CN115105095B - 一种基于脑电信号的运动意图识别方法、系统和设备 - Google Patents
一种基于脑电信号的运动意图识别方法、系统和设备 Download PDFInfo
- Publication number
- CN115105095B CN115105095B CN202211036937.5A CN202211036937A CN115105095B CN 115105095 B CN115105095 B CN 115105095B CN 202211036937 A CN202211036937 A CN 202211036937A CN 115105095 B CN115105095 B CN 115105095B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- channel
- matrix
- spatial filter
- 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 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 51
- 210000004556 brain Anatomy 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 19
- 230000002087 whitening effect Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 16
- 230000008901 benefit Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 210000000578 peripheral nerve Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
Images
Classifications
-
- 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
- A61B5/7264—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (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脑电信号的运动意图识别方法、系统和设备,方法包括:设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果。本发明针对特定受试者选择对应的信道子集,在降低数据维度和计算复杂度的同时,能够保证采样信号精度;同时减少神经网络的训练参数数量,保持网络性能,以抑制过度拟合,进而使得输出的运动意图识别结果准确。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种基于脑电信号的运动意图识别方法、系统和设备。
背景技术
脑机接口(Brain Computer Interface,BCI)是一种不依赖于大脑外围神经与肌肉正常输出通道的通讯控制系统。运动意图是人在准备执行或想象运动时调用大脑与运动相关认知资源所作出的控制外周神经与骨骼肌肉完成预期动作的指令决策。通俗来讲,运动意图是指人在运动开始之前大脑有关运动的思想准备,或者是中央神经系统计划参与运动的初始思维状态。研究表明,可以通过分析脑电信号的相关特征检测运动意图。因此,运动意图可以作为BCI的控制指令,在肢体运动功能受损患者的运动功能恢复中或人体使用机械外骨骼进行辅助运动等场景中得到了广泛应用。
然而,由于脑电信号存在干扰性强和随机性强等缺陷,利用BCI系统采集多都通道的脑电信号时,通道中将包含许多不相关的信息和噪声,因此通常需要一个信号预处理步骤来对信号进行去噪等预处理,而对于特定的运动意图识别任务来说,系统达到最佳性能所需的通道位置和通道数量往往难以确定。为了解决上述问题,现有技术通过使用共空间模式(CSP)和贝叶斯分类器在保证较高的分类精度的前提下将信号通道数进行一定数量的减少,或者通过使用Fisher鉴别分类器和共空间模式来降低信号通道数量,实现数据降维。然而,上述方法无法针对特定受试者自动选择与受试者脑电信号最适配的信道数量,导致在适用于不同时识别结果的准确度较差。
基于上述,本申请亟需提出一种有效的方案来解决上述问题。
发明内容
本发明的目的是提供一种基于脑电信号的运动意图识别方法、系统和设备,用以至少解决现有技术中无法针对特定受试者来自动选择最适配的信道数量,导致在适用于不同运动识别任务时识别结果的准确度较差的技术问题。
为了实现上述目的,本发明采用以下技术方案:
一方面提供一种基于脑电信号的运动意图识别方法,包括:
设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果。
在一种可能的设计中,设定脑电信号的基础通道,包括:
将国际10-20标准中的C3通道、C4通道或Cz通道设定为脑电信号的基础通道。
在一种可能的设计中,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,包括:
基于皮尔逊相关系数算法模型分别计算脑电信号的基础通道与剩余每一信道的相关系数,计算公式如下:
