CN112244877B - 一种基于脑机接口的大脑意图识别方法及系统 - Google Patents

一种基于脑机接口的大脑意图识别方法及系统 Download PDF

Info

Publication number
CN112244877B
CN112244877B CN202011100067.4A CN202011100067A CN112244877B CN 112244877 B CN112244877 B CN 112244877B CN 202011100067 A CN202011100067 A CN 202011100067A CN 112244877 B CN112244877 B CN 112244877B
Authority
CN
China
Prior art keywords
matrix
electroencephalogram
extreme learning
brain
data
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
Application number
CN202011100067.4A
Other languages
English (en)
Other versions
CN112244877A (zh
Inventor
付荣荣
米瑞甫
王世伟
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202011100067.4A priority Critical patent/CN112244877B/zh
Publication of CN112244877A publication Critical patent/CN112244877A/zh
Application granted granted Critical
Publication of CN112244877B publication Critical patent/CN112244877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

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

Abstract

本发明提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：利用MATLAB构建实际任务模型；基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；将待预测的脑电数据输入到所述极限学习模型，获得分类结果。本发明提高识别大脑意图的准确性。本发明采集的脑电信号经共空间模式特征提取后特征更加明显，更加容易进行分类识别。另外，本发明将极限学习机训练的模型作为分类器不仅准确率高，且分类过程中不需要繁琐的迭代计算，速度更快，效果更好。

