基于通用模型的减少P300训练时间的方法及装置制造方法及图纸

本发明专利技术涉及一种基于通用模型的减少P300训练时间的方法及装置。该减少P300训练时间的方法包括：步骤S1，建立通用模型集，包括以下步骤：步骤S11，数据获取；步骤S12，数据处理；步骤S13，模型训练；步骤S2，模型匹配，获取新被试的脑电数据，在线校准，使用所述通用模型集对新被试的脑电数据进行分类，与所述通用模型集中的通用模型进行匹配，选取最优匹配模型；步骤S3，完成新被试在线识别任务，使用所述最优匹配模型并结合自适应策略对新被试的脑电数据进行分类。通过本发明专利技术提供的方案有助于在新用户加入时仅需要少量个体数据进行校准便可以完成在线识别任务。完成在线识别任务。完成在线识别任务。

【技术实现步骤摘要】
基于通用模型的减少P300训练时间的方法及装置


[0001]本专利技术涉及脑
‑
机接口(Brian Computer Interface，简称BCI)技术通用模型构建领域，具体涉及一种基于通用模型的减少P300训练时间的方法及装置。

技术介绍

[0002]脑机接口技术(Brain Computer Interface，BCI)明确定义在1999年的第一届国际脑机接口技术会议上诞生，它是一种不依赖于大脑的正常输出通路(外周神经系统及肌肉组织)的脑
‑
计算机通讯系统。在1970年，Jacques Vidal教授及其团队研发了世界上第一个脑机接口系统，通过获取用户的大脑信息实现屏幕上鼠标的移动。脑机接口技术可将脑电图(electroencephalography，EEG)信号转化为控制命令，可以帮助患有肌萎缩侧索硬化症(amyotrophic lateral sclerosis,ALS)等疾病的患者实现与他人的沟通交流。
[0003]本专利技术对基于P300电位的脑机接口进行研究。P300与大脑认知过程的加工处理相关，是刺激开始后最大的正向波峰，其潜伏期为300ms左右，该电位可用于检测脑部异常活动或对认知过程的动态观察。目前，可诱发P300电位的刺激形式包括：视觉、听觉、触觉等。首例基于P300的脑机接口系统由Farewell团队提出，该oddball范式也成为经典P300视觉刺激范式之一。P300脑机接口性能可以通过分类准确率和信息传输率(information transfer rate,ITR)来评估。
[0004]基于P300的BCI需要长时间离线训练，导致用户疲劳，降低了系统的效率和性能。

