CN115721323A - 一种脑机接口信号识别方法、系统及电子设备 - Google Patents
一种脑机接口信号识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN115721323A CN115721323A CN202211465471.0A CN202211465471A CN115721323A CN 115721323 A CN115721323 A CN 115721323A CN 202211465471 A CN202211465471 A CN 202211465471A CN 115721323 A CN115721323 A CN 115721323A
- Authority
- CN
- China
- Prior art keywords
- brain
- signal
- magnetoencephalography
- electroencephalogram
- 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
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本说明书公开了一种脑机接口信号识别方法、系统及电子设备，能够实现对MI‑EEG/MEG信号的高精度识别分类。所述方法包括：获取原始脑电/脑磁信号并进行预处理生成脑电/脑磁测量信号，在测量空间中提取相应的全局特征信息；将脑电/脑磁测量信号转换为脑电/脑磁源信号，在源空间中提取相应的细节特征信息；利用跨空间融合卷积神经网络获取全局特征信息与细节特征信息的融合特征信息，根据融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。所述系统包括原始信号获取模块、频带分析模块、全局特征提取模块、脑源成像模块、细节特征提取模块与跨空间融合模块。所述电子设备中处理器用于执行所述脑机接口信号识别方法。
Description
技术领域
本发明涉及脑信息处理技术领域，具体涉及一种脑机接口信号识别方法、系统及电子设备。
背景技术
脑机接口(Brain Computer Interface，BCI)是一种通过构建大脑和外部设备之间不依赖于外周神经和肌肉组织通路从而实现信息交换的技术，它在游戏娱乐、工业流程、航空航天以及康复医学工程等领域都有着广泛的应用前景。基于非侵入式脑电(Electroencephalogram，EEG)/脑磁(Magnetoencephalography，MEG)信号的BCI可以以低成本和无风险的方式监测邻近脑颅的整个大脑的大规模神经元活动，被广泛应用于BCI领域的脑活动记录方法中。运动想象(Motor Imagery，MI)范式是BCI的主要范式之一，运动想象脑电/脑磁信号(MI-EEG/MEG)具有空间分布的特性，即对于不同运动想象任务受试者脑皮层对应的激活区域不同，对应获取的EEG/MEG在空间分布上也会产生差异，基于此特性对运动意向进行识别和解码的方法被广泛地应用于MI-BCI系统中。
针对MI-EEG/MEG的一种解码方式是基于测量空间的BCI解码，是基于头皮空间多导联EEG/MEG进行特征提取并识别，这样的解码方式对BCI信号精细空间特征表达不够准确，制约了分类精度的进一步提升。针对MI-EEG/MEG的另一种解码方式是基于源空间的BCI解码，利用脑电/脑磁源成像ESI(EEG/MEG Source Imaging)技术将头皮上的信号映射到皮层的源分布上完成EEG/MEG信号的溯源，在保留高时间分辨率的同时，还提升了空间分辨率，但这种解码方法存在信号非真实以及无法表征全局信息的限制。
发明内容
有鉴于此，本说明书实施例提供了一种脑机接口信号识别方法、系统及电子设备，能够实现对MI-EEG/MEG信号的高精度识别分类。
在一方面，本说明书实施例提供了一种脑机接口信号识别方法，包括：
获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号；
通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号；
将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号；
采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
可选的，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号，包括：
对所述原始脑电/脑磁信号进行滤波、去除眼动伪影及基线校正处理，生成脑电/脑磁校正信号；
针对所述脑电/脑磁校正信号进行数据扩增，生成所述脑电/脑磁测量信号。
可选的，通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，包括：
针对所述脑电/脑磁测量信号进行时频分解，将所述脑电/脑磁测量信号划分为多个子频带，并确定多个所述子频带相应的子带能量系数；
以所述子带能量系数最大的所述子频带为种子点，采用种子生长法选取多个所述子频带组合形成所述主节律通带。
可选的，将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息，包括：
对所述主节律测量信号进行分组并进行共空间特征提取，使得分组结果中每组所述子信号与其他组所述子信号之间的差异最大化；
确定所述子信号相应的空间特征，将多组所述子信号对应的所述空间特征进行拼接以生成所述全局特征信息。
可选的，采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号，包括：
确定所述脑电/脑磁测量信号对应的原始数据来源，确定与所述原始数据来源相对应的头模型与源模型；
将所述脑电/脑磁测量信号相应的脑电/脑磁极与所述头部模型进行配准；
基于所述头模型与所述源模型确定从测量空间映射到源空间之间的传导矩阵；
根据所述传导矩阵将所述脑电/脑磁测量信号转换为所述脑电/脑磁源信号；
其中，所述原始数据来源包括私人数据集与公共数据集；
所述确定与所述原始数据来源相对应的头模型与源模型，包括：
响应于所述原始数据来源为所述公共数据集，选用所述公共数据集对应的通用的头模型与源模型；
响应于所述原始数据来源为所述私人数据集，获取所述私人数据集对应受试者的磁共振解剖信息，根据所述磁共振解剖信息创建与所述受试者对应的私人的头模型与源模型。
可选的，所述脑电/脑磁源信号包括源空间中的电流偶极子分布信息；
采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，包括：
采用聚类算法，将激活强度与分布位置作为约束对所述源空间中多个电流偶极子进行聚类，筛选确定出多个处于强激活状态的集中簇，并根据多个所述集中簇确定所述关键区域。
