CN112084896B - 基于Lp/q-混合范数的联合递归加权空间滤波方法 - Google Patents
基于Lp/q-混合范数的联合递归加权空间滤波方法 Download PDFInfo
- Publication number
- CN112084896B CN112084896B CN202010862276.6A CN202010862276A CN112084896B CN 112084896 B CN112084896 B CN 112084896B CN 202010862276 A CN202010862276 A CN 202010862276A CN 112084896 B CN112084896 B CN 112084896B
- Authority
- CN
- China
- Prior art keywords
- data
- electroencephalogram
- spatial filtering
- weighted
- recursion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000001914 filtration Methods 0.000 title claims abstract description 77
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (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‑混合范数的联合递归加权空间滤波方法，该方法引入了脑电信号在局部时间上的联合递归率，并使用不同的范数来对目标函数进行建模，从而能够从数据中提取具有更多判别信息的特征。本发明方法提供了一种有效的特征提取方法，对异常值的干扰具有一定的抵御效果，所提方法与传统的方法相比能得到更优的分类结果，且具有鲁棒性与稳定性。
Description
技术领域
本发明涉及脑电信号的加权处理、以及基于Lp/q-混合范数的特征提取方法的研究，具体来说，涉及基于Lp/q-混合范数的联合递归加权的共同空间模式方法、最优空间滤波器求解的迭代算法、以及其信号分类方法，具体涉及一种基于Lp/q-混合范数的联合递归加权空间滤波方法。
背景技术
由于模式识别中涉及的常用算法的目标函数大多数是基于L2-范数的形式，而基于L2-范数的方法在处理数据时常会受到异常值的干扰，具有异常值敏感性问题；在采集数据的过程中可能会由于设备或环境的影响，导致得到的信号会受到噪声的污染而产生异常值，传统的处理方法无法有效地消除异常值的影响，因此算法的鲁棒性建模一直是研究者较为关注的问题。近些年来，基于范数的鲁棒性建模改进方法得到了一定的关注，例如在专利《一种基于Lp/q-混合范数的空间滤波方法及装置》中提出了一种基于Lp/q-混合范数的空间滤波方法，该方法使用混合范数对目标函数进行建模，但其仍存在缺少数据局部时间信息的缺陷；文献《Local temporal common spatial patterns for robust single-trial EEG classification》中提出了LTCSP算法，该方法在计算协方差时通过计算时间点间的欧氏距离来引入局部时间的信息，从而可以得到较为准确的脑电数据方差结构，有利于得到具有较好判别性的特征。
为得到具有鲁棒性的方法，并弥补缺少数据局部时间信息的不足，考虑到任务中脑电信号的内在特点，本发明提出一种基于Lp/q-混合范数的联合递归加权空间滤波方法。
由于所提方法在求解时涉及到商的计算以及绝对值的运算，这使得原有的同时对角化两类信号的协方差矩阵来求解空间滤波向量的方法难以实现。
发明内容
发明目的：本发明的目的在于解决现有地模式识别算法中，基于L2-范数的方法在处理数据时常会受到异常值的干扰，缺乏鲁棒性，且缺少数据局部时间信息；而且采用新的计算方法涉及到商的计算以及绝对值的运算，这使得原有的同时对角化两类信号的协方差矩阵来求解空间滤波向量的方法难以实现的问题。
技术方案：为解决上述问题，本发明提供以下技术方案：
一种基于Lp/q-混合范数的联合递归加权空间滤波方法，所述方法包括以下步骤：
步骤1，对由脑电系统记录的原始脑电数据进行简单的带通滤波，并以数据采集实验时刺激呈现的时间点为参考点截取参考点所在时间段内的信号，形成脑电试次(trial)；
步骤2，计算脑电试次的局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值；
步骤3，利用得到的权重值将原始脑电信号转换为加权数据矩阵；
步骤4，利用Lp/q-混合范数对目标函数进行建模；
步骤5，以基于Lp/q-混合范数的目标函数对加权后的加权数据矩阵进行最优空间滤波向量的求解；
步骤6，对经过最优空间滤波向量投影得到的脑电数据进行特征提取；
步骤7，利用得到的特征对单试次脑电数据进行分类。
进一步地，在步骤1中，使用五阶巴特沃斯滤波器进行带通滤波，设置滤波频带为8Hz～30Hz，并取视觉任务出现后0.5～2.5s的数据；
