CN111259741B - 一种脑电信号分类方法及系统 - Google Patents
一种脑电信号分类方法及系统 Download PDFInfo
- Publication number
- CN111259741B CN111259741B CN202010021322.XA CN202010021322A CN111259741B CN 111259741 B CN111259741 B CN 111259741B CN 202010021322 A CN202010021322 A CN 202010021322A CN 111259741 B CN111259741 B CN 111259741B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- electroencephalogram signal
- classifier model
- matrix
- classification
- 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
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
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种脑电信号分类方法及系统。该分类方法包括:获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据;利用工空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征;计算所述脑电特征中单次试验脑电信号对应的判别分数;获取分类器模型;所述分类器模型利用广义二次判别分析算法构建;判断所述判别分数是否大于或等于所述分类器模型中的分类标准;如果是,将所述判别分数对应的脑电信号数据确定为第一运动类别;如果否,将所述判别分数对应的脑电信号数据确定为第二运动类别。本发明可以提高脑电信号分类准确度。
Description
技术领域
本发明涉及脑机接口领域,特别是涉及一种脑电信号分类方法及系统。
背景技术
脑机接口技术是一种新的人机交互方式。该技术可以在不涉及周围神经系统和肌肉组织的情况下,实现人脑与计算机或其他设备之间的通信和控制,进而与外界环境进行通信。基于脑电的脑机接口技术已经成为许多领域的研究热点,包括康复工程、信号处理、模式识别、控制理论等领域,并逐渐发展成为一个新兴的多学科技术。而脑电信号辨识是神经康复应用脑机接口研究中的主要问题。
在脑电信号分类方面,不管是线性判别分析还是二次判别分析方法,都有广泛的应用。当特征维数比较大而样本个数相对较小的时候,就会出现效果不佳的情况,导致分类准确度低。
发明内容
本发明的目的是提供一种脑电信号分类方法及系统,以提高脑电信号分类准确度。
为实现上述目的,本发明提供了如下方案:
一种脑电信号分类方法,包括:
获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据;
利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征;
计算所述脑电特征中单次试验脑电信号对应的判别分数;
获取分类器模型;所述分类器模型利用广义二次判别分析算法构建;
判断所述判别分数是否大于或等于所述分类器模型中的分类标准;
当所述判别分数大于或等于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第一运动类别;
当所述判别分数小于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第二运动类别。
可选的,所述获取原始脑电信号数据,之后还包括:
采用8-13Hz的4阶巴特沃斯滤波器对所述原始脑电信号数据进行预处理,得到预处理后的原始脑电信号数据。
可选的,所述利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征,具体包括:
获取所述共空间模式算法的空间滤波矩阵;
利用所述共空间滤波矩阵,对所述原始脑电信号数据滤波,得到滤波后的脑电信号矩阵;
根据所述滤波后的脑电信号矩阵,利用公式提取所述原始脑电信号数据对应的脑电特征;其中,Zn为滤波后的脑电信号矩阵;n为滤波后的脑电信号矩阵Zn的行数;Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵,2m<M,M为脑电信号通道数,X为所述原始脑电信号数据对应的脑电特征。
可选的,所述计算所述脑电特征中单次试验脑电信号对应的判别分数,具体包括:
利用公式计算每个脑电信号对应的判别分数;其中,x为单次试验脑电信号,为单次试验脑电信号x对应的判别分数,μ1为第一运动类别的脑电信号均值向量,μ2为第二运动类别的脑电信号均值向量,∑1为第一运动类别的脑电信号特征的协方差矩阵,∑2为第二运动类别的脑电信号特征的协方差矩阵。
可选的,所述分类器模型中的分类标准为:clog(|∑1|/|∑2|),其中,c为所述分类器模型的参数,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
可选的,所述获取分类器模型,之前还包括:
获取脑电信号样本数据;所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据;
利用所述空间滤波矩阵ω,对所述脑电信号样本数据滤波,得到滤波后的脑电信号;
根据所述滤波后的脑电信号,提取脑电特征,得到所述脑电信号样本数据对应的脑电特征;
利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的特征空间矩阵的样本个数,xi第i运动类别的特征空间矩阵的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别;
计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2;
计算脑电特征中单次试验样本的判别分数;
获取当前迭代次数下所述分类器模型的参数c;
根据所述分类器模型的参数c计算当前分类器模型的分类标准;
将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果;
