CN114415842A - 一种基于位点等效增强的脑机接口解码方法及装置 - Google Patents

一种基于位点等效增强的脑机接口解码方法及装置 Download PDF

Info

Publication number
CN114415842A
CN114415842A CN202210336486.0A CN202210336486A CN114415842A CN 114415842 A CN114415842 A CN 114415842A CN 202210336486 A CN202210336486 A CN 202210336486A CN 114415842 A CN114415842 A CN 114415842A
Authority
CN
China
Prior art keywords
equivalent
decoding
brain
data
original
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
Application number
CN202210336486.0A
Other languages
English (en)
Other versions
CN114415842B (zh
Inventor
魏依娜
王丽婕
刘金标
唐弢
冯琳清
蔡正厅
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210336486.0A priority Critical patent/CN114415842B/zh
Publication of CN114415842A publication Critical patent/CN114415842A/zh
Application granted granted Critical
Publication of CN114415842B publication Critical patent/CN114415842B/zh
Priority to PCT/CN2022/103788 priority patent/WO2023184771A1/zh
Priority to US18/115,678 priority patent/US20230315203A1/en
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
    • 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
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Psychology (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位点等效增强的脑机接口解码方法及装置，该方法通过对采样点进行跨周期的位点等效变换实现训练数据的数据增强并生成等效排列集合，利用训练数据构建解码模板，对增强数据进行任务相关成分分析求解空间滤波器，根据等效排列集合定向重排测试信号或验证信号，计算空间滤波后重排信号与解码模板的皮尔森相关系数，利用朴素贝叶斯对相关系数分类并进行投票，最终完成稳态视觉诱发电位的解码。本发明的基于位点等效增强的脑机接口解码方法，可实现在小样本和短刺激条件下的稳态视觉诱发电位解码，降低了使用脑机接口的时间成本，提高了脑机接口***的可用性和友好性，有利于成果向应用转化。

