CN114167983A - 一种基于共幅相测量的脑机接口*** - Google Patents
一种基于共幅相测量的脑机接口*** Download PDFInfo
- Publication number
- CN114167983A CN114167983A CN202111400378.7A CN202111400378A CN114167983A CN 114167983 A CN114167983 A CN 114167983A CN 202111400378 A CN202111400378 A CN 202111400378A CN 114167983 A CN114167983 A CN 114167983A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- matrix
- electroencephalogram signal
- classification
- amplitude
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006698 induction Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 79
- 238000001914 filtration Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000002093 peripheral effect Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000033764 rhythmic process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 18
- 230000001939 inductive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (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共幅相测量的脑机接口***，包括脑电信号诱发模块、脑电信号采集模块、自适应学习模块和外设控制模块；脑电信号诱发模块利用显示界面随机提示使用户进行运动想象产生脑电信号，标记提示开始时间与提示所属类别标签；脑电信号采集模块获取用户在训练阶段进行运动想象时产生的脑电信号，以及用户控制阶段产生的实时脑电信号；自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型；外设控制模块将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签，将分类标签转换成命令控制外部设备。本发明使脑电信号更具可识别性，提高了脑电信号分类准确率。
Description
技术领域
本申请涉及人机交互技术领域，特别是涉及一种基于共幅相测量的脑机接口***。
背景技术
脑-机接口(Brain-Computer Interface,BCI)通过解码输入的脑电信号，可以将用户的意念解码为控制命令来控制外部硬件设备，实现人脑与外部设备的交互。BCI的技术核心是脑电信号的解码识别，有效的提取脑电信号的特征是识别脑电信号的关键。
脑电信号被任务例如运动想象调制后，其幅值在感觉运动皮层上呈现ERD/ERS现象。因此运动想象BCI***最普遍使用的特征是幅值的变化信息，共空域模式(CSP)是一种常用的空域滤波方法，可以有效地计算运动想象脑电信号的幅值特征。经过发展，CSP也有了多种发展，比如混合CSP、正则化CSP、空频滤波型CSP，基于黎曼几何的方法是近年来发展起来的新方法，可以直接对脑电信号的协方差矩阵进行操作，但也是针对幅值信息进行特征描述。
在一些BCI实验中，例如ERD/ERS，有一定比例的使用者被称为“BCI盲”，他们没有明显的ERD/ERS现象。属于“BCI盲”的使用者无法单纯依靠幅值的变化信息进行脑机接口***的使用，需要考虑脑电信号的相位信息，但大多数现有的研究利用不同信号处理的方法分别计算EEG信号的相位信息和幅值信息，这种分开处理的方法明显增加了***的运算复杂度，而且没有充分利用EEG信号中幅值和相位的相互信息。
发明内容
本发明针对上述问题，提出了一种基于共幅相测量的脑机接口***，针对现有技术的不足，为了进一步提高脑机接口***的适用性，本发明中的自适应学习模块采用基于共幅相测量的算法，在数据预处理阶段将数据处理为同时带有幅度节律信息和相位节律信息的复信号；将黎曼几何计算的方法嵌入空频滤波模型的计算；将黎曼距离分类器与正则化线性回归分类器相结合用来改进的分类模型，具体的，一种基于共幅相测量的脑机接口***，包括脑电信号诱发模块、脑电信号采集模块、自适应学习模块和外设控制模块；
脑电信号诱发模块利用显示界面随机提示使用户进行运动想象产生脑电信号，标记提示开始时间与提示所属类别标签；
脑电信号采集模块获取用户在训练阶段进行运动想象时产生的脑电信号，以及用户控制阶段产生的实时脑电信号；
自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签；
