一种基于ErrP的运动想象算法在线自适应方法技术

本发明专利技术涉及一种基于ErrP的运动想象算法在线自适应方法，用于解决MI脑机接口系统识别算法在线分类准确率的问题。本发明专利技术方法通过检测ErrP对MI在线识别结果校正，从而生成MI试次的伪标签，并将带标签的在线MI脑电数据用于其识别算法的在线自适应，通过在线自适应的方法提高MI识别算法在线准确率。本发明专利技术利用ErrP脑电信号对MI识别算法进行在线自适应训练，而因ErrP脑电信号自身平稳性强，且分类准确率高，因此提高了MI分类器的在线分类准确性，从而在使用者不同状态下都能保持MI

【技术实现步骤摘要】
一种基于ErrP的运动想象算法在线自适应方法


[0001]本专利技术涉及脑
‑
机接口
，具体涉及基于错误相关电位(Error Related Potential，ErrP)的运动想象(Motor Imagery，MI)算法在线自适应方法。

技术介绍

[0002]MI(Motor Imagery，运动想象)是不进行实际肢体运动而通过脑自发地调节相应神经中枢区域想象肢体运动的一种脑活动。运动想象时可在同侧脑区产生事件相关同步(Event Related Synchronization，ERS)电位，在对侧脑区产生事件相关去同步(Event Related Desynchronization，ERD)电位，统称运动想象(Motor Imagery，MI)脑信号。
[0003]由于MI信号是人主动调节脑活动产生，其不具有像SSVEP、P300等信号的锁时性，其信号特征产生时间、特征强度、时空分布规律等受着较多因素的影响，如使用者的疲劳状态、情绪状态、环境噪声等，这造成了MI信号的高度非平稳性，同一使用者在不同时间内MI特征存在差异。同时，由于使用者之间在脑褶皱结构、运动功能记忆等方面存在差异，使得在MI信号特征在使用者之间也大不相同。上述问题对MI在线识别产生了极大的不利影响，在离线测试的分类准确率达到90％的情况下，其平均在线分类准确率可能只有60％
‑
70％，甚至更低。因此，如何在在线系统中保持MI的识别准确率，成为了一个需要解决的问题。

