一种基于Lp-范数的锁相值加权空间滤波方法及装置制造方法及图纸

本发明专利技术公开了一种基于Lp‑范数的锁相值加权空间滤波方法及装置，考虑到了大脑皮层神经元在各个时间采样点上的相位同步性信息，利用锁相值刻画内在流形，基于Lp‑范数构造目标函数，从而提取精细判别信息，为脑机接口系统提供有益的分类方法，寻求具有判别力的特征，进而进行脑电信号分类。本发明专利技术方法具有抵制异常值对分类性能影响的作用，所提方法较传统的方法具有更好的分类性能、鲁棒性、稳定性。

A Phase-Locked Value Weighted Spatial Filtering Method and Device Based on Lp-Norm

The invention discloses a phase-locked value weighted spatial filtering method and device based on Lp_norm. Considering the phase synchronization information of cerebral cortical neurons at each time sampling point, the intrinsic manifold is characterized by phase-locked value, and the objective function is constructed based on Lp_norm, so as to extract fine discriminant information, provide a useful classification method for brain-computer interface system, and seek a discriminant. The characteristics of other forces are then used to classify EEG signals. The method has the function of resisting the influence of outliers on classification performance, and the proposed method has better classification performance, robustness and stability than the traditional method.

【技术实现步骤摘要】
一种基于Lp-范数的锁相值加权空间滤波方法及装置
本专利技术涉及基于Lp-范数的鲁棒性建模、以及基于运动想象脑机接口系统中脑电信号的特征提取和分类领域，具体来说，涉及基于Lp-范数的局部时间锁相值加权共同空间模式方法、最优空间滤波器求解的迭代算法、以及其脑电信号分类方法，具体涉及一种基于Lp-范数的锁相值加权空间滤波方法及装置。
技术介绍
由于机器学习和模式识别领域中常见算法的目标函数都是基于L2-范数表达形式，但是就统计学建模的角度而言，L2-范数的运用会放大具有较大偏差的异常值的影响，即对异常值的敏感。而从传感器采集到的数据往往不可避免地会受到异常值和噪声的污染，因此鲁棒性建模引起了研究者广泛的关注。而近年来，基于Lp-范数的鲁棒性建模技术得到越来越多的关注和研究，例如文献《GeneralizationofLinearDiscriminantAnalysisUsingLp-Norm》中提到的基于Lp-范数的广义线性判别分析、文献《Generalized2-DPrincipalComponentAnalysisbyLp-NormforImageAnalysis》中提到的基于Lp-范数的广义二维主成分分析。共同空间模式(CommonSpatialPatterns,CSP)为一种有效的脑电特征提取算法，其目标函数是基于L2-范数表达形式，在Lp-范数上的泛化推广的研究比较贫乏。近年来，文献《GeneralizationofLocalTemporalCorrelationCommonSpatialPatternsUsingLp-Norm(0<p<2)》发展了基于Lp-范数的空间滤波方法，但此方法仅考虑到信号的局部时间相关性信息，而没有考虑到脑电信号的内在特点，神经生理学可解释性不强。针对以上问题，本专利技术提出了基于Lp-范数的锁项值加权空间滤波方法。不同于现有的基于Lp-范数的建模方法，所提的方法遵从神经生理学机理，考虑到了大脑皮层神经元在各个时间采样点上的相位同步性信息，利用锁相值(PhaseLockingValue,PLV)刻画内在流形，基于Lp-范数构造目标函数，从而提取精细判别信息，进行鲁棒性建模，为脑机接口系统提供有益的分类方法。由于所提方法的目标函数为商形式的表达，且含有绝对值运算符，这使得传统的矩阵对角化求解空间滤波向量的方法不可行。针对这个问题，本专利技术给出一种简单有效的迭代算法求解所提方法的最优空间滤波向量，并通过贪婪策略推广获得多重滤波器。从而提取出具有精细判别信息的特征，作为后续脑电分类的输入。
