CN113780169A - 基于脑机接口的黎曼空间脑电信号分类方法及系统 - Google Patents

基于脑机接口的黎曼空间脑电信号分类方法及系统 Download PDF

Info

Publication number
CN113780169A
CN113780169A CN202111061508.9A CN202111061508A CN113780169A CN 113780169 A CN113780169 A CN 113780169A CN 202111061508 A CN202111061508 A CN 202111061508A CN 113780169 A CN113780169 A CN 113780169A
Authority
CN
China
Prior art keywords
space
riemann
sample
electroencephalogram
electroencephalogram 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
CN202111061508.9A
Other languages
English (en)
Inventor
高诺
赵凯
鲁守银
戚禾汀
王蕴辉
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 Jianzhu University
Original Assignee
Shandong Jianzhu 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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202111061508.9A priority Critical patent/CN113780169A/zh
Publication of CN113780169A publication Critical patent/CN113780169A/zh
Pending 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
    • G06F2218/12—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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于脑机接口的黎曼空间脑电信号分类方法及系统，包括：获取待处理的脑电信号；对待处理的脑电信号进行预处理；将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；对投影后的切平面进行降维；根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。本发明不仅可以将子空间样本的密度进行提高，而且大大降低了信号分析的难度。

Description

基于脑机接口的黎曼空间脑电信号分类方法及系统
技术领域
本发明涉及脑机接口技术领域，特别是涉及基于脑机接口的黎曼空间脑电信号分类方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
脑机接口(brain-computer interface，BCI)通过提供额外的信号通路，实现大脑直接控制外部设备，在残疾人功能辅助与康复等方面有着广阔的应用前景。在运动想象脑机接口中，受试者通过想象部分肢体的运动产生多种模式的脑电信号，系统分析受试者的脑电解析控制指令，实现对外部设备的控制，其中的核心技术是对运动想象脑电信号的解码。然而，脑电信号的低信噪比、非平稳性以及个体差异性是运动想象脑机接口从实验室走向商业应用的巨大障碍。
如今存在的大多数算法无论是时域、频域还是空域分析大多数都是在欧式空间中对信号进行操作，但由于大脑结构的复杂性、信号的微弱性以及大脑神经元发出的信号的混叠性，依据欧式空间的特征进行不同大脑活动判断效果并不理想。同时，特征数据跳变点与离散点的存在常常导致BCI系统发生误判。由此可见，欧式空间的脑电信号特征提取与分类算法在精确度、准确率等方面已不能满足BCI技术的需求。部分利用黎曼空间对脑电信号进行处理的算法，如黎曼切空间投影法往往存在把正定对称矩阵投影到欧氏空间得到向量的维度往往非常高的问题，导致计算量大，时间成本高昂，高维的数据将导致统计上的偏差。
