑血氧原始数据均包括20个通道的含氧血红蛋白变化量数据。
步骤2，构建训练样本；
步骤2.1，对脑血氧原始数据序列进行预处理，在本实施例中具体为：
1)标记被试者在实验开始和结束每个执行运动任务期的时间点，便于程序提取段数据分析；
2)检查每个通道的数据是否完好，然后去除前后与任务时间段不相干的时间段信号，删除停顿间隔，移除不连续的信号，移除尖峰信号；
3)使用巴特沃斯带通滤波器对信号进行滤波，选取频率带宽为0.01～0.2Hz，目的是去除由于生理信号如心跳和呼吸带来的噪声影响；
步骤2.2，从得到的预处理数据中提取特征值并构建特征向量，将每一次大脑意识运动得到的特征向量记为1个训练样本，在本实施例中具体为：
1)根据每个大脑意识运动的时长和休息期的时长，从脑信号数据矩阵中，分解提取得到4种大脑意识运动各5个时长为10s的脑血氧原始数据序列；且序列中的每个脑血氧原始数据均包括20个通道数据；
2)针对每个脑血氧原始数据序列，均使用宽度为5s、滑动步长为1s的滑动窗口，每次大脑意识运动时段(时长为10s)划分为6个子时段，即0-5s、1-6s，2-7s，3-8s，4-9s，5-10s；
3)针对大脑意识运动的每个子时段，均计算脑运动区在当前子时段的脑血氧原始数据的平均值，作为脑运动区在当前子时段的脑血氧均值；每个脑血氧原始数据子序列的6个子时段，对应得到6个脑血氧均值；
然后对6个脑血氧均值按下式进行归一化处理：
Figure BDA0002126812460000081
式中，Z＝{zj},j＝1,2,…,6，zj为第j个子时段的脑血氧均值，z′j为脑血氧均值zj在归一化处理后其值范围为[0,1]的归一化数据，minZ为6个脑血氧均值中的最小值，maxZ为6个脑血氧均值中的最大值；
其中，第j个子时段的脑血氧均值zj是指，当第j个子时段内所有脑血氧原始数据、每个脑血氧原始数据的20个通道数据的总平均值；
本发明通过滑动窗口的方法提取若干个有效子时段的脑血氧均值作为特征值，而不是整个10s大脑意识运动时长的脑血氧原始数据进行计算特征值，可以提高训练所得SVM二分类器的分类精度。
4)根据脑运动区在大脑意识运动时段内的所有脑血氧原始数据，构建脑血氧时间响应曲线，并计算脑血氧时间响应曲线的最大斜率k1；
信号斜率(signal slope，SS)特征提取方法是在每个通道一段时间内脑血氧时间响应曲线进行直线拟合，拟合直线的斜率作为脑血氧原始数据的斜率特征值，利用最小二乘法进行直线拟合。假设待拟合观测点(xi,yi)，拟合直线可表示为：
Yi＝axi+b；
拟合值与实际观测点之间的误差方程为：
Figure BDA0002126812460000082
最小二乘法是求得一组(a,b)使Q(a,b)最小，通过对Q(a,b)分别求导，使其等于零，可求解得到系数a和b，表示如下：
Figure BDA0002126812460000083
因较长时间段直线拟合会造成较大的拟合误差，因此本实施例选择脑血氧时间响应曲线上的3个2s时间段(3-5s，4-6s，5-7s)内的斜率进行直线拟合，对比得到的3个斜率作为特征时的分类正确率，从中选择分类正确率最高的1个2s时间段，作为本发明的斜率特征提取时间段。
5)将每个脑血氧原始数据序列的6个脑血氧均值和1个脑血氧时间响应曲线的最大斜率k1，均作为脑运动区在当前大脑意识运动时段内的特征值，所有特征值构成脑运动区在大脑意识运动的特征向量，记为该大脑意识运动的1个训练样本；
步骤3，构建训练集；
由于在采集训练集的脑血氧原始数据时，共执行5次循环，每种大脑意识运动类别均得到5个脑血氧原始数据序列，因此每种大脑意识运动类别均得到5个训练样本。故本实施例针对4种预设意识运动类别共获取得到20个训练样本，将该20个训练样本构成为训练集。
步骤4，利用训练样本训练分类器；