进一步地，在步骤2中，局部时间为相对于所截取的时间段内时间更短的时间区间，计算局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值，其方法为：设X(i)∈RC×N为运动想象任务中的脑电信号，xl(i)∈RC和xm(i)∈RC分别为第i个试次中两个时间点上的数据，其中，l＝1,...,N，m＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示第一类运动想象任务的总试次数；同理，对于第二类运动想象任务中脑电信号Y(j)∈RC×N，ym(j)∈RC为一类信号中第j个试次的多变量序列，其中，m＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示第二类运动想象任务的总试次数；对于第一类信号，计算xl(i)与xm(i)的联合递归图：u,v＝1,…,C,其中，u、v表示不同的通道；其联合递归率定义为：/>其中，Θ为单位阶跃函数，εl与εm为两个不同的正向阈值，基于不同时间点上两个序列之间的联合递归率，定义权重值：
其中τ为选取的时间范围。
进一步地，在步骤3中，利用所定义的权重值将原始脑电信号转换为加权数据矩阵的方法为，经过加权后的矩阵分别用Xw与Yw表示，其中Xw的列向量由计算得到，Yw由/>组成。
进一步地，在步骤4中，利用Lp/q-混合范数对目标函数进行建模的方法为，设xw(i)∈RC为第一类信号Xw中第i列，yw(j)∈RC为第二类信号Yw中第j列；则新定义的目标函数为：
其中p和q的取值在0到2之间。
进一步地，在步骤5中，以基于Lp/q-混合范数的目标函数对加权后的脑电数据矩阵进行最优空间滤波向量的求解的方法，包括以下步骤：
步骤5.1，对于两类基于运动想象的脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p与q的取值(0<p,q<2)、局部时间范围τ、学习率σ、收敛阈值ε以及最大迭代次数T；
步骤5.2，根据步骤3的加权矩阵获取方法，将两类脑电信号X与Y分别转换为加权数据矩阵Xw和Yw；
步骤5.3，令t表示当前迭代的次数，并假设空间滤波向量ω≠0；令t＝0，初始化ω(t)为任意C-维向量，将其进行归一化，得ω(t)＝ω(t)/||ω(t)||2；
步骤5.4，定义两个符号函数ai(t)和bj(t)来分别实现目标函数中存在的绝对值运算，令ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi与yj分别为加权后的数据矩阵Xw和Yw的列向量；
步骤5.5，计算梯度向量：
步骤5.6，更新ω(t)：ω(t+1)＝ω(t)+σg(t)，归一化得：ω(t+1)＝ω(t+1)/||ω(t+1)||2；
步骤5.7，更新当前迭代的次数：t←t+1；
步骤5.8，当目标函数值J(ω(t))没有明显变化时，结束迭代，得到ω*＝ω(t)为所需的空间滤波向量；否则返回步骤5.5继续进行迭代，当t达到最大迭代次数T时停止迭代。
进一步地，在步骤6中，对经过最优空间滤波向量投影得到的脑电数据进行特征提取的方法，包括以下步骤：
步骤6.1，将经过简易预处理的脑电信号分成训练数据和测试数据；
步骤6.2，根据步骤5的空间滤波器求解方法，对训练数据进行多次迭代得到一系列正交的空间滤波器ω1,ω2,...,ωr，其中r为空间滤波向量的个数；
步骤6.3，对单试次的脑电信号Z进行加权处理，再利用迭代得到的空间滤波器组进行投影，并提取特征：
F＝(f1,f2,...,fr)T
其中，当i＝1,...,r/2时，当i＝r/2+1,...,r时，/>Zw是Z经过加权得到的数据。
进一步地，在步骤7中，利用得到的特征对单试次脑电数据进行分类的方法，包括以下步骤：
步骤7.1，利用从训练数据中提取得到的特征作为线性判别分类器的输入信息，训练得到分类器；
步骤7.2，提取测试数据的特征作为从步骤7.1中得到的分类器的输入信息，进行脑电特征分类的测试，记录分类的准确率。
一种基于Lp/q-混合范数的联合递归加权空间滤波装置，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：
信号预处理单元，用于对脑电信号进行预处理；
权重值获取单元，用于计算局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值；
数据转换单元，用于利用所定义的权重值将原始脑电信号进行加权；
滤波器获取单元，用于以目标函数将经过加权后的数据矩阵进行最优空间滤波向量的获取；
数据空间滤波单元，用于以最优空间滤波向量将经过加权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，用于从经过空间滤波得到的数据中提取出特征；
数据分类单元，用于将提取出的特征进行分类。
有益效果：本发明与现有技术相比：
本发明提供一种基于Lp/q-混合范数的联合递归加权空间滤波方法，通过该方法能提取出具有较好地判别信息的特征。在基于运动想象的脑电分类问题中，本发明得到的分类准确率高且结果较稳定，对异常值的影响具有一定的抵御作用，与传统的方法相比，本发明具有更好的分类性能，且具有鲁棒性。
附图说明
图1所示为一种基于Lp/q-混合范数的联合递归加权空间滤波方法的主要流程图；
图2是进行脑电数据分类实施例的详细流程图；
图3所示为一种基于Lp/q-混合范数的联合递归加权空间滤波装置图。
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。
