【技术实现步骤摘要】
本专利技术属于脑电信号处理，具体设计一种基于动态超图学习的脑电言语想象识别方法。
技术介绍
1、脑机接口(brain-computer interface，bci)技术作为一种创新的通信方式，是一种涉及认知科学、神经科学、生物技术、生物医学工程、信息技术、计算机科学和应用数学等多学科的交叉技术。它无需依赖于传统的神经肌肉通路，允许大脑与电子设备之间直接交流，将使用者的脑活动信号进行分析并将其转化为指令，这项技术在帮助言语或肢体功能受限的人士与外界沟通方面展现了巨大的潜力。脑机接口目前已经被开发并测试用来控制交流设备，可以帮助患有言语障碍类神经系统疾病患者实现与外界的交互，使其无需发声，只需在脑内想象发音即可表达其意图，此类脑机接口技术被称为言语想象脑机接口。
2、言语想象是个体在大脑中模拟语言产生的过程，它不涉及实际语言的输出，在言语想象过程中，可以检测到大脑产生的生理信号即脑电图(electroencephalography，eeg)，通过对脑电信号进行预处理及分析，就能对个体的意图进行解码并传达给外界。基于言语想象的脑机接口的优势在于它是最为接近日常生活中口头交流的一种形式，使用体验更加自然，能够帮助患有语言障碍、闭锁综合征、肌萎缩性侧索硬化症等疾病的病人与外界进行更为直接有效的交流，还可在其康复过程中起到辅助作用。
3、对提取到的脑电数据构建关系模型是分析数据进行解码的重要前提。在传统机器学习领域中，图作为一种高效的关系表达结构而被广泛研究和应用。但在脑生理信号分析领域中，不同脑区、不同频段及不同特
4、然而在传统的静态超图学习过程中，超图本身结构并不会改变，只会依据初始数据构建的超图进行解码结果的更新，这使模型易受原始数据中噪声及异常点的影响，且不能有效利用学习过程中出现的新信息，从而降低模型准确性。因此，在学习过程中可以动态自适应改变超图参数的模型将具有更优的表现，本专利技术将锚定这一方向来进行模型的构建。
技术实现思路
1、本专利技术针对在言语想象脑机接口这一领域中，超图学习过程中如何对超图实现动态更新这一问题，提出了一种基于动态超图学习的脑电言语想象识别方法。本专利技术提出的模型在超图学习过程中，可以动态自适应地更新超图中顶点的权重、超边权重以及超图自身结构，使模型在学习过程中也能动态更新以学习有效信息。另外，为增强模型的鲁棒性，本专利技术还引入了一个随超图动态更新的特征投影矩阵，将原始特征数据从高维特征空间投影到一个低维特征子空间中，以此降低原始数据空间中的噪声以及异常点的影响。在得到更新后的投影矩阵后，对特征投影矩阵进行分析，得到各通道及各频段的重要性并加以量化，将分析结果再反馈回解码模型中以提升模型效率及精度。考虑到实际应用过程中的数据采集标注及时间成本和识别准确性，本专利技术采用的算法属于半监督学习，需同时输入标记数据和未标记数据进行模型的训练。
2、第一方面，本专利技术提供一种基于动态超图学习的脑电言语想象识别方法，其包括如下步骤：
3、步骤1、采集多名被试者在不同言语想象任务下的带标记脑电数据；对进行脑电言语想象的被测对象采集脑电数据；
4、步骤2、对被测脑电数据和带标记的脑电数据进行预处理及特征提取，得到样本特征矩阵；样本特征矩阵分为有标记样本特征矩阵xl及无标记样本特征矩阵xu；
5、步骤3、以超图描述样本间相关性，动态更新超图顶点权重、超边权重及超图结构，并引入对样本特征进行降维的特征投影矩阵，构建出基于动态超图学习的机器学习模型的目标函数；
6、步骤4、对目标函数中的变量进行求解，得到特征投影矩阵和脑电意图解码结果矩阵。基于脑电意图解码结果矩阵获得被测脑电数据对应的言语想象类别。
7、作为优选，步骤3中构建的目标函数如下：
8、
9、其中，为超图的拉普拉斯矩阵，用于描述样本间的高阶关系。为样本的脑电意图解码结果矩阵，h为超图的关联矩阵，u为样本的顶点权重对角矩阵，dv为顶点度对角矩阵，其对角线上元素为为超边度对角矩阵，其对角线上元素为为特征投影矩阵，其中f为投影后的特征数，w＝(w1，w2，…，wm)为代表超边权重的向量，其中wi(i＝1，2，…，m)为各条超边的权重，xl为有标记样本特征矩阵，yl为对应的样本脑电意图类别矩阵，i为单位矩阵，α、β为正则项系数。目标函数第一项为使超图在标签空间上光滑的正则项，同时也使标签矩阵在超图结构上光滑，它能够让在超图中连接较强的样本共享相似的解码结果，实现脑电意图类别预测；第二项为使超图在特征空间上光滑的正则项，结合约束mtxxtm＝i，即可学习原始特征空间到低维特征空间的投影矩阵，根据投影后的样本特征，可更新顶点权重及超图结构；第三项为w的2-范数正则项，结合前两项及约束wt1＝1和wi＞0(i＝1，2，…，m)，即可学习每条超边的权重。
10、作为优选，步骤4中，在得到特征投影矩阵和脑电意图解码结果矩阵后，根据特征投影矩阵，建立描述特征向量中所有维度重要性的特征重要性向量m；根据特征重要性向量m，计算脑电采集的各通道及各频段的相对重要性；根据重要性的大小，提取出重要性高的部分特征向量，构建新的样本特征矩阵；将新的样本特征矩阵输入目标函数进行求解，得到更新后的脑电意图解码结果矩阵。
