專利名稱：基于通道加權(quán)支持向量的運(yùn)動(dòng)想象腦電分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別領(lǐng)域，涉及一種運(yùn)動(dòng)想象腦電信號(hào)模式識(shí)別方法，特別涉及一種用于智能康復(fù)輔具控制的多運(yùn)動(dòng)想象任務(wù)分類方法。
背景技術(shù)：
大腦作為控制人類的思想、行為、情緒等活動(dòng)的中樞，分析處理從外部環(huán)境獲取的信息，通過(guò)神經(jīng)肌肉通路完成與外界的交流。然而，不少異常疾病，如脊髓損傷、肌萎縮側(cè)索硬化癥、腦中風(fēng)等，都能損傷或削弱控制肌肉的神經(jīng)通路以及肌肉本身的功能。病情嚴(yán)重的患者可能完全喪失自主控制的能力，甚至影響說(shuō)話等功能，完全沒(méi)有辦法用傳統(tǒng)的方式表達(dá)意愿或與外界交流。我國(guó)乃至全世界有成百上千萬(wàn)人受此類疾病困擾，盡管現(xiàn)代生命支持技術(shù)可以維持部分患者的生命，但是由此給患者、家庭和社會(huì)帶來(lái)了無(wú)盡的痛苦和沉重的負(fù)擔(dān)。從人體運(yùn)動(dòng)的源頭出發(fā),直接提取大腦信號(hào)解讀患者的意愿,或?qū)⒋竽X信號(hào)解讀成相應(yīng)的命令來(lái)實(shí)現(xiàn)與外部世界的交流和控制，實(shí)現(xiàn)腦-機(jī)交互。以人類大腦為對(duì)象的頭皮腦電(EEG)信號(hào)研究表明，它主要由各種節(jié)律性電活動(dòng)組成，與運(yùn)動(dòng)想象緊密聯(lián)系的一種電生理現(xiàn)象是事件相關(guān)去同步(ERD)和事件相關(guān)同步(ERS)現(xiàn)象。ERD/ERS現(xiàn)象所引起特定頻段腦電波分布位置以及強(qiáng)度的差別，為區(qū)分不同的運(yùn)動(dòng)想象任務(wù)所產(chǎn)生腦電信號(hào)提供了識(shí)別基礎(chǔ)。目前，國(guó)內(nèi)外多個(gè)研究小組開(kāi)展了基于ERD/ERS運(yùn)動(dòng)想象腦電信號(hào)的模式分類方法和實(shí)驗(yàn)研究。奧地利Graz科技大學(xué)Pfurtscheller教授領(lǐng)導(dǎo)的研究小組成功建立了 Graz 1、11系統(tǒng)，部分受試者經(jīng)過(guò)訓(xùn)練后，在兩類運(yùn)動(dòng)想象任務(wù)識(shí)別中可獲得高達(dá)85%的在線分類正確率，然而在三類運(yùn)動(dòng)想象任務(wù)識(shí)別中只有77%。美國(guó)Minnesota大學(xué)He等利用運(yùn)動(dòng)想象腦電對(duì)虛擬環(huán)境中的直升機(jī)進(jìn)行了快速、連續(xù)的控制，總體上三名受試者獲得了大約85%的正確率。國(guó)內(nèi)，清華大學(xué)高上凱研究小組開(kāi)展了基于運(yùn)動(dòng)想象的光標(biāo)移動(dòng)、康復(fù)輔助訓(xùn)練等BCI系統(tǒng)研究，在預(yù)處理、特征提取、模式分類等算法研究和應(yīng)用上取得了豐碩的成果，并在三類運(yùn)動(dòng)想象任務(wù)識(shí)別研究中取得了 79. 48%的在線平均分類正確率和85%的離線平均分類正確率。上海交通大學(xué)張麗清等研究了張量意義上的普通張量判別分析算法，用來(lái)提取單次EEG樣本的特征向量，采用支持向量機(jī)(SVM)對(duì)樣本進(jìn)行訓(xùn)練及分類識(shí)另IJ，結(jié)果表明該算法提高了分類準(zhǔn)確率。東南大學(xué)宋愛(ài)國(guó)等分別采用離散小波變換和AR模型對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行特征提取，兩類特征組合后分別送入不同的分類器進(jìn)行分類和比較，在左右手兩類運(yùn)動(dòng)想象腦電數(shù)據(jù)上得到了 89. 5%的平均識(shí)別準(zhǔn)確度?？偟膩?lái)說(shuō)，三種及以上的多類運(yùn)動(dòng)想象任務(wù)識(shí)別率還難以令人滿意?；谶\(yùn)動(dòng)想象腦電信號(hào)的模式識(shí)別大多采用固定的少路數(shù)通道，所需的電極少，不僅縮短準(zhǔn)備時(shí)間，而且少量數(shù)據(jù)需要小的信息處理代價(jià)。然而，有些受試者采用特定肢體運(yùn)動(dòng)想象策略并不能有效激活大腦運(yùn)動(dòng)皮層神經(jīng)元。德國(guó)Berlin工業(yè)大學(xué)Blankertz等指出，采用神經(jīng)生理先驗(yàn)知識(shí)選擇的少量通道并不一定產(chǎn)生比全通道采集更佳的結(jié)果，電極選取不足也會(huì)降低分類正確率。