CN113378687A - 一种结合独立分量分析和迁移学习的运动想象零训练方法 - Google Patents

一种结合独立分量分析和迁移学习的运动想象零训练方法 Download PDF

Info

Publication number
CN113378687A
CN113378687A CN202110631244.XA CN202110631244A CN113378687A CN 113378687 A CN113378687 A CN 113378687A CN 202110631244 A CN202110631244 A CN 202110631244A CN 113378687 A CN113378687 A CN 113378687A
Authority
CN
China
Prior art keywords
data
resting
feature
imagination
component analysis
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.)
Withdrawn
Application number
CN202110631244.XA
Other languages
English (en)
Inventor
杨庆华
毛传波
王志恒
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110631244.XA priority Critical patent/CN113378687A/zh
Publication of CN113378687A publication Critical patent/CN113378687A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

一种结合独立分量分析和迁移学习的运动想象零训练方法，首先对原始脑电信号做带通滤波处理，并将其划分为静息数据和想象数据；然后采用sInf算法从静息数据中获得空间滤波器，并对静息数据和想象数据进行空间滤波；提出了一种特征提取和对齐方法，使用静息数据对从想象数据提取的特征进行对齐变换，使得不同被试的特征分布更加接近；最后应用LDA分类器进行跨被试迁移学习。本发明方法充分利用了独立分量分析和迁移学习各自的优点，相比于当前较成功零训练方法以及其他基于独立分量分析的零训练方法均显示出更高的分类正确率和更强的鲁棒性。

