一种基于深度置信网络的非完整运动想象脑电解码方法技术

本发明专利技术涉及一种基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述方法包括五部分过程：1)运动想象脑电信号采集；2)信号预处理过程；3)非完整EEG构造过程；4)特征提取过程；5)识别分类过程。本发明专利技术针对运动想象脑电在采集过程中出现数据丢失或极大干扰噪声情况，构造非完整运动想象脑电数据集并提取频带功率谱特征，利用深度置信神经网络对非完整运动想象脑电进行识别分类，在保证分类精度前提下有效提高脑电解码的鲁棒性与抗干扰性，为脑

【技术实现步骤摘要】
一种基于深度置信网络的非完整运动想象脑电解码方法


[0001]本专利技术涉及生物信号识别、脑机接口
，具体涉及一种基于深度置信网络的非完整运动想象脑电解码方法。

技术介绍

[0002]脑
‑
机接口(Brain
‑
Computer Interface，BCI)是一种与人的思维意图相关的新型人机交互控制系统，广泛应用于神经假肢、智能轮椅、外骨骼机器人、意念打字等领域。相比于诱发式BCI技术，自发式BCI技术更能反映使用者的真实意图，在神经康复辅助、机器人交互控制等方面具有独一无二的优势，其中基于运动想象脑电(Electroencephalography,EEG)的BCI系统正逐渐成为当前BCI技术研究的焦点。
[0003]由于运动想象EEG的幅值微弱，易受眼电、肌电、工频干扰、运动伪迹、基线漂移等非EEG噪声影响，导致其信噪比低。传统的滤波器、独立元分析和离散小波变换等去噪方法，虽然能提升EEG的信噪比，但对于一些诸如电极脱落、电极偏移、间歇性电路故障或断线、A/D转换错误等导致EEG数据丢失以及例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，包括以下步骤：1)运动想象脑电信号采集：设计不同肢体的运动想象实验范式，采集覆盖全脑区的多通道运动想象脑电信号；2)信号预处理：利用滤波器对采集到的运动想象脑电信号进行带通滤波；3)非完整运动想象脑电构造：对滤波后的运动想象脑电信号，提取实验范式提示信息出现后设定时长的信号段，对其做滑动窗分割得到运动想象脑电信号片段，并去除数据丢失或干扰噪声信号段，构造非完整运动想象脑电数据集；4)特征提取：对非完整运动想象脑电数据集提取频带功率谱特征，组成非完整运动想象脑电特征样本集，并进行特征归一化处理；5)识别分类：利用深度置信网络对非完整运动想象脑电特征样本集进行识别分类，解码出不同的运动想象意图。2.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤1)中不同肢体的运动想象实验范式包括左手、右手和双脚三类肢体的运动想象实验范式。3.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤2)中滤波器为五阶巴特沃斯滤波器，增益为1.5。4.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤2)中带通滤波为通频带8
‑
30Hz带通滤波。5.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤3)中在实验范式提示信息出现后设定时长的信号段上做滑动窗分割，采用时间窗长1s和80％重叠的滑动窗。6.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤3)中构造非完整运动想象脑电数据集，采用信号采样点去除和信号段去除两种方式，利用高斯分布将含有数据丢失或干扰噪声大于阈值的信号段直接设置为零或NaN值，组成非完整运动想象脑电数据集，记为EEG：EEG＝{eeg
(k)
∈R
N
×
T
,k＝1,2,...,K}其中eeg
(k)
为第k个非完整运动想象脑电信号矩阵，N为通道数，T为样本采样点数，K为非完整运动想象脑电数据集信号矩阵个数...

【专利技术属性】
技术研发人员：赵新刚，褚亚奇，朱波，张道辉，
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：