更新分类器模型的参数c,返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤;
得到所有迭代次数下的分类结果;
根据所述脑电信号样本数据所有迭代次数下的分类结果,计算每个迭代次数下的操作特性曲线面积值和最小均方误差值;
将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
本发明还提供一种脑电信号分类系统,包括:
原始脑电信号数据获取模块,用于获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据;
特征提取模块,用于利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征;
判别分数计算模块,用于计算所述脑电特征中单次试验脑电信号对应的判别分数;
分类器模型获取模块,用于获取分类器模型;所述分类器模型利用广义二次判别分析算法构建;
判断模块,用于判断所述判别分数是否大于或等于所述分类器模型中的分类标准;
第一运动类别确定模块,用于当所述判别分数大于或等于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第一运动类别;
第二运动类别确定模块,用于当所述判别分数小于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第二运动类别。
可选的,所述特征提取模块具体包括:
空间滤波矩阵获取单元,用于获取所述共空间模式算法的空间滤波矩阵;
滤波单元,用于利用所述空间滤波矩阵,对所述原始脑电信号数据滤波,得到滤波后的脑电信号;
特征空间矩阵提取单元,用于根据所述滤波后的脑电信号,利用公式提取所述原始脑电信号数据对应的脑电特征;其中,Zn为滤波后的脑电信号矩阵;n为滤波后的脑电信号矩阵Zn的行数;Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵,2m<M,M脑电信号通道数,X为所述原始脑电信号数据对应的脑电特征。
可选的,所述判别分数计算模块利用公式计算单次试验脑电信号对应的判别分数;其中,x为单次试验脑电信号,为单次试验脑电信号x对应的判别分数,μ1为第一运动类别的脑电信号均值向量,μ2为第二运动类别的脑电信号均值向量,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵;
所述分类器模型中的分类标准为:clog(|∑1|/|∑2|),其中,c为所述分类器模型的参数,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
可选的,还包括:
样本数据获取模块,用于获取脑电信号样本数据;所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据;
空间滤波模块,用于利用所述空间滤波矩阵ω,对所述的脑电信号样本数据滤波,得到滤波后的脑电信号;
特征空间提取模块,用于根据所述滤波后的脑电信号提取脑电特征,得到所述脑电信号样本数据对应的脑电特征;
脑电信号均值计算模块,用于利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的脑电特征的样本个数,xi第i运动类别的脑电特征的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别;
协方差矩阵计算模块,用于计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2;
判别分数计算模块,用于计算脑电特征中单次试验脑电信号样本的判别分数;
分类器模型参数获取模块,用于获取当前迭代次数下所述分类器模型的参数c;
分类标准计算模块,用于根据所述分类器模型的参数c计算当前分类器模型的分类标准;
分类模块,用于将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果;
分类器模型参数更新模块,用于更新分类器模型的参数c,返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤;
分类结果获取模块,用于得到所有迭代次数下的分类结果;
操作特性曲线面积值和均方误差值计算模块,用于根据第一运动类别的脑电信号样本数据、第二运动类别的脑电信号样本数据和所有迭代次数下的分类结果,计算每个迭代次数下的操作特性曲线面积值和均方误差值;
分类器模型参数确定模块,用于将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用共同空间模式方法优化脑电信号,可找到最优空间投影使两类信号的功率最大,而且不需要预先选择特异性频带,因此可以通过估计出两个空间滤波器来提取任务相关信号成分,并同时去除任务不相关成分和噪声,提高脑电信号后续分类的准确度;同时,基于广义二次判别分析构建的分类器模型,能够提高脑电信号分类的准确率,能够适用于高维小样本脑电数据。本发明的脑电信号分类方法及系统为应用到在线脑机接口系统提供技术支持。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明脑电信号分类方法的流程示意图;
图2为本发明脑电信号分类系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明脑电信号分类方法的流程示意图。如图1所示,本发明脑电信号分类方法包括以下步骤:
步骤100:获取原始脑电信号数据。原始脑电信号数据为用户想象运动时采集的脑电信号数据。想象运动是指人在不进行正常肢体运动的状态下,凭借大脑想象支配其肢体进行正常运动的思维过程。比如说想象左手运动、想象右手运动、想象脚运动。本发明对脑电信号分类是对不同的想象运动类别对应的脑电信号进行分类,以根据脑电信号确定当前用户的想象运动类别。例如,区分左手运动类别和右手运动类别。原始脑电信号数据通过脑电采集设备采集,得到M×N维的脑电信号矩阵,M为脑电采集设备的脑电信号的通道数,即脑电采集设备的导联数,N为每次试验的采样点数。
得到原始脑电信号数据之后可以进一步对数据进行预处理,例如,使用8-13Hz的4阶巴特沃斯滤波器对数据进行预处理。