Description

一种结合独立分量分析和迁移学习的运动想象零训练方法
技术领域
本发明涉及运动想象分类和迁移学习领域，是一种结合独立分量分析和跨被试迁移学习的运动想象零训练方法。
背景技术
运动想象(MI)是脑机接口(BCI)的主要形式之一，它是基于被试在进行不同的肢体运动想象时，例如左手、右手和脚，头皮表面的脑电信号在mu频段和beta频段产生相对应事件相关去同步(ERD)和事件相关同步(ERS)现象，通过解码所提取脑电信号并与运动想象的任务类型相匹配，从而实现被试意图的识别。目前基于运动想象的脑机接口(MI-BCI)主要依赖于机器学习技术，然而脑电信号微弱且变化大，每次实验的环境、电极位置等因素也无法保证完全一致，导致今天训练好的分类器第二天可能就难以使用。因此传统上在每次实验前都要先做一组约30分钟的校准实验，以此来训练分类器，即使是经验丰富的被试也是如此。这个过程耗时且枯燥，对MI-BCI的应用推广造成了巨大的限制。
零训练的理念是被试无需经过事先训练而可以直接应用MI-BCI，即取消校准实验这一过程。目前的零训练方法主要基于迁移学习，包括跨时期和跨被试两种形式。跨被试迁移学习的主要思路是利用被试静息态的脑电数据(简称静息数据)对想象态的脑电数据(简称想象数据)进行对齐处理，从而使得不同被试想象数据的统计分布更加接近，再利用其他被试的想象数据训练空间滤波器和分类器，对目标被试的想象数据进行识别分类。目前较为成功算法有Zanini等人提出的基于黎曼框架的RA-MDRM，该算法从静息数据中获得参考矩阵，用此参考矩阵对每个想象数据的协方差矩阵进行对齐变换，再配合使用MDRM分类器直接对协方差矩阵进行分类。相对应的，He等人提出了EA，这是一种欧式空间下的脑电数据对齐方法，它直接对想象数据进行对齐变换，而不是该想象数据的协方差矩阵，因此欧式空间下的经典算法仍然适用，包括CSP空间滤波器和LDA分类器。
基于独立分量分析(ICA)和ERD/ERS现象先验知识的零训练方法是另一种思路，该方法使用ICA从被试的静息数据获得空间滤波器，再采用最小(加权)能量准则对想象数据进行分类。例如Wang等人采用传统的Infomax算法提取ICA空间滤波器，配合最小加权能量(MWP)准则作为分类器。Wu等人提出了简化的Infomax(sInf)算法，该算法计算量小，且不会改变各个独立分量的顺序，具有更好的可应用性。他们采用的分类准则是最小能量(MP)，该准则适用于一般的ERD/ERS现象，但脑电信号的个体差异十分巨大，这种简单的基于一般性先验知识的分类准则势必无法应用于特殊的个体。
发明内容
针对现有的基于ICA的零训练方法分类准则过于简单，导致识别率和鲁棒性较差的问题，本发明提出了一种结合独立分量分析和迁移学习的运动想象零训练方法。
为了解决上述技术问题本发明提供如下的技术方案：
一种结合独立分量分析和迁移学习的运动想象零训练方法，包括以下步骤：
步骤(1)、预处理：对原始脑电信号进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，将滤波后的脑电数据划分为想象数据和静息数据；
步骤(2)、采用sInf算法从静息数据获得ICA空间滤波器，并对静息数据和想象数据进行空间滤波；
步骤(3)、提出了一种特征提取和对齐方法，即标准化方差对数SLV，该方法同时提取静息数据和想象数据感兴趣电极通道的信号方差，再取对数作为特征，然后利用静息数据的特征对想象数据的特征做标准化对齐处理，从而使得不同被试的特征分布更加接近；
步骤(4)、利用所有其他被试的特征数据训练LDA分类器，对目标被试的特征数据进行分类。
进一步，所述步骤(1)中，采用5阶巴特沃斯滤波器对原始脑电信号进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，截取运动想象提示信号前1s的脑电信号作为静息数据，截取提示信号后0.5～3s的脑电信号作为想象数据。
再进一步，所述步骤(2)中，将280个22通道1s的静息数据接续拼接成22通道280s的形式，采用sInf算法对其做盲源分离处理，其中学习率取0.007，迭代次数取500次，从而获得解混矩阵W，即空间滤波器，使用该空间滤波器对静息数据和想象数据做滤波处理：
y(t)＝Wx(t)
其中，x(t)＝[x1(t)，x2(t)，...，xn(t)]T为n导空间滤波前信号，y(t)＝[y1(t)，y2(t)，...，yn(t)]T为n导空间滤波后信号。
更进一步，所述步骤(3)中，对第k个样本第i个通道的想象数据提取方差对数特征：
Figure BDA0003103827340000021
将拼接的22通道280s静息数据不重叠地划分为112个22通道2.5s的形式，同样提取第m个样本第i个通道的方差对数特征
Figure BDA0003103827340000022
然后利用从静息数据提取的特征对想象数据的特征进行对齐变换：
Figure BDA0003103827340000031
其中
Figure BDA0003103827340000032
就是第k个样本第i个通道的SLV特征，M＝112为静息数据的样本个数，
Figure BDA0003103827340000033
所述步骤(4)：采用留一法，以目标被试的特征数据作为测试集，其他四个被试的特征数据作为训练集，利用LDA分类器对目标被试的特征数据进行分类。
本发明与现有的RA-MDRM、EA-CSP-LDA以及sInf-MP/MWP相比，具有如下有益效果：
与RA-MDRM和EA-CSP-LDA相比，本发明利用ICA作为盲源分离技术的优势，从目标被试的静息数据中获得个性化的空间滤波器，能够更好地适应不同的个体差异。与MP/MWP这样简单的分类准则相比，本发明充分利用了其他被试的脑电数据，提出了与sInf算法相配合的SLV特征提取和对齐方法，实现跨被试的迁移学习，提高了分类精度和鲁棒性。
