CN112270255B - 一种脑电信号识别方法、装置、电子设备及存储介质 - Google Patents
一种脑电信号识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112270255B CN112270255B CN202011160235.9A CN202011160235A CN112270255B CN 112270255 B CN112270255 B CN 112270255B CN 202011160235 A CN202011160235 A CN 202011160235A CN 112270255 B CN112270255 B CN 112270255B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- feature
- motor imagery
- processing
- 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
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
- G06F18/21—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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Abstract
本发明公开了一种脑电信号识别方法、装置、电子设备及存储介质,方法包括:获取运动想象信号,并根据运动想象信号的类别确定各类运动想象信号的数据标签;对附有数据标签的运动想象信号进行数据增强处理;将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;根据第二特征矩阵进行分类器建模;通过分类器识别待测脑电信号。本发明能够对运动想象信号进行数据增强,有助于提高训练模型的精度;另外,通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理,能够去除冗余数据,提高分类效果,可以广泛应用于信号处理技术领域。
Description
技术领域
本发明涉及信号处理技术领域,尤其是一种脑电信号识别方法、装置、电子设备及存储介质。
背景技术
脑机接口(BCI)将大脑信号转换为外部设备控制指令,为人类与外部环境直接交互建立了新的通道。这项技术对运动障碍和上半身瘫痪患者特别有用。当然,BCI也可以用于健康人,如游戏或机器人控制。脑电信号具有低成本、高时间分辨率的特点,广泛应用于脑电接口中。运动图像是一种自发产生的脑电图信号,不需要外界刺激。特别适用于患者的康复训练和运动控制。
但是,脑电信号很弱,信噪比低,空间模糊。提取稳定的、有区别的特征是非常困难的。因此,特征提取一直是基于运动想象的脑机接口研究的热点。此外,特征选择可以降低特征维数和噪声干扰,所选特征更稳定、更具识别力。因此,对特征选择的研究也非常重要。
在相关技术中,由于运动想象信号随机性及非平稳性非常强、具有非线性、信号微弱、噪声干扰强等特点。以及被试进行实验数据采集的时候,因为不能让被试长时间地每次执行相同的心理任务来记录大脑信号,因此运动想象所能得到的训练样本数量十分有限。
另外,相关技术在对脑电信号进行特征提取的时候,一般采用CSP(公共空间模式)的特征提取方式,经过矩阵的对角化,找到一组最优空间滤波器进行投影,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,但是这种技术还是有冗余信息导致后续分类器结果不好的问题。
发明内容
有鉴于此,本发明实施例提供一种能够增强训练样本数量,且能提高分类效果的脑电信号识别方法、装置、电子设备及存储介质。
本发明的第一方面提供了一种脑电信号识别方法,包括:
获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;
对所述附有数据标签的运动想象信号进行数据增强处理;
将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;
通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;
根据所述第二特征矩阵进行分类器建模;
通过所述分类器识别待测脑电信号。
在一些实施例中,所述获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签,包括:
提取运动想象左手时的脑电数据和运动想象右手时的脑电数据;其中,所述脑电数据包括预备期和运动想象期;所述提取的采样频率为250Hz;
将所述想象左手时的脑电数据和所述想象右手时的脑电数据打上数据标签。
在一些实施例中,所述对所述附有数据标签的运动想象信号进行数据增强处理,包括:
提取所述运动想象期中的中间数据;
对所述中间数据进行去噪处理;
对去噪处理后的数据进行数据增强处理。
在一些实施例中,所述对所述中间数据进行去噪处理,包括:
通过50Hz的凹陷滤波器对所述中间数据进行工频噪声去除处理;
通过带通滤波器对中间数据进行非相关噪声处理。
在一些实施例中,所述将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵,包括:
将所述数据增强处理后的不同类别的运动想象信号的信号矩阵;
根据所述信号矩阵,计算每个类别的运动想象信号的协方差矩阵;