其中,X表示脑电信号的基础通道的信号序列,Y表示剩余信道中的某一信道的信号序列,N表示每一信号序列的长度;
分别将每一相关系数与系数阈值进行比较,将相关系数大于系数阈值的信道进行集合,得到特定受试者的信道子集。
在一种可能的设计中,对信道子集中的脑电信号进行采集,包括:
利用信道选择电路接收ADC采样电路下发的通道选择指令,并触发所述信道选择电路开启信道子集;
利用与信道子集对应的脑电电极组件对受试者的原始脑电信号进行采集,并利用滤波电路对将原始脑电信号进行杂波滤除处理;
利用运放缓冲电路接收滤波处理后的原始脑电信号并进行增强处理,并将增强后的原始脑电信号传输至所述ADC采样电路,以便所述ADC采样电路对增强后的原始脑电信号进行模数转换,并将转换得到的数字脑电信号传输至信号处理电路进行信号处理。
在一种可能的设计中,在利用信道选择电路接收ADC采样电路下发的通道选择指令之前,所述方法还包括:
利用模式切换电路判断自身是否接收到ADC采样电路下发的模式切换指令,若否,则进一步利用信道选择电路接收ADC采样电路下发的通道选择指令,若是,则触发所述模式切换电路对所述模式切换指令进行响应,并切换开启阻抗测试通道;
利用脑电电机组件对受试者的脑电测试信号进行采集,并利用滤波电路对脑电测试信号进行杂波滤除处理;
利用所述ADC采样电路从所述阻抗测试通道中接收滤波处理后的脑电测试信号并进行模数转换,并将转换得到的数字脑电测试信号传输至信号处理电路进行信号处理。
在一种可能的设计中,利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量,包括:
其中,T表示矩阵的转置,表示第一类原始脑电信号的正交白化矩阵,表示第一类原始脑电信号的正交白化矩阵的转置,表示第二类原始脑电信号的正交白化矩阵,表示第二类原始脑电信号的正交白化矩阵的转置,表示第一类原始脑电信号的空间协方差矩阵的期望,表示第二类原始脑电信号的空间协方差矩阵的期望;
根据约束优化条件,基于拉格朗日乘数法构建最小化函数模型,函数表达式如下:
根据最小化函数模型,求解使得函数最小化的滤波器,将该滤波器作为最优空间滤波器,计算公式如下:
利用CSP矩阵对最优空间滤波器进行投影,得到特征矩阵,以便得到特征向量。
在一种可能的设计中,所述卷积神经网络包括4个卷积层、4个最大池化层、4个批归一化层、2个全连接层和1个softmax层,连接方式为:将1个卷积层、1个最大池化层和1个批归一化层依次连接,重复4次后依次连接2个全连接层和1个softmax层;其中,每一卷积层采用ReLU函数作为激活函数,softmax层采用softmax函数作为激活函数。
在一种可能的设计中,对信道子集中的脑电信号进行采集时,采样频率为1000Hz,并进一步降采样到100Hz,同时从0.05到200Hz进行带通滤波。
第二方面提供一种基于脑电信号的运动意图识别系统,包括:
信号采集模块,用于设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
特征提取模块,用于利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
分类训练模块,用于将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果。
第三方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
有益效果:
本发明通过设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集,从而可以根据特定受试者的脑电信号之间的线性相关性,选择与该特定受试者最相匹配的信道子集,在降低数据维度和计算复杂度的同时,能够保证采样信号精度;通过利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;通过将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果,从而利用卷积神经网络的参数共享的优势,使得在信道子集数据维度减少,数据量减少的前提下,神经网络的训练参数数量减少,但仍保持网络性能,同时利用稀疏连接的优势可以抑制过度拟合,进而使得输出的运动意图识别结果准确。
附图说明
图1为本发明实施例中的基于脑电信号的运动意图识别方法的流程图。
具体实施方式
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,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述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的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
实施例
为了解决现有技术中无法针对特定受试者来自动选择最适配的信道数量,导致在适用于不同运动识别任务时识别结果的准确度较差的技术问题,本申请实施例提供了一种基于脑电信号的运动意图识别方法,该方法可以根据特定受试者的脑电信号之间的线性相关性,选择与该特定受试者最相匹配的信道子集,在降低数据维度和计算复杂度的同时,能够保证采样信号精度;通过将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果,从而利用卷积神经网络的参数共享的优势,使得在信道子集数据维度减少,数据量减少的前提下,神经网络的训练参数数量减少,但仍保持网络性能,同时利用稀疏连接的优势可以抑制过度拟合,进而使得输出的运动意图识别结果准确。