Description

一种基于位点等效增强的脑机接口解码方法及装置
技术领域
本发明涉及脑机接口技术领域，特别涉及一种基于位点等效增强的脑机接口解码方法及装置。
背景技术
脑机接口(Brain-Computer Interface, BCI)是将中枢神经***活动直接转化为人工输出的***，它能够替代、修复、增强、补充或改善中枢神经***的正常输出，从而改善神经***与内外环境的交互作用。BCI绕过了正常的神经肌肉输出通路，可以帮助患有神经肌肉疾病但仍保有认知功能的患者提与外界进行信息交流或控制外部设备，也可以用来进行人机思维互动、脑疾病防治、类脑计算等多个方向的研究探索。根据采集传感器的位置，可以将BCI分为侵入式BCI和非侵入式BCI。脑电图（Electroencephalography，EEG）是通过放置在头皮上的传感器记录到的脑神经细胞电位活动的总体信号，是一种常用的非侵入式技术。当人眼观察到大于6 Hz的重复视觉闪烁刺激时，大脑的枕区会诱发出与目标频率相同（或几倍于目标频率）的脑电信号，这种EEG也称稳态视觉诱发电位（Steady-StateVisual Evoked Potential, SSVEP）。经典的SSVEP-BCI将具有不同频率的闪烁视觉刺激与特定的命令关联起来，用户可以通过注视不同的刺激来选择输出命令。基于SSVEP的BCI 具有较高的信息传输速率，因此在BCI领域中被广泛应用。
近年来，各种研究陆续开发了针对SSVEP的解码算法，如功率谱密度分析（Powerspectral density analysis ，PSDA）、典型相关分析（Canonical correlation analysis,CCA）、最小绝对收缩算子（Least absolute shrinkage and selection operator, LASSO）以及任务相关成分分析（Task-related component analysis, TRCA）。但是，多数解码方法都需要用户在使用前进行较长时间的训练才能达到较好的使用效果。而长时间的闪烁刺激容易造成用户视觉不适和疲劳，不利于用户继续操作，降低了***的可用性。因此，开发更高效的短刺激和小样本解码算法是SSVEP-BCI***亟待解决的问题。SSVEP包含刺激的基频及谐波成分，理想情况下SSVEP是周期循环信号，不同周期内具有相同位序的采样点具有相同的物理意义，目前的解码方法还没有涉及这个研究方向。
发明内容
本发明的目的在于提供一种基于位点等效增强的脑机接口解码方法，以克服现有技术中的不足。
为实现上述目的，本发明提供如下技术方案：
本申请公开了一种基于位点等效增强的脑机接口解码方法，包括如下步骤：
S1、获取刺激界面中所有目标的稳态视觉诱发电位作为原始训练集，对原始训练集进行数据预处理，并根据预处理后的训练集求解所有目标的解码模板；
S2、对原始训练集进行位点等效增强获得增强训练集和等效排列集合；
S3、对增强训练集进行任务相关成分析，构建集成空间滤波器；
S4、根据等效排列集合对验证集中的每个单试次验证信号进行全频率定向重排，获得每个单试次验证信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算验证信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；对比单试次验证信号的已知目标标签，将皮尔森相关系数分为预测错误和预测正确；
S5、构建步骤S4中预测错误和预测正确之间的概率密度函数，并选取相应的置信水平和阈值；
S6、根据等效排列集合对测试信号进行全频率定向重排，获得测试信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算测试信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；利用朴素贝叶斯方法求解每个皮尔森相关系数为预测错误和预测正确的后验概率并分类，根据预测正确对所有目标进行投票，预测正确次数最多的目标被判断为当前测试信号的最终目标。
作为优选，所述步骤S1中预处理包括数字滤波和数据标准化。
作为优选，所述步骤S2具体包括如下子步骤：
S21、对于原始训练集中第
Figure 334881DEST_PATH_IMAGE001
个目标第
Figure 48759DEST_PATH_IMAGE002
个试次的训练数据
Figure 500600DEST_PATH_IMAGE003
，其标记频率为
Figure 551602DEST_PATH_IMAGE004
，原始顺序排列
Figure 631553DEST_PATH_IMAGE005
与
Figure 985174DEST_PATH_IMAGE003
的采样点位置一一对应，使用标记频率
Figure 393153DEST_PATH_IMAGE004
对原始顺序排列
Figure 123211DEST_PATH_IMAGE006
进行周期划分，计算原始顺序排列
Figure 447882DEST_PATH_IMAGE006
包含的正弦周期数目、单个周期内的完整采样点数量
Figure 972405DEST_PATH_IMAGE007
以及每个周期的近似起点；
S22、从每个周期起点开始计算原始顺序排列
Figure 992313DEST_PATH_IMAGE006
中每个原始位点在周期内的位序，位序相同的点被定义为位序等效点，对原始顺序排列
Figure 135850DEST_PATH_IMAGE006
中位序为
Figure 924814DEST_PATH_IMAGE008
的所有位点进行重采样，生成原始的第个位点子向量
Figure 10451DEST_PATH_IMAGE009
，从位序1至
Figure 783235DEST_PATH_IMAGE007
依次重采样，获得
Figure 323937DEST_PATH_IMAGE007
个原始位点子向量，组成原始位点子向量集合
Figure 373933DEST_PATH_IMAGE010
；
S23、对原始位点子向量集合
Figure 240258DEST_PATH_IMAGE010
中的每个原始位点子向量进行随机打乱重排，生成
Figure 359392DEST_PATH_IMAGE007
个重排位点子向量，组成重排位点子向量集合
Figure 969365DEST_PATH_IMAGE011
；
S24、按照原始位点子向量集合
Figure 873867DEST_PATH_IMAGE010
中位点的周期序号以及周期内位序，将
Figure 176673DEST_PATH_IMAGE011
中的位点进行有序组合，生成新的全排列
Figure 392891DEST_PATH_IMAGE012
；
S25、令第
Figure 665609DEST_PATH_IMAGE001
个目标的等效排列集合为
Figure 549251DEST_PATH_IMAGE013
，计算全排列
Figure 757379DEST_PATH_IMAGE012
与
Figure 601838DEST_PATH_IMAGE013
中已存在等效排列的肯德尔等级相关系数，若符合阈值要求，则
Figure 553613DEST_PATH_IMAGE012
就是一个等效排列，将该排列加入
Figure 416396DEST_PATH_IMAGE013
中；
S26、重复上述S23-S25，按照序列前向选择原则继续向
Figure 795425DEST_PATH_IMAGE013
中添加等效排列，直至等效排列集合
Figure 251814DEST_PATH_IMAGE013
中的等效排列数目满足阈值
Figure 617067DEST_PATH_IMAGE014
；
S27、使用
Figure 209723DEST_PATH_IMAGE013
中的等效排列对第
Figure 149866DEST_PATH_IMAGE001
个目标其他试次的训练数据进行等效变换，生成增强训练集
Figure 93551DEST_PATH_IMAGE015
。
作为优选，所述步骤S3具体包括如下子步骤：
S31、计算第
Figure 387129DEST_PATH_IMAGE001
个目标的增强训练集
Figure 709657DEST_PATH_IMAGE015
中所有试次的互协方差以及协方差；
S32、根据步骤S31中的互协方差以及协方差求解空间滤波器；
S33、重复S31-S32，求解所有目标的空间滤波器，构成集成空间滤波器
Figure 430488DEST_PATH_IMAGE016
。
作为优选，所述步骤S4具体包括如下子步骤：
S41、取验证集中的单试次信号