步骤4.1，从4种大脑意识运动类别中任意选择2种进行组合，得到6种组合类别，分别为：LH_RH、LH_LA、LH_RA、RH_LA、RH_RA、LA_RA，然后针对每种组合类别构建1个相应的SVM分类模型，得到6个SVM分类模型分别为：SVMLH_RH、SVMLH_LA、SVMLH_RA、SVMRH_LA、SVMRH_RA、SVMLA_RA；
步骤4.2，针对每个SVM分类模型，根据其组合类别所包括的意识运动类别，从训练集中获取相应的训练样本，构成与各SVM分类模型相应的子样本集；
比如SVM分类模型SVMLH_RH，其对应的组合类别LH_RH包括LH和RH，因此从训练集中获取意识运动类别为LH的训练样本和意识运动类别为RH的训练样本，共同构成SVM分类模型SVMLH_RH的子样本集；
步骤4.3，以子样本集中的训练样本为输入数据、以相应的标签为输出数据，对相应组合类别的SVM分类模型进行训练，得到相应组合类别的SVM二分类器；
步骤4.4，采用投票表决方法对k(k-1)/2个SVM二分类器进行组合，得到意识运动类别多分类器。
在使用步骤4得到的大脑意识运动类别多分类器之前，本实施例还使用步骤1中实施实验任务采集到的测试集脑血氧原始数据，按步骤2相同方法获取得到测试样本，然后使用测试样本输入至步骤4得到的意识运动类别多分类器进行多分类识别，得到最终意识运动类别；然后将多个测试样本分别得到的最终意识运动类别，与相应真实的意识运动类别进行比较计算，得到当前大脑意识运动类别多分类器的分类精度。如果当前大脑意识运动类别多分类器的分类精度不够，则需要对其进一步训练调试，以保证最终可使用的大脑意识运动类别多分类器的分类精度足够高。
步骤5，对待测意识运动类别进行分类；
步骤5.1，按步骤1获取意识运动类别待测者脑运动区的脑血氧原始数据；
步骤5.2，按步骤2对脑血氧原始数据进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量；
步骤5.3，将特征向量输入至步骤4得到的意识运动类别多分类器，即可根据输出的标签值得到待测者的最终意识运动类别。
其中，步骤5.1具体是由服务器端LSL平台利用功能性近红外脑成像设备，实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列，并以LSL数据流的方式通过TCP/IP网络实时传输至客户端LSL平台；步骤5.2具体是通过LSL客户端平台实时接收意识运动类别待测者脑运动区的脑血氧原始数据序列，并在客户端完成步骤5.2和步骤5.3，且在客户端显示待测者的最终意识运动类别。
例如，在服务器端选择数据采集方式为LSL数据流，在客户端点击matlab的程序运行，程序运行至等待实时数据流从端口进来。当待测者开始进行LH、RH、LA、RA中的任意一种大脑意识运动后，实时数据流正式导入，触发客户端的matlab程序继续运行。然后程序会一直自动读取并保存每帧每通道的数据值，并将这些数据值存在至变量矩阵中，判断每过10s就将提取10s的信号数据矩阵，将这10s的信号数据矩阵移除不相干和尖峰信号，进行带通滤波处理，提取其均值和斜率特征值构建特征向量，输入至训练好的6个SVM二分类器中，最后针对6个SVM二分类器对应的6个输出结果采用投票表决方法来确定待测者的最终意识运动类别，并显示在客户端上
本发明步骤5对待测意识运动类别进行在线实时分类，具体是对服务器端采集得到的意识运动类别待测者脑运动区的脑血氧原始数据序列，服务器端采用LSL数据流的方式通过TCP/IP网络实时传输至客户端，由客户端运行matlab程序读取脑血氧原始数据序列的每一帧每个通道的信号数据，并在客户端进行预处理等后续操作。
因此，本发明将意识运动多分类与在线实时识别意识运动类别相结合，实现在线的脑机接口系统。
本发明使用支持向量机一对一的方法对大脑意识运动进行多分类操作，其分类精度高，满足脑机接口的多分类精度要求，而且还具有以下有益效果：
当前获取得到更多的训练样本，设新训练样本的意识运动类别为X，则可针对其组合类型包括该意识运动类别X的SVM二分类器的分类精度，使用新的训练样本与原子样本集中的训练样本一起重新训练该SVM分类模型，得到精度相对更高的SVM二分类器，而不需要重新训练所有组合类型的SVM二分类器。