下面将对本申请实施例提供的基于脑电信号的运动意图识别方法进行详细说明。
其中,需要说明的是,本申请实施例提供的基于脑电信号的运动意图识别方法可应用于任意使用安卓系统或ios系统的终端设备来运行,其中,终端设备包括但不限于笔记本电脑、台式电脑或工业计算机等,此处不做限定;为便于描述,除特别说明外,本申请实施例均以台式电脑为执行主体进行说明。可以理解,所述执行主体并不构成对本申请实施例的限定,在其他的一些实施例中可以采用其他类型的终端设备作为执行主体,此处不再赘述。
如图1所示,是本申请实施例提供的基于脑电信号的运动意图识别方法的流程图,所述基于脑电信号的运动意图识别方法包括但不限于由步骤S1~S3实现:
步骤S1.设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
其中,需要说明的是,在步骤S1中,脑电信号的通道采用10-20国际标准导联系统规定的电极布置方法所对应的信号通道,包括额极中点(Fpz)、额中点(Fz)、中央点(Cz)、顶点(Pz)、枕点(Oz)、左颞中(T3)、右颞中(T4)、左中央(C3)、右中央(C4)、左额极(Fp1 )、右额极(Fp2 )、左前颞(F7)、右前颞(F8)、左后颞(T5)、右后颞(T6)、左枕(O1)、右枕(O2)、左额(F3)、右额(F4)点、左顶(P3)以及右顶(P4)点。其中,由于C3、C4和Cz是与运动意图相关的脑电信号分布最为密集的区域,因此,本实施例优选将C3通道、C4通道或Cz通道设定为脑电信号的基础通道,从而实现后续对多维通道数据进行降维的目的,进而降低计算复杂度。
其中,需要说明的是,本实施例中的皮尔逊相关系数计算模型(Pearsoncorrelation coefficient),又称皮尔逊积矩相关系数(Pearson product-momentcorrelation coefficient,简称PPMCC或PCCs)是现有的算法模型,其算法原理为用于度量两个变量X和Y之间的线性相关性,其值介于-1与1之间,且绝对值越大,相关性越强。本实施例通过将皮尔逊相关系数算法引入到脑电信号信号通道的自主选择中,能够对高维度的脑电信号数据进行有效降维,进行降低计算机的运算量。
在步骤S1中,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,包括:
步骤S11.基于皮尔逊相关系数算法模型分别计算脑电信号的基础通道与剩余每一信道的相关系数,计算公式如下:
其中,X表示脑电信号的基础通道的信号序列,Y表示剩余信道中的某一信道的信号序列,N表示每一信号序列的长度;
步骤S12.分别将每一相关系数与系数阈值进行比较,将相关系数大于系数阈值的信道进行集合,得到特定受试者的信道子集。
其中,优选的,本实施例中的相关系数可以设置为0.5、0.6、0.7或0.8等,具体可以根据适用的运动意图识别任务场景或受试者个体的不同进行调整,此处不做限定,优选的,本实施例采用0.7的相关系数对信号通道进行筛选。
基于上述,由于每一受试者个体的不同,其产生的脑电信号必然存在区别,因此,如果仅仅通过减少固定信道的方式来降低信号维度,显然存在不合理之处,比如:有可能受试者A的额极中点(Fpz)电极采集到的脑电信号包含有用信息,受试者B的额中点(Fz)电极采集到的脑电信号包含有用信息,若采用统一标准信道进行采用,例如仅采集受试者额极中点(Fpz)电极的脑电信号,或者仅采集额中点(Fz)的脑电信号,都不能准确反映受试者的运动意图。因此,本申请实施例通过利用皮尔逊相关系数来分别计算每一特定受试者两两电极组件采集到的信号序列之间的相关系数,由于是针对具体的受试者进行计算,因此得到的计算结果,即信道子集是与该受试者高度匹配的,能够准确反映受试者的脑电信号采集情况。
在步骤S1中,在信号采集之前,需要将电极帽配戴于受试者头部,然后利用脑电信号采集电路对脑电信号进行采集,包括:
步骤S13.利用信道选择电路接收ADC采样电路下发的通道选择指令,并触发所述信道选择电路开启信道子集;
其中,需要说明的是,本实施例中的信道选择电路用于控制与每一电极组件连接的信号通道,相当于一个开关电路,当接收到ADC采样电路下发的通道选择指令后,通过解析指令内容选择对应的信道子集并开启;其中,需要说明的是,本实施例中的ADC采样电路是由信号处理电路控制,信号处理电路可以设置在计算机CPU中,具体的,脑电采集人员可以通过预先在CPU中进行编程,设定相应的通道选择控制指令,或者通过调用外挂的通道选择组件生成通道选择控制指令,并由CPU向ADC采样电路下发通道选择控制指令,ADC采样单元在对指令进行解析后生成通道选择指令并下发至通道选择电路。
步骤S14.利用与信道子集对应的脑电电极组件对受试者的原始脑电信号进行采集,并利用滤波电路对将原始脑电信号进行杂波滤除处理;
其中,需要说明的是,本实施例在对信道子集中的脑电信号进行采集时,优选的,设置采样频率为1000Hz,并进一步降采样到100Hz,同时从0.05到200Hz进行带通滤波,优选的,本实施例中的滤波电路采用切比雪夫滤波器,以对脑电信号做0.05到200Hz的滤波。