步骤200:利用共空间模式算法对原始脑电信号数据进行特征提取,得到原始脑电信号数据对应的脑电特征。如果对原始脑电信号数据进行了预处理,此处则对预处理后的原始脑电信号数据进行特征提取,如果没有对原始脑电信号进行预处理,此处则对步骤100获得的原始脑电信号数据直接进行特征提取。具体的过程如下:
首先,根据共空间模式算法的空间滤波矩阵,利用公式Zn=ωE对原始脑电信号数据滤波,得到滤波后的脑电信号矩阵Zn。其中,E为原始脑电信号数据,为M×N维矩阵;ω为空间滤波矩阵,为M×M维矩阵。滤波后的脑电信号矩阵Zn也为M×N维矩阵。
然后,根据滤波后的脑电信号矩阵Zn,利用公式提取所述原始脑电信号数据对应的脑电特征X。其中,Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵,2m<M;n为滤波后的脑电信号矩阵Zn的行数。
本步骤的空间滤波矩阵可以通过样本数据求解得到,具体过程如下:
获取脑电信号样本数据,所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据。
目标函数为:
在J(ω)式中分子分母同乘以常数k,其值不变,令ω1=kω,即
J(ω1)=J(kω)=J(ω) (2)
结合式(1)和(2),对常数k进行调整,可以改变ω1的值。令ω1 TC2ω1=1,将对J(ω)求极值的问题化简为对ωTC1ω求极值的问题。从而能够把以上问题转变为求拉格朗日算子的表达式,即:
L(λ,ω)=ωTC1ω-λ(ωTC2ω-1) (3)
对式(3)中的ω求偏导,同时令左边为0,即
通过整理可得到:
步骤300:计算脑电特征中单次试验脑电信号对应的判别分数。单次试验脑电信号对应的判别分数用公式来计算。其中,x为单次试验脑电信号,单次试验脑电信号为所有脑电通道的脑电数据组成的向量,为单次试验脑电信号x对应的判别分数,μ1为第一运动类别的脑电信号均值向量,μ2为第二运动类别的脑电信号均值向量,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
步骤400:获取分类器模型。分类器模型利用广义二次判别分析算法构建。分类模型中包括分类标准,分类标准为:clog(|∑1|/|∑2|)。其中,c为所述分类器模型的参数。
分类器模型在构建时需要进行训练,确定分类器模型的参数c。此处训练样本仍然用步骤200中的脑电信号样本数据,具体训练过程如下:
利用所述空间滤波矩阵ω,对所述脑电信号样本数据滤波,得到滤波后的脑电信号。此处采用步骤200中相同的滤波方式对样本数据进行滤波。
根据所述滤波后的脑电信号提取脑电特征,得到脑电信号样本数据对应的脑电特征。此处采用步骤200中相同的特征提取方式对滤波后的脑电信号矩阵进行特征提取。
利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的脑电特征的样本个数,xi第i运动类别的脑电特征的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别。
计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2。
计算脑电特征中单次试验脑电信号样本的判别分数。此处采用步骤300中相同的计算公式计算单次试验脑电信号样本的判别分数。
获取当前迭代次数下所述分类器模型的参数c。分类器模型的参数c取值范围为-1~2。此处可以按照设定规则为每个迭代次数的分类器模型的参数赋值,也可以随机赋值,根据实际需求进行调整即可。
根据所述分类器模型的参数c计算当前分类器模型的分类标准。分类标准利用clog(|∑1|/|∑2|)计算。
将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果。
更新分类器模型的参数c,迭代次数加1,返回“根据所述分类器模型的参数c计算当前分类器模型的分类标准”的步骤,进入下一次迭代。
结合脑电信号样本数据和所有迭代次数下的分类结果,根据单次试验脑电信号样本真实的运动类别和分类得到的运动类别,计算每个迭代次数下的操作特性曲线面积值(area under the receiver operating characteristics curve,AUC)和均方误差值(themean square error,MSE);
将AUC最大值或MSE最小值对应的迭代次数下的分类器模型的参数c确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
步骤500:判断判别分数是否大于或等于分类器模型中的分类标准。如果是,执行步骤600;如果否执行步骤700。
步骤600:将判别分数对应的脑电信号数据确定为第一运动类别。
步骤700:将判别分数对应的脑电信号数据确定为第二运动类别。
本发明的广义二次判别分析方法可以通过自适应调整参数很好的区分变化的训练样本,从而对脑电信号非平稳性具有鲁棒性,分类器繁华性能能力得到提高。
表1为本发明脑电信号分类方法(GQDA)与其他分类方法的分类结果准确率比较表。表1中QDA为二次判别分析方法,LDA为线性判别分析,SVM为支持向量分类方法,每一组数据中分类准确率最高的结果用粗体字显示。
可以看出本发明采用的基于广义二次判别分析方法的分类器比二次判别分析具有更好的辨识准确率。
表1分类结果准确率比较表
图2为本发明脑电信号分类系统的结构示意图。如图2所示,本发明脑电信号分类系统包括以下结构:
原始脑电信号数据获取模块201,用于获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据。
特征提取模块202,用于利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征。
判别分数计算模块203,用于计算所述脑电特征中单次试验脑电信号对应的判别分数。
分类器模型获取模块204,用于获取分类器模型;所述分类器模型利用广义二次判别分析算法构建。
判断模块205,用于判断所述判别分数是否大于或等于所述分类器模型中的分类标准。
第一运动类别确定模块206,用于当所述判别分数大于或等于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第一运动类别。
第二运动类别确定模块207,用于当所述判别分数小于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第二运动类别。