对所述协方差矩阵进行正交白化变换,并进行对角化处理;
根据所述对角化处理的结果计算投影矩阵;
根据所述投影矩阵进行投影得到特征矩阵,进而确定所有类别的第一特征矩阵。
在一些实施例中,所述通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵,包括:
对第一特征矩阵进行zscore数据标准化处理,得到标准化矩阵;
获取自变量向量和因变量向量;
根据所述自变量向量和所述因变量向量,计算潜在成分和因变量之间协方差以及残差;
根据所述协方差以及所述残差,确定潜在成分;
根据所述潜在成分,确定自变量组和因变量组;
根据所述自变量组合所述因变量组,确定降维后的第二特征矩阵。
在一些实施例中,所述根据所述第二特征矩阵进行分类器建模,包括:
将所述第二特征矩阵进行10折交叉检验,得到训练集和测试集;
根据所述训练集训练PSO-SVM分类模型;
通过所述测试集对所述PSO-SVM分类模型进行检验,得到分类器模型。
根据本发明的第二方面,还提供了一种脑电信号识别装置,包括:
获取模块,用于获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;
数据增强模块,用于对所述附有数据标签的运动想象信号进行数据增强处理;
空间滤波模块,用于将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;
偏最小二乘回归法处理模块,用于通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;
建模模块,用于根据所述第二特征矩阵进行分类器建模;
识别模块,用于通过所述分类器识别待测脑电信号。
根据本发明的第三方面,还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如本发明第一方面所述的方法。
根据本发明的第四方面,还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本发明第一方面所述的方法。
本发明的实施例获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;对所述附有数据标签的运动想象信号进行数据增强处理;将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;根据所述第二特征矩阵进行分类器建模;通过所述分类器识别待测脑电信号;通过本发明的实施例,能够对运动想象信号进行数据增强,得到更多的训练样本,有助于提高训练模型的精度;另外,本发明通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,能够去除冗余数据,提高分类效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明实施例的整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例提供了一种脑电信号识别方法,如图1所示,包括以下的S1-S6:
S1、获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;
在一些实施例中,所述步骤S1包括:
S11、提取运动想象左手时的脑电数据和运动想象右手时的脑电数据;其中,所述脑电数据包括预备期和运动想象期;所述提取的采样频率为250Hz;
S12、将所述想象左手时的脑电数据和所述想象右手时的脑电数据打上数据标签。
具体地,本发明实施例首先将被试通过脑电设备采集运动想象信号,根据不同的类别把数据上好标签。
本发明实施例利用的是提取被试在进行运动想象左手和右手时的脑电数据,其一次运动想象范式共7秒,前2秒是预备期,经过1秒的提醒后开始时常4秒的运动想象期。提取电极共有60个,采样频率为250Hz。
本发明实施例将想象左手和右手的数据都各自上不一样的标签用来做区分,以便后续进行分类工作。
S2、对所述附有数据标签的运动想象信号进行数据增强处理;
在一些实施例中,所述步骤S2包括S21-S23:
S21、提取所述运动想象期中的中间数据;
S22、对所述中间数据进行去噪处理;所述步骤S22又包括S221-S222:
S221、通过50Hz的凹陷滤波器对所述中间数据进行工频噪声去除处理;
S222、通过带通滤波器对中间数据进行非相关噪声处理。
S23、对去噪处理后的数据进行数据增强处理。
具体地,本发明实施例首先提取4秒运行想象期间的中间两秒,共500个采样点,有60个电极,一次想象范式的数据格式为60*500,共有180个范式,总体数据为90*60*500。
接着,将提取后的数据利用50Hz的凹陷滤波器去除工频噪声,再用8~30Hz的带通滤波器去除其他非相关噪声。
最后进行数据增强步骤,使用的是一个均值为0,方差为2的高斯白噪声信号以相加的方式,加在经过预处理和进一步提取的脑电数据上,成为一个新的数据格式为90*60*500的数据集,并且相应的对想象左手和想象右手的范式上标签,使得总体数据扩大了一倍,总体数据变为为180*60*500。数据增强公式如下:
Datanoise=Data+N
其中,Data表示的是原始总体数据90*60*500,N是代表均值为0,方差为2的高斯噪声信号,Datanoise代表的是增加了高斯白噪声的总数据。
S3、将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;
