CN117668601A - 基于遗传算法的脑电信号识别方法、装置、设备和介质 - Google Patents
基于遗传算法的脑电信号识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117668601A CN117668601A CN202311363558.1A CN202311363558A CN117668601A CN 117668601 A CN117668601 A CN 117668601A CN 202311363558 A CN202311363558 A CN 202311363558A CN 117668601 A CN117668601 A CN 117668601A
- Authority
- CN
- China
- Prior art keywords
- channels
- signals
- chromosome
- electroencephalogram
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002068 genetic effect Effects 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 210000004556 brain Anatomy 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 210000000349 chromosome Anatomy 0.000 claims description 77
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 3
- 108091006146 Channels Proteins 0.000 description 121
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供一种基于遗传算法的脑电信号识别方法、装置、设备和介质，涉及脑电信号识别技术领域。其包含步骤S1至步骤S5。S1、获取控制人员的多个通道的脑电信号。S2、分别对多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。S3、根据多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据初始种群通过遗传算法进行通道选择，获取多个最优通道。S4、根据多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。S5、根据时频域特征和空间域特征，通过支持向量机算法进行特征分类，获取脑电信号的具体指令。
Description
技术领域
本发明涉及脑电信号识别技术领域，具体而言，涉及一种基于遗传算法的脑电信号识别方法、装置、设备和介质。
背景技术
脑-机接口(brain-computer interface,BCI)是一项人因工程。BCI是通过对脑电信号(electroencephalogram,EEG)的识别，实现利用EEG信号控制机械手臂、屏幕鼠标移动等功能。
在识别的信号类型中，运动想象脑电信号(Motor Imageryelectroencephalogram,MI-EEG)具有最广泛的应用。MI-EEG信号是通过想象的方式为运动障碍患者的大脑提供一个新的、非肌肉的沟通和控制通道。BCI通过传感器采集和计算机分析脑电信号，实现大脑和外界环境的交互。
实现脑-机交互的关键在于能否做到对MI-EEG信号的精准特征提取和分析，以有效识别。脑电信号的信噪比低、信号维度高，对多通道的脑电信号进行特征提取会引入干扰信号，因此通过通道选择算法剔除噪声和冗余信息的信号非常有必要。
传统通道选择方法需要预先定义选择通道数且无法满足个体差异的问题。有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种基于遗传算法的脑电信号识别方法、装置、设备和介质，以改善上述技术问题中的至少一个。
第一方面、本发明实施例提供了一种基于遗传算法的脑电信号识别方法，其包含步骤S1至步骤S5。
S1、获取控制人员的多个通道的脑电信号。
S2、分别对多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。
S3、根据多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据初始种群通过遗传算法进行通道选择，获取多个最优通道。
S4、根据多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。
S5、根据时频域特征和空间域特征，通过支持向量机算法进行特征分类，获取脑电信号的具体指令。
第二方面、本发明实施例提供了一种基于遗传算法的脑电信号识别装置，其包含：
初始信号获取模块，用于获取控制人员的多个通道的脑电信号。
