本发明专利技术涉及一种用于控制意图识别的脑电和眼电信号决策融合方法。本发明专利技术方法首先提取预处理后EEG的相对小波包能量作为其运动想象特征；其次提取预处理后EOG的典型变量作为其运动想象特征；然后基于EEG的运动想象特征，应用所构建的状态分类器，获取状态分类结果；基于EOG的运动想象特征，应用所构建的运动想象多类分类器，获得运动想象分类结果；最后利用基于EEG信号获得的状态分类结果，及基于EOG获得的运动想象分类结果进行决策融合，获得运动想象所表征控制意图的识别结果。本发明专利技术能有效解决与控制意图无关的眼动对控制意图识别结果造成的干扰，可提高运动想象识别的准确率和控制意图信息的可靠性。
【技术实现步骤摘要】
本专利技术属于生物电信号处理领域，涉及脑电和眼电信号的处理方法，具体是一种。。
技术介绍
由于疾病、事故或衰老导致肢体运动功能严重缺失或衰退的重度残疾人，无法使用操纵杆、触摸屏等传统人机接口使用电动轮椅、假肢等康复辅具，迫切需要能读懂人的意图、可自然和谐地进行人机交互的智能型人机接口实现对康复辅具的控制，扩展活动范围， 提高生活质量。康复辅具要能智能化地为人类服务，其人机接口系统必须能准确感知使用者的多种控制意图。考虑到该类严重运动功能障碍患者中的大多数人仍具有正常的大脑功能，从人体运动的源头出发，采集大脑运动想象思维所引发的脑电信号(electroenc印halogranuEEG) 进行分析识别，感知大脑对肢体动作的控制意图，再将其转换为康复辅具的控制指令，进而控制康复辅具帮助严重运动功能障碍患者实现自主的意愿，这种方法的可行性正受到相关研究机构及科研人员的广泛关注。尽管基于运动想象脑电信号对多类控制意图进行分类识别，能达到的准确率仅为50%左右，无法满足康复辅具等实际应用的需要，但就主感觉运动区头皮脑电电极记录的EEG进行分析识别，判断康复辅具使用者是处于通过运动想象表达控制意图的“控制”状态，还是处于其它“非控制”状态，其在线识别正确率可达到90%以上。注意到残疾人在进行康复辅具操控动作的想象时，与实际进行康复辅具操控时一样，会引发眼睛产生与想象内容密切相关的动作。例如想象手控制操纵杆让轮椅驶向某个目标位置时，眼睛也会自然转而注视该目标位置。伴随运动思维的眼部动作所引发的眼电信号(electro-oculogram，E0G)，同样包含对识别控制意图有益的信息。而且眼电信号的产生机理清楚，与脑电信号相比具有较高的信噪比，眼电信号的多模式识别正确率可达到 90%以上。但人的眼睛通常都会注视着某个方向，或是随机转动。在人没有进行运动想象思维时，同样有可能产生与运动想象过程中一样的眼部动作。若仅基于眼电信号进行运动想象多模式识别，则与运动意识无关的眼部动作也可能导致某种运动想象模式识别结果的产生，从而造成控制意图的错误识别。综上所述，基于同一运动想象过程引发的EEG和EOG信号从不同方面反映了人的控制意图，但基于单一 EEG或EOG进行运动想象多模式识别，获知辅具使用者控制意图的方法存在识别正确率低，可靠性差的问题。
技术实现思路
本专利技术针对上述问题，基于同一运动想象过程引发的EEG和EOG信号，利用信息融合技术，进行运动想象多模式识别，提高其识别的准确性和鲁棒性，从而使康复辅具能够更加准确、可靠地感知使用者的多种控制意图，为康复辅具智能化地服务残疾人提供一种新型的可选方式。本专利技术方法包括五个步骤(1)提取预处理后EEG的相对小波包能量作为其运动想象特征；(2)提取预处理后EOG的典型变量作为其运动想象特征；(3)基于EEG的运动想象特征，应用所构建的“控制” / “非控制”状态分类器，获取状态分类结果；(4)基于EOG的运动想象特征，应用所构建的运动想象多类分类器，获得运动想象分类结果；( 利用基于 EEG信号获得的“控制” / “非控制”状态分类结果，及基于EOG获得的运动想象分类结果进行决策融合，获得运动想象所表征控制意图的识别结果。下面对上述五个步骤逐一介绍。步骤1.提取预处理后EEG的相对小波包能量作为其运动想象特征。