可选的，利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图，包括：
利用卷积神经网络从所述全局特征信息中提取隐含全局特征信息；
利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息；
将所述隐含全局特征信息与所述隐含细节特征信息融合生成融合特征矩阵；
对所述融合特征矩阵进行深层特征挖掘与整合，并针对整合后的深层特征进行分类处理，根据分类结果确定所述运动意图。
可选的，利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息，包括：
先后利用不同感受野的卷积层对所述细节特征信息进行处理，从所述细节特征信息中提取细节时间信息与细节空间信息，所述隐含细节特征信息包括所述细节时间信息与所述细节空间信息。
在第二方面，本说明书实施例还提供了一种脑机接口信号识别系统，包括：
原始信号获取模块，用于获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号；
频带分析模块，用于对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号；
全局特征提取模块，用于将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
脑源成像模块，用于采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号；
细节特征提取模块，用于采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
跨空间融合模块，用于利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
在第三方面，本说明书实施例还提供了一种跨空间融合的MI-EEG/MEG识别电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的脑机接口信号识别方法。
从上面可以看出，本说明书实施例所提供的一种脑机接口信号识别方法、系统及电子设备，具有以下有益技术效果：
对所述原始脑电/脑磁信号进行预处理生成所述脑电/脑磁测量信息，在测量空间中，针对所述脑电/脑磁测量信号确定相应的特定主节律，提取相应的主节律测量信号并基于所述主节律特征信号确定测量空间下的全局特征信息；针对源空间，则首先将所述脑电/脑磁测量信号映射转换为源空间下的所述脑电/脑磁源信号，再确定所述脑电/脑磁源信号中的关键区域，提取所述关键区域相应的时间序列信号作为源空间下的细节特征信息；之后再利用跨空间融合卷积神经网络提取所述全局特征信息、所述细节特征信息相应的隐含特征信息并进行融合，最终基于同时涵盖有测量空间的全局特征信息以及源空间的细节特征信息融合特征信息进行分类识别，这样的方式将测量空间的全局特征信息与源空间的细节特征信息融合处理，这样的方式能够克服源空间解码方式的非真实非全局限制，提高测量空间解码方式的空间分辨率，实现对MI-EEG/MEG信号的高精度识别分类。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法示意图；
图2示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中对所述原始脑电/脑磁信号进行预处理的方法示意图；
图3示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中确定主节律通带的方法示意图；
图4示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中生成全局特征信息的方法示意图；
图5示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中将所述脑电/脑磁测量信号转换为脑电/脑磁源信号的方法示意图；
图6示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中跨空间融合卷积神经网络提取融合特征信息确定运动意图的方法示意图；
图7示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中跨空间融合卷积神经网络结构示意图；
图8示出了本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统结构示意图；
图9示出了本说明书一个或多个可选实施例所提供的一种跨空间融合的MI-EEG/MEG识别电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
脑机接口BCI(Brain Computer Interface)是一种通过构建大脑和外部设备之间不依赖于外周神经和肌肉组织通路从而实现信息交换的技术，它在游戏娱乐、工业流程、航空航天以及康复医学工程等领域都有着广泛的应用前景。基于非侵入式脑电/脑磁EEG/MEG(Electroencephalogram)信号的BCI可以以低成本和无风险的方式监测邻近脑颅的整个大脑的大规模神经元活动，被广泛应用于BCI领域的脑活动记录方法中。运动想象MI(MotorImagery)范式是BCI的主要范式之一，运动想象脑电/脑磁信号(MI-EEG/MEG)具有空间分布的特性，即对于不同运动想象任务受试者脑皮层对应的激活区域不同，对应获取的EEG/MEG在空间分布上也会产生差异，基于此特性对运动意向进行识别和解码的方法被广泛地应用于MI-BCI系统中。
针对MI-EEG/MEG的一种解码方式是基于测量空间的BCI解码，是基于头皮空间多导联EEG/MEG进行特征提取并识别。近年来，通过提取多导联EEG/MEG信号的时域、频域、空域特性进行信号分类的方法已经得到了一定程度的发展。有研究通过直接提取左右脑电/脑磁信号mu节律频谱振幅差异特征的方法实现虚拟直升机三维控制。尽管测量空间BCI近些年得到了快速发展，但仍然存在各种限制。虽然EEG/MEG拥有着超高的时间分辨率，但是相对于颅内神经电活动源的数量来说空间分辨率较低，并且已经不能够通过增加电极个数的方式来解决。由于每个脑电/脑磁电极所记录的信号是颅内多个神经源耦合的结果，对于BCI信号精细空间特征表达不够准确，制约着分类精度的进一步提升。
针对MI-EEG/MEG的另一种解码方式是基于源空间的BCI解码，利用脑电/脑磁源成像ESI(EEG/MEG Source Imaging)技术将头皮上的信号映射到皮层的源分布上完成EEG/MEG信号的溯源，在保留高时间分辨率的同时，还提升了空间分辨率。然而ESI本质上是一种基于模型的神经成像技术，一方面，其提供的信号是通过计算得到的而非真实的，另一方面由于在源空间中引入了大量的偶极子，容易产生过拟合现象，因此需要人工筛选出与MI任务高度相关的偶极子，在这个过程中不可避免地会引入一些人工伪迹或者是人工信息。从整体考虑，经过筛选之后的部分脑区无法表征大脑皮层的全局信息。即使基于源空间的解码方式拥有诸多的优点，并且已经表现出一定的优越性，但是如何突破其非真实且局部的限制是一种挑战。
