CN114428555B - 一种基于皮层源信号的脑电运动意图识别方法及系统 - Google Patents
一种基于皮层源信号的脑电运动意图识别方法及系统 Download PDFInfo
- Publication number
- CN114428555B CN114428555B CN202210213725.3A CN202210213725A CN114428555B CN 114428555 B CN114428555 B CN 114428555B CN 202210213725 A CN202210213725 A CN 202210213725A CN 114428555 B CN114428555 B CN 114428555B
- Authority
- CN
- China
- Prior art keywords
- source
- sampling
- sources
- power
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 33
- 210000004556 brain Anatomy 0.000 claims abstract description 25
- 210000003128 head Anatomy 0.000 claims abstract description 24
- 210000004761 scalp Anatomy 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 49
- 210000003710 cerebral cortex Anatomy 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 210000003625 skull Anatomy 0.000 claims description 9
- 230000002087 whitening effect Effects 0.000 claims description 8
- 238000004070 electrodeposition Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001054 cortical effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 239000004020 conductor Substances 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 description 8
- 230000036624 brainpower Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- Health & Medical Sciences (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于脑机接口的运动想象领域，具体涉及一种基于皮层源信号的脑电运动意图识别方法及系统，包括结合构建的头部模型，将目标对象头皮产生的脑电信号映射到大脑皮层源信号空间；遍历与运动想象区域有关区域的源，获取所有源的幅值，采用最大幅值的0.5倍作为筛选阈值；筛选幅值不小于筛选阈值的源，称为采样源集；从采样源集中选择选定源，并利用共空间模式提取选定源的特征向量，采用特征值训练运动意图识别模型；获取待识别脑电信号的特征向量，将其输入训练好的运动意图识别模型获得对应的运动意图；本发明克服了头皮脑电信号低空间分辨率的问题，同时减少了容积导体效应带来的噪音，提高了运动想象识别准确率。
Description
技术领域
本发明属于脑机接口的运动想象领域，具体涉及一种基于皮层源信号的脑电运动意图识别方法及系统。
背景技术
人体运动意图识别方法主要包括两种：基于生物力学信号和基于生物电学信号。基于生物力学信号的运动意图识别方法主要采用关节角度、角速度等信息进行识别，其具有持续性、鲁棒性等优势，但力学信息产生于人体产生运动之后，故存在明显的人体运动和力学信息获取之间的时间滞后现象，再加上信息处理和机械系统的响应时间，进一步延长了滞后时间，不利于人机交互的实现。而基于生物电学信号的运动意图识别方法大多采用眼电信号、脑皮层电信号、脑电信号等进行识别，这种方式可通过特制的传感器检测，利用数据建立预测模型进行意图估计，能够很好的平衡初始运动意图与信号可解释性之间的关系，具有响应快速的特点，然而，脑电信号存在容积导体效应所导致的空间分辨率低、易受外界环境的影响等缺陷。
近年来许多国内外专家学者针对脑电信号进行了深入研究，许多研究人员设计了各种空间滤波器以减轻容积导体效应带来的影响，获得更好的分类效果。杨等人的研究中，利用小波包分解(WPD)重构脑电信号，结合CSP，进一步提高训练模型的分类能力，另外，Costa提出了基于递归最小二乘和CSP结合的更新迭代的CSP滤波器系数。随着机器学习技术的发展，基于深度神经网络的MI解码任务也引起了关注。现有的研究中将卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合，以提高解码运动意图的空间滤波能力和鉴别特征能力，与传统的CSP和FBCSP功能提取方法相比，也获得了分类性能的提高。但是这些方法都是使用头皮上的电极信号；难以进一步克服容积导体效应带来的噪声。
