【技术实现步骤摘要】
一种RSVP弱隐目标诱发脑电识别方法、装置及存储介质
[0001]本专利技术涉及基于事件相关电位(Event
‑
Related Potential,ERP)的脑电识别领域,尤其是涉及一种基于多频带任务相关成分匹配的RSVP弱隐目标诱发脑电识别方法、装置及存储介质。
技术介绍
[0002]基于计算机视觉的目标检测技术在警务系统的摄像头画面监控、无人自动驾驶的环境辨别、无人机的高空侦察、卫星拍摄的情报分析等高精度快速反应领域有着广泛应用。目前,基于深度学习的目标检测算法在目标识别精度和速度方面有着较强的优势。然而,对一些突发状况下具有复杂背景的、弱小且相似的目标与非目标(即弱隐目标与非目标),仍然是计算机视觉处理的短板。所以通过结合计算机与人脑的混合智能脑机接口,利用计算机的高效计算和数据分析能力处理海量的背景环境噪声较小的易区分目标,同时利用人脑的高精度分析与理解能力处理弱隐目标,形成计算机与人脑的优势互补,从而实现目标检测领域的全覆盖。其中,基于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)实验范式的脑机接口技术是实现目标搜索任务的最常用技术,通过对脑电信号的快速解码实现对目标快速准确检测与反应。
[0003]现有的RSVP诱发脑电信号的解码算法有贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis,BLDA)、滤波器组典型相关分析(Filter Bank Canonical Correlation A ...
【技术保护点】
【技术特征摘要】
1.一种基于多频带任务相关成分匹配的RSVP弱隐目标诱发脑电识别方法,其特征在于,包括以下步骤:步骤1)模板生成:步骤1
‑
1)使用N
f
个带通滤波器分别对RSVP弱隐目标诱发的训练脑电数据X
p,p={1,2}
进行频带分解,得到X
p,p={1,2}
的N
f
个频带分量其中,N
f
≥2,p=1代表目标数据,p=2代表非目标数据;步骤1
‑
2)通过任务相关成分分析对X
p,p={1,2}
的频带分量中的每一个频带分量进行计算,得到X
p,p={1,2}
的N
f
个空间滤波器并通过线性重组一生成N
f
个空间滤波器组步骤1
‑
3)使用空间滤波器组对进行空间滤波一,得到N
f
个模板并通过线性重组二生成X
p,p={1,2}
的组合模板Temp
p,p={1,2}
;步骤2)模板匹配:步骤2
‑
1)使用N
f
个带通滤波器对RSVP弱隐目标诱发的测试脑电数据样本Y进行频带分解运算,得到Y的N
f
个频带分量步骤2
‑
2)使用空间滤波器组对Y的频带分量进行空间滤波二,得到Y的N
f
个模板并通过线性重组三生成测试脑电数据的组合模板Temp
Y
;步骤2
‑
3)对组合模板Temp
p,p={1,2}
与Temp
Y
计算二维相关系数r
p,p={1,2}
,即分别计算目标数据模板Temp1与测试数据模板Temp
Y
的二维相关系数r1,以及非目标数据模板Temp2与测试数据模板Temp
Y
的二维相关系数r2,如果r1大于r2,则判定测试脑电数据属于目标脑电数据,否则,判定测试脑电数据属于非目标脑电数据,完成测试数据识别。2.根据权利要求1所述的一种基于多频带任务相关成分匹配的RSVP弱隐目标诱发脑电识别方法,其特征在于,所述步骤1
‑
1)具体为:设F
f
表示所述的带通滤波器中的第f个滤波器,F
f
的分子系数为B
f
和分母系数为A
f
;设表示训练脑电数据X
p,p={1,2}
的第f个频带分量,N
c
表示通道数,N
t
表示采样点数,N
s
表示样本数;则目标、非目标脑电数据的单个频带分量单个样本的单个通道的频带分解的计算公式为:
式中,p={1,2},f={1,2,
…
,N
f
},s={1,2,
…
,N
s
},表示训练脑电数据X
p,p={1,2}
的第f个频带分量的第s个样本的第c个通道中的第n个元素;表示训练脑电数据X
p,p={1,2}
的第s个样本的第c个通道中的第n
‑
k个元素;表示训练脑电数据X
p,p={1,2}
的第f个频带分量的第s个样本的第c个通道中的第n
‑
l个元素;n
a
是反馈滤波器阶数,n
b
是前馈滤波器阶数,为所述分子系数B
f
的第k个元素,为所述分母系数A
f
的第l个元素;依次对X
p,p={1,2}
中每个样本的每个通道进行频带分解,得到X
p,p={1,2}
的N
f
个频带分量3.根据权利要求2所述的一种基于多频带任务相关成分匹配的RSVP弱隐目标诱发脑电识别方法,其特征在于,所述步骤1
‑
2)中的任务相关成分分析的过程为:确定训练脑电数据的频带分量中的第p类样本的第f个频带分量的第s1和s2个样本之间的协方差之和以及样本间任务相关成分的线性模型的方差Var(Temp
(p,f)
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。