ErrP自适应共空间模式识别方法技术

本发明专利技术涉及一种ErrP自适应共空间模式识别方法。ErrP在脑机接口、康复医疗、机器人领域有着广泛的应用，识别ErrP是应用ErrP的前提，本方法解决了ErrP识别中的一个关键问题。针对不同人的ErrP呈现不同时空特性的特点，本方法根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线，再以决定系数曲线为基础选取ErrP显著的时间窗口。在时间窗口范围内用共空间模式来突显ErrP的空间特性，形成了一个能够适应不同时空特性的识别ErrP的方法。

【技术实现步骤摘要】
ErrP自适应共空间模式识别方法
本专利技术涉及一种ErrP自适应共空间模式识别方法。
技术介绍
ErrP在脑机接口、康复医疗、机器人领域有着广泛的应用，识别ErrP是应用ErrP的前提，由于不同人的ErrP呈现不同时空特性的特点，而现有的ErrP识别方法显然难以适应ErrP的不同时空特性，为此需要一种能够实现自动适应不同时空特性的ErrP识别方案。
技术实现思路
本专利技术的目的在于解决了ErrP识别的问题，提供一种ErrP自适应共空间模式识别方法，以适应于不同时空特性的ErrP识别。为实现上述目的，本专利技术的技术方案是：一种ErrP自适应共空间模式识别方法，包括如下步骤：步骤1：一个反馈被呈现给用户后的一小段时间内采集的脑电数据称为一个trial的脑电样本，一般采集反馈被呈现给用户后1秒钟的脑电数据作为一个trial的脑电样本，一组标记为正确或错误反馈并经过规范化预处理后的脑电样本组成了一个用户的脑电数据训练集；根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线；步骤2：依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口；步骤3：针对每个截取窗口，用共空间模式在用户的脑电数据训练集上训练出一个特征提取矩阵；步骤4：用每个截取窗口截取脑电训练数据，用对应着各个截取窗口的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把每个trial的各截取窗口的特征向量连接为一个特征向量，从而把脑电数据训练集转变成脑电特征向量训练集；步骤5：在脑电特征向量训练集上训练分类器；步骤6：对于待识别的一个trial的脑电数据，用每个截取窗口截取脑电训练数据，用对应着的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把各截取窗口的特征向量连接为一个特征向量，特征向量送入分类器计算得出识别结果。在本专利技术一实施例中，所述步骤1中为用户的每个导联构造一条随时间变化的决定系数曲线，具体方法为：把每个对应正确的trial标记为1，对应错误的trial标记为0；把每个时刻的脑电采样数据作为自变量，trial的标记作为因变量，构建线性回归模型，计算决定系数，一个导联上每个时刻的决定系数构成了一条随时间变化的决定系数曲线。在本专利技术一实施例中，所述步骤2中依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口，具体方法为：用单道时间窗算法处理每个导联的决定系数曲线，针对一个导联得到一组时间窗，用多道时间窗算法把多个导联的时间窗合并成一组时间窗，再从合并后的那组时间窗中选取顶点峰值最大的若干个时间窗；其中，单道时间窗算法描述如下：输入：r[len]，gap，r[len]为表示决定系数曲线的向量，长度为len，gap是相邻两个顶峰间的最小距离；输出：S，S表示存储时间窗口的堆栈，每个时间窗口由峰值及其位置表示；步1-1：设置栈S为空，loc为0；步1-2：设置pre.p为0,pre.i为1+gap，把pre压入栈S；步1-3：loc=loc+1；步1-4：求r[loc:loc+2*gap]（最后一个时间窗有可能越界，取到后边界为止）的最大值peak和它的位置pos，取出S的栈顶结点值赋值给pre；步1-5：若|pos-pre.i|>gap，转步1-8；步1-6：若peak<pre.p,则转步1-9；步1-7：将S栈顶结点弹出；步1-8：cur.p=peak,cur.i=pos，把cur压入栈S中；步1-9：若loc+2*gap<len，loc=loc+2*gap，转步1-3；否则，输出S，结束；多道时间窗算法描述如下：输入：S1,…,SN,gap,len，S1,…,SN为单道时间窗算法输出的一个被试N个导联时间窗栈，这里当作队列使用，gap是相邻两个顶峰间的最小距离，len是决定系数曲线的长度；输出：P，存储时间窗口的堆栈，每个时间窗口由峰值及其位置表示；步2-1：设置pre.p为0,pre.i为0，并设置空栈P中；步2-2：若S1,…,SN全为空，转步2-11；步2-3：取S1,…,SN中对头结点中顶峰位置最小者，赋值给cur；步2-4：若cur.i-gap<1,则转步2-2；步2-5：若cur.i+gap>len，则转步2-2；步2-6：若cur.i-pre.i>gap，则转步2-9；步2-7：若cur.p<pre.p，则转步2-2；步2-8：将P的栈顶结点弹出；步2-9：将cur压入栈P；步2-10：用cur更新pre，转步2-2；步2-11：输出P，结束。相较于现有技术，本专利技术具有以下有益效果：本专利技术方法针对不同人的ErrP呈现不同时空特性的特点，根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线，再以决定系数曲线为基础选取ErrP显著的时间窗口，在时间窗口范围内用共空间模式来突显ErrP的空间特性，形成了一个能够适应不同时空特性的识别ErrP的方法。附图说明图1为本专利技术一实施例的方法流程图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术实施例提供了一种ErrP自适应共空间模式识别方法，如图1所示，应用本识别方法包括如下步骤：步骤1：收集待识别脑电数据信号：步骤2：分段截取脑电数据，将各分段脑电信号转换为各分段的特征向量，再把各分段的特征向量连接为一个特征向量；步骤3：通过分类器计算得出识别结果。进一步的，本方法的模型构建包括如下步骤：步骤1：一个反馈被呈现给用户后的一小段时间内采集的脑电数据称为一个trial的脑电样本，一组标记为正确或错误反馈并经过规范化预处理后的脑电样本组成了一个用户的脑电数据训练集；根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线；步骤2：依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口；步骤3：针对每个截取窗口，用共空间模式在用户的脑电数据训练集上训练出一个特征提取矩阵；步骤4：用每个截取窗口截取脑电数据，用对应的各个截取窗口的特征提取矩阵把截取下来的脑电数据转换为特征向量，再把每个trial的各截取窗口的特征向量连接为一个特征向量；从而把脑电数据训练集转变成脑电特征向量训练集；在脑电特征向量训练集上训练分类器。进一步的，所述模型构建的步骤1具体实现方法为：把每个对应正确的trial记为1，对应错误的trial记为0；把每个时刻的脑电采样数据作为自变量，trial的标记作为因变量，构建线性回归模型，计算决定系数，一个导联上每个时刻的决定系数构成了一条随时间变化的决定系数曲线。进一步的，所述模型构建的步骤2具体实现方法为：用单道时间窗算法处理每本文档来自技高网...

