CN111931646A - 基于经验模态分解算法的运动想象脑电信号的识别系统 - Google Patents

基于经验模态分解算法的运动想象脑电信号的识别系统 Download PDF

Info

Publication number
CN111931646A
CN111931646A CN202010796189.5A CN202010796189A CN111931646A CN 111931646 A CN111931646 A CN 111931646A CN 202010796189 A CN202010796189 A CN 202010796189A CN 111931646 A CN111931646 A CN 111931646A
Authority
CN
China
Prior art keywords
motor imagery
hand
imagery electroencephalogram
electroencephalogram signal
signal
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
CN202010796189.5A
Other languages
English (en)
Inventor
金晶
孙浩
雷硕
李舒蕊
左词立
刘畅
王伟峰
王薇
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.)
Shanghai Shuli Intelligent Technology Co ltd
East China University of Science and Technology
Original Assignee
Shanghai Shuli Intelligent Technology Co ltd
East China University of Science and Technology
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 Shanghai Shuli Intelligent Technology Co ltd, East China University of Science and Technology filed Critical Shanghai Shuli Intelligent Technology Co ltd
Priority to CN202010796189.5A priority Critical patent/CN111931646A/zh
Publication of CN111931646A publication Critical patent/CN111931646A/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
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请提供了一种基于经验模态分解算法的运动想象脑电信号的识别系统、方法、设备和计算机可读介质，以及一种用于运动想象脑电信号识别的分类器的训练方法。该系统包括：信号采集设备；手部及上肢控制装置；以及处理器，用于：控制信号采集设备采集使用者的单手的运动想象脑电信号；基于经验模态分解算法对运动想象脑电信号进行降噪处理；对运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；使用预先训练好的分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手并得到识别结果；以及根据识别结果向手部及上肢控制装置发出相应手的运动控制指令。该系统有利于患者更好地参与主动康复治疗，有助于患者大脑形成控制回路。