步骤S15.利用运放缓冲电路接收滤波处理后的原始脑电信号并进行增强处理,并将增强后的原始脑电信号传输至所述ADC采样电路,以便所述ADC采样电路对增强后的原始脑电信号进行模数转换,并将转换得到的数字脑电信号传输至信号处理电路进行信号处理。
其中,需要说明的是,由于脑电信号非常微弱,通过设置运放缓冲电路,可以将脑电信号进行增强,得到信号较强的脑电信号,便于后续的信号处理。
其中,优选的,所述信号处理电路对数字脑电信号的处理方式包括但不限于:电极定位、剔除无用电极、重参考、分段和基线校正。
优选的,在步骤S1中,在利用信道选择电路接收ADC采样电路下发的通道选择指令之前,所述方法还包括:
步骤S16.利用模式切换电路判断自身是否接收到ADC采样电路下发的模式切换指令,若否,则进一步利用信道选择电路接收ADC采样电路下发的通道选择指令,若是,则触发所述模式切换电路对所述模式切换指令进行响应,并切换开启阻抗测试通道;
步骤S17.利用脑电电机组件对受试者的脑电测试信号进行采集,并利用滤波电路对脑电测试信号进行杂波滤除处理;
步骤S18.利用所述ADC采样电路从所述阻抗测试通道中接收滤波处理后的脑电测试信号并进行模数转换,并将转换得到的数字脑电测试信号传输至信号处理电路进行信号处理。
基于上述公开的内容,本实施例通过设置模式切换电路,可以为脑电信号采集电路提供不同的运行模式,以满足采集人员不同的使用需求,当切换至阻抗测试模式时,通过直接接入ADC采样电路而不经过运放缓冲,可以在外部激励信号保持不变的情况下最大程度保证接触阻抗的测量准确度。
步骤S2.利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
其中,需要说明的是,本实施例中共空间模式算法的基础算法原理为现有的算法原理,因此不再赘述;本实施例对算法的改进之处在于对算法加入了约束条件,从而得到最优空间滤波器,具体如下文所述,优选的,本实施例中的共空间模式算法采用3对空间滤波器进行特征提取。
在步骤S2中,利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量,包括:
步骤S21.利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量,包括:
其中,T表示矩阵的转置,表示第一类原始脑电信号的正交白化矩阵,表示第一类原始脑电信号的正交白化矩阵的转置,表示第二类原始脑电信号的正交白化矩阵,表示第二类原始脑电信号的正交白化矩阵的转置,表示第一类原始脑电信号的空间协方差矩阵的期望,表示第二类原始脑电信号的空间协方差矩阵的期望;
步骤S22.假设空间滤波器在进行重新缩放时,初等矩阵保持不变,即,其中,表示实常数,表明滤波器的重新缩放是任意的,则最小化初等矩阵相当于在的约束下,最小化;因为总有一种可能的方法能够找到的重缩放因子使得该约束条件成立;
步骤S23. 根据约束优化条件,基于拉格朗日乘数法构建最小化函数模型,函数表达式如下:
步骤S24..根据最小化函数模型,求解使得函数最小化的滤波器,将该滤波器作为最优空间滤波器,计算公式如下:
步骤S25.利用CSP矩阵对最优空间滤波器进行投影,得到特征矩阵,以便得到特征向量,具体的,将特征矩阵中的特征提取为所选频带内脑电信号空间矩阵协方差的对数。
步骤S3.将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果。
在步骤S3.中,所述卷积神经网络包括4个卷积层、4个最大池化层、4个批归一化层、2个全连接层和1个softmax层,连接方式为:将1个卷积层、1个最大池化层和1个批归一化层依次连接,重复4次后依次连接2个全连接层和1个softmax层;其中,每一卷积层采用ReLU函数作为激活函数,softmax层采用softmax函数作为激活函数。更优选的,卷积层的卷积核为3,第一个卷积层的步长为2×1,其余三个的卷积层步长为1×1,第一个全连接层输出空间维度为3648,第2个全连接层的输出空间维度为128,该softmax层使用softmax函数进行三分类。
基于上述公开的内容,本申请实施例通过设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集,从而可以根据特定受试者的脑电信号之间的线性相关性,选择与该特定受试者最相匹配的信道子集,在降低数据维度和计算复杂度的同时,能够保证采样信号精度;通过利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;通过将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果,从而利用卷积神经网络的参数共享的优势,使得在信道子集数据维度减少,数据量减少的前提下,神经网络的训练参数数量减少,但仍保持网络性能,同时利用稀疏连接的优势可以抑制过度拟合,进而使得输出的运动意图识别结果准确。
第二方面提供一种基于脑电信号的运动意图识别系统,包括:
信号采集模块,用于设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
特征提取模块,用于利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