若需要增加意识运动类别的类别数量，比如增加身体左转LB，则共有k＝5种意识运动类别，此时需要首先获取意识运动类别为身体左转LB的若干个训练样本，添加到训练集中；然后将身体左转LB与已有的4种意识运动类别进行组合，得到4种新的组合类别：LB_LH、LB_LA、LB_RH和LB_RA；再针对每种新的组合类别，从训练集中获取其包括的意识运动类别的训练样本，构建相应新的组合类别的子样本集；最后针对每种新的组合类别，构建相应的SVM分类模型，并以相应的子样本集训练相应的SVM分类模型，得到相应的SVM二分类器。在这种情况下，本发明不需要重新训练所有SVM二分类器，仅需要针对新增的意识运动类别训练新组合类别的SVM二分类器即可。
同理，若需要修改其中部分意识运动类别，如将左臂托举LA修改为身体左转LB，则可通过获取左臂托举LA相应的训练样本，将原来所有子样本集中的类别为LA的训练样本替换为类别为LB的训练样本；然后使用替换过训练样本的子样本集重新训练相应组合类别的SVM二分类器，即可使用重新得到的大脑意识运动类别多分类器来对LH、LB、RH、RA这四种类别的未知大脑意识运动进行分类。
本发明相应提供一种基于支持向量机的大脑意识多分类系统，如图5所示，包括功能性近红外脑成像设备和基于支持向量机的大脑意识多分类装置；其中功能性近红外脑成像设备，用于执行上述方法中的步骤1；基于支持向量机的大脑意识多分类装置，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器用于执行上述方法中的步骤2-5。
其中，该分类系统还包括实时数据传输装置，如图6所示，该实时数据传输装置包括服务器端LSL平台、TCP/IP网络和客户端LSL平台，在执行步骤5对待测意识运动类别进行分类时，步骤5.1具体是由服务器端LSL平台利用功能性近红外脑成像设备，实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列，并以LSL数据流的方式通过TCP/IP网络实时传输至客户端LSL平台；步骤5.2具体是通过LSL客户端平台实时接收意识运动类别待测者脑运动区的脑血氧原始数据序列，并在客户端完成步骤5.2至步骤5.4，且在客户端显示待测者的最终意识运动类别。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种基于支持向量机的大脑意识多分类方法，其特征在于，包括以下步骤：
步骤1，获取原始数据；
采集被试者脑运动区在大脑意识运动时段内的脑血氧原始数据，并组成脑血氧原始数据序列；其中，已知大脑意识运动的意识运动类别；
步骤2，构建训练样本；
对每次大脑意识运动时段内的脑血氧原始数据序列进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量，将该特征向量记为1个训练样本；
步骤2中提取特征值并构建特征向量的具体过程为：
使用宽度为M秒、滑动步长为1秒的滑动窗口，将每次大脑意识运动时段划分为N-M+1个子时段；
针对大脑意识运动的每个子时段，均计算脑运动区在当前子时段内所有采集时间点的脑血氧原始数据的平均值，作为对应子时段的脑血氧均值；每个脑血氧原始数据子序列对应得到N-M+1个脑血氧均值；
根据脑运动区在大脑意识运动时段内的所有采集时间点的脑血氧原始数据，构建相应的脑血氧时间响应曲线，并计算脑血氧时间响应曲线的最大斜率k1；
将N-M+1个子时段所对应的N-M+1个脑血氧均值和1个脑血氧时间响应曲线的最大斜率k1，分别作为脑运动区在大脑意识运动时段内的特征值，所有特征值构成大脑意识运动的特征向量；
按照大脑意识运动的意识运动类别，给训练样本赋以相应的标签值；
步骤3，构建训练集；
重复步骤1-2，直到针对所有k种预设意识运动类别共获取得到n个训练样本，并组成训练集；
