一种基于个体脑电信号迁移的运动想象意图识别方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及生物信息、模式识别和脑机交互技术领域,尤其涉及一种基于个体脑电信号迁移的运动想象意图识别方法。
背景技术
脑机接口(brain-computer interface,BCI)可以让用户仅仅通过大脑活动就能与计算机进行交互,在各种类型的脑机接口中,基于运动想象脑电信号的脑机接口成为近年来国内外研究的热点。运动想象脑机接口在很多领域已经展现出了很好的前景,例如,为残疾人用户康复辅助设备提供新的交互方式。
运动想象是一种利用大脑意念想象肢体动作而不发生实际运动的自发性意识活动。在被试想象某个肢体(如左/右手)动作过程中,在大脑的感觉运动区会发生μ节律(8-12Hz)和β节律(13-30Hz)频带能量的改变,这种电生理活动现象分别被称为事件相关去同步(Event-Related Desynchronization,ERD)和事件相关同步(Event-RelatedSynchronization,ERS)。通常,使用共同空间模式(Common Spatial Pattern,CSP)算法提取空间模态以及ERD/ERS强度变化作为脑电特征,并利用线性判别分类器对每个个体脑电数据建立特定的运动想象意图识别模型。
受身体状态、情绪、环境等各种因素影响导致个体间的运动想象脑电差异较大,很难建立具有普适性的通用识别模型,并且在实际BCI系统应用前需要采集大量个体的脑电信号进行训练。将已有个体脑电信号迁移学习到新个体少量脑电信号上,从而减少BCI系统使用时所需的训练时间,具有重要的应用价值。目前,国内华南理工大学罗浩远(中国专利CN 113010013A)提出一种基于Wasserstein距离的运动想象脑电迁移学习方法,使用Wasserstein距离训练深度迁移学习模型。华中科技大学伍冬睿(CN 110851783A)提出一种用于脑机接口校准的异构标签空间迁移学习方法,利用黎曼距离提升新用户的模型学习能力。北京工业大学李明爱(中国专利CN 102306303B)提出一种基于小训练样本的脑电信号特征提取方法,构造正则化空间滤波器提升小样本脑电特征稳定性和分类准确率。目前的研究与应用中,未见到基于个体脑电信号迁移的运动想象意图识别方法。
由此可知,在实际运动想象BCI系统应用中,需要每个使用者花费较长时间采集大量脑电信号进行单独训练,造成了很大的不便,阻碍了BCI系统的实用化和适用性。利用已有个体脑电信号与新个体少量脑电信号的差异性,建立基于个体脑电信号迁移的鲁棒性识别模型,是目前亟需解决的重要问题。
发明内容
针对现有技术的不足或改进需求,本发明提供了一种基于个体脑电信号迁移的运动想象意图识别方法,其目的在于解决,在新个体少量脑电信号情况下,利用已有个体脑电信号提升新个体脑电信号的模型识别正确率。
为实现上述目的,本发明所采用的技术方案是:
一种基于个体脑电信号迁移的运动想象意图识别方法,包括脑电信号校正过程和集成识别过程;
所述脑电信号校正过程包括以下步骤:
1.1)获取已有个体脑电信号作为源个体脑电信号,并采集新个体脑电信号作为目标个体脑电信号;
1.2)采用CSP算法,设计不同空间滤波器,分别提取源个体脑电信号和目标个体脑电信号的空间特征;
1.3)对源个体脑电空间特征进行校正;
1.4)对校正后的源个体脑电ERD/ERS强度进行补偿,用于构建LDA识别模型;
所述集成识别过程包括以下步骤:
2.1)采用LDA分类器,对每一个源个体分别建立单独的LDA识别模型;
2.2)为每个LDA识别模型进行评估;
2.3)根据所有的LDA识别模型,建立多LDA融合的集成识别模型,识别得到运动想象意图。
所述步骤1.1)中的源个体脑电信号D
所述步骤1.2)中,源个体脑电信号的空间滤波器分别为W
