CN108470182A - 一种用于非对称脑电特征增强与识别的脑-机接口方法 - Google Patents
一种用于非对称脑电特征增强与识别的脑-机接口方法 Download PDFInfo
- Publication number
- CN108470182A CN108470182A CN201810065848.0A CN201810065848A CN108470182A CN 108470182 A CN108470182 A CN 108470182A CN 201810065848 A CN201810065848 A CN 201810065848A CN 108470182 A CN108470182 A CN 108470182A
- Authority
- CN
- China
- Prior art keywords
- brain
- eeg signals
- feature
- test sample
- training set
- 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.)
- Granted
Links
Classifications
-
- 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
-
- 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
- A61B5/72—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种用于非对称脑电特征增强与识别的脑‑机接口方法,包括如下步骤:步骤一,通过脑‑机接口***建立包括训练集Xk、训练样本Yl和测试样本·Y的脑电信号模块;步骤二,对脑电信号模块中测试样本·Y进行频域滤波和降采样数据处理;步骤三,基于Fisher线性判别准则,对脑电信号模块中训练集Xk进行计算得到空间投影矩阵W;步骤四,对脑电信号模块中训练集Xk和测试样本·Y按照如下公式进行DSP空间滤波获得和WTY特征向量;步骤五,根据和WTY特征向量进行CCA空间滤波构建投影矩阵Uk和Vk;通过获得特征向量WTY、投影矩阵Uk和Vk按照如下公式进行模板匹配生成特征向量ρl;采用不同分类器模型对特征向量ρl进行识别后输出;该方法提高脑电信号自身信噪比从而提高信号特征的分类识别效率。
Description
技术领域
本发明涉及脑-机接口***技术领域,具体涉及一种用于非对称脑电特征增强与识别的脑-机接口方法。
背景技术
脑-机接口(Brain-Computer Interface,BCI)是一个将中枢神经***活动直接转化为人工输出的***,它能够替代、修复、增强、补充或者改善中枢神经***的正常输出,从而改善中枢神经***与内外环境之间的交互作用。通过采集和分析不同刺激下受试者的脑电信号,再使用一定的工程技术手段建立起人脑与计算机或其它电子设备之间的交流和控制通道。BCI技术实现了一种全新的信息交互与控制方式,可以为残疾人尤其是那些基本肢体运动功能受损但思维正常的患者提供一种与外界进行信息交流和控制的途径,使他们无需进行语言或肢体动作即可同外界交流或操纵外界设备。为此,BCI技术也越来越受到重视。基于事件相关电位(Event-Related Potential,ERP)中P300特征的P300-speller和基于稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)的SSVEP-BCI是应用较广泛的视觉刺激诱发的脑-机接口***,其相关技术已经发展得较为稳定和成熟。
对于实时数据采集***,为了消除干扰信号,通常需要对采集到的数据进行数字滤波,传统滤波方法通常将特定波段频率滤除,如:低通滤波、高通滤波、带通滤波、陷波等等。脑电信号具有非线性及非平稳性的特征,在脑-机接口***的研究中,如何对采集到的脑电信号进行处理分析,从繁杂的背景脑电中提取微弱的脑电信号特征并对不同特征进行分类识别是决定BCI***性能的关键性因素,由于脑电信号存在频率特性,因此滤波手段也常用于脑电信号的处理分析中,通常滤波频段会根据不同脑电特征进行调整。滤波后,对传统脑电信号进行分类识别方法有线性判别分析(Linear Discriminant Analysis,LDA),共空间模式(Common Spatial Pattern,CSP),支持向量机(Support Vector Machine,SVM),典型相关分析(Canonical Correlation Analysis,CCA)等方法。这些方法均包含空间滤波的思想,即在高维空间选择一个或几个分类平面,将其向量作为空间滤波器对信号进行空间滤波,目的是将高维信号降至低维,便于对其进行分类。典型相关分析算法目前被普遍应用于SSVEP-BCI***中,且有研究对该算法做了进一步改进,即在脑电信息处理过程中应用模板匹配原则引入了受试者自身信号,提升了***的识别正确率和信息传输速率,为将BCI技术进一步向应用成果转化奠定了有力基础。
发明内容
本发明的目的在于克服上述背景技术存在的缺陷,提供一种用于非对称脑电特征增强与识别的脑-机接口方法,该方法是结合判别模式空间滤波及模板匹配原则的特征分类方法,在现有的模板匹配CCA分类策略的基础之上,引入DSP空间滤波方法,并根据不同刺激范式的编码策略构建不同解码模板,以提高脑电信号自身信噪比从而提高信号特征的分类识别效率。
本发明采用如下技术方案予以实施:
一种用于非对称脑电特征增强与识别的脑-机接口方法,包括如下步骤:
步骤一,通过脑-机接口***建立包括训练集Xk、训练样本Yl和测试样本·Y的脑电信号数据集
步骤二,对脑电信号数据集中测试样本·Y进行频域滤波和降采样数据处理;
步骤三,基于Fisher线性判别准则,对脑电信号模块中训练集Xk进行计算得到空间投影矩阵W;
步骤四,对脑电信号数据集中训练集Xk和测试样本·Y按照如下公式进行DSP空间滤波获得和WTY特征向量;
SB=∑11+∑22-∑12-∑21
