[發(fā)明專利]一種面向持續(xù)想象腦電信號(hào)的分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310273395.8
• 申請(qǐng)日: 2013-07-02
• 公開（公告）號(hào): CN103345640A
• 公開（公告）日: 2013-10-09
• 發(fā)明（設(shè)計(jì)）人: 段立娟;續(xù)艷慧;楊震;馬偉;張祺;鐘宏燕
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F3/01
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

技術(shù)領(lǐng)域

本發(fā)明屬于模式識(shí)別領(lǐng)域，涉及一種面向持續(xù)想象腦電信號(hào)的分類方法。

背景技術(shù)

腦機(jī)接口（Brain?Computer?Interface，BCI）的研究始于腦電的發(fā)展，近幾十年來(lái)，隨著信號(hào)處理和機(jī)器學(xué)習(xí)等技術(shù)研究的發(fā)展，BCI研究逐漸成為熱點(diǎn)。運(yùn)動(dòng)想象腦電信號(hào)是BCI領(lǐng)域常見的一種研究，通過采集分析人們?cè)谙胂笊眢w某個(gè)部位運(yùn)動(dòng)或進(jìn)行某種思維活動(dòng)時(shí)的腦電信號(hào)，從而識(shí)別人們大腦的狀態(tài)，進(jìn)而控制外界裝置。BCI技術(shù)不僅為腦疾病患者提供一種新的診斷方式，更重要的是實(shí)現(xiàn)一種人與外界通訊的新途徑。

BCI研究中，對(duì)反應(yīng)大腦不同思維狀態(tài)的腦電信號(hào)進(jìn)行識(shí)別是研究過程中的一個(gè)重要環(huán)節(jié)。目前許多學(xué)者在分類識(shí)別方面都進(jìn)行了深入的研究，并取得了一定的成果。常用的分類方法有支持向量機(jī)，貝葉斯法，最近鄰分類法和人工神經(jīng)網(wǎng)絡(luò)法等。李麗君等人采用線性分類器、支持向量機(jī)實(shí)現(xiàn)測(cè)試集運(yùn)動(dòng)想象腦電數(shù)據(jù)的分類，并取得了較好的分類效果。LiuHui等人利用支持向量機(jī)分類器對(duì)事件相關(guān)電位P300信號(hào)進(jìn)行分類，也取得了較好的分類效果。

應(yīng)用訓(xùn)練數(shù)據(jù)集訓(xùn)練出的分類器模型輸出的是單個(gè)測(cè)試樣本的預(yù)測(cè)結(jié)果，對(duì)于相鄰樣本之間存在一定聯(lián)系的數(shù)據(jù)集來(lái)說(shuō)，這種常規(guī)分類方法忽略了樣本之間的聯(lián)系，致使分類結(jié)果僅依賴于分類器的預(yù)測(cè)，而無(wú)法得到更高的識(shí)別率。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述常規(guī)分類方法的不足，提出一種基于轉(zhuǎn)換點(diǎn)檢測(cè)和樣本純化思想的分類方法。該方法充分考慮了持續(xù)想象腦電信號(hào)樣本之間的聯(lián)系，從而取得了更高的分類正確率。

所述持續(xù)想象腦電信號(hào)的特點(diǎn)是受試者持續(xù)想象多種想象任務(wù)，任務(wù)之間是連續(xù)的，則在一段時(shí)間序列中可以采集到連續(xù)的腦電信號(hào)，采集流程示意圖如附圖1所示。本發(fā)明假設(shè)某種想象任務(wù)會(huì)持續(xù)一定時(shí)間，即一定時(shí)間序列中的腦電樣本屬于同一類別，不同想象任務(wù)之間存在轉(zhuǎn)換點(diǎn)，轉(zhuǎn)換點(diǎn)處樣本間的歐式距離要大于轉(zhuǎn)換點(diǎn)之間的樣本間距離，通過設(shè)定樣本間距離閾值可以檢測(cè)出轉(zhuǎn)換點(diǎn)；同時(shí)，認(rèn)為持續(xù)想象同一任務(wù)時(shí)，會(huì)因注意力渙散、疲倦等因素導(dǎo)致信號(hào)受噪聲污染。本發(fā)明加入樣本純化思想，通過設(shè)定樣本間距離范圍，從與任務(wù)對(duì)應(yīng)的所有樣本中篩選出部分樣本，并返回這部分樣本中的大多數(shù)類別作為該任務(wù)所有樣本的類別。本發(fā)明通過充分考慮相鄰樣本之間的聯(lián)系，提高了整體樣本的識(shí)別率，非常適合對(duì)持續(xù)的腦電信號(hào)進(jìn)行離線分析。

本發(fā)明所述方法包括以下步驟：

步驟一，進(jìn)行轉(zhuǎn)換點(diǎn)檢測(cè)。

轉(zhuǎn)換點(diǎn)檢測(cè)主要用于確定轉(zhuǎn)換點(diǎn)處樣本之間的距離閾值U。假設(shè)存在樣本類別標(biāo)簽已知的訓(xùn)練數(shù)據(jù)集X和樣本類別標(biāo)簽未知的測(cè)試數(shù)據(jù)集Y，數(shù)據(jù)集中樣本分別屬于多個(gè)不同的類別，計(jì)算距離閾值U的方法如下：

（1）計(jì)算訓(xùn)練數(shù)據(jù)集X中兩兩相鄰樣本之間的歐幾里得距離，并保存為向量Dist。

（2）根據(jù)訓(xùn)練數(shù)據(jù)集的樣本類別標(biāo)簽將步驟（1）計(jì)算得到的向量Dist分為兩部分：若兩相鄰樣本屬于同一類別，將其距離歸入向量X_notrans中，記為類內(nèi)樣本距離向量；若兩相鄰樣本屬于不同的類別，將其距離歸入向量X_trans中，記為類間樣本距離向量。

（3）計(jì)算X_notrans中所有距離的最大值，記為U₁。

（4）計(jì)算X_trans中所有距離的最小值，記為U₂。

（5）根據(jù)步驟（3）和步驟（4）的結(jié)果，將U₁和U₂中較小的那個(gè)作為閾值U，即U=min（U₁,U₂）。

步驟二，進(jìn)行樣本純化。

樣本純化主要用于確定同類樣本之間的距離范圍[a,b]，a、b分別為距離的最小值和最大值。具體方法如下：

（1）將訓(xùn)練數(shù)據(jù)集X拆分成兩部分，一部分X_train用作分類器學(xué)習(xí)，一部分X_test用作預(yù)測(cè)。

（2）使用數(shù)據(jù)集訓(xùn)練支持向量機(jī)分類器，得到分類器模型，然后對(duì)X_test數(shù)據(jù)集進(jìn)行預(yù)測(cè)，得到X_test數(shù)據(jù)集的預(yù)測(cè)標(biāo)簽。

（3）對(duì)比X_test數(shù)據(jù)集的真實(shí)標(biāo)簽和預(yù)測(cè)標(biāo)簽，計(jì)算數(shù)據(jù)集中所有被分類器連續(xù)預(yù)測(cè)正確的同一類別的相鄰樣本之間的歐氏距離，并記為向量D。

（4）對(duì)步驟（3）得到的距離向量D進(jìn)行統(tǒng)計(jì)分析，確定其分布函數(shù)，一般情況下，該向量服從正態(tài)分布或近似正態(tài)分布。