CN112528834B - 子带目标对齐共空间模式的脑电信号跨被试分类方法 - Google Patents
子带目标对齐共空间模式的脑电信号跨被试分类方法 Download PDFInfo
- Publication number
- CN112528834B CN112528834B CN202011422720.9A CN202011422720A CN112528834B CN 112528834 B CN112528834 B CN 112528834B CN 202011422720 A CN202011422720 A CN 202011422720A CN 112528834 B CN112528834 B CN 112528834B
- Authority
- CN
- China
- Prior art keywords
- data
- subband
- test
- target
- csp
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 title claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013508 migration Methods 0.000 description 15
- 230000005012 migration Effects 0.000 description 15
- 238000002790 cross-validation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004070 electrodeposition Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G06F18/214—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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种子带目标对齐共空间模式的脑电信号跨被试分类方法。本发明首先将脑电信号带通滤波成多个子频段信号（子带滤波），然后采用CSP算法提取特征，接着通过最小冗余最大相关方法选择更具代表性的特征，最后将传统的线性判别分析分类器用于脑电分类。本发明将子带滤波与目标对齐结合可以有效提高跨被试分类的性能。
Description
技术领域
本发明属于模式识别领域，是一种针对脑电信号，利用子带滤波 获取更多频带信息和提出目标对齐方法减少域分布差异的特征提取 及跨被试分类方法。
背景技术
脑机接口(BCI)是基于大脑信号的人机交互***，已广泛应用于 外骨骼康复机器人、疲劳检测、智能家居、娱乐游戏等各个领域。在 大多数BCI中，与脑磁图(MEG)、功能磁共振成像(fMRI)和正电子发 射断层成像(PET)等信号相比，脑电图(EEG)由于其无创性、价格低廉 的优势成为最常用的输入信号。其中，运动想象(MI)是一种流行的实 验范例。然而，EEG是从头皮采集的非常微弱的电信号，其空间分 辨率差、信噪比低，并且在受试者和阶段之间存在显著差异，这给 EEG信号的分析和识别带来很大的难度。因此，研究有效的方法提取和识别不同任务的脑电特征变得非常有意义。
基于脑电的脑机接口***中，解码不同脑电信号需要经过复杂的 信号处理、特征提取和分类。共空间模式(CSP)是一种非常流行且使 用的特征提取方法。它的性能取决于EEG的特定频段，当EEG信号 使用不适当的频率范围进行滤波时，使用CSP特征进行分类的精度 较差。为了解决这个问题，Novi和Guan提出了子带共空间模式(SBCSP)，它使用一组滤波器将EEG分成多个子带，然后将提取的特 征输入到LDA中以获得代表每个子带分类能力的分数，最后将分数 融合以做出决策。Ang和Guan提出了一种滤波器组共空间模式(FBCSP)算法，并设计了多种特征选择方法来选择更具代表性的特 征。两种方法都对原始脑电数据进行了子带滤波，通过融合获特征选 择获得了新的特征表示，最终取得了较好的实验结果。显然，子带滤 波成为了一种有效的脑电信号处理方法。
然而，SBCSP和FBCSP等方法在跨阶段分类中的表现远比在跨 被试分类中令人满意，其原因在于用户间的个体差异远要大于同一用 户不同阶段间的差异。近年来，越来越多的研究者将迁移学习的思想 引入到脑电分类中，以解决数据分布适应问题。迁移学习利用来自一 个或多个源域的数据/信息来提高目标域种的学习性能，并已成功应 用于BCI中。Zanini等提出了一种黎曼对齐(RA)方法来对齐不同受试 者的EEG协方差矩阵，对齐后的协方差矩阵作为特征可以直接使用 MDRM分类器进行分类。Yair等提出了一种在对称正定矩阵的锥流 行上使用并行传输进行域自适应的方法。He和Wu将RA方法扩展 到欧几里得对齐(EA)方法，以使在欧氏空间中对齐来自不同受试者的 EEG试验，使它们更一致，这样任何欧氏空间分类器都可以在其之 后使用。Zhang和Wu提出了一种新的流行嵌入知识迁移(MEKT)方 法，该方法首先通过RA对齐协方差矩阵以提取切线空间特征，然后 通过最小化源和目标域之间的联合概率分布偏移来执行域自适应，同 时保留它们的几何结构。