Description

一种基于脑机接口的大脑意图识别方法及系统
技术领域
本发明涉及生物信号处理与机器学习技术领域，特别是涉及一种基于脑机接口的大脑意图识别方法及系统。
背景技术
脑机接口通过提取头皮脑电信号来分析大脑意图，进而评估脑部活动，对解决运动障碍患者的医疗康复问题具有重要意义。
近年来，国内外专家学者开展了一系列对脑机接口的研究，对大脑意图识别的研究有三个关键的步骤：设计合理的实验任务、脑电信号提取特征和脑电数据分类。其中，建立合理的实验任务模型是脑电信号提取的首要前提，在对脑机接口的研究中，国内外专家提出了不同的任务模型。在运动神经系统康复中，经常采用运动想象的方式来诱发脑电，然而长时间在单纯运动想象下进行实验，受试者容易产生大脑疲劳。在这种状态下采集的实验数据质量不高，给提取脑电信号特征带来较大压力，同时也降低了对大脑意图识别的准确性。
发明内容
基于此，本发明的目的是提供一种基于脑机接口的大脑意图识别方法及系统，以提高识别大脑意图的准确性。
为实现上述目的，本发明提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：
步骤S1：利用MATLAB构建实际任务模型；
步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；
步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
可选地，所述对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵，具体包括：
步骤S31：采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
步骤S32：将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
步骤S33：计算各类所述脑电数据的协方差矩阵；
步骤S34：根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
步骤S35：根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
步骤S36：采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；
步骤S37：从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；
步骤S38：基于所述选取矩阵提取脑电信号特征向量；
步骤S39：将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
可选地，所述计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure BDA0002725019040000021
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
可选地，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure BDA0002725019040000022
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为空间滤波后的所述脑电原始数据集ZM×N的第r行组成的向量，m为选取的行数，var为方差。
可选地，所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure BDA0002725019040000031
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点；
所述极限学习模型的隐含层输入矩阵PY，具体公式为：
Figure BDA0002725019040000032
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量；
所述极限学习模型的隐含层输出矩阵H为：
Figure BDA0002725019040000033
其中，bl表示第l个隐含层神经元的偏置，g()为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值；
所述极限学习模型的网络输出T为：
Figure BDA0002725019040000041
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT (10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵。
本发明还提供一种基于脑机接口的大脑意图识别系统，所述系统包括：
实际任务模型构建模块，用于利用MATLAB构建实际任务模型；
脑电原始数据集采集模块，用于基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
预处理模块，用于对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；
极限学习模型构建模块，用于将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
分类预测模块，用于将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
可选地，所述预处理模块，具体包括：
干扰滤除单元，用于采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
分类处理单元，用于将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
协方差矩阵计算单元，用于计算各类所述脑电数据的协方差矩阵；
平均协方差矩阵计算单元，用于根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
空间滤波矩阵确定单元，用于根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
空间滤波单元，用于采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；
选取单元，用于从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；
提取单元，用于基于所述选取矩阵提取脑电信号特征向量；
脑电信号特征提取矩阵确定单元，用于将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
可选地，所述计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure BDA0002725019040000051
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
可选地，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure BDA0002725019040000052
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为空间滤波后的所述脑电原始数据集ZM×N的第r行组成的向量，m为选取的行数，var为方差。
可选地，所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure BDA0002725019040000061
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点；
所述极限学习模型的隐含层输入矩阵PY，具体公式为：
Figure BDA0002725019040000062
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量；
所述极限学习模型的隐含层输出矩阵H为：
Figure BDA0002725019040000063
其中，bl表示第l个隐含层神经元的偏置，g()为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值；
所述极限学习模型的网络输出T为：
Figure BDA0002725019040000071
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT (10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵。
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：
本发明提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：利用MATLAB构建实际任务模型；基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；将待预测的脑电数据输入到所述极限学习模型，获得分类结果。本发明提高识别大脑意图的准确性。本发明采集的脑电信号经共空间模式特征提取后特征更加明显，更加容易进行分类识别。另外，本发明将极限学习机训练的模型作为分类器不仅准确率高，且分类过程中不需要繁琐的迭代计算，速度更快，效果更好。
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为本发明实施例移动水杯的实际人物图；
图2为本发明实施例实际任务概念化的动态平衡系统模型；
图3为本发明实施例动态平衡系统的力学模型；
图4为本发明实施例动态平衡系统的受力分析图；
图5为本发明实施例MATLAB编程的可视化界面；
图6为本发明实施例动态平衡系统操作流程图
图7为本发明实施例实验过程图；
图8为本发明实施例极限学习机算法网络图；
图9为本发明实施例10名受试者的脑电信息分类正确率折线图；
图10为本发明实施例10名受试者的ROC曲线图；
图11为本发明实施例基于脑机接口的大脑意图识别方法流程图。
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机接口的大脑意图识别方法及系统，以提高识别大脑意图的准确性。
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。
如图11所示，本发明提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：
步骤S1：利用MATLAB构建实际任务模型。
步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集。
步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵。
步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型。
步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
下面对各个模块进行详细论述：
步骤S1：利用MATLAB构建实际任务模型。