Figure 595891DEST_PATH_IMAGE017
，根据第
Figure 817793DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 385041DEST_PATH_IMAGE013
中的第
Figure 152140DEST_PATH_IMAGE008
个等效排列进行重排生成的数据为
Figure 70417DEST_PATH_IMAGE018
，利用空间滤波器进行空间滤波并计算重排数据
Figure 705798DEST_PATH_IMAGE018
与第
Figure 252186DEST_PATH_IMAGE001
个目标的解码模板之间的皮尔森相关系数
Figure 314820DEST_PATH_IMAGE019
；
S42、根据等效排列集合
Figure 330180DEST_PATH_IMAGE013
的其余等效排列重复进行S41的操作，得到关于第
Figure 34831DEST_PATH_IMAGE001
个目标的所有的皮尔森相关系数；
S43、使用其他目标的等效排列集合对单试次信号
Figure 701305DEST_PATH_IMAGE017
重复步骤S41-S42，获得单试次信号
Figure 934840DEST_PATH_IMAGE017
关于其他目标的所有皮尔森相关系数；
S44、根据单试次信号
Figure 562130DEST_PATH_IMAGE017
的已知目标标签，将步骤S42与S43中单试次信号
Figure 414680DEST_PATH_IMAGE017
关于所有目标的全部皮尔森相关系数进行分类；其中与单试次信号
Figure 811026DEST_PATH_IMAGE017
的已知目标相同的所有皮尔森相关系数分类为预测正确；反之，预测错误；
S45、对验证集中的其他信号重复上述步骤S41-S44，获得验证集中每个信号关于所有目标的皮尔森相关系数并根据已知标签对其分类。
作为优选，所述步骤S5具体包括如下操作：使用高斯核函数分别对预测正确和预测错误的两类相关系数进行核密度估计，构建两类相关系数的概率密度函数。
作为优选，所述步骤S6具体包括如下子步骤：
S61、对于测试信号
Figure 605676DEST_PATH_IMAGE020
，根据第
Figure 454683DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 235557DEST_PATH_IMAGE013
中的第
Figure 361776DEST_PATH_IMAGE008
个等效排列对
Figure 202693DEST_PATH_IMAGE020
进行重排，生成数据
Figure 929210DEST_PATH_IMAGE021
，利用空间滤波器进行空间滤波并计算重排数据
Figure 248195DEST_PATH_IMAGE021
与第
Figure 619134DEST_PATH_IMAGE001
个目标的解码模板之间的皮尔森相关系数
Figure 240739DEST_PATH_IMAGE022
；
S62、使根据等效排列集合
Figure 64339DEST_PATH_IMAGE013
的其余等效排列进行步骤S61的操作，得到关于第
Figure 577229DEST_PATH_IMAGE001
个目标的所有的皮尔森相关系数；
S63、使用其他目标的等效排列集合对测试信号
Figure 802674DEST_PATH_IMAGE020
重复步骤S61-S62，获得测试信号
Figure 860759DEST_PATH_IMAGE020
关于其他目标的所有皮尔森相关系数；
S64、使用朴素贝叶斯方法计算S62与S63中测试信号
Figure 171655DEST_PATH_IMAGE020
关于所有目标的皮尔森相关系数的预测正确和预测错误的后验概率，并将皮尔森相关系数分类为后验概率最大的类；
S65、将测试信号
Figure 98023DEST_PATH_IMAGE020
关于第
Figure 37029DEST_PATH_IMAGE001
个目标的相关系数中预测正确的系数个数记为
Figure 390650DEST_PATH_IMAGE023
，最大
Figure 188841DEST_PATH_IMAGE023
对应的目标被识别为最终的目标
Figure 794266DEST_PATH_IMAGE024
。
本申请还公开了一种基于位点等效增强的脑机接口解码装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的一种基于位点等效增强的脑机接口解码方法。
本申请还公开了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述的一种基于位点等效增强的脑机接口解码方法。
本发明的有益效果：
1、本发明针对稳态视觉诱发电位开发了一种基于位点等效增强的脑机接口解码方法，该方法根据SSVEP的锁时锁相特性，对数据进行位点等效交换，可以实现短刺激即小样本情况下的数据增强，扩充样本量，有利于对SSVEP进行相关的数据分析；
2、本发明设计的一种基于位点等效增强的脑机接口解码方法，是一种更准确高效的解码算法，该方法运用位点等效增强方法和任务相关成分分析对SSVEP进行特征提取，通过朴素贝叶斯方法和投票过程对提取特征进行分类，最终完成目标识别，在校准数据减少、刺激时间变短的情况下该算法仍然具有良好的鲁棒性，可以减少用户的视觉疲劳，增加***的用户友好度，同时促进该技术向应用成果转化；
3、本发明设计的一种基于位点等效增强的脑机接口解码方法可以减少测试信号与非目标频率的相关性，从而提升解码能力，有助于零样本或者跨个体的SSVEP解码，为提升SSVEP-BCIs***性能提供了一个创新且可行的研究方向。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1为一种基于位点等效增强的脑机接口解码方法的流程图；
图2为位点等效增强的示意图；
图3为一种基于位点等效增强解码方法的脑-机接口应用结构示意图；
图4为本发明一种基于位点等效增强的脑机接口解码装置的结构图。
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明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，一种基于位点等效增强的脑机接口解码方法，包括如下步骤：
S1、获取刺激界面中所有目标的稳态视觉诱发电位作为原始训练集，对原始训练集进行数据预处理，并根据预处理后的训练集求解刺激界面中所有目标的解码模板；
S2、对原始训练集进行位点等效增强获得增强训练集和等效排列集合；
S3、对增强训练集进行任务相关成分析，构建集成空间滤波器；
S4、根据等效排列集合对验证集中的每个单试次验证信号进行全频率定向重排，获得每个单试次验证信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算验证信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；对比单试次验证信号的已知目标标签，将皮尔森相关系数分为预测错误和预测正确；
S5、构建步骤S4中预测错误和预测正确之间的密度函数，并选取相应的置信水平和阈值；
S6、根据等效排列集合对测试信号进行全频率定向重排，获得测试信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算测试信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；根据朴素贝叶斯方法求解每个皮尔森相关系数为预测错误和预测正确的后验概率并分类，根据预测正确对所有目标进行投票，预测正确相关系数次数最多的目标被判断为当前测试信号的最终目标。
在一种可行的方案中，所述步骤S1中预处理包括数字滤波和数据标准化。
在一种可行的方案中，所述步骤S2具体包括如下子步骤：
S21、对于原始训练集中第
Figure 463145DEST_PATH_IMAGE001
个目标第
Figure 643459DEST_PATH_IMAGE002
个试次的训练数据
Figure 663368DEST_PATH_IMAGE003
，其标记频率为
Figure 806905DEST_PATH_IMAGE004
，原始顺序排列
Figure 595869DEST_PATH_IMAGE005
与
Figure 556872DEST_PATH_IMAGE003
的采样点位置一一对应，使用标记频率
