CN106022256B - 一种脑机接口***决策模型的参数优化方法 - Google Patents

Abstract

本发明涉及脑机接口技术领域，一种脑机接口***决策模型的参数优化方法，包括以下步骤：(1)采集脑电信号训练数据并进行预处理，(2)线性空间一体化单次探测法数据分类及证据累积起始过程定位。本发明采用线性空间一体化单次探测方法，对训练数据中的两种实验情况进行分类识别，通过识别的准确率在单次实验期间随着时间的变化的趋势，对决策模型中的证据累积过程进行时间上的定位，从而对序贯决策模型进行参数优化，与先前的序贯决策模型相比，该发明通过对决策模型中的证据累积过程进行定位，排除了无效分类信息累积过程，仅对证据累积过程中的有效分类信息进行累积，提高了基于该决策模型的在线脑机接口***的实时性。

Description

一种脑机接口***决策模型的参数优化方法

技术领域

本发明涉及一种脑机接口***决策模型的参数优化方法，属于脑机接口技术领域。

背景技术

脑机接口***是一种不用依赖于肌肉控制的通信***，旨在为残疾患者或运动损伤患者提供一种新的通信渠道。脑机接口技术的核心就通过对脑电信号的分类处理，识别不同的意识活动状态。从头皮记录的脑电信号非常微弱，信噪比很低，因此不同的模式识别方法应用于脑机接口***来提取脑电特征信息，并训练分类器以最大限度地减少分类错误率。为此，研究人员对脑电分类方法进行了广泛的研究,如支持向量机，人工神经网络等。这些方法在其适用的领域里取得了较好的分类效果，但仅对特定时间段的脑电特征进行分类，没有考虑分类过程中的时间信息。脑电信号具有非平稳性，每个时间段脑电特征的区分度并不一样，因此这些分类器无法很好地权衡分类准确率与决策时间之间的关系。对于实时脑机接口***能采集的训练集数目有限，如何用少量样本训练出性能较好的分类器，即“小样本问题”是脑机接口***面临的一个挑战。因此，近年来研究人员逐渐将注意力转至能连续反映用户意图的动态分类方法。

脑机接口领域的“分类”通常意味着决策或反应选择。决策是生物神经***的一种高级认知过程，其信息加工的独特之处在于能对瞬态刺激迅速做出判决从而影响行为。由于决策过程感觉的信息往往具有不确定性，因此统计学理论是形式化描述不确定信息的强大理论工具。序贯分析理论给决策过程提供了一个灵活的数学模型。序贯分析方法研究决策问题时，不是预先固定样本量，而是逐次取样，其所需的平均样本容量最小，有利于解决脑机接口***的“小样本问题”，因此逐渐吸引了脑机接口***研究人员的注意。

在序贯决策模型中，决策过程就是含噪信息从累积起始点开始到达累积边界的信息累积过程，当信息累积达到某个边界，则认为决策完成。因此，序贯似然比检验分类方法利用概率比检验方法计算每段特征的分类信息，从数据起始点开始累积分类信息，逐次取样，直到累积决策变量到达某一阈值时做出判断，停止累积。该方法能够反映决策过程对支持选择证据做出的适应性反应以及决策速度与准确性之间的权衡，因此适用于在线脑机接口***。然而，如今序贯似然比检验分类方法都是从实验开始时就进行脑电特征信息的累积，其最大累积时间窗长为整段数据长度。国内外知觉决策领域的研究表明，决策的过程包括刺激感知，注意，证据累积以及运动执行等过程。在刺激感知，注意等阶段进行决策信息的累积对分类结果是无益的，反而增加了脑机接口***的决策时间，降低了***的实时性。因此，对证据累积过程进行定位，明确有效信息累积的起始点，能够降低基于序贯决策模型的动态分类器的计算量，缩短算法的最大累积时间窗长，以提高脑机接口***的实时性能。

