基于迭代学习的运动想象脑电信号分类方法技术

本发明专利技术公开了一种基于迭代学习的运动想象脑电信号分类方法，对患者进行离线训练得到带有标签的运动想象脑电信号数据集，利用空域滤波技术对预处理后的脑电信号数据进行特征提取，利用支持向量机对特征向量进行二分类，得到基础分类模型；对离线数据集进行主成分分析，建立指数加权移动平均模型并计算模型的上下限；采集患者在线训练数据，判断该组数据的主成分是否处于模型的上下限，如符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，供下次在线训练；否则丢弃这组数据，下次在线训练仍用之前的基础分类模型；重复步骤使分类模型不断融入新的在线训练数据进行迭代学习，直至数据集规模达到预期要求或患者训练计划结束。求或患者训练计划结束。求或患者训练计划结束。

【技术实现步骤摘要】
基于迭代学习的运动想象脑电信号分类方法


[0001]本专利技术属于医疗服务康复训练领域，尤其涉及一种基于迭代学习的运动想象脑电信号分类方法。

技术介绍

[0002]随着现代科学技术的发展，脑机接口技术在医疗、军事、娱乐等多个领域得到了进一步的发展。脑机接口(Brain Computer Interface，BCI)技术的目的是建立一种能够不依赖于人体肌肉的交流和控制通路，通过这一通路可以达到利用人脑与外部设备进行信息交换并进一步控制外部环境。
[0003]在医疗服务领域，可以利用BCI技术的特性给运动功能障碍患者一个与外界沟通的渠道，增强对外界的交流能力。基于运动想象(Motor Imagery，MI)的脑机接口技术可以通过人们大脑想象运动时大脑能量的变化检测出人的运动倾向。原理是因为人在实际运动之前，会在大脑的运动皮层区域出现相应的神经生理学特征，并且不同部位的运动对应着不同的大脑皮层区域，这一特征可以通过一系列脑机接口的手段采集得到，通过有效的特征提取及分类算法可以精确地预测出这一运动倾向。这种主动康复训练方法搭配相应的外骨骼康复设备可以有效地诱发脑部受损神经以及肢体运动功能的恢复，然而，由于个体生理结构和心理状态的差异，相同运动想象任务下不同被试和试次的信号差异往往相差较大。所以，这给分类模型的精度和泛化能力提出了巨大的挑战。
[0004]为了解决这个问题，常采用的方法就是用户独立型训练策略，即对单个被试独立训练一个模型。脑电信号的采集往往对被试和实验环境具有很高的要求，在病人实际的康复训练中，很难采集到有效的脑电数据。如果用小样本训练模型往往会出现欠拟合或者模型不稳定，分类效果较差。
[0005]共空间模式通过训练数据训练一个空域滤波器，使经过该空域滤波器的待分类信号，其中一类信号的方差被最大化，同时另一类信号的方差被最小化。因为对于经过带通滤波的信号其方差相当于信号功率，因此CSP滤波器对于区分事件相关同步/去同步的神经生理状态活动非常有效，可以使得运动想象之类的任务被最大限度的区分。CSP的主要思路是结合类别信息有监督地分解多组信号的协方差矩阵，找出最佳空间投影方向对输入信号进行差异化投影，将投影过信号的归一化方差作为特征向量输入到分类器。由于CSP基本忽略了信号的时频特性，只关注相对的空间特性而忽略频谱特征，因而导致CSP方法容易受到噪声和脑电信号的非平稳性影响，需要一定数量的数据集训练。要想保证分类的精度，只能增加训练周期以保证充分的数据量，而长时间的训练会使患者感到疲劳造成数据效果不佳，长此以往患者会渐渐失去兴趣和信心。因此用小样本数据快速训练出一个鲁棒性较好的模型对患者的康复训练具有重大意义。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种基于迭代学习的运
动想象脑电信号分类方法，可以用小样本数据快速训练出一个鲁棒性较好的模型。
[0007]为实现本专利技术的目的，本专利技术所采用的技术方案是：
[0008]一种基于迭代学习的运动想象脑电信号分类方法，包括步骤：
[0009]步骤1：对患者进行多次离线训练，采集脑电信号，得到带有标签的运动想象脑电信号数据集；
[0010]步骤2：对采集到的运动想象脑电信号数据集进行预处理，保存处理后的脑电信号数据集；
[0011]步骤3：利用空域滤波技术对预处理后的脑电信号数据进行特征提取，按照标签将其中一类信号的方差最大化，同时将另一类信号的方差最小化，找出最佳空间投影方向对输入脑电信号进行差异化投影，并计算归一化方差作为特征向量；
[0012]步骤4：利用支持向量机对特征向量进行二分类，从而得到基础分类模型；
[0013]步骤5：对离线数据集进行主成分分析，建立基于指数加权移动平均模型并计算模型的上下限，用于评估在线训练数据的协变量偏移；
[0014]步骤6：采集患者在线训练数据，判断该组在线训练数据的主成分是否处于模型的上下限，如果符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，以供下次在线训练；否则丢弃这组数据开始下一次测试，下次在线训练仍用之前的基础分类模型；
