脑电张量模式识别技术与脑机交互康复系统技术方案

一种脑电张量模式识别技术与脑机交互康复系统，包括：信号采集模块、小波变化模块、张量分解模块、数据模式预测模块、特征降维模块和模式分类预测模块，本发明专利技术采用高维度的张量分析方法来处理脑电信号，从多模态得到患者的脑电信号特征。在模型训练方面，采用多层深度网络进行训练，运用深度学习训练方法得到鲁棒模型。在康复训练时，在训练时给患者提供反馈信号，让患者直观的通过反馈来调整自己的思维活动。同时，模型在患者康复训练的过程中也逐步微调，根据患者较新的脑电信号数据更新，这样在经过一段时间的磨合后，可以训练出自适应患者的模型，从而更好的帮助患者进行康复训练和治疗恢复。

EEG Tensor Pattern Recognition Technology and Brain-Computer Interactive Rehabilitation System

【技术实现步骤摘要】
脑电张量模式识别技术与脑机交互康复系统
本专利技术涉及的是一种医疗器械领域的技术，具体是一种脑电张量模式识别技术与脑机交互康复系统。
技术介绍
基于脑机交互技术的康复装置提供了脑运动功能康复一个可行的解决方案。通过脑机交互技术读取受试者的运动意向，利用神经反馈来强化脑区运动功能的重建。这种基于脑机交互康复系统提供主动学习和神经反馈功能，使得受试者在神经反馈中获得奖励进行强化学习，有效调整运动想象模式，使得脑运动功能不断强化训练，达到脑功能重建的目的。对于这样一个系统，准确的识别出病人的脑电模式非常重要，直接影响到了康复系统的可用性。由于脑电信号易受到眼电、肌电的干扰，噪声通常较大，而且病人的脑电模式在康复过程中常常发生变化，就使得正确的识别病人脑电信号的难度大大增加。对于正常人的脑电信号数据，已经有了一些经典的算法、特征提取方法，如主成分分析(PCA)、公共空间模式(CSP)等。但是，如果直接将这些方法应用在脑卒中患者的脑电数据中，取得的效果将不甚理想，主要原因在于损伤脑运动区的表征形式不同于正常脑运动区的表征形式，需要借助生物学和统计学的方法来研究损伤脑运动区的表征形式。因此，需要有一个更好的模型和训练方法来处理病人的脑电数据，帮助病人更有效的参与康复训练。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种脑电张量模式识别技术与脑机交互康复系统，采用高维度的张量分析方法来处理脑电信号，从多模态得到患者的脑电信号特征。在模型训练方面，采用多层深度网络进行训练，运用深度学习训练方法得到鲁棒模型。在康复训练时，在训练时给患者提供反馈信号，让患者直观的通过反馈来调整自己的思维活动。同时，模型在患者康复训练的过程中也逐步微调，根据患者较新的脑电信号数据更新，这样在经过一段时间的磨合后，可以训练出自适应患者的模型，从而更好的帮助患者进行康复训练和治疗恢复。本专利技术是通过以下技术方案实现的：本专利技术涉及一种脑电张量模式识别技术与脑机交互康复系统，包括：依次连接的脑电采集设备、信号采集模块、小波变化模块、张量分解模块、特征选择模块、模式预测模块以及神经反馈模块，其中：信号采集模块与脑电采集设备相连，采集预处理后的数据并输出至小波变化模块；小波变化模块将模数转化后的数据转换为多维度数据输出至张量分解模块；张量分解模块对多维度数据进行Tucker分解并将降维后的脑电张量特征输出至特征选择模块，特征降维模块采用神经网络自编码器进一步降维处理后输出低维特征至模式预测模块；模式预测模块根据低维特征预测得到脑电模式并输出至神经反馈系统模块进行虚拟现实控制。所述的多维度数据是指：对脑电信号用时间、频率、空间三阶张量表示，可以有效地保留时间-空间-频率的判别特性，具体为：设X∈Rd×L是d个导联，长度为L的脑电数据，利用Morlet小波函数来进行卷积：将脑电信号X变换为时间-空间-频率三阶张量，用E(c,f,t)表示。所述的降维处理是指：特征降维模块采用四层深度网络训练模型，逐层训练栈式自编码器，该模型采用如下准则来训练：其中：J(θ,θ')是目标函数，fθ(x)是编码器映射，gθ'(x)是解码器映射，是加噪重构误差，Dn是训练数据集，是训练时的加噪过程，β控制着稀疏惩罚项，ρ是稀疏参数，是隐藏神经元j的平均激活值。加噪训练网络的目的是训练过程中剔除异常值、干扰项对模型的影响所述的模式预测模块利用支持向量机对提取的特征向量进行分类，分辨得到的脑电的模式包括：左右手运动想象、下肢运动想象和脑电静态模式。所述的虚拟现实控制是指：神经反馈系统模块基于脑电模式，利用虚拟现实环境的虚拟人的动作反馈给受试者，当受试者做肢体动作想象时，虚拟人也呈现相应的动作。技术效果与现有技术相比，本专利技术采用保持时间-空间-频率结构的张量表示脑电数据，首先利用Tucker分解提取降维后的脑电特征，在利用加噪的自编码器进一步进行特征降维，有利于提升脑电模式识别的抗噪音和抗干扰性质。附图说明图1为本专利技术系统示意图；图2为实施例模型训练示意图；图中：原始的脑电信号经过小波变换得到张量表示，然后投影到判别性的子空间，再逐层训练深度网络。得到的分类结果实时的反馈给患者，患者再根据反馈调整自己的思维活动。具体实施方式如图1所示，本实施例系统包括：依次连接的脑电采集设备、信号采集模块、小波变化模块、张量分解模块、特征选择模块、模式预测模块以及神经反馈模块，其中：信号采集模块与脑电采集设备相连，采集预处理后的数据并输出至小波变化模块；小波变化模块将模数转化后的数据转换为多维度数据输出至张量分解模块；张量分解模块对多维度数据进行Tucker分解并将降维后的脑电张量特征输出至特征选择模块，特征降维模块采用神经网络自编码器进一步降维处理后输出低维特征至模式预测模块；模式预测模块根据低维特征预测得到脑电模式并输出至神经反馈系统模块进行虚拟现实控制。如图2所示，本实施例涉及上述系统的控制方法，包括模型的训练和患者的康复训练过程两个部分，其中：1)模型的训练1.1)脑电数据的采集和预处理使用脑电信号采集与信号放大系统采集患者的脑电数据，采集的时候保证电极与皮肤阻抗小于6kΩ，以保证良好的脑电信号传导。对于噪声太大超过一定阈值的信号，要从训练集中去除，防止对模型的干扰。采集好的数据要消除肌电和眼电的影响，去基线漂移，然后利用4-45Hz的带通滤波过滤采集到的脑电信号。1.2)脑电信号的特征提取和分类1.2.1)经过预处理后的脑电数据分成片段进行分析，每一段都是一个d×T的矩阵E，其中d是导联数，T是数据片段的窗口长度。利用下面的小波卷积变换将数据E(c,t)变换成时空频域上的一个张量：得到三阶张量记为E(c,f,t)。1.2.2)利用张量的Tucker分解，将E(c,f,t)投影到低维的核张量其中：M＝3是张量阶数，Ul分别是三个维度的投影矩阵。这里投影矩阵Ul需要从训练数据中学习，学习的准则为其中：N是采集的脑电数据片段数目，极小化上面的代价函数，我们得到各个模上的投影矩阵Ul。进一步计算我们得到核张量将该特征向量化得到给脑电片段的特征向量，记为uk,k＝1,…,N。1.2)通过张量分解得到的脑电特征u，利用深度学习模型有标注的采集数据进行模型训练，预测受试者的运动想象模式。本实施例中采用4层栈式降噪自编码器训练模式分类器：利用两层感知器模型提取输入向量的特征，即θ＝{W1,W2,b1,b2}，其中：是输入向量u的加噪向量，其目标是增加特征提取的鲁棒性，φ是一个激励函数，这里我们选φ(x)＝max(0,x)，θ＝{W1,W2,b1,b2}是编码器要学习的模型参数。为了学习编码器，构建一个加码器，即θ＝{W′1，W′2，b′1，b′2}，其中：输入向量h，输出向量是u'。1.3)训练编码器的目标函数使得解码向量与编码器的输入重构误差极小，该目标函数为：其中：J(θ,θ')是目标函数，fθ(u)是两个隐层编码器函数，是加噪重构误差，是训练时的加噪过程，β控制着稀疏惩罚项，ρ是稀疏参数，是隐藏神经元j的平均激活值。利用梯度下降的方法，极小化目标函数J(θ,θ')得到编码器的模型参数θ，然后利用编码器对脑电片段进行特征降维，得到hk＝fθ(uk),k＝1,…,N。在获得降维的脑电特征向本文档来自技高网...