步骤4，利用训练样本训练分类器；
步骤4.1，从k种意识运动类别中任意选择2种进行组合，得到k(k-1)/2种组合类别，然后针对每种组合类别构建相应的SVM分类模型；
步骤4.2，针对每个SVM分类模型，根据其组合类别所包括的意识运动类别，从训练集中获取相应的训练样本，构成与各SVM分类模型相应的子样本集；
步骤4.3，以子样本集中的训练样本为输入数据、以相应的标签值为输出数据，对相应组合类别的SVM分类模型进行训练，得到相应组合类别的SVM二分类器；
步骤4.4，采用投票表决方法对k(k-1)/2个SVM二分类器进行组合，得到意识运动类别多分类器；
步骤5，对待测意识运动类别进行分类；
步骤5.1，按步骤1实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列；
步骤5.2，按步骤2对脑血氧原始数据序列进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量；
步骤5.3，将特征向量输入至步骤4得到的意识运动类别多分类器，即可根据输出的标签值得到待测者的最终意识运动类别。
2.根据权利要求1所述的方法，其特征在于，所述步骤1的具体过程为：
当被试者按照预设意识运动类别进行大脑意识运动时，利用功能性近红外脑成像方法，获取被试者脑运动区在每个采集时间点的近红外光谱数据，并利用比尔-朗伯定律根据近红外光谱数据获取含氧血红蛋白变化量，将含氧血红蛋白变化量作为相应采集时间点的脑血氧原始数据；
将大脑意识运动时段内所有采集时间点的脑血氧原始数据，组成脑血氧原始数据序列。
3.根据权利要求2所述的方法，其特征在于，步骤5.1具体是由服务器端LSL平台利用功能性近红外脑成像设备，实时获取意识运动类别待测者脑运动区的脑血氧原始数据序列，并以LSL数据流的方式通过TCP/IP网络实时传输至客户端LSL平台；步骤5.2具体是通过LSL客户端平台实时接收意识运动类别待测者脑运动区的脑血氧原始数据序列，并在客户端完成步骤5.2至步骤5.3，且在客户端显示待测者的最终意识运动类别。
4.根据权利要求1所述的方法，其特征在于，步骤2进行预处理的方法为：使用巴特沃斯带通滤波器对脑血氧原始数据序列进行带通滤波处理，且巴特沃斯带通滤波器的频率带宽为0.01～0.2Hz。
5.根据权利要求1所述的方法，其特征在于，M＝5，N＝10。
6.根据权利要求1所述的方法，其特征在于，在每两次进行大脑意识运动之间，大脑至少保持休息状态的时长为T1。
7.根据权利要求1所述的方法，其特征在于，k＝4，k种预设意识运动类别分别为左手抓握运动、右手抓握运动、左臂托举运动和右臂托举运动。
8.一种基于支持向量机的大脑意识多分类系统，其特征在于，包括功能性近红外脑成像设备和基于支持向量机的大脑意识多分类装置，
所述功能性近红外脑成像设备，用于执行权利要求1至7任一项所述方法的步骤1；
所述基于支持向量机的大脑意识多分类装置，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器用于执行权利要求1至7任一项所述方法的步骤2-5。
CN201910625030.4A 2019-07-11 2019-07-11 一种基于支持向量机的大脑意识多分类方法及系统 Active CN110363242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910625030.4A CN110363242B (zh) 2019-07-11 2019-07-11 一种基于支持向量机的大脑意识多分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910625030.4A CN110363242B (zh) 2019-07-11 2019-07-11 一种基于支持向量机的大脑意识多分类方法及系统