Description

基于经验模态分解算法的运动想象脑电信号的识别系统
技术领域
本申请主要涉及医疗器械技术领域，尤其涉及一种基于经验模态分解算法的运动想象脑电信号的识别系统、方法、设备和计算机可读介质，以及一种用于运动想象脑电信号识别的分类器的训练方法。
背景技术
脑卒中(又称脑中风)是一种严重威胁老龄人健康的脑血液循环障碍性疾病，约四分之三的患者因脑部神经受损而患有不同程度的肢体运动障碍(偏瘫)，给患者带来沉重的精神痛苦和生活不便，同时，给家人和社会造成严重的经济负担，是当今世界必须面临的一个社会难题。如何帮助这些患者恢复和改善肢体运动功能，最大限度地提高其社会参与能力和自主生活能力，成为社会亟待解决的问题和现代康复医学的难题。
作为控制源的脑电信号可以分为诱发脑电和自发脑电两大类。诱发脑电，如P300、视觉诱发电位(VEP)、稳态视觉诱发电位(SSVEP)等，具有训练时间短、特征稳定的特点，因而被大量应用于脑-机接口(Brian Computer Interface，简称BCI)中。但由于诱发脑电需要依赖外部刺激才能实现，并不能实现主动训练中患者对康复辅助设备主观意图的控制。而自发脑电，是一种大脑皮层自发产生的节律性电位变化。例如运动想象，指患者通过自主想象肢体动作，无需外界刺激。
真实运动与运动想象具有相同的运动神经元通路和相似的关联性脑激活。利用脑-机接口技术识别患者的运动想象脑电信号(Motor Imagery Electroencephalography，MI-EEG)，可将患者运动意愿翻译成控制命令驱动康复设备动作，帮助患者完成主动康复训练，有利于改善运动功能恢复效果。
由于脑电信号信噪比低、个体差异较大以及其它信号的干扰(肌电信号和眼电信号)，使得脑-机接口分类率很难提高。因此，需要一种改进的脑电信号(Electroencephalogram，EEG)识别算法。
发明内容
本申请要解决的技术问题是提供一种基于经验模态分解算法的运动想象脑电信号的识别系统、方法、设备和计算机可读介质，以及一种用于运动想象脑电信号识别的分类器的训练方法，能够提高脑电信号的识别率。
为解决上述技术问题，本申请提供了一种基于经验模态分解算法的运动想象脑电信号的识别系统，包括：信号采集设备，用于采集使用者的单手的运动想象脑电信号；手部及上肢控制装置，用于根据接收到的运动控制指令进行相应的运动；以及处理器，用于：控制所述信号采集设备采集使用者的单手的运动想象脑电信号；基于经验模态分解算法对所述运动想象脑电信号进行降噪处理；对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果；以及根据所述识别结果向所述手部及上肢控制装置发出相应手的运动控制指令。
可选地，所述对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵是采用共空间模式算法。
可选地，所述预先训练好的分类器包括多个预先训练好的支持向量机分类器。
可选地，所述使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果包括：分别使用所述多个预先训练好的支持向量机分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手，并相应地得到多个初步识别结果；以及根据所述多个初步识别结果和预设分类器参数得到所述识别结果。
可选地，所述多个预先训练好的分类器的数量为三个，所述三个预先训练好的支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
可选地，所述处理器还用于对所述运动想象脑电信号进行预处理，其中所述预处理包括滤波处理。
为解决上述技术问题，本申请还提供了一种基于经验模态分解算法的运动想象脑电信号的识别方法，包括以下步骤：采集使用者的单手的运动想象脑电信号；基于经验模态分解算法对所述运动想象脑电信号进行降噪处理；对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果；以及根据所述识别结果发出相应手的运动控制指令。
可选地，所述对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵是采用共空间模式算法。
可选地，所述预先训练好的分类器包括多个预先训练好的支持向量机分类器。
可选地，所述使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果包括：分别使用所述多个预先训练好的支持向量机分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手，并相应地得到多个初步识别结果；以及根据所述多个初步识别结果和预设分类器参数得到所述识别结果。
