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,C ...
【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; ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。