针对上述问题，本说明书实施例的目的在于提出一种跨空间融合卷积神经网络(cross-space fusion convolutional neural network,CS-CNN)算法，分别在测量空间和源空间提取MI-EEG/MEG信号的定制化内在特征，将两个空间的时空频域特征送入卷积神经网络，通过挖掘和融合深层次的特征，实现MI-EEG/MEG信号识别分类。
基于上述目的，在一方面，本说明书实施例提供了一种脑机接口信号识别方法。
如图1所示，本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法，包括：
S1：获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号。
所述原始脑电/脑磁信号为利用头皮多导联电极所获取的测量空间中的EEG/MEG信号。所述原始脑电/脑磁信号可以从公共数据集和私人数据集中获取。其中，公共数据集可以是BCI竞赛数据，所述私人数据集则通过对多个受试者进行MI试验收集。
在获取到所述原始脑电/脑磁信号后，可以对所述原始脑电/脑磁信号进行预处理，从中提取包括主体信息的信号，并滤除干扰信号。
S2：通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号。
可以对所述脑电/脑磁测量信号进行频带分析，以确定所述脑电/脑磁测量信号中包含主要特征信息的信号部分所对应的主节律，从而根据主节律信号提取出所述主节律测量信号。所述主节律测量信号包含所述脑电/脑磁测量信号的大部分信号能量。
S3：将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
对所述主节律测量信号进行分组并进行共空间模式CSP(Common SpatialPattern)特征提取，最大化不同主节律测量信号之间的差距以凸显每类所述主节律测量信号的特征。从而在测量空间中确定EEG/MEG信号的所述全局特征信息。
S4：采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号。
可以通过脑源成像算法ESI将测量空间的所述脑电/脑磁测量信号映射转换的到脑皮质源空间中，得到所述脑电/脑磁源信号。
S5：采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
所述脑电/脑磁源信号包括多个电流偶极子分布信息，可以根据多个电流偶极子的激活强度及分类情况进行聚类，确定出与MI任务高度相关的关键区域。进而，可以关注所述关键区域进行特征提取以获取到源空间中的细节特征信息。
S6：利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
利用跨空间融合卷积神经网络分别针对所述全局特征信息与所述细节特征信息提取隐含特征，进一步的将隐含全局特征信息与隐含细节特征信息进行跨空间融合，最终基于同时涵盖有测量空间的全局特征信息以及源空间的细节特征信息融合特征信息进行分类识别，从而根据分类结果确定所述原始脑电/脑磁信号对应的运动意图。
所述脑机接口信号识别方法，对所述原始脑电/脑磁信号进行预处理生成所述脑电/脑磁测量信息，在测量空间中，针对所述脑电/脑磁测量信号确定相应的特定主节律，提取相应的主节律测量信号并基于所述主节律特征信号确定测量空间下的全局特征信息；针对源空间，则首先将所述脑电/脑磁测量信号映射转换为源空间下的所述脑电/脑磁源信号，再确定所述脑电/脑磁源信号中的关键区域，提取所述关键区域相应的时间序列信号作为源空间下的细节特征信息；之后再利用跨空间融合卷积神经网络提取所述全局特征信息、所述细节特征信息相应的隐含特征信息并进行融合，最终基于同时涵盖有测量空间的全局特征信息以及源空间的细节特征信息融合特征信息进行分类识别，这样的方式将测量空间的全局特征信息与源空间的细节特征信息融合处理，这样的方式能够克服源空间解码方式的非真实非全局限制，提高测量空间解码方式的空间分辨率，实现对MI-EEG/MEG信号的高精度识别分类。
如图2所示，在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号，包括：
S201：对所述原始脑电/脑磁信号进行滤波、去除眼动伪影及基线校正处理，生成脑电/脑磁校正信号。
可以依次对所述原始脑电/脑磁信号进行50Hz陷波滤波与0.1-32Hz带通滤波处理，从所述原始脑电/脑磁信号中提取出有效信号部分。
在滤波处理之后进行去除眼动伪影的ICA以及基线校正处理生成所述脑电/脑磁校正信号。这样的方式，能够剔除所述原始脑电/脑磁信号中的干扰因素，以便于进一步信号处理。
S202：针对所述脑电/脑磁校正信号数据扩增，生成所述脑电/脑磁测量信号。
可以通过时间序列剪切的滑动窗口策略针对所述脑电/脑磁校正信号进行数据扩增。设定步长与采样窗口宽度，按照所设定的步长滑动裁切出多个信号段作为所述脑电/脑磁测量信号。
例如，针对所述脑电/脑磁校正信号相对应的采集时段，步长可以设置为50个采样点的间隔，采样窗口宽度为1s，对所述脑电/脑磁校正信号进行数据扩展的过程为：
按照步长为50个采样点的间隔，从第一采样点开始，将1s的窗口从前向后滑动从而在所述脑电/脑磁校正信号的采集时段中依次裁切，每段信号时长1s。从形式上看，我们定义单试次的所述脑电/脑磁测量信号为C*T。
所述原始脑电/脑磁信号为对应多导联电极的多通道信号，通过滤波校正后所生成的所述脑电/脑磁校正信号也是多通道信号。例如，对于单试次EEG/MEG相应的所述脑电/脑磁校正信号在扩增前的数据维度是64*2048*1，按照上述方式扩增后所生成的所述脑电/脑磁测量信号的数据维度是64*512*11。
通过时间序列剪切的滑动窗口策略进行数据扩增，能够大大增加所述脑电/脑磁测量信号的数据量，可以有效提高最终MI-EEG/MEG识别分类的准确率。
本领域技术人员可以理解的是，对所述脑电/脑磁矫正信号进行数据扩增的方式包括但不限于采用滑动窗口策略进行扩增的方式。
如图3所示，在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，包括：
S301：针对所述脑电/脑磁测量信号进行时频分解，将所述脑电/脑磁测量信号划分为多个子频带，并确定多个所述子频带相应的子带能量系数。
可以利用小波包分解法将所述脑电/脑磁测量信号划分为多个子频带。例如，对于0.1～32Hz频段的EEG/MEG信号，经过四层小波包分解可以划分为16个宽度为2Hz的子频带。
子频带相应的所述子带能量系数可以表示为：