外设控制模块将分类标签转换成命令控制外部设备。
进一步的，自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，具体包括以下步骤：
提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵；
将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型；
将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型。
进一步的，提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵，具体包括以下步骤：
将脑电信号采集模块采集的运动想象脑电信号进行带通滤波，得到保留delta波到gamma波频段的脑电波信号；
根据标记的提示开始时间与提示所属类别标签将一定数量采样点当作一次训练样本数据；
通过时频变换方法将训练样本数据转换为带有幅值和相位融合信息的复数信号矩阵Yj＝[X1，X2，…，XK]T，其中Xk为第k通道的复数矩阵，复数矩阵大小为采样点数L*观测频点数N，j表示第j个样本。
进一步的，将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型，具体包括以下步骤：
通过考虑复数信号矩阵的空间分布与样本标签构建黎曼图连接矩阵；
将黎曼图连接矩阵嵌入优化问题，获得最优的投影矩阵W，根据最优的投影矩阵W得到空频滤波模型为：Z＝WHYj，Yj为复数信号矩阵，其中优化问题表达式为：
W为投影矩阵，
R1为脑电信号第一类的Re值，R2为脑电信号第二类的Re值，j表示训练样本数，Ce表示Yj近邻点的集合，Pj为样本的协方差矩阵，ujr表示黎曼图连接矩阵U的内部元素。
进一步的，将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型，具体包括以下步骤：
计算经过空频滤波模型处理后样本的协方差矩阵；
根据协方差矩阵和脑电信号两类样本的平均协方差矩阵得到带有投影后样本与两类样本均值间的多维黎曼距离信息的向量dj，j表示第j个样本；
对每个维度上样本距离脑电信号两类样本总体特征相似程度进行加权，根据黎曼距离向量与分类权重确定优化问题，对优化问题求解得到最优解的分类权重b，根据最优解的分类权重b得到脑电信号分类识别模型，其中优化问题表达式为：
为训练数据样本标签；λ和a为正则化参数；||b||1为L1范数；D为每个向量dj组成的矩阵。
进一步的，计算经过空频滤波模型处理后样本的协方差矩阵，具体表达式为：
j表示第j个训练样本，Z表示经过空频滤波模型后的样本j，L表示采样点数。
进一步的，根据最优解的分类权重bopt得到脑电信号分类识别模型，具体表达式为：ej＝sign(φ(dj))＝sign(djb)，j表示第j个样本。
进一步的，外设控制模块将分类标签转换成命令，将命令通过无线传输方式发送给外部设备，实现对外部设备的控制。
本发明提供的一种基于共幅相测量的脑机接口***，脑电信号诱发模块随机产生提示，并记录提示产生的时间以及产生的类别标签；脑电采集模块在训练阶段记录在不同指示下用户进行不同运动想象任务的脑电信号，在控制阶段可以直接采集实时脑电信号；自适应学习模块用于用户在第一次使用***前进行训练，根据脑电信号诱发模块的指示进行运动想象任务，采集执行任务过程中产生的EEG信号，经过预处理，计算最佳的空频滤波模型与脑电信号分类识别模型，其自适应学习功能可以根据环境、时间、使用个体的不同进行模型参数调整，大大增加了***控制的准确性；外设控制模块可以将通过空频滤波和脑电信号分类识别模型产生的分类结果转换成指令通过无线传输方式发送给外部设备。本发明最终达到的有益效果：
(1)从张量数据的黎曼几何流形结构提取幅相融合的节律信息，同时综合了张量维持EEG信号多维结构信息的优点和黎曼流形保持样本局部结构的优点，令“BCI盲”产生的运动想象脑电信号更具可识别性；
(2)使用黎曼图实现EEG信号降维,该降维等价于对EEG信号进行联合空频滤波，即利用了数据在黎曼空间的局部特性，又利用了标签的可分信息；
(3)基于黎曼距离和正则化线性回归相结合的分类器，通过引入权重系数b，降低了特征值相似带来的不良影响，增加了***的鲁棒性，更加提高了分类准确率。
附图说明
图1是本发明实施例中基于共幅相测量的脑机接口***流程图；
图2是本发明实施例中脑电信号诱发模块方法示意图。
具体实施方式
为进一步对本发明的技术方案作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的步骤。
本发明的脑电信号两类样本基于正常情况下的脑电信号二分类，多分类也是从二分类的基础上得到的，本发明表示为脑电信号第一类和脑电信号第二类，具体脑电信号标签表示分别为1和2。
实施例如图1所示，一种基于共幅相测量的脑机接口***，包括脑电信号诱发模块、脑电信号采集模块、自适应学习模块和外设控制模块；