在一些实施例中,所述步骤S3包括S31-S35:
S31、将所述数据增强处理后的不同类别的运动想象信号的信号矩阵;
S32、根据所述信号矩阵,计算每个类别的运动想象信号的协方差矩阵;
S33、对所述协方差矩阵进行正交白化变换,并进行对角化处理;
S34、根据所述对角化处理的结果计算投影矩阵;
S35、根据所述投影矩阵进行投影得到特征矩阵,进而确定所有类别的第一特征矩阵。
具体地,本发明实施例利用数据增强方法得到扩充的数据,用X1和X2分别代表两个类的一次运行想象数据矩阵,维度为500*60,其中500代表两秒采样的数据点,60代表有60个电极提取。
接着,计算每一类的原始数据的协方差矩阵。公式如下:
其中,E是一次运行想象数据矩阵,trace是求EET矩阵的迹。C1为第一类样本数据的空间协方差矩阵的期望,C2表示第二类样本的空间协方差矩阵的期望。
然后进行正交白化变换并且对角化处理。公式如下:
Cs是这两类空间协方差矩阵的和,Us为特征向量矩阵,ΛS表示特征值的对角阵,且特征值是降序排列。白化转换Us可得到矩阵P:
将矩阵P用于C1和C2中得到:
S1=PC1PT,S2=PC2PT
S1和S2分别代表第一类和第二类运动想象数据的协方差矩阵C1和C2的变换矩;S1和S2具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B,对S1和S2进行主成分分解可得:
S1=BA1BT,S2=BA2BT
然后计算投影矩阵。对于特征向量矩阵Cs,当一个类别S1有最大的特征值时,此时另一个类别S2有最小的特征值,因此可以利用矩阵B实现两类问题的分类,可以得到投影矩阵W:
W=BTP
经过投影得到特征矩阵。将训练集X1和X2经过滤波器W滤波可获得特征矩阵Z1和Z2,并且将特征矩阵进行归一化得到最终特征矩阵,公式如下:
最终得到所有类的特征矩阵,数据格式是180*6,分别代表两个类总个数和选取通道个数。
S4、通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;
在一些实施例中,所述步骤S4包括S41-S46:
S41、对第一特征矩阵进行zscore数据标准化处理,得到标准化矩阵;
S42、获取自变量向量和因变量向量;
S43、根据所述自变量向量和所述因变量向量,计算潜在成分和因变量之间协方差以及残差;
S44、根据所述协方差以及所述残差,确定潜在成分;
S45、根据所述潜在成分,确定自变量组和因变量组;
S46、根据所述自变量组合所述因变量组,确定降维后的第二特征矩阵。
具体地,本发明实施例将原始数据进行zscore数据标准化,即XZ=(X-mean(X))/std(X),mean()函数是求X矩阵的均值,std()函数是求原始数据矩阵的标准差,最终得到标准化矩阵XZ。
设有p个自变量X={x1,x2,...,xp}和一个因变量y向量。故自变量组成的数据矩阵X是n*p格式,n为样本点数,因变量组成数据矩阵y为n*1格式。在X和y中提取出一组潜在成分t1,t1=w1x1+…+wpxp=wTX,它可以尽可能多的代表自变量数据矩阵X,与目标变量y的协方差尽可能最大化。W是代表t1所对应的投影方向。PLS方法通过最大化潜在成分之间的协方差求取潜在成分,然后在这些潜在成分的基础上进行最小二乘分析。
接着计算潜在成分和因变量之间协方差最大化的极值问题。通过下述公式:
cov(t,y)=var(t)var(y)*r(t,y)
其中,cov代表的是协方差要求解t和y之间协方差最大化的极值问题利用拉格朗日乘子算法求该极值问题,最终求得W投影方向,var代表的是方差,|| ||代表的是求范数,W是投影方向,r代表的是一组潜在成分与目标变量。
然后利用原始数据X和目标变量y对潜在成分:
E1=X-α1 T=X-t1(t1 Tt1)-1t1 TX
F1=y-β1 T=y-t1(t1 Tt1)-1t1 T y
其中,E1和F1代表的是X与y的残差,向量α1 T和β1 T代表的是常规最小二乘回归的回归系数。
本发明实施例的PLS算法使用残差E1和F1作为新的X与y,而后抽取下一个潜在成分t2;这一过程循环操作分别提出自变量组与因变量组的成分。在本发明实施例中,当前k个成分解释自变量的比率达到90%时,取前k个成分,在本次实验中是取k=2的时候即可以达到解释自变量的比率达到90%以上。
最后,将X中变量的线性组合的PLS因子,即预测变量得分矩阵作为降维后的特征矩阵,最终特征矩阵变成180*2的格式。
S5、根据所述第二特征矩阵进行分类器建模;
在一些实施例中,所述步骤S5包括S51-S53:
S51、将所述第二特征矩阵进行10折交叉检验,得到训练集和测试集;
S52、根据所述训练集训练PS0-SVM分类模型;
S53、通过所述测试集对所述PS0-SVM分类模型进行检验,得到分类器模型。
具体地,本发明实施例将特征矩阵进行10折交叉检验,即将特征矩阵分成10份,训练集有9份,测试集有1份。依次将每份都做一次测试集,其余剩下部分做为训练集,重复进行十次。
在将特征矩阵进行分割为训练集和测试集后,在PS0(粒子群优化算法)中,是对SVM(支持向量机)的惩戒参数c和对核函数中的gamma函数设置进行优化。其参数设置是局部搜索能力参数:1.5,全局搜索能力参数:1.5,最大进化数量:50,种群最大数量:20,惯性权重:1。
将训练集进行导入后训练PSO-SVM分类模型,再将测试集进行检验,得到最终的分类器模型。
S6、通过所述分类器识别待测脑电信号。
