CN114721514A - 一种基于脑电信号的几何模型选择意图判别方法及系统 - Google Patents

一种基于脑电信号的几何模型选择意图判别方法及系统 Download PDF

Info

Publication number
CN114721514A
CN114721514A CN202210285159.7A CN202210285159A CN114721514A CN 114721514 A CN114721514 A CN 114721514A CN 202210285159 A CN202210285159 A CN 202210285159A CN 114721514 A CN114721514 A CN 114721514A
Authority
CN
China
Prior art keywords
electroencephalogram
frequency bands
electroencephalogram signals
different frequency
signals
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
CN202210285159.7A
Other languages
English (en)
Inventor
郝佳
曹贝宁
牛红伟
王国新
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210285159.7A priority Critical patent/CN114721514A/zh
Publication of CN114721514A publication Critical patent/CN114721514A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • 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
    • 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
    • G06N3/08—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
    • G06F2218/02—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
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Dermatology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于脑电信号的几何模型选择意图判别方法及系统。该方法包括根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。本发明能够提供一种自然、高效的模型选择交互模式。

Description

一种基于脑电信号的几何模型选择意图判别方法及系统
技术领域
本发明涉及脑电信号技术领域，特别是涉及一种基于脑电信号的几何模型选择意图判别方法及系统。
背景技术
计算机辅助设计(ComputerAided Design，CAD)模型作为一种重要的工业设计软件发展迅速，其设计功能已经非常完善。但是，大多数CAD软件仍然要求用户通过鼠标、键盘等设备输入设计指令，不能实现“端到端”的设计，不利于直接表达用户的设计意图，在一定程度上降低了设计的自然流畅性。同时，在设计过程中，用户不得不花费大量时间在与模型设计不直接相关的事件上，如指令搜索、设备操作等，影响了用户创新思维的表达。
随着人机交互技术的不断发展，研究人员已经成功地将眼动、手势、脑电等生理信号识别技术应用到CAD软件中，通过生理信号的识别实现人与计算机的直接交互，实现了用户设计意图的直接表达。而模型选择作为CAD操作的第一步非常重要，因此迫切需要为设计者提供一种高效、自然、舒适的模型选择交互模式，使得设计者在低认知负荷下快速直接地选中目标对象。
但是，在新型的CAD模型选择交互过程中，如何有效地解决米达斯接触问题(所看非所想)成为一大难点。本发明提出的方法通过对与选择行为相关的脑电信号进行识别来判别用户在设计过程中的选择意图。传统的方法需要用户做出额外的决策行为去触发选择，使用户在采用CAD设计过程中的认知负荷增大，降低了用户的设计效率，不利于用户在概念设计阶段的创新思维表达。
发明内容
本发明的目的是提供一种基于脑电信号的几何模型选择意图判别方法及系统，能够提供一种自然、高效的模型选择交互模式。
为实现上述目的，本发明提供了如下方案：
一种基于脑电信号的几何模型选择意图判别方法，包括：
根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；
根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。
可选地，所述根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征，之前还包括：
获取离线脑电信号；
对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
可选地，所述根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征，具体包括：
获取用户在使用CAD软件时产生的实时脑电信号；
对实时脑电信号进行预处理和采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。
可选地，所述根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果，之前还包括：
获取具有自适应机制的卷积神经网络；
采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
一种基于脑电信号的几何模型选择意图判别系统，包括：
脑电特征提取模块，用于根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；
选择意图判别结果确定模块，用于根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