Figure 188710DEST_PATH_IMAGE004
对原始顺序排列
Figure 994992DEST_PATH_IMAGE006
进行周期划分，计算原始顺序排列
Figure 44988DEST_PATH_IMAGE006
包含的正弦周期数目、单个周期内的完整采样点数量
Figure 911313DEST_PATH_IMAGE007
以及每个周期的近似起点；
S22、从每个周期起点开始计算原始顺序排列
Figure 905814DEST_PATH_IMAGE006
中每个原始位点在周期内的位序，位序相同的点被定义为位序等效点，对原始顺序排列
Figure 640420DEST_PATH_IMAGE006
中位序为
Figure 403977DEST_PATH_IMAGE008
的所有位点进行重采样，生成原始的第个位点子向量
Figure 316569DEST_PATH_IMAGE009
，从位序1至
Figure 63945DEST_PATH_IMAGE007
依次重采样，获得
Figure 602243DEST_PATH_IMAGE007
个原始位点子向量，组成原始位点子向量集合
Figure 220306DEST_PATH_IMAGE010
；
S23、对原始位点子向量集合
Figure 428434DEST_PATH_IMAGE010
中的每个原始位点子向量进行随机打乱重排，生成
Figure 272893DEST_PATH_IMAGE007
个重排位点子向量，组成重排位点子向量集合
Figure 959089DEST_PATH_IMAGE011
；
S24、按照原始位点子向量集合
Figure 962817DEST_PATH_IMAGE010
中位点的周期序号以及周期内位序，将
Figure 200900DEST_PATH_IMAGE011
中的位点进行有序组合，生成新的全排列
Figure 657290DEST_PATH_IMAGE012
；
S25、令第
Figure 288122DEST_PATH_IMAGE001
个目标的等效排列集合为
Figure 880778DEST_PATH_IMAGE013
，计算全排列
Figure 696287DEST_PATH_IMAGE012
与
Figure 499027DEST_PATH_IMAGE013
中已存在等效排列的肯德尔等级相关系数，若符合阈值要求，则
Figure 527025DEST_PATH_IMAGE012
就是一个等效排列，将该排列加入
Figure 239767DEST_PATH_IMAGE013
中；
S26、重复上述S23-S25，按照序列前向选择原则继续向
Figure 101543DEST_PATH_IMAGE013
中添加等效排列，直至等效排列集合
Figure 266945DEST_PATH_IMAGE013
中的等效排列数目满足阈值
Figure 98635DEST_PATH_IMAGE014
；
S27、使用
Figure 790517DEST_PATH_IMAGE013
中的等效排列对第
Figure 947828DEST_PATH_IMAGE001
个目标其他试次的训练数据进行等效变换，生成增强训练集
Figure 475893DEST_PATH_IMAGE015
。
所述步骤S3具体包括如下子步骤：
S31、计算第
Figure 111274DEST_PATH_IMAGE001
个目标的增强训练集
Figure 533028DEST_PATH_IMAGE015
中所有试次的互协方差以及协方差；
S32、根据步骤S31中的互协方差以及协方差求解空间滤波器；
S33、重复S31-S32，求解所有目标的空间滤波器，构成集成空间滤波器
Figure 985875DEST_PATH_IMAGE025
。
在一种可行的方案中，所述步骤S4具体包括如下子步骤：
S41、取验证集中的单试次信号
Figure 125869DEST_PATH_IMAGE017
，根据第
Figure 440307DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 982146DEST_PATH_IMAGE013
中的第
Figure 629332DEST_PATH_IMAGE008
个等效排列进行重排生成的数据为
Figure 256623DEST_PATH_IMAGE018
，利用空间滤波器进行空间滤波并计算重排数据
Figure 968227DEST_PATH_IMAGE018
与第
Figure 505518DEST_PATH_IMAGE001
个目标的解码模板之间的皮尔森相关系数
Figure 175534DEST_PATH_IMAGE019
；
S42、根据等效排列集合
Figure 149175DEST_PATH_IMAGE013
的其余等效排列重复进行S41的操作，得到关于第
Figure 930049DEST_PATH_IMAGE001
个目标的所有的皮尔森相关系数；
S43、使用其他目标的等效排列集合对单试次信号
Figure 180902DEST_PATH_IMAGE017
重复步骤S41-S42，获得单试次信号
Figure 897185DEST_PATH_IMAGE017
关于其他目标的所有皮尔森相关系数；
S44、根据单试次信号
Figure 499068DEST_PATH_IMAGE017
的已知目标标签，将步骤S42与S43中单试次信号
Figure 942688DEST_PATH_IMAGE017
关于所有目标的全部皮尔森相关系数进行分类；其中与单试次信号
Figure 313626DEST_PATH_IMAGE017
的已知目标相同的所有皮尔森相关系数分类为预测正确；反之，预测错误；
S45、对验证集中的其他信号重复上述步骤S41-S44，获得验证集信号关于所有目标的皮尔森相关系数并根据已知标签对其分类。
在一种可行的方案中，所述步骤S5具体包括如下操作：使用高斯核函数分别对预测正确和预测错误的两类相关系数进行核密度估计，构建两类相关系数的概率密度函数。
在一种可行的方案中，所述步骤S6具体包括如下子步骤：
S61、对于测试信号
Figure 59865DEST_PATH_IMAGE020
，根据第
Figure 24410DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 147087DEST_PATH_IMAGE013
中的第
Figure 497166DEST_PATH_IMAGE008
个等效排列对
Figure 679886DEST_PATH_IMAGE020
进行重排，生成数据
Figure 866147DEST_PATH_IMAGE021
，利用空间滤波器进行空间滤波并计算重排数据
Figure 792515DEST_PATH_IMAGE021
与第
Figure 606887DEST_PATH_IMAGE001
个目标的解码模板之间的皮尔森相关系数
Figure 350721DEST_PATH_IMAGE022
；
S62、使根据等效排列集合
Figure 883334DEST_PATH_IMAGE013
的其余等效排列进行步骤S61的操作，得到关于第
Figure 223179DEST_PATH_IMAGE001
个目标的所有的皮尔森相关系数；
S63、使用其他目标的等效排列集合对测试信号
Figure 157637DEST_PATH_IMAGE020
重复步骤S61-S62，获得测试信号
Figure 947739DEST_PATH_IMAGE020
关于其他目标的所有皮尔森相关系数；
S64、使用朴素贝叶斯方法计算S62与S63中测试信号
Figure 826702DEST_PATH_IMAGE020
关于所有目标的皮尔森相关系数的预测正确和预测错误的后验概率，并将皮尔森相关系数分类为后验概率最大的类；
S65、将测试信号
Figure 360451DEST_PATH_IMAGE020
关于第
Figure 290361DEST_PATH_IMAGE001
个目标的相关系数中预测正确的系数个数记为
Figure 720206DEST_PATH_IMAGE023
，最大
Figure 492990DEST_PATH_IMAGE023
对应的目标被识别为最终的目标
Figure 689485DEST_PATH_IMAGE024
。
实施例：
一种基于位点等效增强的解码方法，参见图1，该方法包括以下步骤：
本发明实施例根据稳态视觉诱发电位的时域特性，基于位点等效的思想开发了数据增强方法，并结合任务相关成分分析和朴素贝叶斯方法，设计了针对稳态视觉诱发电位脑机接口的解码方法。
该方法主要包括三个部分：
