【技术实现步骤摘要】
本专利技术属于脑电信号处理及模式识别领域,涉及脑机接口中运动想象脑电信号分类,特别涉及一种基于空时频域优化特征稀疏表示的运动想象脑电信号分类方法。
技术介绍
脑机接口为人的大脑和外部设备提供了一种新的交流和控制通道,比如电脑或假肢等。通过将放置在头部的电极采集的脑电信号映射为不同的控制指令,人类可以通过不同的运动想象模式来控制外部设备动作。在基于脑电的多种脑机接口系统中,基于运动想象的脑机接口系统因为运动想象任务和人类自然行为的潜在联系而被广泛研究。研究表明,与人体执行实际的动作相类似,想象人体某一部位的运动也会激活人脑运动感知皮层的某一区域,运动感知皮层的激活会引发皮层电位变化,进而造成事件相关去同步(event-related desynchronization,ERD)及事件相关同步(event-related synchronization,ERS)现象,因此通过对运动感知节律(Sensory Motor Rhythms,SMR)的幅度调制信息进行分析就可以推测人体运动意图。对于中风瘫痪病人,运动想象脑电可以反映其运动意图,进而控制外骨骼、功能性电刺激等设备辅助其完成特定动作或进行功能康复训练。为了有效区分不同的运动想象模式,脑电特征的提取和分类至关重要。一方面,ERD和ERS现象均显著发生在特定的导联、频段及时间区间内,因此需要通过导联选择、带通滤波及设置时间窗口进行抽取。特定的导联、频段及时间区间参数将直接影响后续特征提取及特征分类的效果。另一方面,近年来基于稀疏表示的分类方法在模式识别领域获得了较多的关注,其中稀疏表示方法的核心在于寻求超完 ...
【技术保护点】
基于空时频优化特征稀疏表示的运动想象脑电分类方法,其特征在于,该方法包含以下几个步骤:步骤一、脑电信号预处理:对脑电信号进行升采样及带通滤波处理,得到处理后的脑电信号集(N×M×(P1+P2)),其中N为导联数,M为每一导联的采样点数,P1为训练集的样本数,P2为测试集的样本数;步骤二、导联选择:对于经步骤一处理后得到的脑电信号训练集(N×M×P1),采用线性判别准则量化每个导联的类间区分能力,并对各个导联的类间区分能力进行降序排序,选择前NSelect个导联,抽取所选择的导联的脑电信号,得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2);步骤三、时频块选择:对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1),针对每一个样本中的每一个导联内的包含M个采样点的脑电信号,在E个频段内对其进行带通滤波,得到处理后的脑电信号训练集(NSelect×M×P1×E),再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号,在T个时间段内进行分割,得到处理后的脑电信号集(NSelect×MSeg×P1×E×T),其中MSeg为单个 ...
【技术特征摘要】
1.基于空时频优化特征稀疏表示的运动想象脑电分类方法,其特征在于,该方法包含以下几个步骤:步骤一、脑电信号预处理:对脑电信号进行升采样及带通滤波处理,得到处理后的脑电信号集(N×M×(P1+P2)),其中N为导联数,M为每一导联的采样点数,P1为训练集的样本数,P2为测试集的样本数;步骤二、导联选择:对于经步骤一处理后得到的脑电信号训练集(N×M×P1),采用线性判别准则量化每个导联的类间区分能力,并对各个导联的类间区分能力进行降序排序,选择前NSelect个导联,抽取所选择的导联的脑电信号,得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2);步骤三、时频块选择:对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1),针对每一个样本中的每一个导联内的包含M个采样点的脑电信号,在E个频段内对其进行带通滤波,得到处理后的脑电信号训练集(NSelect×M×P1×E),再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号,在T个时间段内进行分割,得到处理后的脑电信号集(NSelect×MSeg×P1×E×T),其中MSeg为单个时间段内的采样点数,采用线性判别准则量化每个时频块内...
【专利技术属性】
技术研发人员:王爱民,苗敏敏,陈安然,戴志勇,刘飞翔,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。