技术实现思路
为解决现有方法中存在的问题，本公开提供一种基于Lp-范数的锁相值加权空间滤波方法及装置，采用Lp-范数的鲁棒建模思想来提高算法的稳定性和鲁棒性；本专利技术还提供了一种求解基于Lp-范数的锁相值加权空间滤波方法的最优空间滤波向量的迭代算法，提取出具有精细判别信息的特征，得到更稳定更高识别率的运动想象脑电信号分类结果。为了实现上述目的，根据本公开的一方面，提供一种基于Lp-范数的锁相值加权空间滤波方法，所述方法包括以下步骤：步骤1，利用锁相值定义不同采样时间点上脑电信号间的关联；步骤2，在脑电信号间的关联定义局部时间内不同采样时间点上脑电信号间的权重值；步骤3，利用所定义的权重值取代常规的权重值获取新的目标函数并将脑电数据转换为加权数据矩阵；步骤4，以目标函数将加权数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；步骤5，将迭代后的脑电数据进行单试次脑电信号分类。进一步地，在步骤1中，利用锁相值(PhaseLockingValue,PLV)定义不同采样时间点上脑电信号间的关联的方法为，设为一类运动想象任务中脑电信号，和为第i个试次中两个采样时间点l和m上的多变量序列，其中，l＝1,...,N，m＝1,...,N，i＝1,...,tx，C表示通道数，表示在C通道的多变量序列集合，N表示单试次样本数，tx表示此类运动想象任务的试次数；通过希尔伯特(Hilbert)变换得到第n个通道上的瞬时相位为则xl(i)与xm(i)在第n个通道上的瞬时相位差为计算多变量序列xl(i)与xm(i)之间的锁相值(PhaseLockingValue,PLV)PLVlm(i)：多变量序列为脑电信号的采样序列。进一步地，在步骤2中，在脑电信号间的关联定义局部时间内不同采样时间点上脑电信号间的权重值的方法为，基于不同采样时间点上两个变量序列之间的锁相值，定义权重值其中τ为局部时间范围；由定义可知权重值的取值区间为0到1，且由权重值构成的权值矩阵Wx(i)是一个对称的半正定矩阵。进一步地，在步骤3中，利用所定义的权重值取代常规的权重值获取新的目标函数并将脑电数据转换为加权数据矩阵的方法为，设Y(j)∈RC×N(j＝1,…,ty)为另一类运动想象任务中单试次脑电信号，yl(j)∈RC(l＝1,…,N)和ym(j)∈RC(m＝1,…,N)为两个采样时间点上的多变量序列，其中ty表示此类运动想象任务的试次数，RC表示在C通道的多变量序列集合；以局部时间共同空间模式(LocalTemporalCommonSpatialPatterns,LTCSP)为原型，以W为权值，基于Lp-范数定义目标函数：其中||·||p表示Lp-范数运算符，p取值在0到2之间，xlm(i)＝xl(i)-xm(i)，Xw表示形成的加权数据矩阵，其列向量由组成，且当|l-m|≥τ和l＝m时，删除向量；另一类脑电数据的数学符号含义同样定义。所提出的方法被称为基于Lp-范数的锁相值加权空间滤波方法(LocalTemporalPLV-weightedCommonSpatialPatternsbasedonLp,LTPCSP-Lp)。进一步地，在步骤4中，以目标函数将加权数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据的方法，包括以下步骤：步骤4.1，对于两类脑电信号数据{X(1),…,X(tx)}和{Y(1),…,Y(tx)}，设定p值，0<p<2、局部时间范围τ、学习率即步长为η、收敛阈值ε以及最大迭代次数tmax；步骤4.2，根据步骤3的加权数据矩阵转换方法，将两类脑电数据皆转换为加权数据矩阵，即Xw和Yw；步骤4.3，使用t代表迭代次数，并假设空间滤波向量ω≠0；设置t＝0，初始化ω(t)为任意C-维向量，并进行归一化，即ω(t)＝ω(t)/||ω(t)||2；步骤4.4，定义两个极性函数pr(t)和qs(t)来实现目标函数的绝对值运算：pr(t)＝sgn(ωT(t)w(r))，qs(t)＝sgn(ωT(t)yw(s))，其中xw(r)、yw(s)分别为数据矩阵Xw、Yw的列向量；步骤4.5，计算梯度向量：步骤4.6，更新ω(t)，并进行归一化：ω(t+1)＝ω(t)+ηd(t)，ω(t+1)＝ω(t+1)/||ω(t+1)||2；步骤4.7，更新迭代次数：t←t+1；步骤4.8，当目标函数值J(ω(t))没有显著增加时，停止迭代，得到空间滤波向量ω*＝ω(t)；否则返回步骤4.4继续迭代，直到达到最大迭代次数tmax，终止迭代。进一步地，在步骤5中，将迭代后的脑电数据进行单试次脑电信号分类的方法，包括以下步骤：步骤本文档来自技高网...