在训练模块中，首先对原始训练集进行数据预处理并根据预处理后的训练集求解解码模板，再对原始训练集进行位点等效增强获得增强训练集和等效排列集合，之后通过对增强训练集进行任务相关成分分析构建集成空间滤波器；
在验证模块中，对验证集进行数据预处理，根据等效排列集合对每个单试次验证信号进行全频率定向重排获得重排数据集，之后进行特征提取（使用空间滤波器进行空间滤波后求解重排数据和对应解码模板的皮尔森相关系数），对比原始验证信号的类别知识将系数分为预测错误和预测正确两类，根据所有已分类的系数由核密度估计方法构建两类系数的密度函数，并选取相应的置信水平和阈值；
在测试模块中，对测试信号进行数据预处理后，根据等效排列集合对测试信号进行全频率定向重排获得重排数据，之后进行特征提取，根据朴素贝叶斯方法求解每个系数预测正确和预测错误的后验概率并分类，对预测正确的目标进行投票，预测正确次数最多的目标被判断为当前测试信号的最终目标。
下面结合具体的实例、计算公式对上述方案进行进一步地介绍，详见下文描述：
假设训练数据中包含
Figure 332956DEST_PATH_IMAGE026
个目标，
Figure 340226DEST_PATH_IMAGE027
表示原始训练集中第
Figure 334727DEST_PATH_IMAGE028
个目标第
Figure 944700DEST_PATH_IMAGE029
个试次的数据，
Figure 98469DEST_PATH_IMAGE030
为导联数量，
Figure 135695DEST_PATH_IMAGE031
为采样点数量，
Figure 758438DEST_PATH_IMAGE032
为时数域。
所有数据都进行了预处理。由原始训练集构建解码模板：
Figure 906522DEST_PATH_IMAGE033
其中，
Figure 914798DEST_PATH_IMAGE034
表示第
Figure 122926DEST_PATH_IMAGE028
个目标的数据包含的试次数目，
Figure 826440DEST_PATH_IMAGE035
表示第
Figure 919161DEST_PATH_IMAGE028
个目标的解码模板。
对
Figure 391730DEST_PATH_IMAGE036
执行位点等效增强，等效增强过程中计算原始顺序排列
Figure 770759DEST_PATH_IMAGE037
包含的正弦周期数目
Figure 351782DEST_PATH_IMAGE038
、单个周期内的完整采样点数量
Figure 107248DEST_PATH_IMAGE039
以及第
Figure 840849DEST_PATH_IMAGE040
个周期的近似起点
Figure 390779DEST_PATH_IMAGE041
：
Figure 803306DEST_PATH_IMAGE042
；
Figure 487097DEST_PATH_IMAGE043
；
Figure 199838DEST_PATH_IMAGE044
；
其中，
Figure 796036DEST_PATH_IMAGE045
表示信号的采样频率，
Figure 961438DEST_PATH_IMAGE046
表示取不小于自变量的最小整数，
Figure 58707DEST_PATH_IMAGE047
表示取不大于自变量的最大整数，
Figure 485009DEST_PATH_IMAGE048
表示对自变量按照四舍五入方式取整数。通过等效增强获得了等效排列集合
Figure 376742DEST_PATH_IMAGE049
，使用
Figure 29440DEST_PATH_IMAGE049
对第
Figure 805766DEST_PATH_IMAGE050
个目标其他试次的训练数据进行等效变换，获得位等序列数据集
Figure 493099DEST_PATH_IMAGE051
。计算
Figure 680367DEST_PATH_IMAGE051
中所有试次的互协方差
Figure 820361DEST_PATH_IMAGE052
以及协方差
Figure 134799DEST_PATH_IMAGE053
：
换，获得位等序列数据集
Figure 411060DEST_PATH_IMAGE054
。计算
Figure 910174DEST_PATH_IMAGE054
中所有试次的互协方差
Figure 396519DEST_PATH_IMAGE055
以及协方差
Figure 639282DEST_PATH_IMAGE053
：
Figure 176573DEST_PATH_IMAGE056
Figure 581010DEST_PATH_IMAGE057
其中，
Figure 430017DEST_PATH_IMAGE058
和
Figure 601104DEST_PATH_IMAGE059
表示
Figure 851957DEST_PATH_IMAGE060
中的试次序号，表示第
Figure 568240DEST_PATH_IMAGE061
个目标的等效排列集合
Figure 638964DEST_PATH_IMAGE062
中元素的数目。将协方差最大化问题转化为Rayleigh-Ritz特征值问题，求解空间滤波器：
Figure 223530DEST_PATH_IMAGE063
其中
Figure 719102DEST_PATH_IMAGE064
表示对应第
Figure 465341DEST_PATH_IMAGE061
个目标的空间滤波器。
重复上述步骤求解其他所有目标的空间滤波器，构建集成空间滤波器
Figure 429886DEST_PATH_IMAGE065
：
Figure 286983DEST_PATH_IMAGE066
；
对于验证集中的单试次信号
Figure 778008DEST_PATH_IMAGE067
，根据等效排列集合
Figure 85361DEST_PATH_IMAGE062
中的第
Figure 130678DEST_PATH_IMAGE068
个等效排列进行重排生成的数据为
Figure 932411DEST_PATH_IMAGE069
，利用空间滤波器
Figure 277942DEST_PATH_IMAGE065
进行空间滤波并计算重排数据
Figure 365984DEST_PATH_IMAGE069
与第
Figure 288809DEST_PATH_IMAGE061
个目标解码模板的皮尔森相关系数
Figure 753289DEST_PATH_IMAGE070
：
Figure 94271DEST_PATH_IMAGE071
其中，
Figure 353214DEST_PATH_IMAGE072
表示转置。
使用
Figure 373123DEST_PATH_IMAGE062
的其他元素对
Figure 31506DEST_PATH_IMAGE067
完成剩余
Figure 86050DEST_PATH_IMAGE073
次重排并计算重排数据和第
Figure 391261DEST_PATH_IMAGE061
个目标解码模板空间滤波后的相关系数，得到关于第
Figure 164044DEST_PATH_IMAGE061
个目标的
Figure 360539DEST_PATH_IMAGE074
个相关系数。使用其他目标的等效排列集合对
Figure 4010DEST_PATH_IMAGE067
重复上述操作，获得
Figure 870335DEST_PATH_IMAGE067
关于其他目标的
Figure 740202DEST_PATH_IMAGE075
个相关系数。
假设
Figure 615754DEST_PATH_IMAGE067
的已知标签是
Figure 113732DEST_PATH_IMAGE061
，则将
Figure 541171DEST_PATH_IMAGE067
关于第
Figure 22968DEST_PATH_IMAGE061
个目标的
Figure 46419DEST_PATH_IMAGE074
个相关系数分类为预测正确，
Figure 930061DEST_PATH_IMAGE067
关于其他目标的
Figure 528401DEST_PATH_IMAGE075
个相关系数则分类为预测错误。
对验证集中其他信号重复上述操作，获得验证集信号关于所有目标的相关系数并根据已知标签对其分类。
使用高斯核函数分别对预测正确和预测错误的两类相关系数进行核密度估计，构建两类相关系数的概率密度函数。
对于测试信号
Figure 231915DEST_PATH_IMAGE076
，根据等效排列集合
Figure 449270DEST_PATH_IMAGE062