其中，Ej表示第j个所述子频带的所述子带能量系数，cj表示第j个所述子频带的小波包系数，k为采样点，J表示所述子频带的数量。
本领域技术人员可以理解的是，对所述脑电/脑磁测量信号进行时频分解包括但不限于小波包分解方式，例如还可以采用快速多维经验模态分解等信号分解方法。
S302：以所述子带能量系数最大的所述子频带为种子点，采用种子生长法选取多个所述子频带组合形成所述主节律通带。
选定Em＝max(Ej)的所述子频带作为种子点，生长方向在向高频和向低频之间交替进行。相邻的所述子频带逐渐被吸纳形成一个连通带集合，当所述连通带集合中的总能量大于阈值δ时，停止生长。
生长过程可以表述为：
其中，V表示所述连通带集合，Pm+s表示第m+s个所述子频带，s表示生长位移。其中，所述阈值δ可以根据实际情况进行灵活设定，一般的将所述阈值δ的值设定为0.90效果最优。
以小波包时频分解方式为例，经过四层小波包分解可以划分为16个宽度为2Hz的子频带。cj代表第4层第j(j＝1,2,…,16)个子频带节点的小波包系数。
首先定义能量系数向量ET＝[E1,E2,E3,…,E16]，其中第j个子频带节点相应的能量系数Ej计算公式如式(1)所示：
种子生长可以基于给定的生长准则形成具有特定性质的信号集合，我们利用该原理选取最大能量种子点，目标是按照既定规则对相邻频段子带进行生长提取感兴趣集合
V中包含q个元素，其中下标p1,p1,…,pq∈[1,2,3,…,16]。
以所述能量系数Ej最大值所在子频带节点定义种子点m，其对应的能量系数记为Em，如式(2)所示：
以种子节点m为起始点向高频(+)和低频(－)方向交替进行生长，生长位移向量DT＝[0,1,-1,2,-2,…,-15]，di对应DT中第i个元素，且始终满足约束条件1≤m+di≤16，任一方向的位移超出以上范围则停止该方向的生长。当子频带能量系数累加和达到能量阈值δ时停止所有生长。此时对应的最大位移即为边界，其索引imax计算公式如式(3)所示：
构建感兴趣集合
V中元素为生长区域内包含的小波包系数，代表了自适应选频筛选结果，即受试者数据中最活跃的个性化频率成分。由感兴趣集合V确定构成所述主节律通带。
作为具体实施例，采用种子生长法选取多个所述子频带组合形成所述主节律通带，可以采用以下步骤：
以小波包分解得到16个宽为2Hz的子频带为例，第j个子频带小波包系数为cj(k)，其中k为采样点数，1<j<16。
步骤(1)：计算各子频带能量系数Ej：
步骤(2)：选取Ej最大值所代表的所述子频带作为初始种子点：
Sj＝Ej max
步骤(3)：按照节点序号增大的方向进行生长，更新能量参数Fj：
Fj＝Sj+Sj+1
步骤(4)：设能量阈值为δ，，判断Fj是否满足停止生长条件：
Fj>δ
步骤(5)：若满足条件则停止生长算法，若不满足则继续另一个方向的生长：
Fj＝Sj+Sj-1
步骤(6)：重复步骤(4)，若不满足则更新种子点Sj＝Fj。
步骤(7)：重复步骤(3)(4)(5)(6)直到满足生长条件时停止，完成自适应选频，确定所述主节律通带。
利用种子生长法所确定的所述连通带集合，其中的多个所述子频带构成主节律通带，相应的主节律测量信号包含所述脑电/脑磁测量信号的主体信号能量，以所述阈值δ的值设定为0.90为例，利用种子生长法确定的主节律通带所包含的能量超过所述脑电/脑磁测量信号总能量的90％。因此，与所述主节律通带相对应的所述主节律测量信号包括所述脑电/脑磁测量信号的主体信息。
如图4所示，在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息，包括：
S401：对所述主节律测量信号进行分组并进行共空间特征提取，使得分组结果中每组所述子信号与其他组所述子信号之间的差异最大化。
S402：确定每组所述子信号对应的测量空间特征，将多组所述子信号相应的所述测量空间特征拼接组合以形成所述全局特征信息。
对应MI的四分类任务，可以采用一对多的共空间模式OVRCSP(One-Over-RestCommon Spatial Pattern)，将四类任务转化为四种二进制分类任务。定义u,u′∈{1,2,3,4}为四类的MI-EEG/MEG，其中u包含一类子信号，u′包含其余三类子信号。例如，当u＝2,u′＝1,3,4。通过这种方式，将u＝2这类别与其余三类信号区分开，从而便于从提取出类别u＝2与区别于其他类别的最佳特征作为类别u＝2子信号相应的空间特征。
按照这样的方式将所述主节律测量信号划分为四组，依次对四个组的空间特征进行提取，可以分别确定四个组子信号相应的所述空间特征，将这四组子信号相应的所述空间特征组合可以作为所述全局特征信息。
如图5所示，在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号，包括：
S501：确定所述脑电/脑磁测量信号对应的原始数据来源，确定与所述原始数据来源相对应的头模型与源模型。
其中，所述原始数据来源包括私人数据集与公共数据集；
所述确定与所述原始数据来源相对应的头模型与源模型，包括：
响应于所述原始数据来源为所述公共数据集，选用所述公共数据集对应的通用模型；
响应于所述原始数据来源为所述私人数据集，获取所述私人数据集对应受试者的磁共振解剖信息，根据所述磁共振解剖信息创建与所述受试者对应的私人的头模型与源模型。
考虑到不同受试者脑控能力、学习能力以及生理学差异，一些可选实施例中获取所述受试者的磁共振解剖信息，有针对性地创建相应的私人的头模型与源模型，后续确定传导矩阵以及信号转换都以私人模型为基础。这样的方式能够提高方法鲁棒性，进一步提升信号识别结果的稳定性与准确性。
例如，所述私人数据集可以来自10位受试者的数据。10位受试者，平均年龄33岁，无BCI经验，基于Biosemi设备采集64导联脑电/脑磁信号，并且包含个性化磁共振薄层信息，从而构成所述私人数据集。相应的，所述公开数据集可以选用第四届脑机接口竞赛2a组9位受试者，无磁共振信息，公共头模来源于brainstorm。
S502：将所述脑电/脑磁测量信号相应的脑电/脑磁极与所述头部模型进行配准。
S503：基于所述头模型与所述源模型确定从测量空间映射到源空间的传导矩阵。
结合所述头部模型，可以采用有限元方法FEM(finite element method)确定从头皮信号的测量空间映射指向脑皮质信号的源空间的传导矩阵。
需要说明的是，还可以采用边界元、有限差分等方法，来构造所述传导矩阵。
S504：根据所述传导矩阵将所述脑电/脑磁测量信号转换为所述脑电/脑磁源信号。
所述脑电/脑磁测量信号与所述脑电/脑磁源信号之前的关系可以表述为：
M＝LC+N
其中，M表示所述测量空间中的所述脑电/脑磁测量信号，C表示所述源空间中的所述脑电/脑磁源信号，L则表示所述传导矩阵，N表示测量噪声。
