[發(fā)明專利]基于腦部計算機界面的圖像分類的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201680043634.2
• 申請日: 2016-06-02
• 公開（公告）號: CN107924472B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計）人: 埃米爾·B·杰瓦;利昂·Y·迪歐爾;謝爾蓋·魏斯曼;奧馬里·哈里什;然艾·馬諾爾;艾坦·內(nèi)澤爾;夏妮·夏爾吉
• 申請（專利權(quán)）人: 英樂愛有限公司
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/22;G06V10/25;G06V10/44;G06V10/77;G06V10/764;G06V10/82;G06N20/10;G06N3/04;G06N3/08
• 代理公司: 上海翼勝專利商標事務(wù)所(普通合伙) 31218
• 代理人: 翟羽

一種分類一圖像的方法被揭露。所述方法包含對所述圖像使用一計算機視覺程序，以檢測在所述圖像中懷疑被一目標占據(jù)的多個候選圖像區(qū)域；向一觀察者呈現(xiàn)所述多個候選圖像區(qū)域中的每一個以作為一視覺刺激，同時從所述觀察者的一腦部收集多個神經(jīng)生理信號；處理所述多個神經(jīng)生理信號以識別一神經(jīng)生理事件，所述神經(jīng)生理事件用以代表所述觀察者對所述目標的一檢測結(jié)果；以及決定在所述圖像中所述目標的一存在與否是至少部分地基于對所述神經(jīng)生理事件的識別而進行的。

相關(guān)申請案

本申請案主張2015年6月3日提交的以色列專利申請案第239191號的優(yōu)先權(quán)，其內(nèi)容通過引用整體并入本文。

技術(shù)領(lǐng)域

本發(fā)明在一些實施例中是有關(guān)于一種腦部計算機界面(BCI)，更具體但不排他地關(guān)于一種圖像分類的方法及系統(tǒng)。

背景技術(shù)

腦部計算機界面(BCI)的應(yīng)用依賴于解碼響應(yīng)于單個事件(試驗)的腦部活動，而不是在基礎(chǔ)研究中經(jīng)常研究的平均響應(yīng)的描寫。腦電圖(EEG)是一種非侵入性的記錄技術(shù)，是用于監(jiān)測腦部活動的多個常用系統(tǒng)之一。腦電圖數(shù)據(jù)為在多個通道中同時被收集以一高時間分辨率，產(chǎn)生用于呈現(xiàn)單個試驗腦部活動的高維數(shù)據(jù)矩陣。除了其無與倫比的時間分辨率之外，腦電圖比其他神經(jīng)影像技術(shù)相比是非侵入性的、可穿戴的、并且更便宜的，因此是任何類型切實可行的BCI的首要選擇。

傳統(tǒng)分類技術(shù)使用機器學習算法對單次試驗的時空活動矩陣，基于這些矩陣的統(tǒng)計特性，進行分類。這些方法基于兩個主要部分：有效降維的特征提取機制及分類算法。典型的分類器使用一樣本數(shù)據(jù)以學習一映射規(guī)則，通過所述映射規(guī)則，其他測試數(shù)據(jù)可以被歸類為兩個或更多個類別中的一個。分類器可以大致分為線性及非線性的方法。非線性分類器，例如神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型及K-最近鄰算法)，可以近似廣泛分布的函數(shù)，從而可以區(qū)分復雜的數(shù)據(jù)結(jié)構(gòu)。同時非線性分類器具有捕獲復雜的判別函數(shù)的潛力，但它們的復雜性也會導致過度擬合并帶來繁重的計算需求，使其較不適合實時的應(yīng)用。

另一方面，線性分類器較不復雜，因此對于數(shù)據(jù)過度擬合更穩(wěn)健。線性分類器對可以線性分離的數(shù)據(jù)執(zhí)行得特別好。費雪線性判別(FLD)、線性支持向量機(SVM)及邏輯回歸(LR)是線性分類器的示例。費雪線性判別(FLD)找出多個特征的一個線性組合，將兩個分類的數(shù)據(jù)映射到一個可分離的投影軸上。分離的標準被定義為多個分類之間的平均的距離與所述多個分類內(nèi)方差的比率。支持向量機(SVM)找出一個分離的超平面，最大化兩個類之間的邊界。邏輯回歸(LR)，顧名思義，將數(shù)據(jù)投影到一邏輯函數(shù)中。

PCT專利申請案公開第WO2014/170897號，其內(nèi)容通過引用結(jié)合于此，公開了一種用于實施一個人類對象的多個腦電圖信號的單一試驗分類的方法，所述方法生成一系列圖像包含多個目標圖像及多個非目標圖像。所述方法包含：在一時間空間表示法中獲得多個腦電圖信號包含多個時間點及所述多個腦電圖信號相對應(yīng)的空間分布；使用一線性判別分類器對所述多個時間點進行獨立分類，計算一時間空間判別權(quán)重；使用所述時間空間判別權(quán)重分別通過所述時間空間點處的所述時空區(qū)別權(quán)重來放大所述時間空間表示，創(chuàng)建一空間加權(quán)表示；利用一時域上的主成分分析(PCA)進行降維，分別為所述多個腦電圖信號的每個空間波段創(chuàng)建一主成分分析投影；使用所述主成分分析投影到所述空間加權(quán)表示到多個第一主分量上，創(chuàng)建包含每個空間波段的一時間近似空間加權(quán)表示，對于多個主時間投影的主成分分析系數(shù)；并在多個波段上對所述時間近似空間加權(quán)表示進行分類，使用所述線性判別分類器，以產(chǎn)生一二進制決策系列，用以表示多個圖像系列中的每個圖像為屬于所述目標圖像或所述非目標圖像。

發(fā)明內(nèi)容