发明内容
为解决上述问题，本发明提供了一种基于皮层源信号的脑电运动意图识别方法及系统，通过利用脑电源成像技术克服空间分辨率低，进一步减轻容积导体效应。
在第一方面，本发明提供的一种基于皮层源信号的脑电运动意图识别方法，包括：
S1：根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
S2：获取目标对象头皮产生的脑电信号，结合头部模型将脑电信号映射到大脑皮层的源，并为每个源编号；
S3：遍历与运动想象区域有关的源，获取与运动想象区域有关的源的信号的幅值，采用最大幅值的0.5倍作为筛选阈值；
S4：判断源的幅值是否小于筛选阈值，若是，则删除该源，否则保存该源；源筛选完成后，得到采样源集；
S5：计算采样源集中每个采样源处理两个不同任务时的功率，判断是否有K个处理两个不同任务时功率存在差异的采样源，若存在，则将该K个采样源其作为选定源，否则计算每个采样源的总功率并降序排列，选取前K个总功率对应的采样源作为选定源；
S6：利用共空间模式提取选定源的特征向量，并采用特征值训练运动意图识别模型；
S7：获取待识别脑电信号的特征向量，将其输入训练好的运动意图识别模型获得对应的运动意图。
进一步的，采用加权最小范数估计方法，将脑电信号转换为源域信号，其转换公式表示为：
其中，代表估计的源，λ代表正则化参数，W代表权重矩阵，B表示从实验对象头皮的采集的脑电数据，L代表导联矩阵，S代表大脑皮层的源。
进一步的，利用共空间模式提取选定源的特征向量的过程为：
对选定源进行不同运动意图划分，得到由不同运动意图构建的多个运动意图集合；
获取各个运动意图集合中所有运动意图的协方差矩阵，并计算各个运动意图集合的均值空间矩阵；
将各个均值空间矩阵相加获得混合空间协方差矩阵，并对混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角矩阵；
根据初始特征向量矩阵和对角矩阵获得白化矩阵，对白化矩阵进行变换整合得到空间滤波器；
通过空间滤波器对选定源进行滤波获得特征向量。
进一步的，步骤S5中判断是否有K个处理两个不同任务时功率存在差异的采样源的具体过程为：
记录每个采样源执行第一任务的第一功率和执行第二任务的第二功率；
将所有采样源的第一功率和第二功率分别降序排列；
按照第一功率的排列顺序给对应采样源一个第一功率序列号，按照第二功率的排列顺序给对应采样源一个第二功率序列号；
将采样源的编号降序排列，选择前n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作；
异或操作后，若得到K个两种任务功率差异大的采样源，则将这K个采样源作为选定源，否则按照编号再添加n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作，直至找到K个两种任务功率差异大的采样源或所有采样源完成异或操作。
在第二方面，本发明提供的一种基于皮层源信号的脑电运动意图识别系统，包括：
采集模块，用于采集目标对象的脑电信号；
正向建模模块，用于根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
转换模块，用于结合正向建模模块构建的头部模型，将脑电信号转换为源域信号；
判断模块，用于筛选源域信号，及从筛选后的源域信号中决定选定源；
特征向量获取模块，用于获取待识别脑电信号对应的特征向量；
运动意图识别模块，用于根据待识别脑电信号对应的特征向量识别运动意图。
进一步的，判断模块包括源域信号筛选单元和选定源单元，其中：
源域信号筛选单元，用于从转换模块输出的源域信号的所有幅值中获取最大幅值，并将最大幅值的0.5倍设置为筛选阈值，筛选幅值不小于筛选阈值的源域信号；
选定源单元，用于计算源域信号筛选单元筛选出的源域信号的功率，并判断是否存在处理不同任务时所需功率之间差异大的源域信号，若存在，则将其作为选定源，否则将功率降序排列，选取前K个功率对应的源域信号作为选定源。
本发明的有益效果：
本发明融合了脑电源成像技术，将从目标对象头皮上采集的脑电信号转换为源信号，克服了传统脑电信号的空间识别率低的问题，同时减少了容积导体效应带来的噪音，获得了较好的训练效果，具体应用于左右手运动想象等任务时，能够提高脑机接口的左右手运动想象任务的分类准确率，且操作简单、易于实现。
附图说明
图1为本发明的基于皮层源信号的脑电运动意图识别方法的流程图；
图2为本发明的对照实验结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于皮层源信号的脑电运动意图识别方法及系统，利用脑电源成像技术将头皮产生的脑电信号映射到大脑皮层的各个源，源为大脑皮层产生对应信号的区域，在本发明中是指具体产生信号的点，再在大脑皮层选择并提取源，提取特征值，该方法和系统克服了低空间分辨率问题，进一步减轻了容积导体效应，获得较好的训练效果，提高脑机接口的左右手运动想象任务的分类准确率。
如图1所示，一种基于皮层源信号的脑电运动意图识别方法包括：
