一种基于脑机接口的大脑意图识别方法及系统技术方案

本发明专利技术提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：利用MATLAB构建实际任务模型；基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；将待预测的脑电数据输入到所述极限学习模型，获得分类结果。本发明专利技术提高识别大脑意图的准确性。本发明专利技术采集的脑电信号经共空间模式特征提取后特征更加明显，更加容易进行分类识别。另外，本发明专利技术将极限学习机训练的模型作为分类器不仅准确率高，且分类过程中不需要繁琐的迭代计算，速度更快，效果更好。效果更好。效果更好。

【技术实现步骤摘要】
一种基于脑机接口的大脑意图识别方法及系统


[0001]本专利技术涉及生物信号处理与机器学习
，特别是涉及一种基于脑机接口的大脑意图识别方法及系统。

技术介绍

[0002]脑机接口通过提取头皮脑电信号来分析大脑意图，进而评估脑部活动，对解决运动障碍患者的医疗康复问题具有重要意义。
[0003]近年来，国内外专家学者开展了一系列对脑机接口的研究，对大脑意图识别的研究有三个关键的步骤：设计合理的实验任务、脑电信号提取特征和脑电数据分类。其中，建立合理的实验任务模型是脑电信号提取的首要前提，在对脑机接口的研究中，国内外专家提出了不同的任务模型。在运动神经系统康复中，经常采用运动想象的方式来诱发脑电，然而长时间在单纯运动想象下进行实验，受试者容易产生大脑疲劳。在这种状态下采集的实验数据质量不高，给提取脑电信号特征带来较大压力，同时也降低了对大脑意图识别的准确性。

