CN111990992A - 一种基于脑电的自主运动意图识别方法及系统 - Google Patents

一种基于脑电的自主运动意图识别方法及系统 Download PDF

Info

Publication number
CN111990992A
CN111990992A CN202010913700.5A CN202010913700A CN111990992A CN 111990992 A CN111990992 A CN 111990992A CN 202010913700 A CN202010913700 A CN 202010913700A CN 111990992 A CN111990992 A CN 111990992A
Authority
CN
China
Prior art keywords
electroencephalogram
decomposition
matrix
feature vector
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
CN202010913700.5A
Other languages
English (en)
Inventor
陈财
彭福来
张子双
李卫民
王海滨
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.)
Shandong Zhongke Advanced Technology Research Institute Co ltd
Original Assignee
Shandong Zhongke Advanced Technology Research Institute Co ltd
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 Shandong Zhongke Advanced Technology Research Institute Co ltd filed Critical Shandong Zhongke Advanced Technology Research Institute Co ltd
Priority to CN202010913700.5A priority Critical patent/CN111990992A/zh
Publication of CN111990992A publication Critical patent/CN111990992A/zh
Pending legal-status Critical Current

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于脑电的自主运动意图识别方法及系统，方法包括采集设定数量的多种脑电信号；采用共平均参考的方式对脑电信号进行去噪；对去噪后的脑电信号进行经验模态分解，得到多个分解量；获得各分解量的协方差矩阵；将各协方差矩阵相加获得混合空间协方差矩阵；根据混合空间协方差矩阵构建特征向量；将特征向量作为输入，以特征向量表示的运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型；获取待识别脑电信号对应的特征向量，记为待识别特征向量。本发明突出脑电信号的特征，从而提高自主运动意图识别的准确性。

