CN109214325B - 一种基于空间滤波与模版匹配的运动相关电位检测方法 - Google Patents

一种基于空间滤波与模版匹配的运动相关电位检测方法 Download PDF

Info

Publication number
CN109214325B
CN109214325B CN201810988364.3A CN201810988364A CN109214325B CN 109214325 B CN109214325 B CN 109214325B CN 201810988364 A CN201810988364 A CN 201810988364A CN 109214325 B CN109214325 B CN 109214325B
Authority
CN
China
Prior art keywords
data
filter
spatial
template
filtering
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
Application number
CN201810988364.3A
Other languages
English (en)
Other versions
CN109214325A (zh
Inventor
明东
王坤
许敏鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201810988364.3A priority Critical patent/CN109214325B/zh
Priority to PCT/CN2018/125926 priority patent/WO2020042511A1/zh
Publication of CN109214325A publication Critical patent/CN109214325A/zh
Application granted granted Critical
Publication of CN109214325B publication Critical patent/CN109214325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (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空间滤波与模版匹配的运动相关电位检测方法，所述方法包括以下步骤：利用预处理后的脑电数据构建任务相关成分空间滤波器，脑电数据经过任务相关成分空间滤波器滤波后为第一滤波数据；利用预处理后的脑电数据构建空间模式滤波器，脑电数据经过空间模式滤波器滤波后为第二滤波数据；根据第一滤波数据和第二滤波数据分别构建两个模板数据，测试数据分别经过任务相关成分空间滤波器、判别空间模式滤波器后与两个模板数据分别进行匹配分析，最后进行决策分类。本发明首次利用基于任务相关成分分析结合判别空间模式分析的方法，可实现运动相关电位准确识别。