如图1所示为根据本公开的一种基于Lp/q-混合范数的联合递归加权空间滤波方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种基于Lp/q-混合范数的联合递归加权空间滤波方法。
本公开提出一种基于Lp/q-混合范数的联合递归加权空间滤波方法，具体包括以下步骤：
步骤1，由脑电系统记录的原始脑电数据进行简单的带通滤波，并以数据采集实验时刺激呈现的时间点为参考点截取参考点所在时间段内的信号，形成脑电试次(trial)；
步骤2，计算脑电试次的局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值；
步骤3，利用得到的权重值将原始脑电信号转换为加权数据矩阵；
步骤4，利用Lp/q-混合范数对目标函数进行建模；
步骤5，以基于Lp/q-混合范数的目标函数对加权后的加权数据矩阵进行最优空间滤波向量的求解；
步骤6，对经过最优空间滤波向量投影得到的脑电数据进行特征提取；
步骤7，利用得到的特征对单试次脑电数据进行分类。
一种基于Lp/q-混合范数的联合递归加权空间滤波方法的实施例为，对原始脑电数据使用五阶巴特沃斯滤波器进行带通滤波，设置滤波频带为8Hz～30Hz，并取视觉任务出现后0.5～2.5s的数据。局部时间为相对于所截取的时间段内时间更短的时间区间，设X(i)∈RC×N为运动想象任务中的脑电信号，xl(i)∈RC和xm(i)∈RC分别为第i个试次中两个时间点上的数据，其中，l＝1,...,N，m＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示第一类运动想象任务的总试次数；同理，对于第二类运动想象任务中脑电信号Y(j)∈RC×N，ym(j)∈RC为一类信号中第j个试次的多变量序列，其中，m＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示第二类运动想象任务的总试次数；对于第一类脑电信号X(i)，计算xl(i)与xm(i)的联合递归图：
u,v＝1,…,C,其中，u、v表示不同的通道,Θ为单位阶跃函数，εl与εm为两个不同的正向阈值。
本实施例的一种基于Lp/q-混合范数的联合递归加权空间滤波方法，包括以下步骤：
(1)计算xl(i)与xm(i)之间联合递归率：
(2)基于不同时间点上两个序列之间的联合递归率，定义权重值：
其中τ为局部时间范围。经过加权后的矩阵分别用Xw与Yw表示，其中Xw的列向量由计算得到，Yw由/>组成；
(3)设xw(i)∈RC为第一类信号Xw中第i列，yw(j)∈RC为第二类信号Yw中第j列；则基于Lp/q-混合范数的联合递归加权方法定义的目标函数为：
其中p和q的取值在0到2之间。所提出的方法被称为基于Lp/q-混合范数的联合递归加权空间滤波方法。
求解实施例中一种基于Lp/q-混合范数的联合递归加权空间滤波方法的迭代方法，包括以下步骤：
(1)对于两类基于运动想象的脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p与q的取值(0<p,q<2)、局部时间范围τ、学习率σ、收敛阈值ε以及最大迭代次数T；
(2)根据联合递归率将两类脑电信号转换为加权数据矩阵Xw与Yw；
(3)令t表示当前迭代的次数，并假设空间滤波向量ω≠0；令t＝0，初始化ω(t)为任意C-维向量，将其进行归一化，得ω(t)＝ω(t)/||ω(t)||2；
(4)定义两个符号函数ai(t)和bj(t)来分别实现目标函数中存在的绝对值运算，令ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi与yj分别为加权后的数据矩阵Xw和Yw的列向量；
(5)计算梯度向量：
(6)更新ω(t)：ω(t+1)＝ω(t)+σg(t)，归一化得：ω(t+1)＝ω(t+1)/||ω(t+1)||2；
(7)更新当前迭代的次数：t←t+1；
(8)当目标函数值J(ω(t))没有明显变化时，结束迭代，得到ω*＝ω(t)为所需的空间滤波向量；否则返回步骤5.5继续进行迭代，当t达到最大迭代次数T时停止迭代。
如图2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)数据的预处理及异常值的引入：对数据集中的脑电信号使用五阶巴特沃斯滤波器进行带通滤波，设置滤波频带为8～30Hz，采样率设为100Hz，再选取视觉任务呈现后0.5～2.5s的脑电数据作为待处理数据。为了验证算法的鲁棒性，本发明在训练数据中按一定概率加入异常值，以此来模拟受到噪声影响的信号。引入的异常值由C-维高斯分布Nc(μ+3σ,∑)生成，其中μ代表脑电训练数据的均值向量，σ代表训练数据的标准差向量，∑为训练数据的协方差矩阵。每个被试的单试次训练数据引入异常值的概率分别为0.1、0.2、0.3、0.4以及0.5，它们被随机地加入到原始的脑电训练数据中，模拟实际中会受到噪声影响的脑电信号。
(2)对进行简单预处理的脑电信号的数据矩阵进行加权，利用所提的空间滤波方法来求取获得最优空间滤波器组，再对滤波后的加权数据矩阵进行特征向量的提取。该方法的参数根据十折交叉法确定，其中局部时间范围参数τ在{2，3，…，11}中选取，迭代算法中的学习率σ∈[1e-6,9e-4]，收敛阈值ε为1e-5，最大迭代次数T设为1000，空间滤波器的对数设置为3对。
(3)将从训练数据提取出的特征向量作为线性判别分类器的输入信息来训练分类器，再使用该分类器对测试数据进行分类测试。
