基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法技术

本发明专利技术提出了一种基于快速序列视觉呈现脑机接口的时空混合CSP‑PCA目标检测方法，其步骤包括：(1)对原始脑电信号预处理；(2)使用时空混合CSP‑PCA方法提取特征；(3)将特征输入到LDA分类器中得到目标类或非目标类的二元判决值。

【技术实现步骤摘要】
基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法
本专利技术涉及信号与信息处理和神经生物学交叉领域，特别是涉及基于快速序列视觉呈现的脑电图(electroencephalogram,EEG)。它提出一种基于快速序列视觉呈现脑机接口(RapidSerialVisualPresentation-BrainComputerInterface,RSVP-BCI)的时空混合CSP-PCA目标检测方法。
技术介绍
目标检测技术在生活中的应用非常广泛，小到社区摄像头画面监控人员，大到利用无人车进行环境侦查都需要反应迅速、检测精准的目标检测技术。目前基于深度学习的目标检测技术在检测精度以及检测速度上都有了很大的提高，但是其算法复杂度较高、计算量较大，无法满足目标检测实时性的要求；面对复杂的环境、突发状况等情况缺乏良好的判别能力。人脑依靠人类视觉快速有效的收集对环境信息的感知，并在较短的时间内准确灵活的对异常、突发等状况完成识别和反应，因此充分发挥人脑在目标检测中的作用能够增强目标检测系统的灵活性和准确性。快速序列视觉呈现(RapidSerialVisualPresentation，RSVP)以较高的图片呈现率将环境信息呈现给被试，再通过脑电信号解码技术对大脑信号进行实时解码，能在较短的时间内准确的对目标完成反应。快速序列视觉呈现脑机接口(RapidSerialVisualPresentation-BrainComputerInterface,RSVP-BCI)是目前基于人脑对目标进行早期发现任务中常用的技术，也是一种基于事件相关电位特征的脑机接口，事件相关电位的时间分辨率几乎都在毫秒级，这使得它能够代表大脑状态的实时响应。但在单试次实验的基础上准确解码大脑活动十分困难，原因如下：(1)事件相关电位特征的幅值和时延在不同试次之间具有高变异性；(2)目标图像之间间隔短造成特征重叠；(3)信噪比低。综上，单试次实验中检测普遍存在检测精度不高的问题。传统的检测方法为了克服信噪比较低的缺点，通常的分析方法都要进行平均操作，使得无法在单次实验中做到，电极上的平均会忽略脑电的空域信息。其他的研究方法是通过计算特定频段内的功率来鉴别大脑的振荡活动。都是用到的是传统概念，如平均、过滤和单变量假设检验等，并没有完整考虑脑电数据的时空结构。为解决上述问题，本专利技术提出一种基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法，即STHCP(Spatial-TemporalHybridCSP-PCA，STHCP)，充分考虑大脑活动的时空模式，分别在时域和空域采用主成分分析(PrincipalComponentAnalysis,PCA)和共空间模式(Commonspatialpattern，CSP)对脑电信号进行特征提取，能最大化信噪比。STHCP通过时域空域两次特征提取最大化目标类与非目标类之间的判别距离，并有效降低特征维数，为利用RSVP-BCI技术进行快速高效的目标检测提供了新方法。
技术实现思路
本专利技术提出的基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法的基本流程如图1所示，基本方案如下：S1.预处理，将刺激前100ms和刺激后400ms的数据分割后作为一个处理单元；将刺激前100ms的脑电数据作为基线，把刺激后的电位与基线相减得到基线校正后的脑电数据，消除脑电信号的偏离。S2.时空混合特征提取，在空域上采用共空间模式对数据进行空域滤波，该算法能够使一个类别的数据方差最大，同时使另一个类别的方差最小。在时域上使用主成分分析进行时域降维，构造一个新的坐标系，将原坐标系向新坐标系投影，提取出最优的K个主成分。S3.分类，将特征输入到LDA(LinearDiscriminantAnalysis，LDA)分类器中得到目标类或非目标类的二元判决值。本专利技术的效益是充分考虑大脑活动的时空模式，时域空域两次特征提取能够最大化目标与非目标状态间的信号差异，有效提升快速序列视觉呈现脑机接口的目标检测性能。附图说明图1RSVP范式流程图图2基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法流程图具体实施方式下面结合附图，对本专利技术的具体实施方式作详细说明。1.快速序列视觉呈现是在同一空间位置以每秒多幅图片的高呈现率连续显示图像的过程。图片流中含有目标人物的图片作为目标刺激，不含目标人物的刺激作为非目标刺激。每个图片的呈现时间为200ms。实验流程如图1所示。被试首先进入一分钟的静息态，之后开始播放图片流直至实验结束。实验共设置图片刺激总数为N，目标数所占比例为d％，如表1所示，使用EGI公司64导联脑电帽进行实验，该脑电帽按照国际10-20系统放置电极，参考电极为Cz,被试为6名。表1实验参数设置2.对采集的数据进行分段，将刺激前100ms和刺激后400ms的数据分割为一段，将刺激前100ms的脑电数据作为基线，将刺激后的电位与基线相减得到基线校正后的脑电数据3.如图2所示在空域上采用CSP算法对数据进行空域滤波，该算法能够使一个类别的数据方差最大，同时使另一个类别的方差最小；第一步，设Yi∈RC×D为第i次单次实验的原始脑电数据(C为导联数，D为时间长度)，CSP算法求得的空间滤波器记为其中为CSP算法所选空间滤波器个数，空域滤波后的第i次脑电数据为YiCSP＝WTYi(1)第二步，在时域上使用PCA对YCSP进行时域降维，计算出一个投影矩阵X∈RD×K，将YCSP与投影矩阵相乘记为Zi＝YiCSPX(2)其中，Zi为所得特征。第三步将特征送入LDA分类器中进行分类，得到一个二元判决值zi＝f(Zi)(3)4.空间滤波器的详细求解过程如下：其中，设Y+(i)∈RC×D，Y-(i)∈RC×D，为脑电信号的第i段数据，Y+(i)为目标类，Y-(i)为非目标类，两类数据的协方差矩阵为其中共空间模式优化问题可以表示为通过求解广义特征值来实现两个协方差矩阵同时数字化优化的问题，W为所求出的空间滤波器5.时域上PCA降维的详细过程如下，对矩阵YCSP中每一导的数据单独使用PCA进行降维，矩阵V为矩阵的协方差矩阵，计算矩阵V的特征值及其对应的特征向量。按照大小进行排序，贡献率越大代表其包含原始信息越多，选择前K个主成分分量来表示该导的时域信息.对应的特征向量X为时域特征提取的投影矩阵X∈RD×K。6.STHCP在6位被试中的表现如表2所示，除了被试2其余所有被试的AUC(AreaUnderROC,AUC)大于0.9，平均AUC为0.903。6位被试在STHCP中的表现优于CSP及PCA算法，AUC分别提高了17.6％、21％。在统计分析中，STHCP特征提取方法的性能与CSP及PCA相比，有明显的差异(Wilcoxon符号秩检验，p<0.05本文档来自技高网...

【技术保护点】
1.一种新的基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法，即在空域上采用共空间模式对数据进行空域滤波，能够使一个类别的数据方差最大，同时使另一个类别的方差最小；在时域上使用主成分分析进行时域降维，构造一个新的坐标系，将原坐标系向新坐标系投影，提取出最优的K个主成分。该方法充分考虑大脑活动的时空模式，通过时域空域两次特征提取最大化目标类与非目标类之间的判别距离，并有效降低特征维数，其创新特征包括：/n(1)基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法的处理顺序为：第一步在空域上采用CSP算法对数据进行空域滤波，针对每个被试选择不同的空间滤波器个数

【技术特征摘要】
1.一种新的基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法，即在空域上采用共空间模式对数据进行空域滤波，能够使一个类别的数据方差最大，同时使另一个类别的方差最小；在时域上使用主成分分析进行时域降维，构造一个新的坐标系，将原坐标系向新坐标系投影，提取出最优的K个主成分。该方法充分考虑大脑活动的时空模式，通过时域空域两次特征提取最大化目标类与非目标类之间的判别距离，并有效降低特征维数，其创新特征包括：
(1)基于快速序列视觉呈现脑机接口的时空混合CSP-PCA目标检测方法的处理顺序为：第一步在空域上采用CSP算法对数据进行空域滤波，针对每个被试选择不同的空间滤波器个数得到为CSP算法所求空间滤波器，对原始脑电数据进行空域滤波，记为YCSP；第二步在时域上，对...

【专利技术属性】
技术研发人员：崔玉洁，谢松云，谢辛舟，段绪，高川林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61