一种基于黎曼空间的运动想象脑电意图分类方法技术

本申请涉及数据分类方法领域，公开了一种基于黎曼空间的运动想象脑电意图分类方法，包括步骤：

【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宽
、
各个模态分量的中心频率
、
相关性系数
。
然而变分经验模态分解
(Variational Mode Decomposition,VMD)
算法也存在固有缺陷，即需要预先定义模态数
K
和惩罚因子
α
。
当
K
和
α
设置不合理时，可能会出现模态混叠或者引发边界效应，严重影响信号分解效果
。
人工手动设置
K
和
α
参数值的方式不仅费时费力
、
难以找到最优参数值，而且难以应用于实际系统
。
[0004]VMD
算法实现过程中还存在参数赋值困难的问题
。
王宏旭等
(
长春理工大学学报
(
自然科学版
),2021)
提出小波去噪的原理是将小波进行分解，再对小波进行多尺度变换，尽可能提取有用的脑电信号
。
然后再根据波恩脑电信号特征和噪声特点，选择合适的去噪模型，利用贝叶斯估计后的系数进行小波重构，从而得到去噪后的脑电信号
。
然而，小波去噪的效果与所选择的小波基函数密切相关
。
不同的小波基函数对信号的特征提取能力不同，因此需要根据具体应用场景和信号特点选择合适的小波基函数，这需要一定的经验或试验
。
且小波去噪通常会通过滤波来减少信号中的高频噪声成分，但这也可能导致一些有用的高频细节被丢失
。
在某些应用中，保留细节信息可能是很重要的，因此需要在去噪过程中平衡信号平滑性和细节保留之间的权衡；小波去噪通常需要调节一些参数，如阈值大小
、
阈值类型等
。
不同的参数设置可能会导致不同的去噪效果，但调节这些参数并不总是直观和简单的
。
对于复杂的信号或噪声环境，找到最佳参数设置可能需要大量的试验和优化；小波去噪在信号的边界处可能会引入边界效应，导致去噪后的信号出现不连续或失真
。
这是因为小波变换是基于局部窗口来进行的，而边界处的窗口可能无法完全包含信号的全部特征，从而引起处理不准确或者产生伪像；小波去噪的计算复杂性较高，尤其是对于长时间序列或高维信号
。
在实时应用或者资源有限的系统中，需要考虑计算复杂性对实时性和效率的影响
。
[0005]另外，目前常见的运动想象脑电信号
(Motor Imagery EEG,MI
‑
EEG)
四分类任务分
类器存在分类准确率低
、
而深度学习方法所需要的模型训练时间较长的问题
。
李红利等
(
中国医学物理学杂志
,2022)
提出
WMFF
和
CMFF
方法，
WMFF
方法基于
EEGNet
的基础改进而来，
EEGNet
是一种浅层神经网络，引入了深度卷积和可分离卷积，有效降低了网络参数，
WMFF
模型分为时间卷积层
、
深度卷积层和可分离卷积层3部分，
CMFF
网络融合了
CNN
和
LSTM
两种不同的模型，分别提取中间层特征，其提出的
WMFF
和
CMFF
脑电信号四分类平均分类准确率分别达到
76.19
％和
80.46
％
。Azab A M
等
(IEEE Transactions on Neural Systems and Rehabilitation Engineering,2019)
提出基于有监督加权逻辑回归的迁移学习方法将正则化参数添加到分类器的目标函数中，以使分类参数尽可能接近其他相似被试的分类参数，取得
75.6
％的平均分类准确率
。

技术实现思路

[0006]针对现有技术存在的上述不足，本专利技术的目的在于提供一种基于黎曼空间的运动想象脑电意图分类方法
。
[0007]为实现以上目的，本专利技术采用如下技术方案：
[0008]一种基于黎曼空间的运动想象脑电意图分类方法，包括以下步骤：
[0009]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；
[0010]S2.
对数据进行预处理；
[0011]S3.
采用
VMD
效果定量评价指标作为饥饿游戏搜索算法
(HGS)
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
[0012]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...

【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：