分类训练模块,用于将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见如上第一方面或第一方面中任意一种可能设计所述的方法,于此不再赘述。
第三方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器;所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、GPRS(General Packet RadioService,通用分组无线服务技术)无线收发器和/或ZigBee(紫蜂协议,基于IEEE802 .15.4标准的低功耗局域网协议)无线收发器等。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见如上第一方面或第一方面中任意一种可能设计所述的方法,于此不再赘述。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如上第一方面或第一方面中任意一种可能设计所述的方法,于此不再赘述。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于脑电信号的运动意图识别方法。
本实施例第五方面提供的前述包含指令的计算机程序产品的工作过程、工作细节和技术效果,可以参见如上第一方面或第一方面中任意一种可能设计所述的方法,于此不再赘述。
最后应说明的是: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的保护范围。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 (8)
1.一种基于脑电信号的运动意图识别方法,其特征在于,包括:
设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果;
基于皮尔逊相关系数算法模型计算特定受试者的信道子集,包括:
基于皮尔逊相关系数算法模型分别计算脑电信号的基础通道与剩余每一信道的相关系数,计算公式如下:
其中,X表示脑电信号的基础通道的信号序列,Y表示剩余信道中的某一信道的信号序列,N表示每一信号序列的长度;
分别将每一相关系数与系数阈值进行比较,将相关系数大于系数阈值的信道进行集合,得到特定受试者的信道子集;
利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量,包括:
其中,T表示矩阵的转置,表示第一类原始脑电信号的正交白化矩阵,表示第一类
原始脑电信号的正交白化矩阵的转置,表示第二类原始脑电信号的正交白化矩阵,
表示第二类原始脑电信号的正交白化矩阵的转置,表示第一类原始脑电信号的空间协方
差矩阵的期望,表示第二类原始脑电信号的空间协方差矩阵的期望;
根据约束优化条件,基于拉格朗日乘数法构建最小化函数模型,函数表达式如下:
根据最小化函数模型,求解使得函数最小化的滤波器,将该滤波器作为最优空间滤波器,计算公式如下:
利用CSP矩阵对最优空间滤波器进行投影,得到特征矩阵,以便得到特征向量。
2.根据权利要求1所述的基于脑电信号的运动意图识别方法,其特征在于,设定脑电信号的基础通道,包括:
将国际10-20标准中的C3通道、C4通道或Cz通道设定为脑电信号的基础通道。
3.根据权利要求1所述的基于脑电信号的运动意图识别方法,其特征在于,对信道子集中的脑电信号进行采集,包括:
利用信道选择电路接收ADC采样电路下发的通道选择指令,并触发所述信道选择电路开启信道子集;
利用与信道子集对应的脑电电极组件对受试者的原始脑电信号进行采集,并利用滤波电路对将原始脑电信号进行杂波滤除处理;
利用运放缓冲电路接收滤波处理后的原始脑电信号并进行增强处理,并将增强后的原始脑电信号传输至所述ADC采样电路,以便所述ADC采样电路对增强后的原始脑电信号进行模数转换,并将转换得到的数字脑电信号传输至信号处理电路进行信号处理。
4.根据权利要求3所述的基于脑电信号的运动意图识别方法,其特征在于,在利用信道选择电路接收ADC采样电路下发的通道选择指令之前,所述方法还包括:
利用模式切换电路判断自身是否接收到ADC采样电路下发的模式切换指令,若否,则进一步利用信道选择电路接收ADC采样电路下发的通道选择指令,若是,则触发所述模式切换电路对所述模式切换指令进行响应,并切换开启阻抗测试通道;
利用脑电电机组件对受试者的脑电测试信号进行采集,并利用滤波电路对脑电测试信号进行杂波滤除处理;
利用所述ADC采样电路从所述阻抗测试通道中接收滤波处理后的脑电测试信号并进行模数转换,并将转换得到的数字脑电测试信号传输至信号处理电路进行信号处理。
5.根据权利要求1所述的基于脑电信号的运动意图识别方法,其特征在于,所述卷积神经网络包括4个卷积层、4个最大池化层、4个批归一化层、2个全连接层和1个softmax层,连接方式为:将1个卷积层、1个最大池化层和1个批归一化层依次连接,重复4次后依次连接2个全连接层和1个softmax层;其中,每一卷积层采用ReLU函数作为激活函数,softmax层采用softmax函数作为激活函数。
6.根据权利要求1所述的基于脑电信号的运动意图识别方法,其特征在于,对信道子集中的脑电信号进行采集时,采样频率为1000Hz,并进一步降采样到100Hz,同时从0.05到200Hz进行带通滤波。