发明内容
为了解决现有技术的不足，本发明提供了基于脑机接口的黎曼空间脑电信号分类方法及系统；本发明应用黎曼几何技术对脑电信号进行分析与处理。黎曼空间不仅保留了数据的多关联特性，脱离了数据分析框架，具有更加稳定的几何结构。此外，本发明在使用黎曼几何工具时结合降维的方法，不仅可以将子空间样本的密度进行提高，而且大大降低了信号分析的难度。
第一方面，本发明提供了基于脑机接口的黎曼空间脑电信号分类方法；
基于脑机接口的黎曼空间脑电信号分类方法，包括：
获取待处理的脑电信号；对待处理的脑电信号进行预处理；
将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
对投影后的切平面进行降维；
根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
第二方面，本发明提供了基于脑机接口的黎曼空间脑电信号分类系统；
基于脑机接口的黎曼空间脑电信号分类系统，包括：
预处理模块，其被配置为：获取待处理的脑电信号；对待处理的脑电信号进行预处理；
转换模块，其被配置为：将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
降维模块，其被配置为：对投影后的切平面进行降维；
分类模块，其被配置为：根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
第三方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
与现有技术相比，本发明的有益效果是：
1)将欧式空间内的脑电信号数据转到黎曼空间内处理，更好的刻画脑电的特征；
2)对脑电数据进行降维处理，解决拟合现象以及计算量大的问题；
3)利用卷积神经网络进行分类，提高分类精度。
4)本发明利用黎曼空间对脑电信号进行处理，保留了数据的多关联特性，脱离了数据分析框架，具有更加稳定的几何结构。
5)本发明对高维脑电信号进行降维，解决了高维脑电数据中存在计算量大，时间成本高昂，导致维度灾难，甚至造成统计上的偏差的问题。
6)本发明利用样本的邻域信息，在解决维度灾难问题的基础下，同时更好地在切空间保留了边缘样本的邻域信息。
7)脑电信号分类模型中的选择中，本发明选用了分类效果较好的是卷积神经网络。
本发明附加方面的优点将在下面的描述中部分给出，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的局部降维以及整合的流程图；
图3为第一个实施例的卷积神经网络结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了基于脑机接口的黎曼空间脑电信号分类方法；
如图1所示，基于脑机接口的黎曼空间脑电信号分类方法，包括：
S101：获取待处理的脑电信号；对待处理的脑电信号进行预处理；
S102：将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
S103：对投影后的切平面进行降维；
S104：根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
进一步地，所述S101：获取待处理的脑电信号；具体包括：
通过使用时佩戴在用户头部的EEG电极帽，获取待处理的脑电信号。
示例性地，用户通过佩戴EEG电极帽进行不同心理作业的运动想象，例如想象左手运动、右手运动，可采集到的脑电数据可表示为
Figure BDA0003256561090000051
其中从t时刻开始到t+TS-1时刻采集到的脑电信号，TS表示信号采样数。
进一步地，所述S101：对待处理的脑电信号进行预处理；具体包括：
采用带通滤波的方式，对待处理的脑电信号进行滤波处理。
对采集到的脑电信号进行滤波处理，使用5阶巴特沃斯滤波器进行带通滤波，为了防止其他频率段信号对脑电信号的干扰，将滤波后的频率范围设为8-30Hz。
进一步地，所述S102：将预处理后的脑电信号，由欧式空间转换到黎曼空间；具体包括：
基于滤波处理后的脑电信号和滤波处理后脑电信号的期望值，得到空间协方差矩阵；
根据空间协方差矩阵的无偏估计，将滤波处理后的脑电信号，由欧式空间转换到黎曼空间，得到若干个落在黎曼流形上的样本点。
