[發明專利]一種基于腦電源成像和正則化共空間模式的情緒識別方法

有效

• 申請號: 202110546546.7
• 申請日: 2021-05-19
• 公開（公告）號: CN113378650B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 劉柯;吳萍;徐銘浩;寇宇涵;周璐;張孝
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N7/00;A61B5/16;A61B5/372;A61B5/00
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

1.基于腦電源成像和正則化共空間模式的情緒識別方法，其特征在于，包括以下步驟：

采集腦電信號，并對腦電信號進行預處理；

利用貝葉斯最小模算法處理預處理后的腦電信號，通過搭建腦電源成像，重構大腦皮層神經電活動，具體包括以下步驟：

根據生物導體中電磁場的傳播規律，構建頭皮表面的EEG電位分布與人腦內源空間信號的線性關系表達式；

對獲取的線性關系表達式進行空間白化；

根據給定大腦皮層源信號的一個先驗分布以及貝葉斯公式，計算該源信號的后驗分布；

利用最小模解估算源信號的最大后驗估計，即利用最小模解選擇能量最小的源結構作為最終的源信號估計，該源信號估計作為人腦成像的源信號，則源信號的最大后驗估計表示為：

其中，S為源信號；為源信號的最大后驗估計；p(S|B)為源信號S的后驗分布；p(S)為源信號先驗分布；L為導聯矩陣；B為大腦頭皮表面的腦電信號數據；I為單位矩陣；||·||_F為F范數；λ為正則參數，利用貝葉斯概率推斷，通過數據自驅動的方式自動學習正則參數λ，該參數表示為：

λ^-1＝γ

其中，γ^(k)表示第k次的迭代值；∑_b為中間參數，定義為其中∑_S為源信號高斯分布的方差；∑_ε表示觀測噪聲高斯分布的方差；

通過最小模算法，重構的EEG時間序列被投影到Brodman分區上，Brodman分區包括26個空間感興趣的區域，在翻轉方向相反的源信號后，將26個空間感興趣的區域內所有源信號的時間序列取平均值；

利用26個空間感興趣的區域互信息構建腦功能連接矩陣，即對于每一個對象，分別計算26個空間感興趣的區域的互信息值，且數據的自信息值為得到腦功能連接矩陣，其中區域x與區域y的互信息值表示為：

其中，p(x)表示x的概率密度，p(y)表示y概率密度，p(x,y)表示x,y的聯合概率密度；

基于腦功能連接矩陣采用正則化的方式構建泛化樣本的協方差矩陣，得到最優空間濾波器使腦電數據喚醒類和效價類這兩類信號的方差值差異最大化，從而得到具有高區分度的特征向量，獲取腦電數據的特征向量包括以下過程：

將腦電數據喚醒類和效價類兩個類別得到的協方差矩陣相加，得到正則化符合空間協方差；

分別對兩個類別的協方差矩陣進行白變換，并對白變換后的協方差矩陣進行分解，得到白化空間特征向量矩陣；

并根據得到的白化空間特征向量矩陣和白化值矩陣，得到全投影矩陣；

根據自定義的特征參數α，保留全投影矩陣的第一個α列和倒數一個α列構成投影矩陣；

將一個試驗根據投影矩陣進行投影，并將投影矩陣的行的方差形成特征向量；

將歷史數據的特征輸入分類器進行訓練，并將待分類數據的特征向量輸入分類器獲得腦電情緒分類。

2.根據權利要求1所述的基于腦電源成像和正則化共空間模式的情緒識別方法，其特征在于，白化空間特征向量矩陣表示為：

其中，為白化空間協方差矩陣的特征向量矩陣；U為對應其特征值的特征向量矩陣；Σ₁(β,γ)為正則化復合空間協方差的第一分解；上標T表示矩陣的轉置，Λ為正則化復合空間協方差Σ(β,γ)相應的對角特征值矩陣。

3.根據權利要求1所述的基于腦電源成像和正則化共空間模式的情緒識別方法，其特征在于，全投影矩陣表示為：

其中，W₀為全投影矩陣；為白化空間協方差矩陣的特征向量矩陣；U為對應其特征值的特征向量矩陣；上標T表示矩陣的轉置。

4.根據權利要求1所述的基于腦電源成像和正則化共空間模式的情緒識別方法，其特征在于，將一個試驗根據最有區分度的圖像進行投影，得到的投影矩陣表示為：

其中，為一個試驗根據最有區分度的圖像進行投影得到的投影矩陣；W為保留第一個α和倒數一個α列的投影矩陣得到的矩陣；E為N×T試驗向量矩陣，N表示腦電圖試驗的通道數，T為每個通道的樣本數量。

5.根據權利要求1所述的基于腦電源成像和正則化共空間模式的情緒識別方法，其特征在于，將投影矩陣的行的方差形成特征向量，該向量的第q個分量表示為：

其中，y_q是y的第q個分量，是的第q行，是向量的方差；Q＝2α，α為自定義的特征參數。