滤波模块，用于分别对多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。
通道选择模块，用于根据多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据初始种群通过遗传算法进行通道选择，获取多个最优通道。
特征提取模块，用于根据多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。
特征分类模块，用于根据时频域特征和空间域特征，通过支持向量机算法进行特征分类，获取脑电信号的具体指令。
第三方面、本发明实施例提供了一种基于遗传算法的脑电信号识别设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段的基于遗传算法的脑电信号识别方法。
第四方面、本发明实施例提供了一种计算机可读存储介质。计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段的基于遗传算法的脑电信号识别方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
本发明实施例的基于遗传算法的脑电信号识别方法能够提高准确率，并且能够针对不同控制人的自身特性，在通道及通道数两方面都满足控制人的个体差异性问题，消除了通道与通道数的个体差异问题。去除噪声通道的干扰，大大提高了EEG信号分类准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是脑电信号识别方法的流程示意图。
图2是脑电信号采集现场的图像。
图3是通道电极分布图通道电极的分布图。
图4是脑电信号采集时的运动想象提示图片示例1。
图5是脑电信号采集时的运动想象提示图片示例2。
图6是滤波信号的波形图。
图7是适应度计算流程流程图。
图8是遗传算法选择通道的算法流程图。
图9是支持向量机算法的原理示意图。
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。
实施例一、请参阅图1至图9，本发明第一实施例提供一种基于遗传算法的脑电信号识别方法，其可由基于遗传算法的脑电信号识别设备来执行(以下简称：脑电信号识别设备)。特别地，由脑电信号识别设备中的一个或多个处理器来执行，以实现步骤S1至步骤S5。
具体的，通过脑-机接口进行的机械手臂、鼠标移动等智能外设控制需要基于对脑电信号的精准特征提取和分析。脑电信号的信噪比低、信号维度高，对多通道的脑电信号进行特征提取会引入干扰信号，因此通过通道选择算法剔除噪声和冗余信息的信号非常有必要。
传统的通道选择方法需要预先设定所选取的通道数量和限定阈值，而不同参考通道与不同阈值都会对实验结果造成影响，因此传统方法无法满足个体差异的需求。
本发明实施例的基于遗传算法的脑电信号识别方法通过改进型遗传算法进行通道选择；随后利用离散小波变换、共空间模式算法，对通道选择后的脑电运动想象数据进行特征提取、通过支持向量机对脑电信号特征进行分类。能够大大的提高脑电信号平均分类准确率，并解决了通道与通道数的个体差异问题。具有很好的实际意义。
S1、获取控制人员的多个通道的脑电信号。优选的，所述脑电信号为运动想象脑电信号(即：EEG信号)。所述运动想象脑电信号的通道数量为16。所述运动想象脑电信号通过佩戴于控制人员的ErgoLAB EEG可穿戴脑电仪进行采集。所述ErgoLAB EEG可穿戴脑电仪设置有16通道的采样频率为256Hz的信号采集电极。
具体的，上述脑电信号通过津发科技公司的ErgoLAB EEG可穿戴脑电仪采集。脑电信号采集环境如图2所示。该脑电仪具有16通道的信号采集电极，采样频率为256Hz。将16导(不包含1个参考电极)电极帽按照国际10-20标准佩戴在受试者头部来记录EEG信号。电极分布具体如图3所示。
根据Barbosa等人设计的视觉和听觉刺激相结合的双模态刺激范式表明，在视听混合刺激模式下，比单独视觉刺激或单独听觉刺激范式，最终分类准确率都有32％左右的提升，因此本文的实验数据也采集于视听双模态的运动想象任务实验。
在实验中，受试者根据屏幕上的图片、文字的提示信息及“左、右手想象”的声音提示信息，进行相应的左手或右手运动想象。每次试验持续时间为9s，具体实验流程为：0-1s时，屏幕中出现十字光标“+”，提示受试者集中注意力，准备开始试验；1-7s时，屏幕中出现如图4和图5所示的提示信息及播放“左手运动想象”或“右手想象”，提示受试者开始执行相应的运动想象任务；8-9s时，屏幕呈现空白界面，提示受试者进入休息状态，不做任何想象。整个实验过程中，不提供实时反馈信息，且左、右手想象信号随机出现。
可以理解的是，所述脑电信号识别设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。
S2、分别对所述多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。
具体的，由于实验环境及实验设备等因素的影响，所采集的EEG信号存在着大量的噪声干扰，因此需要对信号进行预处理操作。通过大量的研究后，发明人选择将分别对所述多个通道的脑电信号进行0.5至100Hz的滤波处理，以及50Hz的工频滤波处理，获取多个通道的滤波信号。