在源成像的过程中，可以利用等效电流偶极子模型，选择最小范数估计来计算在源空间中电流偶极子的分布，从而确定空间尺度更加精细的所述脑电/脑磁源信号。所述脑电/脑磁源信号的空间分辨率更加精确，能够为后续提供更加精细的空间信息。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，所述脑电/脑磁源信号包括源空间中的电流偶极子分布信息；
采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，包括：
采用聚类算法，将激活强度与分布位置作为约束对所述源空间中多个电流偶极子进行聚类，筛选确定出多个处于强激活状态的集中簇，并根据多个所述集中簇确定所述关键区域。
一些可选实施例中，可以采用双重均值漂移聚类(duplex mean-shiftclustering，DMSClustering)方法来筛选出与MI任务高度相关的所述关键区域ROI(regionof interest)。在聚类之前，四种类型的源信号被分别叠加，用于不同MI任务的子ROI聚类。最后的ROI是四个子ROI的并集。
DMSClustering是一种数据驱动方法，通过同时考虑激活强度和分布位置的约束来聚类偶极子，确保筛选出的ROI内偶极子是处于强激活状态的集中簇。
通过同时约束距离因子Sq和强度因子It，建立一个抽象的球形窗口，其核心和半径分别为ct和r。，
聚类过程可以表示为：
Sk＝{(x,y,z,A)|Sq(x,y,z)+It(A)<r}
其中，(x,y,z)代表偶极子的位置坐标，A代表激活强度，N为偶极子的总数量，Sk表示所述球形窗口。半径r的值可以设定为0.1。
在确定所述球形窗口后，质心向球形窗口内偶极子强度的平均值漂移，直至收敛。每次漂移由一个平均位移矢量M决定，其方向总是从高激活态到次高激活态。
所述平均位移矢量M可以表示为：
其中，n表示球形窗口Sk中的偶极子数量。
我们将激活强度最高的偶极子作为初始质心开始漂移，当访问的偶极子数量超过的N百分位数时，聚类过程结束。
需要说明的是，在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域时，还可以采用K均值聚类、谱聚类等聚类算法来实现。
如图6所示，在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别方法中，利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图，包括：
S601：利用卷积神经网络从所述全局特征信息中提取隐含全局特征信息。
对于测量空间中的全局特征信息，可以采用卷积神经网络进一步从中学习和提取隐含特征信息。一些可选实施例中，可以采用包含多层卷积的浅层网络结构来进一步学习隐含的全局空间特征信息，其中按照从低复杂度到高复杂度的学习规则，每层卷积层中的卷积核的数量依次递增。如图7所示，为跨空间融合卷积神经网络的结构示意图。对于所述全局特征信息，采用卷积神经网络提取所述隐含全局特征信息。
例如，可以设置三层卷积神经网络(Conv_11、Conv_12、Conv_13)进行特征学习，选择一维卷积核(1×5)来匹配输入特征尺寸(1×40)，卷积核长度相当于CSP空间滤波器的长度；三层卷积网络中卷积核的数量分别设置为8、16和32。在整个过程中没有对输入的特征信息进行压缩，所以卷积后测量空间的特征矩阵大小仍为(1×40)。
S602：利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息。
对于源空间中的细节特征信息，采取空间可分离卷积和可变感受野策略，以更好地学习和提取隐含特征信息。
在一些可选实施例中，先后利用不同感受野的卷积层对所述细节特征信息进行处理，从所述细节特征信息中提取细节时间信息与细节空间信息，所述隐含细节特征信息包括所述细节时间信息与所述细节空间信息。具体的，可以将n×n卷积核分成1×n和n×1，来分别提取所述细节特征信息中的时间细节特征和空间细节特征。
如图7所示，对于时间细节特征提取和空间细节特征的提取，都可以设置多层卷积神经网络来实现。由时间和空间方向上不同大小的核组成，以防止局部区域的重复学习，防止冗余。随着感受野的增加，获得的信息越多，全局特征就越好。不同的感受野可以在不同层次上学习丰富多样的特征。时间方向和空间方向上所设置的卷积神经网络中卷积核的数量可以采用与测量空间中卷积神经网络相同的配置，
在时间和空间多个连续的卷积层(Conv_21～Conv_23，Conv_24～Conv_26)之后，分别设置两个最大的池化层(Max_pooling_1、Max_pooling_1)，以减少数据和参数的数量，防止过度拟合，同时也实现数据降维，保证源空间特征提取所输出的数据维度与测量空间输出数据维度相匹配，以便于之后进行特征融合提取。
在一些可选实施例中，针对时间、空间的多层卷积网络处理，在每次卷积之后都执行归一化处理。归一化是为了防止网络训练中的过拟合现象，避免梯度消失的问题，并加快网络收敛的速度。对卷积后的特征进行归一化处理，使每一层的输入都能保持相同的分布。在归一化处理后还选用线性整流单元(rectified linear units，ReLu)激活函数进行处理，它具有稀疏性的优点。激活函数可以表示为：
交叉熵损失函数被用来衡量预测效果之间的差异。我们使用Adam算法作为优化器，在初始网络学习率为1×10-5.的情况下使损失函数最小化，最大epoch设置为128，每9个epoch学习率以0.9的因子进行衰减来保证前期的加速收敛和后期的稳定性能。
在跨空间融合卷积神经网络的训练过程中，采用交叉熵损失函数来衡量预测效果之间的差异。一些可选实施例中，可以使用Adam算法作为优化器，在初始网络学习率为1×10-5的情况下使损失函数最小化，最大epoch设置为128，每9个epoch学习率以0.9的因子进行衰减来保证前期的加速收敛和后期的稳定性能。
S603：将所述隐含全局特征信息与所述隐含细节特征信息融合生成融合特征矩阵。
可以采用Concat连接层来融合测量空间和源空间的两个特征矩阵。
S604：对所述融合特征矩阵进行深层特征挖掘与整合，并针对整合后的深层特征进行分类处理，根据分类结果确定所述运动意图。
为了实现对拼接矩阵深层次信息的再挖掘，在生成所述融合特征矩阵后增加残差网络模块(ResNet Block)。ResNet Block可以由两层卷积神经网络(Conv_1、Conv_2)构成。利用残差网络可以直接将浅层特征传递到深层，在实现快速反馈和特征融合的同时保证不丢失原始信息。
最后两个全连接层(Fc1、Fc2)用于整合上述特征，并将学到的特征表示映射到样本标记空间。最终通过softmax层执行四分类处理。softmax层作为输出(Output),通过Softmax层将四个神经元[y1,y2,y3,y4]的输出映射到(0,1)的区间。
Softmax层的输出代表不同类别之间的相对概率，它可以定义如下。
根据Softmax层分类处理所确定的四个神经元的输出，可以确定运动意图。例如[y1,y2,y3,y4]的值为[0,0,0,1]就说明运动意图为神经元y4所对应的方向指向。