Description

一种基于脑电的自主运动意图识别方法及系统
技术领域
本发明涉及生理电信号处理技术领域，特别是涉及一种基于脑电的自主运动意图识别方法及系统。
背景技术
脑电是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。考虑到严重运动功能障碍患者中的大多数人仍具有正常的大脑功能，会产生自主运动意图的脑电信号，然而脑电信号存在确定性较差、干扰性强、信号微弱，随机性强，识别率较低，存在非线性等诸多弊端，限制了外部传感大脑对肢体动作的运动意图获取，影响以脑电信号作为信息源控制假肢。
发明内容
基于此，本发明的目的是提供一种基于脑电的自主运动意图识别方法及系统，对脑电信号进行特征识别，提高自主运动意图识别的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于脑电的自主运动意图识别方法，包括：
采集设定数量的多种脑电信号；
采用共平均参考的方式对所述脑电信号进行去噪；
对去噪后的所述脑电信号进行经验模态分解，得到多个分解量；
获得各所述分解量的协方差矩阵；
将各所述协方差矩阵相加获得混合空间协方差矩阵；
根据所述混合空间协方差矩阵构建特征向量；
将所述特征向量作为输入，以运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型；
获取待识别脑电信号对应的特征向量，记为待识别特征向量；
将所述待识别特征向量输入所述自主运动意图识别模型，获得待识别特征向量对应的自主运动意图。
可选地，所述采用共平均参考的方式对所述脑电信号进行去噪，具体包括，通过公式：
Figure BDA0002664284500000021
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。
可选地，所述对去噪后的所述脑电信号进行经验模态分解，得到多个分解量之前，还包括：
采用巴特沃斯带通滤波对去噪后的所述脑电信号进行滤波。
可选地，所述对去噪后的所述脑电信号进行经验模态分解，得到多个分解量，具体包括：
将去噪后的所述脑电信号作为初始信号序列，n＝1；
获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点；
依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线；
计算所述第一包络线和所述第二包络线形成的均值序列；
将所述初始信号序列减去所述均值序列获得的序列为第n次分解量；
计算第n次分解量的标准差；
若所述标准差小于设置值，则结束；
若所述标准差大于或等于所述设置值，则将第n次分解量作为初始信号序列，n＝n+1，返回步骤“获取所述初始信号序列的极大值点和极小值点”。
可选地，所述根据所述混合空间协方差矩阵构建特征向量，具体包括：
对所述混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角阵；
根据所述初始特征向量矩阵和所述对角阵获得白化矩阵；
根据所述白化矩阵对各所述分解量进行滤波获得特征向量。
本发明还公开了一种基于脑电的自主运动意图识别系统，包括：
采集模块，用于采集多种脑电信号；
去噪模块，用于采用共平均参考的方式对所述脑电信号进行去噪；
分解模块，用于对去噪后的所述脑电信号进行经验模态分解，得到多个分解量；
协方差矩阵获取模块，用于获得各所述分解量的协方差矩阵；
混合空间协方差矩阵获取模块，用于将各所述协方差矩阵相加获得混合空间协方差矩阵；
特征向量构建模块，用于根据所述混合空间协方差矩阵构建特征向量；
模型训练模块，用于将所述特征向量作为输入，以运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型；
待识别特征向量获取模块，用于获取待识别脑电信号对应的待识别特征向量；
自主运动意图识别模块，用于将待识别特征向量输入所述自主运动意图识别模型，获得自主运动意图。
可选地，所述去噪模块，具体包括：
去噪单元，用于通过公式：
Figure BDA0002664284500000031
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。
可选地，所述系统还包括：
滤波模块，用于采用巴特沃斯带通滤波器对去噪后的所述脑电信号进行滤波。
可选地，所述分解模块，具体包括：
初始信号单元，用于将去噪后的所述脑电信号作为初始信号序列，n＝1；
极值点获取单元，用于获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点；
包络线获取单元，用于依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线；
均值序列获取单元，用于计算所述第一包络线和所述第二包络线形成的均值序列；
分解量获得单元，用于将所述初始信号序列减去所述均值序列获得的序列为第n次分解量；
标准差计算单元，用于计算第n次分解量的标准差；
判断单元，用于判断所述标准差是否小于设置值；
返回单元，用于所述标准差大于或等于所述设置值时，将第n次分解量作为初始信号序列，n＝n+1，返回极值点获取单元；
迭代终止单元，用于所述标准差小于设置值，则结束。
可选地，所述特征向量构建模块，具体包括：
谱分解单元，用于对所述混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角阵；