通过上述处理能够滤除EEG信号中的大部分的高频噪声干扰和工频干扰，处理后效果如图6所示。
S3、根据所述多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据所述初始种群通过遗传算法进行通道选择，获取多个最优通道。
具体的，图8示出了通过遗传算法进行通道选择的流程。图3示出了16个通道电极的分布图。根据神经生理学背景知识，与运动想象相关度较大的电极分布在C3，Cz，C4电极周围，且这些电极因人而异，存在个体差异性，无法统一选择。而部分电极中包含的运动想象信息较小，信噪比低，若将此类电极也加入特征提取，则会对后续的分类结果产生负面影响，由此可见，对个体的运动想象通道进行选择是有必要的。在上述实施例的基础上，本发明的一个可选地实施例中，步骤S3具体包括步骤S31至步骤S34。
S31、根据脑电信号的通道数量进行二进制编码，生成初始种群。其中，所述初始种群Chrom为：
式中，Xi为种群中第i个染色体个体、m为染色体个体的数量。其中，染色体个体的二进制位数和所述通道数量相同，每一位用以表示对应的通道是否被选择。
具体的，二进制法编码具有更直观，易于理解和实现等优点。本发明实施例遗传算法二进制染色体编码能够直接映射真实问题特征的特点，对脑电信号的16通道与自定义的16维二进制0、1编码一一对应，通过特征提取算法和特征分类算法的准确率作为个体适应度值，最后利用遗传算法的迭代思维选择出最优通道序列。
由于本文所使用的脑电设备具有16个电极通道(不包含参考电极)，因此采用二进制法的染色体编码方式，将个体染色体编码为1×16的二进制串。通过二进制串的0、1编码形式选择脑电通道，0表示不被选择，1表示被选择。
初始种群数太大会使得计算量变大，太小会降低种群灵活性，通过实验将初始种群数定义为40，即预先随机生成40种不同的脑电通道选择情况，个体的染色体表示为：
Xi＝[xi1,xi2,…,xij]，i＝1,2,…,40；j＝1,2,…,16；xij＝0,1
初始种群表示为：
式中，Xi为1×16的二进制串，表示第i种脑电通道选择情况。
S32、分别计算种群中的各个染色体个体的适应度。其中，以每个染色体个体所选择的通道数据进行特征提取与特征分类后得到的分类准确率作为染色体个体的适应度。
需要说明的是，适应度值的大小能够为后续的选择、交叉、变异等方法提供参考依据。本发明实施例以识别准确率作为染色体个体的适应度。如图7所示，根据染色体个体的二进制编码，选择对应的通道，利用离散小波变换(DWT)提取滤波信号的时频域特征，以及利用共空间模式(CSP)提取滤波信号的空间域特征，然后通过支持向量机(SVM)算法对特征进行分类识别，再计算准确率，从而得到适应度。其中，准确率即判断正确的通道数量，占所选择的通道数量的比值。
S33、根据所述适应度，通过轮盘赌法的方式概率选择染色体个体进行交叉操作和变异操作，以生成新的染色体个体，并计算其适应度。
具体的，选择的目的是为了从当前的脑电通道选择情况种群中选出优良的个体组成新种群。本发明实施例，通过对不同个体的脑电通道组合进行适应度计算得到相应的适应度值，然后对得到的脑电分类适应度值按轮盘赌法的方式进行概率选择。
在上述实施例的基础上，本发明的一个可选地实施例中，通过轮盘赌法的方式概率选择染色体个体时，第i个染色体个体被选择进入父待的概率Pi为：
式中，Fi为第i个染色体个体的适应度、m为染色体个体的数量。
在上述实施例的基础上，本发明的一个可选地实施例中，染色体个体间的交叉规律为：
式中，Xa表示第a个染色体个体、xak和xaj分别表示第a个染色体个体的第k个通道和第j个通道的选择情况、Xb为第b个染色体个体、xbk和xbj分别表示第b个染色体个体的第k个通道和第j个通道的选择情况。
具体的，通过交叉操作可以得到新个体，能够减小对初始种群的依赖性，保持种群多样性；减小由于初始种群中的脑电通道选择策略没有最优解时，迭代种群无变化或变化小的情况。
在上述实施例的基础上，本发明的一个可选地实施例中，染色体个体间的变异规律为：
式中，Xa表示第a个染色体个体、xak-1和xaj表示第a个染色体个体的第k-1个通道和第j个通道的选择情况、Xa′表示变异后的第a个染色体个体。
具体的，与交叉类似的，通过小概率的0、1突变来改变脑电通道选择情况，也能在一定程度上减小对初始种群的依赖，保持种群的活力。在初始种群中没有最优脑电通道选择时，按照预设的极小概率变异染色体的形式，产生新的优秀个体。
S34、判断迭代次数是否达到预设值。若迭代次数达到预设值，输出当前适应度最高的染色体个体，获取对应的多个最优通道。否则重新选择染色体个体进行交叉和变异操作。
具体的，本发明采用的是按预先设定的迭代次数来终止算法，公式表示为：
gen>MAXGEN
式中，gen为当前遗传代数，MAXGEN为最大遗传代数。
具体的，通过遗传算法自动选择脑电信号的通道及其数量，能够在通道及通道数两方面都满足受试者的个体差异性问题，去除噪声通道的干扰，来提高EEG信号分类准确率。
