基于黎曼空间量化的多类别运动想象脑电信号识别方法技术

本发明专利技术涉及一种基于黎曼空间量化的多类别运动想象脑电信号识别方法，将不同运动想象任务诱发的脑电信号转换为空间协方差矩阵；将这种矩阵看作黎曼对称空间中的点，采用对数欧式距离度量点间距离；基于该距离构建黎曼空间量化方法与度量学习方法，在黎曼空间中为每一类别脑电信号样本学习若干带标签的原型，并学习样本与原型间的距离度量函数；采用赢者全拿策略，将与待识别脑电信号最近的原型的标签识别为其类别。本发明专利技术所述方法采用空间协方差作为输入特征，避免复杂的脑电信号预处理计算；是天然的多类别脑电信号识别方法，避免传统采用一对一等策略将二分类方法扩展到多分类所需要的复杂操作，有效地提升了多类别运动想象脑电信号的识别能力。脑电信号的识别能力。脑电信号的识别能力。

【技术实现步骤摘要】
基于黎曼空间量化的多类别运动想象脑电信号识别方法


[0001]本专利技术属于生物信号识别
，具体说是一种采用对数欧式测度的基于黎曼空间量化的多类别运动想象头皮脑电信号识别方法。

技术介绍

[0002]脑机接口技术采用脑电信号控制外部设备，为大脑与外界提供一种全新的交互方式，其核心技术是脑电信号的识别。运动想象头皮脑电信号以其采集方式的灵活性、操作的简易性以及用户的高认同度等优点，成为最有前景的脑机接口系统控制信号。然而头皮脑电信号是一种非平稳的、非线性的信号，具有信号幅度微弱、信噪比低、噪声干扰大等特点。因此，对脑电信号的识别具有一定的难度。
[0003]目前大部分运动想象头皮脑电信号的识别方法本质是二分类器。对于多类别的脑电信号识别，通常采用一对多或者一对一的策略将其分解为若干个二分类问题，最后采用投票的方式做出决策。因此，对于多类别脑电信的识别正确率不高，影响脑机接口的实际使用和用户的体验感受。