综上所述,本发明提供了一种基于数据增强和偏最小二乘回归特征选择的脑电信号的识别方法,该方法包括了将实验提取到的运动想象脑电数据进行预处理后得到脑电数据;利用在脑电数据里加入高斯白噪声充当为人造数据集,以此得到更多的原始脑电数据;将原始脑电数据和加噪后的脑电数据进行合并后通过公共空间模式该空间滤波方法后得到原始特征矩阵;利用偏最小二乘回归来把经过公共空间模式得到的特征矩阵进行降维,去除冗余数据,得到最终的特征矩阵;将特征矩阵经过十折交叉检验,把数据分成10份,9份是训练集,1份是测试集;将训练集导入到PSO-SVM分类模块中训练分类器模型,模型训练后把测试集导入进行检验分类正确率。
本发明提出了利用在原始数据中加噪得到新数据,以此来扩充数据量,接着在经过公共空间模式的特征提取后进行了用偏最小二乘回归来特征选择,减少了冗余数据,增强了脑电识别的正确率。其中:
1、数据增强算法:利用均值为0,方差为2的高斯白噪声加在原始数据集上,充当新数据以达到增加总体数据量,提升脑机接口系统的稳定性和性能。
2、特征选择算法:将偏最小二乘回归方法利用在脑电数据经过空间滤波器处理后的特征矩阵中,把得到的特征矩阵进行提取能代表特征数据最多成分的特征,把其他代表特征数据少的特征以及冗余数据删除,以达到提升后续分类器模型分类效果的作用。
本发明实施例还提供了一种脑电信号识别装置,包括:
获取模块,用于获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;
数据增强模块,用于对所述附有数据标签的运动想象信号进行数据增强处理;
空间滤波模块,用于将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;
偏最小二乘回归法处理模块,用于通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;
建模模块,用于根据所述第二特征矩阵进行分类器建模;
识别模块,用于通过所述分类器识别待测脑电信号。
本发明实施例还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如本发明第一方面所述的方法。
本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本发明第一方面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种脑电信号识别方法,其特征在于,包括:
获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签;
对附有数据标签的运动想象信号进行数据增强处理;
将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵;
通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵;
根据所述第二特征矩阵进行分类器建模;
通过所述分类器识别待测脑电信号;
所述将数据增强处理后的运动想象信号进行空间滤波处理,得到第一特征矩阵,包括:
将所述数据增强处理后的不同类别的运动想象信号的信号矩阵;
根据所述信号矩阵,计算每个类别的运动想象信号的协方差矩阵;
对所述协方差矩阵进行正交白化变换,并进行对角化处理;
根据所述对角化处理的结果计算投影矩阵;
根据所述投影矩阵进行投影得到特征矩阵,进而确定所有类别的第一特征矩阵;
其中,用X1和X2分别代表两个类的一次运行想象数据矩阵,维度为500*60,其中500代表两秒采样的数据点,60代表有60个电极提取;
接着,计算每一类的原始数据的协方差矩阵,公式如下:
其中,Ci为第i类样本数据的空间协方差矩阵的期望;E是一次运行想象数据矩阵,trace是求EET矩阵的迹;C1为第一类样本数据的空间协方差矩阵的期望,C2表示第二类样本的空间协方差矩阵的期望;
然后,进行正交白化变换并且对角化处理,公式如下:
其中,Cs是这两类空间协方差矩阵的和,Us为特征向量矩阵,ΛS表示特征值的对角阵,且特征值是降序排列;白化转换Us得到矩阵P:
将矩阵P用于C1和C2中得到:
S1=PC1PT,S2=PC2PT
S1和S2分别代表第一类和第二类运动想象数据的协方差矩阵C1和C2的变换矩;S1和S2具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B,对S1和S2进行主成分分解得:
S1=BΛ1BT,S2=BΛ2BT
然后,计算投影矩阵:对于特征向量矩阵Cs,当一个类别S1有最大的特征值时,此时另一个类别S2有最小的特征值,利用矩阵B实现两类问题的分类,得到投影矩阵W:
W=BTP
经过投影得到特征矩阵,将训练集X1和X2经过滤波器W滤波获得特征矩阵Z1和Z2,并且将特征矩阵进行归一化得到最终特征矩阵,公式如下:
最终得到所有类的特征矩阵,数据格式是180*6,分别代表两个类总个数和选取通道个数。
2.根据权利要求1所述的一种脑电信号识别方法,其特征在于,所述获取运动想象信号,并根据所述运动想象信号的类别确定各类运动想象信号的数据标签,包括:
提取运动想象左手时的脑电数据和运动想象右手时的脑电数据;其中,所述脑电数据包括预备期和运动想象期;所述提取的采样频率为250Hz;
将所述想象左手时的脑电数据和所述想象右手时的脑电数据打上数据标签。
3.根据权利要求2所述的一种脑电信号识别方法,其特征在于,对所述附有数据标签的运动想象信号进行数据增强处理,包括:
