一种单次运动想象脑电信号的辨识方法技术

本发明专利技术公开了一种单次运动想象脑电信号的辨识方法，该辨识方法包括以下步骤：第一步：建立单次运动想象脑电信号样本；第二步：对第一步建立的单次运动想象脑电信号样本的协方差矩阵进行预处理；第三步：改进矩阵Logistic回归算法的目标函数；第四步：通过加速邻近梯度下降法对第三步改进后的目标函数进行求解，得到分类器；第五步：利用第四步得到的分类器对第一步中的五个测试集进行想象右手或想象脚的分类，从而实现单次运动想象脑电信号辨识。该辨识方法可对EEG信号的非平稳性鲁棒，提高辨识精度。

【技术实现步骤摘要】

本专利技术属于脑机接口与模式识别领域，具体来说，涉及一种单次运动想象脑电信号的辨识方法。
技术介绍
随着计算机技术的进步和脑功能研究的不断深入，人们开始尝试建立一种全新的、不依赖于肌肉神经活动的交流和控制通路，在脑和外部环境之间传递信息和命令，这就是脑机接口(Brain-Computer Interface，BCI)。一方面脑机接口可以帮助那些脑与外部环境进行交流和控制的神经肌肉通路被损坏的人进行康复训练，或控制假体、轮椅等。另一方面，它可以成为一种人机接口，提高任务的生产力和效率。BCI的结构示意图如图1所示，脑电采集装置从大脑皮层采集脑电信号，经过数据预处理，利用训练集数据对分类器进行训练，最后用训练后的分类器对测试集数据分类。脑电图(英文全称：Electroencephalograph,文中简称：EEG)信号固有的非平稳性和有限的空间分辨率以及噪声使得单次运动想象脑电信号辨识成为脑机接口领域中一个具有挑战性的问题。在一个阶段内EEG信号特性的变化会导致分类性能的下降。这通常是由于常规的特征提取和分类方法没有考虑到EEG信号的变化。尽管一些方法已经提出要减小对信号非平稳的敏感性，但是它们的特征提取与分类优化的是不同的目标函数，因此提取的特征对于分类器来说可能不是最优的。目前广泛使用的基于共同空间模式(common spatial patterns,CSP)的方法，有两个主要的缺点：(1)特征提取算法CSP与线性判别分析(Linear Discriminant Analysis,LDA)分类器优化的是不同的目标函数，因此很难保证分类效果有效地提高。CSP是一种分解方法而不是分类方法，因为两类样本的方差差异并不能充分地区别在决策边界的样本。(2)EEG信号内在的非平稳性会导致辨识精度的降低。当实验对象在执行想象运动任务时，EEG信号会受到许多因素的干扰，例如注意力的变化，电极松动导致阻抗变化，眨眼以及眼球运动，吞咽和牙齿磨动等。这些因素会将与任务无关的活动引入到EEG信号中。而且CSP方法会依赖于少量能主宰样本协方差矩阵的样本，导致过拟合。为了克服以上的两个缺点，Tomioka提出了一种矩阵Logistic回归(Matrix Logistic Regression，MLR)方法，它将特征提取与分类器训练集成到一个统一的正则化凸经验风险最小化问题中，直接利用信号的协方差矩阵来建立Logistic回归分类器。另外，它还利用一个强制权重矩阵低秩的正则化因子，在控制复杂度的同时使判别信息压缩到极少数成分中去。这种方法中特征提取与分类器训练优化的是同一个目标函数，可得到理论上的全局最优点。但是，MLR方法对EEG信号的非平稳性现象不鲁棒，然而EEG信号的非平稳现象在实际应用中是不可避免的，造成MLR方法辨识精度严重下降。
技术实现思路
技术问题：本专利技术所要解决的技术问题是：提供一种单次运动想象脑电信号的辨识方法，该辨识方法可对EEG信号的非平稳性鲁棒，提高辨识精度。技术方案：为解决上述技术问题，本专利技术采用的技术方案如下：一种单次运动想象脑电信号的辨识方法，该辨识方法包括以下步骤：第一步：建立单次运动想象脑电信号样本：实验数据源于BCI Competition III中的data set IVa，实验数据中包括五个实验对象，该五个实验对象分别记为aa、al、av、aw和ay；通过118个银/氯化银参比电极与实验对象的头皮连接，电极接收并记录实验对象的是脑电信号，在0.05～200Hz带通滤波并下采样至100Hz，五阶巴特沃兹带通滤波器进行7～30Hz滤波，将在屏幕上出现指示后的0.5～2.5s的时间区间作为一次想象运动脑电信号样本；想象运动脑电信号样本中包括右手和脚两类，右手类对应的标签为+1，脚类对应的标签为-1；右手类和脚类分别进行140次实验，每个实验对象共进行280次实验；实验对象aa所进行的第1—168次实验作为aa的训练集，第169—280次实验作为aa的测试集；实验对象al所进行的第1—224次实验作为al的训练集，第225—280次实验作为al的测试集；实验对象av所进行的第1—84次实验作为av的训练集，第85—280次实验作为av的测试集；实验对象aw所进行的第1—56次实验作为aw的训练集，第57—280次实验作为aw的测试集；实验对象ay所进行的第1—28次实验作为ay的训练集，第29—280次实验作为ay的测试集；第二步：对第一步建立的单次运动想象脑电信号样本的协方差矩阵进行预处理；第三步：改进矩阵Logistic回归算法的目标函数；第四步：通过加速邻近梯度下降法对第三步改进后的目标函数进行求解，得到分类器；第五步：利用第四步得到的分类器对第一步中的五个测试集进行想象右手或想象脚的分类，从而实现单次运动想象脑电信号辨识。进一步，所述的第二步包括以下过程：步骤201)白化处理：如式(1)所示，利用第一步确定的每个实验对象的训练集的平均协方差矩阵Σp对每个样本的协方差矩阵Σi进行白化处理：Σ‾i=Σp-1/2ΣiΣp-1/2]]>     式(1)其中，表示经过白化处理的样本的协方差矩阵；表示每个实验对象的训练集的平均协方差矩阵Σp的-1/2次方；n表示每个实验对象的训练样本总数；i表示样本的序号；步骤202)对协方差矩阵进行矩阵对数变换：将步骤201)白化处理后的协方差矩阵的凸圆锥映射到对称矩阵的向量空间，得到经过矩阵对数变换的协方差矩阵：Σ~i=logm(Σ‾i),]]>其中，表示每个样本经过矩阵对数变换后的协方差矩阵；表示对矩阵求对数。进一步，所述的第三步中，改进后的目标函数如式(2)所示：minW∈Sym(C),b∈R1nΣi=1nlog(1+e-yif(Xi;θ))+λ1S(W)+λ2||W||*]]>    式(2)其中，W为权重矩阵，Sym(C)为CxC的对称矩阵，b为偏置项，R为实数集，n为每个实验对象的训练样本总数，e表示自然对数的底数，yi表示第i个训练样本的标签，Xi为第i个训练样本；θ表示待确定参数集，由W和b构成，θ:＝(W,b)，λ1是和非平稳性惩罚因子相关的正则化常数，λ2是和权重矩阵的迹范数相关的正则化常数，本文档来自技高网...