Description

一种基于空间滤波与模版匹配的运动相关电位检测方法
技术领域
本发明涉及运动相关电位检测领域，尤其涉及一种基于空间滤波与模版匹配的运动相关电位检测方法。
背景技术
运动皮质相关电位(Movement-related cortical potentials，MRCPs)是人体在执行提示性或自主性运动时调用大脑中与运动相关的认知资源时所产生的低频电位。通过检测MPCPs可用于控制脑-机接口(Brain-computer interface，BCI)输出。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。基于MRCPs检测的BCI***可用于康复训练、智能假肢和机械外骨骼控制等多种场合，因而得到了研究者们的广泛关注。
MRCPs可以看作是与运动相关的事件相关电位。由于脑电信号的信噪比低，单试次的MRCP波形特征很难有效提取。常用的方法为叠加平均，提高信噪比。头皮脑电信号可以看作是大脑中不同的源产生的信号在头皮的叠加。空间滤波的主要思想是：通过对原始脑电各路信号分配权重，提取感兴趣源信号成分，剔除噪声信号，从而提高特征信号的信噪比。模板匹配的主要思想是通过将特征信号与不同模式的模板信号进行匹配，寻找匹配度最高的模板作为识别模式。
运动相关电位为运动诱发电位，幅值小，信噪比低，常用的方法为叠加平均，提高信噪比。但是，叠加平均的方法需要使用者多次执行同一任务后输出一个结果，时间成本较高。单试次的运动任务相关EEG波形特征很难有效提取。
发明内容
本发明提供了一种基于空间滤波与模版匹配的运动相关电位检测方法，本发明旨在利用一种基于任务相关成分分析与判别模式空间分析的空间滤波方法提高脑电信号信噪比，与传统方法相比，可提高运动相关电位检测效率，进一步的研究可为BCI的发展开辟新的发展方向，有望获得可观的社会效益和经济效益，详见下文描述：
一种基于空间滤波与模版匹配的运动相关电位检测方法，所述方法包括以下步骤：
利用预处理后的脑电数据构建任务相关成分空间滤波器，脑电数据经过任务相关成分空间滤波器滤波后为第一滤波数据；
利用预处理后的脑电数据构建空间模式滤波器，脑电数据经过空间模式滤波器滤波后为第二滤波数据；
根据第一滤波数据和第二滤波数据分别构建两个模板数据，测试数据分别经过任务相关成分空间滤波器、空间模式滤波器后与两个模板数据分别进行匹配分析，最后进行决策分类。
所述利用预处理后的脑电数据构建任务相关成分空间滤波器具体为：
训练集
Figure BDA0001780215540000021
通过计算得到任务相关成分分析滤波器
Figure BDA0001780215540000022
共得到n个子滤波器；其中Nc表示滤波器的维度，Nt表示截取信号长度；
对子滤波器降维
Figure BDA0001780215540000023
对降维后的子滤波器组合变为
Figure BDA0001780215540000024
Figure BDA0001780215540000025
对训练样本的模板信号及测试数据经过子空间滤波后，得到
Figure BDA0001780215540000026
以及
Figure BDA0001780215540000027
其中，N′c为降维后滤波器的维度，
Figure BDA0001780215540000028
为模板信号的转置，
Figure BDA0001780215540000029
为降维后的第i类TRCA滤波器。
所述利用预处理后的脑电数据构建空间模式滤波器具体为：
对每两类训练集计算DSP滤波器，则得到
Figure BDA00017802155400000210
个子滤波器，对子滤波器降维
Figure BDA00017802155400000211
对降维后的子滤波器组合变为
Figure BDA00017802155400000212
Figure BDA00017802155400000213
对训练样本的模板信号
Figure BDA00017802155400000214
以及测试数据进行空间滤波，得到
Figure BDA00017802155400000215
以及
Figure BDA00017802155400000216
其中，
Figure BDA00017802155400000217
为第i类训练数据和第j类数据通过计算后得到的降维后的子滤波器；
Figure BDA00017802155400000218
为包括所有子滤波器的滤波器组。
其中，所述测试数据分别经过任务相关成分空间滤波器、空间模式滤波器后与两个模板数据分别进行匹配分析的过程为：
对经过TRCA空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数的过程；
具体计算公式如下：
Figure BDA00017802155400000219
Figure BDA0001780215540000031
Figure BDA0001780215540000032
计算经过DSP空间滤波后测试数据与各模板的皮尔森相关系数：
Figure BDA0001780215540000033
计算经过DSP空间滤波后测试数据与各模板的欧式距离：
Figure BDA0001780215540000034
对经过DSP空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数：
Figure BDA0001780215540000035
Figure BDA0001780215540000036
Figure BDA0001780215540000037
由此，测试数据与每一类训练数据的模板匹配计算后得到了特征向量[ρi1,ρi2,ρi3,ρi4,ρi5,ρi6,ρi7,ρi8]T，ρi∈R8×1；
其中，CCA(*)表示CCA分析，corr(*)表示皮尔森相关系数，Ai,Bi为线性投影矩阵，ρi1为第i类特征向量的第一个特征元素，ρi2为第i类特征向量的第二个特征元素，ρi3为第i类特征向量的第三个特征元素，ρi4为第i类特征向量的第四个特征元素，ρi5为第i类特征向量的第五个特征元素，ρi6为第i类特征向量的第六个特征元素，ρi7为第i类特征向量的第七个特征元素，ρi8为第i类特征向量的第八个特征元素。
进一步地，所述决策分类的过程即为特征值比较的过程，具体为：
通过比较特征值的大小判定测试样本与哪一类训练样本更为匹配，加入权重系数ω＝[ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8]，ω∈R1×8，优化匹配结果：