附图说明
图1为本发明的逻辑流程示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明方法的实施主要包括4个步骤：(1)数据预处理，对脑电信号做带通滤波并划分为静息数据和想象数据；(2)sInf空间滤波，从静息数据中获得空间滤波器，并对静息数据和想象数据做空间滤波；(3)SLV特征，利用静息数据对想象数据提取SLV特征；(4)LDA分类器，利用所有其他被试的特征数据训练LDA分类器，对目标被试的特征数据进行分类。
为了验证本发明方法的可行性，使用第三届国际BCI竞赛公开数据集Dataset IVa对本算法进行测试。该数据集由5位健康受试者(aa，al，av，aw，ay)参与运动想象任务的脑电数据组成，想象任务为右手和右脚两类，每类样本140个，数据采样频率为100Hz。每个样本的采集过程：首先屏幕为全白，1.75～2.25s期间屏幕会随机出现一个“+”字，提示被试准备执行运动想象任务；2.25～5.75s，被试执行相应的运动想象任务，执行时间为3.5s。电极帽电极采用国际标准的10/20系统放置，共118通道，为了降低数据处理所需要的计算量，仅提取如下22通道数据：Fz、FC3、FC1、FCz、FC2、FC4、C5、C3、C1、Cz、C2、C4、C6、CP3、CP1、CPz、CP2、CP4、P1、Pz、P2和POz。
下面结合上述数据集对本发明方法各步骤进行详细说明。
步骤(1)：采用5阶巴特沃斯滤波器对原始脑电信号进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，截取运动想象提示信号前1s的脑电信号作为静息数据，截取提示信号后0.5～3s的脑电信号作为想象数据。
步骤(2)：将280个22通道1s的静息数据接续拼接成22通道280s的形式，采用sInf算法对其做盲源分离处理，其中学习率取0.007，迭代次数取500次，从而获得解混矩阵W，即空间滤波器。使用该空间滤波器对静息数据和想象数据做滤波处理：
y(t)＝Wx(t)
其中，x(t)＝[x1(t)，x2(t)，...，xn(t)]T为n导空间滤波前信号，y(t)＝[y1(t)，y2(t)，...，yn(t)]T为n导空间滤波后信号。
步骤(3)：对第k个样本第i个通道的想象数据提取方差对数特征：
Figure BDA0003103827340000041
将拼接的22通道280s静息数据不重叠地划分为112个22通道2.5s的形式，同样提取第m个样本第i个通道的方差对数特征
Figure BDA0003103827340000042
然后利用从静息数据提取的特征对想象数据的特征进行对齐变换：
Figure BDA0003103827340000043
其中
Figure BDA0003103827340000044
就是第k个样本第i个通道的SLV特征，M＝112为静息数据的样本个数，
Figure BDA0003103827340000045
在本实施例中，对如下9个通道提取SLV特征：FC3、FCz、FC4、C3、Cz、C4、CP3、CPz和CP4。
步骤(4)：采用留一法，以目标被试的特征数据作为测试集，其他四个被试的特征数据作为训练集，利用LDA分类器对目标被试的特征数据进行分类。例如以aa作为目标被试，其280个9特征数据作为测试集，则al、av、aw和ay总共1120个9特征数据作为训练集，使用训练集获得的分类模型对测试集的280个样本做右手和右脚两分类，并计算分类正确率。
对了说明本发明方法的有效性，同样在该数据集上测试了RA-MDRM、EA-CSP-LDA以及sInf-MP/MWP，使用这些方法时同样是基于目标被试的静息数据和其他被试的所有数据，结果如表1所示。
Figure BDA0003103827340000051
表1
从表1中可以看到，sInf-MP/MWP对被试aa和aw的分类结果是明显偏差的，这是由于该方法的分类准则过于简单，无法应对被试aa和aw的个体特殊性。同样是基于独立分量分析，本发明方法充分利用了其他被试的数据，分别在aa和aw的测试结果上提升了约14％和24％，效果显著。对比目前较为成功的两种零训练方法，本发明方法全面优于EA-CSP-LDA，并且仅在被试aw上较RA-MDRM低5.36％，而在平均识别率上较EA-CSP-LDA提升5.71％，较RA-MDRM提升4.35％。这样的结果得益于独立分量分析方法能从目标被试的静息数据中获得个性化的空间滤波器，因此能够一定程度上适应不同被试的个体差异。本发明方法在该数据集上得到了81.64％的平均分类正确率，仅次于当时排名前三的参赛者的结果。需要注意的是，对目标被试，本发明方法仅仅利用了静息数据，而当时的参赛者拥有全部的脑电数据(包括静息数据和想象数据)和部分标签数据。
为了进一步地显示基于静息数据的零训练方法的效果，采用想象数据对上述方法再做了对比测试，结果如表2所示。五种零训练方法的横向对比结果与表1是相似的，本发明方法仍然是最优的。纵向对比表1和表2的结果，所有方法的平均结果都显示基于想象数据是更优的，这是可以预见的。同时可以看到基于静息数据的结果较基于想象数据的结果相差并不大，这说明了在很大程度上静息数据可以代替想象数据，而静息数据的采集是十分轻松的。
Figure BDA0003103827340000052
Figure BDA0003103827340000061
表2
综上，本发明方法结合了独立分量分析和迁移学习，充分利用了二者的优点：使用独立分量分析从目标被试的静息数据获取个性化的空间滤波器，从而能够在一定程度上适应不同被试的个体差异性；提出了SLV特征提取和对齐方法，减小了不同被试特征数据的分布差异，从而得以实现跨被试的迁移学习。采用本发明方法，可以将原先约30分钟的运动想象校准实验替代为几分钟的放松状态脑电信号采集，这对于被试使用体验的改善是十分显著的。