示例性地，使用空间协方差矩阵来表示EEG信号，空间协方差矩阵的定义公式为：
∑＝E{(Xt-E{Xt})(Xt-E{Xt})T} (1)
其中Xt为特定时间t处的EEG信号矢量，E{Xt}表示Xt的期望值，上标T表示矩阵转置。
协方差的无偏估计为：
Figure BDA0003256561090000061
为了满足正定性，要求采样点数量远远大于通道数N,Pi为落在黎曼流形上的样本点。这样就完成了黎曼空间的转化，也就是将EEG信号矢量用样本协方差矩阵表示出来。
进一步地，所述S102：将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；具体包括：
计算出若干个落在黎曼流形上的样本点之间的黎曼测地距离；
根据黎曼测地距离，为每一个黎曼流形上的样本点Pi选出k个最近邻样本点；
将k个最近邻样本点和样本点Pi，共同构成黎曼流形的局部；
取黎曼流形上的样本点中的任意点作为局部的黎曼流形的切点；
将黎曼流形的切点所在的黎曼切空间，作为局部邻域切空间；
将黎曼流形上的样本点中除了切点以外的的剩余点在局部邻域切空间内进行投影，得到投影后的切平面。
示例性地，样本集的任意点Pi落在黎曼流形上，由式
Figure BDA0003256561090000062
计算出样本间的黎曼测地距离，其中P1,P2为黎曼流形上的两个不同点。
根据黎曼测地距离选出Pi的k个最近邻样本点，k+1个样本点构成了流形的一个局部。
取样本中点作为局部的黎曼中心点P，切点P的黎曼切空间T(N)被称为局部邻域切空间,T(N)表达式为：
Figure BDA0003256561090000071
其中upper(·)操作表示保留矩阵的上三角部分并将其向量化，Pi与其近邻样本点Pj投影到T(N)上得到对应的向量si，sj。
由于黎曼流形局部同胚于欧氏空间，根据公式：
δR(Pi,Pj)≈||si-sj||2 (5)
在局部切空间内，投影向量的欧氏距离和流形上对应点的黎曼距离是几乎一致的；因此局部切空间投影的向量表示能够描述局部近邻点间的关系。
进一步地，所述S103：对投影后的切平面进行降维；具体包括：
采用多维缩放(multiple dimensional scaling，MDS)算法，对投影后的切平面进行降维；
降维后，每个局部黎曼切空间的样本得到了在对应切空间内的局部坐标；
将局部坐标进行整合，得到全局坐标。
示例性地，在黎曼流形上N*N维的样本投影到黎曼切空间上得到的向量维度是N(N+1)/2，维度太高不利于后续的处理，需进行降维。
为了尽量保持局部结构信息不变，本方法采用保距映射的思想进行降维。保距映射可以保留样本点间的距离在降维前后不变。
进一步地，利用保距映射降维MDS算法，用低维空间的内积来表示高维空间的距离信息；设DS表示局部邻域的样本间的距离矩阵，DS是一个正定对称矩阵；其中，(DS)ij表示DS的第i行第j列元素，记录了si到sj的欧氏距离。
优化目标是：
Figure BDA0003256561090000081
其中τ(·)算子表示把距离矩阵变换为内积矩阵的操作，DY表示低维子空间的向量间的距离，yi是低维内积空间中的向量表示；
经过降维后，样本由低维内积空间中的向量yi表示，
Figure BDA0003256561090000082
yj>y∈Rd，且有d<<n；其中，<<表示远小于。
经过降维操作后，每个局部黎曼切空间的样本得到了在所在切空间内的局部坐标，对于一个样本来说，它在不同的局部邻域中都有对应的局部坐标。
通过优化以下损失函数得到每个切空间中切点与其他近邻点的坐标的线性关系ω。
Figure BDA0003256561090000083
其中，ωij表示了样本i和样本j之间的线性关系，若样本点j不在当前邻域时，设ωij＝0，扩展到全局则有ωi表示所有其他样本与样本i的线性关系。同时，一般会对ωi做归一化限制。
这样所有局部邻域的结构信息都保存在矩阵ω中，全局坐标zi优化以下损失函数得到；
Figure BDA0003256561090000084
zi表示样本i的全局坐标，为z的第i行。
由于降维操作已经通过保距映射完成，全局坐标和局部坐标的维数不再变化。对局部降维以及整合的流程图如图2所示。
进一步的，所述S104：根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果；其中，训练后的卷积神经网络，训练步骤包括：