技术实现思路

[0005]本专利技术要解决的技术问题是提供基于通用模型的减少P300训练时间的方法，提出了通用模型集的概念，并引入了一种结合模型匹配方法的在线训练策略，该减少P300训练时间的方法很容易被接受，并能实现更高水平的用户满意度。
[0006]为解决上述技术问题，本专利技术提供了一种基于通用模型的减少P300训练时间的方法，包括：
[0007]步骤S1，建立通用模型集，包括以下步骤：
[0008]步骤S11，数据获取，通过视觉棋盘格范式刺激诱发获取脑电数据；
[0009]步骤S12，数据处理，对所获取的脑电数据进行滤波去噪，并进行降维处理；
[0010]步骤S13，模型训练，对步骤S12处理后的脑电数据进行特征聚类，形成不同样本簇，将所述样本簇的数据分别训练加权线性判别分析分类器构建通用模型集；
[0011]步骤S2，模型匹配，获取新被试的脑电数据，在线校准，使用所述通用模型集对新被试的脑电数据进行分类，与所述通用模型集中的通用模型进行匹配，选取最优匹配模型；
[0012]步骤S3，完成新被试在线识别任务，使用所述最优匹配模型并结合自适应策略对新被试的脑电数据进行分类。
[0013]根据本专利技术的一个实施例，在步骤S11和步骤S2中获取脑电数据的方式一致。
[0014]根据本专利技术的一个实施例，在步骤S12中，采用巴特沃斯滤波器对脑电数据的带通
滤波，采用陷波滤波器去除所述脑电数据中的工频噪声。
[0015]根据本专利技术的一个实施例，在步骤S13中，采用主成分分析方法结合K近邻算法实现特征聚类，过程如下：
[0016]脑电数据由X＝{x1,
…
，x
N
}给出，N表示被试的数量，x
i
为该被试的列向量蕴含其全部特征，则主成分分析过程方法表达为：
[0017][0018][0019]设则s＝AA
T
，进行奇异值分解后得到矩阵协方差阵s的特征值λ
i
(i＝1,
…
,N)及特征向量v
i
(i＝1,
…
，N)，设λ
i
(i＝1,
…
，r)为不为零的特征值，归一化正交特征向量u
i
为：
[0020][0021]按照特征值大小对i(i＝1,
…
,r)进行降序排列并相应的调整特征向量u
i
的顺序，选择N
‑
p个主分量，p＝1,
…
,N
‑
1，变换后的数据由定义，其中Z的每一列(j∈{1，...，d})是主分量；
[0022]对主成分分析处理后的数据进行聚类处理，K近邻算法通过最小化簇方差来进行，设K为聚类簇的数量，则C＝{c
k
,k＝1,
…
,K}，定义是簇C
k
的质心，根据数据点和簇的质心之间的相异度来度量簇的相似度，μ
k
与簇C
k
中的点之间的平方误差定义为：
[0023][0024]K均值是通过最小化所有K个群集上的平方误差之和来确定，
[0025][0026]根据本专利技术的一个实施例，在步骤S13中，对所述样本簇的数据分别训练加权线性判别分析分类器，以获得每个样本簇的离线分类模型；
[0027]设为分类器的输入向量，y
i
∈{
‑
1，1}为标签向量，分别代表第1类G1和第2类G2，所需权重向量定义为
[0028][0029][0030]其中N
k
表示类别k中样本的数量，S
w
是散布内矩阵；
[0031][0032]根据离线分类结果的贡献率赋予不同的权重，利用各样本簇的特征来计算相应的判别向量w
k
(k＝1，
…
，10)，定义各样本簇的样本c
k
＝{x
i
,i＝1,
…
,n
k
}，其中n
k
是第k个样本簇中个体样本数量，使用训练好的所述判别向量w
k
对x
i
(i＝1，
…
，n
k
)分类，根据离线精度确
定特征权重，公式为：
[0033][0034]使用加权特征向量c
k
＝{x
i
e
i
，i＝1，
…
，n
k
}来重新训练判别向量w
′
k
(k＝1，...，10)，求得加权线性判别分析的加权向量：
[0035][0036][0037]通用模型集由各样本簇样本求得的加权线性判别分析的加权向量组成。
[0038]根据本专利技术的一个实施例，还包括步骤S4，完成主观报告。
[0039]根据本专利技术的一个实施例，在步骤S4中，各新被试的实验者需对实验舒适度进行打分，包含进行过程中情绪状态及疲劳程度。
[0040]本专利技术还提供了一种基于通用模型的减少P300训练时间的装置，包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通用模型的减少P300训练时间的方法，包括：步骤S1，建立通用模型集，包括以下步骤：步骤S11，数据获取，通过视觉棋盘格范式刺激诱发获取脑电数据；步骤S12，数据处理，对所获取的脑电数据进行滤波去噪，并进行降维处理；步骤S13，模型训练，对步骤S12处理后的脑电数据进行特征聚类，形成不同样本簇，将所述样本簇的数据分别训练加权线性判别分析分类器构建通用模型集；步骤S2，模型匹配，获取新被试的脑电数据，在线校准，使用所述通用模型集对新被试的脑电数据进行分类，与所述通用模型集中的通用模型进行匹配，选取最优匹配模型；步骤S3，完成新被试在线识别任务，使用所述最优匹配模型并结合自适应策略对新被试的脑电数据进行分类。2.如权利要求1所述的减少P300训练时间的方法，其特征在于，在步骤S11和步骤S2中获取脑电数据的方式一致。3.如权利要求1所述的减少P300训练时间的方法，其特征在于，在步骤S12中，采用巴特沃斯滤波器对所述脑电数据的带通滤波，采用陷波滤波器去除所述脑电数据中的工频噪声。4.如权利要求1所述的减少P300训练时间的方法，其特征在于，在步骤S13中，采用主成分分析方法结合K近邻算法实现特征聚类，过程如下：脑电数据由X＝{x1，...，x
N
}给出，N表示被试的数量，x
i
为该被试的列向量蕴含其全部特征，则主成分分析过程方法表达为：特征，则主成分分析过程方法表达为：设则s＝AA
T
，进行奇异值分解后得到矩阵协方差阵s的特征值λ
i
(i＝1，...，N)及特征向量v
i
(i＝1，...，N)，设λ
i
(i＝1，...，r)为不为零的特征值，归一化正交特征向量u
i
为：按照特征值大小对i(i＝1，...，r)进行降序排列并相应的调整特征向量u
i
的顺序，选择N
‑
p个主分量，p＝1，...，N
‑
1，变换后的数据由定义，其中Z的每一列是主分量；对主成分分析处理后的数据进行聚类处理，K近邻算法通过最小化簇方差来进行，设K为聚类簇的数量，则C＝{c
k
，k＝1，...，K}，定义是簇C
k
的质心，根据数据点和簇的质心之间的相异度来度量簇的相似度，μ
k
与簇C
k
中的点之间的平方误差定义为：K均值是通过最小化所有K个群集上的平方误差之和来确定，
5.如权利要求4所述的减少P300训练时间的方法，其特征在于，在步骤S13中，对所述样本簇的数据分别训练加权线性判别分析分类器，以获得每个样本簇的离线分类模型；设为分类器的输入向量，...

【专利技术属性】
技术研发人员：金晶，赵雪晴，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：