Figure BDA0001780215540000038
选取最大的ωρi，则测试数据的识别结果为第I类运动相关模式。
本发明提供的技术方案的有益效果是：
1、本发明首次利用基于任务相关成分分析结合判别空间模式分析的方法，可实现运动相关电位准确识别；
2、本发明提出的方法可用于基于运动意图检测的脑-机接口***，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。
附图说明
图1为一种基于空间滤波与模版匹配的运动相关电位检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
本发明实施例中涉及的空间滤波方法包括：任务相关成分分析(Task-relatedcomponent analysis,TRCA)与判别空间模式分析(Discriminative spatial pattern,DSP)。TRCA旨在从线性加权的多重时间序列中提取任务相关成分。其主要思想是最大化同一类任务不同试次之间的协方差或者相关性。DSP的目的是使不同模式之间的特征差异最大化。该方法是Fisher线性判别分析思想在空间分析方面的拓展，在强调类间离差投影最大和类内离差投影最小的情况下获得空间滤波器。本发明实施例的模板匹配方法涉及皮尔森相关系数、欧式距离和典型相关分析(Canonical correlation analysis,CCA)方法和特征值比较方法。
实施例1
本发明实施例提供了一种基于空间滤波与模版匹配的运动相关电位检测方法。运动相关皮质电位(MRCPs)是人们在想象或执行身体运动时产生的富含运动信息、有严格锁时和锁相的脑电信号模式。因其在揭示人体运动神经机制、指导运动康复训练等方面具有重要的研究价值，受到了研究者们的广泛关注。本发明实施例设计了基于空间滤波的运动相关电位检测方法，可以提高识别正确率。
其技术流程是：利用预处理后的脑电数据1构建任务相关成分空间滤波器，数据1经过任务相关成分空间滤波器滤波后为数据2，利用预处理后的脑电数据1构建判别空间模式滤波器，数据1经过判别空间模式滤波器滤波后为数据3，分别根据数据2和数据3构建模板数据，测试数据分别经过任务相关成分空间滤波器、判别空间模式滤波器后与两个模板数据进分别行匹配分析(即进行相干性分析的过程)，最后进行决策分类(即特征值比较的过程)。
综上所述，本发明实施例首次将TRCA、DSP空间滤波方法结合模板匹配方法用于运动相关电位的检测，将有利于提高识别效率，对基于运动相关电位检测的BCI走向实用化具有重要意义。
实施例2
下面结合图1、以及具体的计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：
图1为本发明实施例计算的流程图，可用于运动相关电位检测。假设Xi＝{x(m)}i为第i类运动模式相关脑电训练数据的集合(i＝1,2,...,n；m＝1,2,...,M)，其中每一类训练数据集合中有M个样本
Figure BDA0001780215540000051
x(m)表示第m个样本，
Figure BDA0001780215540000052
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。对训练集所有样本求均值得到训练样本的模板信号
Figure BDA0001780215540000053
如公式(1)所示。
数据处理主要包括了数据预处理、构建空间滤波器并对数据空间滤波、相关性分析提取特征和模板匹配四个步骤。
Figure BDA0001780215540000054
一、数据预处理
脑电信号首先进行预处理。通常脑电信号的采样频率为1000Hz或更高，为在保证信号质量的前提下节约计算成本，首先降采样到200Hz。使用切比雪夫滤波器对信号做0.5～45Hz的滤波。且对训练集和测试集都在时间尺度上进行了零均值处理。
二、空间滤波
在本发明实施例中，空间滤波分为两个步骤，首先是TRCA滤波，提取任务相关成分，第二步是DSP滤波，最大化两类数据的差异。
1、构建TRCA空间滤波器
TRCA算法属于一种空间滤波器，目的是通过滤波器V最大化同一个任务内不同试次间的协方差之和，该协方差之和的计算方法如公式(2)所示，
Figure BDA0001780215540000055
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，m1与m2表示样本的编号，k1与k2表示导联的编号，
Figure BDA0001780215540000056
表示第第m1个样本导联k1的信号，x为样本集。
Figure BDA0001780215540000061
其中，Cov为协方差；
Figure BDA0001780215540000062
分别为k1，k2导联对应的滤波器；v为滤波器矩阵；S为试次间的协方差矩阵。
为了得到限定的解，设置约束条件如公式(3)：
Figure BDA0001780215540000063
其中，Q为导联间的协方差矩阵。
因此最终的优化函数如公式(4)：
Figure BDA0001780215540000064
其中，最优解V是矩阵Q-1S的特征向量。
对于本发明实施例，训练集
Figure BDA0001780215540000065
通过计算得到TRCA滤波器
Figure BDA0001780215540000066
Figure BDA0001780215540000067
共得到n个子滤波器。
为得到最优滤波器，可对子滤波器降维
Figure BDA0001780215540000068
选取的维度Nc′可根据经验确定，也可根据算法优化调整。对降维后的子滤波器组合变为
Figure BDA0001780215540000069
Figure BDA00017802155400000610
对训练样本的模板信号及测试数据经过子空间滤波后，得到
Figure BDA00017802155400000611
以及
Figure BDA00017802155400000612
其中，Nc′为降维后滤波器的维度，
Figure BDA00017802155400000613
为模板信号的转置，
Figure BDA00017802155400000614
为降维后的第i类TRCA滤波器。
2、构建DSP空间滤波器