发明内容

为了克服现有技术中存在的问题，本发明目的是提供一种脑机接口***决策模型的参数优化方法。本发明利用线性空间一体化单次探测法对决策过程中的证据累积起始过程进行定位，从而进一步优化脑机接口***决策模型参数。该方法通过对证据累积起始过程进行定位，排除动态分类器在无关过程进行脑电特征累积的时间损耗，不仅降低了序贯信息的累积时间，而且提高了决策效率，从而进一步提高脑机接口***的实时性。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种脑机接口***决策模型的参数优化方法，包括以下步骤：

步骤1、采集脑电信号训练数据并进行预处理，利用脑电采集设备采集随机点运动方向识别任务下的脑电信号作为训练数据，根据运动方向以及实验难度不同，该随机点运动方向包括低难度左、低难度右、中难度左、中难度右、高难度左及高难度右六种不同识别任务，并对采集到的脑电信号进行滤波、去除伪迹预处理；根据随机点运动方向标签对采集的脑电信号进行分段处理，并用以区分不同的实验试次，分段时间对于同一受试者同一难度的不同实验试次需要保持一致，且所取的分段时间长短需要包含刺激出现到做出反应的过程，即受试者进行决策的过程；

步骤2、线性空间一体化单次探测法数据分类及证据累积起始过程定位，通过线性空间一体化单次探测法，对实验中两种数据类别进行识别，比如对运动方向的识别，左或右，对实验难度的识别，难或易，具体包括以下子步骤：

(a)构造分类原始数据X，分类原始数据X应包括两类数据，例如左、右运动方向两类数据，即X₁和X₂，其中，X₁是一个n_channels×T_sample×N₁的数据矩阵，X₂是一个n_channels×T_sample×N₂的数据矩阵，其中N₁与N₂分别代表两类数据包含的实验试次数，T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，而分类原始数据X＝[X₁,X₂],为一个n_channels×T_sample×(N₁+N₂)的矩阵，并将得到的分类原始数据X形式转换成(T_sample×N_trials)×n_channels的矩阵形式用于接下来的分类识别中，N_trials为进行分类识别的数据所包含的所有实验试次数，N_trials＝N₁+N₂；

(b)构造滑动窗，滑动窗的窗宽为δ个采样点，单次滑动距离为τ个采样点，对于采样点数为T_sample的数据共可分为个滑动窗，其中表示下取整的意思，每次滑动窗的位置分别是[1+(i-1)·τ,δ+(i-1)·τ],i＝1,2,…,K，利用窗内数据对分类器进行训练，通过分类准确率的变化趋势来明确证据累积的时间起始点；

(c)构造类标序列L，根据子步骤(a)中得到的原始脑电分类数据以及子步骤(b)中的滑动窗，构造包含元素{0,1}的类标序列L，L是一个(δ×N_trials)×1的列向量，其中δ为滑动窗的窗长，N_trials为进行分类识别的数据所包含的所有实验试次数；

(d)使用逻辑回归线性分类器，对步骤(b)中构建的各滑动窗内的分类原始数据估计一个最优空间权值矢量w_τ,δ，该权值能够对该窗内两类数据进行最大化识别，通过公式(1)计算得到分类结果y，

y＝w^TX+b (1)

式中，w为该线性分类器的空间权值矢量，w^T表示w的转置矩阵，b为偏差项，X为分类原始数据，此时假设分类原始数据的样本归类概率满足公式(2)，

式中，p(c＝+1|X)表示X被判断为类c＝+1的概率，而p(c＝-1|X)表示X被判断为类c＝-1的概率，通过迭代重加权最小二乘法来获得最优的空间权值w，具体迭代过程通过公式(3)加以实现，

式中，X为分类原始数据，X^T为X的转置，p为样本的归类概率向量，*代表内积，.*代表矢量积，d表示包含脑电样本类标的列向量，即子步骤(c)中的L，diag()表示将一个矢量转换成对角矩阵，g代表梯度向量，H为Fisher信息矩阵得到的海森阵，Λ为迭代过程中的惩罚因子，在执行的过程中，原本线性分类的偏差项b被合并到空间权值w中，通过公式(4)描述，