7.一种基于脑电信号的运动意图识别系统,其特征在于,包括:
信号采集模块,用于设定脑电信号的基础通道,基于皮尔逊相关系数算法模型计算特定受试者的信道子集,并对信道子集中的脑电信号进行采集;
特征提取模块,用于利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量;
分类训练模块,用于将特征向量输入到卷积神经网络中进行分类训练,得到特定受试者的运动意图识别结果;
基于皮尔逊相关系数算法模型计算特定受试者的信道子集,包括:
基于皮尔逊相关系数算法模型分别计算脑电信号的基础通道与剩余每一信道的相关系数,计算公式如下:
其中,X表示脑电信号的基础通道的信号序列,Y表示剩余信道中的某一信道的信号序列,N表示每一信号序列的长度;
分别将每一相关系数与系数阈值进行比较,将相关系数大于系数阈值的信道进行集合,得到特定受试者的信道子集;
利用共空间模式算法创建最优空间滤波器,并利用最优空间滤波器对采集到的脑电信号进行特征提取,得到特征向量,包括:
其中,T表示矩阵的转置,表示第一类原始脑电信号的正交白化矩阵,表示第一类
原始脑电信号的正交白化矩阵的转置,表示第二类原始脑电信号的正交白化矩阵,表
示第二类原始脑电信号的正交白化矩阵的转置,表示第一类原始脑电信号的空间协方差
矩阵的期望,表示第二类原始脑电信号的空间协方差矩阵的期望;
根据约束优化条件,基于拉格朗日乘数法构建最小化函数模型,函数表达式如下:
根据最小化函数模型,求解使得函数最小化的滤波器,将该滤波器作为最优空间滤波器,计算公式如下:
利用CSP矩阵对最优空间滤波器进行投影,得到特征矩阵,以便得到特征向量。
8.一种计算机设备,其特征在于,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1-6任意一项所述的基于脑电信号的运动意图识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036937.5A CN115105095B (zh) | 2022-08-29 | 2022-08-29 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036937.5A CN115105095B (zh) | 2022-08-29 | 2022-08-29 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115105095A CN115105095A (zh) | 2022-09-27 |
CN115105095B true CN115105095B (zh) | 2022-11-18 |
Family
ID=83335288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036937.5A Active CN115105095B (zh) | 2022-08-29 | 2022-08-29 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115105095B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
CN112884063A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 基于多元时空卷积神经网络的p300信号检测识别方法 |
CN113397552A (zh) * | 2021-05-12 | 2021-09-17 | 肇庆美兰特科技有限公司 | 一种新型脑电信号采集方法及系统 |
WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
CN113887374A (zh) * | 2021-09-27 | 2022-01-04 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水系统 |
CN114081505A (zh) * | 2021-12-23 | 2022-02-25 | 成都信息工程大学 | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017528301A (ja) * | 2014-09-22 | 2017-09-28 | ボストン サイエンティフィック ニューロモデュレイション コーポレイション | 疼痛管理のためにパワースペクトル又は信号関連性を使用するデバイス及び方法 |
CN107174262B (zh) * | 2017-05-27 | 2021-02-02 | 西南交通大学 | 注意力评测方法和系统 |
CN108852348A (zh) * | 2018-05-14 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 头皮脑电的采集位点排序方法及系统 |
KR102361005B1 (ko) * | 2018-11-15 | 2022-02-10 | 고려대학교 산학협력단 | 상관관계와 필터 뱅크 csp 특징의 피셔 비율을 이용한 bci를 위한 최적 전극 선택 장치 및 방법 |