脑电信号诱发模块利用显示界面随机提示使用户进行运动想象产生脑电信号，标记提示开始时间与提示所属类别标签，本实施例中，脑电信号诱发模块随机产生提示，并记录提示产生的时间以及产生的类别标签，其中，随机提示信息通过视觉、触觉、声音等诱发方式对用户进行任务提示，如图2所示，按照一定周期，实施例中优选为8s,通过随机产生向左(或向右)的箭头，并记录提示产生的时间以及产生的类别标签，向左为1，向右为2，图2所示右手故标签为2，每次提示持续时间为4s。
脑电信号采集模块获取用户在训练阶段进行运动想象时产生的脑电信号，以及用户控制阶段产生的实时脑电信号，本实施例中，脑电采集模块在训练阶段记录在不同指示下用户进行不同运动想象任务的脑电信号，在控制阶段可以直接采集实时脑电信号；
自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签，本实施例中，自适应学习模块用于用户在第一次使用***前进行学习，根据脑电信号诱发模块的指示进行运动想象任务，采集执行任务过程中产生的EEG信号，经过预处理，计算最佳的空频滤波模型与脑电信号分类识别模型，自适应学习功能可以根据环境、时间、使用个体的不同进行模型参数调整，大大增加了***控制的准确性；
外设控制模块将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签，将分类标签转换成命令控制外部设备，本实施例中外设控制模块可以将通过空频滤波模型和脑电信号分类识别模型产生的分类结果转换成指令并通过无线传输方式发送给外部设备。
优选的，自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，具体包括以下步骤：
步骤1、脑电信号预处理，提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵，具体步骤有：
步骤11、将脑电信号采集模块采集的运动想象脑电信号进行带通滤波，得到保留delta波到gamma波频段的脑电波信号，本实施例中，将脑电信号采集设备采集的运动想象脑电信号通过1-45hz的带通滤波器；
步骤12、根据标记的提示开始时间与提示所属类别标签将一定数量采样点当作一次训练样本数据，本实施例中，根据标记将每次训练开始后0.5s到3.5s共计300个采样点的数据当作一次样本数据；
步骤13、通过时频变换方法优选为复小波变换将每次样本数据转换为带有幅相融合信息的复数信号矩阵Yj＝[X1，X2，…，XK]T，其中Xk为第k通道的复数矩阵，复数矩阵大小为采样点数L*观测频点数N，j表示第j个样本。在每个通道、每一个观测频点上，每个抽样点的信息都为带有幅度和相位融合信息的复数信号。
步骤2、将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型，具体地，包括以下步骤：
步骤21、通过考虑复数信号矩阵的空间分布与样本标签构建黎曼图连接矩阵U，U内部元素ujr定义如下：
其中，Pj为Yj的协方差矩阵，Pr为复数信号矩阵Yr的协方差矩阵，δR(Pj，Pr)为样本j与样本r的黎曼距离，
βi是矩阵Pj -1Pr的第i个特征值，I为特征值总数，σ是特征系数，为正数，ce(Yj)表示Yj的p个标签为e的近邻点的集合，集合内的点和Yj的标签都为e。
步骤22、将黎曼图连接矩阵嵌入优化问题，获得最优的投影矩阵W，根据最优的投影矩阵W得到空频滤波模型为：Z＝WHYj，Yj为复数信号矩阵，其中优化问题表达式为：
W为投影矩阵，
R1为脑电信号第一类的Re值，R2为脑电信号第二类的Re值，Yj表示复数信号矩阵，j表示第j个训练样本，此处Ce表示Yj的p个标签为e的近邻点的集合，Pj为样本的协方差矩阵，ujr表示黎曼图连接矩阵U的内部元素，L表示一次运动想象任务中采样点的个数。得到投影矩阵W大小为KN*M，K为通道数，N为观测频点数，M为所需要的空频耦合滤波器个数。
步骤3、将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型，具体地，包括以下步骤：
步骤31、计算经过空频滤波模型处理后样本的协方差矩阵，以及两类脑电信号标签分别为1、2的所有样本平均协方差矩阵Q1，Q2，此处基于正常情况下做两类脑电信号标签分别为1、2，多分类也是从二分类的基础上来的，Q1，Q2分别代表标签为1和标签为2的脑电信号，具体地，经过空频滤波模型处理后样本的协方差矩阵表达式为：
j表示第j个样本，Z表示空频滤波模型，L表示采样点数，Q1，Q2的计算公式为：
其中e表示标签，N表示标签为e的所有样本数，Pj为样本的协方差矩阵。
步骤32、根据投影后样本的协方差矩阵
和两类样本的算术平均协方差矩阵Q1、Q2，可以得到带有投影后样本与两类样本均值间的多维黎曼距离信息的向量dj，其中带有投影后样本与两类样本均值间的多维黎曼距离信息的向量dj，具体解释为：点a到点b的距离是ab，点a到点c的距离是ac，此时向量dj包含ab和bc的信息，黎曼距离向量dj大小为1*M，其第m个元素为dj，m＝log2ηm-log2ρm，ηm，ρm分别为
和
的第m个特征值。
步骤33、对每个维度上样本距离两类样本总体特征相似程度进行加权，根据黎曼距离向量与分类权重确定优化问题，对优化问题求解得到最优解的分类权重b，根据最优解的分类权重b得到脑电信号分类识别模型，其中优化问题表达式为：