Sw=σ1 2+σ2 2
步骤五,根据和WTY特征向量采用如下公式进行CCA空间滤波构建投影矩阵Uk和Vk;
步骤六,通过获得特征向量WTY、投影矩阵Uk和Vk按照如下公式进行模板匹配生成特征向量ρl;
步骤七,采用不同分类器模型对特征向量ρl进行识别后输出。
所述训练集k表示两类特征,即k=1,2;所述训练样本所述测试样本其中Nc表示采集脑电的通道数,Nt表示截取信号长度,Ns表示训练集样本个数。
与现有技术相比,本发明具有的优点:
1、本发明是用于非对称脑电特征的分类识别,可以有效提升识别信号的信噪比并提升分
类正确率。
2、本发明用于非对称脑电特征控制的脑-机接口***中,对非对称脑电特征的平均分类正确率较传统分类方法提高了17.88%,证明利用该方法能进一步完善脑-机接口技术,促进该技术向应用成果转化;应用范围广泛。
3、本发明已应用于基于非对称脑电特征控制的脑-机接口***,设计实施了指令集为32的BCI-speller离线和在线脑-机接口***实验;进一步研究可以得到完善的脑-机接口***,有望获得可观的社会效益和经济效益。
附图说明
图1为本发明一种用于非对称脑电特征增强与识别的脑-机接口方法流程图。
图2为本发明应在包含32指令集的脑-机接口***结构示意图。
具体实施方式
下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明,并不对本发明作任何的限制。
如图1所示,本发明提供一种用于非对称脑电特征增强与识别的脑-机接口方法;
步骤一101,通过脑-机接口***建立包括训练集Xk、训练样本Yl和测试样本·Y的脑电信数据集
假定为训练集,k表示两类特征,即k=1,2,为两类训练样本,l=1,2,为测试样本,其中Nc表示采集脑电的通道数,Nt表示截取信号长度,Ns表示训练集样本个数。训练集和测试集都在时间尺度上进行了零均值处理,即每一个时间点的数值st都减去时间窗[t1,t2]内的时间平均值如公式(1)所示:
对训练集所有样本求均值得到类别k的模板信号,由表示。两类模板之间的协方差矩阵表示为:
两类信号X1和X2的方差分别表示为:
步骤二102,从脑电信号数据集中选测试样本进行频域滤波和降采样数据处理;
步骤三103,基于Fisher线性判别准则,对脑电信号模块中训练集Xk进行计算得到空间投影矩阵W;
步骤四104,对脑电信号数据集中训练集Xk和测试样本·Y按照如下公式进行DSP空间滤波获得和WTY特征向量
基于Fisher线性判别准则,DSP算法求得一个投影矩阵W使两类特征信号投射之后具有更大的可分性,该矩阵W可被当做空间滤波器,其求解方法为:
SB=∑11+∑22-∑12-∑21 (6)
Sw=σ1 2+σ2 2 (7)
其中λi是矩阵W中第i列的特征向量,NW表示被挑选出的空间滤波器个数。经W空间滤波可以滤除两类信号之间的共模信号,而应用CCA算法可以通过构造两个投影矩阵Uk和Vk来计算DSP空间滤波后和WTY之间的相关性,CCA空间滤波器Uk和Vk由下述公式(8)计算得到。
步骤五105,根据和WTY特征向量采用如下公式进行CCA空间滤波构建投影矩阵Uk和Vk
其中,表示数学期望。典型相关分析是衡量两个多维变量之间的线性相关关系的统计分析方法。区别于在线性回归中利用直线来拟合样本点,CCA是将多维特征向量都看作一个整体,利用数学方法寻求一组最优解,使得两个整体之间有最大关联的权重,即令公式(8)计算得到的数值最大,这就是典型相关分析的目的。
步骤六106,通过获得特征向量WTY、投影矩阵Uk和Vk按照如下公式进行模板匹配生成特征向量ρl;
在模板匹配过程中,由训练集数据构建模板,根据刺激方式的不同,模板构建也可进行相应调整,以对非对称脑电特征信号的分类为例,公式(9)所示的向量ρk表示训练模板和训练样本信号l之间的相似性。
其中corr(*)表示皮尔森相关系数,dist(*)表示欧几里德距离。若ρk1,ρk2,ρk3,ρk4和ρk5越大,则表示Yl和之间的相关性越大。连接ρ1·,l和ρ2·,l即可得到训练模板和训练样本经特征提取后得到的特征向量ρM,由公式(10)所示:
ρl=(ρ1·l,ρ2·l),l=1,2 (10)
步骤七107,采用不同分类器模型对特征向量ρl进行识别后输出。
根据特征向量ρl建立线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vector Machine,SVM)等不同模式识别算法的不同分类器模型,测试样本Y经预处理和特征提取后送入分类器进行模式识别,进而预测该样本的类别并输出结果,如图1所示。
图2所示为本发明算法应用的包含32指令集的脑-机接口***结构示意图。该***包括液晶显示器刺激界面、脑电电极和脑电放大器等脑电采集***以及计算机处理平台等部分。该***应用视觉刺激范式诱发两类非对称脑电特征,采用NeuroScan公司生产的脑电数字采集***采集脑电信号,将信号经过脑电放大器放大、滤波后输入计算机,应用本发明算法对两类脑电特征进行分类,最终将脑电信号解码后转化为BCI指令进行输出。刺激呈现及数据处理分析均基于Matlab平台完成。
计算两类非对称脑电特征信号的信噪比(signal-to-noise rate,SNR)分别为-17.98dB和-14.90dB,SNR定义为信号能量与噪声能量之比,其计算公式为:
其中AMPi表示第i个试次时间窗内的信号的平均幅值,N表示试次数量。
本发明算法应用的BCI***对12名受试者进行了测试。实验结果表明,在应用本发明算法后,12名被试的平均分类正确率提升17.88%,有显著性提升(配对T检验结果为:t11=-8.91,p<0.01),且两类特征信号的信噪比经DSP空间滤波后分别提升至-9.71dB和-8.68dB。
应当理解的是,这里所讨论的实施方案及实例只是为了说明,对本领域技术人员来说,可以加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种用于非对称脑电特征增强与识别的脑-机接口方法,其特征在于,包括如下步骤:
