[發明專利]用于控制意圖識別的腦電和眼電信號決策融合方法

有效

• 申請號: 201110405697.7
• 申請日: 2011-12-08
• 公開（公告）號: CN102521505A
• 公開（公告）日: 2012-06-27
• 發明（設計）人: 孫曜;羅志增
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;A61F2/72;A61F4/00;A61G5/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.用于控制意圖識別的腦電和眼電信號決策融合方法，其特征在于該方法包括如下步驟：

步驟1.提取預處理后EEG的相對小波包能量作為其運動想象特征；

用小波包變換對預處理后的腦電信號進行分解與重構，得到各種節律波所對應的相對小波包能量，并聯接為特征向量；

所采集的各路EEG是定長的一維時間序列，記為{x(i)，i＝1，2…H}，連續取l個樣點X_i＝[x(i)，x(i+1)，…，x(i+l-1)]，分解成Q層，則整個信號空間被分成了2^Q個子空間；第n個子空間的子信號可由重構，其中為小波系數，{ψ_j，k(t)}為小波函數；分別定義每個子空間的相對小波包能量P_n

P_n＝E_n/E????(1)

其中為在每個子空間的重構信號的能量E_n，代表整個信號的能量；從計算原理可以看出，相對小波包能量P_n是信號能量在各個子空間的概率分布，與信號的量級無關，可作為模式識別的有效特征；

分別計算所采集每一路EEG的各子空間對應的相對小波包能量，并聯接為特征向量；再用各路EEG的相對小波包能量特征向量，組成待識別特征矩陣T_EEG，為F×E矩陣，其中F＝2^Q為各路EEG被分解成的子空間數，E為所采集的EEG路數；

步驟2.提取預處理后EOG的典型變量作為其運動想象特征；

應用多元統計分析中的典型相關分析方法，提取EOG的典型變量作為眼電信號的特征變量；

(i)選擇各類運動想象引發的EOG樣本構建γ個樣本集其中i＝1，...，H，i為采樣點數，j＝1，...，r，r為所選取的樣本個數，f為樣本集類別標號，γ為運動想象的類別數；應用單次采集獲取的待識別EOG，構建與樣本信號集結構一致的待識別信號集N；

(ii)應用典型相關算法提取待識別信號集與各模式樣本信號集之間的典型變量，選擇相關系數最大的一組典型變量中，待識別信號集N所對應的典型變量作為眼電的特征變量記作為所選取的樣本個數；

求取待識別信號集N和某類別樣本信號集M_f之間典型變量的關鍵是尋找兩組基向量和使新變量u，v之間具有最大的相關性，稱這種相關為典型相關，這組新變量即為典型變量；典型變量可表示為(2)式，

u=wn1n1+wn2n2+...+wnrnr=wnTNv=wm1m1+wm2m2+...+wmrmr=wmTMf---(2)]]>

基向量一般可以通過求解(3)式所示最大值問題獲得；

maxwn,wmρ(u,v)=maxwn,wmcov[u,v]var[u]var[v]=maxwn,wmcov[wnTN,wmTMf]var[wnTN]var[wmTMf]]]>

=maxwn,wmwnTCnmwm(wnTCnnwn)(wmTCmmwm)---(3)]]>

其中，ρ表示典型變量間的相關系數，C_nn＝E[NN^T]和C_mm＝E[M_fM_f^T]表示自協方差矩陣，C_nm＝E[NM_f^T]和C_mn＝E[M_fN^T]表示互協方差矩陣，且滿足Cmn=CnmT;]]>

分別計算所采集各路EOG的典型變量組成待識別特征矩陣T_EOG，為F×E矩陣，其中F＝r為集合所選取的樣本數，E為所采集EOG的路數；

步驟3.基于所提取的EEG運動想象特征，應用所構建的“控制”/“非控制”狀態分類器，獲取狀態分類結果；

(i)“控制”/“非控制”狀態分類器的構建；

“控制”/“非控制”狀態分類器基于正則化logistic分類方法構建，具體構建方法如下：

將表達控制意圖的各類運動想象EEG訓練樣本均作為“控制”狀態訓練樣本；將非控制意圖表達的放松狀態EEG訓練樣本均作為“非控制”狀態訓練樣本；依據步驟(1)所描述方法，計算獲取各已知類別訓練樣本的相對小波包能量特征矩陣T_EEG；

設G為分組指示變量，K為所需識別的類別數，在此K為2，則有G∈g＝{1，2}；已知類別的n個訓練樣本特征為(I₁，g₁)，...，(I_n，g_n)，分類問題即為構造分類規則

設在T_EEG＝I時，G的條件概率分布對數優勢比是I的線性函數，如式(4)所示；

fθ(I)=ln{pG|TEEG(k|I)pG|TEEG(K|I)}=αk+⟨Wk,I⟩,k=1,...,K-1,θ:=(W,α)---(4)]]>

則預測函數為pG|TEEG(k|I)=efθ(I)1+Σl=1K-1efθ(I),k=1,...,K-1pG|TEEG(K|I)=11+Σl=1K-1efθ(I)---(5)]]>

