一种脑电信号分类方法及系统技术方案

本发明专利技术涉及一种脑电信号分类方法及系统。该分类方法包括：获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；利用工空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；计算所述脑电特征中单次试验脑电信号对应的判别分数；获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；判断所述判别分数是否大于或等于所述分类器模型中的分类标准；如果是，将所述判别分数对应的脑电信号数据确定为第一运动类别；如果否，将所述判别分数对应的脑电信号数据确定为第二运动类别。本发明专利技术可以提高脑电信号分类准确度。

A method and system of EEG signal classification

【技术实现步骤摘要】
一种脑电信号分类方法及系统
本专利技术涉及脑机接口领域，特别是涉及一种脑电信号分类方法及系统。
技术介绍
脑机接口技术是一种新的人机交互方式。该技术可以在不涉及周围神经系统和肌肉组织的情况下，实现人脑与计算机或其他设备之间的通信和控制，进而与外界环境进行通信。基于脑电的脑机接口技术已经成为许多领域的研究热点，包括康复工程、信号处理、模式识别、控制理论等领域，并逐渐发展成为一个新兴的多学科技术。而脑电信号辨识是神经康复应用脑机接口研究中的主要问题。在脑电信号分类方面，不管是线性判别分析还是二次判别分析方法，都有广泛的应用。当特征维数比较大而样本个数相对较小的时候，就会出现效果不佳的情况，导致分类准确度低。
技术实现思路
本专利技术的目的是提供一种脑电信号分类方法及系统，以提高脑电信号分类准确度。为实现上述目的，本专利技术提供了如下方案：一种脑电信号分类方法，包括：获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；计算所述脑电特征中单次试验脑电信号对应的判别分数；获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；判断所述判别分数是否大于或等于所述分类器模型中的分类标准；当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。可选的，所述获取原始脑电信号数据，之后还包括：采用8-13Hz的4阶巴特沃斯滤波器对所述原始脑电信号数据进行预处理，得到预处理后的原始脑电信号数据。可选的，所述利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征，具体包括：获取所述共空间模式算法的空间滤波矩阵；利用所述共空间滤波矩阵，对所述原始脑电信号数据滤波，得到滤波后的脑电信号矩阵；根据所述滤波后的脑电信号矩阵，利用公式提取所述原始脑电信号数据对应的脑电特征；其中，Zn为滤波后的脑电信号矩阵；n为滤波后的脑电信号矩阵Zn的行数；Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵，2m＜M，M为脑电信号通道数，X为所述原始脑电信号数据对应的脑电特征。可选的，所述计算所述脑电特征中单次试验脑电信号对应的判别分数，具体包括：利用公式计算每个脑电信号对应的判别分数；其中，x为单次试验脑电信号，为单次试验脑电信号x对应的判别分数，μ1为第一运动类别的脑电信号均值向量，μ2为第二运动类别的脑电信号均值向量，∑1为第一运动类别的脑电信号特征的协方差矩阵，∑2为第二运动类别的脑电信号特征的协方差矩阵。可选的，所述分类器模型中的分类标准为：clog(|∑1|/|∑2|)，其中，c为所述分类器模型的参数，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵。可选的，所述获取分类器模型，之前还包括：获取脑电信号样本数据；所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据；求解目标函数得到最优解ω；其中，ω为空间滤波矩阵，C1为所述第一运动类别的脑电信号样本数据的平均协方差，C2为所述第二运动类别的脑电信号样本数据的平均协方差；利用所述空间滤波矩阵ω，对所述脑电信号样本数据滤波，得到滤波后的脑电信号；根据所述滤波后的脑电信号，提取脑电特征，得到所述脑电信号样本数据对应的脑电特征；利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2；Ni为第i运动类别的特征空间矩阵的样本个数，xi第i运动类别的特征空间矩阵的样本，Xi为第i运动类别的脑电特征，i＝1表示第一运动类别，i＝2表示第二运动类别；计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2；计算脑电特征中单次试验样本的判别分数；获取当前迭代次数下所述分类器模型的参数c；根据所述分类器模型的参数c计算当前分类器模型的分类标准；将判别分数大于或等于所述分类标准的样本确定为第一运动类别，将判别分数小于所述分类标准的样本确定为第二运动类别，得到当前迭代次数下分类结果；更新分类器模型的参数c，返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤；得到所有迭代次数下的分类结果；根据所述脑电信号样本数据所有迭代次数下的分类结果，计算每个迭代次数下的操作特性曲线面积值和最小均方误差值；将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数，完成所述分类器模型的训练，得到训练好的分类器模型。本专利技术还提供一种脑电信号分类系统，包括：原始脑电信号数据获取模块，用于获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；特征提取模块，用于利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；判别分数计算模块，用于计算所述脑电特征中单次试验脑电信号对应的判别分数；分类器模型获取模块，用于获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；判断模块，用于判断所述判别分数是否大于或等于所述分类器模型中的分类标准；第一运动类别确定模块，用于当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；第二运动类别确定模块，用于当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。可选的，所述特征提取模块具体包括：空间滤波矩阵获取单元，用于获取所述共空间模式算法的空间滤波矩阵；滤波单元，用于利用所述空间滤波矩阵，对所述原始脑电信号数据滤波，得到滤波后的脑电信号；特征空间矩阵提取单元，用于根据所述滤波后的脑电信号，利用公式提取所述原始脑电信号数据对应的脑电特征；其中，Zn为滤波后的脑电信号矩阵；n为滤波后的脑电信号矩阵Zn的行数；Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵，2m＜M，M脑电信号通道数，X为所述原始脑电信号数据对应的脑电特征。可选的，所述判别分数计算模块利用公式计算单次试验脑电信号对应的判别分数；其中，x为单次试验脑电信号，为单次试验脑电信号x对应的判别分数，μ1为第一运动类别的脑电信号均值向量，μ2为第二运动类别的脑电信号均值向量，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵；所述分类器模型中的分类标准为：clog(|∑1|/|∑2|)，其中，c为所述分类器模型本文档来自技高网...