作为具体实施例,本发明脑电信号分类系统的所述特征提取模块202具体包括:
空间滤波矩阵获取单元,用于获取所述共空间模式算法的空间滤波矩阵。
滤波单元,用于利用所述空间滤波矩阵,对所述原始脑电信号数据滤波,得到滤波后的脑电信号矩阵。
特征空间矩阵提取单元,用于根据所述滤波后的脑电信号矩阵,利用公式提取所述原始脑电信号数据对应的脑电特征;其中,Zn为滤波后的脑电信号矩阵;Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵,2m<M,M为脑电信号通道数,X为所述原始脑电信号数据对应的脑电特征。
作为具体实施例,本发明脑电信号分类系统的所述判别分数计算模块203利用公式计算单次试验脑电信号对应的判别分数;其中,x为单次试验脑电信号,为单次试验脑电信号x对应的判别分数,μ1为第一运动类别的脑电信号均值向量,μ2为第二运动类别的脑电信号均值向量,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
所述分类器模型中的分类标准为:clog(|∑1|/|∑2|),其中,c为所述分类器模型的参数,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
作为具体实施例,本发明脑电信号分类系统还包括:
样本数据获取模块,用于获取第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据。
空间滤波模块,用于利用所述空间滤波矩阵ω,对所述的脑电信号样本数据滤波,得到滤波后的脑电信号;
特征空间提取模块,用于根据所述滤波后的脑电信号提取脑电特征,得到脑电信号样本数据对应的脑电特征。
脑电信号均值计算模块,用于利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的脑电特征的样本个数,xi第i运动类别的脑电特征的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别。
协方差矩阵计算模块,用于计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2。
判别分数计算模块,用于计算脑电特征中单次试验脑电信号样本的判别分数。
分类器模型参数获取模块,用于获取当前迭代次数下所述分类器模型的参数c。
分类标准计算模块,用于根据所述分类器模型的参数c计算当前分类器模型的分类标准。
分类模块,用于将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果。
分类器模型参数更新模块,用于更新分类器模型的参数c,返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤。
分类结果获取模块,用于得到所有迭代次数下的分类结果。
操作特性曲线面积值和均方误差值计算模块,用于根据第一运动类别的脑电信号样本数据、第二运动类别的脑电信号样本数据和所有迭代次数下的分类结果,计算每个迭代次数下的操作特性曲线面积值和均方误差值。
分类器模型参数确定模块,用于将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种脑电信号分类方法,其特征在于,包括:
获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据;
利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征;
计算所述脑电特征中单次试验脑电信号对应的判别分数;
获取分类器模型;所述分类器模型利用广义二次判别分析算法构建;
判断所述判别分数是否大于或等于所述分类器模型中的分类标准;
当所述判别分数大于或等于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第一运动类别;
当所述判别分数小于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第二运动类别。
2.根据权利要求1所述的脑电信号分类方法,其特征在于,所述获取原始脑电信号数据,之后还包括:
采用8-13Hz的4阶巴特沃斯滤波器对所述原始脑电信号数据进行预处理,得到预处理后的原始脑电信号数据。
5.根据权利要求1所述的脑电信号分类方法,其特征在于,所述分类器模型中的分类标准为:clog(|∑1|/|∑2|),其中,c为所述分类器模型的参数,∑1为第一运动类别的脑电特征的协方差矩阵,∑2为第二运动类别的脑电特征的协方差矩阵。
6.根据权利要求1所述的脑电信号分类方法,其特征在于,所述获取分类器模型,之前还包括:
获取脑电信号样本数据;所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据;
利用所述空间滤波矩阵ω,对所述脑电信号样本数据滤波,得到滤波后脑电信号;
根据所述滤波后的脑电信号提取脑电特征,得到所述脑电信号样本数据对应的脑电特征;
利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的脑电特征的样本个数,xi第i运动类别的脑电特征的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别;
计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2;
计算脑电特征中单次试验脑电信号样本的判别分数;
获取当前迭代次数下所述分类器模型的参数c;
根据所述分类器模型的参数c计算当前分类器模型的分类标准;
将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果;
更新分类器模型的参数c,返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤;
得到所有迭代次数下的分类结果;
根据所述脑电信号样本数据和所有迭代次数下的分类结果,计算每个迭代次数下的操作特性曲线面积值和均方误差值;
将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
7.一种脑电信号分类系统,其特征在于,包括:
原始脑电信号数据获取模块,用于获取原始脑电信号数据;所述原始脑电信号数据为用户想象运动时采集的脑电信号数据;