步骤一,通过脑-机接口***建立包括训练集Xk、训练样本Yl和测试样本·Y的脑电信号数据集
步骤二,对脑电信号数据集中测试样本·Y进行频域滤波和降采样数据处理;
步骤三,基于Fisher线性判别准则,对脑电信号模块中训练集Xk进行计算得到空间投影矩阵W;
步骤四,对脑电信号数据集中训练集Xk和测试样本·Y按照如下公式进行DSP空间滤波获得和WTY特征向量;
SB=∑11+∑22-∑12-∑21
Sw=σ1 2+σ2 2
步骤五,根据和WTY特征向量采用如下公式进行CCA空间滤波构建投影矩阵Uk和Vk;
步骤六,通过获得特征向量WTY、投影矩阵Uk和Vk按照如下公式进行模板匹配生成特征向量ρl;
步骤七,采用不同分类器模型对特征向量ρl进行识别后输出。
2.根据权利要求1所述的一种用于非对称脑电特征增强与识别的脑-机接口方法,其特征在于:所述训练集k表示两类特征,即k=1,2;所述训练样本所述测试样本其中Nc表示采集脑电的通道数,Nt表示截取信号长度,Ns表示训练集样本个数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065848.0A CN108470182B (zh) | 2018-01-23 | 2018-01-23 | 一种用于非对称脑电特征增强与识别的脑-机接口方法 |
PCT/CN2018/125927 WO2019144776A1 (zh) | 2018-01-23 | 2018-12-30 | 一种基于非对称脑电特征的脑-机接口***编解码方法 |
US16/616,834 US11221672B2 (en) | 2018-01-23 | 2018-12-30 | Asymmetric EEG-based coding and decoding method for brain-computer interfaces |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065848.0A CN108470182B (zh) | 2018-01-23 | 2018-01-23 | 一种用于非对称脑电特征增强与识别的脑-机接口方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470182A true CN108470182A (zh) | 2018-08-31 |
CN108470182B CN108470182B (zh) | 2022-04-29 |
Family
ID=63266061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810065848.0A Active CN108470182B (zh) | 2018-01-23 | 2018-01-23 | 一种用于非对称脑电特征增强与识别的脑-机接口方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470182B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144776A1 (zh) * | 2018-01-23 | 2019-08-01 | 天津大学 | 一种基于非对称脑电特征的脑-机接口***编解码方法 |
CN111158462A (zh) * | 2019-11-28 | 2020-05-15 | 燕山大学 | 基于实施边界规避任务模型提高脑电唤醒度的方法 |
CN113591598A (zh) * | 2021-07-07 | 2021-11-02 | 河北工业大学 | 一种基于相关性分析的脑-机接口跨负荷线性判别方法 |
CN113705732A (zh) * | 2021-09-26 | 2021-11-26 | 华东理工大学 | 基于通用模型的减少p300训练时间的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776572A (zh) * | 2005-12-08 | 2006-05-24 | 清华大学 | 基于稳态视觉诱发脑电波的计算机人机交互方法 |
CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测***及检测方法 |
CN101159086A (zh) * | 2007-11-22 | 2008-04-09 | 中国人民解放军国防科学技术大学 | 基于脑电信息检波的呼叫装置 |
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
CN106502410A (zh) * | 2016-10-27 | 2017-03-15 | 天津大学 | 提高脑‑机接口中运动想象能力的经颅电刺激装置和方法 |
-
2018
- 2018-01-23 CN CN201810065848.0A patent/CN108470182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776572A (zh) * | 2005-12-08 | 2006-05-24 | 清华大学 | 基于稳态视觉诱发脑电波的计算机人机交互方法 |
CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测***及检测方法 |
CN101159086A (zh) * | 2007-11-22 | 2008-04-09 | 中国人民解放军国防科学技术大学 | 基于脑电信息检波的呼叫装置 |
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
CN106502410A (zh) * | 2016-10-27 | 2017-03-15 | 天津大学 | 提高脑‑机接口中运动想象能力的经颅电刺激装置和方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144776A1 (zh) * | 2018-01-23 | 2019-08-01 | 天津大学 | 一种基于非对称脑电特征的脑-机接口***编解码方法 |