空间权值w初始化为10^-3*ones(n_channels+1,1)，其中ones(n_channels+1,1)表示一个(n_channels+1)×1的全1矩阵，n_channels代表进行采集的导联数，重复迭代过程一直到空间权值w收敛为止，从而得到最优分类的空间权值w，由于整个分类过程是针对于起始点为1+(i-1)·τ，i＝1,2,…,K，窗长为δ的滑动窗内数据，因此此时最优分类空间权值w视为w_τ,δ,其中表示采样点数为T_sample的数据分出的滑动窗个数，τ表示每次滑动的距离；

(e)将子步骤(d)中求取的最优分类的空间权值w_τ,δ带入公式(1)中，得到分类结果y，并利用公式(2)计算y的概率分布，同时利用分类结果y的概率分布结果与子步骤(c)构造的类标序列绘制感受性曲线，即ROC曲线，并计算ROC曲线下的面积Az；

(f)对不同时间窗内数据得到的分类结果Az进行统计，绘制Az随时间窗变化的曲线，由于随着证据累积的开始，对两类任务的分类效果应该是呈现一种上升的趋势，即证据累积越多越充足，做出正确判断的准确性越高，且理应在决策执行时，达到最大；因此，对Az随时间窗变化的曲线进行分析，观察其持续上升阶段的时间起点，用以确定证据累积开始时刻，并将该时刻作为接下来基于序贯决策模型的在线脑机接口***的信息特征累积开始时刻，从而排除累积的无关分类信息，仅对有效分类信息进行累积，由此减少处理时间，达到提高脑机接口***的实时性的目的。

本发明有益效果是：一种脑机接口***决策模型的参数优化方法，包括以下步骤：(1)采集脑电信号训练数据并进行预处理，(2)线性空间一体化单次探测法数据分类及证据累积起始过程定位。与已有技术相比，本发明采用线性空间一体化单次探测方法，对训练数据中的两种实验情况进行分类识别，通过分析识别的准确率在单次实验期间随着时间的变化的趋势，对决策模型中的证据累积过程进行时间上的定位，从而优化序贯决策模型的信息累积参数，与先前的序贯决策模型相比，该发明通过对决策模型中的证据累积过程进行定位，排除了无效分类信息累积过程，缩短了最大累积时间窗长，提高了基于该决策模型的在线脑机接口***的实时性。

附图说明

图1是本发明方法步骤流程图。

图2是本发明脑电采集所采用的随机点左右运动方向识别实验范式图。

图3是本发明中所有受试者运动方向识别准确率均值随着滑动窗滑动的变化趋势图。

图4是本发明中所有受试者实验难度识别准确率均值随着滑动窗滑动的变化趋势图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种脑机接口***决策模型的参数优化方法，包括以下步骤：

步骤1，采集10位受试者脑电信号训练数据并进行预处理，利用脑电采集设备NeuroScan以及36导电极帽采集三种实验难度的随机点左右运动方向识别任务下的脑电信号作为训练数据，脑电采样率为500Hz，并设置0.1-70Hz的带通滤波器。其中脑电采集实验范式如图2所示，采集过程中需要受试者注视屏幕，在一声“Beep”提示后实验开始，提示声结束后1.5s，随机点刺激出现。随机点刺激包括两个部分，其一是向同一个方向一致运动的随机点；其二是向各个方向随机运动的随机点。在随机点出现时，受试者需要尽快识别向同一方向一致运动的随机点的运动方向，并根据判断，做出对应的反应，例如左右手按键反应，一旦受试做出反应，则随机点消失，刺激消失后，被试者进行2秒的休息，进入下一次试验。实验通过改变一致运动的随机点的比例来设定三种不同的实验难度。因此将采集的脑电数据分成了六类：低难度左，低难度右，中难度左，中难度右，高难度左，高难度右。针对于每一种难度，按以上流程循环，每一种难度采集210次正确反应的数据。采集信号之后，对采集到的脑电信号进行预处理，包括利用0.1-30Hz的滤波器去除大多数高频以及直流成分，然后采用独立成分分析，阈值法等方法去除眼电等伪迹。随后，根据随机点运动方向标签对预处理后的脑电信号进行分段处理，用以区分不同的实验试次，分段时间对于同一受试者同一难度的不同实验试次需要保持一致，且所取的分段时间长短需要包含刺激出现到做出反应的过程，即受试者进行决策的过程；在对数据进行分段之后，进入步骤2。

