CN110728189A - 一种基于Lp/q-混合范数的空间滤波方法及装置 - Google Patents

一种基于Lp/q-混合范数的空间滤波方法及装置 Download PDF

Info

Publication number
CN110728189A
CN110728189A CN201910861777.XA CN201910861777A CN110728189A CN 110728189 A CN110728189 A CN 110728189A CN 201910861777 A CN201910861777 A CN 201910861777A CN 110728189 A CN110728189 A CN 110728189A
Authority
CN
China
Prior art keywords
data
electroencephalogram
norm
iteration
spatial filtering
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
CN201910861777.XA
Other languages
English (en)
Inventor
王海贤
邓玥
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910861777.XA priority Critical patent/CN110728189A/zh
Publication of CN110728189A publication Critical patent/CN110728189A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于Lp/q‑混合范数的空间滤波方法及装置，分别用Lp‑范数和Lq‑范数对两类脑电信号建模，基于该Lp/q‑混合范数构造目标函数，并提供了一种求解最优空间滤波向量的迭代算法，从而提取精细判别信息，为脑‑机接口系统提供有益的分类方法，寻求具有判别力的特征，进而进行脑电信号分类。本发明方法具有抵制异常值对分类性能影响的作用，所提方法较传统的方法具有更好的分类性能、鲁棒性、稳定性。