本实施例中将实际移动水杯作为实际任务，图1中给出了移动装有液体的水杯并无液体溢出这一动态过程，并将所述实际任务进行抽象的概念化模型如图2所示，实际任务模型的力学模型图如图3所示，实际任务模型的受力分析图如图4所示。实际任务模型的传递函数方程如下：
Figure BDA0002725019040000091
其中，V(s)表示系统输入，U(s)表示系统输出，s表示移动距离，M和m分别表示圆弧和圆球的质量，x表示圆弧的水平位置，g表示重力常数，F表示所受外力，N表示球受到圆弧的支持力，θ表示球的瞬时角度，θESC表示球的逃逸角度，l表示圆弧的半径。通过MATLAB构建实际任务模型如图5所示。
步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集A；所述脑电原始数据集A包括M×N个脑电数据，M表示通道数，N表示一次实验中采样点的个数。
基于所述实验任务模型进行实验与脑电信息采集时，要求实验环境隔音安静，以避免外界环境对脑电信息造成干扰。受试者首先进行训练，熟悉模型以后进行正式实验。实验时受试者坐在距离舒适的屏幕约60cm的正前方，分别通过左右手敲击键盘控制动态平衡系统左右移动，同时通过脑电仪进行脑电数据采集。确保脑电仪佩戴位置合适，采集的数据通过无线连接方式传输到计算机进行存储，动态平衡系统操作流程图如图6所示。实验过程如图7所示，受试者通过键盘控制动态平衡系统从A点开始沿水平维度做平移运动移动到B点，移动过程中，小球受力的作用会有同向加速度，受试者要根据其运动状态做出反应改变系统移动速度与方向以避免小球从圆弧中逸出，同时避免圆弧触及边界。小球从圆弧中逸出或者重新回到A点则实验失败，重新进行实验。系统在小球不从圆弧中掉出的情况下，从A移动到B点，则一次实验成功，此时通过脑电仪采集的脑电信号为一次有效信号。
步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵，具体包括：
步骤S31：采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
步骤S32：将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
步骤S33：计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure BDA0002725019040000101
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
当i为1时，A1j为第j次试验右手敲击键盘时采集的脑电数据，给定标签为1，C1j为第j次试验该组脑电数据的协方差矩阵，i为2时，A2j第j次试验左手敲击键盘时采集的脑电数据，给定标签为2，C2j为第j次试验该组脑电数据的协方差矩阵。
步骤S34：根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵，具体公式为：
Figure BDA0002725019040000102
其中，
Figure BDA0002725019040000103
为第i类所述脑电数据的平均协方差矩阵，n表示进行实验的总次数。
步骤S35：根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵，具体公式为：
Figure BDA0002725019040000104
其中，W为空间滤波矩阵，D为对角阵，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
本实施例中空间滤波矩阵为M×M矩阵，M表示通道数。
步骤S36：采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；空间滤波后的所述脑电原始数据集ZM×N为M×N矩阵，M表示通道数，N表示一次实验中采样点的个数。
步骤S37：从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵Zk；所述选取矩阵Zk为2m×N矩阵；其中，2m<M。
步骤S38：基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure BDA0002725019040000111
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为ZM×N的第r行组成的向量，m为选取的行数，var为方差。
步骤S39：将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵Y，Y＝[y1,y1,…,yk,…,yni]，Y是一个2m×ni的矩阵，ni表示进行的实验次数。
步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型，具体包括：
极限学习模型如图8所示，其中所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure BDA0002725019040000112
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点。
所述极限学习模型的隐含层输入矩阵，具体公式为：
Figure BDA0002725019040000113
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，随机产生，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量。
所述极限学习模型的隐含层输出矩阵H为：
Figure BDA0002725019040000121
其中，bl表示第l个隐含层神经元的偏置，
Figure BDA0002725019040000122
为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值。
所述极限学习模型的网络输出T为：
Figure BDA0002725019040000123
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT(10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵。
步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果；所述分类结果属于1类脑电信号还是2类脑电信号。
实施例中将待预测的脑电数据输入到所述极限学习模型要保证训练过程中产生的隐含层输入层权值矩阵P，隐含层神经元偏置bl不变，即可得出分类结果，即判定输入分类器的脑电数据属于1类脑电信号还是2类脑电信号。
通过十折交叉验证计算测试集分类正确率，绘制ROC曲线评估所述极限学习模型。受试者十折交叉验证准确率折线图如图9所示，十名受试者ROC曲线如图10所示，其中TPR为真阳性率，FPR为假阳性率。
本发明方法针对脑电数据分类问题，提出基于极限学习机的有视觉引导的能量约束任务中大脑意图识别方法，将基于共空间模式与极限学习机的分类算法应用于规避实验任务下实现脑电数据分类。
本发明还提供一种基于脑机接口的大脑意图识别系统，所述系统包括：
实际任务模型构建模块，用于利用MATLAB构建实际任务模型。
脑电原始数据集采集模块，用于基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集。
预处理模块，用于对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵。
极限学习模型构建模块，用于将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型。
分类预测模块，用于将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
作为一种实施方式，本发明所述预处理模块，具体包括：
干扰滤除单元，用于采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰。
分类处理单元，用于将滤波后的所述脑电数据进行分类处理，获得多类脑电数据。
协方差矩阵计算单元，用于计算各类所述脑电数据的协方差矩阵。
平均协方差矩阵计算单元，用于根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵。
空间滤波矩阵确定单元，用于根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵。
空间滤波单元，用于采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波。
选取单元，用于从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数。
提取单元，用于基于所述选取矩阵提取脑电信号特征向量。
脑电信号特征提取矩阵确定单元，用于将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
作为一种实施方式，本发明所述计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure BDA0002725019040000141
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
作为一种实施方式，本发明所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure BDA0002725019040000142
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为空间滤波后的所述脑电原始数据集ZM×N的第r行组成的向量，m为选取的行数，var为方差。
作为一种实施方式，本发明所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure BDA0002725019040000151
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点；
所述极限学习模型的隐含层输入矩阵PY，具体公式为：
Figure BDA0002725019040000152
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量；
所述极限学习模型的隐含层输出矩阵H为：
Figure BDA0002725019040000153
其中，bl表示第l个隐含层神经元的偏置，g()为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值；
所述极限学习模型的网络输出T为：
Figure BDA0002725019040000161
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT (10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵。
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 (8)

