CN114154543A - 基于因果特征的人体上肢运动神经行为辨识模型构建方法 - Google Patents
基于因果特征的人体上肢运动神经行为辨识模型构建方法 Download PDFInfo
- Publication number
- CN114154543A CN114154543A CN202111473700.9A CN202111473700A CN114154543A CN 114154543 A CN114154543 A CN 114154543A CN 202111473700 A CN202111473700 A CN 202111473700A CN 114154543 A CN114154543 A CN 114154543A
- Authority
- CN
- China
- Prior art keywords
- causal
- sample
- brain
- absolute
- upper limb
- 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.)
- Granted
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 138
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 43
- 210000005036 nerve Anatomy 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 210000004556 brain Anatomy 0.000 claims abstract description 46
- 210000003205 muscle Anatomy 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 9
- 210000002615 epidermis Anatomy 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000000284 resting effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 22
- 238000005452 bending Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 14
- 238000002567 electromyography Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 15
- 238000012216 screening Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F2218/04—Denoising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/388—Nerve conduction study, e.g. detecting action potential of peripheral nerves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Psychology (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因果特征的人体上肢运动神经行为辨识模型构建方法,包括以下步骤:S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集,进行滤波去噪和裁剪后得到原始样本集合ΓN;S2.获得脑肌任务态样本集和S3.获得脑肌静息态样本集S4.分割样本组,计算各个样本组对应的绝对因果强度矩阵;S5.获取具备显著性差异的脑电通道,作为主要脑电通道;S6.获取训练样本,并形成训练样本集;S7.构建人体上肢运动神经行为辨识的分类器模型,利用训练样本集对分类器模型进行训练,得到能够进行上肢运动神经行为辨识的分类器模型。本发明能够得到辨识上肢运动神经行为的分类器模型,为基于因果特征的人体上肢运动神经行为辨识提供了支撑。
Description
技术领域
本发明涉及运动神经行为辨识,特别涉及基于因果特征的人体上肢运动神经行为辨识模型构建方法。
背景技术
脑肌生理网络关注大脑和神经肌肉系统之间复杂过程的功能和调节,并通过解释大脑行为架构和网络操作原理,如已提出的脑网络技术(如功能连接、因果建模和多变量建模)为混合脑计算机接口(hBCI)服务。因果关系分析是基于分布式大脑反应的因果关系和效应关系的推论而建立的有效连通性的工具,识别大脑网络因果关系的最普遍理论是格兰杰因果关系,它依赖于时间序列的时间依赖性,并要求确定因果关系的时间可分离性。
但是,目前而言,基于因果特征的人体上肢运动神经行为辨识的还存在着诸多不足,导致上肢运动神经行为的识别存在着诸多困难。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于因果特征的人体上肢运动神经行为辨识模型构建方法,能够得到有效的人体上肢运动神经行为辨识模型,为人体上肢运动神经的辨识提供了有利条件。
本发明的目的是通过以下技术方案来实现的:基于因果特征的人体上肢运动神经行为辨识模型构建方法,包括以下步骤:
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集,得到多通道脑电与肌电时间序列信号,并对每个通道的信号进行滤波去噪,并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN;
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验,得到具备显著性差异的脑电通道,作为主要脑电通道;
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号,任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号,分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解,并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵,进行标记后作为训练样本,加入同一个集合中,形成训练样本集;
S7.构建人体上肢运动神经行为辨识的分类器模型,利用训练样本集对分类器模型进行训练,得到能够进行上肢运动神经行为辨识的分类器模型。