CAD指令映射模块，用于计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。
可选地，还包括：
离线脑电信号获取模块，用于获取离线脑电信号；
离线数据预处理模模块，用于对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
多频段脑电数据获取模块，用于采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
空间滤波器构建模块，用于根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
可选地，所述脑电特征提取模块具体包括：
脑电信号获取子模块，用于获取用户在使用CAD软件时产生的实时脑电信号；
脑电信号预处理子模块，用于对实时脑电信号进行预处理和采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。
可选地，还包括：
具有自适应机制的卷积神经网络获取模块，用于获取具有自适应机制的卷积神经网络；
具有自适应机制的卷积神经网络训练模块，用于采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于脑电信号的几何模型选择意图判别方法及系统，提出利用共空间模式算法提取脑电信号的空间特征，并采用具有自适应加权的卷积神经网络对特征进行深度挖掘并实现最终分类。相比传统的时频域特征，采用多频段空间特征进行分类取得了更好的判别精度，通过对与选择行为相关的脑电信号进行识别来判别用户在设计过程中的选择意图。相比传统的基于时间阈值的眼动判别技术、基于按键鼠标判别等方法，本方法无需用户做出额外的决策行为去触发选择，大大降低了用户在采用CAD设计过程中的认知负荷，提高了用户的设计效率，并且更有利于用户在概念设计阶段的创新思维表达。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于脑电信号的几何模型选择意图判别方法流程示意图；
图2为脑电特征提取流程示意图；
图3为本发明所提供的一种基于脑电信号的几何模型选择意图判别系统结构示意图。
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脑电信号的几何模型选择意图判别方法及系统，能够提供一种自然、高效的模型选择交互模式。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于脑电信号的几何模型选择意图判别方法流程示意图，如图1所示，本发明所提供的一种基于脑电信号的几何模型选择意图判别方法，包括：
S101，根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以delta、theta、alpha、beta四个频段的脑电信号为输入，以四个频段的脑电特征为输出；
S101之前还包括：
获取离线脑电信号；
对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
预处理具体包括：
采用50Hz的陷波滤波器和0.5-30Hz的带通滤波器对信号进行滤波处理，消除掉脑电信号中的高频噪声，再采用独立成分分析算法(Independent ComponentCorrelationAlgorithm，ICA)进行盲源分离，剔除脑电信号中的眼动成分；
采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
有限长单位冲激响应(Finite Impulse Response，FIR)滤波器将预处理后的脑电信号划分至δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(13-30Hz)四个子频段，用以提取不同频段的脑电特征，丰富特征维度，充分发挥各频段脑电的互补作用，以提高最终模型的识别精度。FIR滤波器的带宽设置为3db。
根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
单个空间滤波器的具体训练过程如下：
(1)首先将训练数据分为“选择对象”和“不选择对象”两类正负样本集E1和E2。每一类训练样本集可以表示为Ns×Nc×Nf，其中Ns表示每一类数据的样本个数，Nc表示一个脑电样本的电极通道数，Nf表示一个脑电样本的离散信号长度。
(2)按下式求取每一类样本集的平均协方差矩阵，式中n表示类别，Nsn表示第n类样本的数量(如Ns1表示第1类样本的数量)，而Eni表示第n类数据中的第i个样本(如E11表示第1类数据中的第1个样本)，trace表示求矩阵的迹。
Figure BDA0003557922280000061
(3)随后将两平均协方差矩阵相加得到混合空间协方差矩阵。
Figure BDA0003557922280000062
(4)利用特征值分解获取混合空间协方差矩阵的特征值矩阵，并对该特征值矩阵进行白化处理。U是Nc×Nc的矩阵，其每一行是混合空间协方差矩阵的一个特征向量。λ是一个对角矩阵，其对角线上的每一个数值为混合空间协方差矩阵的特征值。P是白化矩阵。
C＝UλUT；
Figure BDA0003557922280000063
(5)再将白化矩阵P与每一类样本集的平均协方差矩阵相乘得到新空间中的分布协方差矩阵S1和S2，再对S1与S2进行特征值分解获取新空间中分布的特征向量阵B1、B2(这里由数学推导可知B1与B2相等，下述统称为B)和特征值λ1和λ2，最后将特征向量阵B与白化矩阵P相乘，求出空间滤波器W。
S1＝PC1PT；
S2＝PC2PT；
S1＝B1λ1B1；
S2＝B2λ2B2；
W＝BTP；
(6)保存训练所得到的空间滤波器W，用于实时数据的空间特征提取。
S101具体包括：
获取用户在使用CAD软件时产生的实时脑电信号；首先通过脑电帽上的传感电极采集模拟电信号，再通过串口线及A/D转换模块将模拟信号转化为数字信号并传送至计算机用以分析与存储。采集设备包括NeuronScan64QuickCap、SynAmps2放大器、Curry8脑电处理软件，数据传输线若干。