为训练数据样本标签；λ和a为正则化参数；|||b||||1为L1范数；D为向量dj组成的矩阵；根据最优解的分类权重b得到脑电信号分类识别模型，具体表达式为：ej=sign(φ(dj))＝sign(djb)，j表示第j个样本，Sign()表示符号函数。
进一步的，外设控制模块将分类标签转换成命令，将命令通过无线传输方式发送给外部设备，优选例为蓝牙，实现对外部设备的控制。具体地，外设控制模块如果监测到输出标签是1就将命令1通过蓝牙传递给外设，如果标签是2就将命令2通过蓝牙传递给外设。比如命令1可以是开启设备命令2可以是关闭设备。
本发明提供的一种基于共幅相测量的脑机接口***，脑电信号诱发模块随机产生提示，并记录提示产生的时间以及产生的类别标签；脑电采集模块在训练阶段记录在不同指示下用户进行不同运动想象任务的EEG信号，在控制阶段可以直接采集实时EEG信号；自适应学习模块用于用户在第一次使用***前进行训练，根据脑电信号诱发模块的指示进行运动想象任务，采集执行任务过程中产生的EEG信号，经过预处理，计算最佳的空频滤波模型与脑电信号分类识别模型，其自适应学习功能可以根据环境、时间、使用个体的不同进行模型参数调整，大大增加了***控制的准确性；外设控制模块可以将通过空频滤波和脑电信号分类识别模型产生的分类结果转换成指令通过无线传输方式发送给外部设备。最终达到的有益效果有：从张量数据的黎曼几何流形结构提取幅相融合的节律信息，同时综合了张量维持EEG信号多维结构信息的优点和黎曼流形保持样本局部结构的优点，令“BCI盲”产生的运动想象脑电信号更具可识别性；使用黎曼图实现EEG信号降维,该降维等价于对EEG信号进行联合空频滤波，即利用了数据在黎曼空间的局部特性，又利用了标签的可分信息；基于黎曼距离和正则化线性回归相结合的分类器，通过引入权重系数b，降低了特征值相似带来的不良影响，增加了***的鲁棒性，更加提高了分类准确率。
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步骤、方法不仅包括那些要素，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步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于共幅相测量的脑机接口***，其特征在于，包括脑电信号诱发模块、脑电信号采集模块、自适应学习模块和外设控制模块；
脑电信号诱发模块利用显示界面随机提示使用户进行运动想象产生脑电信号，标记提示开始时间与提示所属类别标签；
脑电信号采集模块获取用户在训练阶段进行运动想象时产生的脑电信号，以及用户控制阶段产生的实时脑电信号；
自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签；
外设控制模块将分类标签转换成命令控制外部设备。
2.根据权利要求1所述的一种基于共幅相测量的脑机接口***，其特征在于，自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，具体包括以下步骤：
提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵；
将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型；
将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型。
3.根据权利要求2所述的一种基于共幅相测量的脑机接口***，其特征在于，提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵，具体包括以下步骤：
将脑电信号采集模块采集的运动想象脑电信号进行带通滤波，得到保留delta波到gamma波频段的脑电波信号；
根据标记的提示开始时间与提示所属类别标签将一定数量采样点当作一次训练样本数据；
通过时频变换方法将训练样本数据转换为带有幅值和相位融合信息的复数信号矩阵Yj＝[X1，X2，…，XK]T，其中Xk为第k通道的复数矩阵，复数矩阵大小为采样点数L*观测频点数N，j表示第j个样本。
4.根据权利要求3所述的一种基于共幅相测量的脑机接口***，其特征在于，将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型，具体包括以下步骤：
通过考虑复数信号矩阵的空间分布与样本标签构建黎曼图连接矩阵；
将黎曼图连接矩阵嵌入优化问题，获得最优的投影矩阵W，根据最优的投影矩阵W得到空频滤波模型为：Z＝WHYj，Yj为复数信号矩阵，其中优化问题表达式为：
其中
R1为脑电信号第一类的Re值，R2为脑电信号第二类的Re值，j表示第j个样本，Yr为样本r复数信号矩阵，Ce表示Yj的p个标签为e的近邻点的集合，Pj为样本的协方差矩阵，ujr表示黎曼图连接矩阵U的内部元素，L表示采样点个数。
5.根据权利要求2所述的一种基于共幅相测量的脑机接口***，其特征在于，将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型，具体包括以下步骤：
计算经过空频滤波模型处理后样本的协方差矩阵；