Publications (2)

Publication Number Publication Date
CN110363242A CN110363242A (zh) 2019-10-22
CN110363242B true CN110363242B (zh) 2021-07-23

Family

ID=68218867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910625030.4A Active CN110363242B (zh) 2019-07-11 2019-07-11 一种基于支持向量机的大脑意识多分类方法及系统

Country Status (1)

Country Link
CN (1) CN110363242B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116458869B (zh) * 2023-04-13 2024-03-26 华南师范大学 基于视觉脑网络的意识检测方法、系统、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663414A (zh) * 2012-03-14 2012-09-12 大连灵动科技发展有限公司 一种基于脑功能成像的识别大脑认知状态的方法
CN103310217A (zh) * 2013-06-20 2013-09-18 苏州大学 基于图像协方差特征的手写体数字识别方法及装置
CN103425999A (zh) * 2013-08-27 2013-12-04 西安电子科技大学 基于非负张量投影算子分解算法的脑认知状态判定方法
CN103610468A (zh) * 2013-12-05 2014-03-05 深圳市奥博莱特科技有限公司 一种血氧血容绝对量检测装置及其方法
CN104921723A (zh) * 2015-05-15 2015-09-23 华南理工大学 一种基于多模态脑机接口的意识状态检测方法
CN106383579A (zh) * 2016-09-14 2017-02-08 西安电子科技大学 一种基于emg和fsr的精细手势识别系统及方法
CN106803081A (zh) * 2017-01-25 2017-06-06 东南大学 一种基于多分类器集成的脑电分类方法
CN108717534A (zh) * 2018-05-24 2018-10-30 中国航天员科研训练中心 基于功能性近红外光谱技术的操作者功能状态评估技术
CN109171713A (zh) * 2018-06-08 2019-01-11 杭州电子科技大学 基于多模态信号的上肢运动想象模式识别方法
CN109992113A (zh) * 2019-04-09 2019-07-09 燕山大学 一种基于多场景诱发的mi-bci系统及其控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663414A (zh) * 2012-03-14 2012-09-12 大连灵动科技发展有限公司 一种基于脑功能成像的识别大脑认知状态的方法
CN103310217A (zh) * 2013-06-20 2013-09-18 苏州大学 基于图像协方差特征的手写体数字识别方法及装置
CN103425999A (zh) * 2013-08-27 2013-12-04 西安电子科技大学 基于非负张量投影算子分解算法的脑认知状态判定方法
CN103610468A (zh) * 2013-12-05 2014-03-05 深圳市奥博莱特科技有限公司 一种血氧血容绝对量检测装置及其方法
CN104921723A (zh) * 2015-05-15 2015-09-23 华南理工大学 一种基于多模态脑机接口的意识状态检测方法
CN106383579A (zh) * 2016-09-14 2017-02-08 西安电子科技大学 一种基于emg和fsr的精细手势识别系统及方法
CN106803081A (zh) * 2017-01-25 2017-06-06 东南大学 一种基于多分类器集成的脑电分类方法
CN108717534A (zh) * 2018-05-24 2018-10-30 中国航天员科研训练中心 基于功能性近红外光谱技术的操作者功能状态评估技术
CN109171713A (zh) * 2018-06-08 2019-01-11 杭州电子科技大学 基于多模态信号的上肢运动想象模式识别方法
CN109992113A (zh) * 2019-04-09 2019-07-09 燕山大学 一种基于多场景诱发的mi-bci系统及其控制方法

Also Published As

Publication number Publication date
CN110363242A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
Kim et al. Deep physiological affect network for the recognition of human emotions
Solovey et al. Classifying driver workload using physiological and driving performance data: two field studies
Khan et al. Analysis of human gait using hybrid EEG-fNIRS-based BCI system: a review
CN111110230A (zh) 一种运动想象脑电特征增强方法及系统
Djamal et al. Identification of post-stroke EEG signal using wavelet and convolutional neural networks
Asgher et al. Classification of mental workload (MWL) using support vector machines (SVM) and convolutional neural networks (CNN)
Zhou et al. Hazard differentiation embedded in the brain: A near-infrared spectroscopy-based study
CN107967942B (zh) 一种基于近红外脑成像图谱特征的儿童孤独症谱系障碍分析系统
Xu et al. From the lab to the real-world: An investigation on the influence of human movement on Emotion Recognition using physiological signals
AU2020103304A4 (en) A cnn based model for disease classification using high temporal and spatial resolution images of simultaneous eeg-mri
Li et al. Detecting self-paced walking intention based on fNIRS technology for the development of BCI
Ergün et al. Decoding of binary mental arithmetic based near-infrared spectroscopy signals
CN115054243A (zh) 上肢康复训练系统闭环设计方法及系统
CN110363242B (zh) 一种基于支持向量机的大脑意识多分类方法及系统
CN113208613B (zh) 基于fhls特征选择的多模态bci时序优化方法
Ardito et al. Brain computer interface: Deep learning approach to predict human emotion recognition
Heinisch et al. The Impact of Physical Activities on the Physiological Response to Emotions
Ortega et al. HemCNN: Deep Learning enables decoding of fNIRS cortical signals in hand grip motor tasks
Liu et al. fNIRS feature extraction and classification in grip-force tasks
CN113812964B (zh) 脑电特征的代理测量及伪多模态冻结步态检测方法、装置
Ji et al. Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification
Khan et al. Detection and classification of three-class initial dips using vector phase analysis with dual threshold circles: an fNIRS study
Bhutta et al. Classification of fNIRS signals for deception decoding using LDA and SVM
Ito et al. Brain machine interface using portable Near-InfraRed spectroscopy—improvement of classification performance based on ICA analysis and self-proliferating LVQ
Yanagisawa et al. Development of NIRS-BCI system using perceptron

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