对实时脑电信号进行预处理和采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。采用50Hz的陷波滤波器和0.5-30Hz的带通滤波器对信号进行滤波处理，消除掉脑电信号中的高频噪声，再采用ICA算法进行盲源分离，剔除脑电信号中的眼动成分。采用有限长单位冲激响应(Finite Impulse Response，FIR)滤波器将预处理后的脑电信号划分至δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)和β(13-30Hz)四个子频段，用以提取不同频段的脑电特征。FIR滤波器的带宽设置为3db。
S102，根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
S102之前还包括：
获取具有自适应机制的卷积神经网络；
采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
具有自适应机制的卷积神经网络包含两层卷积层，每一层的卷积核可用Ndepth×Nrow×Nlength的形式表示，其中Ndepth表示每一卷积层包含卷积核的深度，Nrow和Nlength表示卷积核的尺寸。
为了确保可以为每个频带中的特征分配有效的权重，每个频带中的特征应相互独立。即在卷积过程中，每个频带的特征之间不能发生耦合。因此，该网络结构中的卷积核采用一维卷积核，即Nrow＝1。经过不断调参，本发明中卷积神经网络的第一卷积层采用2个深度Ndepth＝1，尺寸为1×3的卷积核；第二层采用4个深度Ndepth＝2，尺寸为1×3的卷积核。
考虑到采用共空间模式算法只能提取脑电信号中的空间信息，并不能充分利用脑电的频域信息这一问题，本发明提取了α、θ、α和β四个经典频段脑电的空间特征，并在卷积神经网络的两层卷积层后设置具有特征通道权重自适应训练能力的SE-Net，对四个频段的深度特征信息进行权重训练，为对分类贡献度更高的特征赋予更高的权重，以实现对判别模型的优化。
SE-Net主要分为Squeeze、Excitation和Scale三步，网络的整体训练流程如下：
(1)Squeeze。假设“Squeeze”层的输入u为H×W×D的三维特征图，其中H和W表示每一频段二位特征的尺寸，D＝4，表示特征通道的数量(表示有4个频段的二位特征)。Squeeze层将每一个二位特征图通过全局平均池化转化为一个实数值，表示每一频段二维特征的全局分布。Squeeze层的计算流程如下：
Figure BDA0003557922280000081
(2)Excitation。以Squeeze层的输出作为其输入，后接两层隐藏层网络对权重进行训练，其中第一隐藏层的激活函数采用“Relu”函数，第二隐藏层采用“Sigmoid”函数。Excitation层的计算流程如下。其中W表示SE-Net网络的权值，δ和σ分别表示“Relu”和“Sigmoid”；
函数，sk表示输出的最终权重，是一个1×4的向量。
sk＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))；
(3)Scale。将获取到的权重向量sk与第二个卷积层输出的原始三维深度特征u相乘，得到加权之后的深度特征，计算流程如下：
u'k＝Fscale(uk,sk)＝sk×uk；
在完成卷积操作后，通过自适应权重训练模块对四个频段的脑电空间特征进行加权，并将四频段脑电特征展开融合，得到1×96的全连接特征向量，再经过一个1×128的隐藏层网络，最终通过1×2的softmax层输出分类结果(“选”或“不选”)。
具有自适应加权机制的卷积神经网络模型采用基于python的adam优化算法训练，损失函数采用binary cross-entropy函数，学习率设置为5×10-5，训练迭代次数设置为500。并设置dropout层防止过拟合，dropout_value设置为0.25。训练完成后，记录网络模型参数。
选取训练好的空间滤波器W的前m维向量与后m维向量组成的映射矩阵Wm与E1和E2相乘，完成空间滤波映射，将原始数据降维映射至新的空间中，并通过求取新空间中每一维数据的方差得到具有较高可分辨性的特征向量f1和f2。
Z1＝WmE1；
Z2＝WmE2；
f1＝log(1+var(Z1))；
f2＝log(1+var(Z2))；
针对空间滤波提取的四个频段的空间特征向量所组成的4×Ncsp(Ncsp表示每一频段特征的长度)的特征图，输入至具有自适应加权机制的卷积神经网络，为每一频段的深度特征赋予对应权重，对多频段特征进行进一步的深度挖掘并完成分类，实现对设计人员模型选择意图的判别。
S103，计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。将获取的用户意图转化为计算机指令，通过API传送至开源CAD软件(如FreeCAD)中，实现对模型的选择。
验证所提方案的可行性，本发明开展了一次模型选择实验，利用实验数据测试了该意图判别模型的效果。实验范式程序采用e-prime心理学研究软件编写，采用Neuronscan64脑电仪和Curry8脑电软件获取脑电数据，采样频率设置为500Hz，采用62个脑电通道。每一轮实验流程如下：
实验开始后，首先显示提示标语，向用户说明本轮实验所要选取的对象；
随后各种CAD中常见的几何对象序贯式的出现在屏幕上，每张图片出现1.5s。当用户看到目标对象时，通过点击鼠标左键表示选中。每轮实验出现10张几何图片，其中2张为目标图片，8张为非目标图片。
本实验一共招募了15名被试，每个被试完成120轮实验并获得1200个样本，其中正样本240个，负样本960个，每个样本为62×750的二维数组。采用随机降采样的方法选出240个负样本与240个正样本组成最终数据集。
单个被试数据的测试流程如下：
首先将该被试480个正负样本随机打乱，从中抽取80％作为训练集，20％作为测试集；
对训练集数据进行滤波、去伪迹等预处理；
利用预处理后的测试集数据训练空间滤波器和具有自适应机制的卷积神经网络；
对测试集数据进行滤波、去伪迹等预处理；
采用空间滤波器提取预处理后的测试集数据的空间特征；
将测试集空间特征放入卷积神经网络进行分类，记录最终的测试精度。
为验证本发明的优越性，发明者将实验数据带入其他两种已被提出的方法(“原始数据+CNN”方法、“CSP+CNN”方法)进行测试，并与本发明(“CSP+具有自适应加权机制的CNN”方法)的测试结果进行了对比，对比结果如表1下：
表1
Figure BDA0003557922280000101
Figure BDA0003557922280000111