S1：根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
S2：获取目标对象头皮产生的脑电信号，结合头部模型将脑电信号映射到大脑皮层的源，为每个源编号并记录编号信息；
S3：遍历与运动想象区域有关的源，并获取与运动想象区域有关的源的信号的幅值，采用最大幅值的0.5倍作为筛选阈值；
S4：判断源的幅值是否小于筛选阈值，若是，则删除该源，否则保存该源；源筛选完成后，得到采样源集；
S5：计算采样源集中每个采样源处理两个不同任务时的功率，判断是否有K个处理两个不同任务时功率存在差异的采样源，若存在，则将该K个采样源其作为选定源，否则计算每个采样源的总功率并降序排列，选取前K个总功率对应的采样源作为选定源；
具体地，对采样源集中的所有采样源都是从脑电信号映射到大脑皮层的源中提取的，故每个采样源都有编号，每个采样源处理左手和右手两个任务时产生左手任务功率和右手任务功率，按照两个任务的功率分别降序排列，按照两个排列顺序给对应的采样源一个左手任务功率排列号和一个右手任务功率排列号，首先分别选择前n个采样源的编号，每个采样源都对自己的左手任务功率排列号和右手任务功率排列号进行异或操作，若得到K个两种任务功率差异大的采样源，则进行步骤S6，若没有或者不到K个，则再往原先的n个采样源中添加n个采样源进行异或操作，若所有采样源都进行异或操作后仍没有K个，则判定不存在K个处理两个不同任务时所需功率存在差异的采样源，然后将每个采样源的两种功率相加后降序排列，使用相加值最大的前K个采样源进行步骤S6。
S6：利用共空间模式提取选定源的特征向量，并采用特征值训练运动意图识别模型；
S7：获取待识别脑电信号的特征向量，将其输入训练好的运动意图识别模型获得对应的运动意图。
脑电(Electroencephalogram,EEG)是一种重要的脑功能成像技术，根据头皮记录的脑电信号重构皮层脑活动称为脑电源成像(EEG Source Imaging,ESI)。脑电源成像技术的目标是利用多通道脑电信号估计每个时间采样点的数千个源的活动。源分两个阶段计算，即正问题和逆问题。
放置在不同头皮位置的电极之间的电位差是由同步的头部锥体神经元突触后电位引起的电流传播引起的。然而，这种传播不是均匀的。由于颅骨的高电导率，电流被颅骨强烈衰减。因此需要一些先验约束信息，如电极位置、头部形状、颅骨厚度和不同层之间的电导率，来建立一个正问题模型。一旦建立了合适的头部模型并建立了引导场，第二步是求解一个逆问题来估计大脑偶极子的源分布，即确定产生给定头皮脑电图电位测量的颅内源。
具体地，首先进行头部建模，其描述了大脑的组成，形状分布和导电性。通过边界元方法(BEM)来解决正问题得到导联矩阵，其可以将来自头皮的传感器空间的活动映射到大脑皮层的源的活动。该关联可以近似线性表示为：
B＝LS+n
其中B表示从实验对象头皮的采集的脑电数据，L代表导联矩阵，S代表大脑皮层的源，n代表噪音信号。
解决逆问题的目的是根据从目标对象头皮获得的脑电信号和头部模型获得对大脑皮层源的估计。然而，最多只有几百个空间测量值被用作输入(电极的数量)，这意味着有无限数量的源是活动的，这被称为不适定问题。因此，在这个问题上，利用加权最小范数估计方法解决，其表示为：
其中，代表估计的源，λ代表正则化参数，W代表权重矩阵。
在一实施例中，步骤S6利用共空间模式提取选定源的特征向量包括：
采用左手数据X1和右手数据X2构建相应的协方差矩阵，表示为：
其中trace()表示矩阵对角线上元素和，R1,i表示根据左手运动意图进行的第i次实验，R2,i表示根据右手运动意图进行的第i次实验；
根据左手数据X1和右手数据X2构建的协方差矩阵R1、R2，计算左手数据X1和右手数据X2的均值空间协方差矩阵表示为：
c等于1或2，1表示根据左手运动意图进行的实验，2表示根据右手运动意图进行的实验，N代表根据左手或右手运动意图进行的实验总次数；
将左手数据X1和右手数据X2的均值空间协方差矩阵相加得到混合空间协方差矩阵R，R为对角矩阵，表示为：
利用混合空间协方差矩阵求白化特征值矩阵P，表示为：
R＝UλUT；
其中U是R的特征向量矩阵，λ是对应R的特征值构成的对角矩阵；
使用白化矩阵对R1,R2依次进行如下变换：
S1＝PR1PT；
S2＝PR2PT；
S1,S2分别对应左右手运动的特征值向量，λ1为对应S1的对角阵，λ1中的特征值按照降序排列，λ2为对应S2的对角阵，λ2中的特征值按升序排列，在λ1中选择2个最大特征值和在λ2中选择2个最小特征值，将在λ1中选择2个最大特征值和在λ2中选择2个最小特征值对应的特征向量并整合为Z，计算空间滤波器。
最终求得空间滤波器为：
X表示从目标对象中采集的脑电信号，得到空间滤波器之后，使用该滤波器得到所需要的特征向量，以备后续分类使用。
最终构造的特征向量fp表示为：
varp代表Z中第p行的方差。
一种基于皮层点源的运动意图识别系统，包括：
采集模块，用于采集目标对象的脑电信号；
正向建模模块，用于根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
转换模块，用于结合正向建模模块构建的头部模型，将脑电信号转换为源域信号；
判断模块，用于筛选源域信号，及从筛选后的源域信号中决定选定源；