S4、根据所述多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。优选的，步骤S4具体包括步骤S41和步骤S42。
S41、根据所述多个最优通道的滤波信号，在时频域上，使用离散小波变换算法将采样率分解重构成频段为8～32Hz的时频域特征信号。
S42、根据所述多个最优通道的滤波信号，在空间域上，使用共空间模式算法，通过建立一个空间滤波器，将混合信号转换为源信号，获取空间域特征信号。
具体的，发明人经过大量的创造性劳动发现由运动想象诱发的脑电信号通常在5～35Hz的频带范围内，在这频带范围内的信号可以观察到事件相关同步/去同步(eventrelated synchronization/desynchronization，ERS/ERD)现象，且该现象在mu频段(8～12Hz)和beta频段(15～28Hz)频段更为显著。
因此在时频域上，使用离散小波变换算法将采样率256Hz的EEG信号分解重构成频段为8～32Hz的信号，能在最大程度剔除噪声干扰的同时保留最完整的EEG信号时频信息。
由于EEG信号存在不同电极之间互相干扰的问题，使得信号的提取和分析变得困难。因此在空间域上，使用共空间模式算法，通过建立一个空间滤波器，将混合信号转换为源信号，从而增强EEG信号的运动想象信息，并减弱了噪声干扰。
S5、根据所述时频域特征和所述空间域特征，通过支持向量机算法进行特征分类，获取所述脑电信号的具体指令。
具体的，通过特征提取算法的处理，已提取EEG信号的时频域和空间域特征，随后使用支持向量机算法对EEG信号进行分类。支持向量机的非线性分类能力、高效的训练和预测、对模型复杂度的灵活控制以及强大的泛化能力使得其在非线性、高维等特征的二分类数据上有着更大的优势。
算法原理如图9所示。以二维为例，图中实心点和空心点分别表示二分类中两类特征向量在空间中的映射，支持向量机的目的就是在两类特征向量中间找到一条线，使得特征向量到线的距离最大，称为“最大间隔的划分超平面”。以此来分类两类特征，同时获得良好的鲁棒性和泛化性。
本发明实施例的基于遗传算法的脑电信号识别方法能够提高准确率，并且能够针对不同控制人的自身特性，在通道及通道数两方面都满足控制人的个体差异性问题，消除了通道与通道数的个体差异问题。本发明实施例的脑电信号识别方法在脑电信号的识别和分类问题中，能够针对不同受试者的自身特性，在通道及通道数两方面都满足受试者的个体差异性问题，去除噪声通道的干扰，来提高EEG信号分类准确率。
本发明实施例通过基于改进型遗传算法通道选择的方法，能够减少脑电通道数量。与全部通道相比，通道选择后的平均准确率提高了5％，能够实现通过通道选择去除部分噪声信号大的通道及信噪比过低的通道，留下满足受试者个体差异的运动想象通道来提取特征数据，提高分类准确率。
本发明实施例能够较为准确地剔除噪声较大、信噪比低的通道，实现在降低选择的通道数量的同时，提高准确率，起到减少冗余信息对分类效果造成影响的作用。
实施例二、本发明实施例提供了一种基于遗传算法的脑电信号识别装置，其包含：
初始信号获取模块，用于获取控制人员的多个通道的脑电信号。
滤波模块，用于分别对所述多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。
通道选择模块，用于根据所述多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据所述初始种群通过遗传算法进行通道选择，获取多个最优通道。
特征提取模块，用于根据所述多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。
特征分类模块，用于根据所述时频域特征和所述空间域特征，通过支持向量机算法进行特征分类，获取所述脑电信号的具体指令。
在上述实施例的基础上，本发明的一个可选地实施例中，所述脑电信号为运动想象脑电信号。所述运动想象脑电信号的通道数量为16。所述运动想象脑电信号通过佩戴于控制人员的ErgoLAB EEG可穿戴脑电仪进行采集。所述ErgoLAB EEG可穿戴脑电仪设置有16通道的采样频率为256Hz的信号采集电极。
在上述实施例的基础上，本发明的一个可选地实施例中，滤波模块具体用于：分别对所述多个通道的脑电信号进行0.5至100Hz的滤波处理，以及50Hz的工频滤波处理，获取多个通道的滤波信号。
在上述实施例的基础上，本发明的一个可选地实施例中，通道选择模块具体包括：
初始种群生成单元，用于根据脑电信号的通道数量进行二进制编码，生成初始种群。其中，所述初始种群Chrom为：i＝1,2,…,m。式中，Xi为种群中第i个染色体个体、m为染色体个体的数量。其中，染色体个体的二进制位数和所述通道数量相同，每一位用以表示对应的通道是否被选择。
适应度计算单元，用于分别计算种群中的各个染色体个体的适应度。其中，以每个染色体个体所选择的通道数据进行特征提取与特征分类后得到的分类准确率作为染色体个体的适应度。
遗传单元，用于根据所述适应度，通过轮盘赌法的方式概率选择染色体个体进行交叉操作和变异操作，以生成新的染色体个体，并计算其适应度。