中的第
Figure 62785DEST_PATH_IMAGE068
个等效排列对
Figure 441814DEST_PATH_IMAGE076
进行重排，生成数据
Figure 22837DEST_PATH_IMAGE077
，利用空间滤波器
Figure 778303DEST_PATH_IMAGE065
进行空间滤波并计算重排数据
Figure 511904DEST_PATH_IMAGE077
与第
Figure 796255DEST_PATH_IMAGE061
个目标解码模板的皮尔森相关系数
Figure 739940DEST_PATH_IMAGE078
：
Figure 423731DEST_PATH_IMAGE079
使用
Figure 870893DEST_PATH_IMAGE062
的其他元素对测试信号
Figure 591724DEST_PATH_IMAGE076
完成剩余
Figure 632493DEST_PATH_IMAGE080
次重排并计算重排数据和第
Figure 729762DEST_PATH_IMAGE061
个目标解码模板空间滤波后的相关系数，得到关于第
Figure 687222DEST_PATH_IMAGE061
个目标的
Figure 844534DEST_PATH_IMAGE074
个相关系数。使用其他目标的等效排列集合对
Figure 107019DEST_PATH_IMAGE076
重复上述操作，获得
Figure 742400DEST_PATH_IMAGE076
关于其他目标的
Figure 429733DEST_PATH_IMAGE081
个相关系数。
根据概率密度函数使用朴素贝叶斯方法对每个相关系数进行分类，计算每个系数是正确分类的后验概率，假设预测正确为假设
Figure 617001DEST_PATH_IMAGE082
，预测错误为假设
Figure 756995DEST_PATH_IMAGE083
，
Figure 71433DEST_PATH_IMAGE078
表示测试信号
Figure 347694DEST_PATH_IMAGE076
第
Figure 581229DEST_PATH_IMAGE068
次重排之后和第
Figure 333153DEST_PATH_IMAGE061
个目标模板经滤波后的相关系数，则
Figure 575916DEST_PATH_IMAGE078
的预测正确和预测错误的后验概率分别为：
Figure 847628DEST_PATH_IMAGE084
；
Figure 517644DEST_PATH_IMAGE085
其中
Figure 756864DEST_PATH_IMAGE086
和
Figure 803318DEST_PATH_IMAGE087
分别表示该相关系数预测正确和预测错误的后验概率，将该系数分类为后验概率最大的类。
将
Figure 788591DEST_PATH_IMAGE076
关于第
Figure 504874DEST_PATH_IMAGE061
个目标的相关系数中预测正确的系数个数记为
Figure 841178DEST_PATH_IMAGE088
，最大
Figure 160164DEST_PATH_IMAGE088
对应的目标被识别为最终的目标
Figure DEST_PATH_IMAGE089
：
Figure 186894DEST_PATH_IMAGE090
参见图2，图2所示子图1是理想情况下0.5s时间窗内的8Hz原始SSVEP，该信号共包含4个正弦周期。子图2表示对原始信号进行等效增强后生成的信号1。子图3则表示对原始信号进行等效增强后生成的信号2。所有子图中采样点的数字标记表示该采样点的原始位置序号。
参见图3，图3所示为本发明算法应用的SSVEP脑机接口***结构示意图。该***包括刺激显示设备、脑电采集***以及信号处理***。其中，信号处理***包括数据预处理、数据重排、特征提取以及特征分类等部分。信号处理***在完成分类后可以将指令输出给脑控应用设备，也可以将分类结果应用于神经反馈训练或神经调控。
本发明实施例对各器件的型号除做特殊说明外，其他器件的型号不做限制，只要可完成上述功能均可。
本发明一种基于位点等效增强的脑机接口解码方法的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明一种基于位点等效增强的脑机接口解码方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于位点等效增强的脑机接口解码方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已，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、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于位点等效增强的脑机接口解码方法，其特征在于，包括如下步骤：
S1、获取刺激界面中所有目标的稳态视觉诱发电位作为原始训练集，对原始训练集进行数据预处理，并根据预处理后的训练集求解所有目标的解码模板；
S2、对原始训练集进行位点等效增强获得增强训练集和等效排列集合；
S3、对增强训练集进行任务相关成分析，构建集成空间滤波器；
S4、根据等效排列集合对验证集中的每个单试次验证信号进行全频率定向重排，获得每个单试次验证信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算验证信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；对比单试次验证信号的已知目标标签，将皮尔森相关系数分为预测错误和预测正确；
S5、构建步骤S4中预测错误和预测正确之间的概率密度函数，并选取相应的置信水平和阈值；
S6、根据等效排列集合对测试信号进行全频率定向重排，获得测试信号对应的重排数据集；使用S3中的集成空间滤波器进行空间滤波后计算测试信号对应的重排数据和其对应的解码模板之间的皮尔森相关系数；利用朴素贝叶斯方法求解每个皮尔森相关系数为预测错误和预测正确的后验概率并分类，根据预测正确对所有目标进行投票，预测正确次数最多的目标被判断为当前测试信号的最终目标。
2.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S1中预处理包括数字滤波和数据标准化。
3.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S2具体包括如下子步骤：
S21、对于原始训练集中第
Figure 261105DEST_PATH_IMAGE001
个目标第
Figure 850349DEST_PATH_IMAGE002
个试次的训练数据
Figure 426824DEST_PATH_IMAGE003
，其标记频率为
Figure 477825DEST_PATH_IMAGE004
，原始顺序排列
Figure 823356DEST_PATH_IMAGE005
与
Figure 786764DEST_PATH_IMAGE003
的采样点位置一一对应，使用标记频率
Figure 584956DEST_PATH_IMAGE004
对原始顺序排列
Figure 439648DEST_PATH_IMAGE006
进行周期划分，计算原始顺序排列
Figure 639685DEST_PATH_IMAGE006
包含的正弦周期数目、单个周期内的完整采样点数量
Figure 39574DEST_PATH_IMAGE007
以及每个周期的近似起点；
S22、从每个周期起点开始计算原始顺序排列
Figure 325062DEST_PATH_IMAGE006
中每个原始位点在周期内的位序，位序相同的点被定义为位序等效点，对原始顺序排列
Figure 741303DEST_PATH_IMAGE006
中位序为
Figure 530268DEST_PATH_IMAGE008
的所有位点进行重采样，生成原始的第
Figure 491270DEST_PATH_IMAGE008
个位点子向量
Figure 139421DEST_PATH_IMAGE009
，从位序1至
Figure 680123DEST_PATH_IMAGE007
依次重采样，获得
Figure 979387DEST_PATH_IMAGE007
个原始位点子向量，组成原始位点子向量集合
Figure 845711DEST_PATH_IMAGE010
；
S23、对原始位点子向量集合
Figure 840212DEST_PATH_IMAGE010