所述步骤1.3)中的对源个体脑电空间特征进行校正为计算源个体脑电空间特征和目标个体脑电空间特征之间的校正矩阵θ,使得校正后的源个体脑电空间特征F
步骤1.3)中,所述源个体脑电空间特征和目标个体脑电空间特征之间的校正矩阵θ,其最优解θ
其中,α为约束因子,P为约束矩阵,I为单位矩阵,约束矩阵P定义为:
其中,矩阵元素为p
通过奇异值分解方法,计算出校正矩阵θ的最优解为:
θ
其中,V和U分别为A=W
所述步骤1.4)中的ERD/ERS强度补偿过程为:首先利用校正后的源个体脑电空间特征F
和/>
其中,Log(·)为对数函数,Var(·)为方差函数,
然后,计算强度补偿系数为
最后,对校正后的源个体脑电ERD/ERS强度进行补偿,即cPower
所述步骤2.1)中LDA分类器的输入样本为校正后的源个体脑电ERD/ERS强度特征和目标个体脑电ERD/ERS强度特征,即sample=[cPower
其中,ω
所述步骤2.2)中采用置信分数对每个LDA识别模型进行评估,置信分数如下:
其中,χ
所述步骤2.3)中多LDA融合的集成识别模型为:
当LDA
所述类别1和类别2分别表示左手运动想象意图和右手运动想象意图。
本发明具有以下有益效果及优点:
1.本发明利用新个体的少量脑电信号,结合数据集中已有个体的脑电信号,正确识别运动想象意图,在实际应用中,能够有效减少新个体训练时间,提高系统的实用性。
2.本发明设计了一个空间特征校正矩阵,能够有效去除不同个体脑电信号在大脑区域分布的空间特征差异性;
3.本发明引入ERD/ERS强度补偿系数,将不同个体的脑电信号映射到空间特征中,在空间特征中消除ERD/ERS强度的差异性;
4.本发明为每个已有个体脑电信号训练识别模型,并引入置信系数进行模型评估,将多个已有个体的识别模型融合到一起,构建面向新个体脑电信号的集成识别模型;
附图说明
图1是本发明方法流程图;
图2是本发明的已有个体脑电信号校正前后空间特征分布与新个体脑电信号空间特征分布的对比图;
图3是本发明的已有个体脑电信号校正前后样本分布与新个体脑电信号样本分布的对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图。
已有个体脑电信号和新个体少量脑电信号分别定义为源个体脑电信号D
采用CSP算法,分别设计源个体脑电信号和目标个体脑电信号的空间滤波器为W
脑电空间特征校正过程为计算源个体脑电空间特征和目标个体脑电空间特征之间的校正矩阵θ,使得校正后的源个体脑电空间特征F
源个体脑电空间特征和目标个体脑电空间特征之间的校正矩阵θ,其最优解可以通过下述优化准则获得:
其中,α为约束因子,P为约束矩阵,I为单位矩阵。约束矩阵P定义为:
其中,矩阵元素为p
通过奇异值分解方法,计算出校正矩阵θ的最优解为:
θ
其中,V和U为A=W
图2为已有个体脑电信号经过校正前后的空间特征分布与新个体脑电信号的空间特征分布的对比。
ERD/ERS强度补偿过程为:首先利用校正后的源个体脑电空间特征F
和/>
其中,Log(·)为对数函数,Var(·)为方差函数。
然后,计算强度补偿系数为
采用LDA分类器,建立单独的识别模型,分类器的输入样本为校正后的源个体脑电ERD/ERS强度特征和目标个体脑电ERD/ERS强度特征,即sample=[cPower
其中,ω
图3为已有个体脑电信号经过校正前后的样本分布与新个体脑电信号的样本分布的对比。
采用置信分数对每个LDA识别模型进行评估,置信分数计算如下:
其中,χ
建立多个LDA融合的集成识别模型为:
最终当LDA
- 一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法
- 基于语言想象和运动想象时序编码的脑电信号识别方法
- 一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法