面向跨被试RSVP的多特征低维子空间ERP检测方法技术

本发明专利技术公开了面向跨被试RSVP的多特征低维子空间ERP检测方法。该方法首先采用迁移学习方法中的欧式空间对齐，对来自不同被试、不同试次的EEG数据在欧式空间中进行对齐。然后采用不同的特征提取方式表层和深层两路特征，其次将来自不同空间的两路特征分别进行有监督降维，使得不同类特征的类内离散度尽可能低，且类间离散度尽可能高。得到凝练且位于不同维度的两个一维特征，对这两个一维特征进行融合重构，最终将重构后的特征用于ERP检测。有效提升ERP检测时的稳定性与准确率。效提升ERP检测时的稳定性与准确率。效提升ERP检测时的稳定性与准确率。

【技术实现步骤摘要】
面向跨被试RSVP的多特征低维子空间ERP检测方法


[0001]本专利技术属于事件相关电位分析
，涉及跨被试的事件相关电位检测，具体涉及面向跨被试RSVP的多特征低维子空间ERP检测方法。

技术介绍

[0002]基于计算机视觉的目标图像检索应用广泛，然而有些目标具有伪装、遮挡、环境变化以及不确定等特性，而机器识别由于场景泛化能力弱、本征抽象难，导致它对这类复杂目标难以准确识别。如图1所示，基于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)的目标图像检索借助于人脑在看到目标图像时产生的事件相关电位(Event
‑
related Potentials,ERP)来完成目标图像检索，具有对复杂目标进行识别的能力。ERP是脑电图(Electroencephalogram,EEG)中的一个诱发电位，其包含P300、N170、N200等成分，可以通过听觉或者视觉等刺激来进行诱发。
[0003]值得注意的是，在经典的RSVP范式中，ERP的检测识别是基于单试次的，相比于基于多试次叠本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向跨被试RSVP的多特征低维子空间ERP检测方法，其特征在于：具体包括以下步骤：步骤一、样本数据对齐使用欧式空间对齐法，在欧式空间内对来自不同被试、多个试次下的原始EEG数据进行对齐；步骤二、多路特征提取针对步骤一对齐后的EEG数据分别提取表层特征与深层特征，具体包括以下步骤：s2.1、表层特征提取首先对对齐后的EEG数据进行降采样操作，经过xDAWN空域滤波器后再计算其信号幅值，作为表层特征F
S
；s2.2、深层特征提取对齐后的EEG数据先经过xDAWN空域滤波器提高信号信噪比，然后计算其协方差矩阵，再将协方差矩阵投影到切线空间，将投影结果作为深层特征F
D
；步骤三、特征一维化对步骤二提取到的表层特征F
S
和深层特征F
D
分别进行有监督降维，具体步骤包括：根据EEG数据的标签对特征进行分类，得到由不同类别的特征组成的两个子集；在原特征空间内计算两个子集的均值向量和类内离散度矩阵，分别计算特征集合的总类内离散度矩阵S
w
和总类间离散度矩阵S
b
；然后求取的最大特征值对应的特征向量ω，将该特征向量作为特征一维化的投影方向，得到一维化后的特征：f
i
'＝ω
T
f
i
ꢀꢀꢀ
(1)其中f
i
表示特征集合中的第i个特征；步骤四、构建联合特征空间将步骤三得到的一维化浅层特征和深层特征合并为两个维度，重构出二维的联合特征空间，得到融合后的特征F
C
∈R
2xn
为：步骤五、ERP检测使用线性判别器对步骤四得到的融合特征F
C
进行分类，即可实现得到ERP检测结果。2.如权利要求1所述面向跨被试RSVP的多特征低维子空间ERP检测方法，其特征在于：所述欧式空间对齐法首先针对一个被试的n个试次的EEG数据求取参考矩阵所述欧式空间对齐法首先针对一个被试的n个试次的EEG数据求取参考矩阵其中X
i
为该被试第i个试次的EEG数据，T标识转置；然后根据得到参考矩阵后对原始EEG数据进行更新，得到对齐后的EEG数据：3.如权利要求1所述面向跨被试RSVP的多特征低维子空间ERP检测方法，其特征在于：所述xDAWN空域滤波器通过参照非目标响应来增强目标响应，响应模式为：
S＝DA+N
ꢀꢀꢀ...

【专利技术属性】
技术研发人员：孔万增，章杭奎，刘栋军，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：