DSP是一种空间滤波方法，目的是使不同模式之间的特征差异最大化。该方法是Fisher线性判别分析思想在空间分析方面的拓展，在强调类间离差投影最大和类内离差投影最小的情况下获得空间滤波器。其中类间散度矩阵Sb如公式(6)所示，
Figure BDA00017802155400000615
和
Figure BDA00017802155400000616
为对第i类和第j类训练集所有样本求均值得到两类训练样本的模板信号。
Figure BDA0001780215540000071
类内散度矩阵Sw如公式(7)所示：
Figure BDA0001780215540000072
其中，
Figure BDA0001780215540000073
为第i类训练集，
Figure BDA0001780215540000074
为第j类训练集。
因此最终的目标函数如公式(8)：
Figure BDA0001780215540000075
其中，最优解U是矩阵
Figure BDA0001780215540000076
的特征向量，u为每个导联对应的滤波器。
对于本发明实施例，两类训练集
Figure BDA0001780215540000077
和
Figure BDA0001780215540000078
通过计算后得到DSP滤波器
Figure BDA0001780215540000079
(i＝1,2,…,n；j＝1,2,…,n且j≠i)。
对每两类训练集计算DSP滤波器，则得到
Figure BDA00017802155400000710
个子滤波器。为得到最优滤波器，可对子滤波器降维
Figure BDA00017802155400000711
选取的维度Nc′可根据经验确定，也可根据算法优化调整。对降维后的子滤波器组合变为
Figure BDA00017802155400000712
Figure BDA00017802155400000713
对训练样本的模板信号
Figure BDA00017802155400000714
以及测试数据进行空间滤波，得到
Figure BDA00017802155400000715
以及
Figure BDA00017802155400000716
其中，
Figure BDA00017802155400000717
为第i类训练数据和第j类数据通过计算后得到的降维后的子滤波器；
Figure BDA00017802155400000718
为包括所有子滤波器的滤波器组。
三、相关性分析
在本发明中使用的相关性分析的方法为皮尔森相关系数、欧式距离和典型相关分析(Canonical correlation analysis,CCA)方法。
皮尔森相关系数的定义为：两个连续变量X,Y的皮尔森相关性系数等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积σXσY。系数的取值范围为[-1,1]，接近0的变量被称为无相关性，接近1或者-1被称为具有强相关性。在这里使用corr(*)表示皮尔森相关系数。
欧式距离是欧几里得度量的简称，指在m维空间中两个点之间的真实距离，在本发明实施例中，计算了测试样本与两类训练模板的距离，认为距离越近，相关性越强。在这里dist(*)表示欧式距离。
CCA算法的基本原理是：为了从总体上把握两组指标之间的相关关系，分别在两组变量中提取有代表性的两个综合变量A和B(分别为两个变量组中各变量的线性组合)，利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。应用CCA算法可以将空间滤波后的数据投影到新的空间并计算相关性。在这里使用CCA(*)表示CCA分析。
以下为计算特征的详细说明。
首先计算经过TRCA空间滤波后测试数据与各模板的皮尔森相关系数：
Figure BDA0001780215540000081
计算经过TRCA空间滤波后测试数据与各模板的欧式距离：
Figure BDA0001780215540000082
对经过TRCA空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数：
Figure BDA0001780215540000083
Figure BDA0001780215540000084
Figure BDA0001780215540000085
计算经过DSP空间滤波后测试数据与各模板的皮尔森相关系数：
Figure BDA0001780215540000086
计算经过DSP空间滤波后测试数据与各模板的欧式距离：
Figure BDA0001780215540000087
对经过DSP空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数：
Figure BDA0001780215540000088
Figure BDA0001780215540000089
Figure BDA00017802155400000810
由此，测试数据与每一类训练数据的模板匹配计算后得到了特征向量ρi＝[ρi1,ρi2,ρi3,ρi4,ρi5,ρi6,ρi7,ρi8]T，ρi∈R8×1。
其中，CCA(*)表示CCA分析，corr(*)表示皮尔森相关系数，Ai,Bi为线性投影矩阵，ρi1为第i类特征向量的第一个特征元素，ρi2为第i类特征向量的第二个特征元素，ρi3为第i类特征向量的第三个特征元素，ρi4为第i类特征向量的第四个特征元素，ρi5为第i类特征向量的第五个特征元素，ρi6为第i类特征向量的第六个特征元素，ρi7为第i类特征向量的第七个特征元素，ρi8为第i类特征向量的第八个特征元素。
四、特征值比较
如前文所述，本发明实施例中提取的特征表征的是相关性，因此特征值越大表示与某一类越相似。通过比较特征值的大小判定测试样本与哪一类训练样本更为匹配。在这里，加入权重系数ω＝[ω1,ω2,ω3,ω4,ω5,ω6,ω7,ω8]，ω∈R1×8，优化匹配结果。
Figure BDA0001780215540000091
选取最大的ωρi，则测试数据的识别结果为第I类运动相关模式。权重系数ω可根据经验确定，也可根据算法优化调整。
综上所述，与传统方法相比，本方法可提高运动相关电位检测效率。另外本发明提出的检测方法进一步研究可以得到完善的基于运动意图检测的脑-机接口***，用于残疾人、特殊人群辅助输出，与外界进行信息交互，并在电子娱乐、工业控制等领域，有望获得可观的社会效益和经济效益。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (1)