构建卷积神经网络；
构建训练集，所述训练集为已知脑电信号标签的脑电信号；
将训练集，输入到卷积神经网络中，当训练次数达到设定次数时，停止训练，得到训练后的卷积神经网络。
将运动想象脑电信号进行预处理后，使得脑电信号数据从传统的欧氏空间转至黎曼空间进行处理，然后将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影，对投影后的切平面进行降维，最后将降维后的二维脑电信号作为卷积神经网络的输入，对脑电信号进行分类。
利用卷积神经网络对降维后的脑电数据进行分类，如图3所示，以降维后的全局坐标的信息作为卷积神经网络的输入层，通过卷积层从输入数据中提取局部特征，通过池化层将提取到的特征降维简化，最后利用全连接层与分类器输出分类结果。通过前向传播输出卷积层中可学习卷积核与本层输入的卷积，作为下一层的输入，通过误差的反向传播修正各层的网络权值和偏置。
其前向传播公式为
Figure BDA0003256561090000091
其中，
Figure BDA0003256561090000092
为l-1层的第i个特征图的输入信号；
Figure BDA0003256561090000093
为第l层的第j个特征图的输出值；Mj为特征图的一组；符号*代表卷积；
Figure BDA0003256561090000094
为第l－1层的第i个特征图与l层的第j个特征图之间的可学习的卷积核；
最后的输出层由包含两个神经元的Softmax层组成，Softmax层则是最后的分类层，它首先将输入的特征向量通过一个权重矩阵进行加权求和，最后通过激活函数的响应来得到两个分类的概率值也就是网络模型的输出值。
公式如下：
qi＝al-1×wi+bi； (10)
Figure BDA0003256561090000101
其中，qi表示通过Softmax层进行加权求和后的输出值；i表示该层的第i个输出节点数。
实施例二
本实施例提供了基于脑机接口的黎曼空间脑电信号分类系统；
基于脑机接口的黎曼空间脑电信号分类系统，包括：
预处理模块，其被配置为：获取待处理的脑电信号；对待处理的脑电信号进行预处理；
转换模块，其被配置为：将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
降维模块，其被配置为：对投影后的切平面进行降维；
分类模块，其被配置为：根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
此处需要说明的是，上述预处理模块、转换模块、降维模块和分类模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于脑机接口的黎曼空间脑电信号分类方法，其特征是，包括：
获取待处理的脑电信号；对待处理的脑电信号进行预处理；
将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
对投影后的切平面进行降维；
根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
2.如权利要求1所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，将预处理后的脑电信号，由欧式空间转换到黎曼空间；具体包括：
基于滤波处理后的脑电信号和滤波处理后脑电信号的期望值，得到空间协方差矩阵；
根据空间协方差矩阵的无偏估计，将滤波处理后的脑电信号，由欧式空间转换到黎曼空间，得到若干个落在黎曼流形上的样本点。
3.如权利要求1所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；具体包括：
计算出若干个落在黎曼流形上的样本点之间的黎曼测地距离；
根据黎曼测地距离，为每一个黎曼流形上的样本点Pi选出k个最近邻样本点；
将k个最近邻样本点和样本点Pi，共同构成黎曼流形的局部；
取黎曼流形上的样本点中的任意点作为局部的黎曼流形的切点；
将黎曼流形的切点所在的黎曼切空间，作为局部邻域切空间；
将黎曼流形上的样本点中除了切点以外的的剩余点在局部邻域切空间内进行投影，得到投影后的切平面。
4.如权利要求1所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，对投影后的切平面进行降维；具体包括：