特征向量获取模块，用于获取待识别脑电信号对应的特征向量；
运动意图识别模块，用于根据待识别脑电信号对应的特征向量识别运动意图。
具体地，判断模块包括源域信号筛选单元和选定源单元，其中：
源域信号筛选单元，用于从转换模块输出的源域信号的所有幅值中获取最大幅值，并将最大幅值的0.5倍设置为筛选阈值，筛选幅值不小于筛选阈值的源域信号；
选定源单元，用于计算源域信号筛选单元筛选出的源域信号的功率，并判断是否存在处理不同任务时所需功率之间差异大的源域信号，若存在，则将其作为选定源，否则将功率降序排列，选取前K个功率对应的源域信号作为选定源。
优选地，在一实施例中，将本发明提出的ESCSP算法与原先的CSP算法相比，如图2所示，在准确率上有较大提升。
此次试验数据集采用了公开的OpenBMI数据集。OpenBMI数据集是韩国首尔大学公布的一个公开的数据集，一共采集了54位实验对象的脑电数据，脑电采集设备为一共使用了62个电极的，为了减少计算量本实施例使用了OpenBMI数据集的第二部分前10个实验对象的数据。同时，在分割训练集数据和测试集数据上，将前半部分共100次试验作为训练集，后半部分也是100次试验作为测试集。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于皮层源信号的脑电运动意图识别方法，其特征在于，包括：
S1：根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
S2：获取目标对象头皮产生的脑电信号，结合头部模型将脑电信号映射到大脑皮层的源，并为每个源编号；
S3：遍历与运动想象区域有关的源，并获取与运动想象区域有关源的信号的幅值，采用最大幅值的0.5倍作为筛选阈值；
S4：判断源的幅值是否小于筛选阈值，若是，则删除该源，否则保存该源；源筛选完成后，得到采样源集；
S5：计算采样源集中每个采样源处理两个不同任务时的功率，判断是否有K个处理两个不同任务时功率存在差异的采样源，若存在，则将该K个采样源作为选定源，否则计算每个采样源的总功率并降序排列，选取前K个总功率对应的采样源作为选定源；其中，总功率是指采样源处理两个不同任务时的功率之和；
步骤S5中判断是否有K个处理两个不同任务时功率存在差异的采样源的具体过程为：
记录每个采样源执行第一任务的第一功率和执行第二任务的第二功率；
将所有采样源的第一功率和第二功率分别降序排列；
按照第一功率的排列顺序给对应采样源一个第一功率序列号，按照第二功率的排列顺序给对应采样源一个第二功率序列号；
将采样源的编号降序排列，选择前n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作；
异或操作后，若得到K个两种任务功率差异大的采样源，则将这K个采样源作为选定源，否则按照编号再添加n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作，直至找到K个两种任务功率差异大的采样源或所有采样源完成异或操作；
S6：利用共空间模式提取选定源的特征向量，并采用特征向量训练运动意图识别模型；
利用共空间模式提取选定源的特征向量的过程为：
对选定源进行不同运动意图划分，得到由不同运动意图构建的多个运动意图集合；
获取各个运动意图集合中所有运动意图的协方差矩阵，并计算各个运动意图集合的均值空间矩阵；
将各个均值空间矩阵相加获得混合空间协方差矩阵，并对混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角矩阵；
根据初始特征向量矩阵和对角矩阵获得白化矩阵，对白化矩阵进行变换整合得到空间滤波器；
通过空间滤波器对选定源进行滤波获得特征向量；
S7：获取待识别脑电信号的特征向量，将其输入训练好的运动意图识别模型获得对应的运动意图。
2.根据权利要求1所述的一种基于皮层源信号的脑电运动意图识别方法，其特征在于，采用加权最小范数估计方法，将脑电信号转换为源域信号，其转换公式表示为：
其中，代表估计的源，λ代表正则化参数，W代表权重矩阵，B表示从实验对象头皮的采集的脑电数据，L代表导联矩阵。
3.一种基于皮层源信号的脑电运动意图识别系统，其特征在于，包括：
采集模块，用于采集目标对象的脑电信号；
正向建模模块，用于根据电极位置、头部形状、颅骨厚度和不同层之间的电导率正向建模，得到头部模型；
转换模块，用于结合正向建模模块构建的头部模型，将脑电信号转换为源域信号；
判断模块，用于筛选源域信号，及从筛选后的源域信号中决定选定源；
判断模块包括源域信号筛选单元和选定源单元，其中：
源域信号筛选单元，用于从转换模块输出的源域信号的所有幅值中获取最大幅值，并将最大幅值的0.5倍设置为筛选阈值，筛选幅值不小于筛选阈值的源域信号；
选定源单元，用于计算源域信号筛选单元筛选出的源域信号的功率，并判断是否存在处理不同任务时所需功率之间差异大的源域信号，若存在，则将其作为选定源，否则计算每个采样源的总功率并降序排列，选取前K个总功率对应的采样源作为选定源；其中，总功率是指采样源处理两个不同任务时的功率之和；
判断是否有K个处理两个不同任务时功率存在差异的采样源的具体过程为：
记录每个采样源执行第一任务的第一功率和执行第二任务的第二功率；
