[發(fā)明專利]一種基于腦機(jī)接口輔助康復(fù)醫(yī)療的共空間模式與深度學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711159910.4
• 申請(qǐng)日: 2017-11-20
• 公開（公告）號(hào): CN107958213A
• 公開（公告）日: 2018-04-24
• 發(fā)明（設(shè)計(jì)）人: 王卓崢;杜秀文;吳強(qiáng);董英杰
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 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

1.一種基于腦機(jī)接口輔助康復(fù)醫(yī)療的共空間模式與深度學(xué)習(xí)方法，其特征在于，包括以下步驟：

步驟1：腦電信號(hào)預(yù)處理，得到濾除噪聲后的腦電信號(hào)；

步驟2：改進(jìn)后的OVR-CSP算法可對(duì)濾除噪聲后的多類運(yùn)動(dòng)想象EEG信號(hào)進(jìn)行特征提取，得到每一類的運(yùn)動(dòng)想象腦電信號(hào)的特征，形成一維特征數(shù)據(jù)，同時(shí)將方差作為分類器的輸入；

步驟3：利用改造后的適應(yīng)一維輸入樣本的CNN網(wǎng)絡(luò)進(jìn)行二次特征提取并分類。

2.如權(quán)利要求1所述的基于腦機(jī)接口輔助康復(fù)醫(yī)療的共空間模式與深度學(xué)習(xí)方法，其特征在于，步驟1具體包括：小波包變換和快速獨(dú)立分量分析兩個(gè)過(guò)程：

首先對(duì)原始的EEG進(jìn)行WPT，確定WPT的分解層數(shù)，根據(jù)EEG和噪聲的特點(diǎn)選擇合適的小波基函數(shù)，最后確定要濾除高頻噪聲所在的頻帶，并對(duì)相應(yīng)的頻帶置零；

再對(duì)己經(jīng)濾除高頻噪聲后的信號(hào)進(jìn)行FastICA變換，F(xiàn)astICA逆變換和FastICA逆變換，得到濾除噪聲后的腦電信號(hào)。

3.如權(quán)利要求2所述的基于腦機(jī)接口輔助康復(fù)醫(yī)療的共空間模式與深度學(xué)習(xí)方法，其特征在于步驟2具體為：OVR-CSP是將五類運(yùn)動(dòng)想象任務(wù)分為五個(gè)新的兩類分類問(wèn)題，得到五個(gè)投影矩陣，經(jīng)過(guò)投影后可得五組相應(yīng)的空域特征；

具體計(jì)算過(guò)程如下:設(shè)X_i(i＝1,2,3,4,5)為五類任務(wù)的N*T腦電信號(hào)，N為采集信號(hào)的通道個(gè)數(shù)，T為每一通道的采樣點(diǎn)數(shù)，T≥N，OVR-CSP算法的基本原理是，分別計(jì)算五類數(shù)據(jù)的歸一化協(xié)方差矩陣R_i，即：

Ri=XiXiTtrace(XiXiT),i=1,2,3,4,5]]>

可得混合空間協(xié)方差矩陣R為：

R=R1‾+R2‾+R3‾+R4‾+R5‾]]>

其中，為五類任務(wù)多次實(shí)驗(yàn)的平均協(xié)方差矩陣，對(duì)R進(jìn)行特征值分解，得：

R＝UVU^T

其中，U為R的特征向量，V為R的特征值矩陣；對(duì)特征值矩陣進(jìn)行降序排列，按照排序后的位置對(duì)特征向量作相同的調(diào)整，則白化矩陣P為：

P＝V^-1/2U^T

OVR-CSP在計(jì)算投影矩陣時(shí)，將其中一類歸為一類，而其余四類則為另一類，即：

R1′=R2‾+R3‾+R4‾+R5‾]]>

將經(jīng)過(guò)預(yù)處理的腦電信號(hào)X劃分為新的兩類分別是X₁,X₁′,向第i類模式下的投影方向進(jìn)行投影,得：

Z₁＝(U₁′)^TP₁X₁,Z₁′＝(U₁′)^TP₁X₁′(i＝1,2,3,4,5)

五類數(shù)據(jù)經(jīng)過(guò)投影后的矩陣的協(xié)方差矩陣值為

再對(duì)協(xié)方差矩陣的特征向量進(jìn)行歸一化，得：

其中，n為特征向量的列數(shù)，以此作為特征向量進(jìn)行分類學(xué)習(xí)。