采用多维缩放算法，对投影后的切平面进行降维；
降维后，每个局部黎曼切空间的样本得到了在对应切空间内的局部坐标；
将局部坐标进行整合，得到全局坐标。
5.如权利要求1所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果；其中，训练后的卷积神经网络，训练步骤包括：
构建卷积神经网络；
构建训练集，所述训练集为已知脑电信号标签的脑电信号；
将训练集，输入到卷积神经网络中，当训练次数达到设定次数时，停止训练，得到训练后的卷积神经网络。
6.如权利要求3所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，样本集的任意点Pi落在黎曼流形上，由式
Figure FDA0003256561080000021
计算出样本间的黎曼测地距离，其中P1,P2为黎曼流形上的两个不同点；
根据黎曼测地距离选出Pi的k个最近邻样本点，k+1个样本点构成了流形的一个局部；
取样本中点作为局部的黎曼中心点P，切点P的黎曼切空间T(N)被称为局部邻域切空间,T(N)表达式为：
Figure FDA0003256561080000031
其中upper(·)操作表示保留矩阵的上三角部分并将其向量化，Pi与其近邻样本点Pj投影到T(N)上得到对应的向量si，sj；
由于黎曼流形局部同胚于欧氏空间，根据公式：
δR(Pi,Pj)≈||si-sj||2 (5)
在局部切空间内，投影向量的欧氏距离和流形上对应点的黎曼距离是几乎一致的；因此局部切空间投影的向量表示能够描述局部近邻点间的关系。
7.如权利要求4所述的基于脑机接口的黎曼空间脑电信号分类方法，其特征是，利用保距映射降维MDS算法，用低维空间的内积来表示高维空间的距离信息；设DS表示局部邻域的样本间的距离矩阵，DS是一个正定对称矩阵；其中，(DS)ij表示DS的第i行第j列元素，记录了si到sj的欧氏距离；
优化目标是：
Figure FDA0003256561080000032
其中τ(·)算子表示把距离矩阵变换为内积矩阵的操作，DY表示低维子空间的向量间的距离，yi是低维内积空间中的向量表示；
经过降维后，样本由低维内积空间中的向量yi表示，τ(DY)ij 2≤yi,yj>y，y∈Rd，且有d<<n；
经过降维操作后，每个局部黎曼切空间的样本得到了在所在切空间内的局部坐标，对于一个样本来说，它在不同的局部邻域中都有对应的局部坐标；
通过优化损失函数得到每个切空间中切点与其他近邻点的坐标的线性关系ω：
Figure FDA0003256561080000033
其中，ωij表示了样本i和样本j之间的线性关系，若样本点j不在当前邻域时，设ωij＝0，扩展到全局则有ωi表示所有其他样本与样本i的线性关系；同时，对ωi做归一化限制；
所有局部邻域的结构信息都保存在矩阵ω中，全局坐标zi优化以下损失函数得到；
Figure FDA0003256561080000041
zi表示样本i的全局坐标，为z的第i行。
8.基于脑机接口的黎曼空间脑电信号分类系统，其特征是，包括：
预处理模块，其被配置为：获取待处理的脑电信号；对待处理的脑电信号进行预处理；
转换模块，其被配置为：将预处理后的脑电信号，由欧式空间转换到黎曼空间；将脑电信号中的样本点作为黎曼流形的切点，进行切平面投影；
降维模块，其被配置为：对投影后的切平面进行降维；
分类模块，其被配置为：根据降维后的脑电信号，利用训练后的卷积神经网络进行分类，得到脑电信号分类结果。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法的指令。
CN202111061508.9A 2021-09-10 2021-09-10 基于脑机接口的黎曼空间脑电信号分类方法及系统 Pending CN113780169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111061508.9A CN113780169A (zh) 2021-09-10 2021-09-10 基于脑机接口的黎曼空间脑电信号分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111061508.9A CN113780169A (zh) 2021-09-10 2021-09-10 基于脑机接口的黎曼空间脑电信号分类方法及系统