白化矩阵获取单元，用于根据所述初始特征向量矩阵和所述对角阵获得白化矩阵；
特征向量获取单元，用于根据所述白化矩阵对各所述分解量进行滤波获得特征向量。
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：
本发明公开了一种基于脑电的自主运动意图识别方法及系统，采用共平均参考方式预处理信号，提高脑电信号的可识别率，对根据经验模态分解并构造特征向量矩阵，提取脑电信号的特征向量，突出脑电信号的特征，从而提高自主运动意图识别的准确性。
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为本发明实施例一种基于脑电的自主运动意图识别方法流程图；
图2为本发明实施例孪生支持向量机分类示意图；
图3为本发明实施例孪生支持向量机判断的流程；
图4为本发明实施例一种基于脑电的自主运动意图识别系统结构图。
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。
本发明的目的是提供一种基于脑电的自主运动意图识别方法及系统，对脑电信号进行特征识别，提高自主运动意图识别的准确性。
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为本发明一种基于脑电的自主运动意图识别方法流程图，如图1所示，一种基于脑电的自主运动意图识别方法包括以下步骤：
步骤101：采集多种脑电信号。
其中，步骤101中脑电信号为N维脑电信号Xi，包括但不限于握手、伸手等脑电信号，具体表示为：Xi＝[xi,xi+1,…,xi+ts,]，xi表示第i次实验开始的时间点t，ts是采样率。
步骤102：采用共平均参考的方式对所述脑电信号进行去噪；
其中，步骤102，具体包括，通过公式：
Figure BDA0002664284500000051
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。去噪的目的是去除脑电信号中工频噪声和异常波动带来的干扰。
步骤102之后，具体包括：
采用巴特沃斯(Butterworth)带通滤波对去噪后的所述脑电信号进行滤波。使上述共平均参考处理后的信号Xi保持在8～30Hz，Butterworth带通滤波器设计为：
Figure BDA0002664284500000052
n是Butterworth的阶数，ωc是截止频率。
将Vi进行拉式变化(拉普拉斯变换)后与Butterworth带通滤波器相乘后进行逆拉式变换得到X′i。
经过Butterworth处理后得到滤波后的信号X′i的协方差矩阵为
Figure BDA0002664284500000053
其中，Pi是堆成正定矩阵，
Figure BDA0002664284500000054
是X′i的转置矩阵。
步骤103：对去噪后的所述脑电信号进行经验模态分解，得到多个分解量。
其中，步骤103，具体包括：
对所选取信号进行极值点的判断，是否具有至少两个极值点，也即最大极值点Max和最小极值点Min。
极值点判断方式如下：连续的信号x0处左右两边幅值都比它大(小)，那么在x0处是极值点。
使用三次样条函数分别连接最大极值点和最小极值点，计算形成上下两条包络线的均值x。
通过X′i-x得到新的时间序列Yi(t)。
通过上述过程可以得到n个分量，具体表述形式为：
Figure BDA0002664284500000061
其中，S(t)是原始的脑电信号，Rn(t)是通过n次上述经验模态分解后得到的残余量，Yi(t)是第i次分解的能量，记为分解量。
需要指出的是，经验模态分解的分解次数并不是无限制的，过多的分解次数会导致所得经验模态函数变为定幅度的调频信号而损失其物理意义。停止经验模态分解过程的标准可以通过限制标准差standard deviation,SD)来实现，标准差计算公式为：
Figure BDA0002664284500000062
其中，SD是标准差，F是所选择的信号长度，h(n-1)(k)为第n次第k点处分解的信号值。
经验模态分解的具体过程为：
将去噪后的所述脑电信号作为初始信号序列，n＝1。
获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点。
依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线。
使用三次样条函数分别连接极大值点和极小值点，计算形成上下两条包络线的均值序列。
将所述初始信号序列减去所述均值序列获得的序列为第n次分解量。
计算第n次分解量的标准差。
若所述标准差小于设置值，则结束。
若所述标准差大于或等于所述设置值，则将第n次分解量作为初始信号序列，n＝n+1，返回步骤“获取所述初始信号序列的极大值点和极小值点”。
步骤104：获得各所述分解量的协方差矩阵。
其中，步骤104，具体包括：通过公式
Figure BDA0002664284500000071
计算单次运动意图的脑电信号协方差矩阵，Ri表示第i次分解量Yi(t)代表的单次运动意图的脑电信号协方差矩阵。
步骤105：将各所述协方差矩阵相加获得混合空间协方差矩阵。
其中，步骤105具体包括：将运动意图的脑电信号Rl，R2，…，Rr相加即可得脑电信号的混合空间协方差矩阵，i∈(1,2,…,r)。
混合空间协方差矩阵Rc＝R1+R2+…+Rr。
步骤106：根据所述混合空间协方差矩阵构建特征向量。
其中，步骤106具体包括：
根据公式
Figure BDA0002664284500000072