可选地，所述多个预先训练好的分类器的数量为三个，所述三个预先训练好的支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
可选地，所述方法还包括：对所述运动想象脑电信号进行预处理，其中所述预处理包括滤波处理。
为解决上述技术问题，本申请还提供了一种用于运动想象脑电信号识别的分类器的训练方法，包括以下步骤：分别采集使用者的样本左手运动想象脑电信号和样本右手运动想象脑电信号并进行标记；基于经验模态分解算法对所述样本左手运动想象脑电信号和所述样本右手运动想象脑电信号分别进行降噪处理；对所述样本左手运动想象脑电信号和所述样本右手运动想象脑电信号分别进行特征提取，并得到样本左手运动想象脑电信号的特征矩阵和样本右手运动想象脑电信号的特征矩阵；以及将所述样本左手运动想象脑电信号的标记、所述样本右手运动想象脑电信号的标记、所述样本左手运动想象脑电信号的特征矩阵和所述样本右手运动想象脑电信号的特征矩阵作为分类器的输入进行训练，并得到训练好的分类器。
可选地，所述分类器包括多个分类器；所述方法还包括：使用投票策略选择训练好的多个分类器并得到分类器参数。
可选地，所述多个分类器为三个支持向量机分类器，其中所述三个支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
为解决上述技术问题，本申请还提供了一种基于经验模态分解算法的运动想象脑电信号的识别设备，包括：存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如上所述的基于经验模态分解算法的运动想象脑电信号的识别方法。
为解决上述技术问题，本申请还提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的基于经验模态分解算法的运动想象脑电信号的识别方法。
与现有技术相比，本申请的基于经验模态分解算法的运动想象脑电信号的识别方法通过采用经验模态分解算法对采集到的运动信息脑电信号进行降噪处理以大幅度地提高信号的信噪比，然后提取运动想象脑电信号的特征，将提取到的特征送入分类器中进行更准确的运动意图的判断，最终转化为外部装置的运动控制命令，通过外部装置完成对使用者上肢的康复训练，有利于患者更好地参与主动康复治疗，有助于患者大脑形成控制回路，帮助患者更快地康复。
附图说明
包括附图是为提供对本申请进一步的理解，它们被收录并构成本申请的一部分，附图示出了本申请的实施例，并与本说明书一起起到解释本申请原理的作用。附图中：
图1是根据本申请一实施例示出的基于经验模态分解算法的运动想象脑电信号的识别方法的流程示意图。
图2是根据本申请一实施例示出的图1的步骤104的流程示意图。
图3是根据本申请一实施例示出的基于经验模态分解算法的运动想象脑电信号的识别系统的框图。
图4是根据本申请一实施例示出的基于电刺激的手功能评估设备的框图。
图5是根据本申请一实施例示出的用于运动想象脑电信号识别的分类器的训练方法的流程示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本申请提供了一种基于经验模态分解算法的运动想象脑电信号的识别方法。图1是根据本申请一实施例示出的基于经验模态分解算法的运动想象脑电信号的识别方法的流程示意图。如图1所示，该基于经验模态分解算法的运动想象脑电信号的识别方法包括以下步骤：
步骤101，采集使用者的单手的运动想象脑电信号；
步骤102，基于经验模态分解算法对运动想象脑电信号进行降噪处理；
步骤103，对运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；
步骤104，使用预先训练好的分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手并得到识别结果；以及
步骤105，根据识别结果发出相应手的运动控制指令。
在步骤101中，基于经验模态分解算法的运动想象脑电信号的识别系统采集使用者的单手的运动想象脑电信号。
系统在使用者想象自己其中一只手抬起的期间采集使用者的运动想象脑电信号(Motor Imagery Electroencephalography，MI-EEG)。运动想象脑电信号的采集可以通过脑-机接口(Brian Computer Interface，BCI)进行。在一个示例中，使用者可以接收系统界面发出的让使用者想象左手或右手抬起若干秒的指令，然后使用者根据指令开始想象相应的手抬起并持续若干秒，系统开始采集使用者的单手的运动想象脑电信号若干秒。可选地，当一次采集结束后，若系统尚未采集到足够的运动想象脑电信号，系统可再次进行采集，直到系统采集到足够多的数据。
