CN114186608B - 基于运动想象的混合脑机接口特征提取方法 - Google Patents
基于运动想象的混合脑机接口特征提取方法 Download PDFInfo
- Publication number
- CN114186608B CN114186608B CN202111294155.7A CN202111294155A CN114186608B CN 114186608 B CN114186608 B CN 114186608B CN 202111294155 A CN202111294155 A CN 202111294155A CN 114186608 B CN114186608 B CN 114186608B
- Authority
- CN
- China
- Prior art keywords
- brain
- signals
- signal
- muscle
- extracting
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 210000003205 muscle Anatomy 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000003925 brain function Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 210000004556 brain Anatomy 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000002195 synergetic effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003183 myoelectrical effect Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 2
- 239000003292 glue Substances 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 12
- 230000004927 fusion Effects 0.000 abstract description 9
- 238000005452 bending Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 210000000707 wrist Anatomy 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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]
-
- 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
- A61B5/389—Electromyography [EMG]
-
- 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
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Ophthalmology & Optometry (AREA)
- Fuzzy Systems (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运动想象的混合脑肌接口特征提取方法,包括以下步骤:采集导联脑电图信号和导联肌电图信号,采用小波去噪的方法处理脑电信号和肌电信号,脑电信号基于似然同步理论构建脑功能网络,选取阈值进行二值化处理,提取二值化脑功能网络的特征,肌电信号采用非负矩阵分解,协同矩阵选取合适的数据变异度寻找不同的协同元,提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高,泛化性较强。本发明方法采取选取多特征融合互补的方式,可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
Description
技术领域
本发明属于脑电肌电信号特征分析领域,本发明公开了一种基于运动想象的混合脑机接口特征提取方法。
背景技术
由于脑血管疾病的高发病率和频繁发生的各种意外事故,中国的瘫痪患者数量与日俱增。针对瘫痪患者,在经过诸如外科手术等急性期的临床处理后,康复成为主要的一种治疗手段,它能够帮助患肢恢复运动功能,重新学习日常生活活动,其中手部动作康复训练过程尤为重要。本发明方法帮助病人康复训练,首次采用脑机协同的理论对动作意图进行识别,识别率相比单一脑电特征和肌电特征更高,泛化性较强。采取选取多特征融合互补的方式,可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
发明内容
本发明针对现有技术的不足,提出了一种基于运动想象的混合脑机接口特征提取方法。
本发明与单一脑电信号和肌电信号相比,具有如下优点和有益效果:本文利用肌肉协同之间协同元的相似性与不同性来进行特征提取;本文利用脑功能网络和肌肉协同这两种方法来进一步得出能综合反应受试者基于hBCI的互补融合特征;
为实现以上目的,本发明方法主要包括以下步骤:
步骤(1)采集脑电数据。实验样本频率设置为5000Hz。根据实验要求,受试者按照随机动作顺序进行曲腕、曲肘和握拳动作。
步骤(2)信号预处理。脑电信号质量的保证是准确有效研究的基础。在脑电信号采集过程中,不可避免地会受到各种信号和噪声的干扰。由于EEG信号非常微弱,因此很容易受到许多干扰源的干扰,包括眼球运动和眨眼伪影,心电图和工频干扰。因此,为了保证基于脑电信号的研究结果的可靠性,有必要对记录的信号进行相应的有效降噪步骤,以尽可能减少噪声对研究结果的干扰。