CN110584660B (zh) * | 2019-09-05 | 2022-02-15 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
CN112971809A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑节律信息检测方法、装置及电子设备 |
CN113967022B (zh) * | 2021-11-16 | 2023-10-31 | 常州大学 | 一种基于个体自适应的运动想象脑电特征表征方法 |
CN114533086B (zh) * | 2022-02-21 | 2023-10-24 | 昆明理工大学 | 一种基于空域特征时频变换的运动想象脑电解码方法 |
-
2022
- 2022-08-29 CN CN202211036937.5A patent/CN115105095B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
WO2021237918A1 (zh) * | 2020-05-25 | 2021-12-02 | 五邑大学 | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 |
CN112884063A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 基于多元时空卷积神经网络的p300信号检测识别方法 |
CN113397552A (zh) * | 2021-05-12 | 2021-09-17 | 肇庆美兰特科技有限公司 | 一种新型脑电信号采集方法及系统 |
CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
CN113887374A (zh) * | 2021-09-27 | 2022-01-04 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水系统 |
CN114081505A (zh) * | 2021-12-23 | 2022-02-25 | 成都信息工程大学 | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115105095A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122788B (zh) | 一种基于心电信号的身份识别方法及装置 | |
CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
CN110151203B (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
CN106725433B (zh) | 一种心电监测方法及系统 | |
CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
WO2020228420A1 (zh) | 降噪自编码器的训练方法、心电信号的降噪方法及其装置 | |
CN105786189B (zh) | 一种基于肌动信号的指部独立动作识别方法及系统 | |
CN113180704A (zh) | 一种基于eeg脑波的睡眠纺锤波检测方法、系统 | |
CN117520826B (zh) | 一种基于可穿戴设备的多模态情绪识别方法及系统 | |
CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
CN111067517B (zh) | 基于静息态脑电特征的运动想象响应能力筛选方法 | |
CN115105095B (zh) | 一种基于脑电信号的运动意图识别方法、系统和设备 | |
CN114242202A (zh) | 脑卒中手部康复训练方法、装置及系统 | |
CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
CN111461206B (zh) | 一种方向盘嵌入脑电传感器的基于脑电的疲劳检测方法 | |
KR20220008601A (ko) | 생체 신호를 획득하는 전자 장치 및 그 운용 방법 | |
CN113128398B (zh) | 一种基于眼电信号的远程拍照系统 | |
CN115859086A (zh) | 一种基于趣味任务和实时脑电信号的认知调节方法及系统 | |
CN113070875A (zh) | 一种基于脑波识别的机械手控制方法及装置 | |
CN115105093A (zh) | 基于功率谱密度预确定频率带的eeg信号分类识别方法 | |
CN114781461A (zh) | 一种基于听觉脑机接口的目标探测方法与系统 | |
CN113180663A (zh) | 一种基于卷积神经网络的情绪识别方法、系统 | |
CN113208628A (zh) | 一种基于eeg信号的抑郁状态检测方法及系统 | |
CN206792403U (zh) | 一种心电监测系统 | |
CN111990992A (zh) | 一种基于脑电的自主运动意图识别方法及系统 |
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 |