在步骤102中，系统基于经验模态分解(Empirical mode decomposition，EMD)算法对运动想象脑电信号进行降噪处理。
步骤101中所采集到的运动想象EEG信号通常带有很大的噪声影响，因此需要对其进行降噪处理。经验模态分解(Empirical mode decomposition，EMD)算法是一种自适应的数据处理方法，适用于分析非线性非平稳时间序列。其核心思想为通多数据的时间尺度来获取本征波动模态，具体来讲就是将原有的非平稳非线性的时间序列分解成一系列的本征模态的和的形式。EMD算法分解出来的这些本征模态函数可以被看成是不同频率下的信号。通过对本征模态函数的鉴别，系统可以区分出高频噪声分量并将这些分量剔除掉，重构出运动想象EEG信号。通过使用EMD算法来对运动想象EEG信号进行降噪处理，可以得到噪声较少的运动想象EEG信号。EMD这种去噪方法是基于运动想象EEG信号自身的，能够很好地去掉高频噪声，大幅度减少高频噪声的影响。
可选地，本实施例的基于经验模态分解算法的运动想象脑电信号的识别方法还可以包括步骤106，系统对运动想象脑电信号进行预处理，其中预处理包括滤波处理。步骤106可以在步骤101之后和步骤102之前进行，也可以在步骤102之后和步骤103之前进行，本申请对此不作限定。在一个示例中，系统可以使用带通滤波器进行滤波处理。
在步骤103中，系统对运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵。可选地，系统可以采用共空间模式(Common Spatial Pattern，CSP)算法对运动想象脑电信号进行特征提取。CSP算法是一种对二分类任务下的空域特征提取算法，能够对多通道EEG信号的空域(Spatial Patterns)特征进行提取。CSP算法的中心思想是使用一种线性变换的方式，通过一个投影矩阵将多通道的EEG数据投影到低维空域子空间中。CSP算法可以最大化两组信号矩阵之间的方差差异。CSP算法的详细描述如下，用于分类左手和右手的运动想象EEG。XL和XR分别表示为预处理后的左手和右手运动想象的EEG矩阵，矩阵的尺寸为N×T，其中N代表EEG信号的通道数，T代表每个通道的信号数。EEG的归一化空间协方差矩阵公式如公式1所示：
Figure BDA0002625709710000071
XT表示X的转置矩阵，矩阵的迹(A)计算出矩阵A对角线上所有元素的和。然后求混合空间协方差矩阵R，如公式2所示：
Figure BDA0002625709710000081
公式2中，
Figure BDA0002625709710000082
和
Figure BDA0002625709710000083
分别为左手、右手脑电数据的平均协方差矩阵。对混合空间协方差矩阵R按公式3进行特征值分解：
R＝U0ΣU0 T (公式3)
公式3中U0是特征向量矩阵，Σ是对应的特征值构成的对角矩阵。将特征值进行降序排列，得到白化矩阵，如公式4所示：
Figure BDA0002625709710000084
对
Figure BDA0002625709710000085
和
Figure BDA0002625709710000086
进行如下变换，如公式5所示：
Figure BDA0002625709710000087
通过上面的公式可以证明矩阵SR的特征向量和矩阵SL的特征向量矩阵是相等的，如公式6所示：
SR＝UΣRUT,SL＝UΣLUT,ΣR+ΣL＝I (公式6)
由于两类矩阵的特征值相加总是为1，则SR最大特征值对应的特征向量使SL最小的特征值，反之亦然。在ΣR和ΣL中的最大特征值对应的白化EEG矩阵转换成的特征向量是将方差差异最大的化的最优解。由此可得到投影矩阵W，如公式7所示：
W＝UTP (公式7)
通过该投影矩阵W，原始的EEG信号可以被转换成不相关的成分，如公式8所示：
Z＝WX (公式8)
矩阵Z的可以视为EEG的源成分，包含不同类型数据的共同成分和特殊成分。原始EEG信号X可重构为如下，如公式9所示：
X＝W-1Z (公式9)
其中W-1是矩阵W的逆矩阵。W-1的列向量是空间特征，可视为EEG的源分布向量。对于特征向量fi的提取方式如下：
fi＝VAR(Zi) (公式10)
通过公式10即可将数据投影到特征向量中。
CSP算法能够从多通道的运动想象EEG信号里面提取每一类的空间分布成分，使得两类信号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。
