[發明專利]一種基于機器學習實現腦控智能小車的構建方法

有效

• 申請號: 201811218785.4
• 申請日: 2018-10-19
• 公開（公告）號: CN109144277B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 殷國棟;張德明;莊佳宇;劉帥鵬
• 申請（專利權）人: 東南大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/00;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐爾東

1.一種基于機器學習實現腦控智能小車的構建方法，其特征在于：包括以下步驟：

第一步，被試佩戴者充分清洗頭部，吹干頭發后佩戴EMOTIV腦電采集頭套，保證各個電極與頭皮均有良好的接觸，根據車輛運動狀態想象左手運動、右手運動、推和拉等肢體動作；

第二步，將所采集的腦電信號通過藍牙傳輸給上位機中的Simulink模塊，將Simulink模塊連接到無線串口，利用無線串口把腦電信號實時傳輸給虛擬機中的Linux系統；

第三步，對原始的腦電信號進行去均值化處理，在Linux系統下利用小波包分解的方法選取并重構對應的腦電信號分量；

第四步，設計不同帶寬的巴特沃斯帶通濾波器組，利用濾波器組對訓練集腦電信號進行濾波，計算對應的通道在不同濾波頻率下的帶通能量值，得到當前通道及濾波頻率帶條件下的Fisher判據值，選取每個通道內最佳的三個Fisher判據值作為訓練集腦電信號相應通道的最終濾波頻段；

第五步，對每個通道的腦電信號進行相應通道的最終濾波頻段的濾波，利用濾波后的訓練集腦電數據設計一對多CSP濾波器，通過濾波系數大小排序剔除在設定維度范圍外的信號分量，得到新的電腦信號集合；

第六步，將新的腦電信號通過第五步中相同的方法設計一對多CSP濾波器，利用該濾波器對新的腦電信號進行濾波，將濾波后的訓練集進行分組，構成測試組和訓練組，通過測試組和訓練組來確定測試樣本的類別，使用新確定的測試樣本類別構建新的KNN分類器，對測試組數據進行在線識別；

第七步，將在線辨識的結果通過無線串口實時傳輸給單片機，利用單片機控制車輛運動，實現與運動想象對應的小車運動；

EMOTIV腦電采集頭套設定的采樣頻率為128Hz；

第二步中，串口通訊的波特率選擇為115200，使用偶校驗，確保腦電數據傳輸和解析的準確性；

第三步中，對原始腦電信號進行去均值化處理，其計算公式為：

其中，A_i表示第i個通道的腦電向量，表示所有通道腦電信號幅值的平均值；

由于運動想象腦電信號的特征頻率主要集中在0Hz-30Hz，因此選取并重構第1層中第0個節點對應子空間的腦電信號分量，實現小波包分解；

第四步中，構建帶寬為5Hz、6Hz、7Hz、至10Hz的巴特沃斯帶通濾波器，起始頻率均選擇為0Hz，終止頻率均選擇為32Hz，濾波步長設置為1Hz，形成一組濾波器，其濾波頻率范圍分別為0Hz-5Hz、1Hz-6Hz、2Hz-7Hz、…、27Hz-32Hz；0Hz-6Hz、1Hz-7Hz至22Hz-32Hz；利用這組濾波器分別對訓練集進行濾波，計算各個通道在不同濾波頻率下的帶通能量：

運用各個通道在不同濾波頻率下的帶通能量計算整個訓練集數據的類內距離S_w和類間距離S_b：

式中，P_i表示第i個樣本的帶通能量，P_ij表示屬于第j類的第i個樣本的帶通能量，μ_j表示第j類的平均帶通能量，m表示每一類的樣本數量，n為樣本的總類數；

由S_b和S_w可得到當前通道及濾波頻帶條件下的Fisher判據值D：

D＝S_b，S_w^-1

選取每個通道最大的三個Fisher判據值對應的濾波頻帶作為訓練集腦電信號相應通道的最終濾波頻段；

第五步，對每個通道的腦電信號進行相應頻帶的濾波，組成新的腦電信號集合，原始的腦電信號維度被擴大三倍，將第i類的腦電信號作為正類，其他所有的腦電信號作為反類，可計算正類和反類的平均協方差矩陣

其中，M_i為第i類的樣本個數，M_{res_i}為剩余各類的樣本總數，E_i為第i類的腦電信號矩陣，E_{res_i}為其余各類的腦電信號矩陣；

將正類和反類的平均協方差矩陣的和進行特征分解：

C_i+C_{res_i}＝HλH^T

上述式中，λ為特征值組成的對角陣，H為特征值對應的特征向量組成的矩陣；

將正類和反類的平均協方差矩陣分別進行白化：

選取S_i和S_{res_i}所具有的最大特征值對應的特征向量F_i,F_{res_i}構建一組濾波器：

分別以四類運動想象任務中的一類為正類，其他類為反類，可構建四組濾波器，將其組成一個CSP濾波系數矩陣：

M＝[L₁,L_{res_1},L₂,L_{res_2},L₃,L_{res_3},L₄,L_{res_4}]^T

＝[α₁,α₂,α₃,…,α_3N]

上述式中，α_i表示M矩陣的第i個列向量，N表示采樣通道總數，由于EMOTIV采用十四個采樣通道，所以這里N等于14；

計算α_i的二范數，將M矩陣所有列向量的二范數進行排序，設置閾值η，將小于閾值η的所有二范數對應的信號分量剔除，訓練集運動想象腦電信號維度將由3N降低為N′。

2.根據權利要求1所述的基于機器學習實現腦控智能小車的構建方法，其特征在于：按照步驟五中的方法構建剔除部分維度后訓練集腦電信號的濾波器組，利用該濾波器組對訓練集數據進行濾波，得到一組新的腦電數據：

Q＝{Q₁,Q_{1_res},Q₂,Q_{2_res},Q₃,Q_{3_res},Q₄,Q_{4_res}}

計算每個腦電數據的方差，得到一組特征向量：

f＝[f₁,f₂,…,f₈]

將訓練集隨機分成三等份，選擇一份作為測試組，剩下的兩份為訓練組，計算測試組中各個樣本的特征向量與訓練組中所有樣本對應特征向量的歐氏距離，計算方法為

d＝||f-f′||₂

上述式中，||·||₂表示向量的2范數，f表示測試組中的一個特征向量，f′表示訓練組中的一個特征向量；

利用KNN分類器對測試組樣本進行分類，將測試組中的數據放至訓練組中，提取出與其距離最近的K個訓練組樣本，以這些樣本出現的最大次數的類別作為該測試組樣本的類別；完成所有測試組樣本的分類，并計算分類正確率；選用不同的K值進行上述操作，記錄使得測試組分類正確率最高的K值；

此時，對測試集數據進行對應頻帶的濾波，剔除相同維度的腦電信號分量，利用一對多CSP濾波提取信號的特征向量：f_t＝[f_{t_1},f_{t_2},…,f_{t_8}]；重復上述訓練集中獲取K值的方法，記錄使得測試集分類正確率最高的K值，完成測試集樣本的在線識別。