本发明的有益效果是:本发明能够得到有效的人体上肢运动神经行为辨识模型,为人体上肢运动神经的辨识提供了有利条件;并且在构建模型的过程中,基于主要脑通道筛选进行训练样本的获取,在保证模型准确性的同时,降低了模型构建的复杂度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,基于因果特征的人体上肢运动神经行为辨识模型构建方法,包括以下步骤:
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集,得到多通道脑电与肌电时间序列信号,并对每个通道的信号进行滤波去噪,并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN;
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验,得到具备显著性差异的脑电通道,作为主要脑电通道;
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号,任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号,分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解,并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵,进行标记后作为训练样本,加入同一个集合中,形成训练样本集;
S7.构建人体上肢运动神经行为辨识的分类器模型,利用训练样本集对分类器模型进行训练,得到能够进行上肢运动神经行为辨识的分类器模型。
在本申请的实施例中,构建分类器模型采用的算法包括但不限于贝叶斯、支持向量、KNN、随机森林、RNN和CNN算法中的一种。
进一步地,所述步骤S1包括:
S101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下,对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集,对采集到的信号进行滤波去噪后,得到脑肌电多通道信号;
S102.对于脑肌电多通道信号,针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号,以每个屈肘运动开始和结束为起点与终点,进行数据裁剪;针对每一个通道中静止态对应的信号,取相较于任务态近似数据长度进行裁剪;其中相较于任务态近似数据长度是指:与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10%;
裁剪完成后得到原始样本集合ΓN:
其中N表示脑肌电多通道信号的总通道数量,n表示脑电时间序列信号的总通道数量,n=N-2,r表示右臂肱二头肌电通道,l表示左臂肱二头肌电通道;
其中m的取值范围为{1,2,...n}∪{r,l}。
{x1,x2,…,xt1}
{y1,y2,…,yt2}
{z1,z2,…,zt3}
进一步地,所述步骤S4包括:
其中,I=1,2,...i,J=1,2,...j,K=1,2,...k;
S402.对样本组XI进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组XI中任意两个信号之间的绝对因果强度,形成样本组XI的绝对因果强度矩阵;
S403.在I=1,2,...i时,重复执行步骤S402,得到i个绝对因果强度矩阵;
S404.对样本组YJ进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组YJ中任意两个信号之间的绝对因果强度,形成样本组YJ的绝对因果强度矩阵;
S405.在J=1,2,...j时,重复执行步骤S404,得到j个绝对因果强度矩阵;
S406.对样本组ZK进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组ZK中任意两个信号之间的绝对因果强度,形成样本组ZK的绝对因果强度矩阵;
S407.在K=1,2,...k时,重复执行步骤S406,得到k个绝对因果强度矩阵;
其中,步骤S402中样本组XI的绝对因果强度矩阵、步骤S404样本组YJ的绝对因果强度矩阵、步骤S406中样本组ZK的绝对因果强度矩阵具有相同的矩阵形式,用如下的上三角矩阵表示:
其中p、q的取值范围均为{1,2,...n}∪{r,l}。
进一步地,所述步骤S5包括:
S501.分别从样本组XI、样本组YJ和样本组ZK的绝对因果强度矩阵中,取出第n+1列和第n+2前n行的元素,并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构,得到数序向量vXI、vYJ和vZK;
其中,vI表示从样本组XI绝对因果强度矩阵取出元素重构的数序向量,vJ表示从样本组YJ绝对因果强度矩阵取出元素重构的数序向量;vK表示从样本组ZK绝对因果强度矩阵取出元素重构的数序向量;
数序向量vXI、vYJ和vZK具有相同的向量形式,具体如下:
{m1r,m2r,…,mnr,m1l,m2l,…,mnl};
S502.在I=1,2,...i按照步骤S501获取对应的vXI,得到向量组Vx:
Vx={vXI|I=1,2,…,i}
在J=1,2,...j按照步骤S501获取对应的vYJ,得到向量组VY:
VY={vYJ|J=1,2,…,j}
在K=1,2,...k按照步骤S501获取对应的vZK,得到向量组VZ:
VZ={vZK|K=1,2,…,k}
进一步地,所述步骤S6包括:
S601.假设主要脑电通道的数量为任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号,即脑-左臂因果信号任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号,即脑-右臂因果信号
S603.在W=1,2,...i时,重复步骤S602,得到i个因果强度矩阵作为特征矩阵,并对这i个因果强度矩阵添加标签“0”,标签“0”表示左上肢屈肘运动;
S605.在U=1,2,...j时,重复步骤S602,得到j个因果强度矩阵作为特征矩阵,并对这j个因果强度矩阵添加标签“1”,标签“1”表示右上肢屈肘运动;
S606.将步骤S603和S605所有特征矩阵与对应的标签作为训练样本,加入同一个集合中,形成训练样本集。
在本申请的实施例中,对多个信号(如样本组XI中的信号、样本组YJ中的信号、样本组ZK中的信号、脑-左臂因果信号第W列的信号或脑-右臂因果信号第U列的信号,均按照如下过程进行处理)进行基于噪声辅助多元经验模式因果分解算法(NA-MEMD CausalDecomposition)的分解,并计算任意两个信号之间的绝对因果强度的过程如下:
第一步,设待分析的多个信号为:
u1={u1,1,u1,2,...,u1,t}
u2={u2,1,u2,2,...,u2,t}
......