本公开的实施例提供的一种基于Lp/q-混合范数的联合递归加权空间滤波装置，如图3所示为本公开的一种基于Lp/q-混合范数的联合递归加权空间滤波装置图，该实施例的一种基于Lp/q-混合范数的联合递归加权空间滤波装置包括：处理器、存储器以及可以正确运行的计算机程序，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：
信号预处理单元，用于对脑电信号进行预处理；
权重值获取单元，用于计算局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值；
数据转换单元，用于利用所定义的权重值将原始脑电信号进行加权；
滤波器获取单元，用于以目标函数将经过加权后的数据矩阵进行最优空间滤波向量的获取；
数据空间滤波单元，用于以最优空间滤波向量将经过加权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，用于从经过空间滤波得到的数据中提取出特征；
数据分类单元，用于将提取出的特征进行分类。
如表1所示，本实施例中采用基于运动想象的脑电数据集BCI竞赛III数据集IVa，表1包含了这组数据集的基本信息。
表1 BCI竞赛III数据集IVa的相关统计信息
如表2所示，显示了在未加入异常值的原始脑电数据上利用所提方法进行分类得到的分类准确率。为了比较所提方法的优越性，表2中还列出CSP、LTCCSP、LTJRCSP方法的分类结果，其中相关参数设置与所提方法相同。
表2 基于Lp/q-范数的联合递归加权空间滤波方法与基于CSP的方法在所选数据集上的分类结果
被试aa在加入异常值的实验中，四种方法在被污染的脑电数据上的平均分辨率进行比较得：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法；
被试al在加入异常值的实验中，四种方法在被污染的脑电数据上的平均分辨率进行比较得：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法；
被试av在加入异常值的实验中，四种方法在被污染的脑电数据上的平均分辨率进行比较得：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法；
被试aw在加入异常值的实验中，四种方法在被污染的脑电数据上的平均分辨率进行比较得：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法；
被试ay在加入异常值的实验中，四种方法在被污染的脑电数据上的平均分辨率进行比较得：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法；
在加入异常值的实验中，五个被试的平均分类结果，排序为：LTJRCSP-Lp/q方法>LTJRCSP方法>LTCCSP方法>CSP方法。
所述一种基于Lp/q-混合范数的联合递归加权空间滤波装置可以运行于台式计算机、笔记本、掌上电脑及云端服务器等设备中。所述一种基于Lp/q-混合范数的联合递归加权空间滤波装置，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-混合范数的联合递归加权空间滤波装置的示例，并不构成对一种基于Lp/q-混合范数的联合递归加权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-混合范数的联合递归加权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、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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-混合范数的联合递归加权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-混合范数的联合递归加权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，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本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，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，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公开的非实质性改动仍可代表本公开的等效改动。
Claims (6)
1.一种基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，所述方法包括以下步骤：
步骤1，对由脑电系统记录的原始脑电数据进行简单的带通滤波，并以数据采集实验时刺激呈现的时间点为参考点截取参考点所在时间段内的信号，形成脑电试次；
步骤2，计算脑电试次的局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值；
步骤3，利用得到的权重值将原始脑电信号转换为加权数据矩阵；