11、作为优选，根据特征重要性向量m计算各频段及各通道相对重要性的方法如下：
12、计算各频段重要性frequent(i)的表达式如下：
13、
14、其中，i为频段序号；p为提取的特征类别数，ch为通道数；m((i-1)×p×ch+k)为特征重要性向量m中第((i-1)×p×ch+k)个元素；
15、计算各通道重要性channel(j)的表达式如下：
16、
17、其中，fre为频段数。
18、作为优选，提取的特征类型共有三种，分别为统计、时域、频域特征。提取的频段共有五个，分别为delta频段、theta频段、alpha频段、beta频段、gamma频段。提取的通道共有64个。
19、作为优选，
20、步骤2中对脑电数据进行预处理及特征提取的过程为：首先进行陷波滤波去除50hz的工频噪声，并去除眼动及肌电伪迹，随后使用五阶巴特沃斯滤波器提取出各目标频段数据；之后在各目标频段数据上进行统计、时域、频域特征提取；统计特征为偏度和峰度中的一种或多种，时域特征为香农熵；频域特征为功率谱熵。对于单个样本，将上述提取出的所有特征拼接为一个特征向量，设特征个数为d，则得到一个d×1的特征向量，对于所有样本，则得到d×n的样本特征矩阵x。
21、作为优选，步本文档来自技高网...
【技术保护点】
1.一种基于动态超图学习的脑电言语想象识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤3中构建的目标函数如下：
3.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤4中，在得到特征投影矩阵和脑电意图解码结果矩阵后，根据特征投影矩阵，建立描述特征向量中所有维度重要性的特征重要性向量m；根据特征重要性向量m，计算脑电采集的各通道及各频段的相对重要性；根据重要性的大小，提取出部分特征向量，构建新的样本特征矩阵；将新的样本特征矩阵输入目标函数进行求解，得到更新后的脑电意图解码结果矩阵。
4.根据权利要求3所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：根据特征重要性向量m计算各频段及各通道相对重要性的方法如下：
5.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：提取的特征类型共有三种，分别为统计、时域、频域特征；提取的频段共有五个，分别为Delta频段、Theta频段、Alpha频段、Beta
6.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：
7.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤1中，对被试同时施加言语想象的视觉刺激及听觉刺激，得到不同言语想象任务下的脑电数据。
8.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤4中对目标函数进行求解的过程为：初始化目标函数中的各变量后，并利用联合迭代优化法，对脑电意图解码结果矩阵F、特征投影矩阵M、超图关联矩阵H以及超边权重矩阵W进行求解。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述存储器存储计算机程序；所述处理器执行如权利要求1-8中任意一项所述的基于动态超图学习的脑电言语想象识别方法。
10.一种可读存储介质，存储有计算机程序；其特征在于：所述计算机程序被处理器执行时用于实现如权利要求1-8中任意一项所述的基于动态超图学习的脑电言语想象识别方法。
...【技术特征摘要】
1.一种基于动态超图学习的脑电言语想象识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤3中构建的目标函数如下：
3.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：步骤4中，在得到特征投影矩阵和脑电意图解码结果矩阵后，根据特征投影矩阵，建立描述特征向量中所有维度重要性的特征重要性向量m；根据特征重要性向量m，计算脑电采集的各通道及各频段的相对重要性；根据重要性的大小，提取出部分特征向量，构建新的样本特征矩阵；将新的样本特征矩阵输入目标函数进行求解，得到更新后的脑电意图解码结果矩阵。
4.根据权利要求3所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：根据特征重要性向量m计算各频段及各通道相对重要性的方法如下：
5.根据权利要求1所述的一种基于动态超图学习的脑电言语想象识别方法，其特征在于：提取的特征类型共有三种，分别为统计、时域、频域特征；提取的频段共有五个，分别为delta频段、theta频段、alpha频段、be...
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。