用小波包变换对预处理后的脑电信号进行分解与重构，得到各种节律波所对应的相对小波包能量，并联接为特征向量。所采集的各路EEG是定长的一维时间序列，记为{x(i)，i = 1，2…H}，连续取1个样点\ = ，分解成Q层，则整个信号空间被分成了 2Q个子空间。第η个子空间的子信号可由=彳)重构，其中化《为小波系数，l>j,k(t)}为小波函数。分别定义每个子空间的相对小波包能量PnPn = En/E (1)其中& =ZK7I2为在每个子空间的重构信号的能量&，￡ = 1&代表整个信号的kη能量。从计算原理可以看出，相对小波包能量Pn是信号能量在各个子空间的概率分布，与信号的量级无关，可作为模式识别的有效特征。分别计算所采集每一路EEG的各子空间对应的相对小波包能量，并联接为特征向量。再用各路EEG的相对小波包能量特征向量，组成待识别特征矩阵TEEe，I^e为 FXE矩阵，其中F = 2q为各路EEG被分解成的子空间数，E为所采集的EEG路数。步骤2.提取预处理后EOG的典型变量作为其运动想象特征。应用多元统计分析中的典型相关分析(canonical correlation analysis, CCA) 方法，提取EOG的典型变量作为眼电信号的特征变量。⑴选择各类运动想象引发的EOG样本构建Y个样本集Mf = ImJ^i，其中i =1，. . .，H，i为采样点数，j = l,...,r,r为所选取的样本个数，f为样本集类别标号，Y为运动想象的类别数。应用单次采集获取的待识别E0G，构建与样本信号集结构一致的待识别信号集N。(ii)应用典型相关算法提取待识别信号集与各模式样本信号集之间的典型变量， 选择相关系数最大的一组典型变量中，待识别信号集N所对应的典型变量作为眼电的特征变量记作\_。^max e f，r为所选取的样本个数。求取待识别信号集N和某类别样本信号集Mf之间典型变量的关键是寻找两组基向量e 和皿m e 使新变量u，ν之间具有最大的相关性，称这种相关为典型相关，这组新变量即为典型变量。典型变量可表示为(2)式。权利要求1.，其特征在于该方法包括如下步骤步骤1.提取预处理后EEG的相对小波包能量作为其运动想象特征； 用小波包变换对预处理后的脑电信号进行分解与重构，得到各种节律波所对应的相对小波包能量，并联接为特征向量；所采集的各路EEG是定长的一维时间序列，记为{x(i)，i = 1，2…H}，连续取1个样点 Xi = ，分解成Q层，则整个信号空间被分成了 2Q个子空间；第η个子空间的子信号可由HC = IX7^j)重构，其中化》为小波系数，{Vj,k(t)}为小波函数；分别定义每个子空间的相对小波包能量Pn Pn = En/E (1)其中足=Σ|『/’12为在每个子空间的重构信号的能量代表整个信号的能量；kη从计算原理可以看出，相对小波包能量Pn是信号能量在各个子空间的概率分布，与信号的量级无关，可作为模式识别的有效特征；分别计算所采集每一路EEG的各子空间对应的相对小波包能量，并联接为特征向量； 再用各路EEG的相对小波包能量特征向量，组成待识别特征矩阵ΤΕΚ，Γ· e Rfxs为FXE矩阵，其中F = 2q为各路EEG被分解成的子空间数，E为所采集的EEG路数； 步骤2.提取预处理后EOG的典型变量作为其运动想象特征； 应用多元统计分析中的典型相关分析方法，提取EOG的典型变量作为眼电信号的特征变量；(i)选择各类运动想象引发的EOG样本构建、个样本集Mf =Imy^i，其中i =1，. . .，H，i为采样点数，j = l,...,r,r为所选取的样本个数，f为样本集类别标号，Y为运动想象的类别数；应用单次采集获取的待识别E0G，构建与样本信号集结构一致的待识别信号集N ；( )应用典型相关算法提取待识别信号集与各模式样本信号集之本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：孙曜，罗志增，
申请(专利权)人：杭州电子科技大学，
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。