特征提取模块,用于利用共空间模式算法对所述原始脑电信号数据进行特征提取,得到所述原始脑电信号数据对应的脑电特征;
判别分数计算模块,用于计算所述脑电特征中单次试验脑电信号对应的判别分数;
分类器模型获取模块,用于获取分类器模型;所述分类器模型利用广义二次判别分析算法构建;
判断模块,用于判断所述判别分数是否大于或等于所述分类器模型中的分类标准;
第一运动类别确定模块,用于当所述判别分数大于或等于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第一运动类别;
第二运动类别确定模块,用于当所述判别分数小于所述分类器模型中的分类标准时,将所述判别分数对应的脑电信号数据确定为第二运动类别。
10.根据权利要求7所述的脑电信号分类系统,其特征在于,还包括:
样本数据获取模块,用于获取脑电信号样本数据;所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据;
空间滤波模块,用于利用所述空间滤波矩阵ω,对所述的脑电信号样本数据滤波,得到滤波后的脑电信号;
特征空间提取模块,用于根据所述滤波后的脑电信号提取脑电特征,得到脑电信号样本数据对应的脑电特征;
脑电信号均值计算模块,用于利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2;Ni为第i运动类别的脑电特征的样本个数,xi第i运动类别的脑电特征的样本,Xi为第i运动类别的脑电特征,i=1表示第一运动类别,i=2表示第二运动类别;
协方差矩阵计算模块,用于计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征空间矩阵的协方差矩阵∑2;
判别分数计算模块,用于计算脑电特征中单次试验脑电信号样本的判别分数;
分类器模型参数获取模块,用于获取当前迭代次数下所述分类器模型的参数c;
分类标准计算模块,用于根据所述分类器模型的参数c计算当前分类器模型的分类标准;
分类模块,用于将判别分数大于或等于所述分类标准的样本确定为第一运动类别,将判别分数小于所述分类标准的样本确定为第二运动类别,得到当前迭代次数下分类结果;
分类器模型参数更新模块,用于更新分类器模型的参数c,返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤;
分类结果获取模块,用于得到所有迭代次数下的分类结果;
操作特性曲线面积值和均方误差值计算模块,用于根据脑电信号样本数据和所有迭代次数下的分类结果,计算每个迭代次数下的操作特性曲线面积值和均方误差值;
分类器模型参数确定模块,用于将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数,完成所述分类器模型的训练,得到训练好的分类器模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010021322.XA CN111259741B (zh) | 2020-01-09 | 2020-01-09 | 一种脑电信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010021322.XA CN111259741B (zh) | 2020-01-09 | 2020-01-09 | 一种脑电信号分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259741A CN111259741A (zh) | 2020-06-09 |
CN111259741B true CN111259741B (zh) | 2023-04-07 |
Family
ID=70950309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010021322.XA Active CN111259741B (zh) | 2020-01-09 | 2020-01-09 | 一种脑电信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259741B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112733727B (zh) * | 2021-01-12 | 2022-04-19 | 燕山大学 | 基于线性分析的特征决策融合的脑电意识动态分类方法 |
CN113486794B (zh) * | 2021-07-06 | 2022-04-15 | 燕山大学 | 基于混合模型的运动想象脑电信号分类方法 |
CN114721514B (zh) * | 2022-03-22 | 2024-08-23 | 北京理工大学 | 一种基于脑电信号的几何模型选择意图判别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2407912A2 (fr) * | 2010-07-13 | 2012-01-18 | Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives | Procédé et système de classification de signaux neuronaux, et procédé de sélection d'électrodes pour commande neuronale directe |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
CN107016355A (zh) * | 2017-03-20 | 2017-08-04 | 天津大学 | 一种低误触发率运动想象双层分类识别方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
-
2020