针对本说明书实施例所提供的一种脑机接口信号识别方法，可以采用准确率(accuracy,ACC)、卡帕(Kappa)值和混淆矩阵来评价信号识别分类结果。具体的，可以采用自测私人数据集与、BCI competition IV-2a公开数据集对本说明书信号识别方法所提出的跨空间融合卷积神经网络CS-CNN算法有效性进行验证，并且采用五折交叉验证用于保证显著性测试结果的随机性。
为了验证本说明书实施例技术方案中所提出的CS-CNN算法的优越性，我们将其结果与一些相关技术方案中的先进算法进行了比较。为避免数据质量的影响，我们使用公共数据集的分类结果来验证性能。我们收集了近年来使用BCI竞赛Ⅳ-2a数据进行四分类的相关研究作为对照。Zhang等人通过添加噪声来扩增数据，并将其输入包含inception和ResNet模块的改进CNN结构中。Amin等人提出了一个基于inception-attention机制的CNN框架，以提取空间背景信息和动态特征，并连接bi-LSTM负责处理时间序列信息。Altuwaijri等人通过采用具有不同卷积核的多分支CNN模型对脑电/脑磁信号进行分类，实现了无需预处理的端到端分类。Zhao等人通过将MI-EEG保持在采样电极空间分布的二维阵列序列中生成三维表示。对于三维表示，设计了一个多分支的三维CNN。Raza等人开发了一个结合神经结构学习(NSL)和EEGNet的框架，通过使用数据中的关系信息来规范神经网络训练。
如下表1所示，为本说明书实施例技术方案相比其他先进算法的性能数据。
表1
表1显示了CS-CNN和基于BCI竞赛Ⅳ-2a数据集的四类任务的最先进算法之间的总体性能比较。可以发现，本说明书实施例技术方案所述的CS-CNN算法，其信号识别的平均准确率为90.37％，平均Kappa值为0.88，在所有算法中取得了最佳性能。与现有技术中的先进算法相比，我们的算法将平均准确率提高了1.98％。此外,我们还计算了每种算法在9个受试者中的分类准确性的SD。结果显示，CS-CNN达到最低SD 1.91％，比其他算法至少低5.15％。
综上所述，基于本说明书实施例所提供的脑机接口信号识别方法，不仅能整体提升对MI-EEG/MEG信号分类识别性能，还能有效降低受试者特异性对分类效果带来的不利影响，增强算法鲁棒性。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书实施例还提供了一种脑机接口信号识别系统。
参考图8，所述脑机接口信号识别系统，包括：
原始信号获取模块，用于获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号；
频带分析模块，用于对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号；
全局特征提取模块，用于将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
脑源成像模块，用于采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号；
细节特征提取模块，用于采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
跨空间融合模块，用于利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述原始信号获取模块，还用于对所述原始脑电/脑磁信号进行滤波、去除眼动伪影及基线校正处理，生成脑电/脑磁校正信号；针对所述脑电/脑磁校正信号进行数据扩增，生成所述脑电/脑磁测量信号。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述频带分析模块，还用于针对所述脑电/脑磁测量信号进行时频分解，将所述脑电/脑磁测量信号划分为多个子频带，并确定多个所述子频带相应的子带能量系数；以所述子带能量系数最大的所述子频带为种子点，采用种子生长法选取多个所述子频带组合形成所述主节律通带。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述全局特征提取模块，还用于对所述主节律测量信号进行分组，使得分组结果中每组所述子信号相比其他组所述子信号的差异最大；分别对多组所述子信号进行共空间特征提取，确定所述子信号相应的空间特征，将多组所述子信号对应的所述空间特征进行拼接以生成所述全局特征信息。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述脑源成像模块，还用于确定所述脑电/脑磁测量信号对应的原始数据来源，确定与所述原始数据来源相对应的头模型与源模型；将所述脑电/脑磁测量信号相应的脑电/脑磁极与所述头部模型进行配准；基于所述头模型与所述源模型确定从测量空间映射到源空间之间的传导矩阵；根据所述传导矩阵将所述脑电/脑磁测量信号转换为所述脑电/脑磁源信号。其中，所述原始数据来源包括私人数据集与公共数据集。所述脑源成像模块，还用于在所述原始数据来源为所述公共数据集时，选用所述公共数据集对应的通用的头模型与源模型；在所述原始数据来源为所述私人数据集时，获取所述私人数据集对应受试者的磁共振解剖信息，根据所述磁共振解剖信息创建与所述受试者对应的私人的头模型与源模型。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述脑电/脑磁源信号包括源空间中的电流偶极子分布信息。所述细节特征提取模块，还用于采用聚类算法，将激活强度与分布位置作为约束对所述源空间中多个电流偶极子进行聚类，筛选确定出多个处于强激活状态的集中簇，并根据多个所述集中簇确定所述关键区域。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述跨空间融合模块，还用于利用卷积神经网络从所述全局特征信息中提取隐含全局特征信息；利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息；将所述隐含全局特征信息与所述隐含细节特征信息融合生成融合特征矩阵；对所述融合特征矩阵进行深层特征挖掘与整合，并针对整合后的深层特征进行分类处理，根据分类结果确定所述运动意图。
在本说明书一个或多个可选实施例所提供的一种脑机接口信号识别系统中，所述跨空间融合模块，还用于先后利用不同感受野的卷积层对所述细节特征信息进行处理，从所述细节特征信息中提取细节时间信息与细节空间信息，所述隐含细节特征信息包括所述细节时间信息与所述细节空间信息。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的脑机接口信号识别方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的脑机接口信号识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
