一种多类别运动想象分类识别方法技术

本发明专利技术涉及脑‑机接口技术领域，尤其涉及一种多类别运动想象分类识别方法。本发明专利技术的多类别运动想象分类识别方法基于奇异值分解与深度玻尔兹曼机，利用奇异值分解算法对各导联运动想象特征矩阵进行降维、消噪，采用深度玻尔兹曼机对运动想象特征进行深层抽象，以提取潜在运动想象特征。本发明专利技术方法与现有技术相比，能够直接实现多类别运动想象识别且可自适应消噪，并显著地提高运动想象识别正确率。

A multi class motion imaginary classification method

The present invention relates to the technical field of brain machine interface, in particular to a multi class motor imagery classification method. The invention of the multi class motor imagery classification and recognition method of singular value decomposition and the depth of the Boltzmann machine based on SVD algorithm on the lead features of motor imagery matrix dimensionality reduction and denoising, using the depth of Boltzmann machine features of motor imagery deep abstraction, to extract the potential features of motor imagery. Compared with the existing technology, the method can directly realize multi class motion imagination recognition, and can automatically de-noising, and significantly improve the accuracy of motion imagination recognition.

【技术实现步骤摘要】
一种多类别运动想象分类识别方法
本专利技术涉及脑-机接口(Brain-computerInterface,BCI)
，尤其涉及一种多类别运动想象分类识别方法，更加具体地，涉及一种基于奇异值分解与深度波尔兹曼机的多类别运动想象分类识别方法。
技术介绍
数据显示，全球每6秒就有一人中风，约20秒就有一人因中风而死。因中风的高发病率、高死亡率、高致残率、高复发率等特点，医学界将中风同冠心病、癌症并称为威胁人类健康的三大疾病之一。脑康复是基于脑的可塑性，通过特定的训练设备和手段使脑损伤患者重新学习以恢复日常肢体运动功能的技术。传统康复治疗对受损大脑皮质的重建以及外部肢体和大脑之间的功能控制连接修复相对有限，这使得患者虽然进行了较长时间的康复治疗但效果却不够理想。脑-机接口技术不依赖于人的周围神经系统和肌肉通路，可直接实现大脑与外部设备间的连接通信，是一种有效的神经运动功能康复训练手段。尤其，基于运动想象的脑-机接口技术(MI-BCI)在增强患者康复治疗主动性、改善康复治疗效果方面具有重要应用价值，已成为研究热点。运动想象分类识别正确率的提高对降低个体差异与噪声干扰影响，缩短康复训练时间，提高康复训练效率至关重要。国内外学者们一直致力于单次试验运动想象分类识别正确率的提高。例如，共空间模式(CommonSpatialPatterns,CSP)就是一种有效的提取运动想象特征的方法，该方法通过同时对角化两类运动想象的协方差矩阵，使得其中一类方差最大，而另一类方差最小，从而实现特征的分类和提取。然而，该方法对噪声和个体差异较为敏感，进而影响分类结果的稳定性。此外，CSP预处理采用的滤波频带需依靠经验人为地选取，这对特征提取影响较大，使其易受带内噪声的影响。为了改善CSP的性能，学者们开展了大量研究，提出了一系列CSP方法的变型，典型的有：稀疏共空间-频谱模式(CommonSparseSpectralSpatialPattern,CSSSP)；正则化共空间模式(RegularizedCommonSpatialPatterns,RCSP)；滤波器组共空间模式(FilterBankCommonSpatialPatterns,FBCSP)等。其中，FBCSP是一种性能较为优异的方法，该方法的滤波频带和时域范围可通过互信息选取。然而，其子频带的带宽仍需手动选取。上述各方法致力于提高二分类的分类识别正确率，当处理多分类运动想象任务时，就需要多个二分类器，从而导致任务处理负担增加并降低了算法的分类能力。