本发明融入了SE-Net，使卷积神经网络具有自适应权重训练能力，为多频段的脑电特征赋予权重，进一步考虑了不同频段脑电数据对选择决策意图判别的不同贡献度，使得判别模型得以优化。
经过与两种已有方法对比，本发明所提出的模型平均识别精度更好，可以达到76％。
图3为本发明所提供的一种基于脑电信号的几何模型选择意图判别系统结构示意图，如图3所示，本发明所提供的一种基于脑电信号的几何模型选择意图判别系统，包括：
脑电特征提取模块301，用于根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；
选择意图判别结果确定模块302，用于根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
CAD指令映射模块303，用于计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。
本发明所提供的一种基于脑电信号的几何模型选择意图判别系统，还包括：
离线脑电信号获取模块，用于获取离线脑电信号；
离线数据预处理模模块，用于对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
多频段脑电数据获取模块，用于采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
空间滤波器构建模块，用于根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
所述脑电特征提取模块301具体包括：
脑电信号获取子模块，用于获取用户在使用CAD软件时产生的实时脑电信号；
脑电信号预处理子模块，用于对实时脑电信号进行预处理和采采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。
本发明所提供的一种基于脑电信号的几何模型选择意图判别系统，还包括：
具有自适应机制的卷积神经网络获取模块，用于获取具有自适应机制的卷积神经网络；
具有自适应机制的卷积神经网络训练模块，用于采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于脑电信号的几何模型选择意图判别方法，其特征在于，包括：
根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；
根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。
2.根据权利要求1所述的一种基于脑电信号的几何模型选择意图判别方法，其特征在于，所述根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征，之前还包括：
获取离线脑电信号；
对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
3.根据权利要求1所述的一种基于脑电信号的几何模型选择意图判别方法，其特征在于，所述根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征，具体包括：
获取用户在使用CAD软件时产生的实时脑电信号；
对实时脑电信号进行预处理和采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。
4.根据权利要求1所述的一种基于脑电信号的几何模型选择意图判别方法，其特征在于，所述根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果，之前还包括：
获取具有自适应机制的卷积神经网络；
采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
5.一种基于脑电信号的几何模型选择意图判别系统，其特征在于，包括：
脑电特征提取模块，用于根据实时脑电信号，利用空间滤波器提取四个不同频段的脑电特征；所述空间滤波器以脑电信号为输入，以四个不同频段的脑电特征为输出；
选择意图判别结果确定模块，用于根据四个不同频段的脑电特征，利用训练好的具有自适应机制的卷积神经网络，确定选择意图判别结果；所述选择意图判别结果包括：选择或不选择；
CAD指令映射模块，用于计算机辅助设计CAD软件根据所述选择意图判别结果进行模型选择操作。
6.根据权利要求5所述的一种基于脑电信号的几何模型选择意图判别系统，其特征在于，还包括：
离线脑电信号获取模块，用于获取离线脑电信号；
离线数据预处理模模块，用于对离线脑电信号进行预处理；所述预处理包括：滤波以及进行盲源分离；
多频段脑电数据获取模块，用于采用有限长单位冲激响应滤波器将预处理后的脑电信号，划分至四个不同频段；
空间滤波器构建模块，用于根据四个不同频段的脑电信号，采用共空间模式算法构建四个频段对应的空间滤波器；空间滤波器用于提取相应频段的脑电信号的脑电特征。
7.根据权利要求5所述的一种基于脑电信号的几何模型选择意图判别系统，其特征在于，所述脑电特征提取模块具体包括：
脑电信号获取子模块，用于获取用户在使用CAD软件时产生的实时脑电信号；
脑电信号预处理子模块，用于对实时脑电信号进行预处理和采用有限长单位冲激响应滤波器对实时脑电信号进行频段划分。
8.根据权利要求5所述的一种基于脑电信号的几何模型选择意图判别系统，其特征在于，还包括：
具有自适应机制的卷积神经网络获取模块，用于获取具有自适应机制的卷积神经网络；
具有自适应机制的卷积神经网络训练模块，用于采用基于python的adam优化算法训练具有自适应机制的卷积神经网络。
CN202210285159.7A 2022-03-22 2022-03-22 一种基于脑电信号的几何模型选择意图判别方法及系统 Pending CN114721514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210285159.7A CN114721514A (zh) 2022-03-22 2022-03-22 一种基于脑电信号的几何模型选择意图判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210285159.7A CN114721514A (zh) 2022-03-22 2022-03-22 一种基于脑电信号的几何模型选择意图判别方法及系统