【技术保护点】
一种单次运动想象脑电信号的辨识方法，其特征在于，该辨识方法包括以下步骤：第一步：建立单次运动想象脑电信号样本：实验数据源于BCI Competition III中的data set IVa，实验数据中包括五个实验对象，该五个实验对象分别记为aa、al、av、aw和ay；通过118个银/氯化银参比电极与实验对象的头皮连接，电极接收并记录实验对象的脑电信号，在0.05～200Hz带通滤波并下采样至100Hz，五阶巴特沃兹带通滤波器进行7～30Hz滤波，将在屏幕上出现指示后的0.5～2.5s的时间区间作为一次想象运动脑电信号样本；想象运动脑电信号样本中包括右手和脚两类，右手类对应的标签为+1，脚类对应的标签为‑1；右手类和脚类分别进行140次实验，每个实验对象共进行280次实验；实验对象aa所进行的第1—168次实验作为aa的训练集，第169—280次实验作为aa的测试集；实验对象al所进行的第1—224次实验作为al的训练集，第225—280次实验作为al的测试集；实验对象av所进行的第1—84次实验作为av的训练集，第85—280次实验作为av的测试集；实验对象aw所进行的第1—56次实验作为aw的训练集，第57—280次实验作为aw的测试集；实验对象ay所进行的第1—28次实验作为ay的训练集，第29—280次实验作为ay的测试集；第二步：对第一步建立的单次运动想象脑电信号样本的协方差矩阵进行预处理；第三步：改进矩阵Logistic回归算法的目标函数；第四步：通过加速邻近梯度下降法对第三步改进后的目标函数进行求解，得到分类器；第五步：利用第四步得到的分类器对第一步中的五个测试集进行想象右手或想象脚的分类，从而实现单次运动想象脑电信号辨识。...

【技术特征摘要】
1.一种单次运动想象脑电信号的辨识方法，其特征在于，该辨识方法包括
以下步骤：
第一步：建立单次运动想象脑电信号样本：实验数据源于BCI Competition 
III中的data set IVa，实验数据中包括五个实验对象，该五个实验对象分别记
为aa、al、av、aw和ay；通过118个银/氯化银参比电极与实验对象的头
皮连接，电极接收并记录实验对象的脑电信号，在0.05～200Hz带通滤波并下采
样至100Hz，五阶巴特沃兹带通滤波器进行7～30Hz滤波，将在屏幕上出现指示
后的0.5～2.5s的时间区间作为一次想象运动脑电信号样本；想象运动脑电信号
样本中包括右手和脚两类，右手类对应的标签为+1，脚类对应的标签为-1；右手
类和脚类分别进行140次实验，每个实验对象共进行280次实验；实验对象aa
所进行的第1—168次实验作为aa的训练集，第169—280次实验作为aa的测
试集；实验对象al所进行的第1—224次实验作为al的训练集，第225—280次
实验作为al的测试集；实验对象av所进行的第1—84次实验作为av的训练集，
第85—280次实验作为av的测试集；实验对象aw所进行的第1—56次实验作
为aw的训练集，第57—280次实验作为aw的测试集；实验对象ay所进行的
第1—28次实验作为ay的训练集，第29—280次实验作为ay的测试集；
第二步：对第一步建立的单次运动想象脑电信号样本的协方差矩阵进行预处
理；
第三步：改进矩阵Logistic回归算法的目标函数；
第四步：通过加速邻近梯度下降法对第三步改进后的目标函数进行求解，得
到分类器；
第五步：利用第四步得到的分类器对第一步中的五个测试集进行想象右手或
想象脚的分类，从而实现单次运动想象脑电信号辨识。
2.根据权利要求1所述的单次运动想象脑电信号的辨识方法，其特征在于，
所述的第二步包括以下过程：
步骤201)白化处理：如式(1)所示，利用第一步确定的每个实验对象的
训练集的平均协方差矩阵Σp对每个样本的协方差矩阵Σi进行白化处理：
Σ‾i=Σp-1/2ΣiΣp-1/2]]>    式(1)
其中，表示经过白化处理的样本的协方差矩阵；...

【专利技术属性】
技术研发人员：曾洪，王语海，宋爱国，徐宝国，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32