提取所述运动想象期中的中间数据;
对所述中间数据进行去噪处理;
对去噪处理后的数据进行数据增强处理。
4.根据权利要求3所述的一种脑电信号识别方法,其特征在于,所述对所述中间数据进行去噪处理,包括:
通过50Hz的凹陷滤波器对所述中间数据进行工频噪声去除处理;
通过带通滤波器对中间数据进行非相关噪声处理。
5.根据权利要求1所述的一种脑电信号识别方法,其特征在于,所述通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理,得到第二特征矩阵,包括:
对第一特征矩阵进行zscore数据标准化处理,得到标准化矩阵;
获取自变量向量和因变量向量;
根据所述自变量向量和所述因变量向量,计算潜在成分和因变量之间协方差以及残差;
根据所述协方差以及所述残差,确定潜在成分;
根据所述潜在成分,确定自变量组和因变量组;
根据所述自变量组合所述因变量组,确定降维后的第二特征矩阵。
6.根据权利要求1所述的一种脑电信号识别方法,其特征在于,所述根据所述第二特征矩阵进行分类器建模,包括:
将所述第二特征矩阵进行10折交叉检验,得到训练集和测试集;
根据所述训练集训练PSO-SVM分类模型;
通过所述测试集对所述PSO-SVM分类模型进行检验,得到分类器模型。
7.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-6中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160235.9A CN112270255B (zh) | 2020-10-27 | 2020-10-27 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160235.9A CN112270255B (zh) | 2020-10-27 | 2020-10-27 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270255A CN112270255A (zh) | 2021-01-26 |
CN112270255B true CN112270255B (zh) | 2023-09-26 |
Family
ID=74341146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011160235.9A Active CN112270255B (zh) | 2020-10-27 | 2020-10-27 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270255B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113712573A (zh) * | 2021-03-01 | 2021-11-30 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、设备及存储介质 |
CN113504828A (zh) * | 2021-06-28 | 2021-10-15 | 广州大学 | 基于语言想象和运动想象的脑机接口控制方法及系统 |
CN114366122A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 一种基于eeg脑机接口的运动想象分析方法及系统 |
Citations (5)
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 |
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 |
CN106943140A (zh) * | 2017-03-08 | 2017-07-14 | 重庆邮电大学 | 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法 |
JP2017202183A (ja) * | 2016-05-12 | 2017-11-16 | 株式会社国際電気通信基礎技術研究所 | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム |
CN111368884A (zh) * | 2020-02-22 | 2020-07-03 | 杭州电子科技大学 | 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 |
-
2020
- 2020-10-27 CN CN202011160235.9A patent/CN112270255B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017202183A (ja) * | 2016-05-12 | 2017-11-16 | 株式会社国際電気通信基礎技術研究所 | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム |
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 |
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 |