技术实现思路

[0004]基于此，本专利技术的目的是提供一种基于脑机接口的大脑意图识别方法及系统，以提高识别大脑意图的准确性。
[0005]为实现上述目的，本专利技术提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：
[0006]步骤S1：利用MATLAB构建实际任务模型；
[0007]步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
[0008]步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；
[0009]步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
[0010]步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
[0011]可选地，所述对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵，具体包括：
[0012]步骤S31：采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
[0013]步骤S32：将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
[0014]步骤S33：计算各类所述脑电数据的协方差矩阵；
[0015]步骤S34：根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
[0016]步骤S35：根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
[0017]步骤S36：采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；
[0018]步骤S37：从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；
[0019]步骤S38：基于所述选取矩阵提取脑电信号特征向量；
[0020]步骤S39：将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。
[0021]可选地，所述计算各类所述脑电数据的协方差矩阵，具体公式为：
[0022][0023]其中，A
T
表示脑电原始数据集A的转置矩阵，trace(
·
)表示矩阵对角线元素之和，A
ij
为第j次试验第i类脑电数据，C
ij
为第j次试验第i类脑电数据对应的协方差矩阵。
[0024]可选地，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：
[0025][0026]其中，y
k
为脑电信号特征向量，Z
k
为选取矩阵，Z
r
为空间滤波后的所述脑电原始数据集Z
M
×
N
的第r行组成的向量，m为选取的行数，var为方差。
[0027]可选地，所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
[0028][0029]其中，n
i
表示进行的实验次数，y
Qni
表示第Q个通道中第n
i
次实验采集的点；
[0030]所述极限学习模型的隐含层输入矩阵PY，具体公式为：
[0031][0032]其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，p
l
＝[p
l1
,p
l2
,
…
,p
lQ
]，p
lQ
表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，y
ni
为第n
i
次实验所采集脑电信号对应的特征向量；
[0033]所述极限学习模型的隐含层输出矩阵H为：
[0034][0035]其中，b
l
表示第l个隐含层神经元的偏置，g()为隐含层激活函数，p
l
表示极限学习机算法第l个隐含层神经元的权值；
[0036]所述极限学习模型的网络输出T为：
[0037][0038]其中，l表示隐含层神经元的数量，β
im
表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，β
im
为权值矩阵β的一个元素；
[0039]所述极限学习模型的输出层权值矩阵，具体公式为：
[0040]β＝(H
+
)-1
T
T
ꢀꢀ
(10)；
[0041]其中，β表示输出层权值矩阵，H
+
表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，T
T
表示T的转置矩阵。
[0042]本专利技术还提供一种基于脑机接口的大脑意图识别系统，所述系统包括：
[0043]实际任务模型构建模块，用于利用MATLAB构建实际任务模型；
[0044]脑电原始数据集采集模块，用于基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；
[0045]预处理模块，用于对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；
[0046]极限学习模型构建模块，用于将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；
[0047]分类预测模块，用于将待预测的脑电数据输入到所述极限学习模型，获得分类结果。
[0048]可选地，所述预处理模块，具体包括：
[0049]干扰滤除单元，用于采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；
[0050]分类处理单元，用于将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；
[0051]协方差矩阵计算单元，用于计算各类所述脑电数据的协方差矩阵；
[0052]平均协方差矩阵计算单元，用于根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；
[0053]空间滤波矩阵确定单元，用于根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；
[0054]空间滤波单元，用于采用所述空间滤波矩阵对所述脑电原始数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑机接口的大脑意图识别方法，其特征在于，所述方法包括：步骤S1：利用MATLAB构建实际任务模型；步骤S2：基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；步骤S3：对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；步骤S4：将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；步骤S5：将待预测的脑电数据输入到所述极限学习模型，获得分类结果。2.根据权利要求1所述的基于脑机接口的大脑意图识别方法，其特征在于，所述对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵，具体包括：步骤S31：采用陷波滤波器消除各所述脑电数据中50Hz的工频干扰；步骤S32：将滤波后的所述脑电数据进行分类处理，获得多类脑电数据；步骤S33：计算各类所述脑电数据的协方差矩阵；步骤S34：根据各类所述脑电数据的协方差矩阵计算各类所述脑电数据的平均协方差矩阵；步骤S35：根据各类所述脑电数据的平均协方差矩阵确定空间滤波矩阵；步骤S36：采用所述空间滤波矩阵对所述脑电原始数据集进行空间滤波；步骤S37：从空间滤波后的所述脑电原始数据集中选取前m行和后m行作为选取矩阵，其中m为大于1的正整数；步骤S38：基于所述选取矩阵提取脑电信号特征向量；步骤S39：将多次试验获得的所述脑电信号特征向量作为脑电信号特征提取矩阵。3.根据权利要求2所述的基于脑机接口的大脑意图识别方法，其特征在于，所述计算各类所述脑电数据的协方差矩阵，具体公式为：其中，A
T
表示脑电原始数据集A的转置矩阵，trace(
·
)表示矩阵对角线元素之和，A
ij
为第j次试验第i类脑电数据，C
ij
为第j次试验第i类脑电数据对应的协方差矩阵。4.根据权利要求2所述的基于脑机接口的大脑意图识别方法，其特征在于，所述基于所述选取矩阵提取脑电信号特征向量，具体公式为：其中，y
k
为脑电信号特征向量，Z
k
为选取矩阵，Z
r
为空间滤波后的所述脑电原始数据集Z
M
×
N
的第r行组成的向量，m为选取的行数，var为方差。5.根据权利要求1所述的基于脑机接口的大脑意图识别方法，其特征在于，所述极限学习模型的输入层矩阵为脑电信号特征提取矩阵Y，具体公式为：
其中，n
i
表示进行的实验次数，y
Qni
表示第Q个通道中第n
i
次实验采集的点；所述极限学习模型的隐含层输入矩阵PY，具体公式为：其中，PY为隐含层输入矩阵，Y为脑电信号特征提取矩阵，P为输入层权值矩阵，p
l
＝[p
l1
,p
l2
,
…
,p
lQ
]，p
lQ
表示极限学习机算法第l个隐含层神经元对应Q通道数据的权值，y
ni
为第n
i
次实验所采集脑电信号对应的特征向量；所述极限学习模型的隐含层输出矩阵H为：其中，b
l
表示第l个隐含层神经元的偏置，g()为隐含层激活函数，p
l
表示极限学习机算法第l个隐含层神经元的权值；所述极限学习模型的网络输出T为：其中，l表示隐含层神经元的数量，β
im
表示输出层第i个隐含层神经元对应输出层第m个神经元的权值，β
im
为权值矩阵β的一个元素；所述极限学习模型的输出层权值矩阵，具体公式为：
β＝(H
+
)-1
T
T (10)；其中，β表示输出层权值矩阵，H
+
表示矩阵H的伪逆矩阵，T表示极限学习模型的网络输出，T
T
表示T的转置矩阵。6.一种基于脑机接口的大脑意图识别系统，其特征在于，所...

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