发明内容
由于CSP的性能取决于工作频段，并且跨被试分类的难度很大， 本发明提出了一种基于子带滤波和领域对齐的特征提取方法，称作子 带目标对齐共空间模式(SBTACSP)，并基于该模式设计了子带目标对 齐共空间模式的脑电信号跨被试分类方法。
本发明包括以下步骤：
步骤(1)：预处理。采集受试者的多通道运动想象脑点信号；接 着子带滤波，利用带通滤波器对特定频率范围的脑电信号以规定的带 宽带通滤波成多个子带信号。
步骤(2)：提出了一种新的领域对齐方法，即目标对齐，将源 域(测试)样本对齐到目标域(训练)空间中，并将其应用到每个频 带的信号上，只对齐改变了源域样本，不改变目标域样本，然后用 以脑电信号特征提取。
步骤(3)：对对齐后的每个频带的脑电信号分别用CSP进行滤 波，然后将多个频带的CSP特征拼接在一起形成维数较高的CSP特 征向量。
步骤(4)：根据最小冗余最大相关(mRMR)特征选择算法选择p个 最具代表的特征组成最终特征。
步骤(5)：对特征选择后的特征个数为p的特征，采用LDA分类 器进行分类。
本发明与FBCSP和EA-CSP-LDA方法比，具有如下优点：
与滤波器组共空间模式(FBCSP)方法相比，本发明利用了迁移 学习在跨被试分类中的优势，减少了域间分布差异，获得更具代表 的特征用以分类，提升了分类精度。与欧几里得对齐方法相比，本发 明采用子带滤波处理方法，获得更多频带信息，提升了分类性能。与 子带欧几里得对齐共空间模式相比，本发明提出的新的领域对齐方 法，即目标对齐，更加适合与子带滤波相结合，获得的分类精度更 优。
附图说明：
图1为本发明方法的流程图；
图2(a)为BCI CompetitionⅣDatasetⅡa对参数p进行10倍 交叉验证得结果；
图2(b)为BCI Competition Ⅳ Dataset Ⅱb对参数p进行10倍 交叉验证得结果；
图3(a)为多源域分类中数据集DatasetⅡa中两名受试者CSP 和SBTACSP的特征t-SNE可视化效果图；
图3(b)为多源域分类中数据集DatasetⅡb中两名受试者CSP 和SBTACSP的特征t-SNE可视化效果图。
具体实施方式
下面结合附图详细描述本发明。
在脑机接口领域，经典的共空间模式(Common spatial pattern, CSP)方法需有效地选择特定频段，同时脑电信号具有的高度不稳定性 和个体变异性增加了跨被试分类的难度。为了解决这些问题，本发明 提出了子带目标对齐共空间模式(Sub-Band TargetAlignment CSP，SBTACSP)方法，并将其应用于脑电信号的跨被试分类，图1为本发 明流程图。
如图1，本发明方法的实施主要包括5个步骤：(1)采集多通道 脑电信号及子带滤波；(2)对每个子带分别进行目标对齐；(3)对对 齐后的每个子带进行共空间模式特征提取，并拼接成一个维数较高的 特征向量；(4)通过mRMR选择出最具代表的p个特征组成最终特 征；(5)将提取的最具代表特征输入进分类器分类得到结果。
下面逐一对各步骤进行详细说明。
步骤(1)：数据采集。选用BCI竞赛公开数据BCI CompetitionⅣ DatasetⅡa：数据集由9名健康受试者的脑电数据组成。每个受试者 的数据由一个受试者的左手、右手、脚和舌头四类运动想象的脑电 图组成。每次实验信号均使用25个电极进行记录，电极位置采用国 际10/20***。22个通道的EEG信号和3个通道的EOG信号被记录 并以250Hz采样。本实施例只选择了两类(左手和右手)数据进行 测试，每类有72次试验。BCI CompetitionⅣDatasetⅡb：数据集也 由9名健康受试者的脑电数据组成。它的试验只执行了左右手运动。每次实验信号均使用6个电极进行记录，电极位置采用国际 10/20***。3个通道的EEG信号和3个通道的EOG信号被记录并 以250Hz采样。
子带滤波：对所有数据集的受试者进行相同的子带滤波处理。 每位受试者分别选择在视觉提示后的0.5-3.5s时间段上提取受试者的 EEG运动想象数据，然后利用50阶的FIR滤波器对数据8～32Hz的 频率范围，以4Hz为带宽进行滤波，得到6个子带，即8-12Hz，12-16Hz，…，28-32Hz。
步骤(2)：对每个子带分别进行目标对齐。具体是：给出一个N 个通道时空EEG信号矩阵其中T代表每个通道的采样数。 首先计算目标对齐得参考矩阵：
其中，nt表示总的目标域t试验次数，为目标域第k个子带第i次 试验信号，/>为目标域第k个子带所有试验的欧几里得均值。