Claims (5)

1.一种结合独立分量分析和迁移学习的运动想象零训练方法，其特征在于，所述方法包括以下步骤：
步骤(1)、预处理：对原始脑电信号进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，将滤波后的脑电数据划分为想象数据和静息数据；
步骤(2)、采用sInf算法从静息数据获得ICA空间滤波器，并对静息数据和想象数据进行空间滤波；
步骤(3)、提出了一种特征提取和对齐方法，即标准化方差对数SLV，该方法同时提取静息数据和想象数据感兴趣电极通道的信号方差，再取对数作为特征，然后利用静息数据的特征对想象数据的特征做标准化对齐处理，从而使得不同被试的特征分布更加接近；
步骤(4)、利用所有其他被试的特征数据训练LDA分类器，对目标被试的特征数据进行分类。
2.如权利要求1所述的一种结合独立分量分析和迁移学习的运动想象零训练方法，其特征在于，所述步骤(1)中，采用5阶巴特沃斯滤波器对原始脑电信号进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，截取运动想象提示信号前1s的脑电信号作为静息数据，截取提示信号后0.5～3s的脑电信号作为想象数据。
3.如权利要求1或2所述的一种结合独立分量分析和迁移学习的运动想象零训练方法，其特征在于，所述步骤(2)中，将280个22通道1s的静息数据接续拼接成22通道280s的形式，采用sInf算法对其做盲源分离处理，其中学习率取0.007，迭代次数取500次，从而获得解混矩阵W，即空间滤波器，使用该空间滤波器对静息数据和想象数据做滤波处理：
y(t)＝Wx(t)
其中，x(t)＝[x1(t),x2(t),...,xn(t)]T为n导空间滤波前信号，y(t)＝[y1(t),y2(t),...,yn(t)]T为n导空间滤波后信号。
4.如权利要求1或2所述的一种结合独立分量分析和迁移学习的运动想象零训练方法，其特征在于，所述步骤(3)中，对第k个样本第i个通道的想象数据提取方差对数特征：
Figure FDA0003103827330000011
将拼接的22通道280s静息数据不重叠地划分为112个22通道2.5s的形式，同样提取第m个样本第i个通道的方差对数特征
Figure FDA0003103827330000012
然后利用从静息数据提取的特征对想象数据的特征进行对齐变换：
Figure FDA0003103827330000013
其中
Figure FDA0003103827330000014
就是第k个样本第i个通道的SLV特征，M＝112为静息数据的样本个数，
Figure FDA0003103827330000015
5.如权利要求1或2所述的一种结合独立分量分析和迁移学习的运动想象零训练方法，其特征在于，所述步骤(4)：采用留一法，以目标被试的特征数据作为测试集，其他四个被试的特征数据作为训练集，利用LDA分类器对目标被试的特征数据进行分类。
CN202110631244.XA 2021-06-07 2021-06-07 一种结合独立分量分析和迁移学习的运动想象零训练方法 Withdrawn CN113378687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631244.XA CN113378687A (zh) 2021-06-07 2021-06-07 一种结合独立分量分析和迁移学习的运动想象零训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631244.XA CN113378687A (zh) 2021-06-07 2021-06-07 一种结合独立分量分析和迁移学习的运动想象零训练方法