[0015]步骤7：利用基础分类模型对在线训练数据分类，根据预测值控制外骨骼的运动；
[0016]步骤8：重复步骤6和步骤7，使分类模型不断融入新的在线训练数据迭代学习，直至模型数据集规模达到预期要求或者患者训练计划结束。
[0017]进一步地，步骤1中，患者进行不同的运动想象，不同的想象类型的任务带有不同的标签。
[0018]进一步地，步骤2中，采用巴特霍斯带阻滤波器滤除48
‑
52Hz的工频干扰，再利用巴特霍斯带通滤波器进行滤波得到5
‑
30Hz的脑电信号，保存滤波处理后的脑电信号数据集。
[0019]进一步地，步骤3中，利用空域滤波技术进行特征提取的具体过程：
[0020](3.1)首先计算运动想象脑电信号的归一化协方差矩阵R1和R2，其中，R
i
(i＝1,2)分别为想象类型任务1、2的协方差矩阵；然后计算混合空间协方差矩阵R：
[0021](3.2)对混合空间协方差矩阵R进行特征值分解：R＝UλU
T
，其中，U是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵；然后将特征值进行降序排列，得到白化矩阵P：
[0022](3.3)对R1和R2进行变换得到：S1＝PR1P
T
，S2＝PR2P
T
；然后对S1和S2做主分量分解得到：通过上述式子证明矩阵S1的特征向量矩阵和矩阵S2的特征向量矩阵是相等的，即：B1＝B2＝B；
[0023](3.4)与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即两类矩阵的特征值相加总是为1，则S1的最大特征值所对应的特征向量使S2有最小的特征值，反之亦然；白化矩阵到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的，则最佳空间投影矩阵W为：W＝B
T
P；
[0024](3.5)原始信号X经过空间滤波后得到滤波信号Z＝WX，再计算滤波信号的归一化
方差作为特征向量A。
[0025]进一步地，步骤4中，利用支持向量机对提取的特征向量进行二分类的过程为：
[0026](4.1)构建最优分类面目标函数；
[0027]设分类面的方程为x
·
ω+b＝0，则在d维空间中使线性可分的样本集(x
i
,y
i
),i＝1,
…
,n,x∈R
d
,y
i
∈{+1,
‑
1}满足：y
i
(ω
·
x
i
+b)
‑
1≥0,i＝1,
…
,n；满足上式且使最小的分类线称为最优分类线，在线性不可分的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迭代学习的运动想象脑电信号分类方法，其特征在于，包括步骤：步骤1：对患者进行多次离线训练，采集脑电信号，得到带有标签的运动想象脑电信号数据集；步骤2：对采集到的运动想象脑电信号数据集进行预处理，保存处理后的脑电信号数据集；步骤3：利用空域滤波技术对预处理后的脑电信号数据进行特征提取，按照标签将其中一类信号的方差最大化，同时将另一类信号的方差最小化，找出最佳空间投影方向对输入脑电信号进行差异化投影，并计算归一化方差作为特征向量；步骤4：利用支持向量机对特征向量进行二分类，从而得到基础分类模型；步骤5：对离线数据集进行主成分分析，建立基于指数加权移动平均模型并计算模型的上下限，用于评估在线训练数据的协变量偏移；步骤6：采集患者在线训练数据，判断该组在线训练数据的主成分是否处于模型的上下限，如果符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，以供下次在线训练；否则丢弃这组数据开始下一次测试，下次在线训练仍用之前的基础分类模型；步骤7：利用基础分类模型对在线训练数据分类，根据预测值控制外骨骼的运动；步骤8：重复步骤6和步骤7，使分类模型不断融入新的在线训练数据迭代学习，直至模型数据集规模达到预期要求或者患者训练计划结束。2.根据权利要求1所述的基于迭代学习的运动想象脑电信号分类方法，其特征在于，步骤1中，患者进行不同的运动想象，不同的想象类型的任务带有不同的标签。3.根据权利要求1所述的基于迭代学习的运动想象脑电信号分类方法，其特征在于，步骤2中，采用巴特霍斯带阻滤波器滤除48
‑
52Hz的工频干扰，再利用巴特霍斯带通滤波器进行滤波得到5
‑
30Hz的脑电信号，保存滤波处理后的脑电信号数据集。4.根据权利要求1所述的基于迭代学习的运动想象脑电信号分类方法，其特征在于，步骤3中，利用空域滤波技术进行特征提取的具体过程：（3.1）首先计算运动想象脑电信号的归一化协方差矩阵和，其中，分别为想象类型任务1、2的协方差矩阵；然后计算混合空间协方差矩阵R：；（3.2）对混合空间协方差矩阵R进行特征值分解：，其中，U是矩阵的特征向量矩阵，是对应的特征值构成的对角阵；然后将特征值进行降序排列，得到白化矩阵P：；（3.3）对和进行变换得到：，；然后对和做主分量分解得到：；通过上述式子证明矩阵的特征向量矩阵...

【专利技术属性】
技术研发人员：申留军，金晶，王薇，李迎新，
申请(专利权)人：上海术理智能科技有限公司，
类型：发明
国别省市：