1.一种基于空间滤波与模版匹配的运动相关电位检测方法，其特征在于，所述方法包括以下步骤：
利用预处理后的脑电数据构建任务相关成分空间滤波器，脑电数据经过任务相关成分空间滤波器滤波后为第一滤波数据；
利用预处理后的脑电数据构建空间模式滤波器，脑电数据经过判别空间模式滤波器滤波后为第二滤波数据；
根据第一滤波数据和第二滤波数据分别构建两个模板数据，测试数据分别经过任务相关成分空间滤波器、判别空间模式滤波器后与两个模板数据分别进行匹配分析，最后进行决策分类；
其中，所述运动相关电位Xi＝{x(m)}i为第i类运动模式相关脑电训练数据的集合，其中每一类训练数据集合中有M个样本
Figure FDA0003488645630000011
x(m)表示第m个样本，
Figure FDA0003488645630000012
为测试样本；
所述利用预处理后的脑电数据构建空间模式滤波器具体为：
对每两类训练集计算DSP滤波器，则得到
Figure FDA0003488645630000013
个子滤波器，对子滤波器降维
Figure FDA0003488645630000014
对降维后的子滤波器组合变为
Figure FDA0003488645630000015
Figure FDA0003488645630000016
对训练样本的模板信号
Figure FDA0003488645630000017
以及测试数据进行空间滤波，得到
Figure FDA0003488645630000018
以及
Figure FDA0003488645630000019
其中，
Figure FDA00034886456300000110
为第i类训练数据和第j类数据通过计算后得到的降维后的子滤波器；
Figure FDA00034886456300000111
为包括所有子滤波器的滤波器组；
所述测试数据分别经过任务相关成分空间滤波器、判别空间模式滤波器后与两个模板数据分别进行匹配分析的过程为：对经过TRCA空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数的过程；具体计算公式如下：
Figure FDA00034886456300000112
Figure FDA00034886456300000113
Figure FDA00034886456300000114
计算经过DSP空间滤波后测试数据与各模板的皮尔森相关系数：
Figure FDA00034886456300000115
计算经过DSP空间滤波后测试数据与各模板的欧式距离：
Figure FDA00034886456300000116
对经过DSP空间滤波后测试数据与各模板进行CCA分析并在新的投影空间计算皮尔森相关系数：
Figure FDA0003488645630000021
Figure FDA0003488645630000022
Figure FDA0003488645630000023
由此，测试数据与每一类训练数据的模板匹配计算后得到了特征向量[ρi1，ρi2，ρi3，ρi4，ρi5，ρi6，ρi7，ρi8]T，ρi∈R8×1；
其中，CCA(*)表示CCA分析，corr(*)表示皮尔森相关系数，Ai，Bi为线性投影矩阵，ρi1为第i类特征向量的第一个特征元素，ρi2为第i类特征向量的第二个特征元素，ρi3为第i类特征向量的第三个特征元素，ρi4为第i类特征向量的第四个特征元素，ρi5为第i类特征向量的第五个特征元素，ρi6为第i类特征向量的第六个特征元素，ρi7为第i类特征向量的第七个特征元素，ρi8为第i类特征向量的第八个特征元素；
所述决策分类的过程即为特征值比较的过程，具体为：
通过比较特征值的大小判定测试样本与哪一类训练样本更为匹配，加入权重系数ω＝[ω1，ω2，ω3，ω4，ω5，ω6，ω7，ω8]，ω∈R1×8，优化匹配结果：
Figure FDA0003488645630000024
选取最大的ωρi，则测试数据的识别结果为第I类运动相关模式；
其中，所述利用预处理后的脑电数据构建任务相关成分空间滤波器具体为：
训练集
Figure FDA0003488645630000025
通过计算得到任务相关成分分析滤波器；
Figure FDA0003488645630000026
共得到n个子滤波器；其中Nc表示滤波器的维度，Nt表示截取信号长度；
对子滤波器降维
Figure FDA0003488645630000027
对降维后的子滤波器组合变为
Figure FDA0003488645630000028
Figure FDA0003488645630000029
对训练样本的模板信号及测试数据经过子空间滤波后，得到
Figure FDA00034886456300000210
以及
Figure FDA00034886456300000211
其中，N′c为降维后滤波器的维度，
Figure FDA00034886456300000212
为模板信号的转置，
Figure FDA00034886456300000213
为降维后的第i类TRCA滤波器。
CN201810988364.3A 2018-08-28 2018-08-28 一种基于空间滤波与模版匹配的运动相关电位检测方法 Active CN109214325B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810988364.3A CN109214325B (zh) 2018-08-28 2018-08-28 一种基于空间滤波与模版匹配的运动相关电位检测方法
PCT/CN2018/125926 WO2020042511A1 (zh) 2018-08-28 2018-12-30 基于空间滤波与模版匹配的运动电位脑机接口编解码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810988364.3A CN109214325B (zh) 2018-08-28 2018-08-28 一种基于空间滤波与模版匹配的运动相关电位检测方法