对Rc进行谱分解，其中，Uc表示初级特征向量，Ac为对应Rc的对角阵。
白化矩阵P的计算公式为
Figure BDA0002664284500000073
根据白化矩阵P分别对R1和Rr进行白化：S1＝PR1PT,Sr＝PRrPT。
白化后的S1和Sr具有相同的特征值，S1＝BABT,Sr＝BArBT。
其中，B是中间特征向量，A为对应S1的对角阵，Ar为对应Sr的对角阵，则根据中间特征向量B设计的滤波器为Zi＝(BTP)TYi(t)。
最终构造的特征向量
Figure BDA0002664284500000074
Zi∈Z，d表示Zi的个数。
步骤107：将所述特征向量作为输入，以所述特征向量表示的运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型。
其中，步骤107中孪生支持向量机的构建，具体包括：
(1)构造N个超平面，N个超平面对应通过脑电信号获取的N种运动意图，N个超平面具体表示为：
fp Twi′j′+bi′j′＝0，
fp Twj′i′+bj′i′＝0。其中，wi′j′和wj′i′是法向量，bi′j′和bj′i′是偏移量，孪生支持向量机原始问题转化为超平面的求解，超平面的求解公式为：
Figure BDA0002664284500000081
Figure BDA0002664284500000082
其中，Ai′表示wi′j′的系数，ci′j′表示惩罚参数，ei′j′表示全部为1的向量，δi′j′表示判定参数。
(2)样本构建的超平面使得样本尽量接近该平面，对上述的求解过程进行拉格朗日函数限定，公式表示为：
Figure BDA0002664284500000083
其中，α和β是乘子的向量，q表示校正因子，w是法向量，b是偏移量，e是全部为1的向量，A和B表示拉格朗日函数限定条件下的法向量w的系数，c1是惩罚参数。
(3)在构建超平面并求解后，特征向量的的预测采用公式：class i＝xTwr+br＝min|xTwl+bl|识别自主运动意图，其中i表示哪种运动意图，wl和bl是分别是最小距离下对应的法向量和偏移量，x表示最小距离的特征向量。class表示分类的结果，孪生支持向量机结果分类如图2所示，分类流程如图3所示。
步骤108：获取待识别脑电信号对应的特征向量矩阵，记为待识别特征向量矩阵。
步骤109：将所述待识别特征向量矩阵中各待识别特征向量输入所述自主运动意图识别模型，获得待识别特征向量对应的自主运动意图。
本发明的有益效果是：
本发明采用共平均参考方式预处理信号，实现了获得信噪比较高、识别率较好的脑电信号；能够基于脑电识别人体大脑发出的自主运动的意图，可作为信号源控制假肢；基于孪生支持向量机，对自主运动意图判断识别程度高。
如图4所示，本发明还公开了一种基于脑电的自主运动意图识别系统，包括：
采集模块201，用于采集多种脑电信号。
去噪模块202，用于采用共平均参考的方式对所述脑电信号进行去噪。
分解模块203，用于对去噪后的所述脑电信号进行经验模态分解，得到多个分解量。
协方差矩阵获取模块204，用于获得各所述分解量的协方差矩阵。
混合空间协方差矩阵获取模块205，用于将各所述协方差矩阵相加获得混合空间协方差矩阵。
特征向量构建模块206，用于根据所述混合空间协方差矩阵构建特征向量；
模型训练模块207，用于将所述特征向量作为输入，以运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型。
待识别特征向量获取模块208，用于获取待识别脑电信号对应的待识别特征向量。
自主运动意图识别模块209，用于将待识别特征向量输入所述自主运动意图识别模型，获得自主运动意图。
去噪模块202，具体包括：
去噪单元，用于通过公式：
Figure BDA0002664284500000091
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。
系统还包括：
滤波模块，用于采用巴特沃斯带通滤波器对去噪后的所述脑电信号进行滤波。
分解模块203，具体包括：
初始信号单元，用于将去噪后的所述脑电信号作为初始信号序列，n＝1；
极值点获取单元，用于获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点。
包络线获取单元，用于依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线。
均值序列获取单元，用于计算所述第一包络线和所述第二包络线形成的均值序列。
分解量获得单元，用于将所述初始信号序列减去所述均值序列获得的序列为第n次分解量。
标准差计算单元，用于计算第n次分解量的标准差。
判断单元，用于判断所述标准差是否小于设置值。
返回单元，用于所述标准差大于或等于所述设置值时，将第n次分解量作为初始信号序列，n＝n+1，返回极值点获取单元。
迭代终止单元，用于所述标准差小于设置值，则结束。
特征向量构建模块206，具体包括：
谱分解单元，用于对所述混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角阵。
白化矩阵获取单元，用于根据所述初始特征向量矩阵和所述对角阵获得白化矩阵。
特征向量获取单元，用于根据所述白化矩阵对各所述分解量进行滤波获得特征向量。
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。
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)