迭代单元，用于判断迭代次数是否达到预设值。若迭代次数达到预设值，输出当前适应度最高的染色体个体，获取对应的多个最优通道。否则重新选择染色体个体进行交叉和变异操作。
在上述实施例的基础上，本发明的一个可选地实施例中，通过轮盘赌法的方式概率选择染色体个体时，第i个染色体个体被选择进入父待的概率Pi为：
式中，Fi为第i个染色体个体的适应度、m为染色体个体的数量。
在上述实施例的基础上，本发明的一个可选地实施例中，染色体个体间的交叉规律为：
式中，Xa表示第a个染色体个体、xak和xaj分别表示第a个染色体个体的第k个通道和第j个通道的选择情况、Xb为第b个染色体个体、xbk和xbj分别表示第b个染色体个体的第k个通道和第j个通道的选择情况。
在上述实施例的基础上，本发明的一个可选地实施例中，染色体个体间的变异规律为：
式中，Xa表示第a个染色体个体、xak-1和xaj表示第a个染色体个体的第k-1个通道和第j个通道的选择情况、Xa′表示变异后的第a个染色体个体。
在上述实施例的基础上，本发明的一个可选地实施例中，特征提取模块具体包括：
时频域特征提取单元，用于根据所述多个最优通道的滤波信号，在时频域上，使用离散小波变换算法将采样率分解重构成频段为8～32Hz的时频域特征信号。
空间域特征提取单元，用于根据所述多个最优通道的滤波信号，在空间域上，使用共空间模式算法，通过建立一个空间滤波器，将混合信号转换为源信号，获取空间域特征信号。
实施例三、本发明实施例提供了一种基于遗传算法的脑电信号识别设备，其包括处理器、存储器，以及存储在所述存储器内的计算机程序。所述计算机程序能够被所述处理器执行，以实现如实施例一任意一段所述的基于遗传算法的脑电信号识别方法。
实施例四、本发明实施例提供了一种计算机可读存储介质。所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如实施例一任意一段所述的基于遗传算法的脑电信号识别方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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、物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、物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、物品或者设备中还存在另外的相同要素。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (9)
1.一种基于遗传算法的脑电信号识别方法，其特征在于，包含：
获取控制人员的多个通道的脑电信号；
分别对所述多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号；
根据所述多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据所述初始种群通过遗传算法进行通道选择，获取多个最优通道；
根据所述多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征；
根据所述时频域特征和所述空间域特征，通过支持向量机算法进行特征分类，获取所述脑电信号的具体指令。
2.根据权利要求1所述的基于遗传算法的脑电信号识别方法，其特征在于，所述脑电信号为运动想象脑电信号；所述运动想象脑电信号的通道数量为16；
所述运动想象脑电信号通过佩戴于控制人员的ErgoLAB EEG可穿戴脑电仪进行采集；所述ErgoLAB EEG可穿戴脑电仪设置有16通道的采样频率为256Hz的信号采集电极。
3.根据权利要求1所述的基于遗传算法的脑电信号识别方法，其特征在于，所述分别对所述多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号，具体包括：
分别对所述多个通道的脑电信号进行0.5至100Hz的滤波处理，以及50Hz的工频滤波处理，获取多个通道的滤波信号。
4.根据权利要求1所述的基于遗传算法的脑电信号识别方法，其特征在于，所述根据所述多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据所述初始种群通过遗传算法进行通道选择，获取多个最优通道，具体包括：
根据脑电信号的通道数量进行二进制编码，生成初始种群；其中，所述初始种群Chrom为：式中，Xi为种群中第i个染色体个体、m为染色体个体的数量；其中，染色体个体的二进制位数和所述通道数量相同，每一位用以表示对应的通道是否被选择；
分别计算种群中的各个染色体个体的适应度；其中，以每个染色体个体所选择的通道数据进行特征提取与特征分类后得到的分类准确率作为染色体个体的适应度；
根据所述适应度，通过轮盘赌法的方式概率选择染色体个体进行交叉操作和变异操作，以生成新的染色体个体，并计算其适应度；
判断迭代次数是否达到预设值；若迭代次数达到预设值，输出当前适应度最高的染色体个体，获取对应的多个最优通道；否则重新选择染色体个体进行交叉和变异操作。