技术实现思路
(一)要解决的技术问题本专利技术的目的在于提供一种能够直接实现多分类识别、且可自适应消噪的高正确率运动想象分类识别方法。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：本专利技术提供一种多类别运动想象分类识别方法，尤其是一种基于奇异值分解(SingularValueDecomposition,SVD)与深度玻尔兹曼机(DeepBoltzmannMachine,DBM)的多类别运动想象分类识别方法，包括：步骤一、受试者进行若干次多类别运动想象任务，并通过多通道脑电信号采集系统采集受试者每次进行多类别运动想象任务时的脑电信号；步骤二、对所有采集的脑电信号进行预处理，获取仅包含运动想象特征频带的脑电信号；步骤三、将每次试验对应的脑电信号片段从已预处理过的脑电信号中逐一截取并检验，去除受伪差干扰的脑电信号片段；步骤四、对应于无伪差干扰的各次试验的脑电信号片段，将其每个导联上运动想象过程脑电信号进行分段并重构，以获取每次试验各导联的运动想象特征矩阵；步骤五、采用奇异值分解算法对所有运动想象特征矩阵进行降维、消噪，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量；步骤六、对应于无伪差干扰的各次试验，将每次试验的所有导联的一维运动想象特征向量构成一个特征空间(即最终每次试验对应一个特征空间)，并将所有这些特征空间共同组成试验数据集；步骤七、基于试验数据集，采用K-fold交叉验证方法重复执行如下模型训练步骤和分类测试步骤，实现对多类别运动想象任务的分类识别；其中，模型训练步骤为：采用深度玻尔兹曼机，基于从试验数据集中选出的训练数据集进行训练，构建特征模型；分类测试步骤为：基于从试验数据集中选出的测试数据集提取潜在特征，并测试分类正确率。根据本专利技术，在步骤一中，将脑电信号采集过程的采样率设置为1200Hz，同时利用硬件设置陷波滤波器为48Hz-52Hz，带通滤波器为0.5Hz-200Hz，以消除脑电信号采集过程中的工频干扰并抑制噪声。根据本专利技术，在步骤二中，利用5Hz-30Hz的带通滤波器对采集的脑电信号进行滤波，获取仅包含运动想象特征频带的脑电信号，以去除5Hz-30Hz以外频段对特征提取的影响。根据本专利技术，在步骤四中，对应于无伪差干扰的各次试验脑电信号片段，通过采用长度为0.5s不重叠的矩形时间窗对每个导联上运动想象过程脑电信号进行分段。根据本专利技术，步骤五包括如下子步骤：步骤a、对所有运动想象特征矩阵进行奇异值分解，提取相应的奇异值矩阵；步骤b、对于每个奇异值矩阵，重构每个奇异值对应的特征分量，并对重构后的各个特征分量进行互相关分析，通过将平均互相关系数绝对值最小值对应的奇异值矩阵维度置零方式获得消噪后奇异值矩阵，去除伪差、噪声对应的特征分量；步骤c、采用每个消噪后的奇异值矩阵及其对应的酉矩阵对运动想象特征进行重构，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量。根据本专利技术，在步骤六中，将试验数据集的全部或部分随机均分10份(如试验数据集中数据个数不能均分为10份，那么便可随机剔除个别试验数据以便均分)，并轮流将其中9份作为一组训练数据集，1份作为测试数据集，将构成的10种不同训练数据集与测试数据集的组合作为K-fold交叉验证数据集。根据本专利技术，针对每组训练数据集均进行一次模型训练步骤；在模型训练步骤中，设置深度波尔兹曼机(DBM)的隐藏层数、各层节点数以及反向传播次数范围，将深度波尔兹曼机(DBM)拆分为一系列限制玻尔兹曼机(RestrictedBoltzmannMachine,RBM)堆，并将位于最底层限制玻尔兹曼机(RBM)的可见层单元数以及位于最顶层限制玻尔兹曼机(RBM)的隐藏层单元数加倍，基于当前组训练数据集采用逐层贪婪算法训练修改后的限制玻尔兹曼机(RBM)堆，将限制玻尔兹曼机(RBM)堆自底向上和自顶向下两个方向上的权重进行均分，将这一系列限制玻尔兹曼机(RBM)堆重新组合成当前组训练数据集所对应的深度波尔兹曼机(DBM)模型。可理解，每次模型训练步骤最终得到对应于当前组训练数据集的一个DBM模型。根据本专利技术，针对每组测试数据集均进行一次分类测试步骤；在分类测试步骤中，利用当前测试数据集测试当前对应的已训练过的深度波尔兹曼机(DBM)模型的分类正确率；步骤七还包括：将所有组分类正确率进行平均以表征平均分类正确率。(三)有益效果本专利技术的有益效果是：本专利技术的多类别运动想象分类识别方法基于奇异值分解与深度玻尔兹曼机，利用奇异值分解算法对运动想象特征矩阵进行降维、消噪，采用深度玻尔兹曼机对运动想象特征进行深层抽象，以提取潜在运动想象信息。本专利技术方法与现有技术相比，可实现对多类本文档来自技高网...