在步骤104中，由运动想象EEG数据得到的特征矩阵需要由分类器进行分类，系统使用预先训练好的分类器根据运动想象EEG的特征矩阵来识别出使用者在采集该运动信息EEG时所想象的手为左手或右手。可选地，预先训练好的分类器可以包括多个预先训练好的支持向量机分类器(Support Vector Machine，SVM)。支持向量机分类器是一类监督学习方式对数据进行二元分类的广义线性分类器(Generalized Linear Classifier)，其决策边界是对学习样本求解的最大边距超平面(Maximum-margin Hyperplane)。
进一步地，系统可以使用三个预先训练好的支持向量机分类器来进行分类，其中所述三个预先训练好的支持向量机分类器可以分别采用线性核函数、高斯核函数和多项式核函数。
可选地，如图2所示，图1中的步骤104可以包括以下步骤201-202：
步骤201，系统分别使用多个预先训练好的支持向量机分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手，并相应地得到多个初步识别结果；以及
步骤202，系统根据多个初步识别结果和预设分类器参数得到识别结果。其中，预设分类器参数是在训练多个分类器时使用投票策略选择已训练的分类器来得到的最优分类器参数。
综上步骤201-202所述，通过使用多个预先训练好的分类器并根据预设分类器参数来确定最终的识别结果，可以有效地避免单一分类器的过拟合问题，能够大幅度地提高实时识别率。
在步骤105中，系统根据步骤104中的识别结果发出相应手的运动控制指令。当系统识别出使用者想象的是左手时，系统发出左手的运动控制指令；当系统识别出使用者想象的是右手时，系统发出右手的运动控制指令。在一个示例中，系统可以向相应手的外骨骼装置发出运动控制指令使相应手抬起，以实现使用者的手部运动康复治疗。
综上步骤101-105所述，本实施例的基于经验模态分解算法的运动想象脑电信号的识别方法通过采用EMD算法对采集到的运动信息EEG信号进行降噪处理以大幅度地提高信号的信噪比，然后提取运动想象EEG信号的特征，将提取到的特征送入分类器中进行准确的运动意图的判断，最终转化为外部装置的运动控制命令，通过外部装置完成对使用者上肢的康复训练，有利于患者的进一步康复。
本申请提供了一种基于经验模态分解算法的运动想象脑电信号的识别系统300。图3是根据本申请一实施例示出的基于经验模态分解算法的运动想象脑电信号的识别系统的框图。如图3所示，该基于经验模态分解算法的运动想象脑电信号的识别系统包括信号采集设备301、手部及上肢控制装置302以及处理器303。
信号采集设备301用于采集使用者的单手的运动想象脑电信号(Motor ImageryElectroencephalography，MI-EEG)。信号采集设备301能够采集使用者进行运动想象时头皮的脑电信号，并将采集到的模拟信号转化为数字信号，然后传输到处理器303。
手部及上肢控制装置302用于根据接收到的由处理器303发出的运动控制指令进行相应的运动。手部及上肢控制装置302可以是手部外骨骼控制装置，能够根据运动控制指令抬起相应的手。
处理器303用于控制信号采集设备采集使用者的单手的运动想象脑电信号；基于经验模态分解算法对运动想象脑电信号进行降噪处理；对运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；使用预先训练好的分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手并得到识别结果；以及根据识别结果向手部及上肢控制装置发出相应手的运动控制指令。
可选地，对运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵可以采用共空间模式算法。
可选地，预先训练好的分类器可以包括多个预先训练好的支持向量机分类器。
可选地，处理器303所执行的步骤“使用预先训练好的分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手并得到识别结果”可以包括以下步骤：分别使用多个预先训练好的支持向量机分类器根据运动想象脑电信号的特征矩阵来识别使用者所想象的手，并相应地得到多个初步识别结果；以及根据多个初步识别结果和预设分类器参数得到识别结果。
可选地，多个预先训练好的分类器的数量可以为三个，三个预先训练好的支持向量机分类器可以分别采用线性核函数、高斯核函数和多项式核函数。
可选地，处理器303还可以用于对运动想象脑电信号进行预处理，其中预处理可以包括滤波处理。
处理器303可以由一个或多个处理器组成。处理器303可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合，本申请对此不作限定。
处理器303所执行的上述步骤可以参考前述图1实施例的步骤101-105的相应说明，在此不再展开描述。