步骤2，线性空间一体化单次探测法数据分类及证据累积起始过程定位，通过线性空间一体化单次探测法，对实验中两种数据类别进行识别，比如对运动方向的识别，左或右，对实验难度的识别，难或易，具体包括以下子步骤：

(a)构造分类原始数据X，分类原始数据X应包括两类数据，两类数据定义为X₁和X₂，其中，X₁是一个n_channels×T_sample×N₁的数据矩阵，X₂是一个n_channels×T_sample×N₂的数据矩阵，其中N₁与N₂分别代表两类数据包含的实验试次数，T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，而分类原始数据X＝[X₁,X₂],为一个n_channels×T_sample×(N₁+N₂)的矩阵，并将得到的分类原始数据X形式转换成(T_sample×N_trials)×n_channels的矩阵形式用于接下来的分类识别中，N_trials为进行分类识别的数据所包含的所有实验试次数，N_trials＝N₁+N₂；

本发明中一共是两种识别内容，分别是运动方向识别和实验难度识别，因此分类原始数据有两类：

对于运动方向识别：基于随机点的标签，将已分段的脑电数据分成两类X_L、X_R，分别表示左方向数据与右方向数据，即上文的X₁、X₂。再进行重构得到新的脑电分类数据X＝[X_L,X_R]，为一个n_channels×T_sample×(N_L+N_R)大小的矩阵。其中T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，N_L和N_R分别代表左方向和右方向的实验次数。

对于难度水平识别：将三种实验难度分为两种难度识别任务，即低难度和中难度的识别，低难度和高难度的识别。首先将三种实验难度中的低难度与中难度对应的脑电数据取出，组合得到新的脑电数据X＝[X_LD,X_MD]，其中X_LD、X_MD分别代表低难度数据与中难度数据，即上文X₁、X₂。此时新的脑电数据X为一个n_channels×T_sample×(N_LD+N_MD)大小的矩阵。其中T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，N_LD、N_MD分别代表低难度和中难度的实验次数。

其次将三种实验难度中的低难度与高难度对应的脑电数据取出，组合得到另一个新的脑电数据X＝[X_LD,X_HD]，其中X_LD、X_HD分别代表低难度数据与高难度数据，即上文X₁、X₂。此时新的脑电数据X为一个n_channels×T_sample×(N_LD+N_HD)大小的矩阵。其中T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，N_LD、N_HD分别代表低难度和高难度的实验次数。

(b)构造滑动窗；滑动窗的窗宽为δ个采样点，单次滑动距离为τ个采样点，对于采样点数为T_sample的数据共可分为个滑动窗，其中表示下取整的意思。每次滑动窗的位置分别是[1+(i-1)·τ,δ+(i-1)·τ],i＝1,2,…,K。利用窗内数据对分类器进行训练，通过分类准确率的变化趋势来明确证据累积的时间起始点。本发明滑动窗窗宽设定为δ＝30个采样点，单次滑动距离τ＝15个采样点。

(c)，构造类标序列L；根据子步骤(a)中得到的原始脑电分类数据以及子步骤(b)中的滑动窗，构造包含元素{0,1}的类标序列L，L是一个(δ×N_trials)×1的列向量。此时δ为滑动窗的窗长，N_trials为进行分类识别的数据所包含的所有实验试次数。

(d)逻辑回归估计最优空间权值矢量；使用逻辑回归，对步骤(b)中构建的各滑动窗内的分类原始数据估计一个最优空间权值矢量w_τ,δ，该权值能够对该窗内两类数据进行最大化识别，其中逻辑回归是一种线性分类器，通过公式(1)计算得到分类结果y，

y＝w^TX+b (1)