步骤4，利用Lp/q-混合范数对目标函数进行建模；
步骤5，以基于Lp/q-混合范数的目标函数对加权后的加权数据矩阵进行最优空间滤波向量的求解；
步骤6，对经过最优空间滤波向量投影得到的脑电数据进行特征提取；
步骤7，利用得到的特征对单试次脑电数据进行分类；
在步骤3中，利用所定义的权重值将原始脑电信号转换为加权数据矩阵的方法为，经过加权后的矩阵分别用Xw与Yw表示，其中Xw的列向量由计算得到，Yw由组成，其中，Wlm为权重值；
在步骤4中，利用Lp/q-混合范数对目标函数进行建模的方法为，设xw(i)∈RC为第一类信号Xw中第i列，yw(j)∈RC为第二类信号Yw中第j列；则新定义的目标函数为：
其中，p和q的取值在0到2之间，tx为第一类运动想象任务的总试次数，ty为第二类运动想象任务的总试次数。
2.根据权利要求1所述的基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，在步骤1中，使用五阶巴特沃斯滤波器进行带通滤波，设置滤波频带为8Hz～30Hz，并取视觉任务出现后0.5～2.5s的数据。
3.根据权利要求1所述基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，在步骤2中，局部时间为相对于所截取的时间段内时间更短的时间区间，计算局部时间内不同时间点上脑电数据之间的联合递归率，得到不同采样时间点脑电数据之间的权重值，其方法为：设X(i)∈RC×N为运动想象任务中的脑电信号，xl(i)∈RC和xm(i)∈RC分别为第i个试次中两个时间点上的数据，其中，l＝1,...,N，m＝1,...,N，i＝1,...,tx，C表示通道数，N表示单试次样本数，tx表示第一类运动想象任务的总试次数；同理，对于第二类运动想象任务中脑电信号Y(j)∈RC×N，ym(j)∈RC为一类信号中第j个试次的多变量序列，其中，m＝1,...,N，j＝1,...,ty，C表示通道数，N表示单试次样本数，ty表示第二类运动想象任务的总试次数；对于第一类信号，计算xl(i)与xm(i)的联合递归图：
u,v＝1,…,C,其中，u、v表示不同的通道；其联合递归率定义为：/>其中，Θ为单位阶跃函数，εl与εm为两个不同的正向阈值，基于不同时间点上两个序列之间的联合递归率，定义权重值：
其中τ为选取的时间范围。
4.根据权利要求1所述的基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，在步骤5中，以基于Lp/q-混合范数的目标函数对加权后的脑电数据矩阵进行最优空间滤波向量的求解的方法，包括以下步骤：
步骤5.1，对于两类基于运动想象的脑电信号数据X＝(X(1),...,X(tx))∈RC×m和Y＝(Y(1),...,Y(ty))∈RC×n，设定p与q的取值(0<p,q<2)、局部时间范围τ、学习率σ、收敛阈值ε以及最大迭代次数T；
步骤5.2，根据步骤3的加权矩阵获取方法，将两类脑电信号X与Y分别转换为加权数据矩阵Xw和Yw；
步骤5.3，令t表示当前迭代的次数，并假设空间滤波向量ω≠0；令t＝0，初始化ω(t)为任意C-维向量，将其进行归一化，得ω(t)＝ω(t)/||ω(t)||2；
步骤5.4，定义两个符号函数ai(t)和bj(t)来分别实现目标函数中存在的绝对值运算，令ai(t)＝sgn(ωT(t)xi)，bj(t)＝sgn(ωT(t)yj)，其中xi与yj分别为加权后的数据矩阵Xw和Yw的列向量；
步骤5.5，计算梯度向量：
步骤5.6，更新ω(t)：ω(t+1)＝ω(t)+σg(t)，归一化得：ω(t+1)＝ω(t+1)/||ω(t+1)||2；
步骤5.7，更新当前迭代的次数：t←t+1；
步骤5.8，当目标函数值J(ω(t))没有明显变化时，结束迭代，得到ω*＝ω(t)为所需的空间滤波向量；否则返回步骤5.5继续进行迭代，当t达到最大迭代次数T时停止迭代。
5.根据权利要求1所述的基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，在步骤6中，对经过最优空间滤波向量投影得到的脑电数据进行特征提取的方法，包括以下步骤：
步骤6.1，将经过简易预处理的脑电信号分成训练数据和测试数据；
步骤6.2，根据步骤5的空间滤波器求解方法，对训练数据进行多次迭代得到一系列正交的空间滤波器ω1,ω2,...,ωr，其中r为空间滤波向量的个数；
步骤6.3，对单试次的脑电信号Z进行加权处理，再利用迭代得到的空间滤波器组进行投影，并提取特征：
F＝(f1,f2,...,fr)T
其中，当i＝1,...,r/2时，当i＝r/2+1,...,r时，/>Zw是Z经过加权得到的数据。
6.根据权利要求1所述的基于Lp/q-混合范数的联合递归加权空间滤波方法，其特征在于，在步骤7中，利用得到的特征对单试次脑电数据进行分类的方法，包括以下步骤：
步骤7.1，利用从训练数据中提取得到的特征作为线性判别分类器的输入信息，训练得到分类器；