本申请还提供了一种基于经验模态分解算法的运动想象脑电信号的识别设备，包括：存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如上任一实施例所述的基于经验模态分解算法的运动想象脑电信号的识别方法。
图4是根据本申请一实施例示出的基于电刺激的手功能评估设备的框图。基于电刺激的手功能评估设备400可包括内部通信总线401、处理器(Processor)402、只读存储器(ROM)403、随机存取存储器(RAM)404、以及通信端口405。当应用在个人计算机上时，基于电刺激的手功能评估系统还可以包括硬盘407。内部通信总线401可以实现基于电刺激的手功能评估设备400组件间的数据通信。处理器402可以进行判断和发出提示。在一些实施例中，处理器402可以由一个或多个处理器组成。通信端口405可以实现基于电刺激的手功能评估设备400与外部的数据通信。在一些实施例中，基于电刺激的手功能评估设备400可以通过通信端口405从网络发送和接受信息及数据。基于电刺激的手功能评估设备400还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘407，只读存储器(ROM)403和随机存取存储器(RAM)404，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给用户设备，在用户界面上显示。
上述的基于电刺激的手功能评估方法可以实施为计算机程序，保存在硬盘407中，并可记载到处理器402中执行，以实施本申请中的基于电刺激的手功能评估方法。
本申请还提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上任一实施例所述的基于经验模态分解算法的运动想象脑电信号的识别方法。
基于电刺激的手功能评估方法实施为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本申请还提供了一种用于运动想象脑电信号识别的分类器的训练方法。图5是根据本申请一实施例示出的用于运动想象脑电信号识别的分类器的训练方法的流程示意图。如图5所示，该用于运动想象脑电信号识别的分类器的训练方法可应用于一种用于运动想象脑电信号识别的分类器的训练系统，该训练方法包括以下步骤：
步骤501，系统分别采集使用者的样本左手运动想象脑电信号和样本右手运动想象脑电信号并进行标记；
步骤502，系统基于经验模态分解算法对样本左手运动想象脑电信号和样本右手运动想象脑电信号分别进行降噪处理；
步骤503，系统对样本左手运动想象脑电信号和样本右手运动想象脑电信号分别进行特征提取，并得到样本左手运动想象脑电信号的特征矩阵和样本右手运动想象脑电信号的特征矩阵；以及
步骤504，系统将样本左手运动想象脑电信号的标记、样本右手运动想象脑电信号的标记、样本左手运动想象脑电信号的特征矩阵和样本右手运动想象脑电信号的特征矩阵作为分类器的输入进行训练，并得到训练好的分类器。
上述步骤501-503可以参考前述图1实施例的步骤101-103的相应说明，在此不再展开描述。
在步骤504中，可选地，分类器可以包括多个分类器。进一步地，多个分类器可以为三个支持向量机分类器，其中三个支持向量机分类器可以分别采用线性核函数、高斯核函数和多项式核函数。
当分类器包括多个分类器时，所述训练方法还可以包括步骤505，使用投票策略选择训练好的多个分类器并得到分类器参数。通过使用投票策略来确定分类器参数，可以将分类器参数应用于识别中，从而进一步地提高使用多个分类器时的实时识别率。
应该理解，上文所描述的实施例仅是示意。本文描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现，处理单元可以在一个或者多个特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器和/或设计为执行本文所述功能的其它电子单元或者其结合内实现。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述申请披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示例性实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个申请实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
虽然本申请已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本申请，在没有脱离本申请精神的情况下还可作出各种等效的变化或替换，因此，只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (17)