式中，w为该线性分类器的空间权值矢量，w^T表示w的转置矩阵，b为偏差项，X为分类原始数据，此时假设分类原始数据的样本归类概率满足公式(2)，

式中，p(c＝+1|X)表示X被判断为类c＝+1的概率，而p(c＝-1|X)表示X被判断为类c＝-1的概率，通过迭代重加权最小二乘法来获得最优的空间权值w，具体迭代过程通过公式(3)加以实现，

式中，X为分类原始数据，X^T为X的转置，p为样本的归类概率，*代表内积，.*代表矢量积，d表示一个包含每个脑电样本类标{1,0}的列向量，即子步骤(c)中的L，diag()可以将一个矢量转换成对角矩阵，列向量g代表梯度，H为Fisher信息矩阵得到的海森阵，Λ为迭代过程中的惩罚因子。在执行的过程中，原本线性分类的偏差项b被合并到空间权值w中，因此在上述迭代过程中并未出现，通过公式(4)描述，

空间权值w初始化为10^-3*ones(n_channels+1,1)，其中ones(n_channels+1,1)表示一个(n_channels+1)×1的全1矩阵，n_channels代表进行采集的导联数，重复迭代过程一直到空间权值w收敛为止，从而得到最优分类的空间权值w，由于整个分类过程是针对于起始点为1+(i-1)·τ，i＝1,2,…,K，窗长为δ的滑动窗内数据，因此此时最优分类空间权值w视为w_τ,δ,其中表示采样点数为T_sample的数据分出的滑动窗个数，τ表示每次滑动的距离；

(e)根据分类结果绘制感受性曲线，即ROC曲线并求解曲线下面积；将子步骤(d)中求取的最优分类的空间权值w_τ,δ代入y＝w^TX+b中，得到分类结果y，并利用公式(2)计算y的概率分布，同时利用分类结果y的概率分布结果与子步骤(c)构造的类标序列绘制ROC曲线，并计算ROC曲线下的面积Az；

(f)Az变化趋势分析并定位证据累积过程；对不同时间窗内数据得到的分类结果Az进行统计，绘制Az随时间窗变化的曲线。其中运动方向识别的曲线如图3所示，而实验难度识别曲线如图4所示。由于随着证据累积的开始，对两类任务的分类效果应该是呈现一种上升的趋势，即证据累积越多越充足，做出正确判断的准确性越高，且理应在决策执行时，达到最大；因此，对Az随时间窗变化的曲线进行分析，发现观察其持续上升阶段的时间起点，用以确定证据累积开始时刻，并将该时刻作为接下来基于序贯决策模型的在线脑机接口***的信息特征累积开始时刻。从图3和图4可以看出两条曲线中Az皆是从第7个滑动窗的位置开始呈现持续上升的变化趋势，对应于时间轴大约发生在刺激出现后210ms左右，因此将刺激后210ms作为最大累积时间窗的起点，从而排除此时刻点之前无关分类信息，仅对有效分类信息进行累积，由此减少处理时间，达到提高脑机接口***的实时性的目的。

Claims (1)

1.一种脑机接口***决策模型的参数优化方法，其特征在于包括以下步骤：

步骤1、采集脑电信号训练数据并进行预处理，利用脑电采集设备采集随机点运动方向识别任务下的脑电信号作为训练数据，根据运动方向以及实验难度不同，该随机点运动方向包括低难度左、低难度右、中难度左、中难度右、高难度左及高难度右六种不同识别任务，并对采集到的脑电信号进行滤波、去除伪迹预处理；根据随机点运动方向标签对采集的脑电信号进行分段处理，并用以区分不同的实验试次，分段时间对于同一受试者同一难度的不同实验试次需要保持一致，且所取的分段时间长短需要包含刺激出现到做出反应的过程，即受试者进行决策的过程；

步骤2、线性空间一体化单次探测法数据分类及证据累积起始过程定位，通过线性空间一体化单次探测法，对实验中两种数据类别进行识别：对运动方向的识别，左或右；对实验难度的识别，难或易，具体包括以下子步骤：