【技术保护点】
1.一种基于Lp‑范数的锁相值加权空间滤波方法，其特征在于，所述方法包括以下步骤：步骤1，利用锁相值定义不同采样时间点上脑电信号间的关联；步骤2，在脑电信号间的关联定义局部时间内不同采样时间点上脑电信号间的权重值；步骤3，利用所定义的权重值取代常规的权重值获取新的目标函数并将脑电数据转换为加权数据矩阵；步骤4，以目标函数将加权数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；步骤5，将迭代后的脑电数据进行单试次脑电信号分类。

【技术特征摘要】
1.一种基于Lp-范数的锁相值加权空间滤波方法，其特征在于，所述方法包括以下步骤：步骤1，利用锁相值定义不同采样时间点上脑电信号间的关联；步骤2，在脑电信号间的关联定义局部时间内不同采样时间点上脑电信号间的权重值；步骤3，利用所定义的权重值取代常规的权重值获取新的目标函数并将脑电数据转换为加权数据矩阵；步骤4，以目标函数将加权数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据；步骤5，将迭代后的脑电数据进行单试次脑电信号分类。2.根据权利要求1所述的一种基于Lp-范数的锁相值加权空间滤波方法，其特征在于，在步骤1中，利用锁相值定义不同采样时间点上脑电信号间的关联的方法为，设为一类运动想象任务中脑电信号，和为第i个试次中两个采样时间点l和m上的多变量序列，其中，l＝1,...,N，m＝1,...,N，i＝1,...,tx，C表示通道数，表示在C通道的多变量序列集合，N表示单试次样本数，tx表示此类运动想象任务的试次数；通过希尔伯特变换得到第n个通道上的瞬时相位为则xl(i)与xm(i)在第n个通道上的瞬时相位差为计算多变量序列xl(i)与xm(i)之间的锁相值PLVlm(i)：3.根据权利要求1所述的一种基于Lp-范数的锁相值加权空间滤波方法，其特征在于，在步骤2中，在脑电信号间的关联定义局部时间内不同采样时间点上脑电信号间的权重值的方法为，基于不同采样时间点上两个变量序列之间的锁相值，定义权重值其中τ为局部时间范围；由定义可知权重值的取值区间为0到1，且由权重值构成的权值矩阵Wx(i)是一个对称的半正定矩阵。4.根据权利要求1所述的一种基于Lp-范数的锁相值加权空间滤波方法，其特征在于，在步骤3中，利用所定义的权重值取代常规的权重值获取新的目标函数并将脑电数据转换为加权数据矩阵的方法为，设Y(j)∈RC×N(j＝1,…,ty)为另一类运动想象任务中单试次脑电信号，yl(j)∈RC(l＝1,…,N)和ym(j)∈RC(m＝1,…,N)为两个采样时间点上的多变量序列，其中ty表示此类运动想象任务的试次数；以W为权值，基于Lp-范数定义目标函数：其中||·||p表示Lp-范数运算符，p取值在0到2之间，xlm(i)＝xl(i)-xm(i)，Xw表示形成的加权数据矩阵，其列向量由组成，且当|l-m|≥τ和l＝m时，删除向量；另一类脑电数据的数学符号含义同样定义。5.根据权利要求1所述的一种基于Lp-范数的锁相值加权空间滤波方法，其特征在于，在步骤4中，以目标函数将加权数据矩阵进行最优空间滤波向量的迭代得到迭代后的脑电数据的方法，包括以下步骤：步骤4.1，对于两类脑电信号数据{X(1),…,X(tx)}和{Y(1),…,Y(tx)}，设...

【专利技术属性】
技术研发人员：王海贤，方娜，张友红，于辉，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44