Publications (2)

Publication Number Publication Date
CN109214325A CN109214325A (zh) 2019-01-15
CN109214325B true CN109214325B (zh) 2022-04-29

Family

ID=64986162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810988364.3A Active CN109214325B (zh) 2018-08-28 2018-08-28 一种基于空间滤波与模版匹配的运动相关电位检测方法

Country Status (1)

Country Link
CN (1) CN109214325B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861629B (zh) * 2021-01-07 2022-05-10 天津大学 一种多窗口判别典型模式匹配方法及脑-机接口应用
CN116010783B (zh) * 2023-01-06 2024-06-07 上海大学 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068498A (zh) * 2004-10-04 2007-11-07 旗帜健康公司 链接来自多模态数据集的图案的方法
CN101433460A (zh) * 2008-07-25 2009-05-20 天津大学 下肢想象动作电位空间滤波方法
CN105705093A (zh) * 2013-10-07 2016-06-22 Mc10股份有限公司 用于感测和分析的适形传感器***
CN105824418A (zh) * 2016-03-17 2016-08-03 天津大学 一种基于非对称视觉诱发电位的脑-机接口通讯***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068498A (zh) * 2004-10-04 2007-11-07 旗帜健康公司 链接来自多模态数据集的图案的方法
CN101433460A (zh) * 2008-07-25 2009-05-20 天津大学 下肢想象动作电位空间滤波方法
CN105705093A (zh) * 2013-10-07 2016-06-22 Mc10股份有限公司 用于感测和分析的适形传感器***
CN105824418A (zh) * 2016-03-17 2016-08-03 天津大学 一种基于非对称视觉诱发电位的脑-机接口通讯***

Also Published As

Publication number Publication date
CN109214325A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
Zerafa et al. To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs
Wang et al. Discriminative feature extraction via multivariate linear regression for SSVEP-based BCI
Zhang et al. Bayesian learning for spatial filtering in an EEG-based brain–computer interface
Fu et al. Improvement motor imagery EEG classification based on regularized linear discriminant analysis
Sun et al. A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces
WO2020042511A1 (zh) 基于空间滤波与模版匹配的运动电位脑机接口编解码方法
Li et al. Heart sound signal classification algorithm: a combination of wavelet scattering transform and twin support vector machine
Zhang et al. A comparative study on PCA and LDA based EMG pattern recognition for anthropomorphic robotic hand
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
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
KR101293446B1 (ko) 움직임을 상상하는 뇌파 분류 방법 및 그 장치
CN109271887A (zh) 一种用于脑电模式识别的复合空间滤波与模板匹配方法
CN103092971B (zh) 一种用于脑机接口中的分类方法
CN109214325B (zh) 一种基于空间滤波与模版匹配的运动相关电位检测方法
CN111476158A (zh) 一种基于pso-pca-svm的多通道生理信号体感手势识别方法
Wu et al. Recognizing activities of the elderly using wearable sensors: A comparison of ensemble algorithms based on boosting
CN108470182B (zh) 一种用于非对称脑电特征增强与识别的脑-机接口方法
Janapati et al. Signal processing algorithms based on evolutionary optimization techniques in the BCI: A review
CN109086667A (zh) 基于智能终端的相似活动识别方法
Mahmood et al. Pattern recognition of composite motions based on emg signal via machine learning
Xiong et al. Learning non-euclidean representations with SPD manifold for myoelectric pattern recognition
CN109993132B (zh) 一种基于脑电信号的图形识别生成方法及***
Wang et al. Research on sEMG–based gesture recognition using the Attention-based LSTM-CNN with Stationary Wavelet Packet Transform
Gutiérrez et al. EEG data classification through signal spatial redistribution and optimized linear discriminants
Yu et al. ECG identification based on PCA-RPROP

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