US11221672B2 (en) | 2018-01-23 | 2022-01-11 | Tianjin University | Asymmetric EEG-based coding and decoding method for brain-computer interfaces |
CN111158462A (zh) * | 2019-11-28 | 2020-05-15 | 燕山大学 | 基于实施边界规避任务模型提高脑电唤醒度的方法 |
CN111158462B (zh) * | 2019-11-28 | 2021-02-02 | 燕山大学 | 基于实施边界规避任务模型提高脑电唤醒度的方法 |
CN113591598A (zh) * | 2021-07-07 | 2021-11-02 | 河北工业大学 | 一种基于相关性分析的脑-机接口跨负荷线性判别方法 |
CN113591598B (zh) * | 2021-07-07 | 2024-07-12 | 河北工业大学 | 一种基于相关性分析的脑-机接口跨负荷线性判别方法 |
CN113705732A (zh) * | 2021-09-26 | 2021-11-26 | 华东理工大学 | 基于通用模型的减少p300训练时间的方法及装置 |
CN113705732B (zh) * | 2021-09-26 | 2024-02-02 | 华东理工大学 | 基于通用模型的减少p300训练时间的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108470182B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tiwari et al. | Automated diagnosis of epilepsy using key-point-based local binary pattern of EEG signals | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测***及方法 | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** | |
CN108470182A (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
Lee et al. | A brain-wave-actuated small robot car using ensemble empirical mode decomposition-based approach | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
US11221672B2 (en) | Asymmetric EEG-based coding and decoding method for brain-computer interfaces | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及*** | |
CN108577865A (zh) | 一种心理状态确定方法及装置 | |
CN109766751B (zh) | 基于频域编码的稳态视觉诱发脑电身份识别方法及*** | |
Keshishzadeh et al. | Improved EEG based human authentication system on large dataset | |
CN112603335B (zh) | 脑电情感识别方法、***、设备及存储介质 | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及*** | |
CN109222966A (zh) | 一种基于变分自编码器的脑电信号情感分类方法 | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、***及可存储介质 | |
Ma et al. | A classification algorithm of an SSVEP brain-Computer interface based on CCA fusion wavelet coefficients | |
Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
Gnana Rajesh | Analysis of MFCC features for EEG signal classification | |
CN111616680A (zh) | 一种脑力负荷自动辨识方法及*** | |
CN113907770B (zh) | 基于特征融合的棘慢复合波检测识别方法及*** | |
CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
CN113017648B (zh) | 一种脑电信号识别方法和*** | |
Wei et al. | Mild cognitive impairment classification convolutional neural network with attention mechanism | |
Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
Kelati et al. | Machine learning for semg facial feature characterization |
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 |