um={um,1,um,2,...,um,t}
利用NA-MEMD算法对待分析的信号u1,u2,...,um进行分解:
......
......
其中,表示利用NA-MEMD算法对信号进行分解,NA-MEMD算法是指基于噪声辅助的多元经验模式分解算法,m表示输入的信号数目,并且满足m≥2,t∈N+,N+表示正整数;表示NA-MEMD算法选择的辅助噪声,互不相关且均为随机高斯噪声,为选择的辅助噪声数目,n表示每个输入的信号分解后得到的IMF信号个数;
第二步、对于任意两个信号ui,uj,进行因果分析,i=1,2,...m,j=1,2...,m,分析过程如下:
(1)将信号ui分解得到的信号{IMFi,1,IMFi,2,...,IMFi,n}与信号uj分解得到的信号{IMFj,1,IMFj,2,...,IMFj,n}进行配对,得到n个IMF对:
(IMFi,1,IMFj,1),(IMFi,2,IMFj,2),....,(IMFi,n,IMFj,n);
每个IMF对中,两个IMF信号的时间长度相等;
(2)计算每一个IMF对的平均瞬时相位差,并将计算得到的平均瞬时相位差与预设的阈值进行比较,筛选出平均瞬时相位差小于预设阈值的IMF对,生成ICC集:
所述步骤(2)包括:
(2.1)设定各个IMF对的平均瞬时相位差阈值δ1,δ2,...δn;
(2.2)计算第h个IMF对(IMFi,h,IMFj,h)的平均瞬时相位差:
设mean(φi,h)表示IMFi,h的平均瞬时相位,即IMFi,h在时间长度内的瞬时相位平均值;mean(φj,h)表示IMFj,h的平均瞬时相位,即IMFj,h时间长度内的瞬时相位平均值;
则第h个IMF对(IMFi,h,IMFj,h)的平均瞬时相位差为:
|mean(φi,h)-mean(φj,h)|;
将|mean(φi,h)-mean(φj,h)|与对应阈值δh进行比较,判断是否满足:
|mean(φi,h)-mean(φj,h)|<δh;
如果满足,则将对应的(IMFi,h,IMFj,h)加入ICC集中;
若不满足,则抛弃(IMFi,h,IMFj,h);
(2.3)在h=1,2,...n时,分别重复执行步骤(2.2),最终得到ICC集为:
(3)分别计算ICC集中每一个IMF对的相位相关性;
(4)信号重分解:
分解后取出u′j对应的分解信号{IMF′j,1,IMF′j,2,...,IMF′j,n}
分解后取出u′i对应的分解信号{IMF′i,1,IMF′i,2,...,IMF′i,n};
(6)计算ui与uj的绝对因果强度,绝对因果强度等于如下比值:
第三步、对于u1,u2,...,um中任意两个信号,重复执行第二步,直至得到u1,u2,...,um中各个信号两两之间的绝对因果强度,得到绝对因果强度矩阵,形式为:
其中ubc表示ub与uc之间的绝对因果强度矩阵,b、c的取值范围为:{1,2,...m}。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.基于因果特征的人体上肢运动神经行为辨识模型构建方法,其特征在于:包括以下步骤:
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集,得到多通道脑电与肌电时间序列信号,并对每个通道的信号进行滤波去噪,并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN;
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验,得到具备显著性差异的脑电通道,作为主要脑电通道;
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号,任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号,分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解,并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵,进行标记后作为训练样本,加入同一个集合中,形成训练样本集;
S7.构建人体上肢运动神经行为辨识的分类器模型,利用训练样本集对分类器模型进行训练,得到能够进行上肢运动神经行为辨识的分类器模型。
2.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法,其特征在于:所述步骤S1包括:
S101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下,对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集,对采集到的信号进行滤波去噪后,得到脑肌电多通道信号;
S102.对于脑肌电多通道信号,针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号,以每个屈肘运动开始和结束为起点与终点,进行数据裁剪;针对每一个通道中静止态对应的信号,取相较于任务态近似数据长度进行裁剪;其中相较于任务态近似数据长度是指:与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10%;
裁剪完成后得到原始样本集合ΓN:
其中N表示脑肌电多通道信号的总通道数量,n表示脑电时间序列信号的总通道数量,n=N-2,r表示右臂肱二头肌电通道,l表示左臂肱二头肌电通道;
其中m的取值范围为{1,2,...n}∪{r,l}。
6.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法,其特征在于:所述步骤S4包括:
其中,I=1,2,...i,J=1,2,...j,K=1,2,...k;
S402.对样本组XI进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组XI中任意两个信号之间的绝对因果强度,形成样本组XI的绝对因果强度矩阵;
S403.在I=1,2,...i时,重复执行步骤S402,得到i个绝对因果强度矩阵;
