【技术实现步骤摘要】
基于正反双向信息融合的脑电图数据对齐算法
[0001]本专利技术涉及脑电图
,具体为基于正反双向信息融合的脑电图数据对齐算法。
技术介绍
[0002]近年研究采用传统机器学习技术来提取运动意图相关脑电特征,存在枯燥、耗时、效率低等问题;同时,特征质量的好坏严重依赖于人工专业知识。虽然深度学习可自动从大量原始信号中提取显著特征,但高质量的大样本标记脑电数据集缺乏,严重制约其有效性。
[0003]此外,不同患者脑区的激活情况、神经元以及同一通道的时频特征分布在相同脑机接口范式下存在差异,即不同患者的事件去同步化和同步化在大脑头皮的分布以及时频特征不完全相同,因此单个数据集上表现良好的运动想象脑电信号处理算法无法有效处理不同时间段或从不同患者采集的数据。为此我们提出了基于正反双向信息融合的脑电图数据对齐算法。
技术实现思路
[0004]针对现有技术存在的上述不足,本专利技术提供了基于正反双向信息融合的脑电图数据对齐算法,有效揭示运动想象脑电信号与手部运动模式的关联性,提升不同患者运动意图鉴别的准确性。
[0005]本专利技术提供如下技术方案:基于正反双向信息融合的脑电图数据对齐算法,包括以下步骤:
[0006]S1、预处理脑电信号;
[0007]S2、构建自适应聚合功能网络图,学习不同患者脑电数据中显著时域特征和拓扑特征,并设置自适应聚合功能网络图模块,模块能捕获隐含于不同患者脑电信号中的个性化时域和拓扑特征,以及进一步对齐小样本数据,使用稀疏共空间模式选择脑电通道,并 ...
【技术保护点】
【技术特征摘要】
1.基于正反双向信息融合的脑电图数据对齐算法,其特征在于,包括以下步骤:S1、预处理脑电信号;S2、构建自适应聚合功能网络图,学习不同患者脑电数据中显著时域特征和拓扑特征,并设置自适应聚合功能网络图模块,模块能捕获隐含于不同患者脑电信号中的个性化时域和拓扑特征,以及进一步对齐小样本数据,使用稀疏共空间模式选择脑电通道,并针对最优通道集中的每个通道,构建一个独立脑功能网络层,具体如下:步骤1、采用非重叠滑动窗口分割采集的所有信号数据;步骤2、使用基于正反双向信息融合的相似性度量法,逐一衡量不同子序列的相似度,并为每条子序列选择除自身外最相似的m条子序列,具体地,基于正反双向信息融合的相似性度量法为:平稳化处理时间子序列,并计算每个子序列的相关系数CC作为正向相似性度量系数;随后,为每条子序列构建倒向随机微分方程模型(BSDE),以得到序列反向趋势特征,进而使用动态时间规整算法计算反向趋势特征间的相似性Sim_BSDE,作为反向相似性度量系数;最后,加权融合正反向相似性度量系数,得到最终的正反双向综合时序相似度指数,正反双向综合时序相似度指数(BSDE)定义为:BTSI(X,Y)=α
×
CC(X,Y)+(1
‑
α)
×
Sim_BSDE(X,Y)其中,CC(X,Y)为子序列X和Y的正向相似性度量系数,Sim_BSDE(X,Y)为X和Y的反向趋势特征相似性系数,α为自适应分配的权重;步骤3、挑选出步骤2相似子序列中重复率最高而相似性最低的前t(t≤m)条重要子序列,按时间顺序依次重连,以代替原始序列;同时,将该t条重要子序列及其在时间上的相邻关系作为该通道独立网络层的t个节点和边;步骤4、根据通道间的耦合强度,将所有通道独立网络层组合成自适应聚合功能网络图,具体如下:将各通道的独立网络层定义为聚合功能网络图的各节点,在此基础上采用基于节点的正反双向综合时序相似度指数最大化的图嵌入法自适应对齐所有独立网络层;随后,采用如下定义的平均结构相似性量化各通道独立网络层的耦合程度,并且定义为聚合功能网络图连接权重:其中,X和Y分别表示第X个和第Y个通道的独立网络层,i表示通道独立网络层的第i个节点,n表示通道独立网络层节点总数,BTSI(X,Y)
i
表示第X个和第Y个通道独立网络层的第i个节点对的正反双向综合时序相似度指数;步骤5、将聚合功能网络图转化为功能连接矩阵;步骤6、基于Wasserstein距离最小化原则,采用基于节点的图嵌入方法自适应对齐所有聚合脑功能网络图;S3、对齐样本数据;S4、利用深度学习模型提取隐含于脑电信号中的多尺度特征;S5、将运动意图分类为食指上翘、食指屈曲、五指抓握、剪...
【专利技术属性】
技术研发人员:孔祥增,吴涛,陈诗苗,赵晨,王益文,黄炜海,刘心粤,吴炜,
申请(专利权)人:厦门隆创思科技有限公司,
类型:发明
国别省市:
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。