[發明專利]一種基于相關性分析的腦-機接口跨負荷線性判別方法

在審

• 申請號: 202110769354.2
• 申請日: 2021-07-07
• 公開（公告）號: CN113591598A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 李夢凡;左皓鑫;伍煜偉;廖文喆
• 申請（專利權）人: 河北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;A61B5/372;A61B5/378;A61B5/377
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 安孔川

1.一種基于相關性分析的腦-機接口跨負荷線性判別方法，其特征在于包括以下步驟：

S1、獲取不同狀態腦力負荷下的腦電數據；

S2、對獲取的腦電信號數據采用Fisher準則訓練出多組分類器；

S3、將待分類腦電樣本輸入到多組分類器后得到多組線性判別值；

S4、對待分類腦電樣本與不同狀態下的腦電數據分別計算平均皮爾遜相關系數，并將皮爾遜相關系數通過權重轉化公式轉化成權重系數；

S5、將權重系數與線性判別值加權求和，加權求和值通過Fisher準則及投票器，判斷待分類腦電樣本的類型。

2.根據權利要求1所述的一種基于相關性分析的腦-機接口跨負荷線性判別方法，其特征在于，步驟S2中的Fisher準則如下：

其中Y代表待測樣本，Target代表判斷的目標樣本，Nontarget代表判斷的非目標樣本，f_f(x)代表最終的判別值，為低負荷數據X_l訓練出來的投影方向，為中負荷數據X_m訓練來的投影方向，為中高負荷數據X_h訓練來的投影方向ω_L0為低負荷數據訓練出來分類器的閾值，ω_M0為中負荷數據訓練出來分類器的閾值；ω_H0為高負荷數據訓練出來分類器的閾值，r_L為輸入待判別樣本與低負荷訓練集樣本計算出來的皮爾遜相關權重系數，r_M為輸入待判別樣本與中負荷訓練集樣本計算出來的皮爾遜相關權重系數，r_H為輸入待判別樣本與高負荷訓練集樣本計算出來的皮爾遜相關權重系數，F_Lr_L為待判別樣本r_L的判別值，F_Mr_M為待判別樣本r_M的判別值，F_Hr_H為待判別樣本r_H的判別值。

3.根據權利要求1所述的一種基于相關性分析的腦-機接口跨負荷線性判別方法，其特征在于，步驟S4中計算平均皮爾遜相關系數通過以下公式計算：

其中ρ_X，Y為相關系數，σ_X為X的標準差，σ_Y為Y的標準差，X代表不同狀態腦力負荷下的腦電數據，Y代表待測樣本，代表X的均值，μ_Y代表Y的均值。

4.根據權利要求1所述的一種基于相關性分析的腦-機接口跨負荷線性判別方法，其特征在于，步驟S4中權重轉化公式如下：

其中r_Y表示對應樣本Y轉化后的權重，p_Y表示對應樣本Y與訓練樣本的平均皮爾遜系數，p_l為低腦力負荷下視覺誘發事件相關電位任務下的腦電信號數據的皮爾遜相關系數，p_m為中腦力負荷下視覺誘發事件相關電位任務下的腦電信號數據的皮爾遜相關系數，p_h為高等腦力負荷下的視覺誘發事件相關電位任務下所采集的被試的腦電信號數據的皮爾遜相關系數。

5.根據權利要求1所述的一種基于相關性分析的腦-機接口跨負荷線性判別方法，其特征在于，步驟S5中加權求和值通過線性判別公式以及投票器，判斷待分類腦電樣本的類型，具體過程如下：首先對BCI中每個repetition中的所有樣本進行分類，設定單個repetition中有n種激勵，單個trial中有m個repetition；

其中為第j個repetition中第i種激勵的類，為該激勵樣本由分類器得到的閾值；由于在單個repetition中只需判斷一個激勵為Target，因此只挑選閾值最高的激勵為類1即為Target；其次疊加m個repetition下各種激勵的Target票數total_value與閾值總和total_w：

判斷單個trial第i種激勵的類category_i：

若該激勵類型的Target票數為n種激勵中票數最高，則該激勵判斷為Target；若存在與第i種激勵得票數一致且均為最高的其它激勵，則比較他們的閾值總和，若第i種激勵閾值總和高于其它激勵則為Target；若不為以上兩種情況則將其判斷為Nontarget。