接着使用与式(1)相同的计算方法得到源域第k个子带所有试验 的欧几里得均值最后通过式(2)对源域第k个子带的ns次试验进 行目标对齐。
其中，为源域第k个子带第i次试验信号，/>为源域第k个子 带第i次试验目标对齐后的信号。
步骤(3)：对对齐后的每个子带进行CSP特征提取，并拼接成一 个高维特征向量。具体是：首先利用CSP算法对对齐后的脑电信号 进行线性变换，实现空间滤波：
其中，是第k个子带的CSP投影矩阵。式(3)中空间滤波信号Zk,i使 用/>从而使两类带通滤波EEG的方差差异最大化。这两类可以包 括左右手的运动想象数据，第k个子带第i次试验的m对CSP特征定 义为：
其中 代表前m列和后m列的/>diag(·)代表矩阵的对 角元素，tr(·)代表矩阵对角线元素的总和。因此，第i次试验的 SBTACSP特征可表示为：
vi＝[v1,i,v2,i,...,v6,i] (5)
其中因此，来自源域的训练数据的特征可表示为 />
步骤(4)：通过mRMR选择出最具代表的p个特征组成最终特征。 根据步骤(3)特征提取，可以得到源域(训练)数据的特征 和真实标签/>
由于一次试验的特征由6个子带特征拼接而成，这使得特征维数 过大。为了降低特征维数，降低学习任务的难度，提升模型的效率。 采用mRMR特征选择算法，从每个fi特征中选取出最具代表的CSP 特征。这可以通过最大化以下表达式实现：
其中nf＝6*2m，I(·)为互信息，ri表示衡量第i个特征mRMR的数值。 对ri进行排序，筛选出p个最大r值对应的特征，最终得到一个源域(训 练)特征矩阵
步骤(5)：将得到的源域特征矩阵输入LDA分类器中训练模型， 并对目标域进行测试得到测试结果，验证本发明在脑电信号特征提取 及跨被试分类中的分类性能。
为了验证本发明方法的有效性，将在两种跨被试场景下进行评 估，包括单源到单目标(STS)迁移和多源到单目标(MTS)迁移。 同时本发明与MDRM、RA-MDRM、CSP-LDA、EA-CPS-LDA、FBCSP 和SBEACSP等方法在BCI CompetitionⅣDatasetⅡa和Ⅱb上进行性 能比较，通过测试分类准确率来衡量本发明的可行性。
根据CSP方法中，增大m并不会显著提高分类精度。对于数据 集Ⅱa，CSP特征提取的参数m设置为3，因而每次试验提取的初步特 征个数为36(6×6)。对于数据集Ⅱb，由于该数据集只采用了3个EEG 通道，而且式(3)中限制了m的最大选择，因而参数m设置 为1，每次试验提取的初步特征个数为12(2×6)。
图2(a)和图2(b)展示了两个数据集在SBTACSP选择不同的特征 个数p后10折交叉验证的实验结果。由图2(a)可知，当特征个数为 18时，交叉验证的正确率最高，因此，对于数据集Ⅱa，p值取18最 优。由图2(b)可知，当特征个数为12时，交叉验证的结果最优，因此，对于数据集Ⅱb，p值取12最优。
表1给出了根据图2(a)和图2(b)得到的最优p值，所提方法与3 种方法在两个数据集上的10折交叉验证的准确率结果。从表1可以 看出，在数据集Ⅱa和Ⅱb中，SBTACSP方法的平均结果都优于 RA-MDRM、EA-CSP-LDA和FBCSP，同时在半数以上的受试者上 也是最优的，在数据集Ⅱa中，受试者3、5、6、7、8和9的结果更 优。在数据集Ⅱb中，受试者3、4、5、6和8的表现更好。而SBTACSP 优于FBCSP是因为在CSP提取特征前对数据进行了对齐，SBTACSP优于EA-CAP-LDA是因为对8-32Hz的频带进行了子带处理，后三种 方法优于RA-MDRM是因为在试验中使用了真实的标签。这些也说 明SBTACSP方法是可行的，参数p的选择是合理的、有效的。
表1 RA-MDRM、EA-CSP-LDA、FBCSP和SBTACSP在BCI CompetitionⅣDatasetsⅡa和Ⅱb上进行10 折交叉验证的正确率结果
表2和表3分别展示了BCI CompetitionⅣDatasetsⅡa和Ⅱb在 STS和MTS迁移上的分类正确率。一般而言，SBTACSP在分类精度 方面优于其他五种方法。具体地说，对于数据集2a而言，在STS迁 移中，本发明在受试者A01和A06上获得了最优的平均准确率，SBEACSP在A03上获得最优结果，FBCSP在A02和A07上表现最 优，RA-MDRM在A04、A05、A08和A09上结果最好；在MTS迁 移中，本发明在受试者A01、A04、A06和A07上获得了最优的准确率，而FBCSP在A02和A09上表现最优，EA-CSP-LDA在A03和 A08上结果最好。对于数据集2b而言，在STS迁移中，本发明在受 试者B01、B03、B04、B05、B08和B09上表现最优，SBEACSP在B02、B06和B07外均获得了最好的平均准确率。在MTS迁移中， SBTACSP在受试者B02、B04、B06和B09上获得了最好的准确率， SBEACSP在B05上表现最优，FBCSP在B03、B08上结果最好。以 MTS迁移为例，本发明在受试者A01的分类准确率为88.19％，优于 EA-CSP-LDA(86.81％)和RA-MDRM(73.61％)，在所有九个被试 中，该方法平均准确率最高(75％)，比FBCSP高7.29％，比RA-MDRM 高2.55％，比SBEACSP高1.39％，比EA-CSP-LDA高1.23％。对比STS和MTS迁移，MTS迁移的正确率远高于STS迁移，这说明多源 域迁移可以适当地提高正确率。