技术实现思路

[0004]本专利技术目的是提供一种天然的多类别脑电信号识别方法，提高多类别运动想象脑电信号的识别正确率。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]基于黎曼空间量化的多类别运动想象脑电信号识别方法，包括以下步骤：
[0007]采集不同运动想象任务的脑电信号；
[0008]获取脑电信号的协方差矩阵，形成样本空间；
[0009]将协方差矩阵看作黎曼对称空间中的点，采用对数欧式距离来度量黎曼对称空间中两点之间的距离；
[0010]基于对数欧式距离，建立对数欧式度量学习距离函数
[0011]利用对数欧式度量学习距离函数，建立量化学习代价函数；
[0012]通过随机梯度下降方法最小化量化学习代价函数，计算原型对应的黎曼梯度，建立原型的学习规则，计算对数欧式度量学习距离函数参数Q的梯度，建立Q的学习规则；
[0013]利用赢者全拿规则，输出待识别脑电信号的识别结果。
[0014]所述运动想象任务包括：想象左手运动、想象右手运动、想象脚部运动、想象舌头运动中至少一种。
[0015]所述对数欧式度量学习距离函数为：
[0016][0017]其中X
i
和X
j
表示黎曼空间中任意两点，log表示的是矩阵对数，其计算通过对作为
训练样本的协方差矩阵X
i
做特征分解X
i
＝Vdiag(λ1，...，λ
n
)V
T
，其中λ1，...，λ
n
是X
i
的特征值，i，j＝1，...，m，diag(λ1，...，λ
n
)表示构造一个对角线元素为参数λ1，...，λ
n
的对角阵，V为n
×
n方阵，n表示采集脑电信号所用的电极个数，X
i
的矩阵对数计算为logX
i
＝V diag(log(λ1)，...，log(λ
n
))V
T
，Tr为矩阵主对角线元素之和。
[0018]所述的量化学习代价函数E(W)为：
[0019][0020][0021]其中，原型W表示需要从训练样本中学习的对于不同运动想象动作协方差矩阵具有代表性的模型参数；W
J
表示离训练样本X
i
最近的与X
i
具有相同标签的原型，这里称为正确原型；W
K
表示离训练样本X
i
最近的与X
i
具有不同标签的原型，这里称为错误原型；Φ(
·
)是单调递增的尺度函数，采用逻辑函数Φ(x)＝1/(1+e-x
)。
[0022]所述原型的学习规则简化为将原协方差矩阵X
i
，i＝1，
…
，组成的样本空间转换到其矩阵对数空间，在转换后的矩阵对数空间进行量化学习，具体学习规则为：
[0023][0024][0025]其中，T
i
为样本X
i
的矩阵对数，即T
i
＝log(X
i
)；U
J
为离样本X
i
最近的正确原型W
J
的矩阵对数，即U
J
＝log(W
J
)；U
K
为离样本X
i
最近的错误原型W
K
的矩阵对数，即U
K
＝log(W
K
)；和分别表示训练样本X
i
与其最近的正确样本和最近的错误样本的对数欧式距离，α为学习率。
[0026]所述对数欧式距离度量学习函数参数Q的学习规则为：
[0027][0028]Q
←
GG
T
[0029]其中，η为学习率。
[0030]所述利用赢者全拿规则，输出脑电信号识别结果包括以下步骤：
[0031]采集待识别运动想象任务诱发的脑电信号S
u
；
[0032]计算其协方差矩阵X
u
，作为待识别样本；
[0033]计算其协方差矩阵对数T
u
；
[0034]根据以下公式计算T
u
与权利要求5所学的所有原型矩阵对数U
j
间的距离δ
j
：
[0035]δ
j
＝Tr[Q(T
u-U
j
)(T
u-U
j
)][0036]其中Q为权利要求6所学的对数欧式度量学习距离函数参数；
[0037]根据以下公式找到距离待识别样本矩阵对数最近的原型矩阵对数，即找到δ
j
，j＝1，...，m中最小的值，将该值的下标赋值给j
*
：
[0038]j
*
＝arg min
j
δ
j
；
[0039]将距离待识别样本矩阵对数最近的原型矩阵对数的标签赋给待识别样本作为其预测标签，根据以下公式输出预测标签，即预测到的运动想象任务：
[0040][0041]其中，为脑电信号S
u
对应的运动想象任务y
u
的预测值，为原型矩阵对数对应的标签。
[0042]本专利技术具有以下有益效果及优点：
[0043]1.本专利技术采用空间协方差矩阵来表征运动想象脑电信号的特征，仅仅采用带通滤波器作为信号预处理，避免了空间滤波、时频滤波等复杂的预处理计算。
[0044]2.本专利技术是天然的多类别脑电信号识别方法，对于同时识别多个类别的脑电信号，无需像传统支持向量机等方法采用一对一或一对剩余等策略将多类别脑电信号识别问题分解为多个二分类识别问题，再采用投票的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于黎曼空间量化的多类别运动想象脑电信号识别方法，其特征在于，包括以下步骤：采集不同运动想象任务的脑电信号；获取脑电信号的协方差矩阵，形成样本空间；将协方差矩阵看作黎曼对称空间中的点，采用对数欧式距离来度量黎曼对称空间中两点之间的距离；基于对数欧式距离，建立对数欧式度量学习距离函数利用对数欧式度量学习距离函数，建立量化学习代价函数；通过随机梯度下降方法最小化量化学习代价函数，计算原型对应的黎曼梯度，建立原型的学习规则，计算对数欧式度量学习距离函数参数Q的梯度，建立Q的学习规则；利用赢者全拿规则，输出待识别脑电信号的识别结果。2.根据权利要求1所述的基于黎曼空间量化的多类别运动想象脑电信号识别方法，其特征在于，所述运动想象任务包括：想象左手运动、想象右手运动、想象脚部运动、想象舌头运动中至少一种。3.根据权利要求1所述的基于黎曼空间量化的多类别运动想象脑电信号识别方法，其特征在于，所述对数欧式度量学习距离函数为：其中X
i
和X
j
表示黎曼空间中任意两点，log表示的是矩阵对数，其计算通过对作为训练样本的协方差矩阵X
i
做特征分解X
i
＝Vdiag(λ1，...，λ
n
)V
T
，其中λ1，...，λ
n
是X
i
的特征值，i，j＝1，...，m，diag(λ1，...，λ
n
)表示构造一个对角线元素为参数λ1，...，λ
n
的对角阵，V为n
×
n方阵，n表示采集脑电信号所用的电极个数，X
i
的矩阵对数计算为logX
i
＝Vdiag(log(λ1)，...，log(λ
n
))V
T
，Tr为矩阵主对角线元素之和。4.根据权利要求1所述的基于黎曼空间量化的多类别运动想象脑电信号识别方法，其特征在于，所述的量化学习代价函数E(W)为：特征在于，所述的量化学习代价函数E(W)为：其中，原型W表示需要从训练样本中学习的对于不同运动想象动作协方差矩阵具有代表性的模型参数；W
J
表示离训练样本X
i
最近的与X
i
具有相同标签的原型，这里称为正确原型；W
K
表示离训练样本X
i
最近的与X
i
具有不同标签的原型，这里称为错误原型；Φ(
·
)是单调递增的尺度函数，采用逻辑函数Φ(x)＝1/(1+e-x
)。5.根据权利要求1所述的基于黎曼空间量...

【专利技术属性】
技术研发人员：唐凤珍，于海斌，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：