1.一种基于脑机接口的大脑意图识别方法，其特征在于，所述方法包括：
步骤S1：利用MATLAB构建实际任务模型；
步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得脑电信号特征提取矩阵；
步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure FDA0003149014900000011
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点；
所述极限学习模型的隐含层输入矩阵PY，具体公式为：
Figure FDA0003149014900000012
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量；
所述极限学习模型的隐含层输出矩阵H为：
Figure FDA0003149014900000021
其中，bl表示第l个隐含层神经元的偏置，g()为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值；
所述极限学习模型的网络输出T为：
Figure FDA0003149014900000022
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT (10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵；
步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
2.根据权利要求1所述的基于脑机接口的大脑意图识别方法，其特征在于，所述对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得脑电信号特征提取矩阵，具体包括：
步骤S31：采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
步骤S32：将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
步骤S33：计算各类所述脑电数据的协方差矩阵；
步骤S34：根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
步骤S35：根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
步骤S36：采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；
步骤S37：从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；
步骤S38：基于所述选取矩阵提取脑电信号特征向量；
步骤S39：将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
3.根据权利要求2所述的基于脑机接口的大脑意图识别方法，其特征在于，所述计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure FDA0003149014900000031
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
4.根据权利要求2所述的基于脑机接口的大脑意图识别方法，其特征在于，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure FDA0003149014900000032
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为空间滤波后的所述脑电原始数据集ZM×N的第r行组成的向量，m为选取的行数，var为方差。
5.一种基于脑机接口的大脑意图识别系统，其特征在于，所述系统包括：
实际任务模型构建模块，用于利用MATLAB构建实际任务模型；
脑电原始数据集采集模块，用于基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
预处理模块，用于对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得脑电信号特征提取矩阵；
极限学习模型构建模块，用于将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
Figure FDA0003149014900000041
其中，ni表示进行的实验次数，yQni表示第Q个通道中第ni次实验采集的点；
所述极限学习模型的隐含层输入矩阵PY，具体公式为：
Figure FDA0003149014900000042
其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，pl＝[pl1,pl2,…,plQ]，plQ表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，yni为第ni次实验所采集脑电信号对应的特征向量；
所述极限学习模型的隐含层输出矩阵H为：
Figure FDA0003149014900000043
其中，bl表示第l个隐含层神经元的偏置，g()为隐含层激活函数，pl表示极限学习机算法第l个隐含层神经元的权值；
所述极限学习模型的网络输出T为：
Figure FDA0003149014900000051
其中，l表示隐含层神经元的数量，βim表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，βim为权值矩阵β的一个元素；
所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H+)-1TT (10)；
其中，β表示输出层权值矩阵，H+表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，TT表示T的转置矩阵；
分类预测模块，用于将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
6.根据权利要求5所述的基于脑机接口的大脑意图识别系统，其特征在于，所述预处理模块，具体包括：
干扰滤除单元，用于采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
分类处理单元，用于将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
协方差矩阵计算单元，用于计算各类所述脑电数据的协方差矩阵；
平均协方差矩阵计算单元，用于根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
空间滤波矩阵确定单元，用于根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
空间滤波单元，用于采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；
选取单元，用于从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；
提取单元，用于基于所述选取矩阵提取脑电信号特征向量；
脑电信号特征提取矩阵确定单元，用于将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
7.根据权利要求6所述的基于脑机接口的大脑意图识别系统，其特征在于，所述计算各类所述脑电数据的协方差矩阵，具体公式为：
Figure FDA0003149014900000061
其中，AT表示脑电原始数据集A的转置矩阵，trace(·)表示矩阵对角线元素之和，Aij为第j次试验第i类脑电数据，Cij为第j次试验第i类脑电数据对应的协方差矩阵。
8.根据权利要求7所述的基于脑机接口的大脑意图识别系统，其特征在于，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
Figure FDA0003149014900000062
其中，yk为脑电信号特征向量，Zk为选取矩阵，Zr为空间滤波后的所述脑电原始数据集ZM×N的第r行组成的向量，m为选取的行数，var为方差。
CN202011100067.4A 2020-10-15 2020-10-15 一种基于脑机接口的大脑意图识别方法及系统 Active CN112244877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011100067.4A CN112244877B (zh) 2020-10-15 2020-10-15 一种基于脑机接口的大脑意图识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011100067.4A CN112244877B (zh) 2020-10-15 2020-10-15 一种基于脑机接口的大脑意图识别方法及系统