步骤(3)提取拓扑特征,脑电信号基于似然同步理论构建脑功能网络,选取合适阈值进行二值化处理,提取二值化脑功能网络的拓扑特征,肌电信号采用非负矩阵分解,协同矩阵选取合适的数据变异度寻找不同的协同元,提取协同元的特征。将脑电特征和肌电特征进行特征融合。
利用似然同步构建脑功能网络程序实现的理论依据如下:假设有M个同一时间段记录的信号序列xk,i,其中k表示信道数量(i=1,2,…,M),i表示信号记录的时间点(i=1,2,…,N),对每一道信号利用时间延迟重建内嵌向量为:
Xk,i=(xk,i,xk,i+l,xk,i+2l,…,xk,i+(m-1)l) (1)
式中,l和m分别表示时间延迟和嵌入的维数。定义任意两个内嵌向量xk,i和xk,j之间的欧氏距离小于ε的概率为:
式中,|·|操作符是求两个向量之间的欧氏距离;θ(x)是Heaviside阶梯函数,即满足
式(2)中w1和w2是两个窗,w1是泰勒修正参数,用来消除由于自相关特性对向量间距离过近造成的影响;w2窗用来提高时间分辨率,避免信号向量之间的时间间隔太长。当前的研究中,对于窗口w1和w2的取值需要满足条件:w1<<w2<<N(<<表示远小于),对于EEG数据的分析一般取w1=100,w2取时间序列长度的1/10,对式(1)中的时间延迟参数l和嵌入的维数m尚没有唯一的取值标准,本文按照研究经验取l=10,m=10。综上可知,式(2)中对于每个k和每个时间点i对应的距离参数εk,i
由概率所决定。假定M道信号中与内嵌向量xk,i之间的距离小于εk,i,并满足窗口条件w1<|i-j|<w2的内嵌向量xk,j有Hi,j个,即:
由实际意义可知Hi,j的值介于0和M之间,表示i和j时刻非常接近或者同步的内嵌向量的数量。综上信息,对于k道信号和另外M-1道信号i和j时刻的似然同步值Si,j,k定义如下:
最后对所有时间点j求平均,得到k道信号和其他M-1道信号在i时刻的似然同步值为:
提取协同元的特征,具体如下:用非负矩阵分解的方法对肌电信号进行分解。如公式(1)所示,Vm×t为待分解的表面肌电信号包络矩阵,m表示肌肉的数目,t表示数据的长度;Wm×n=[wi1,wi2,…,win]为协同结构矩阵,表示肌肉间的线性组合模式i=1,2,…,m;win幅值大小表示肌肉在组合模式中的贡献程度;Cn×t=[c1j,c2j,…,cnj]为激活系数矩阵,代表协同结构如何按时间被调制的神经信号,同时表示每一个肌肉协同对一块肌肉整体激发的贡献,j=1,2,…,t;Em×t为噪声信号;n代表肌肉协同数目;
Vm×t=Wm×nCn×t+Em×t (7)
要使||E||最小,即求如式(8)的最大似然解。
{W,C}=argmaxW,Cp(V|W,C)=argminW,C[-logp(V|W,C)] (8)
假设噪声服从高斯分布,那么其目标函数等于如下的欧式距离函数:
通过传统的梯度法,得到以下乘性迭代规则:
为了确定最小的肌肉协同数目,通常计算每一个n值下由分解得到的W和C矩阵重构的肌电包络信号Vrm×t,然后根据Vm×t与Vrm×t生成的数据变异度VAF,来确定肌肉协同数目n;确定n值方法为:①、VAF的大于设置阈值,②相邻VAF的差值小于设定阈值;
VAF的具体计算公式如下:
VAF=1-(Vm×t-Vrm×t)2/Vm×t 2 (12)
步骤(4)使用极限学习机分类;极限学习机它包含着三大部分,分别是输入层、隐藏层和输出层。当输入为一组拥有m类总数为N的训练样本时,一个隐藏层极点数为L、激活函数为g(x)的单隐藏层反馈神经网络可以表示为:
其中xj=[xj1,xj2,…,xjn]T为输入,tj=[tj1,tj2,…,tjn]T为对应的期望输出,bi为隐藏极点i的激活阈值,wi=[wi1,wi2,…,win]T将输入层与隐藏层联系在一起,βi=[βi1,βi2,…,βim]T将隐藏层与输出层联系在一起,oj是单隐藏层反馈神经网络的实际输出。单隐藏层反馈神经网络能够零误差拟合训练样本等价于因为ELM可以随机生成隐藏层参数{wi,bi}。
此时,将训练的标签值带入到神经网络的输出层中,得到公式
T=Hβ (14)
式中
通常情况下隐藏神经元的个数L是远远小于训练样本的个数N的,即L<<N,所以我们通过求最小值来确定输出权值,公式为:
β=arg min||T-Hβ|| (16)
由极小范数解准则可知,式(16)可以由以下的公式求解得到:
其中H+是隐藏层矩阵H的Moore-Penrose增广逆,简称伪逆。对于分类问题,ELM一般采用单对全标签编码将多分类问题转化为多输出函数回归。计算后查询样本的实际输出,然后由实际输出的索引给出预测的类标签。
本发明与现有技术相比,具有如下优点和有益效果:
本发明利用肌肉协同之间协同元的相似性与不同性来进行特征提取;通过脑功能网络和肌肉协同这两种方法来进一步得出能综合反应受试者基于混合脑机接口的互补融合特征;相比单一脑电信号和肌电信号,动作识别率有显著提升。
附图说明
图1为本发明的实施流程图;
图2为本发明所进行实验中使用的电极分布图;
图3为预处理脑电信号前后对比;
图4为受试者1屈腕、屈肘、握拳生成的脑功能网络和对应二值化网络;
图5为受试者1屈腕、屈肘对应的协同元分布比例。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明的实施例采集了八位志愿者分别用左右手执行腕曲,肘曲和握拳共计6种动作的EEG信号。在数据预处理阶段使用了WT,脑电信号采用基于Manhattan距离的SL构造加权FBN。二进制FBN由阈值和MST两种方法构建。肌电信号采用非负矩阵分解的方法构建肌肉协同模型。最后将两者特征融合,使用极限学习机对该动作进行动作识别。
本文将介绍参与者、实验任务、数据集的信息与这项工作所涉及的理论,介绍方法的配置,并说明所提出方案的性能。最后与已有的相关研究进行比较,提出预期的工作。
如图1所示,本产品包括如下步骤:
