基于重构模型的人体运动意向检测方法技术

本发明专利技术公开了一种基于重构模型的人体运动意向检测方法，按照如下步骤进行：训练阶段，利用执行特定的人工处理意图任务的脑电信号训练重构模型，包括特征提取步骤和分类步骤；特征提取步骤采用组合算法波器组FBCSP进行特征提取；分类步骤通过分类器，分类识别用户是否正在执行某个运动意图任务；检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差；重构误差越小，在检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差，重构误差越小，该观察周期存在某个运动意图任务的可能性越大；本发明专利技术利用重构模型来表示运动意图的高层次抽象，并利用重构误差来确定是否存在运动意图；对任何复杂的现实情况具有理论上的灵活性和可靠性。

Human motion intention detection method based on reconstruction model

【技术实现步骤摘要】
基于重构模型的人体运动意向检测方法
本专利技术涉及一种人体运动意向检测，特别是涉及一种基于重构的人的意图检测(RID)方法及其应用。
技术介绍
脑电图(EEG)信号是从用户头皮不同部位采集的电压，用来测量大脑活动。脑电图由于其零临床风险，并拥有便携式采集设备，已广泛应用于脑-机接口(BCI)系统。BCI系统为正常以及残疾用户提供了一个从大脑到外围设备的潜在桥梁。通过这种BCI技术，大脑活动的信号(如运动意图)可以用作控制命令。这种系统的一个经典应用是BCI辅助性卒中康复。由于其潜在的医学和工业应用前景，对于脑电图信号的研究越来越受到研究者的关注。自BCI系统实现范式转变以来，机器学习已被公认为脑电图分析的关键工具。尽管先前的研究已经证明了DE15编码脑信号的有效性，但仍然存在着一些众所周知的挑战，阻止了基于脑电图的BCI系统的广泛应用。其中一个关键的障碍是，大多数的脑电图解码研究都集中在回答诸如“哪只手是一个受试者想象的运动，左还是右？”这类问题可以建模为一个分类问题，并通过有监督的学习方法来解决。然而，这样一个问题必然会出现在上述问题本文档来自技高网...

【技术保护点】
1.一种基于重构模型的人体运动意向检测方法，其特征在于：/n步骤1、训练阶段，利用执行特定的人工处理意图任务的脑电信号训练重构模型，包括特征提取步骤和分类步骤；特征提取步骤采用组合算法波器组FBCSP进行特征提取；分类步骤通过分类器，分类识别用户是否正在执行某个运动意图任务；/n步骤2、检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差；重构误差越小，在检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差，重构误差越小，该观察周期存在某个运动意图任务的可能性越大；/n步骤2.1、采用子空间投影，对重构模型进行训练，将重构误差较大的样本视为异常值，重构模型也可用作分类器，对重构模型进行...

【技术特征摘要】
1.一种基于重构模型的人体运动意向检测方法，其特征在于：
步骤1、训练阶段，利用执行特定的人工处理意图任务的脑电信号训练重构模型，包括特征提取步骤和分类步骤；特征提取步骤采用组合算法波器组FBCSP进行特征提取；分类步骤通过分类器，分类识别用户是否正在执行某个运动意图任务；
步骤2、检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差；重构误差越小，在检测阶段，将待确定的脑电周期输入重构模型，计算其重构误差，重构误差越小，该观察周期存在某个运动意图任务的可能性越大；
步骤2.1、采用子空间投影，对重构模型进行训练，将重构误差较大的样本视为异常值，重构模型也可用作分类器，对重构模型进行分类训练，并将每个样本分类到最适合重构模型的类别；
步骤2.2、自动编码器，对重构模型进行训练，根据三种用于运动意图检测的查询策略，即尝试式、记录式和分段式应用了两种类型的自动编码器：全连接自动编码器和CNN自动编码器；
步骤2.3稀疏字典学习作为实现RID方案的重构模型，通过字典学习输入数据的稀疏表示，导致了冗余原子，允许单个样本有多个表示，特别是包括在内的研究稀疏字典学习以提高表示的稀疏性和灵活性的著作；普通片段数据的数量大于执行意图的片段数据的数量、多种多样的，并且可能与执行意图的片段数据有一些关联；潜在表示是由几个原子和一个稀疏代码组成的字典组成的，在重构过程中，利用所述的稀疏编码，以及原子本身和原子的线性组合，逼近原始输入。


2.根据权利要求1所述的基于重构模型的人体运动意向检测方法，其特征在于步骤2.1采用子空间投影，定义一组m维向量，这些向量映射属于Rd的样本x到属于Rm(m≤d)的样本并且主成分是通过具有三个性质的m变量得到的，性质如下：
1)主要成分是正交的；
2)第一个主成分的方差最大，每个后续成分的方差逐渐减小；
3)所有主要成分的变化之和等于原始变量的变化之和；
假设是由d变量v1，v2...vd的目标重构训练集计算出的相关矩阵，从R中计算d个特征值特征向量对，并按特征值排序，得到(λ1,e1),(λ2,e2),...,(λd,ed)，其中λ1≥λ2≥...λd；且样本第i次的主成分x＝(x1,x2,...xd)T可计算为：



选择第一个m特征值特征向量对(λ1,e1),(λ2,e2),...,(λm,em)，得到投影矩阵P为：
P＝(e1,e2...em)T(3)
其中所以任何观测值x都可以转换为：
y＝Px(4)
其中由于特征向量的特性，重构过程很简单：



应该注意的是，只有当m＝d,P-1＝PT时，重构才是完美的；否则，由于压缩，和x是不相同的，设置m＜d，
考虑到过于完美的重构可能会限制从重构损失中识别数据模式的有效性；
因此，基于子空间投影的重构模型可以定义为：



其中可以通过获取PCA的投影矩阵来计算；训练后，脑电图查询片段q的重构误差可计算为：


3.根据权利要求1所述的基于重构模型的人体运动意向检测方法，其特征在于步骤2.2、将自动编码器作为重构模型，根据三种用于运动意图检测的查询策略，即尝试式、记录式和分段式应用了两种类型的自动编码器：全连接自动编码器和CNN自动编码器，具体如下：
步骤2.2.1、完全连接自动编码器
全连接自编码器由一个编码器Φ:m是隐层的维数和一个解码器Ψ:每一层都由相应的权重W，偏见b和激活功能：
Φ＝fΦ(WΦx+bΦ)(7)
Ψ＝fΨ(WΨx+bΨ)(8)
其中和fΦ和fΨ分别表示编码激活函数和解码激活函数，重构模型定义为：



参数θ可以通过最小化得到：



训练后，脑电图查询片段q的重构误差可计算为：



应该注意的是，使用线性激活函数，自动编码器可以生成与PCA相同的子空间；因此，将非线性校正线性单元作为激活函数；
步骤2.2.2、CNN自动编码器
由于脑电图信号是在每个时间点具有多个通道读数的时间序列数据，因此自动编码器的输入数据可以是二维(2D)格式；所以，我们应用CNN自动编码器作为重构模型来处理二维脑电图数据；与完全连接的自动编码器类似，CNN自动编码器也有一个编码器部分和一个解码器部分；主要区别在于编码器和解码器部分主要是用卷积神经网络构建的；
具体地说，在编码器阶段有三个2D-CNN层，每个层后接一个最大池化层，在解码器层有三个向上采样层和卷积层对；为了使二维卷积运算形式化，L层的第k层特征图中位置(x,y)处神经元的值由下式给出：


<...

【专利技术属性】
技术研发人员：梁伟，鲁明丽，杨晨婷，邱佳华，张哲，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏;32