5.根据权利要求4所述的基于遗传算法的脑电信号识别方法，其特征在于，通过轮盘赌法的方式概率选择染色体个体时，第i个染色体个体被选择进入父待的概率Pi为：
式中，Fi为第i个染色体个体的适应度、m为染色体个体的数量；
染色体个体间的交叉规律为：
式中，Xa表示第a个染色体个体、xak和xaj分别表示第a个染色体个体的第k个通道和第j个通道的选择情况、Xb为第b个染色体个体、xbk和xbj分别表示第b个染色体个体的第k个通道和第j个通道的选择情况；
染色体个体间的变异规律为：
式中，Xa表示第a个染色体个体、xak-1和xaj表示第a个染色体个体的第k-1个通道和第j个通道的选择情况、Xa′表示变异后的第a个染色体个体。
6.根据权利要求1至5任意一项所述的基于遗传算法的脑电信号识别方法，其特征在于，所述根据所述多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征，具体包括：
根据所述多个最优通道的滤波信号，在时频域上，使用离散小波变换算法将采样率分解重构成频段为8～32Hz的时频域特征信号；
根据所述多个最优通道的滤波信号，在空间域上，使用共空间模式算法，通过建立一个空间滤波器，将混合信号转换为源信号，获取空间域特征信号。
7.一种基于遗传算法的脑电信号识别装置，其特征在于，包含：
初始信号获取模块，用于获取控制人员的多个通道的脑电信号；
滤波模块，用于分别对所述多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号；
通道选择模块，用于根据所述多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据所述初始种群通过遗传算法进行通道选择，获取多个最优通道；
特征提取模块，用于根据所述多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征；
特征分类模块，用于根据所述时频域特征和所述空间域特征，通过支持向量机算法进行特征分类，获取所述脑电信号的具体指令。
8.一种基于遗传算法的脑电信号识别设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的基于遗传算法的脑电信号识别方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的基于遗传算法的脑电信号识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311363558.1A CN117668601A (zh) | 2023-10-20 | 2023-10-20 | 基于遗传算法的脑电信号识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311363558.1A CN117668601A (zh) | 2023-10-20 | 2023-10-20 | 基于遗传算法的脑电信号识别方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117668601A true CN117668601A (zh) | 2024-03-08 |
Family
ID=90085215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311363558.1A Pending CN117668601A (zh) | 2023-10-20 | 2023-10-20 | 基于遗传算法的脑电信号识别方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668601A (zh) |
-
2023
- 2023-10-20 CN CN202311363558.1A patent/CN117668601A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schirrmeister et al. | Deep learning with convolutional neural networks for EEG decoding and visualization | |
| Özdenizci et al. | Adversarial deep learning in EEG biometrics | |
| CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及系统 | |
| Mishuhina et al. | Complex common spatial patterns on time-frequency decomposed EEG for brain-computer interface | |
| Reuderink et al. | A subject-independent brain-computer interface based on smoothed, second-order baselining | |