中的每个原始位点子向量进行随机打乱重排，生成
Figure 591130DEST_PATH_IMAGE007
个重排位点子向量，组成重排位点子向量集合
Figure 354687DEST_PATH_IMAGE011
；
S24、按照原始位点子向量集合
Figure 782126DEST_PATH_IMAGE010
中位点的周期序号以及周期内位序，将
Figure 998344DEST_PATH_IMAGE011
中的位点进行有序组合，生成新的全排列
Figure 146429DEST_PATH_IMAGE012
；
S25、令第
Figure 171016DEST_PATH_IMAGE001
个目标的等效排列集合为
Figure 379144DEST_PATH_IMAGE013
，计算全排列
Figure 207291DEST_PATH_IMAGE012
与
Figure 424646DEST_PATH_IMAGE013
中已存在等效排列的肯德尔等级相关系数，若符合阈值要求，则
Figure 38161DEST_PATH_IMAGE012
就是一个等效排列，将该排列加入
Figure 682769DEST_PATH_IMAGE013
中；
S26、重复上述S23-S25，按照序列前向选择原则继续向
Figure 263792DEST_PATH_IMAGE013
中添加等效排列，直至等效排列集合
Figure 753679DEST_PATH_IMAGE013
中的等效排列数目满足阈值要求；
S27、使用
Figure 346335DEST_PATH_IMAGE013
中的等效排列对第
Figure 37210DEST_PATH_IMAGE001
个目标其他试次的训练数据进行等效变换，生成增强训练集
Figure 715316DEST_PATH_IMAGE014
。
4.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S3具体包括如下子步骤：
S31、计算第
Figure 399107DEST_PATH_IMAGE001
个目标的增强训练集
Figure 111848DEST_PATH_IMAGE014
中所有试次的互协方差以及协方差；
S32、根据步骤S31中的互协方差以及协方差求解空间滤波器；
S33、重复S31-S32，求解所有目标的空间滤波器，构成集成空间滤波器
Figure 708046DEST_PATH_IMAGE015
。
5.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S4具体包括如下子步骤：
S41、取验证集中的单试次信号
Figure 873448DEST_PATH_IMAGE016
，根据第
Figure 360930DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 928178DEST_PATH_IMAGE013
中的第
Figure 554331DEST_PATH_IMAGE008
个等效排列进行重排生成的数据为
Figure 613554DEST_PATH_IMAGE017
，利用空间滤波器进行空间滤波并计算重排数据
Figure 248935DEST_PATH_IMAGE017
与第k个目标的解码模板之间的皮尔森相关系数
Figure 795322DEST_PATH_IMAGE018
；
S42、根据等效排列集合
Figure 123536DEST_PATH_IMAGE013
的其余等效排列重复进行S41的操作，得到关于第
Figure 997951DEST_PATH_IMAGE001
个目标的
Figure 577968DEST_PATH_IMAGE019
的皮尔森相关系数；
S43、使用其他目标的等效排列集合对单试次信号
Figure 119807DEST_PATH_IMAGE016
重复步骤S41-S42，获得单试次信号
Figure 477976DEST_PATH_IMAGE016
关于其他目标的所有皮尔森相关系数；
S44、根据单试次信号
Figure 105267DEST_PATH_IMAGE016
的已知目标标签，将步骤S42与S43中单试次信号
Figure 223396DEST_PATH_IMAGE016
关于所有目标的全部皮尔森相关系数进行分类；其中与单试次信号
Figure 354163DEST_PATH_IMAGE016
的已知目标相同的所有皮尔森相关系数分类为预测正确；反之，预测错误；
S45、对验证集中的其他信号重复上述步骤S41-S44，获得验证集中每个信号关于所有目标的皮尔森相关系数并根据已知标签对其分类。
6.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S5具体包括如下操作：使用高斯核函数分别对预测正确和预测错误的两类相关系数进行核密度估计，构建两类相关系数的概率密度函数。
7.如权利要求1所述的一种基于位点等效增强的脑机接口解码方法，其特征在于，所述步骤S6具体包括如下子步骤：
S61、对于测试信号
Figure 24178DEST_PATH_IMAGE020
，根据第
Figure 997819DEST_PATH_IMAGE001
个目标的等效排列集合
Figure 44273DEST_PATH_IMAGE013
中的第
Figure 170492DEST_PATH_IMAGE008
个等效排列对
Figure 11409DEST_PATH_IMAGE020
进行重排，生成数据
Figure 737925DEST_PATH_IMAGE021
，利用空间滤波器进行空间滤波并计算重排数据
Figure 56911DEST_PATH_IMAGE021
与第
Figure 427850DEST_PATH_IMAGE001
个目标的解码模板之间的皮尔森相关系数
Figure 315034DEST_PATH_IMAGE022
；
S62、使根据等效排列集合
Figure 873055DEST_PATH_IMAGE013
的其余等效排列进行步骤S61的操作，得到关于第
Figure 651524DEST_PATH_IMAGE001
个目标的所有的皮尔森相关系数；
S63、使用其他目标的等效排列集合对测试信号
Figure 611389DEST_PATH_IMAGE020
重复步骤S61-S62，获得测试信号
Figure 528530DEST_PATH_IMAGE020
关于其他目标的所有皮尔森相关系数；
S64、使用朴素贝叶斯方法计算S62与S63中测试信号
Figure 980371DEST_PATH_IMAGE020
关于所有目标的皮尔森相关系数的预测正确和预测错误的后验概率，并将皮尔森相关系数分类为后验概率最大的类；
S65、将测试信号
Figure 906739DEST_PATH_IMAGE020
关于第
Figure 111324DEST_PATH_IMAGE001
个目标的相关系数中预测正确的系数个数记为
Figure 464945DEST_PATH_IMAGE023
，最大
Figure 997557DEST_PATH_IMAGE023
对应的目标被识别为最终的目标。
8.一种基于位点等效增强的脑机接口解码装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的一种基于位点等效增强的脑机接口解码方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的一种基于位点等效增强的脑机接口解码方法。
CN202210336486.0A 2022-04-01 2022-04-01 一种基于位点等效增强的脑机接口解码方法及装置 Active CN114415842B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210336486.0A CN114415842B (zh) 2022-04-01 2022-04-01 一种基于位点等效增强的脑机接口解码方法及装置
PCT/CN2022/103788 WO2023184771A1 (zh) 2022-04-01 2022-07-05 一种基于位点等效增强的脑机接口解码方法及装置
US18/115,678 US20230315203A1 (en) 2022-04-01 2023-02-28 Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210336486.0A CN114415842B (zh) 2022-04-01 2022-04-01 一种基于位点等效增强的脑机接口解码方法及装置