根据协方差矩阵和脑电信号两类样本的平均协方差矩阵得到带有投影后样本与两类样本均值间的多维黎曼距离信息的向量dj，j表示第j个样本；
对每个维度上样本距离脑电信号两类样本总体特征相似程度进行加权，根据黎曼距离向量与分类权重确定优化问题，对优化问题求解得到最优解的分类权重b，根据最优解的分类权重b得到脑电信号分类识别模型，其中优化问题表达式为：
为训练数据样本标签；λ和a为正则化参数；||b||1为L1范数；D为每个向量dj组成的矩阵。
6.根据权利要求5所述的一种基于共幅相测量的脑机接口***，其特征在于，计算经过空频滤波模型处理后样本的协方差矩阵，具体表达式为：
j表示第j个样本，Z表示经过空频滤波模型后的样本j，L表示采样点数。
7.根据权利要求5所述的一种基于共幅相测量的脑机接口***，其特征在于，根据最优解的分类权重bopt得到脑电信号分类识别模型，具体表达式为：ej＝sign(φ(dj))＝sign(djb)，j表示第j个样本。
8.根据权利要求1所述的一种基于共幅相测量的脑机接口***，其特征在于，外设控制模块将分类标签转换成命令后，将命令通过无线传输方式发送给外部设备，实现对外部设备的控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400378.7A CN114167983B (zh) | 2021-11-24 | 2021-11-24 | 一种基于共幅相测量的脑机接口*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400378.7A CN114167983B (zh) | 2021-11-24 | 2021-11-24 | 一种基于共幅相测量的脑机接口*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114167983A true CN114167983A (zh) | 2022-03-11 |
| CN114167983B CN114167983B (zh) | 2024-07-23 |
Family
ID=80480686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111400378.7A Active CN114167983B (zh) | 2021-11-24 | 2021-11-24 | 一种基于共幅相测量的脑机接口*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167983B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控*** |
| CN106991409A (zh) * | 2017-04-14 | 2017-07-28 | 山东建筑大学 | 一种运动想象脑电信号特征提取与分类***及方法 |
| WO2018081569A1 (en) * | 2016-10-27 | 2018-05-03 | Artemiadis Panagiotis | Systems and methods for a hybrid brain interface for robotic swarms using eeg signals and an input device |
| CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及*** |
| CN111110230A (zh) * | 2020-01-09 | 2020-05-08 | 燕山大学 | 一种运动想象脑电特征增强方法及*** |
| CN111222578A (zh) * | 2020-01-09 | 2020-06-02 | 哈尔滨工业大学 | 一种运动想象eeg信号的在线处理方法 |
| CN111265212A (zh) * | 2019-12-23 | 2020-06-12 | 北京无线电测量研究所 | 一种运动想象脑电信号分类方法及闭环训练测试交互*** |
| CN112465059A (zh) * | 2020-12-07 | 2021-03-09 | 杭州电子科技大学 | 基于跨脑融合决策的多人运动想象识别方法及脑机*** |
-
2021
- 2021-11-24 CN CN202111400378.7A patent/CN114167983B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控*** |
| WO2018081569A1 (en) * | 2016-10-27 | 2018-05-03 | Artemiadis Panagiotis | Systems and methods for a hybrid brain interface for robotic swarms using eeg signals and an input device |
| CN106991409A (zh) * | 2017-04-14 | 2017-07-28 | 山东建筑大学 | 一种运动想象脑电信号特征提取与分类***及方法 |
| CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及*** |
| CN111265212A (zh) * | 2019-12-23 | 2020-06-12 | 北京无线电测量研究所 | 一种运动想象脑电信号分类方法及闭环训练测试交互*** |
| CN111110230A (zh) * | 2020-01-09 | 2020-05-08 | 燕山大学 | 一种运动想象脑电特征增强方法及*** |
| CN111222578A (zh) * | 2020-01-09 | 2020-06-02 | 哈尔滨工业大学 | 一种运动想象eeg信号的在线处理方法 |
| CN112465059A (zh) * | 2020-12-07 | 2021-03-09 | 杭州电子科技大学 | 基于跨脑融合决策的多人运动想象识别方法及脑机*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114167983B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Benalcázar et al. | Hand gesture recognition using machine learning and the Myo armband | |
| Zhang et al. | Deep convolutional neural network for decoding motor imagery based brain computer interface | |
| CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
| Sun et al. | A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces | |
| Cecotti | A time–frequency convolutional neural network for the offline classification of steady-state visual evoked potential responses | |
| CN111329474A (zh) | 基于深度学习的脑电身份识别方法、***及信息更新方法 | |
| CN111265212A (zh) | 一种运动想象脑电信号分类方法及闭环训练测试交互*** | |
| CN109993068B (zh) | 一种基于心率和面部特征的非接触式的人类情感识别方法 | |
| JP2020502683A (ja) | 神経生理学的信号を使用する反復分類のためのシステムと方法 | |
| CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
| CN111523601A (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
| CN110610172B (zh) | 一种基于rnn-cnn架构的肌电手势识别方法 | |
| CN110781760B (zh) | 一种基于空间注意的面部表情识别方法和装置 | |
| Yasir et al. | Two-handed hand gesture recognition for Bangla sign language using LDA and ANN | |
| CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| 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 | |
| CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
| CN110851783A (zh) | 一种用于脑机接口校准的异构标签空间迁移学习方法 | |
| CN107832721A (zh) | 用于输出信息的方法和装置 | |
| CN114578963B (zh) | 一种基于特征可视化和多模态融合的脑电身份识别方法 | |
| Jiang et al. | Analytical comparison of two emotion classification models based on convolutional neural networks | |
| Lee et al. | Source-free subject adaptation for eeg-based visual recognition | |
| CN113918912A (zh) | 一种基于脑纹识别的身份认证方法、***、设备及介质 | |
| CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
| CN114167983B (zh) | 一种基于共幅相测量的脑机接口*** |
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 |