(a)构造分类原始数据X，分类原始数据X应包括两类数据：左、右运动方向两类数据，即X₁和X₂，其中，X₁是一个n_channels×T_sample×N₁的数据矩阵，X₂是一个n_channels×T_sample×N₂的数据矩阵，其中N₁与N₂分别代表两类数据包含的实验试次数，T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，而分类原始数据X＝[X₁,X₂],为一个n_channels×T_sample×(N₁+N₂)的矩阵，并将得到的分类原始数据X形式转换成(T_sample×N_trials)×n_channels的矩阵形式用于接下来的分类识别中，N_trials为进行分类识别的数据所包含的所有实验试次数，N_trials＝N₁+N₂；

(b)构造滑动窗，滑动窗的窗宽为δ个采样点，单次滑动距离为τ个采样点，对于采样点数为T_sample的数据共可分为个滑动窗，其中表示下取整的意思，每次滑动窗的位置分别是[1+(i-1)·τ,δ+(i-1)·τ],i＝1,2,…,K，利用窗内数据对分类器进行训练，通过分类准确率的变化趋势来明确证据累积的时间起始点；

(c)构造类标序列L，根据子步骤(a)中得到的原始脑电分类数据以及子步骤(b)中的滑动窗，构造包含元素{0,1}的类标序列L，L是一个(δ×N_trials)×1的列向量，其中δ为滑动窗的窗长，N_trials为进行分类识别的数据所包含的所有实验试次数；

(d)使用逻辑回归线性分类器，对步骤(b)中构建的各滑动窗内的分类原始数据估计一个最优空间权值矢量w_τ,δ，该权值能够对该窗内两类数据进行最大化识别，通过公式(1)计算得到分类结果y，

y＝w^TX+b (1)

式中，w为该线性分类器的空间权值矢量，w^T表示w的转置矩阵，b为偏差项，X为分类原始数据，此时假设分类原始数据的样本归类概率满足公式(2)，

式中，p(c＝+1|X)表示X被判断为类c＝+1的概率，而p(c＝-1|X)表示X被判断为类c＝-1的概率，通过迭代重加权最小二乘法来获得最优的空间权值w，具体迭代过程通过公式(3)加以实现，

式中，X为分类原始数据，X^T为X的转置，p为样本的归类概率向量，*代表内积，.*代表矢量积，d表示包含脑电样本类标的列向量，即子步骤(c)中的L，diag()表示将一个矢量转换成对角矩阵，g代表梯度向量，H为Fisher信息矩阵得到的海森阵，Λ为迭代过程中的惩罚因子，在执行的过程中，原本线性分类的偏差项b被合并到空间权值w中，通过公式(4)描述，

空间权值w初始化为10^-3*ones(n_channels+1,1)，其中ones(n_channels+1,1)表示一个(n_channels+1)×1的全1矩阵，n_channels代表进行采集的导联数，重复迭代过程一直到空间权值w收敛为止，从而得到最优分类的空间权值w，由于整个分类过程是针对于起始点为1+(i-1)·τ，i＝1,2,…,K，窗长为δ的滑动窗内数据，因此此时最优分类空间权值w视为w_τ,δ,其中表示采样点数为T_sample的数据分出的滑动窗个数，τ表示每次滑动的距离；

(e)将子步骤(d)中求取的最优分类的空间权值w_τ,δ带入公式(1)中，得到分类结果y，并利用公式(2)计算y的概率分布，同时利用分类结果y的概率分布结果与子步骤(c)构造的类标序列绘制感受性曲线，即ROC曲线，并计算ROC曲线下的面积Az；

(f)对不同时间窗内数据得到的分类结果Az进行统计，绘制Az随时间窗变化的曲线，由于随着证据累积的开始，对两类任务的分类效果应该是呈现一种上升的趋势，即证据累积越多越充足，做出正确判断的准确性越高，且理应在决策执行时，达到最大；因此，对Az随时间窗变化的曲线进行分析，观察其持续上升阶段的时间起点，用以确定证据累积开始时刻，并将该时刻作为接下来基于序贯决策模型的在线脑机接口***的信息特征累积开始时刻，从而排除累积的无关分类信息，仅对有效分类信息进行累积，由此减少处理时间，达到提高脑机接口***的实时性的目的。