Publications (2)

Publication Number Publication Date
CN114415842A true CN114415842A (zh) 2022-04-29
CN114415842B CN114415842B (zh) 2022-06-17

Family

ID=81263235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210336486.0A Active CN114415842B (zh) 2022-04-01 2022-04-01 一种基于位点等效增强的脑机接口解码方法及装置

Country Status (2)

Country Link
CN (1) CN114415842B (zh)
WO (1) WO2023184771A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116010783A (zh) * 2023-01-06 2023-04-25 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
CN116738215A (zh) * 2023-08-11 2023-09-12 之江实验室 一种基于稳态视觉诱发电位的脑电身份识别方法及装置
WO2023184771A1 (zh) * 2022-04-01 2023-10-05 之江实验室 一种基于位点等效增强的脑机接口解码方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5023783A (en) * 1987-11-11 1991-06-11 The University Of Melbourne Evoked response audiometer for testing sleeping subjects
CN104536573A (zh) * 2014-12-30 2015-04-22 天津大学 一种基于高频闪烁情感刺激的脑-机接口方法
CN109299751A (zh) * 2018-11-26 2019-02-01 南开大学 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
US20190107888A1 (en) * 2017-10-06 2019-04-11 Holland Bloorview Kids Rehabilitation Hospital Brain-computer interface platform and process for classification of covert speech
US20200105398A1 (en) * 2018-10-02 2020-04-02 New York University System, method and portable devices for detection and enhancement of sleep spindles
CN111580643A (zh) * 2020-04-10 2020-08-25 天津大学 一种基于稳态不对称视觉诱发电位的脑-机接口方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110141211B (zh) * 2019-06-13 2020-12-08 西安交通大学 一种基于经验模态分解的稳态视觉诱发电位的分类方法
US20230055867A1 (en) * 2020-07-24 2023-02-23 Tianjin University Method and apparatus for performing spatial filtering and augmenting electroencephalogram signal, electronic device, and storage medium
CN114415842B (zh) * 2022-04-01 2022-06-17 之江实验室 一种基于位点等效增强的脑机接口解码方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5023783A (en) * 1987-11-11 1991-06-11 The University Of Melbourne Evoked response audiometer for testing sleeping subjects
CN104536573A (zh) * 2014-12-30 2015-04-22 天津大学 一种基于高频闪烁情感刺激的脑-机接口方法
US20190107888A1 (en) * 2017-10-06 2019-04-11 Holland Bloorview Kids Rehabilitation Hospital Brain-computer interface platform and process for classification of covert speech
US20200105398A1 (en) * 2018-10-02 2020-04-02 New York University System, method and portable devices for detection and enhancement of sleep spindles
CN109299751A (zh) * 2018-11-26 2019-02-01 南开大学 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
CN111580643A (zh) * 2020-04-10 2020-08-25 天津大学 一种基于稳态不对称视觉诱发电位的脑-机接口方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAJUN ZHOU; SHENGHONG HE; QIYUN HUANG; YUANQING LI: "A Hybrid Asynchronous Brain-Computer Interface Combining SSVEP and EOG Signals", 《IEEE》 *
吴小培等: "脑-机接口中空域滤波技术现状与进展", 《安徽大学学报(自然科学版)》 *
张彦军等: "稳态视觉诱发电位脑机接口的现场可编程逻辑门阵列实现", 《西安交通大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023184771A1 (zh) * 2022-04-01 2023-10-05 之江实验室 一种基于位点等效增强的脑机接口解码方法及装置
CN116010783A (zh) * 2023-01-06 2023-04-25 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
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
CN116738215A (zh) * 2023-08-11 2023-09-12 之江实验室 一种基于稳态视觉诱发电位的脑电身份识别方法及装置

Also Published As

Publication number Publication date
CN114415842B (zh) 2022-06-17
WO2023184771A1 (zh) 2023-10-05

Similar Documents

Publication Publication Date Title
Jin et al. Internal feature selection method of CSP based on L1-norm and Dempster–Shafer theory
CN114415842B (zh) 一种基于位点等效增强的脑机接口解码方法及装置
Yang et al. A survey on canonical correlation analysis
Zhang et al. Optimum spatio-spectral filtering network for brain–computer interface
Zheng et al. Robust support matrix machine for single trial EEG classification
Lim et al. Analysis of single-electrode EEG rhythms using MATLAB to elicit correlation with cognitive stress
Bianchi et al. Learning representations of multivariate time series with missing data
Razi et al. A novel method for classification of BCI multi-class motor imagery task based on Dempster–Shafer theory
Zhang et al. Bayesian learning for spatial filtering in an EEG-based brain–computer interface
Wang et al. Toward optimal feature and time segment selection by divergence method for EEG signals classification
Higashi et al. Common Spatio‐Time‐Frequency Patterns for Motor Imagery‐Based Brain Machine Interfaces
Glassman A wavelet-like filter based on neuron action potentials for analysis of human scalp electroencephalographs
Gavrishchaka et al. Synergy of physics-based reasoning and machine learning in biomedical applications: towards unlimited deep learning with limited data
US20230101539A1 (en) Physiological electric signal classification processing method and apparatus, computer device and storage medium
Li et al. Patient-specific seizure prediction from electroencephalogram signal via multichannel feedback capsule network
Kramer et al. Reconstructing nonlinear dynamical systems from multi-modal time series
Talukdar et al. Motor imagery EEG signal classification scheme based on autoregressive reflection coefficients
Bianchi et al. Learning representations for multivariate time series with missing data using Temporal Kernelized Autoencoders
Kauppi et al. Decoding magnetoencephalographic rhythmic activity using spectrospatial information
US20230315203A1 (en) Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation
Hurtado-Rincon et al. Motor imagery classification using feature relevance analysis: An Emotiv-based BCI system
Wang et al. Biometric recognition based on scalable end-to-end convolutional neural network using photoplethysmography: A comparative study
Wang et al. A novel algorithmic structure of EEG Channel Attention combined with Swin Transformer for motor patterns classification
Choe et al. Reducing operational time complexity of k-NN algorithms using clustering in wrist-activity recognition
CN115813367A (zh) 结构功能关联的多模态脑网络计算方法、装置、设备及介质

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