步骤7.2，提取测试数据的特征作为从步骤7.1中得到的分类器的输入信息，进行脑电特征分类的测试，记录分类的准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862276.6A CN112084896B (zh) | 2020-08-25 | 2020-08-25 | 基于Lp/q-混合范数的联合递归加权空间滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862276.6A CN112084896B (zh) | 2020-08-25 | 2020-08-25 | 基于Lp/q-混合范数的联合递归加权空间滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084896A CN112084896A (zh) | 2020-12-15 |
| CN112084896B true CN112084896B (zh) | 2024-05-03 |
Family
ID=73729554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010862276.6A Active CN112084896B (zh) | 2020-08-25 | 2020-08-25 | 基于Lp/q-混合范数的联合递归加权空间滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084896B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110728189A (zh) * | 2019-09-12 | 2020-01-24 | 东南大学 | 一种基于Lp/q-混合范数的空间滤波方法及装置 |
-
2020
- 2020-08-25 CN CN202010862276.6A patent/CN112084896B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110728189A (zh) * | 2019-09-12 | 2020-01-24 | 东南大学 | 一种基于Lp/q-混合范数的空间滤波方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112084896A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107894564B (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
| CN113887538B (zh) | 模型训练、人脸识别方法、电子设备及存储介质 | |
| CN111680642B (zh) | 一种地形分类方法及装置 | |
| CN111680737B (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
| CN109784233B (zh) | 一种基于Lp-范数的锁相值加权空间滤波方法及装置 | |
| CN106845516A (zh) | 一种基于多样本联合表示的足迹图像识别方法 | |
| CN111046969A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
| CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
| CN102184451B (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
| CN107590604B (zh) | 一种结合s变换和2dpca的同调机组分群方法及系统 | |
| CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
| CN110942034A (zh) | 用于检测多类型深度网络生成图像的方法、系统、装置 | |
| CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
| CN112084896B (zh) | 基于Lp/q-混合范数的联合递归加权空间滤波方法 | |
| CN113239880A (zh) | 基于改进随机森林的雷达辐射源识别方法 | |
| CN110569727B (zh) | 用于运动想象分类的结合类内距和类间距的迁移学习方法 | |
| CN110728189A (zh) | 一种基于Lp/q-混合范数的空间滤波方法及装置 | |
| CN115329820A (zh) | 基于改进FastICA的电网扰动辨识方法及系统 | |
| CN115205961A (zh) | 一种羽毛球动作识别方法、装置、电子设备及存储介质 | |
| CN115546862A (zh) | 基于跨尺度局部差异深度子空间特征的表情识别方法和系统 | |
| CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
| CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
| CN109033980B (zh) | 基于增量局部残差最小二乘法的高光谱图像Gabor特征分类方法 | |
| CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 |
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 |