Publications (1)

Publication Number Publication Date
CN113780169A true CN113780169A (zh) 2021-12-10

Family

ID=78842245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111061508.9A Pending CN113780169A (zh) 2021-09-10 2021-09-10 基于脑机接口的黎曼空间脑电信号分类方法及系统

Country Status (1)

Country Link
CN (1) CN113780169A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114366129A (zh) * 2021-12-31 2022-04-19 西安臻泰智能科技有限公司 一种脑机接口手功能康复训练系统和方法
CN115828208A (zh) * 2022-12-07 2023-03-21 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统
CN116049639A (zh) * 2023-03-31 2023-05-02 同心智医科技(北京)有限公司 脑电图信号的选择性迁移学习方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100080450A1 (en) * 2008-09-30 2010-04-01 Microsoft Corporation Classification via semi-riemannian spaces
CN109657642A (zh) * 2018-12-29 2019-04-19 山东建筑大学 一种基于黎曼距离的运动想象脑电信号分类方法及系统
CN111544856A (zh) * 2020-04-30 2020-08-18 天津大学 基于新型迁移学习模型的脑-肌电智能全肢体康复方法
CN112370066A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于生成对抗网络的脑卒中康复系统脑机接口方法
CN113143294A (zh) * 2021-04-15 2021-07-23 南京大学 一种基于卷积神经网络的脑电信号识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100080450A1 (en) * 2008-09-30 2010-04-01 Microsoft Corporation Classification via semi-riemannian spaces
CN109657642A (zh) * 2018-12-29 2019-04-19 山东建筑大学 一种基于黎曼距离的运动想象脑电信号分类方法及系统
CN111544856A (zh) * 2020-04-30 2020-08-18 天津大学 基于新型迁移学习模型的脑-肌电智能全肢体康复方法
CN112370066A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于生成对抗网络的脑卒中康复系统脑机接口方法
CN113143294A (zh) * 2021-04-15 2021-07-23 南京大学 一种基于卷积神经网络的脑电信号识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李绍峰: "脑机接口中基于黎曼几何的机器学习方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
李绍锋: "脑机接口中基于黎曼几何的机器学习方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114366129A (zh) * 2021-12-31 2022-04-19 西安臻泰智能科技有限公司 一种脑机接口手功能康复训练系统和方法
CN114366129B (zh) * 2021-12-31 2024-05-03 西安臻泰智能科技有限公司 一种脑机接口手功能康复训练系统和方法
CN115828208A (zh) * 2022-12-07 2023-03-21 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统
CN115828208B (zh) * 2022-12-07 2023-09-08 北京理工大学 一种基于云边协同的触觉脑电解锁方法及系统
CN116049639A (zh) * 2023-03-31 2023-05-02 同心智医科技(北京)有限公司 脑电图信号的选择性迁移学习方法、装置及存储介质

Similar Documents

Publication Publication Date Title
US10970520B1 (en) Apparatus and method for image analysis using virtual three-dimensional deep neural network
CN113780169A (zh) 基于脑机接口的黎曼空间脑电信号分类方法及系统
CN110033003B (zh) 图像分割方法和图像处理装置
CN109409222B (zh) 一种基于移动端的多视角人脸表情识别方法
CN110532859B (zh) 基于深度进化剪枝卷积网的遥感图像目标检测方法
CN109461157B (zh) 基于多级特征融合及高斯条件随机场的图像语义分割方法
US10339651B2 (en) Simultaneous feature extraction and dictionary learning using deep learning architectures for characterization of images of heterogeneous tissue samples
CN109522874B (zh) 人体动作识别方法、装置、终端设备及存储介质
US10713563B2 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
US11042775B1 (en) Apparatus and methods for temporal proximity detection
US11836603B2 (en) Neural network method and apparatus with parameter quantization
EP3923233A1 (en) Image denoising method and apparatus
US10902285B2 (en) Learning method and apparatus for pattern recognition
US20220157048A1 (en) Method and System for Classification and Visualisation of 3D Images
CN110826596A (zh) 一种基于多尺度可变形卷积的语义分割方法
CN110415250B (zh) 一种基于深度学习的重叠染色体分割方法及装置
Yi et al. Grouped convolutional neural networks for multivariate time series
US20190347277A1 (en) Clustering device, clustering method, and computer program product
JP2022516055A (ja) 目標追跡方法、コンピュータプログラム、及び電子機器
EP3620982B1 (en) Sample processing method and device
JP2022516146A (ja) 脳血管疾患学習装置、脳血管疾患検出装置、脳血管疾患学習方法、及び脳血管疾患検出方法
CN113538281B (zh) 图像去噪方法、装置、计算机设备和存储介质
CN115331063A (zh) 基于动态超图卷积网络的高光谱图像分类方法及系统
CN114424940A (zh) 基于多模态时空特征融合的情绪识别方法及系统
CN113177956B (zh) 一种面向无人机遥感影像的语义分割方法

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