在跨被试场景中，FBCSP并没有实现很好的效果，其在跨阶段 分类中的效果要远优于所展示的跨受试分类，原因在于跨阶段分类的 训练集和测试集的数据属于同一个人，只是采集的时间不同，其训练 和测试数据的差异度远没有跨受试的大。除数据集2b的STS迁移情 况外，FBCSP的平均分类精度均高于CSP-LDA，这说明分频段滤波 取得了积极的效果。同时比较EA-CSP-LDA和SBTACSP，SBTACSP 的分类正确率至少比EA-CSP-LDA高出1.2％，最大差异可达到 5.22％，这也说明在对齐前进行子带滤波是有必要的。比较FBCSP 和SBTACSP，SBTACSP表现更优，这表明TA可以有效解决受试者 间数据差异的问题。同时，EA-CSP-LDA分类效果也是优于FBCSP 的。这些说明跨被试分类中迁移学习的巨大优势，其发展前景巨大。 综合以上三点，说明子带滤波和目标对齐相结合是可行的。最后，比 较SBEACSP，SBTACSP更优，这说明了本发明所提出的变体更适合 与子带滤波相结合。
表2 BCI CompetitionⅣDatasetⅡa在STS和MTS迁移中的分类正确率(％)
表3 BCI CompetitionⅣDatasetⅡb在STS和MTS迁移中的分类正确率(％)
图3(a)和(b)使用非线性降维技术t-SNE将分类结果可视化，来比 较使用CSP提取的特征和SBTACSP提取的特征之间的区别。图3(a) 展示了MTS迁移中数据集Ⅱa中受试者A01和A03的t-SNE可视化 结果，每一行对应于不同的测试对象，Xs1和Xs2分别表示源域的两 类特征，Xt1和Xt2分别表示目标域的两类特征。左边的图显示了EEG 数据直接CSP提取的特征，右边的图展示了SBTACSP的特征。数据 集Ⅱb中受试者B04和B09的可视化结果如图3(b)所示。通过对 比可以发现，SBTACSP的源域(训练)和目标域(测试)特征相互 重叠，也就是减少了它们之间的差异，同时不同领域相同类之间分布 尽可能重叠。因此可以看出，可视化效果与分类结果是相符合的。这 也印证了本发明的可行性。
综上，本发明提出了子带目标对齐共空间模式的运动想象脑电 信号跨被试分类方法，通过子带滤波的信号处理方法，以获得更多 的频段信息，同时利用无监督的目标对齐方法，减少源域和目标域 的分布差异。本发明结合子带滤波和领域对齐的优点，提高了特征 以及跨被试分类准确率。
Claims (4)
1.子带目标对齐共空间模式的脑电信号跨被试分类方法，其特征在于：该方法包括以下主要步骤：
步骤(1)：数据采集，选用BCI竞赛公开数据，包括BCI CompetitionⅣDatasetⅡa和BCICompetitionⅣDatasetⅡb这两类数据集；
子带滤波：对所有数据集的受试者进行相同的子带滤波处理；每位受试者分别选择在视觉提示后的0.5-3.5s时间段上提取受试者的EEG运动想象数据，利用50阶的FIR滤波器对数据8～32Hz的频率范围，以4Hz为带宽进行滤波，得到6个子带，即8-12Hz，12-16Hz，…，28-32Hz；
步骤(2)：采用领域对齐方法，即目标对齐，将源域样本对齐到目标域空间中，即将测试样本对齐到训练空间中；
具体是：给出一个N个通道时空EEG信号矩阵其中T代表每个通道的采样数，计算目标对齐得参考矩阵：
其中，nt表示总的目标域t试验次数，为目标域第k个子带第i次试验信号，/>为目标域第k个子带所有试验的欧几里得均值；
接着使用与式(1)相同的计算方式得到源域第k个子带所有试验的欧几里得均值
最后通过式(2)对源域第k个子带的ns次试验进行目标对齐；
其中，为源域第k个子带第i次试验信号，/>为源域第k个子带第i次试验目标对齐后的信号；
步骤(3)：对对齐后的每个频带的脑电信号分别用CSP算法进行滤波，然后将多个频带的CSP特征拼接在一起形成维数较高的特征向量；
步骤(4)：根据最小冗余最大相关特征选择算法选择p个最具代表的特征组成最终特征；
步骤(5)：将得到的源域特征矩阵输入LDA分类器中训练模型，并对目标域进行测试得到测试结果；
其中步骤(4)具体是：根据步骤(3)特征提取，得到源域数据的特征和真实标签/>
采用mRMR特征选择算法，从每个fi特征中选取出最具代表的CSP特征，通过最大化以下表达式实现：
其中nf＝6*2m，I(·)为互信息，ri表示衡量第i个特征mRMR的数值；
对ri进行排序，筛选出p个最大r值对应的特征，最终得到一个源域特征矩阵