将所有采样源的第一功率和第二功率分别降序排列；
按照第一功率的排列顺序给对应采样源一个第一功率序列号，按照第二功率的排列顺序给对应采样源一个第二功率序列号；
将采样源的编号降序排列，选择前n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作；
异或操作后，若得到K个两种任务功率差异大的采样源，则将这K个采样源作为选定源，否则按照编号再添加n个采样源对自己的第一功率序列号和第二功率序列号进行异或操作，直至找到K个两种任务功率差异大的采样源或所有采样源完成异或操作；
特征向量获取模块，用于获取待识别脑电信号对应的特征向量；
利用共空间模式提取选定源的特征向量的过程为：
对选定源进行不同运动意图划分，得到由不同运动意图构建的多个运动意图集合；
获取各个运动意图集合中所有运动意图的协方差矩阵，并计算各个运动意图集合的均值空间矩阵；
将各个均值空间矩阵相加获得混合空间协方差矩阵，并对混合空间协方差矩阵进行谱分解获得初始特征向量矩阵和对角矩阵；
根据初始特征向量矩阵和对角矩阵获得白化矩阵，对白化矩阵进行变换整合得到空间滤波器；
通过空间滤波器对选定源进行滤波获得特征向量；
运动意图识别模块，用于根据待识别脑电信号对应的特征向量识别运动意图。
4.根据权利要求3所述的一种基于皮层源信号的脑电运动意图识别系统，其特征在于，转换模块采用加权最小范数估计方法，将脑电信号转换为源域信号，其转换公式表示为：
其中，代表估计的源，λ代表正则参数，L代表权重矩阵，B表示从实验对象头皮的采集的脑电数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210213725.3A CN114428555B (zh) | 2022-03-04 | 2022-03-04 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210213725.3A CN114428555B (zh) | 2022-03-04 | 2022-03-04 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114428555A CN114428555A (zh) | 2022-05-03 |
| CN114428555B true CN114428555B (zh) | 2024-03-22 |
Family
ID=81312735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210213725.3A Active CN114428555B (zh) | 2022-03-04 | 2022-03-04 | 一种基于皮层源信号的脑电运动意图识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114428555B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115813409A (zh) * | 2022-12-02 | 2023-03-21 | 复旦大学 | 一种超低延迟的运动图像脑电图解码方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002000110A1 (en) * | 2000-06-26 | 2002-01-03 | Sam Technology, Inc. | Neurocognitive ability eeg measurement method and system |
| CN109711278A (zh) * | 2018-12-07 | 2019-05-03 | 浙江大学 | 一种低复杂度的脑电波信号压缩和分类方法 |
| WO2019101807A1 (fr) * | 2017-11-21 | 2019-05-31 | Paris Sciences Et Lettres - Quartier Latin | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| WO2021174061A1 (en) * | 2020-02-27 | 2021-09-02 | Children's Hospital Medical Center | Brain function mapping with intracranial electroencephalogram (eeg) using event-related spectral modulations |
-
2022
- 2022-03-04 CN CN202210213725.3A patent/CN114428555B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002000110A1 (en) * | 2000-06-26 | 2002-01-03 | Sam Technology, Inc. | Neurocognitive ability eeg measurement method and system |