- 2020-01-09 CN CN202010021322.XA patent/CN111259741B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2407912A2 (fr) * | 2010-07-13 | 2012-01-18 | Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives | Procédé et système de classification de signaux neuronaux, et procédé de sélection d'électrodes pour commande neuronale directe |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
CN107016355A (zh) * | 2017-03-20 | 2017-08-04 | 天津大学 | 一种低误触发率运动想象双层分类识别方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
US10299694B1 (en) * | 2018-02-05 | 2019-05-28 | King Saud University | Method of classifying raw EEG signals |
Non-Patent Citations (2)
Title |
---|
付荣荣等 . Improvement motor imagery EEG classification based on regularized linear discriminant analysis.Journal of Medical Systems.2019,第43卷(第6期),1-13. * |
付荣荣等.基于Fisher准则的单次运动想象脑电信号意图识别研究.生物医学工程学杂志.2019,36(6),911-915,923. * |
Also Published As
Publication number | Publication date |
---|---|
CN111259741A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259741B (zh) | 一种脑电信号分类方法及系统 | |
CN111091074B (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
CN113158793B (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
CN106959753B (zh) | 基于运动想象脑-机接口的无人机虚拟控制方法及系统 | |
Anderson et al. | Geometric subspace methods and time-delay embedding for EEG artifact removal and classification | |
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 | |
Baali et al. | A transform-based feature extraction approach for motor imagery tasks classification | |
CN106943140A (zh) | 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法 | |
Ge et al. | A double-partial least-squares model for the detection of steady-state visual evoked potentials | |
CN103425249A (zh) | 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 | |
CN111797674B (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
CN106446762A (zh) | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 | |
CN110955330B (zh) | 基于复杂对象控制的高唤醒度的脑电意图辨析方法 | |
Wang et al. | Regularized filters for L1-norm-based common spatial patterns | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN110059564A (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 | |
Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
Kalantar et al. | Adaptive dimensionality reduction method using graph-based spectral decomposition for motor imagery-based brain-computer interfaces | |
CN113536882A (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
Lee et al. | A comparative analysis of multi-class EEG classification for brain computer interface | |
Nakra et al. | Feature Extraction and Dimensionality Reduction Techniques with Their Advantages and Disadvantages for EEG-Based BCI System: A Review. | |
CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN109214325A (zh) | 一种基于空间滤波与模版匹配的运动相关电位检测方法 | |
Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures |
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 |