基于概率学习黎曼空间量化的运动想象脑电信号识别方法技术

本发明专利技术提供了一种基于概率黎曼学习空间量化的运动想象脑电信号识别方法，将脑电信号用空间协方差矩阵来表示，将空间协方差矩阵看作黎曼空间中的点，采用黎曼仿射不变距离计算点间的距离；利用该黎曼距离建立数据的类高斯混合模型，以此构建概率学习黎曼空间量化方法，采用贝叶斯理论为各类别脑电信号学习若干个带标签的原型，并学习类高斯混合函数中的方差参数；采用最大后验概率的方法进行最终的识别，将待识别样本的最大后验概率所对应的标签预测为该样本的类别。本发明专利技术采用空间协方差矩阵作为输入特征，避免复杂的脑电信号预处理计算；不需要大量的学习样本并且能够产生概率输出，有助于建立性能稳定的脑机接口系统。有助于建立性能稳定的脑机接口系统。有助于建立性能稳定的脑机接口系统。

【技术实现步骤摘要】
基于概率学习黎曼空间量化的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
，具体说是一种采用仿射不变黎曼距离的基于概率学习矢量量化的运动想象脑电信号识别方法。

技术介绍

[0002]脑机接口，是人脑与外部设备间建立的直接连接通路，在神经康复以及智能人机融合等众多领域有着广泛的应用前景，其核心技术是脑电信号的解码工作。运动想象脑电信号是一种自发性脑电，无需外界刺激，只需通过想象运动即可实现。因为这种技术的简单灵活、无创等特点，运动想象脑机接口技术受到众多研究者的青睐。但由于其具有非平稳性，信号微弱噪声干扰大、数据量少等缺点，运动想象脑电信号的解码工作还是具有一定的挑战。
[0003]运动想象脑电信号的二阶统计信息包含大脑的可分信息，而协方差矩阵是脑电信号中最常用的二阶统计特征。脑电信号的协方差矩阵特征很容易从脑电信号中提取出。协方差矩阵特征组成对称正定矩阵空间。赋予该空间一个黎曼测度，该对称正定矩阵空间将成为一个弯曲的黎曼流形。目前采用协方差矩阵作为特征输入，基于黎曼空间的学习方法是最具前景运动想象脑电信号解码方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于概率学习黎曼空间量化的运动想象脑电信号的识别方法，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，采用黎曼仿射不变距离度量黎曼对称空间中两点的距离；利用黎曼仿射不变距离为协方差矩阵建立类高斯混合模型，建立似然函数，进而得到概率学习黎曼空间量化方法的代价函数；通过随机梯度下降方法最小化代价函数，计算原型对应的黎曼梯度，建立原型学习规则，计算方差参数的梯度，建立方差参数的学习规则；采用最大后验概率方法，输出待预测脑电信号的类别。2.根据权利要求1所述的基于概率学习黎曼空间量化的运动想象脑电信号识别方法，其特征在于，所述的运动想象任务包括：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所述的基于概率学习黎曼空间量化的运动想象脑电信号识别方法，其特征在于，所述的黎曼仿射不变距离为：其中，X1、X2表示黎曼对称空间中任意两点，||
·
||
F
为Frobenius范数，β
i
是X1‑1X2的第i个特征值，i＝1，...，n；n为脑电信号的通道个数。4.根据权利要求1所述的基于概率学习黎曼空间量化的运动想象脑电信号识别方法，其特征在于，所述的类高斯混合模型为：其中，C为类别的个数，p(X|W)表示数据的分布，W表示一组带标签的原型，即W
j
表示从训练样本中学习的具有代表性的模型参数，c
j
为W
j
的类别；P(j)是表示协方差矩阵X由类高斯混合模型的第j个成分生成的概率；p(X|j)表示类高斯混合模型中第j成分生成数据X的概率，即合模型中第j成分生成数据X的概率，即σ2＞0为方差参数，δ2(X，W
j
)是X和W
j
之间的仿射不变黎曼距离的平方。5.根据权利要求1所述的基于概率学习黎曼空间量化的运动想象脑电信号识别方法，其特征在于，所述似然函数为：
其中，p(y
i
...

【专利技术属性】
技术研发人员：唐凤珍，冯海峰，
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：