步骤(1)采集脑电数据。实验样本频率设置为5000Hz。根据实验要求,受试者按照随机动作顺序进行曲腕、曲肘和握拳动作。
步骤(2)信号预处理。脑电肌电信号质量的保证是准确有效研究的基础。图2为本发明所进行实验中使用的电极分布图,在脑电肌电信号采集过程中,不可避免地会受到各种信号和噪声的干扰。由于EEG信号非常微弱,因此很容易受到许多干扰源的干扰,包括眼球运动和眨眼伪影,心电图和工频干扰。EMG信号会受到肌肉疲劳干扰,因此,为了保证基于脑电信号的研究结果的可靠性,有必要对记录的信号进行相应的有效降噪步骤,以尽可能减少噪声对研究结果的干扰。对记录的信号进行WT去噪,以尽可能减少噪声对研究结果的干扰。如图3为志愿者1左手WF的去噪肌电信号。
步骤(3)提取拓扑特征,脑电信号基于似然同步理论构建脑功能网络,选取合适阈值进行二值化处理,提取二值化脑功能网络的拓扑特征,图4为受试者1屈腕、屈肘、握拳生成的脑功能网络和对应二值化网络,图5为受试者1屈腕、屈肘对应的协同元分布比例,肌电信号采用非负矩阵分解,协同矩阵选取合适的数据变异度寻找不同的协同元,提取协同元的特征。将脑电特征和肌电特征进行特征融合。
步骤(4)使用极限学习机对动作分类;
最后8位志愿者的分类准确性通过表1单一脑电信号特征、表2单一肌电信号特征、表3融合特征的识别率所示;脑功能网络的拓扑特征比均方根和肌肉协同特征识别率高,而部分单一特征虽然相比其他单一特征识别率较低,但通过互补特征融合的方式弥补了自身缺陷。脑机协同理论主要是大脑皮层通过脊髓和周围神经控制肌肉组织的运动,使得肢体可以完成一定的运动功能,而肢体的运动又可以通过传入神经影响着大脑皮层的活动,两者相互协同作用。脑功能网络的拓扑特征与肌肉协同的特征融合有效的提高了动作意图识别的识别率和鲁棒性,且具有良好的泛化能力;
表1
表2
表3
Claims (5)
1.基于运动想象的混合脑机接口特征提取方法,其特征在于,包括如下步骤:
步骤(1)采集脑电数据和肌电数据;
步骤(2)信号预处理;
步骤(3)提取拓扑特征,脑电信号基于似然同步理论构建脑功能网络,选取阈值进行二值化处理,提取二值化脑功能网络的拓扑特征,肌电信号采用非负矩阵分解,协同矩阵根据数据变异度寻找不同的协同元,提取协同元的特征;将二值化脑功能网络的拓扑特征和协同元的特征融合;
提取协同元的特征,具体如下:用非负矩阵分解的方法对肌电信号进行分解;如公式(1)所示,Vm×t为待分解的表面肌电信号包络矩阵,m表示肌肉的数目,t表示数据的长度;Wm×n=[wi1,wi2,…,win]为协同结构矩阵,表示肌肉间的线性组合模式i=1,2,…,m;win幅值大小表示肌肉在组合模式中的贡献程度;Cn×t=[c1j,c2j,…,cnj]为激活系数矩阵,代表协同结构如何按时间被调制的神经信号,同时表示每一个肌肉协同对一块肌肉整体激发的贡献,j=1,2,…,t;Em×t为噪声信号;n代表肌肉协同数目;
Vm×t=Wm×nCn×t+Em×t (1)
要使||E||最小,即求如式(2)的最大似然解;
{W,C}=argmaxW,Cp(V|W,C)=argminW,C[-logp(V|W,C)] (2)
假设噪声服从高斯分布,那么其目标函数等于如下的欧式距离函数:
通过传统的梯度法,得到以下乘性迭代规则:
为了确定最小的肌肉协同数目,通常计算每一个n值下由分解得到的W和C矩阵重构的肌电包络信号Vrm×t,然后根据Vm×t与Vrm×t生成的数据变异度VAF,来确定肌肉协同数目n;确定n值方法为:①、VAF的大于设置阈值,②相邻VAF的差值小于设定阈值;
VAF的具体计算公式如下:
VAF=1-(Vm×t-Vrm×t)2/Vm×t 2 (6)
步骤(4)使用极限学习机分类。
2.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法,其特征在于:所述的采集脑电数据和肌电数据;具体为:
在数据采集之前,将电极帽安装在受试者头上,并将导电胶注入电极中以降低阻抗;调整电极的接触条件,直到阻抗下降到阈值以下,以确保收集信号的质量;实验样本频率设置为5000Hz;将传感器安装在受试者手臂上,调整电极的接触条件,以确保能采集到对应肌肉的信号。
3.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法,其特征在于:信号预处理;具体为:
对记录的信号进行WT去噪,以尽可能减少噪声对研究结果的干扰。
4.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法,其特征在于:脑电信号基于似然同步理论构建脑功能网络和肌肉协同模型;具体为:
选取了脑电采集信号中的40个通道,使用似然同步性分析方法量化两两通道间的广义同步关系,构建了基于似然同步性的加权脑功能网络;
选取了肌电采集信号的6个通道,使用非负矩阵分解构建肌肉协同模型。
5.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法,其特征在于:所述的确定n值方法中,VAF大于等于0.95,相邻VAF的差值小于等于0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294155.7A CN114186608B (zh) | 2021-11-03 | 2021-11-03 | 基于运动想象的混合脑机接口特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294155.7A CN114186608B (zh) | 2021-11-03 | 2021-11-03 | 基于运动想象的混合脑机接口特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114186608A CN114186608A (zh) | 2022-03-15 |
CN114186608B true CN114186608B (zh) | 2024-03-12 |