【技术保护点】
1.一种ErrP自适应共空间模式识别方法，其特征在于，包括如下步骤：/n步骤1：一个反馈被呈现给用户后的一小段时间内采集的脑电数据称为一个trial的脑电样本，一组标记为正确或错误反馈并经过规范化预处理后的脑电样本组成了一个用户的脑电数据训练集；根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线；/n步骤2：依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口；/n步骤3：针对每个截取窗口，用共空间模式在用户的脑电数据训练集上训练出一个特征提取矩阵；/n步骤4：用每个截取窗口截取脑电训练数据，用对应着各个截取窗口的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把每个trial的各截取窗口的特征向量连接为一个特征向量，从而把脑电数据训练集转变成脑电特征向量训练集；/n步骤5：在脑电特征向量训练集上训练分类器；/n步骤6：对于待识别的一个trial的脑电数据，用每个截取窗口截取脑电训练数据，用对应的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把各截取窗口的特征向量连接为一个特征向量，特征向量送入分类器计算得出识别结果。/n

【技术特征摘要】
1.一种ErrP自适应共空间模式识别方法，其特征在于，包括如下步骤：
步骤1：一个反馈被呈现给用户后的一小段时间内采集的脑电数据称为一个trial的脑电样本，一组标记为正确或错误反馈并经过规范化预处理后的脑电样本组成了一个用户的脑电数据训练集；根据用户的脑电数据训练集，为用户的每个导联构造一条随时间变化的决定系数曲线；
步骤2：依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口；
步骤3：针对每个截取窗口，用共空间模式在用户的脑电数据训练集上训练出一个特征提取矩阵；
步骤4：用每个截取窗口截取脑电训练数据，用对应着各个截取窗口的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把每个trial的各截取窗口的特征向量连接为一个特征向量，从而把脑电数据训练集转变成脑电特征向量训练集；
步骤5：在脑电特征向量训练集上训练分类器；
步骤6：对于待识别的一个trial的脑电数据，用每个截取窗口截取脑电训练数据，用对应的特征提取矩阵把截取下来的脑电训练数据转换为特征向量，再把各截取窗口的特征向量连接为一个特征向量，特征向量送入分类器计算得出识别结果。


2.权利要求1所述的ErrP自适应共空间模式识别方法，其特征在于，所述步骤1中为用户的每个导联构造一条随时间变化的决定系数曲线，具体方法为：
把每个对应正确的trial标记为1，对应错误的trial标记为0；把每个时刻的脑电采样数据作为自变量，trial的标记作为因变量，构建线性回归模型，计算决定系数，一个导联上每个时刻的决定系数构成了一条随时间变化的决定系数曲线。


3.权利要求1所述的ErrP自适应共空间模式识别方法，其特征在于，所述步骤2中依据用户所有导联的决定系数曲线确定用户的脑电数据截取窗口，具体方法为：
用单道时间窗算法处理每个导联的决定系数曲线，针对一个导联得到一组时间窗；用多道时间窗算法把多个导联的时间窗合并成一组时间窗；再从合并后的那组时间窗中选取顶点峰值最大的若干个时间窗；
其中，单道时...

【专利技术属性】
技术研发人员：黄志华，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35