1.一种基于脑电的自主运动意图识别方法，其特征在于，所述方法包括：
采集设定数量的多种脑电信号；
采用共平均参考的方式对所述脑电信号进行去噪；
对去噪后的所述脑电信号进行经验模态分解，得到多个分解量；
获得各所述分解量的协方差矩阵；
将各所述协方差矩阵相加获得混合空间协方差矩阵；
根据所述混合空间协方差矩阵构建特征向量；
将所述特征向量作为输入，以运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型；
获取待识别脑电信号对应的特征向量，记为待识别特征向量；
将所述待识别特征向量输入所述自主运动意图识别模型，获得待识别特征向量对应的自主运动意图。
2.根据权利要求1所述的基于脑电的自主运动意图识别方法，其特征在于，所述采用共平均参考的方式对所述脑电信号进行去噪，具体包括，通过公式
Figure FDA0002664284490000011
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。
3.根据权利要求1所述的基于脑电的自主运动意图识别方法，其特征在于，所述对去噪后的所述脑电信号进行经验模态分解，得到多个分解量之前，还包括：
采用巴特沃斯带通滤波对去噪后的所述脑电信号进行滤波。
4.根据权利要求1所述的基于脑电的自主运动意图识别方法，其特征在于，所述对去噪后的所述脑电信号进行经验模态分解，得到多个分解量，具体包括：
将去噪后的所述脑电信号作为初始信号序列，n＝1；
获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点；
依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线；
计算所述第一包络线和所述第二包络线形成的均值序列；
将所述初始信号序列减去所述均值序列获得的序列为第n次分解量；
计算第n次分解量的标准差；
若所述标准差小于设置值，则结束；
若所述标准差大于或等于所述设置值，则将第n次分解量作为初始信号序列，n＝n+1，返回步骤“获取所述初始信号序列的极大值点和极小值点”。
5.根据权利要求1所述的基于脑电的自主运动意图识别方法，其特征在于，所述根据所述混合空间协方差矩阵构建特征向量，具体包括：
对所述混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角阵；
根据所述初始特征向量矩阵和所述对角阵获得白化矩阵；
根据所述白化矩阵对各所述分解量进行滤波获得特征向量。
6.一种基于脑电的自主运动意图识别系统，其特征在于，所述系统包括：
采集模块，用于采集多种脑电信号；
去噪模块，用于采用共平均参考的方式对所述脑电信号进行去噪；
分解模块，用于对去噪后的所述脑电信号进行经验模态分解，得到多个分解量；
协方差矩阵获取模块，用于获得各所述分解量的协方差矩阵；
混合空间协方差矩阵获取模块，用于将各所述协方差矩阵相加获得混合空间协方差矩阵；
特征向量构建模块，用于根据所述混合空间协方差矩阵构建特征向量；
模型训练模块，用于将所述特征向量作为输入，以运动意图作为输出，采用孪生支持向量机训练自主运动意图识别模型；
待识别特征向量获取模块，用于获取待识别脑电信号对应的待识别特征向量；
自主运动意图识别模块，用于将待识别特征向量输入所述自主运动意图识别模型，获得自主运动意图。
7.根据权利要求6所述的基于脑电的自主运动意图识别系统，其特征在于，所述去噪模块，具体包括：
去噪单元，用于通过公式：
Figure FDA0002664284490000031
对所述脑电信号进行去噪，其中，Vi表示去噪后的脑电信号，Xi表示去噪前的脑电信号，m表示电极通道的数量。
8.根据权利要求6所述的基于脑电的自主运动意图识别系统，其特征在于，所述系统还包括：
滤波模块，用于采用巴特沃斯带通滤波器对去噪后的所述脑电信号进行滤波。
9.根据权利要求6所述的基于脑电的自主运动意图识别系统，其特征在于，所述分解模块，具体包括：
初始信号单元，用于将去噪后的所述脑电信号作为初始信号序列，n＝1；
极值点获取单元，用于获取所述初始信号序列的极大值点和极小值点；所述极大值点为连续三个信号中，中间信号幅值最大的点，所述极小值点为连续三个信号中，中间信号幅值最小的点；
包络线获取单元，用于依次连接极大值点形成第一包络线；依次连接极小值点形成第二包络线；
均值序列获取单元，用于计算所述第一包络线和所述第二包络线形成的均值序列；
分解量获得单元，用于将所述初始信号序列减去所述均值序列获得的序列为第n次分解量；
标准差计算单元，用于计算第n次分解量的标准差；
判断单元，用于判断所述标准差是否小于设置值；
返回单元，用于所述标准差大于或等于所述设置值时，将第n次分解量作为初始信号序列，n＝n+1，返回极值点获取单元；
迭代终止单元，用于所述标准差小于设置值，则结束。
10.根据权利要求6所述的基于脑电的自主运动意图识别系统，其特征在于，所述特征向量构建模块，具体包括：
谱分解单元，用于对所述混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角阵；
白化矩阵获取单元，用于根据所述初始特征向量矩阵和所述对角阵获得白化矩阵；
特征向量获取单元，用于根据所述白化矩阵对各所述分解量进行滤波获得特征向量。
CN202010913700.5A 2020-09-03 2020-09-03 一种基于脑电的自主运动意图识别方法及系统 Pending CN111990992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010913700.5A CN111990992A (zh) 2020-09-03 2020-09-03 一种基于脑电的自主运动意图识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010913700.5A CN111990992A (zh) 2020-09-03 2020-09-03 一种基于脑电的自主运动意图识别方法及系统