Publications (1)

Publication Number Publication Date
CN114721514A true CN114721514A (zh) 2022-07-08

Family

ID=82240840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210285159.7A Pending CN114721514A (zh) 2022-03-22 2022-03-22 一种基于脑电信号的几何模型选择意图判别方法及系统

Country Status (1)

Country Link
CN (1) CN114721514A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383600A (zh) * 2023-03-16 2023-07-04 上海外国语大学 一种单试次脑电波信号分析方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383600A (zh) * 2023-03-16 2023-07-04 上海外国语大学 一种单试次脑电波信号分析方法和系统

Similar Documents

Publication Publication Date Title
CN109199414B (zh) 一种基于脑电信号的视听诱发情绪识别方法及系统
CN108960299B (zh) 一种多类运动想象脑电信号的识别方法
CN110353675B (zh) 基于图片生成的脑电信号情感识别方法及装置
Esfahani et al. Classification of primitive shapes using brain–computer interfaces
CN113693613B (zh) 脑电信号分类方法、装置、计算机设备及存储介质
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN112861604B (zh) 一种与用户无关的肌电动作识别与控制方法
CN112244873A (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
KR102077605B1 (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
CN104771163A (zh) 基于csp和r-csp算法的脑电信号特征提取方法
KR102105002B1 (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN113536882B (zh) 一种多类运动想象脑电信号特征提取及分类方法
CN113712573A (zh) 脑电信号分类方法、装置、设备及存储介质
CN109730818A (zh) 一种基于深度学习的假手控制方法
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN110110584A (zh) 一种基于cnn的情绪特征分类方法
CN113180692A (zh) 一种基于特征融合和注意力机制的脑电信号分类识别方法
CN112244878A (zh) 用并联型多模块cnn和lstm识别关键频带图像序列的方法
CN115804602A (zh) 基于注意力机制的多通道特征融合的脑电情绪信号检测方法、设备和介质
CN109872728A (zh) 基于核典型相关分析的语音和姿态双模态情感识别方法
CN114721514A (zh) 一种基于脑电信号的几何模型选择意图判别方法及系统
Lv et al. Common spatial pattern and particle swarm optimization for channel selection in BCI
CN111026267A (zh) Vr脑电意念控制接口系统
CN114781441A (zh) Eeg运动想象分类方法及多空间卷积神经网络模型

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