Description

一种基于Lp/q-混合范数的空间滤波方法及装置
技术领域
本发明涉及基于Lp/q-混合范数的鲁棒性建模、以及脑-机接口系统中脑电信号的特征提取和分类领域，具体来说，涉及基于Lp/q-混合范数的共同空间模式方法、最优空间滤波器求解的迭代算法、以及其脑电信号分类方法，具体涉及一种基于Lp/q-混合范数的空间滤波方法及装置。
背景技术
由于在机器学习和模式识别领域中常见算法的目标函数都是基于L2-范数的表达式，但就统计学建模的角度而言，L2-范数的运用会导致过拟合和异常值敏感性等问题；而从传感器采集到的数据往往不可避免地会受到离群值值和噪声的污染，因此算法的鲁棒性建模引起了研究者广泛的关注。而近年来，基于范数的鲁棒性建模技术得到越来越多的关注和研究，例如文献《L1-norm-based common spatial patterns》中提出了用L1-范数的形式代替传统共同空间模式(CSP)目标函数中的L2-范数表达式，即CSP-L1方法、文献《Lp-andLs-norm distance based robust linear discriminant analysis》中提到的基于Lp-,Ls-范数距离的稳健线性判别分析方法(FLDA-Lsp)。
由于CSP与LDA的目标函数形式存在较大相似性，且基于L1-范数的CSP取得了较好的结果，故本发明提出一种基于Lp/q-混合范数的空间滤波方法。在该方法中，若p＝q＝2，则可看作是基于L2-范数的方法；若p＝q＝1，则转变成基于L1-范数的方法。因此，基于Lp/q-混合范数构造目标函数，理论上能提取精细判别信息，且具有一定的鲁棒性，从而进一步提高数据分类准确率，为脑-机接口系统提供有益的分类方法。
由于所提方法的目标函数为商的形式，且含有绝对值运算符，这使得传统的矩阵对角化求解空间滤波向量的方法不可行。针对这个问题，本发明给出一种简单有效的迭代算法来求解所提方法的最优空间滤波向量，并通过贪婪策略推广获得多重滤波器。从而提取出具有精细判别信息的特征，作为后续脑电分类的输入。
发明内容
为解决现有方法中存在的问题，本公开提供一种基于Lp/q-混合范数的空间滤波方法及装置，采用Lp/q-范数的鲁棒建模思想来提高算法的稳定性和鲁棒性；本发明还提供了一种求解基于Lp/q-混合范数的空间滤波方法的最优空间滤波向量的迭代算法，能提取出具有精细判别信息的特征，得到更稳定更高识别率的脑电信号分类结果。
为了实现上述目的，本发明提供一种基于Lp/q-混合范数的空间滤波方法，所述方法包括以下步骤：
步骤1，信号预处理，将采集到的脑电信号数据进行带通滤波处理，选取合适时间段的数据作为待处理数据；
步骤2，利用Lp/q-混合范数重新定义目标函数；
步骤3，以基于Lp/q-混合范数目标函数将脑电数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；
步骤4，将经过迭代得到的脑电数据进行特征提取；
步骤5，利用提取出的特征进行单试次脑电信号分类。
进一步地，在步骤1中，设置带通滤波频带为8Hz～30Hz，并选取刺激材料呈现时两至三秒间的脑电数据；
进一步地，在步骤2中，利用Lp/q-混合范数重新定义目标函数的方法为，设X(i)∈RC×N一类运动想象任务中脑电信号，
Figure BDA0002199995160000021
为一类信号中第i个试次的多变量序列，其中l＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示此类运动想象任务的试次数；同理，对于另一类运动想象任务中脑电信号Y(j)∈RC×N，
Figure BDA0002199995160000022
为另一类信号中第j个试次的多变量序列，其中l＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示此类运动想象任务的试次数；则新定义的目标函数为：
Figure BDA0002199995160000023
其中||·||p表示Lp-范数运算符，||·||q表示Lq-范数运算符，p和q取值在0到2之间，式中X和Y分别表示两类的所有样本，m和n分别表示两类的所有试次的样本数目。所提出的方法被称为基于Lp/q-混合范数的空间滤波方法(Common Spatial Patterns based onLp/q,CSP-Lp/q)。
进一步地，在步骤3中，以目标函数将原始数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据的方法，包括以下步骤：
步骤3.1，对于两类脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p,q值，0<p,q<2、学习率σ、收敛阈值ε以及最大迭代次数T；
步骤3.2，使用t代表迭代次数，并假设空间滤波向量ω≠0；设置t＝0，初始化ω(t)为任意C-维向量，并进行归一化，即ω(t)＝ω(t)/||ω(t)||2；
步骤3.3，定义两个极性函数ai(t)和bj(t)来分别实现目标函数中存在的绝对值运算：ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi、yj分别为数据矩阵X、Y的列向量；
步骤3.4，计算梯度向量：
Figure BDA0002199995160000031
步骤3.5，更新ω(t)，并进行归一化：ω(t+1)＝ω(t)+σg(t)，ω(t+1)＝ω(t+1)/||ω(t+1)||2；
步骤3.6，更新迭代次数：t←t+1；
步骤3.7，当目标函数值J(ω(t))没有显著增加时，停止迭代，得到空间滤波向量ω*＝ω(t)；否则返回步骤3.4继续迭代，直到达到最大迭代次数T，终止迭代。
进一步地，在步骤4中，将迭代后的脑电数据进行特征提取的方法，包括以下步骤：
步骤4.1，将预处理后的脑电数据分为有类别信息的训练数据和无类别信息的测试数据；
步骤4.2，根据步骤3的迭代方法，对处理后的脑电训练数据进行学习得到一组多重正交空间滤波器ω1，ω2，...，ωk，其中k表示求取的滤波向量的个数；
步骤4.3，利用学习得到的滤波器对任意单试次的脑电信号Z，提取特征向量：
F＝(f1,f2,...,fk)T
其中
Figure BDA0002199995160000032
是Z的加权数据矩阵，F是一个k-维的特征向量；
进一步地，在步骤5中，利用提取出的特征进行单试次脑电信号分类的方法，包括以下步骤：
步骤5.1，利用从有类别信息的训练数据提取出的特征作为线性判别分类器的输入，进行训练脑电数据的特征学习，得到与训练数据匹配的分类器。
步骤5.2，利用从无类别信息的测试数据提取出的特征作为分类器的输入，进行测试脑电数据的特征分类，记录分类的准确率。
本发明还提供了一种基于Lp/q-范数的空间滤波装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
所述处理器包括以下单元：
数据预处理单元，用于对原始数据进行预处理；
滤波器获取单元，用于以目标函数将预处理后的数据矩阵进行最优空间滤波向量的获取；
数据迭代单元，用于以最优空间滤波向量将预处理后的数据矩阵进行投影得到滤波后的脑电数据；
特征提取单元，用于将经过迭代得到的脑电数据进行特征提取；
信号分类单元，用于将提取出的特征数据进行单试次脑电信号分类。
本公开的有益效果为：本发明提供一种基于Lp/q-范数的空间滤波方法及装置，基于神经生理知识，考虑到不同的脑活动不一定需要用同样的范数刻画，分别用Lp-范数和Lq-范数对两类脑电信号建模，所获得的单次脑电信号分类具有良好的分类率，由于Lp-范数和Lq-范数具有抵制异常值的作用，较传统的方法具有更好的鲁棒性和稳定性。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1是一种基于Lp/q-范数的空间滤波方法的流程图；
图2是一种实施例的数据集的相关统计信息；
图3是一种进行脑电信号分类实施例的详细流程图；
图4是基于Lp/q-范数的空间滤波方法和传统CSP方法在所选数据集上分类结果的对比图；
图5所示为一种基于Lp/q-范数的空间滤波装置图。
具体实施方式
以下将结合实施例和附图对本发明公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示为根据本发明公开的一种基于Lp/q-范数的空间滤波方法的流程图，下面结合图1来阐述根据本发明公开的实施方式的一种基于Lp/q-范数的空间滤波方法。
本发明提出一种基于Lp/q-范数的空间滤波方法，具体包括以下步骤：
步骤1，信号预处理，将采集到的脑电信号数据进行带通滤波处理，选取合适时间段的数据作为待处理数据；
步骤2，利用Lp/q-混合范数重新定义目标函数；
步骤3，以基于Lp/q-混合范数目标函数将脑电数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；
步骤4，将经过迭代得到的脑电数据进行特征提取；
步骤5，利用提取出的特征进行单试次脑电信号分类。
一种基于Lp/q-混合范数的空间滤波方法的实施例为，设X(i)∈RC×N一类运动想象任务中脑电信号，
Figure BDA0002199995160000051
为一类信号中第i个试次的多变量序列，其中l＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示此类运动想象任务的试次数；同理，对于另一类运动想象任务中脑电信号Y(j)∈RC×N，
Figure BDA0002199995160000052
为另一类信号中第j个试次的多变量序列，其中l＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示此类运动想象任务的试次数。
本实施例的一种基于Lp/q-混合范数的空间滤波方法，其步骤为：
基于Lp/q-混合范数定义的目标函数为：
Figure BDA0002199995160000053
其中||·||p表示Lp-范数运算符，||·||q表示Lq-范数运算符，p和q取值在0到2之间，式中X和Y分别表示两类的所有样本，m和n分别表示两类的所有试次的样本数目。所提出的方法被称为基于Lp/q-混合范数的空间滤波方法。
求解实施例中一种基于Lp/q-混合范数的空间滤波方法的迭代方法，包括以下步骤：
(1)对于两类脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p,q值，0<p,q<2、学习率，即步长σ、收敛阈值ε以及最大迭代次数T；
(2)使用t代表迭代次数，并假设空间滤波向量ω≠0；设置t＝0，初始化ω(t)为任意C-维向量，并进行归一化，即ω(t)＝ω(t)/||ω(t)||2；
(3)定义两个极性函数ai(t)和bj(t)来实现目标函数的绝对值运算：ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi、yj分别为数据矩阵X、Y的列向量；
(4)计算梯度向量：
Figure BDA0002199995160000061
(5)更新ω(t)，并进行归一化：ω(t+1)＝ω(t)+σg(t)，ω(t+1)＝ω(t+1)/||ω(t+1)||2
(6)更新迭代次数：t←t+1；
(7)当目标函数值J(ω(t))没有显著增加时，停止迭代，得到空间滤波向量ω*＝ω(t)；否则返回步骤(4)继续迭代，直到达到最大迭代次数T，终止迭代。
如图2所示，本实施例中采用基于目标检测的脑-机接口系统的真实脑电数据集，图2展示了这组数据集的统计信息。
如图3所示，本实施例对于采集到的训练数据和测试数据进行以下处理：
(1)数据预处理及异常值的引入：将采集到的脑电信号数据进行5～30Hz的带通滤波，并选取目标图像出现前0.5s至出现后1.5s之间的数据作为样本，采样率为250Hz。为了验证所提方法的鲁棒性，本发明在该数据集的训练数据中引入异常值，从而模拟被污染的脑电数据。具体地说，每个被试的异常值由C-维的高斯分布NC(μ+3σ，∑)生成，其中μ是脑电训练数据的均值向量，σ是脑电训练数据的标准差向量，∑是脑电训练数据的协方差矩阵。单试次训练数据的异常值的个数分别取0.1N、0.2N、0.3N、0.4N以及0.5N(这里N为训练样本数)，它们被依次随机地加入原始脑电训练数据，模拟被污染的数据。
(2)对带通滤波后的脑电信号的数据矩阵利用所提的实施例的空间滤波方法求取获得一组最优空间滤波器，对脑电数据进行特征向量提取，其中迭代算法中的学习率参数σ选取多个，分别为{1e-2，1e-3，1e-4，1e-5，1e-6，1e-7，1e-8，1e-9，1e-10，1e-11}，收敛阈值ε＝1e-5，最大迭代次数T＝200，空间滤波器的对数为3。
(3)将由训练数据提取出的特征作为线性判别分类器的输入来训练分类器，从而对测试样本集样本进行判别。
如图4所示，图4展示了在未加入异常值的脑电数据上利用所提方法进行分类得到的分类准确率，其中p,q分别取0.5,1,1.5，这里01～10为不同被试的编号。为了比较所提方法的分类性能，图中列出传统CSP方法的分类结果，其中相关参数设置与所提方法相同。
被试01在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L0.5/1.5方法>CSP-L1.5/1方法>CSP-L0.5/1方法>CSP-L1.5/0.5方法>CSP-L1/0.5方法>CSP-L1/1.5方法>CSP方法；
被试02在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L0.5/1.5方法>CSP-L1/1.5方法>CSP-L0.5/1方法>CSP-L1/0.5方法>CSP-L1.5/1方法>CSP-L1.5/0.5方法>CSP方法；
被试03在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L1.5/0.5方法>CSP-L1.5/1方法>CSP-L1/0.5方法>CSP-L0.5/1方法>CSP-L0.5/1.5方法>CSP方法；
被试04在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L0.5/1.5方法>CSP-L1/0.5方法>CSP-L0.5/1方法>CSP-L1.5/0.5方法>CSP-L1.5/1方法>CSP方法；
被试05在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L0.5/1.5方法>CSP-L1.5/0.5方法>CSP-L1/0.5方法>CSP-L1/1.5方法>CSP-L1.5/1方法>CSP-L0.5/1方法>CSP方法；
被试06在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L0.5/1方法>CSP-L0.5/1.5方法>CSP-L1/1.5方法>CSP-L1.5/1方法>CSP-L1/0.5方法>CSP-L1.5/0.5方法>CSP方法；
被试07在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L0.5/1.5方法>CSP-L1/0.5方法>CSP-L1.5/0.5方法>CSP-L0.5/1方法>CSP-L1.5/1方法>CSP方法；
被试08在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L1/0.5方法>CSP-L1.5/1方法>CSP-L0.5/1方法>CSP-L1.5/0.5方法>CSP-L0.5/1.5方法>CSP方法；
被试09在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L1.5/1方法>CSP-L1/0.5方法>CSP-L1.5/0.5方法>CSP-L0.5/1方法>CSP-L0.5/1.5方法>CSP方法；
被试10在加噪测试条件下，被污染的脑电数据上的分类结果的平均分辨率比较CSP-L1/1.5方法>CSP-L1/0.5方法>CSP-L0.5/1方法>CSP-L0.5/1.5方法>CSP-L1.5/1方法>CSP-L1.5/0.5方法>CSP方法；
在加噪测试条件下十个被试的平均结果，即被污染的脑电数据上的分类结果的分辨率比较，CSP-L1/1.5方法>CSP-L0.5/1.5方法>CSP-L0.5/1方法>CSP-L1/0.5方法>CSP-L1.5/1方法>CSP-L1.5/0.5方法>CSP方法。
实施例2
如图5所示为本发明公开的一种基于Lp/q-混合范数的空间滤波装置图，该实施例的一种基于Lp/q-混合范数的空间滤波装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于Lp/q-混合范数的空间滤波装置实施例中的步骤。
所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
所述处理器包括以下单元：
数据预处理单元，用于对原始数据进行预处理；
滤波器获取单元，用于以目标函数将预处理后的数据矩阵进行最优空间滤波向量的获取；
数据迭代单元，用于以最优空间滤波向量将预处理后的数据矩阵进行投影得到滤波后的脑电数据；
特征提取单元，用于将经过迭代得到的脑电数据进行特征提取；
信号分类单元，用于将提取出的特征数据进行单试次脑电信号分类。
所述一种基于Lp/q-混合范数的空间滤波装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于Lp/q-混合范数的空间滤波装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于Lp/q-混合范数的空间滤波装置的示例，并不构成对一种基于Lp/q-混合范数的空间滤波装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于Lp/q-混合范数的空间滤波装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于Lp/q-混合范数的空间滤波装置运行装置的控制中心，利用各种接口和线路连接整个一种基于Lp/q-混合范数的空间滤波装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于Lp/q-混合范数的空间滤波装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，存储数据区可存储根据手机的使用所创建的数据。
尽管本发明公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明公开的预定范围。此外，上文以发明人可预见的实施例对本发明公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明公开的非实质性改动仍可代表本发明公开的等效改动。

Claims (7)

1.一种基于Lp/q-混合范数的空间滤波方法，其特征在于，所述方法包括以下步骤：
步骤1，信号预处理，将采集到的脑电信号数据进行带通滤波处理，选取合适时间段的数据作为待处理数据；
步骤2，利用Lp/q-混合范数重新定义目标函数；
步骤3，基于Lp/q-混合范数的目标函数将脑电数据矩阵进行最优空间滤波向量的迭代，得到迭代后的脑电数据；
步骤4，将经过迭代得到的脑电数据进行特征提取；
步骤5，利用提取出的特征进行单试次脑电信号分类。
2.根据权利要求1所述的一种基于Lp/q-混合范数的空间滤波方法，其特征在于，在步骤1中，设置带通滤波频带为8Hz～30Hz，并选取刺激材料呈现时两至三秒间的脑电信号数据。
3.根据权利要求1所述的一种基于Lp/q-混合范数的空间滤波方法，其特征在于，在步骤2中，利用Lp/q-混合范数重新定义目标函数的方法为，设X(i)∈RC×N一类运动想象任务中脑电信号，
Figure FDA0002199995150000011
为一类信号中第i个试次的多变量序列，其中l＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示此类运动想象任务的试次数；同理，对于另一类运动想象任务中脑电信号Y(j)∈RC×N，
Figure FDA0002199995150000012
为另一类信号中第j个试次的多变量序列，其中l＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示此类运动想象任务的试次数；则新定义的目标函数为：
Figure FDA0002199995150000013
其中||·||p表示Lp-范数运算符，||·||q表示Lq-范数运算符，p和q取值在0到2之间，式中X和Y分别表示两类的所有样本，m和n分别表示两类的所有试次的样本数目。
4.根据权利要求1所述的一种基于Lp/q-混合范数的空间滤波方法，其特征在于，在步骤3中，将原始数据矩阵进行最优空间滤波向量的迭代，得到迭代后的脑电数据，此方法包括以下步骤：
步骤3.1，对于两类脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p,q值，0<p,q<2、学习率σ、收敛阈值ε以及最大迭代次数T；
步骤3.2，使用t代表迭代次数，并假设空间滤波向量ω≠0；设置t＝0，初始化ω(t)为任意C-维向量，并进行归一化，即ω(t)＝ω(t)/||ω(t)||2；
步骤3.3，定义两个极性函数ai(t)和bj(t)来分别实现目标函数中存在的绝对值运算：ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi、yj分别为数据矩阵X、Y的列向量；
步骤3.4，计算梯度向量：
步骤3.5，更新ω(t)，并进行归一化：ω(t+1)＝ω(t)+σg(t)，ω(t+1)＝ω(t+1)/||ω(t+1)||2；
步骤3.6，更新迭代次数：t←t+1；
步骤3.7，当目标函数值J(ω(t))没有显著增加时，停止迭代，得到空间滤波向量ω*＝ω(t)；否则返回步骤3.4继续迭代，直到达到最大迭代次数T，终止迭代。
5.根据权利要求1所述的一种基于Lp/q-混合范数的空间滤波方法，其特征在于，在步骤4中，将迭代后的脑电数据进行特征提取的方法，包括以下步骤：
步骤4.1，将预处理后的脑电数据分为有类别信息的训练数据和无类别信息的测试数据；
步骤4.2，根据步骤3的迭代方法，对处理后的脑电训练数据进行学习得到一组多重正交空间滤波器ω1，ω2，...，ωk，其中k表示求取的滤波向量的个数；
步骤4.3，利用学习得到的滤波器对任意单试次的脑电信号Z，提取特征向量：
F＝(f1,f2,...,fk)T
其中
Figure FDA0002199995150000022
是Z的加权数据矩阵，F是一个k-维的特征向量。
6.根据权利要求1所述的一种基于Lp/q-混合范数的空间滤波方法，其特征在于，在步骤5中，利用提取出的特征进行单试次脑电信号分类的方法，包括以下步骤：
步骤5.1，利用从有类别信息的训练数据提取出的特征作为线性判别分类器的输入，进行训练脑电数据的特征学习，得到与训练数据匹配的分类器；
步骤5.2，利用从无类别信息的测试数据提取出的特征作为分类器的输入，进行测试脑电数据的特征分类，记录分类的准确率。
7.一种基于Lp/q-混合范数的空间滤波的装置，其特征在于，所述装置包括：存储器、处理器，所述处理器连接存储器；
所述处理器包括以下单元：
数据预处理单元，用于对原始数据进行预处理；
滤波器获取单元，用于以目标函数将预处理后的数据矩阵进行最优空间滤波向量的获取；
数据迭代单元，用于以最优空间滤波向量将预处理后的数据矩阵进行投影得到滤波后的脑电数据；
特征提取单元，用于将经过迭代得到的脑电数据进行特征提取；
信号分类单元，用于将提取出的特征数据进行单试次脑电信号分类。
CN201910861777.XA 2019-09-12 2019-09-12 一种基于Lp/q-混合范数的空间滤波方法及装置 Pending CN110728189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910861777.XA CN110728189A (zh) 2019-09-12 2019-09-12 一种基于Lp/q-混合范数的空间滤波方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910861777.XA CN110728189A (zh) 2019-09-12 2019-09-12 一种基于Lp/q-混合范数的空间滤波方法及装置