| Tung et al. | Entropy-assisted multi-modal emotion recognition framework based on physiological signals | |
| Boye et al. | Identification of movement-related cortical potentials with optimized spatial filtering and principal component analysis | |
| Alvarado-González et al. | P300 detection based on EEG shape features | |
| Hosseini et al. | Emotional stress recognition using a new fusion link between electroencephalogram and peripheral signals | |
| Gao et al. | Multi-ganglion ANN based feature learning with application to P300-BCI signal classification | |
| 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 | |
| Malekmohammadi et al. | An efficient hardware implementation for a motor imagery brain computer interface system | |
| CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
| Du et al. | IENet: a robust convolutional neural network for EEG based brain-computer interfaces | |
| Qi et al. | Channel and feature selection for a motor imagery-based BCI system using multilevel particle swarm optimization | |
| Molla et al. | Trial regeneration with subband signals for motor imagery classification in BCI paradigm | |
| Chen et al. | Channel selection based similarity measurement for motor imagery classification | |
| Fan et al. | DC-tCNN: A deep model for EEG-based detection of dim targets | |
| CN114415842A (zh) | 一种基于位点等效增强的脑机接口解码方法及装置 | |
| Qu et al. | Riemannian distance based channel selection and feature extraction combining discriminative time-frequency bands and Riemannian tangent space for MI-BCIs | |
| Tabar et al. | Brain computer interfaces for silent speech | |
| Dai et al. | Electrode channel selection based on backtracking search optimization in motor imagery brain–computer interfaces | |
| Chaurasiya et al. | Multi-objective binary DE algorithm for optimizing the performance of Devanagari script-based P300 speller | |
| Georgiadis et al. | Using discriminative lasso to detect a graph Fourier transform (GFT) subspace for robust decoding in motor imagery BCI | |
| Sreeja et al. | Weighted sparse representation for classification of motor imagery EEG signals |
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 |