Publications (1)

Publication Number Publication Date
CN113378687A true CN113378687A (zh) 2021-09-10

Family

ID=77576025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631244.XA Withdrawn CN113378687A (zh) 2021-06-07 2021-06-07 一种结合独立分量分析和迁移学习的运动想象零训练方法

Country Status (1)

Country Link
CN (1) CN113378687A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224341A (zh) * 2021-12-02 2022-03-25 浙大宁波理工学院 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法
CN114343673A (zh) * 2021-11-29 2022-04-15 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343673A (zh) * 2021-11-29 2022-04-15 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备
CN114343673B (zh) * 2021-11-29 2024-03-29 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备
CN114224341A (zh) * 2021-12-02 2022-03-25 浙大宁波理工学院 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法
CN114224341B (zh) * 2021-12-02 2023-12-15 浙大宁波理工学院 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法

Similar Documents

Publication Publication Date Title
CN113378687A (zh) 一种结合独立分量分析和迁移学习的运动想象零训练方法
CN107157477A (zh) 脑电信号特征识别系统及方法
CN110991406B (zh) 一种基于rsvp脑电特征的弱小目标检测方法及系统
Lotte Generating artificial EEG signals to reduce BCI calibration time
CN107766781B (zh) 一种快速心电身份识别的方法及其系统
CN112528834B (zh) 子带目标对齐共空间模式的脑电信号跨被试分类方法
CN108564011A (zh) 一种基于脑电快速语音呈现范式的身份识别方法
CN106940904B (zh) 基于人脸识别和语音识别的考勤系统
KR101944069B1 (ko) 기계 학습을 기반으로 한 알츠하이머 병 결정 방법 및 장치
Aniyan et al. A wavelet based algorithm for the identification of oscillatory event-related potential components
CN112698720B (zh) 一种基于互信息特征提取及多人融合的运动想象识别方法
Ngo et al. Quantitative analysis of facial paralysis based on limited-orientation modified circular Gabor filters
Cassani et al. Selecting a pre-processing pipeline for the analysis of EEG event-related rhythms modulation
CN109117790B (zh) 一种基于频空指标的脑纹识别方法
CN114601474A (zh) 一种运动想象迁移学习的源域样本筛选方法
Prema et al. A review: face recognition techniques for differentiate similar faces and twin faces
CN112464711A (zh) 一种基于mfdc的脑电身份识别方法、存储介质及识别装置
Esfahani et al. Using brain computer interfaces for geometry selection in cad systems: P300 detection approach
CN113780162A (zh) 一种结合多时段多频段csp算法的运动想象脑电解码方法
CN113143294A (zh) 一种基于卷积神经网络的脑电信号识别方法
CN112487904A (zh) 一种基于大数据分析的视频图像处理方法及系统
CN112016415B (zh) 结合集成学习与独立分量分析的运动想象分类方法
Billinger et al. Automatic frequency band selection for BCIs with ERDS difference maps
CN109859409A (zh) 一种现金设备上的生物识别方法
Firdaus Innovation of Diabetes Mellitus Detector Based on Image Processing using the Improved Patch Ordering Algorithm

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210910