[發(fā)明專利]一種基于相關(guān)性分析的腦-機(jī)接口跨負(fù)荷線性判別方法

在審

• 申請?zhí)枺?/td>: 202110769354.2
• 申請日: 2021-07-07
• 公開（公告）號: CN113591598A
• 公開（公告）日: 2021-11-02
• 發(fā)明（設(shè)計(jì)）人: 李夢凡;左皓鑫;伍煜偉;廖文喆
• 申請（專利權(quán)）人: 河北工業(yè)大學(xué)
• 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(cái)知識產(chǎn)權(quán)代理有限公司 12226
• 代理人: 安孔川

本發(fā)明提供了一種基于相關(guān)性分析的腦?機(jī)接口跨負(fù)荷線性判別方法，包括以下內(nèi)容：獲取不同狀態(tài)腦力負(fù)荷下的腦電數(shù)據(jù)，對獲取的腦電信號數(shù)據(jù)采用Fisher準(zhǔn)則訓(xùn)練出多組分類器，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，對待分類腦電樣本與不同狀態(tài)下的腦電數(shù)據(jù)分別計(jì)算平均皮爾遜相關(guān)系數(shù)，轉(zhuǎn)化成權(quán)重系數(shù)；權(quán)重系數(shù)與線性判別值加權(quán)求和，加權(quán)求和值通過Fisher準(zhǔn)則及投票器，判斷待分類腦電樣本的類型。本發(fā)明所述的方法，通過設(shè)計(jì)不同腦力負(fù)荷狀態(tài)下的基于Fisher準(zhǔn)則的線性判別分類器，并采用皮爾遜相關(guān)系數(shù)與權(quán)重計(jì)算的轉(zhuǎn)化，獲得了待測樣本與訓(xùn)練樣本的權(quán)重系數(shù)，對最終判別式進(jìn)行了改進(jìn)，實(shí)現(xiàn)了對個(gè)體跨負(fù)荷狀態(tài)腦電數(shù)據(jù)的自適應(yīng)分類目的。

技術(shù)領(lǐng)域

本發(fā)明屬于生物醫(yī)學(xué)工程中的神經(jīng)工程領(lǐng)域，尤其是涉及一種基于相關(guān)性分析的腦-機(jī)接口跨負(fù)荷線性判別方法。

背景技術(shù)

腦力負(fù)荷是影響作業(yè)績效的重要因素，較高的腦力負(fù)荷都會使作業(yè)績效下降，而在腦-機(jī)接口等安全性要求高的方面，較高的腦力負(fù)荷會產(chǎn)生嚴(yán)重的后果。在分類器的融合方面，數(shù)據(jù)獲取、預(yù)處理、特征提取、分類器設(shè)計(jì)與訓(xùn)練和分類決策等步驟是模式分類問題的一般解決過程。分類器的融合分為數(shù)據(jù)層，特征層以及最終判決層的分類決策，如圖1所示，原始腦電數(shù)據(jù)在預(yù)處理，特征提取以及最后的分類上都可以做分類器層次的融合。由于數(shù)據(jù)融合需要提取不同生理數(shù)據(jù)，在腦-機(jī)接口中適用性不強(qiáng)，對于特征融合需要多種特征，腦-機(jī)接口多使用單一特征如事件相關(guān)電位，穩(wěn)態(tài)視覺誘發(fā)電位等，特征種類較少，因此多在融合算法層面進(jìn)行研究。

基于分類器的訓(xùn)練集和測試集的融合分類算法對構(gòu)建自適應(yīng)辨識腦-機(jī)接口系統(tǒng)起到關(guān)鍵作用，會直接影響系統(tǒng)的性能，腦-機(jī)接口系統(tǒng)構(gòu)建的核心問題是需要提高當(dāng)被試大腦處于不同腦負(fù)荷狀態(tài)下的識別率，并且在腦負(fù)荷狀態(tài)下辨識被試想要輸出的控制指令。楊幫華(自發(fā)腦電腦機(jī)接口技術(shù)及腦電信號識別方法研究[D].上海交通大學(xué),2007)在自適應(yīng)腦-機(jī)接口上對特征方面的融合進(jìn)行了遺傳算法的自適應(yīng)特征選取，徐等人(基于柔性織物腦電電極的虛擬現(xiàn)實(shí)情緒分類系統(tǒng)[D].華南理工大學(xué),2020)在對不同情緒腦電上采用了深度學(xué)習(xí)中的遷移學(xué)習(xí)算法，對不同情緒腦電的平均分類準(zhǔn)確率達(dá)到69.1％。而對基于傳統(tǒng)的線性判別分類方法的不同腦力負(fù)荷腦電數(shù)據(jù)的自適應(yīng)識別使用上還處于空白。

傳統(tǒng)的基于Fisher準(zhǔn)則的線性分類器因?yàn)槠湓谀X電信號的分類上效果好，便于訓(xùn)練使用而被廣泛的應(yīng)用，而由于使用者在高腦力負(fù)荷下的事件相關(guān)電位幅值的下降，以及訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的差異使得在個(gè)體跨負(fù)荷狀態(tài)的分類上效果有所下降。根據(jù)數(shù)據(jù)相似度來進(jìn)行最終線性判別式變化的自適應(yīng)線性判別法還未被用來使用。并且在判別決策的融合方面線性判別法的分類精度的提升方面比較少見。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明旨在提出一種基于相關(guān)性分析的腦-機(jī)接口跨負(fù)荷線性判別方法，以解決由于使用者在高腦力負(fù)荷下的事件相關(guān)電位幅值的下降，以及訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的差異使得在個(gè)體跨負(fù)荷狀態(tài)的分類上效果有所下降。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種基于相關(guān)性分析的腦-機(jī)接口跨負(fù)荷線性判別方法，包括以下步驟：

S1、獲取不同狀態(tài)腦力負(fù)荷下的腦電數(shù)據(jù)；

S2、對獲取的腦電信號數(shù)據(jù)采用Fisher準(zhǔn)則訓(xùn)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(tài)下的腦電數(shù)據(jù)分別計(jì)算平均皮爾遜相關(guān)系數(shù)，并將皮爾遜相關(guān)系數(shù)通過權(quán)重轉(zhuǎn)化公式轉(zhuǎn)化成權(quán)重系數(shù)；

S5、將權(quán)重系數(shù)與線性判別值加權(quán)求和，加權(quán)求和值通過Fisher準(zhǔn)則及投票器，判斷待分類腦電樣本的類型。

進(jìn)一步的，步驟S2中的Fisher準(zhǔn)則如下：