2.根据权利要求1所述的子带目标对齐共空间模式的脑电信号跨被试分类方法，其特征在于：步骤(1)中BCI Competition Ⅳ Dataset Ⅱ a由9名健康受试者的脑电数据组成；每个受试者的数据由一个受试者的左手、右手、脚和舌头四类运动想象的脑电图组成；每次实验信号均使用25个电极进行记录，电极位置采用国际10/20***；22个通道的EEG信号和3个通道的EOG信号被记录并以250Hz采样，同时只选择了左手和右手这两类数据进行测试，每类有72次试验。
3.根据权利要求1所述的子带目标对齐共空间模式的脑电信号跨被试分类方法，其特征在于：BCI CompetitionⅣDatasetⅡb由9名健康受试者的脑电数据组成；它的试验只执行左右手运动；每次实验信号均使用6个电极进行记录，电极位置采用国际10/20***；3个通道的EEG信号和3个通道的EOG信号被记录并以250Hz采样。
4.根据权利要求1所述的子带目标对齐共空间模式的脑电信号跨被试分类方法，其特征在于：步骤(3)具体是：利用CSP算法对对齐后的脑电信号进行线性变换，实现空间滤波：
其中，是第k个子带的CSP投影矩阵；
第k个子带第i次试验的m对CSP特征定义为：
其中代表前m列和后m列的/>diag(·)代表矩阵的对角元素，tr(·)代表矩阵对角线元素的总和；
第i次试验的SBTACSP特征表示为：
vi＝[v1,i,v2,i,...,v6,i] (5)
其中
来自源域的训练数据的特征表示为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422720.9A CN112528834B (zh) | 2020-12-08 | 2020-12-08 | 子带目标对齐共空间模式的脑电信号跨被试分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422720.9A CN112528834B (zh) | 2020-12-08 | 2020-12-08 | 子带目标对齐共空间模式的脑电信号跨被试分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528834A CN112528834A (zh) | 2021-03-19 |
| CN112528834B true CN112528834B (zh) | 2024-02-02 |
Family
ID=74998258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011422720.9A Active CN112528834B (zh) | 2020-12-08 | 2020-12-08 | 子带目标对齐共空间模式的脑电信号跨被试分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528834B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113317801A (zh) * | 2021-04-23 | 2021-08-31 | 清华大学 | 单通道的脑电图信号处理装置及方法 |
| CN113967022B (zh) * | 2021-11-16 | 2023-10-31 | 常州大学 | 一种基于个体自适应的运动想象脑电特征表征方法 |
| CN114403903A (zh) * | 2022-01-14 | 2022-04-29 | 杭州电子科技大学 | 面向跨被试rsvp的多特征低维子空间erp检测方法 |
| CN114533083B (zh) * | 2022-01-24 | 2023-12-01 | 江苏省人民医院（南京医科大学第一附属医院） | 基于多融合式卷积神经网络的运动想象状态识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858537A (zh) * | 2019-01-22 | 2019-06-07 | 南京邮电大学 | 改进的eemd与csp结合的脑电信号特征提取方法 |
| CN110163128A (zh) * | 2019-05-08 | 2019-08-23 | 南京邮电大学 | 改进的emd算法结合小波包变换及csp算法的脑电信号分类方法 |
| CN111091074A (zh) * | 2019-12-02 | 2020-05-01 | 杭州电子科技大学 | 最优区域共空间模式的运动想象脑电信号分类方法 |
-
2020
- 2020-12-08 CN CN202011422720.9A patent/CN112528834B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858537A (zh) * | 2019-01-22 | 2019-06-07 | 南京邮电大学 | 改进的eemd与csp结合的脑电信号特征提取方法 |