Family
ID=80601857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111294155.7A Active CN114186608B (zh) | 2021-11-03 | 2021-11-03 | 基于运动想象的混合脑机接口特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186608B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115813407B (zh) * | 2022-11-15 | 2024-05-24 | 南京邮电大学 | 基于模糊阶跃向量波动的睡眠脑电分期方法 |
WO2024113113A1 (zh) * | 2022-11-28 | 2024-06-06 | 中国科学院深圳先进技术研究院 | 一种肌群协同分析方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN106845563A (zh) * | 2015-12-07 | 2017-06-13 | 中国科学院沈阳自动化研究所 | 基于脑电和近红外信号的特征提取方法 |
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 |
-
2021
- 2021-11-03 CN CN202111294155.7A patent/CN114186608B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN106845563A (zh) * | 2015-12-07 | 2017-06-13 | 中国科学院沈阳自动化研究所 | 基于脑电和近红外信号的特征提取方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114186608A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239744B (zh) | 基于深度学习的脑电-肌电信号融合识别方法 | |
CN114186608B (zh) | 基于运动想象的混合脑机接口特征提取方法 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
Li et al. | Robust ECG biometrics using GNMF and sparse representation | |
CN111584029B (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 | |
CN111657941B (zh) | 基于肌肉核心激活区域的电极校正及肌电模式识别方法 | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
CN110013248A (zh) | 脑电张量模式识别技术与脑机交互康复系统 | |
Pan et al. | MAtt: A manifold attention network for EEG decoding | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
Li et al. | Automatic removal of ocular artifact from EEG with DWT and ICA Method | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
Bai et al. | Upper Arm Motion High‐Density sEMG Recognition Optimization Based on Spatial and Time‐Frequency Domain Features | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN114387668A (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
Naik et al. | Evaluation of higher order statistics parameters for multi channel sEMG using different force levels | |
Zhao et al. | Online decomposition of surface electromyogram into individual motor unit activities using progressive FastICA peel-off | |
Rivela et al. | Processing of surface EMG through pattern recognition techniques aimed at classifying shoulder joint movements | |
Wang et al. | Deep convolutional neural network for decoding EMG for human computer interaction | |
CN110464517B (zh) | 基于小波加权排列熵的肌电信号识别方法 | |
Ai et al. | Convolutional Neural Network applied in mime speech recognition using sEMG data |
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 |