Publications (1)

Publication Number Publication Date
CN110728189A true CN110728189A (zh) 2020-01-24

Family

ID=69218191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910861777.XA Pending CN110728189A (zh) 2019-09-12 2019-09-12 一种基于Lp/q-混合范数的空间滤波方法及装置

Country Status (1)

Country Link
CN (1) CN110728189A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820876A (zh) * 2020-07-24 2020-10-27 天津大学 一种脑电空间滤波器的动态构建方法
CN112084896A (zh) * 2020-08-25 2020-12-15 东南大学 基于Lp/q-混合范数的联合递归加权空间滤波方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654063A (zh) * 2016-01-08 2016-06-08 东南大学 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
US20170251985A1 (en) * 2016-02-12 2017-09-07 Newton Howard Detection Of Disease Conditions And Comorbidities
CN109143356A (zh) * 2018-08-29 2019-01-04 电子科技大学 一种自适应混合范数字典学习地震波阻抗反演方法
CN109784233A (zh) * 2018-12-29 2019-05-21 佛山科学技术学院 一种基于Lp-范数的锁相值加权空间滤波方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654063A (zh) * 2016-01-08 2016-06-08 东南大学 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
US20170251985A1 (en) * 2016-02-12 2017-09-07 Newton Howard Detection Of Disease Conditions And Comorbidities
CN109143356A (zh) * 2018-08-29 2019-01-04 电子科技大学 一种自适应混合范数字典学习地震波阻抗反演方法
CN109784233A (zh) * 2018-12-29 2019-05-21 佛山科学技术学院 一种基于Lp-范数的锁相值加权空间滤波方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIAOLIN YE ET AL.: ""Lp- and Ls-Norm Distance Based Robust Linear Discriminant Analysis"", 《NEURAL NETWORKS》 *
方娜: ""基于Lp范数的局部时间共同空间模式研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111820876A (zh) * 2020-07-24 2020-10-27 天津大学 一种脑电空间滤波器的动态构建方法
CN111820876B (zh) * 2020-07-24 2023-04-28 天津大学 一种脑电空间滤波器的动态构建方法
CN112084896A (zh) * 2020-08-25 2020-12-15 东南大学 基于Lp/q-混合范数的联合递归加权空间滤波方法
CN112084896B (zh) * 2020-08-25 2024-05-03 东南大学 基于Lp/q-混合范数的联合递归加权空间滤波方法

Similar Documents

Publication Publication Date Title
Sikder et al. Human activity recognition using multichannel convolutional neural network
CN110288018A (zh) 一种融合深度学习模型的WiFi身份识别方法
EP3558102A1 (en) System and method for iterative classification using neurophysiological signals
CN111714118A (zh) 一种基于集成学习的脑认知模型融合方法
CN114155397B (zh) 一种小样本图像分类方法及系统
CN109784233B (zh) 一种基于Lp-范数的锁相值加权空间滤波方法及装置
CN110728189A (zh) 一种基于Lp/q-混合范数的空间滤波方法及装置
Wang et al. Regularized filters for L1-norm-based common spatial patterns
CN109446893A (zh) 人脸识别方法、装置、计算机设备及存储介质
Ni et al. Neurally-inspired hyperdimensional classification for efficient and robust biosignal processing
Navlakha et al. A high-throughput framework to detect synapses in electron microscopy images
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
Mohedano et al. Object segmentation in images using EEG signals
Mishra et al. EEG Classification for Visual Brain Decoding via Metric Learning.
Singh et al. Performance enhancement of salient object detection using superpixel based Gaussian mixture model
CN117648604A (zh) 一种基于动态图特征网络的脑机目标读取方法及系统
Mi et al. A comparative study and improvement of two ICA using reference signal methods
Dong et al. Scene-oriented hierarchical classification of blurry and noisy images
Dimitrov et al. Identification of EEG brain waves obtained by Emotive device
CN116340825A (zh) 一种基于迁移学习的跨被试rsvp脑电信号的分类方法
CN111677674A (zh) 一种故障检测方法及装置
CN108153414B (zh) 稳态视觉诱发电位信号的识别方法、系统及装置
Ouanan et al. A novel face recognition system based on Gabor and Zernike features
CN108229498B (zh) 一种拉链片识别方法、装置及设备
CN105787459A (zh) 一种基于最优评分稀疏判别的erp信号分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200124