| CN110163128A (zh) * | 2019-05-08 | 2019-08-23 | 南京邮电大学 | 改进的emd算法结合小波包变换及csp算法的脑电信号分类方法 |
| CN111091074A (zh) * | 2019-12-02 | 2020-05-01 | 杭州电子科技大学 | 最优区域共空间模式的运动想象脑电信号分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528834A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528834B (zh) | 子带目标对齐共空间模式的脑电信号跨被试分类方法 | |
| CN112515685B (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
| CN111772585B (zh) | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 | |
| CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
| CN111091074B (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
| CN108937968B (zh) | 基于独立分量分析的情感脑电信号的导联选择方法 | |
| Lotte | Generating artificial EEG signals to reduce BCI calibration time | |
| CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| CN109858537A (zh) | 改进的eemd与csp结合的脑电信号特征提取方法 | |
| CN113967022B (zh) | 一种基于个体自适应的运动想象脑电特征表征方法 | |
| CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
| CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
| Shenoy et al. | An iterative optimization technique for robust channel selection in motor imagery based brain computer interface | |
| Hu et al. | A cross-space CNN with customized characteristics for motor imagery EEG classification | |
| Qu et al. | Riemannian distance based channel selection and feature extraction combining discriminative time-frequency bands and Riemannian tangent space for MI-BCIs | |
| CN114587381A (zh) | 基于多通道脑电智能筛选与加权样本生成的棘波检测方法 | |
| CN117195099A (zh) | 一种融合多尺度特征的脑电信号情感识别算法 | |
| CN116269445A (zh) | 一种用于ssvep短时窗信号的精准目标识别方法 | |
| CN113662561B (zh) | 子带级联共空间模式的脑电特征提取方法及装置 | |
| CN113995423B (zh) | 基于相位保持网络的连续快速视觉演示脑电信号分类方法 | |
| CN114587384A (zh) | 一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法 | |
| CN113780162A (zh) | 一种结合多时段多频段csp算法的运动想象脑电解码方法 | |
| CN114519367A (zh) | 基于样本学习的运动想象脑电频率特性分析方法及其*** | |
| CN113159205A (zh) | 一种基于最佳通道的稀疏时频块共空间模式特征提取方法 | |
| Shi et al. | To investigate the ability of CNN in learning specific frequency band of motor imagery EEG |
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 |