CN106943140A (zh) * | 2017-03-08 | 2017-07-14 | 重庆邮电大学 | 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法 |
CN111368884A (zh) * | 2020-02-22 | 2020-07-03 | 杭州电子科技大学 | 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 |
Non-Patent Citations (1)
Title |
---|
多模态意识任务的脑电信号空间源定位分析;王力 等;《电子技术应用》;第44卷(第4期);第77-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112270255A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270255B (zh) | 一种脑电信号识别方法、装置、电子设备及存储介质 | |
CN111160533B (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
Zhang et al. | Bayesian learning for spatial filtering in an EEG-based brain–computer interface | |
CN106056647B (zh) | 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法 | |
CN109886135A (zh) | 一种低分辨率人脸识别方法、装置及存储介质 | |
CN112419203B (zh) | 基于对抗网络的扩散加权图像压缩感知恢复方法及装置 | |
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 | |
Aljarrah | Effect of image degradation on performance of convolutional neural networks | |
Das et al. | An effect-size based channel selection algorithm for mental task classification in brain computer interface | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
CN111310711B (zh) | 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 | |
CN113842115A (zh) | 一种改进的eeg信号特征提取方法 | |
Deshpande et al. | Adaptive dictionary learning for competitive classification of multiple sclerosis lesions | |
Luo et al. | Wavelet-based extended morphological profile and deep autoencoder for hyperspectral image classification | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN113662561B (zh) | 子带级联共空间模式的脑电特征提取方法及装置 | |
Pang et al. | Rotative maximal pattern: A local coloring descriptor for object classification and recognition | |
CN112842368A (zh) | 一种识别表面肌电信号的系统及方法 | |
Fang et al. | Noninvasive neuroimaging and spatial filter transform enable ultra low delay motor imagery EEG decoding | |
Cao et al. | Mental disease feature extraction with MRI by 3D convolutional neural network with multi-channel input | |
Gray et al. | A comparison of local versus global image decomposition for visual speechreading | |
KR102187580B1 (ko) | 전극별 주파수 가중치 필터를 이용한 csp 기반의 운동심상 분류 장치 및 그 방법 | |
CN110174947A (zh) | 基于分形几何和概率协作的运动想象任务识别方法 | |
Zhang et al. | Face recognition by wavelet domain associative memory | |
CN112906539B (zh) | 一种基于eeg数据的物体识别方法 |
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 |