在技术发展的初期，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种脑机接口信号识别方法，其特征在于，包括：
获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号；
通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号；
将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号；
采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
2.根据权利要求1所述的方法，其特征在于，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号，包括：
对所述原始脑电/脑磁信号进行滤波、去除眼动伪影及基线校正处理，生成脑电/脑磁校正信号；
针对所述脑电/脑磁校正信号进行数据扩增，生成所述脑电/脑磁测量信号。
3.根据权利要求1所述的方法，其特征在于，通过对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，包括：
针对所述脑电/脑磁测量信号进行时频分解，将所述脑电/脑磁测量信号划分为多个子频带，并确定多个所述子频带相应的子带能量系数；
以所述子带能量系数最大的所述子频带为种子点，采用种子生长法选取多个所述子频带组合形成所述主节律通带。
4.根据权利要求1所述的方法，其特征在于，将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息，包括：
对所述主节律测量信号进行分组并进行共空间特征提取，使得分组结果中每组所述子信号相比其他组所述子信号的差异最大；
确定所述子信号相应的空间特征，将多组所述子信号对应的所述空间特征进行拼接以生成所述全局特征信息。
5.根据权利要求1所述的方法，其特征在于，采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号，包括：
确定所述脑电/脑磁测量信号对应的原始数据来源，确定与所述原始数据来源相对应的头模型与源模型；
将所述脑电/脑磁测量信号相应的脑电/脑磁极与所述头部模型进行配准；
基于所述头模型与所述源模型确定从测量空间映射到源空间之间的传导矩阵；
根据所述传导矩阵将所述脑电/脑磁测量信号转换为所述脑电/脑磁源信号；
其中，所述原始数据来源包括私人数据集与公共数据集；
所述确定与所述原始数据来源相对应的头部模型，包括：
响应于所述原始数据来源为所述公共数据集，选用所述公共数据集对应的通用的头模型与源模型；
响应于所述原始数据来源为所述私人数据集，获取所述私人数据集对应受试者的磁共振解剖信息，根据所述磁共振解剖信息创建与所述受试者对应的私人的头模型与源模型。
6.根据权利要求5所述的方法，其特征在于，所述脑电/脑磁源信号包括源空间中的电流偶极子分布信息；
采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，包括：
采用聚类算法，将激活强度与分布位置作为约束对所述源空间中多个电流偶极子进行聚类，筛选确定出多个处于强激活状态的集中簇，并根据多个所述集中簇确定所述关键区域。
7.根据权利要求1所述的方法，其特征在于，利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图，包括：
利用卷积神经网络从所述全局特征信息中提取隐含全局特征信息；
利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息；
将所述隐含全局特征信息与所述隐含细节特征信息融合生成融合特征矩阵；
对所述融合特征矩阵进行深层特征挖掘与整合，并针对整合后的深层特征进行分类处理，根据分类结果确定所述运动意图。
8.根据权利要求7所述的方法，其特征在于，利用卷积神经网络从所述细节特征信息中提取隐含细节特征信息，包括：
先后利用不同感受野的卷积层对所述细节特征信息进行处理，从所述细节特征信息中提取细节时间信息与细节空间信息，所述隐含细节特征信息包括所述细节时间信息与所述细节空间信息。
9.一种脑机接口信号识别系统，其特征在于，包括：
原始信号获取模块，用于获取原始脑电/脑磁信号，对所述原始脑电/脑磁信号进行预处理生成脑电/脑磁测量信号；
频带分析模块，用于对所述脑电/脑磁测量信号进行频带分析，确定所述脑电/脑磁测量信号的主节律通带，根据所述脑电/脑磁测量信号提取与所述主节律通带相对应的主节律测量信号；
全局特征提取模块，用于将所述主节律测量信号划分为多类子信号，分别对多类所述子信号进行共空间特征提取以生成全局特征信息；
脑源成像模块，用于采用脑源成像算法将所述脑电/脑磁测量信号转换为脑电/脑磁源信号；
细节特征提取模块，用于采用聚类算法在所述脑电/脑磁源信号中筛选确定出任务高度相关的关键区域，提取所述关键区域的时间序列信号作为细节特征信息；
跨空间融合模块，用于利用跨空间融合卷积神经网络获取所述全局特征信息与所述细节特征信息的融合特征信息，根据所述融合特征信息进行分类以确定所述原始脑电/脑磁信号对应的运动意图。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465471.0A CN115721323A (zh) | 2022-11-22 | 2022-11-22 | 一种脑机接口信号识别方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465471.0A CN115721323A (zh) | 2022-11-22 | 2022-11-22 | 一种脑机接口信号识别方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115721323A true CN115721323A (zh) | 2023-03-03 |
Family
ID=85297284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211465471.0A Pending CN115721323A (zh) | 2022-11-22 | 2022-11-22 | 一种脑机接口信号识别方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115721323A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449964A (zh) * | 2023-06-15 | 2023-07-18 | 中国科学院自动化研究所 | 一种脑电和脑磁融合的脑机接口指令下达方法及装置 |