【技术保护点】
一种多类别运动想象分类识别方法，其特征在于，包括：步骤一、受试者进行若干次多类别运动想象任务，并通过多通道脑电信号采集系统采集受试者每次进行多类别运动想象任务时的脑电信号；步骤二、对所有采集的脑电信号进行预处理，获取仅包含运动想象特征频带的脑电信号；步骤三、将每次试验对应的脑电信号片段从已预处理过的脑电信号中逐一截取并检验，去除受伪差干扰的脑电信号片段；步骤四、对应于无伪差干扰的各次试验的脑电信号片段，将其每个导联上运动想象过程脑电信号进行分段并重构，以获取每次试验各导联的运动想象特征矩阵；步骤五、采用奇异值分解算法对所有运动想象特征矩阵进行降维、消噪，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量；步骤六、对应于无伪差干扰的各次试验，将每次试验的所有导联的一维运动想象特征向量构成一个特征空间，并将所有这些特征空间共同组成试验数据集；步骤七、基于所述的试验数据集，采用K‑fold交叉验证方法重复执行如下模型训练步骤和分类测试步骤，实现对多类别运动想象任务的分类识别；其中，所述模型训练步骤为：采用深度玻尔兹曼机，基于从所述试验数据集中选出的训练数据集进行训练，构建特征模型；所述分类测试步骤为：基于从所述试验数据集中选出的测试数据集提取潜在特征，并测试分类正确率。...

【技术特征摘要】
1.一种多类别运动想象分类识别方法，其特征在于，包括：步骤一、受试者进行若干次多类别运动想象任务，并通过多通道脑电信号采集系统采集受试者每次进行多类别运动想象任务时的脑电信号；步骤二、对所有采集的脑电信号进行预处理，获取仅包含运动想象特征频带的脑电信号；步骤三、将每次试验对应的脑电信号片段从已预处理过的脑电信号中逐一截取并检验，去除受伪差干扰的脑电信号片段；步骤四、对应于无伪差干扰的各次试验的脑电信号片段，将其每个导联上运动想象过程脑电信号进行分段并重构，以获取每次试验各导联的运动想象特征矩阵；步骤五、采用奇异值分解算法对所有运动想象特征矩阵进行降维、消噪，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量；步骤六、对应于无伪差干扰的各次试验，将每次试验的所有导联的一维运动想象特征向量构成一个特征空间，并将所有这些特征空间共同组成试验数据集；步骤七、基于所述的试验数据集，采用K-fold交叉验证方法重复执行如下模型训练步骤和分类测试步骤，实现对多类别运动想象任务的分类识别；其中，所述模型训练步骤为：采用深度玻尔兹曼机，基于从所述试验数据集中选出的训练数据集进行训练，构建特征模型；所述分类测试步骤为：基于从所述试验数据集中选出的测试数据集提取潜在特征，并测试分类正确率。2.根据权利要求1所述的多类别运动想象分类识别方法，其特征在于，在所述步骤一中，将脑电信号采集过程的采样率设置为1200Hz，同时利用硬件设置陷波滤波器为48Hz-52Hz，带通滤波器为0.5Hz-200Hz，以消除脑电信号采集过程中的工频干扰并抑制噪声。3.根据权利要求1所述的多类别运动想象分类识别方法，其特征在于，在所述步骤二中，利用5Hz-30Hz的带通滤波器对采集的脑电信号进行滤波，获取仅包含运动想象特征频带的脑电信号，以去除5Hz-30Hz以外频段对特征提取的影响。4.根据权利要求1所述的多类别运动想象分类识别方法，其特征在于，在所述步骤四中，对应于无伪差干扰的各次试验脑...

【专利技术属性】
技术研发人员：于忠亮，宋锦春，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21