S404.对样本组YJ进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组YJ中任意两个信号之间的绝对因果强度,形成样本组YJ的绝对因果强度矩阵;
S405.在J=1,2,...j时,重复执行步骤S404,得到j个绝对因果强度矩阵;
S406.对样本组ZK进行基于噪声辅助多元经验模式因果分解算法的分解,并计算样本组ZK中任意两个信号之间的绝对因果强度,形成样本组ZK的绝对因果强度矩阵;
S407.在K=1,2,...k时,重复执行步骤S406,得到k个绝对因果强度矩阵;
其中,步骤S402中样本组XI的绝对因果强度矩阵、步骤S404样本组YJ的绝对因果强度矩阵、步骤S406中样本组ZK的绝对因果强度矩阵具有相同的矩阵形式,用如下的上三角矩阵表示:
其中p、q的取值范围均为{1,2,...n}∪{r,l}。
7.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法,其特征在于:所述步骤S5包括:
S501.分别从样本组XI、样本组YJ和样本组ZK的绝对因果强度矩阵中,取出第n+1列和第n+2前n行的元素,并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构,得到数序向量vXI、vYJ和vZK;
其中,vI表示从样本组XI绝对因果强度矩阵取出元素重构的数序向量,vJ表示从样本组YJ绝对因果强度矩阵取出元素重构的数序向量;vK表示从样本组ZK绝对因果强度矩阵取出元素重构的数序向量;
数序向量vXI、vYJ和vZK具有相同的向量形式,具体如下:
{m1r,m2r,…,mnr,m1l,m2l,…,mnl};
S502.在I=1,2,...i按照步骤S501获取对应的vXI,得到向量组Vx:
Vx={vXI|I=1,2,…,i}
在J=1,2,...j按照步骤S501获取对应的vYJ,得到向量组VY:
VY={vYJ|J=1,2,…,j}
在K=1,2,...k按照步骤S501获取对应的vZK,得到向量组VZ:
VZ={vZK|K=1,2,…,k}
8.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法,其特征在于:所述步骤S6包括:
S601.假设主要脑电通道的数量为任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号,即脑-左臂因果信号任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号,即脑-右臂因果信号
S603.在W=1,2,...i时,重复步骤S602,得到i个因果强度矩阵作为特征矩阵,并对这i个因果强度矩阵添加标签“0”,标签“0”表示左上肢屈肘运动;
S605.在U=1,2,...j时,重复步骤S602,得到j个因果强度矩阵作为特征矩阵,并对这j个因果强度矩阵添加标签“1”,标签“1”表示右上肢屈肘运动;
S606.将步骤S603和S605所有特征矩阵与对应的标签作为训练样本,加入同一个集合中,形成训练样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473700.9A CN114154543B (zh) | 2021-11-30 | 2021-11-30 | 基于因果特征的人体上肢运动神经行为辨识模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473700.9A CN114154543B (zh) | 2021-11-30 | 2021-11-30 | 基于因果特征的人体上肢运动神经行为辨识模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114154543A true CN114154543A (zh) | 2022-03-08 |
CN114154543B CN114154543B (zh) | 2023-04-28 |
Family
ID=80452476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111473700.9A Active CN114154543B (zh) | 2021-11-30 | 2021-11-30 | 基于因果特征的人体上肢运动神经行为辨识模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154543B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104720796A (zh) * | 2015-02-12 | 2015-06-24 | 西安交通大学 | 一种用于癫痫发作时间段的自动检测系统及方法 |
US20190113973A1 (en) * | 2012-09-14 | 2019-04-18 | Interaxon Inc | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN112386227A (zh) * | 2020-11-09 | 2021-02-23 | 电子科技大学 | 一种多尺度时间序列生理信号的因果网络分析方法 |
-
2021
- 2021-11-30 CN CN202111473700.9A patent/CN114154543B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190113973A1 (en) * | 2012-09-14 | 2019-04-18 | Interaxon Inc | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN104720796A (zh) * | 2015-02-12 | 2015-06-24 | 西安交通大学 | 一种用于癫痫发作时间段的自动检测系统及方法 |
CN112386227A (zh) * | 2020-11-09 | 2021-02-23 | 电子科技大学 | 一种多尺度时间序列生理信号的因果网络分析方法 |