【技术保护点】
1.一种脑电信号分类方法，其特征在于，包括：/n获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；/n利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；/n计算所述脑电特征中单次试验脑电信号对应的判别分数；/n获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；/n判断所述判别分数是否大于或等于所述分类器模型中的分类标准；/n当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；/n当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。/n

【技术特征摘要】
1.一种脑电信号分类方法，其特征在于，包括：
获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；
利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；
计算所述脑电特征中单次试验脑电信号对应的判别分数；
获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；
判断所述判别分数是否大于或等于所述分类器模型中的分类标准；
当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；
当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。


2.根据权利要求1所述的脑电信号分类方法，其特征在于，所述获取原始脑电信号数据，之后还包括：
采用8-13Hz的4阶巴特沃斯滤波器对所述原始脑电信号数据进行预处理，得到预处理后的原始脑电信号数据。


3.根据权利要求1所述的脑电信号分类方法，其特征在于，所述利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征，具体包括：
获取所述共空间模式算法的空间滤波矩阵；
利用所述空间滤波矩阵，对所述原始脑电信号数据滤波，得到滤波后的脑电信号矩阵；
根据所述滤波后的脑电信号矩阵，利用公式提取所述原始脑电信号数据对应的脑电特征；其中，Zn为滤波后的脑电信号矩阵；n为滤波后的脑电信号矩阵Zn的行数；Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵，2m＜M，M为脑电信号通道数，X为所述原始脑电信号数据对应的脑电特征。


4.根据权利要求1所述的脑电信号分类方法，其特征在于，所述计算所述脑电特征中单次试验脑电信号对应的判别分数，具体包括：
利用公式计算单次试验脑电信号对应的判别分数；其中，x为单次试验脑电信号，为单次试验脑电信号x对应的判别分数，μ1为第一运动类别的脑电信号均值向量，μ2为第二运动类别的脑电信号均值向量，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征空间矩阵的协方差矩阵。


5.根据权利要求1所述的脑电信号分类方法，其特征在于，所述分类器模型中的分类标准为：clog(|∑1|/|∑2|)，其中，c为所述分类器模型的参数，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵。


6.根据权利要求1所述的脑电信号分类方法，其特征在于，所述获取分类器模型，之前还包括：
获取脑电信号样本数据；所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据；
求解目标函数得到最优解ω；其中，ω为空间滤波矩阵，C1为所述第一运动类别的脑电信号样本数据的平均协方差，C2为所述第二运动类别的脑电信号样本数据的平均协方差；
利用所述空间滤波矩阵ω，对所述脑电信号样本数据滤波，得到滤波后脑电信号；
根据所述滤波后的脑电信号提取脑电特征，得到所述脑电信号样本数据对应的脑电特征；
利用公式计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2；Ni为第i运动类别的脑电特征的样本个数，xi第i运动类别的脑电特征的样本，Xi为第i运动类别的脑电特征，i＝1表示第一运动类别，i＝2表示第二运动类别；
计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2；
计算脑电特征中单次试验脑电信号样本的判别分数；
获取当前迭代次数下所述分类器模型的参数c；
根据所述分类器模型的参数c计算当前分类器模型的分类标准；
将判别分数大于或等于所述分类标准的样本确定为第一运动类别，将判别分数小于所述分类标准的样本确定为第二运动类别，得到当前迭代次数下分类结果；
更新分类器模型的参数c，返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤；
得到所有迭代次数下的分类结果；
根据所述脑电信号样本数据和所有迭代次数下的分类结果，计算每个迭代次数下的操作特性曲线面积值和均方误差值；
将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数，完成所述分类器模型的训练，得到训练好的分类器模型。


7.一种脑电信号分类系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：付荣荣，韩萌萌，王世伟，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13