【技术保护点】
1.一种脑电张量模式识别技术与脑机交互康复系统，其特征在于，包括：依次连接的脑电采集设备、信号采集模块、小波变化模块、张量分解模块、特征选择模块、模式预测模块以及神经反馈模块，其中：信号采集模块与脑电采集设备相连，采集预处理后的数据并输出至小波变化模块；小波变化模块将模数转化后的数据转换为多维度数据输出至张量分解模块；张量分解模块对多维度数据进行Tucker分解并将降维后的脑电张量特征输出至特征选择模块，特征降维模块采用神经网络自编码器进一步降维处理后输出低维特征至模式预测模块；模式预测模块根据低维特征预测得到脑电模式并输出至神经反馈系统模块进行虚拟现实控制；所述的多维度数据是指：对脑电信号用时间、频率、空间三阶张量表示，可以有效地保留时间‑空间‑频率的判别特性，具体为：设X∈R

【技术特征摘要】
1.一种脑电张量模式识别技术与脑机交互康复系统，其特征在于，包括：依次连接的脑电采集设备、信号采集模块、小波变化模块、张量分解模块、特征选择模块、模式预测模块以及神经反馈模块，其中：信号采集模块与脑电采集设备相连，采集预处理后的数据并输出至小波变化模块；小波变化模块将模数转化后的数据转换为多维度数据输出至张量分解模块；张量分解模块对多维度数据进行Tucker分解并将降维后的脑电张量特征输出至特征选择模块，特征降维模块采用神经网络自编码器进一步降维处理后输出低维特征至模式预测模块；模式预测模块根据低维特征预测得到脑电模式并输出至神经反馈系统模块进行虚拟现实控制；所述的多维度数据是指：对脑电信号用时间、频率、空间三阶张量表示，可以有效地保留时间-空间-频率的判别特性，具体为：设X∈Rd×L是d个导联，长度为L的脑电数据，利用Morlet小波函数来进行卷积：将脑电信号X变换为时间-空间-频率三阶张量，用E(c,f,t)表示。2.根据权利要求1所述的系统，其特征是，所述的降维处理是指：特征降维模块采用四层深度网络训练模型，逐层训练栈式自编码器，该模型采用如下准则来训练：其中：J(θ,θ')是目标函数，fθ(x)是编码器映射，gθ'(x)是解码器映射，是加噪重构误差，...

【专利技术属性】
技术研发人员：张丽清，刘烨，陈牧尚书，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31