技术实现思路

[0004]为了解决MI脑机接口系统识别算法在线分类准确率低的问题，本专利技术的目的在于提供一种MI识别算法的在线自适应方法，通过检测ErrP脑电信号在线生成MI试次的伪标签，并将带标签的在线MI脑电数据用于其识别算法的在线自适应，通过在线自适应的方法提高MI识别算法在线分类准确率。本专利技术利用ErrP脑电信号对MI识别算法进行在线自适应训练，而因ErrP脑电信号自身平稳性强，且分类准确率高，因此提高了MI分类器的在线分类准确性，从而提升了MI
‑
BCI系统的在线应用性能，推进了其在临床、控制等方面的应用，具有重要的理论研究和实际应用价值。
[0005]为了实现上述目的，本专利技术的技术方案如下。
[0006]一方面，本专利技术提出了一种基于ErrP的运动想象算法在线自适应方法，所述方法包括下述步骤：
[0007]获取带标签的运动想象数据样本集EM，样本集EM中有s个被试者；
[0008]获得带标签的运动想象数据样本集EMs和其对应的ErrP脑电数据样本集EE，样本集EMs和样本集EE为使用者SN的数据；
[0009]基于运动想象数据样本集EM与EMs，训练MI分类器；
[0010]基于ErrP脑电数据样本集EE，训练ErrP识别器；
[0011]将使用者SN的在线运动想象数据使用训练好的MI分类器分类识别，获得在线运动想象数据对应的ErrP脑电数据，并用训练好的ErrP识别器进行ErrP脑电信号识别；
[0012]基于ErrP脑电信号识别，确定在线运动想象数据的最终分类识别结果；
[0013]将最终识别结果作为在线运动想象数据的标签，将该带标签的运动想象数据加入到样本集EMs中构成新的样本集EMs，并用样本集EM和新的样本集EMs对MI分类器进行在线自适应训练，以获得更新的MI分类器。
[0014]上述技术方案针对传统的单模态MI
‑
BCI由于信号非平稳性强导致的分类器在线分类准确率低的问题，利用ErrP脑电信号对MI分类器的分类结果进行校正，得到在线MI脑电数据的伪标签作为数据样本，并将所得数据样本与原训练数据融合后重新训练MI分类器，可以将当前MI特征融入分类器，达到MI分类器的在线自适应，而由于ErrP脑电信号自身平稳性强，且分类准确率高，因此可提升分类器的在线分类能力，从而有效解决了由于受被试疲劳、生理、情绪状态等原因所造成的当前数据特征与训练数据特征不匹配的问题。
[0015]在上述技术方案中，基于运动想象数据样本集EM与EMs，训练MI分类器，包括下述步骤：
[0016]将运动想象数据样本集EM与EMs，均依次经带通滤波处理和去线性趋势处理，分别得到样本集EM2与EMs2；
[0017]基于样本集EM2与EMs2，通过设定正则化参数，计算P个正则化平均协方差矩阵其中：c＝{1，2}，1表示左手运动想象，2表示右手运动想象；
[0018]对每个正则化平均协方差矩阵计算正则化共空间模式的模式提取投影矩阵取其前a列与最后a列构建一个n
×
Q维矩阵即为最终投影矩阵，其中Q＝2a，从而得到P个不同的最终投影矩阵组
[0019]以样本集EMs2为训练集，利用最终投影矩阵组进行特征提取后并求其对数方差，得到N1组Q维特征向量组p＝1，2，
…
，P；
[0020]将每个样本的所有与其标签输入支持向量机进行训练，得到MI分类器。
[0021]在上述技术方案中，一种正则化平均协方差矩阵的计算方式如下：
[0022][0023]其中：
[0024]I为n维单位矩阵，0≤β≤1，0≤γ≤1，β、γ为正则化参数，S
c
为基于样本集EM2求得的协方差矩阵之和，为基于样本集EMs2求得的协方差矩阵之和，N0为样本集EM中每个被试者的样本个数，N1为样本集EMs的样本个数，s为样本集EM中包含的被试者数目。
[0025]在上述技术方案中，基于ErrP脑电数据样本集EE，训练ErrP识别器，包括：
[0026]将ErrP脑电数据样本集EE进行滤波，并在滤波后在全通道上进行共平均参考处理，得到处理后的ErrP脑电数据样本集EE2；
[0027]对ErrP脑电数据样本EE2进行特征提取，筛选出特征最显著的一个或多个通道组，并确定提取分类特征的时间段组；
[0028]利用提取分类特征的时间段组确定ErrP识别器的超参；
[0029]用时间窗平均方法提取筛选出的一个或多个通道组的特征，对确定超参的线性判
别分析或SVM两个分类器，采用交叉验证的方式，选出最优的分类器作为ErrP识别器。
[0030]在上述技术方案中，一种获取带标签的运动想象数据样本集EMs对应的ErrP脑电数据样本集EE的实施方式如下，包括：
[0031]以设置的准确率对运动想象数据样本按标签输出分类结果，并以图形化表示分类结果，若图形化分类结果与标签一致时为正确类，不一致时为错误类；
[0032]当使用者注释图形化分类结果时，在错误类发生的情况下使用者被诱发出错误相关电位ErrP，正确类发生时不产生ErrP，将二者均作为ErrP脑电信号；
[0033]通过采集器获得使用者产生的脑电信号，并进行在线截取，以图形化输出开始时刻为0时刻，截取时间为设定值，从而获得ErrP脑电数据样本。
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ErrP的运动想象算法在线自适应方法，其特征在于，所述方法包括下述步骤：获取带标签的运动想象数据样本集EM，样本集EM中有s个被试者；获得带标签的运动想象数据样本集EMs和其对应的ErrP脑电数据样本集EE，样本集EMs和样本集EE为使用者SN的数据；基于运动想象数据样本集EM与EMs，训练MI分类器；基于ErrP脑电数据样本集EE，训练ErrP识别器；将使用者SN的在线运动想象数据使用训练好的MI分类器分类识别，获得在线运动想象数据对应的ErrP脑电数据，并用训练好的ErrP识别器进行ErrP脑电信号识别；基于ErrP脑电信号识别，确定在线运动想象数据的最终分类识别结果；将最终识别结果作为在线运动想象数据的标签，将该带标签的运动想象数据加入到样本集EMs中构成新的样本集EMs，并用样本集EM和新的样本集EMs对MI分类器进行在线自适应训练，以获得更新的MI分类器。2.根据权利要求1所述的方法，其特征在于，基于运动想象数据样本集EM与EMs，训练MI分类器，包括下述步骤：将运动想象数据样本集EM与EMs，均依次经带通滤波处理和去线性趋势处理，分别得到样本集EM2与EMs2；基于样本集EM2与EMs2，通过设定正则化参数，计算P个正则化平均协方差矩阵其中：c＝{1，2}，1表示左手运动想象，2表示右手运动想象；对每个正则化平均协方差矩阵计算正则化共空间模式的模式提取投影矩阵取其前a列与最后a列构建一个n
×
Q维矩阵即为最终投影矩阵，其中Q＝2a，从而得到P个不同的最终投影矩阵组以样本集EMs2为训练集，利用最终投影矩阵组进行特征提取后并求其对数方差，得到N1组Q维特征向量组得到N1组Q维特征向量组将每个样本的所有与其标签输入支持向量机进行训练，得到MI分类器。3.根据权利要求2所述的方法，其特征在于，正则化平均协方差矩阵3.根据权利要求2所述的方法，其特征在于，正则化平均协方差矩阵其中：I为n维单位矩阵，0≤β≤1，0≤γ≤1，β、γ为正则化参数，S
c
为基于样本集EM2求得的协方差矩阵之和，为基于样本集EMs2求得的协方差矩阵之和，N0为样本集EM中每个被试的样本个数，N1为样本集EMs的样本个数，s为样本集EM中包含的被试者数目。4.根据权利要求1所述的方法，其特征在于，基于ErrP脑电数据样本集EE，训练ErrP识别器，包括：将ErrP脑电数据样本集EE进行滤波，并在滤波后在全通道上进行共平均参考处理，得
到处理后的ErrP脑电数据样本集EE2；对ErrP脑电数据样本EE2进行特征提取，筛选出特征最显著的一个或多个通道组，并确定提取分类特征的时间段组；利用提取分类特征的时间段组确定ErrP识别器的超参；用时间窗平均方法提取筛选出的一个或多个通道组的特征，对确定超参的线性判别分析或SVM两个分类器，采用交叉验证的方式，选出最优的分类器作为ErrP识别器。5.根据权利要求4所述的方法，其特征在于，获取带标签的运动想象数据样本集EMs对应的ErrP脑电...

【专利技术属性】
技术研发人员：陶唐飞，贾亚光，徐光华，陈瑞泉，高钰翔，郑小伟，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：