-
2022
- 2022-11-22 CN CN202211465471.0A patent/CN115721323A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449964A (zh) * | 2023-06-15 | 2023-07-18 | 中国科学院自动化研究所 | 一种脑电和脑磁融合的脑机接口指令下达方法及装置 |
| CN116449964B (zh) * | 2023-06-15 | 2023-08-15 | 中国科学院自动化研究所 | 一种脑电和脑磁融合的脑机接口指令下达方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amin et al. | Multilevel weighted feature fusion using convolutional neural networks for EEG motor imagery classification | |
| Tao et al. | EEG-based emotion recognition via channel-wise attention and self attention | |
| Kumar et al. | An improved discriminative filter bank selection approach for motor imagery EEG signal classification using mutual information | |
| Zhang et al. | A survey on deep learning based brain computer interface: Recent advances and new frontiers | |
| CN111317468B (zh) | 脑电信号分类方法、装置、计算机设备和存储介质 | |
| CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
| Salami et al. | EEG-ITNet: An explainable inception temporal convolutional network for motor imagery classification | |
| Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
| Ashokkumar et al. | Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
| Jang et al. | EEG-based video identification using graph signal modeling and graph convolutional neural network | |
| Huttunen et al. | Mind reading with regularized multinomial logistic regression | |
| Ameri et al. | Projective dictionary pair learning for EEG signal classification in brain computer interface applications | |
| Caramia et al. | Optimizing spatial filter pairs for EEG classification based on phase-synchronization | |
| KR20190033972A (ko) | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 | |
| Sameer et al. | CNN based framework for detection of epileptic seizures | |
| Yue et al. | Exploring BCI control in smart environments: intention recognition via EEG representation enhancement learning | |
| Shenoy et al. | An iterative optimization technique for robust channel selection in motor imagery based brain computer interface | |
| Zhang et al. | Channel selection in motor imaginary-based brain-computer interfaces: a particle swarm optimization algorithm | |
| Subasi et al. | The ensemble machine learning-based classification of motor imagery tasks in brain-computer interface | |
| CN112990008A (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 | |
| Thara et al. | Electroencephalogram for epileptic seizure detection using stacked bidirectional LSTM_GAP neural network | |
| Asghar et al. | Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification | |
| CN115721323A (zh) | 一种脑机接口信号识别方法、系统及电子设备 | |
| Ranjani et al. | Classifying the autism and epilepsy disorder based on EEG signal using deep convolutional neural network (DCNN) | |
| Uyulan et al. | Entropy-based feature extraction technique in conjunction with wavelet packet transform for multi-mental task classification |
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 |