Non-Patent Citations (2)
Title |
---|
YI ZHANG 等: "Noise-assisted Multivariate Empirical Mode Decomposition based Causal Decomposition for Detecting Upper Limb Movement in EEG-EMG Hybrid Brain Computer Interface" * |
陈迎亚: "康复运动中脑肌电融合及同步分析方法研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114154543B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ajiboye et al. | Muscle synergies as a predictive framework for the EMG patterns of new hand postures | |
Yazdani et al. | Classification of EEG signals using Dempster Shafer theory and a k-nearest neighbor classifier | |
US10499823B2 (en) | Selection of electroencephalography (EEG) channels valid for determining cognitive load of a subject | |
Candra et al. | EEG emotion recognition using reduced channel wavelet entropy and average wavelet coefficient features with normal mutual information method | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
Acar et al. | ACMTF for fusion of multi-modal neuroimaging data and identification of biomarkers | |
Krisnandhika et al. | Emotion recognition system based on EEG signals using relative wavelet energy features and a modified radial basis function neural networks | |
CN113017627B (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
CN112370017B (zh) | 脑电信号分类模型的训练方法和装置、以及电子设备 | |
CN113128552A (zh) | 一种基于深度可分离因果图卷积网络的脑电情绪识别方法 | |
CN111584029A (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
CN113499084A (zh) | 脑卒中运动功能评价模型建立方法、评价方法及系统 | |
CN114947883A (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
Uddin et al. | Synthesizing physiological and motion data for stress and meditation detection | |
Parashiva et al. | A new channel selection method using autoencoder for motor imagery based brain computer interface | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
Hamner et al. | Learning dictionaries of spatial and temporal EEG primitives for brain-computer interfaces | |
CN114154543A (zh) | 基于因果特征的人体上肢运动神经行为辨识模型构建方法 | |
CN113208614A (zh) | 脑电降噪的方法及装置、可读存储介质 | |
CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
Ghane et al. | Robust understanding of EEG patterns in silent speech | |
CN114841192A (zh) | 一种基于强化学习联合去噪与时空关系建模的脑电信号特征增强方法 | |
Drage et al. | A novel deep learning approach using AlexNet for the classification of electroencephalograms in Alzheimer's Disease and Mild Cognitive Impairment | |
Banta et al. | A novel convolutional neural network for reconstructing surface electrocardiograms from intracardiac electrograms and vice versa | |
Sokhal et al. | Classification of EEG signals using novel algorithm for channel selection and feature extraction |
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 |