1.一种基于经验模态分解算法的运动想象脑电信号的识别系统，包括：
信号采集设备，用于采集使用者的单手的运动想象脑电信号；
手部及上肢控制装置，用于根据接收到的运动控制指令进行相应的运动；以及
处理器，用于：
控制所述信号采集设备采集使用者的单手的运动想象脑电信号；
基于经验模态分解算法对所述运动想象脑电信号进行降噪处理；
对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；
使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果；以及
根据所述识别结果向所述手部及上肢控制装置发出相应手的运动控制指令。
2.如权利要求1所述的系统，其特征在于，所述对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵是采用共空间模式算法。
3.如权利要求1所述的系统，其特征在于，所述预先训练好的分类器包括多个预先训练好的支持向量机分类器。
4.如权利要求3所述的系统，其特征在于，所述使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果包括：
分别使用所述多个预先训练好的支持向量机分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手，并相应地得到多个初步识别结果；以及
根据所述多个初步识别结果和预设分类器参数得到所述识别结果。
5.如权利要求4所述的系统，其特征在于，所述多个预先训练好的分类器的数量为三个，所述三个预先训练好的支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
6.如权利要求1所述的系统，其特征在于，所述处理器还用于对所述运动想象脑电信号进行预处理，其中所述预处理包括滤波处理。
7.一种基于经验模态分解算法的运动想象脑电信号的识别方法，包括以下步骤：
采集使用者的单手的运动想象脑电信号；
基于经验模态分解算法对所述运动想象脑电信号进行降噪处理；
对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵；
使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果；以及
根据所述识别结果发出相应手的运动控制指令。
8.如权利要求7所述的方法，其特征在于，所述对所述运动想象脑电信号进行特征提取并得到运动想象脑电信号的特征矩阵是采用共空间模式算法。
9.如权利要求7所述的方法，其特征在于，所述预先训练好的分类器包括多个预先训练好的支持向量机分类器。
10.如权利要求9所述的方法，其特征在于，所述使用预先训练好的分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手并得到识别结果包括：
分别使用所述多个预先训练好的支持向量机分类器根据所述运动想象脑电信号的特征矩阵来识别所述使用者所想象的手，并相应地得到多个初步识别结果；以及
根据所述多个初步识别结果和预设分类器参数得到所述识别结果。
11.如权利要求10所述的方法，其特征在于，所述多个预先训练好的分类器的数量为三个，所述三个预先训练好的支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
12.如权利要求7所述的方法，其特征在于，还包括：
对所述运动想象脑电信号进行预处理，其中所述预处理包括滤波处理。
13.一种用于运动想象脑电信号识别的分类器的训练方法，包括以下步骤：
分别采集使用者的样本左手运动想象脑电信号和样本右手运动想象脑电信号并进行标记；
基于经验模态分解算法对所述样本左手运动想象脑电信号和所述样本右手运动想象脑电信号分别进行降噪处理；
对所述样本左手运动想象脑电信号和所述样本右手运动想象脑电信号分别进行特征提取，并得到样本左手运动想象脑电信号的特征矩阵和样本右手运动想象脑电信号的特征矩阵；以及
将所述样本左手运动想象脑电信号的标记、所述样本右手运动想象脑电信号的标记、所述样本左手运动想象脑电信号的特征矩阵和所述样本右手运动想象脑电信号的特征矩阵作为分类器的输入进行训练，并得到训练好的分类器。
14.如权利要求13所述的方法，其特征在于，所述分类器包括多个分类器；所述方法还包括：使用投票策略选择训练好的多个分类器并得到分类器参数。
15.如权利要求14所述的方法，其特征在于，所述多个分类器为三个支持向量机分类器，其中所述三个支持向量机分类器分别采用线性核函数、高斯核函数和多项式核函数。
16.一种基于经验模态分解算法的运动想象脑电信号的识别设备，包括：
存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如权利要求7-12任一项所述的方法。
17.一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如权利要求7-12任一项所述的方法。
CN202010796189.5A 2020-08-10 2020-08-10 基于经验模态分解算法的运动想象脑电信号的识别系统 Pending CN111931646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010796189.5A CN111931646A (zh) 2020-08-10 2020-08-10 基于经验模态分解算法的运动想象脑电信号的识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010796189.5A CN111931646A (zh) 2020-08-10 2020-08-10 基于经验模态分解算法的运动想象脑电信号的识别系统