Publications (1)

Publication Number Publication Date
CN111990992A true CN111990992A (zh) 2020-11-27

Family

ID=73465326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010913700.5A Pending CN111990992A (zh) 2020-09-03 2020-09-03 一种基于脑电的自主运动意图识别方法及系统

Country Status (1)

Country Link
CN (1) CN111990992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842363A (zh) * 2021-02-07 2021-05-28 湖南万脉医疗科技有限公司 一种睡眠脑电检测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882964A (zh) * 2010-06-12 2010-11-10 桂林电子科技大学 瞬变电磁探测回波信号的降噪方法
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
CN105389839A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 基于流体分析的流体参数估计方法
CN107958213A (zh) * 2017-11-20 2018-04-24 北京工业大学 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法
CN109480834A (zh) * 2018-12-20 2019-03-19 浙江大学 一种基于快速多维经验模态分解的脑电信号分类方法
CN109558863A (zh) * 2019-01-07 2019-04-02 哈尔滨工业大学（深圳） 脑电信号特征表示与提取方法、装置及存储介质
CN109620223A (zh) * 2018-12-07 2019-04-16 北京工业大学 一种脑卒中康复系统脑机接口关键技术方法
CN110074779A (zh) * 2019-04-17 2019-08-02 中科创达(重庆)汽车科技有限公司 一种脑电信号识别方法及装置
KR20200052209A (ko) * 2018-11-06 2020-05-14 고려대학교 산학협력단 뇌 기계 인터페이스 기반의 움직임 의도 검출에 따른 착용형 로봇 제어 장치 및 방법
CN111259864A (zh) * 2020-03-04 2020-06-09 哈尔滨理工大学 一种水轮机运转状态识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882964A (zh) * 2010-06-12 2010-11-10 桂林电子科技大学 瞬变电磁探测回波信号的降噪方法
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
CN105389839A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 基于流体分析的流体参数估计方法
CN107958213A (zh) * 2017-11-20 2018-04-24 北京工业大学 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法
KR20200052209A (ko) * 2018-11-06 2020-05-14 고려대학교 산학협력단 뇌 기계 인터페이스 기반의 움직임 의도 검출에 따른 착용형 로봇 제어 장치 및 방법
CN109620223A (zh) * 2018-12-07 2019-04-16 北京工业大学 一种脑卒中康复系统脑机接口关键技术方法
CN109480834A (zh) * 2018-12-20 2019-03-19 浙江大学 一种基于快速多维经验模态分解的脑电信号分类方法
CN109558863A (zh) * 2019-01-07 2019-04-02 哈尔滨工业大学（深圳） 脑电信号特征表示与提取方法、装置及存储介质
CN110074779A (zh) * 2019-04-17 2019-08-02 中科创达(重庆)汽车科技有限公司 一种脑电信号识别方法及装置
CN111259864A (zh) * 2020-03-04 2020-06-09 哈尔滨理工大学 一种水轮机运转状态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
范明莉: "基于卷积神经网络的运动想象脑电信号特征提取与分类", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
赵凯: "多类运动想象脑电信号识别及其在BCI中的应用研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842363A (zh) * 2021-02-07 2021-05-28 湖南万脉医疗科技有限公司 一种睡眠脑电检测方法及系统

Similar Documents

Publication Publication Date Title
CN111012336B (zh) 时空特征融合的并行卷积网络运动想象脑电图分类方法
CN113128552B (zh) 一种基于深度可分离因果图卷积网络的脑电情绪识别方法
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
CN110929581A (zh) 一种基于时空特征加权卷积神经网络的脑电信号识别方法
CN112633195B (zh) 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
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
CN111543984B (zh) 一种基于ssda的脑电信号的眼电伪迹去除方法
CN117520826B (zh) 一种基于可穿戴设备的多模态情绪识别方法及系统
CN114947883A (zh) 一种时频域信息融合的深度学习脑电降噪方法
CN115795346A (zh) 一种人体脑电信号的分类识别方法
CN116919422A (zh) 基于图卷积的多特征情感脑电识别模型建立方法及装置
CN115251909A (zh) 基于时空卷积神经网络的脑电信号评估听力的方法及装置
CN113128384B (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
CN113935380B (zh) 一种基于模板匹配的自适应运动想象脑机接口方法与系统
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
CN111990992A (zh) 一种基于脑电的自主运动意图识别方法及系统
CN114139586A (zh) 基于多尺度分析二维特征提取的电能质量复合扰动识别方法
Liu et al. EEG classification algorithm of motor imagery based on CNN-Transformer fusion network
CN110432899B (zh) 基于深度堆叠支持矩阵机的脑电信号识别方法
CN116595434A (zh) 一种基于维度和分类算法的测谎方法
CN116010783B (zh) 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质
CN116236209A (zh) 一种单侧上肢运动态下力度变化运动想象脑电特征识别方法
CN113017648B (zh) 一种脑电信号识别方法和系统

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