分類規則為G^EEG=argmaxG∈g(pG|TEEG(k|I),pG|TEEG(K|I))---(6)]]>

“控制”/“非控制”狀態分類器的logistic回歸模型參數(W，α)的估計值，可通過條件最大似然估計得到，即由最大化(7)式的值得到；

L(α1,...,αK-1,W1,...,WK-1)=Σi=1nlnpG|TEEG(gi|Ii)---(7)]]>

通過增加懲罰項，使得到的分類模型正則化，則(7)式變換為

L(α1,...,αK-1,W1,...,WK-1)-λ(Σe=1E||W(:,e)||2+Σt=1T||W(t,:)||2)]]>

=Σi=1nlnpG|TEEG(gi|Ii)-λ(Σe=1E||W(:,e)||2+Σt=1T||W(t,:)||2)---(8)]]>

式中W(:，e)表示權矩陣W的第e列向量，W(t，:)表示權矩陣W的第t行向量，λ為非負常數；

通過最大化(8)式的值，完成對(4)式所示logistic回歸模型參數的估計，進而得到(5)式、(6)式所構成的“控制”/“非控制”狀態分類器模型；

由于在使(8)式的值最大化的過程中，可使得所得到參數(W，α)的部分估計值為零，從而實現對特征的自動選擇；

(ii)獲取“控制”/“非控制”狀態分類結果；

將待識別EEG信號的特征矩陣T_EEG，輸入所構建的“控制”/“非控制”狀態分類器，即可得到狀態分類的結果；

步驟4.基于所提取的EOG運動想象特征，應用所構建的運動想象多類分類器，獲得運動想象分類結果；

(i)運動想象多類分類器的構建；

運動想象多類分類器也是基于正則化logistic分類方法構建，具體構建方法如下：

將表達控制意圖的各類運動想象EOG作為訓練樣本；依據步驟(2)所描述方法，計算獲取各已知類別訓練樣本的典型變量特征矩陣T_EOG；

G為分組指示變量，K為需識別的運動想象類別數，在此K＝γ，則有G∈g＝{1，...，K}；已知類別的n個訓練樣本特征為(J₁，g₁)，...，(J_n，g_n)，分類問題即為構造分類規則

設在T_EOG＝J時，G的條件概率分布對數優勢比是J的線性函數，如式(9)所示；

fθ(J)=ln{pG|TEEG(k|J)pG|TEEG(K|J)}=αk+⟨Wk,J⟩,k=1,...,K-1,θ:=(W,α)---(9)]]>

則預測函數為pG|TEOG(k|J)=efθ(J)1+Σl=1K-1efθ(J),k=1,...,K-1pG|TEOG(K|J)=11+Σl=1K-1efθ(J)---(10)]]>

分類規則為G^EOG=argmaxG∈g(pG|TEOG(k|J),pG|TEOG(K|J))---(11)]]>

運動想象多類分類器的logistic回歸模型參數(W，α)的估計值，可通過條件最大似然估計得到，即最大化(12)式的值得到參數的估計值；

L(α1,...,αK-1,W1,...,WK-1)=Σi=1nlnpG|TEOG(gi|Ji)---(12)]]>

通過增加懲罰項，使得到的分類模型正則化，則(12)式變換為(13)式；

L(α1,...,αK-1,W1,...,WK-1)-δ(Σe=1E||W(:,e)||2+Σt=1T||W(t,:)||2)]]>

=Σi=1nlnpG|TEEG(gi|Ji)-δ(Σe=1E||W(:,e)||2+Σt=1T||W(t,:)||2)---(13)]]>

(13)式中W(:，e)表示權矩陣W的第e列向量，W(t，:)表示權矩陣W的第t行向量，δ為非負常數；

通過最大化(13)式的值，完成對(9)式所示logistic回歸模型參數的估計，進而得到(10)式、(11)式所構成的運動想象多類分類器模型；由于在使(13)式的值最大化的過程中，可使得所得到參數(W，α)的部分估計值為零，從而實現對眼電特征的自動選擇；

(ii)獲取運動想象模式的分類結果

將待識別EOG信號的特征矩陣T_EOG輸入所構建的運動想象多類分類器，得到運動想象模式分類結果；

步驟5.應用基于EEG信號獲得的“控制”/“非控制”狀態分類結果，及基于EOG獲得的運動想象分類結果進行決策融合，獲得運動想象所表征控制意圖的識別結果；

應用由步驟(3)，即基于EEG所獲得的“控制”/“非控制”狀態分類結果，對由步驟(4)，即基于EOG所獲得的運動想象分類結果進行有效性判別；若狀態分類結果為“控制”狀態，則根據由實際輔具控制要求制定的各種運動想象模式與控制意圖的映射關系，將運動想象分類結果轉換為控制意圖輸出；若狀態分類結果為“非控制”狀態，則認為無控制意圖，所獲得的運動想象分類結果無效。