Publications (1)

Publication Number Publication Date
CN111931646A true CN111931646A (zh) 2020-11-13

Family

ID=73307785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010796189.5A Pending CN111931646A (zh) 2020-08-10 2020-08-10 基于经验模态分解算法的运动想象脑电信号的识别系统

Country Status (1)

Country Link
CN (1) CN111931646A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465059A (zh) * 2020-12-07 2021-03-09 杭州电子科技大学 基于跨脑融合决策的多人运动想象识别方法及脑机系统
CN113625870A (zh) * 2021-07-29 2021-11-09 南京航空航天大学 基于语言想象的脑-机接口控制系统和方法
CN113655884A (zh) * 2021-08-17 2021-11-16 河北师范大学 设备控制方法、终端及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419909A (zh) * 2016-09-12 2017-02-22 西安电子科技大学 特征重组和小波变换的多类运动想象脑电信号分类方法
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
CN109858537A (zh) * 2019-01-22 2019-06-07 南京邮电大学 改进的eemd与csp结合的脑电信号特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106419909A (zh) * 2016-09-12 2017-02-22 西安电子科技大学 特征重组和小波变换的多类运动想象脑电信号分类方法
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
CN109858537A (zh) * 2019-01-22 2019-06-07 南京邮电大学 改进的eemd与csp结合的脑电信号特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
司马海峰: "遥感图像分类中的智能计算方法", 31 January 2018, 吉林大学出版社, pages: 69 - 71 *
郝志峰: "数据科学与数学建模", 31 January 2019, 华中科技大学出版社, pages: 107 - 108 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465059A (zh) * 2020-12-07 2021-03-09 杭州电子科技大学 基于跨脑融合决策的多人运动想象识别方法及脑机系统
CN113625870A (zh) * 2021-07-29 2021-11-09 南京航空航天大学 基于语言想象的脑-机接口控制系统和方法
CN113655884A (zh) * 2021-08-17 2021-11-16 河北师范大学 设备控制方法、终端及系统

Similar Documents

Publication Publication Date Title
Piho et al. A mutual information based adaptive windowing of informative EEG for emotion recognition
Arvaneh et al. Optimizing spatial filters by minimizing within-class dissimilarities in electroencephalogram-based brain–computer interface
Lotte et al. Comparison of designs towards a subject-independent brain-computer interface based on motor imagery
Zhang et al. A new motor imagery EEG classification method FB-TRCSP+ RF based on CSP and random forest
Huang et al. A review of electroencephalogram signal processing methods for brain-controlled robots
Sarma et al. Pre-processing and feature extraction techniques for EEGBCI applications-a review of recent research
Awan et al. Effective classification of EEG signals using K-nearest neighbor algorithm
CN111931646A (zh) 基于经验模态分解算法的运动想象脑电信号的识别系统
Temiyasathit Increase performance of four-class classification for motor-imagery based brain-computer interface
Ramos-Aguilar et al. Analysis of EEG signal processing techniques based on spectrograms
Tiwari et al. Machine learning approach for the classification of EEG signals of multiple imagery tasks
Aljalal et al. Feature extraction of EEG based motor imagery using CSP based on logarithmic band power, entropy and energy
Rahman et al. A space-frequency localized approach of spatial filtering for motor imagery classification
Zhang et al. EEG recognition of motor imagery based on SVM ensemble
Tabar et al. Brain computer interfaces for silent speech
Xie et al. Multiscale two-directional two-dimensional principal component analysis and its application to high-dimensional biomedical signal classification
Ma et al. Iterative outlier removal clustering based time-frequency-spatial feature selection for binary EEG motor imagery decoding
Li et al. Classification of imaginary movements in ECoG
Helal et al. Using autoencoders for feature enhancement in motor imagery Brain-Computer Interfaces
Zhang et al. Wavelet and common spatial pattern for EEG signal feature extraction and classification
Reaves et al. Assessment and application of EEG: A literature review
Rejer et al. Independent component analysis in a motor imagery brain computer interface
Memari et al. Design and Manufacture of a Guided Mechanical Arm by EEG Signals
Farooq et al. Motor imagery based multivariate EEG signal classification for brain controlled interface applications
Gupta et al. Improved classification of motor imagery datasets for BCI by using approximate entropy and WOSF features

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