| WO2019101807A1 (fr) * | 2017-11-21 | 2019-05-31 | Paris Sciences Et Lettres - Quartier Latin | Systeme de mesure en temps reel de l'activite d'une fonction cognitive et procede de calibration d'un tel systeme |
| CN109711278A (zh) * | 2018-12-07 | 2019-05-03 | 浙江大学 | 一种低复杂度的脑电波信号压缩和分类方法 |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| WO2021174061A1 (en) * | 2020-02-27 | 2021-09-02 | Children's Hospital Medical Center | Brain function mapping with intracranial electroencephalogram (eeg) using event-related spectral modulations |
Non-Patent Citations (2)
| Title |
|---|
| 基于频带能量和相同步的运动意识任务分类研究;张爱华 等;甘肃科学学报;第20卷(第02期);第75-78页 * |
| 追踪任务下脑波频率特征的变化特点研究;徐凤刚 等;航天医学与医学工程;第30卷(第05期);第333-340页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114428555A (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| CN109165556B (zh) | 一种基于grnn身份识别方法 | |
| CN113158793B (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
| CN104771163B (zh) | 基于csp和r‑csp算法的脑电信号特征提取方法 | |
| CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
| CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
| CN110584660B (zh) | 基于脑源成像与相关性分析的电极选择方法 | |
| CN109965869B (zh) | 基于脑源域空间的mi-eeg识别方法 | |
| CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
| CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
| CN110522412B (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
| CN114428555B (zh) | 一种基于皮层源信号的脑电运动意图识别方法及系统 | |
| Yang et al. | Proegan-ms: A progressive growing generative adversarial networks for electrocardiogram generation | |
| Wang et al. | Multiband decomposition and spectral discriminative analysis for motor imagery BCI via deep neural network | |
| 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 | |
| CN112932503B (zh) | 基于4d数据表达和3dcnn的运动想象任务解码方法 | |
| CN112401905B (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
| CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
| Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
| CN117574059A (zh) | 高分辨率脑电信号深度神经网络压缩方法及脑机接口系统 | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
| CN116596046A (zh) | 一种利用脑电信号和视觉特征进行图像重构的方法 | |
| CN111317466A (zh) | 一种脑电信号成像方法、系统以及计算机设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231101 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |