一种基于自注意力机制的脑电信号特征提取方法技术

本发明专利技术实施例公开一种基于自注意力机制的脑电信号特征提取方法。在一个具体的实施例中，所述方法包括：通过多通道脑电采集设备得到受试者的原始脑电信号并对其进行预处理；基于自注意力机制创建滤波器，采用所述滤波器提取待分类运动想象矩阵的第一特征向量；基于黎曼流形特征提取算法得到所述待分类运动想象矩阵的第二特征向量；基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量。向量。向量。

【技术实现步骤摘要】
一种基于自注意力机制的脑电信号特征提取方法


[0001]本专利技术涉及人脑识别领域领域。更具体地，涉及一种基于自注意力机制的脑电信号特征提取方法。

技术介绍

[0002]脑机接口作为一种新型的人机交互系统，其涉及到多个学科多个领域。国内外关于脑机接口系统的研究也历经多年，但是到目前为止只有一小部分脑机接口系统具有实用性，其中一大部分还处于理论和实验室阶段，但是脑机接口系统在未来的众多领域中发挥着重要的作用。如：在医学领域中，脑机接口可以解决残疾人士日常生活等问题。在航天领域，由于宇航员在外太空处于特殊环境，不便移动和作业，借助脑机接口系统可以控制机器人辅助完成任务，确保宇航员自身安全等，设计出一套基于脑机接口的系统，不仅能解决残疾人士的生活自理问题，还能给人类日常生活带来便利，提高人们的生活品质，对推动未来科技发展具有至关重要的重要。
[0003]从控制科学的角度看,大脑是人体所有运动、语言机能的控制中心,以外部神经为媒介向身体发出指令。神经科学的研究发现即使外部神经和肢体因损伤而失去作用，但大脑的功能还是正常的，大脑发出的指令信息可以通过脑电信号传递出来。研究还发现人们在进行某些思维活动时或者在外界某种刺激的诱发下，脑电信号会呈现出某种相对应的、有规律的变化模式。由此，抽象的、虚拟的大脑活动所表达的人的意愿就有可能通过实在的、物理的脑电信号而表征出来,脑电信号就成为人脑与外部联系的桥梁。神经科学的上述研究成果为脑控的研究提供了科学依据和工作原理。
[0004]原始脑电信号在数据特征上呈现出非平稳特性且信噪比低,造成相同受试本体在不同时段下的脑电信号规律性较弱，不同受试者个体差异带来的脑电信号不规则特性更强，如何提高并且保证脑电信号分类正确率一直是脑机接口系统研究中的难点。要想从本质上掌握人脑在运动想象思维活动下的脑电信号模式以及动态变化特征，不能只局限于本专业的信号处理知识，还需要结合神经学相关方面知识原理。

技术实现思路

[0005]本专利技术的目的在于提供一种基于自注意力机制的脑电信号特征提取方法，以解决现有技术存在的问题中的至少一个。
[0006]为达到上述目的，本专利技术采用下述技术方案：
[0007]本专利技术第一方面提供了一种基于自注意力机制的脑电信号特征提取方法，包括：
[0008]通过多通道脑电采集设备得到受试者的原始脑电信号并对其进行预处理；
[0009]基于自注意力机制创建滤波器，采用滤波器提取待分类运动想象矩阵的第一特征向量；
[0010]基于黎曼流形特征提取算法得到所述待分类运动想象矩阵的第二特征向量；
[0011]基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量。
[0012]进一步地，所述预处理包括对原始脑电信号进行滤波、去噪和离散处理。
[0013]进一步地，所述基于自注意力机制创建滤波器，采用滤波器组提取待分类运动想象矩阵的第一特征向量包括：
[0014]从多通道的脑电接口数据中提取出两分类脑电信号的时空信号矩阵X1和X2，基于所述时空信号矩阵X1和X2得到混合空间协方差矩阵R，对所述混合空间协方差矩阵R进行特征值分解得到其白化矩阵P；基于所述时空信号矩阵X1和X2的源信号S1和S2做主成分分解得到其特征矩阵B，
[0015]基于所述白化矩阵P和特征矩阵B得到投影矩阵W作为滤波器：
[0016]W＝B
T
P
[0017]将待分类运动想象矩阵X通过所述滤波器W即可得到第一特征向量Z
self
‑
attention1
：
[0018]Z
self
‑
attention1
＝W
·
X。
[0019]进一步地，所述基于黎曼流形特征提取算法得到待分类运动想象矩阵的第二特征向量包括：
[0020]基于所述自注意力机制中的距离特征提取算法计算所述第二特征向量Z
self
‑
attention2
：
[0021][0022]其中，X为待分类运动想象矩阵，为第一类脑电信号的平均时空信号矩阵，为平均第二类脑电信号的平均时空信号矩阵，为矩阵X和X1之间的黎曼距离，为矩阵X和之间的黎曼距离。
[0023]进一步地，所述基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量包括：
[0024]通过集成学习方法中的Bagging算法融合所述第一特征向量和第二特征向量：
[0025]Z＝α1Z
self
‑
attention1
+α2Z
self
‑
attention2
[0026]式中，α1∈[0,1]，α2∈[0,1]且α1+α2∈[0,1]，所述系数α1和α2具体数值根据所述Bagging算法学习决定。
[0027]进一步地，所述从多通道的脑电接口数据中提取出两分类脑电信号的时空信号矩阵X1和X2包括：
[0028]在所述两分类脑电信号运动想象任务情况下，采用复合源的数学模型描述所述两分类脑电信号：
[0029]第一类脑电信号的时空信号矩阵X1表示为：
[0030]第二类脑电信号的时空信号矩阵X2表示为：
[0031]其中，S1和S2分别代表两种想象任务下的源信号，S
M
代表两种类型任务下所共同拥有的源信号，若S1是由m1个源构成，S2是由m2个源构成，则C1和C2便是由S1和S2相关的m1和m2个共同空间模式组成的，C
M
为与S
M
相应的共有的空间模式；
[0032]所述基于所述时空信号矩阵X1和X2得到混合空间协方差矩阵R包括：
[0033]对所述时空矩阵信号X1和X2进行归一化处理得到对应的协方差矩阵R1和R2：
[0034][0035][0036]其中，X
T
表示X矩阵的转置，trace()表示矩阵对角线上元素的和，基于所述协方差矩阵R1和R2求混合空间协方差矩阵R：
[0037][0038]其中，分别为所述协方差矩阵R1和R2的平均协方差矩阵。
[0039]进一步地，所述对所述混合空间协方差矩阵R进行特征值分解得到其白化矩阵P包括：
[0040]对混合空间协方差矩阵R进行特征值分解：
[0041]R＝UλU
T
[0042]其中，U为矩阵λ的特征向量矩阵，λ是所述混合空间协方差矩阵R的特征值构成的对角矩阵。
[0043]将式中的特征值进行降序排列，得到白化矩阵P：
[0044][0045]进一步地，所述基于所述时空信号矩阵X1和X2的源信号S1和S2做主成分分解得到其特征矩阵B包括：
[0046]对平均协方差矩阵进行如下变换：
[0047][0048][0049]对源信号S1和S2做主成分分解，得到：
[0050本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制的脑电信号特征提取方法，其特征在于，包括：通过多通道脑电采集设备得到受试者的原始脑电信号并对其进行预处理；基于自注意力机制创建滤波器，采用所述滤波器提取待分类运动想象矩阵的第一特征向量；基于黎曼流形特征提取算法得到所述待分类运动想象矩阵的第二特征向量；基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量。2.根据权利要求1所述的方法，其特征在于，所述预处理包括对原始脑电信号的滤波、去噪和离散处理。3.根据权利要求1所述的方法，其特征在于，所述基于自注意力机制创建滤波器，采用所述滤波器组提取待分类运动想象矩阵的第一特征向量包括：从多通道的脑电接口数据中提取出两分类脑电信号的时空信号矩阵X1和X2，基于所述时空信号矩阵X1和X2得到混合空间协方差矩阵R，对所述混合空间协方差矩阵R进行特征值分解得到其白化矩阵P；基于所述时空信号矩阵X1和X2的源信号S1和S2做主成分分解得到其特征矩阵B，基于所述白化矩阵P和特征矩阵B得到投影矩阵W作为滤波器：W＝B
T
P将待分类运动想象矩阵X通过所述滤波器W即可得到第一特征向量Z
self
‑
attention1
：Z
self
‑
attention1
＝W
·
X。4.根据权利要求1所述的方法，其特征在于，所述基于黎曼流形特征提取算法得到待分类运动想象矩阵的第二特征向量包括：基于所述自注意力机制中的距离特征提取算法计算所述第二特征向量Z
self
‑
attention2
：其中，X为待分类运动想象矩阵，为第一类脑电信号的平均时空信号矩阵，为平均第二类脑电信号的平均时空信号矩阵，为矩阵X和之间的黎曼距离，为矩阵X和之间的黎曼距离。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量包括：通过集成学习方法中的Bagging算法融合所述第一特征向量和第二特征向量：Z＝α1Z
self
‑
attention1
+α2Z
self
‑
...

【专利技术属性】
技术研发人员：温暖，刘金祥，
申请(专利权)人：北京无线电测量研究所，
类型：发明
国别省市：