Publications (2)

Publication Number Publication Date
CN112244877A CN112244877A (zh) 2021-01-22
CN112244877B true CN112244877B (zh) 2021-09-07

Family

ID=74242224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011100067.4A Active CN112244877B (zh) 2020-10-15 2020-10-15 一种基于脑机接口的大脑意图识别方法及系统

Country Status (1)

Country Link
CN (1) CN112244877B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399033B (zh) * 2022-03-25 2022-07-19 浙江大学 基于神经元指令编码的类脑计算系统和计算方法
CN117290709B (zh) * 2023-11-27 2024-02-02 小舟科技有限公司 用于连续动态意图解码的方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104799852A (zh) * 2015-05-19 2015-07-29 北京工业大学 基于超限学习机自编码的运动想象脑电信号特征的提取方法
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
US20190042952A1 (en) * 2017-08-03 2019-02-07 Beijing University Of Technology Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User
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
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104799852A (zh) * 2015-05-19 2015-07-29 北京工业大学 基于超限学习机自编码的运动想象脑电信号特征的提取方法
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统
US20190042952A1 (en) * 2017-08-03 2019-02-07 Beijing University Of Technology Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
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
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于核函数极限学习机和小波包变换的EEG分类方法;王丽，兰陟，杨荣，王强，李宏亮;《北京生物医学工程》;20181031;第37卷(第5期);全文 *
有约束复杂随动被控对象理论分析与模型建立;付荣荣，田永胜，侯培国，鲍甜恬;《高技术通讯》;20181215;第28卷(第11-12期);全文 *

Also Published As

Publication number Publication date
CN112244877A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Shen et al. Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning
CN113693613B (zh) 脑电信号分类方法、装置、计算机设备及存储介质
CN112244877B (zh) 一种基于脑机接口的大脑意图识别方法及系统
CN108304917A (zh) 一种基于lstm网络的p300信号检测方法
CN108491077A (zh) 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法
CN108960182A (zh) 一种基于深度学习的p300事件相关电位分类识别方法
CN109063639A (zh) 一种实时预测大脑行为的方法
CN112861604B (zh) 一种与用户无关的肌电动作识别与控制方法
CN107256392A (zh) 一种联合图像、语音的全面情绪识别方法
CN110333783B (zh) 一种用于鲁棒肌电控制的无关手势处理方法及系统
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
CN107168524A (zh) 一种基于深度学习混合模型的稳态视觉诱发电位分类方法
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN110018739A (zh) 一种基于降维机制的脑电信号特征优选方法
CN113576481B (zh) 一种脑力负荷评估方法、装置、设备、介质
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN109492766A (zh) 一种基于最小p范数的宽度学习方法
CN113180692A (zh) 一种基于特征融合和注意力机制的脑电信号分类识别方法
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
CN109685071A (zh) 基于共同空间模式特征宽度学习的脑电分类方法
CN108874137B (zh) 一种基于脑电信号的手势动作意图检测的通用模型
WO2021142532A1 (en) Activity recognition with deep embeddings
Ying Gated recurrent unit based on feature attention mechanism for physical behavior recognition analysis
Wang et al. Research on the key technologies of motor imagery EEG signal based on deep learning
CN114721514B (zh) 一种基于脑电信号的几何模型选择意图判别方法及系统

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
GR01 Patent grant
GR01 Patent grant