【技术实现步骤摘要】
一种基于黎曼空间的运动想象脑电意图分类方法
[0001]本申请涉及数据分类方法领域,具体涉及一种基于黎曼空间的运动想象脑电意图分类方法
。
技术介绍
[0002]运动想象
(Motor Imagination,MI)
,是指由人脑想象某一部分肢体运动,但实际上并不进行肢体运动的过程
。
更确切地说,
MI
指的是在大脑中想象某种躯干动作的整个流程,但在这期间内,却没有躯干的运动,仅靠运动的记忆激活大脑中对应躯干的运动区域
。
人体大脑在进行
MI
活动的过程中,会对神经元进行刺激,从而产生一系列的电信号
。
对上述电信号进行采集,就可以得到常说的脑电信号
(Electroencephalogram,EEG)。
对运动想象脑电信号
(Motor Imagery EEG,MI
‑
EEG)
进行预处理
、
特征提取
、
特征分类后转换为计算机指令就可以得到基于
MI
‑
EEG
的脑机接口,完成操纵智能轮椅
、
双臂机器人
、
控制无人机
、
驾驶虚拟汽车等任务
。
[0003]张瑞林等
(
光学学报
,2022)
提出一种基于变分模态分解和小波阈值函数复合算法的二次谐波降噪方法,对变分模态的定量评价指标为模态的带
【技术保护点】
【技术特征摘要】
1.
一种基于黎曼空间的运动想象脑电意图分类方法,其特征在于,包括以下步骤:
S1.
获取模型需要的运动想象脑电信号,对运动想象脑电信号样本进行取帧;
S2.
对数据进行预处理;
S3.
采用
VMD
效果定量评价指标作为饥饿游戏搜索算法的适应度函数,对
VMD
算法进行参数自适应优化;所述
VMD
效果定量评价指标包括
VMD
分解后的归一化残差功率
P
res
、
模态分量
u
k
的最小包络熵
min(E
p
)、
相邻模态分量
u
k
的中心频率之差
S4.
预处理后的运动想象脑电信号采用自适应去噪算法进行处理,具体为,先使用步骤
S3
中自适应优化后的
VMD
算法进行分解,对其含噪分量使用独立成分分析算法进行去噪;再进行
ICA
逆变换,重构运动想象脑电信号,完成去噪步骤;
S5.
采用黎曼空间内的数据裁剪算法对黎曼最小距离平均场分类器进行优化,将步骤
S4
中得到的去噪后运动想象脑电信号作为该算法的输入,得到分类结果;
S6.
分类结果转换为控制信号,作为下位机的输入
。2.
根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法,其特征在于,所述步骤
S2
中,预处理包括插值操作
、
共空间模式
、8
‑
30Hz
带通滤波
、
手动添加高斯白噪声
。3.
根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法,其特征在于,式中,
V
res
(i)
为残差信号第
i
个采样点的幅值;
N
为采样点个数;为双曲正切函数,用于将残差信号的功率进行归一化;式中,
h
k
是
VMD
分解后得到的模态分量
u
k
经过
Hilbert
解调后得到的包络信号;
ε
k
(i)
是通过计算
u
k
的归一化得到的概率分布序列;
E
p
(k)
为第
k
个模态分量的包络熵;式中,
k
=
1,
…
,K
表示第
k
个模态分量;为第
k
个模态分量与第
k
‑1个模态分量中心频率之差的归一化值,
f
C
(k)
为第
k
个模态分量中心频率,为常用的一种归一化函数,用于将模态分量的中心频率差进行归一化;式中,
λ
∈[0,+∞]
为
E
p
(k)
与
P
res
的平衡系数
。4.
根据权利要求3所述的基于黎曼空间的运动想象脑电意图分类方法,其特征在于,取
λ
=
0.2。5.
根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法,其特征在于,所
述自适应...
【专利技术属性】
技术研发人员:李远成,张永高,田志鹏,郭莉,汪梅,曹非,闫新,
申请(专利权)人:西安科技大学,
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。