隨后，Sannelli> Schroder、Barachant等對(duì)多名受試者、想象左右手、腳部等運(yùn)動(dòng)的EEG數(shù)據(jù)進(jìn)行研究，也證實(shí)了這一觀點(diǎn)，尤其是隨意地選擇部分通道來(lái)進(jìn)行研究時(shí)，不同通道組合得到的分類精度差異通常較大。以最少的腦電數(shù)據(jù)獲得最好的分類效果為目標(biāo)，Arvaneh、Gao等學(xué)者進(jìn)一步研究通道優(yōu)化選擇問(wèn)題，結(jié)果表明采用CSP及其擴(kuò)展算法、SVM遞歸通道排除法等方法都能夠在某種選擇判據(jù)下找到最適合特定受試者的通道位置，不僅減少電極數(shù)量，而且提高分類性能，同時(shí)也指出大量的通道能提供更為豐富的信息，但一些不相關(guān)或者噪聲污染通道提供的信息會(huì)在一定程度上影響分類精度。因此，雖然大腦皮層不同的區(qū)域完成相對(duì)獨(dú)立的功能，但完成某一特定的運(yùn)動(dòng)想象任務(wù)，需要一個(gè)或幾個(gè)空間上分離的功能區(qū)的同時(shí)參與；進(jìn)行不同的運(yùn)動(dòng)想象任務(wù)，激活的運(yùn)動(dòng)皮層上的區(qū)域也不盡相同，因此針對(duì)不同受試者和運(yùn)動(dòng)想象任務(wù)自動(dòng)選擇最佳的通道配置，關(guān)系到有用信號(hào)獲取的完整性和BCI系統(tǒng)的效率。
綜上所述，如何針對(duì)不同的受試者和運(yùn)動(dòng)想象任務(wù)，既能完整提取被特定運(yùn)動(dòng)想象任務(wù)同時(shí)激活的多個(gè)腦區(qū)上的EEG信號(hào)，又能自適應(yīng)地選擇最能反映運(yùn)動(dòng)想象EEG存在的有效通道，這一問(wèn)題沒(méi)有得到有效解決。

發(fā)明內(nèi)容
本發(fā)明的目的就是針對(duì)現(xiàn)有多類運(yùn)動(dòng)想象任務(wù)識(shí)別率偏低、自適應(yīng)的最佳通道選擇困難等問(wèn)題，提供一種基于通道加權(quán)支持向量的運(yùn)動(dòng)想象腦電分類方法。本發(fā)明提出一種基于通道加權(quán)支持向量的運(yùn)動(dòng)想象腦電分類方法。首先獲取多通道運(yùn)動(dòng)想象腦電信號(hào)，其次在各通道腦電信號(hào)兩兩之間相關(guān)性分析基礎(chǔ)上建立各通道的權(quán)重模型，然后將權(quán)重模型嵌入到通道加權(quán)支持向量機(jī)的原始優(yōu)化問(wèn)題中，對(duì)來(lái)自不同通道的輸入數(shù)據(jù)賦予不同的權(quán)值，最后在兩類分類算法基礎(chǔ)上設(shè)計(jì)通道加權(quán)支持向量多類分類方法，自動(dòng)地實(shí)現(xiàn)通道選擇，提高多運(yùn)動(dòng)想象任務(wù)分類的準(zhǔn)確性。為了實(shí)現(xiàn)以上目的，本發(fā)明方法主要包括以下步驟
步驟(I)獲取多通道運(yùn)動(dòng)想象腦電信號(hào)。采用多導(dǎo)聯(lián)電極帽采集不同運(yùn)動(dòng)想象實(shí)驗(yàn)范式下的腦電信號(hào)。步驟(2)建立通道權(quán)重模型。首先根據(jù)公式(I)計(jì)算各通道腦電信號(hào)之間的歐氏距離，并找出所有歐式距離中的最小值，然后計(jì)算各通道采集到的腦電信號(hào)與最小歐氏距離對(duì)應(yīng)通道的腦電信號(hào)均值之間的歐氏距離，最后根據(jù)公式(2)計(jì)算得到各通道的權(quán)重系數(shù)。
權(quán)利要求
1.基于通道加權(quán)支持向量的運(yùn)動(dòng)想象腦電分類方法，其特征在于該方法包括如下步驟 步驟(I).獲取多通道運(yùn)動(dòng)想象腦電信號(hào)，具體是采用多導(dǎo)聯(lián)電極帽采集不同運(yùn)動(dòng)想象實(shí)驗(yàn)范式下的腦電信號(hào)； 步驟(2).建立通道權(quán)重模型，具體是首先根據(jù)公式(I)計(jì)算各通道腦電信號(hào)之間的歐氏距離，并找出所有歐式距離中的最小值，然后計(jì)算各通道采集到的腦電信號(hào)與最小歐氏距離對(duì)應(yīng)通道的腦電信號(hào)均值之間的歐氏距離，最后根據(jù)公式(2)計(jì)算得到各通道的權(quán)重系數(shù)；
全文摘要
本發(fā)明涉及一種基于通道加權(quán)支持向量的運(yùn)動(dòng)想象腦電分類方法。本發(fā)明首先獲取多通道運(yùn)動(dòng)想象腦電信號(hào)，其次在各通道腦電信號(hào)兩兩之間相關(guān)性分析基礎(chǔ)上建立各通道的權(quán)重模型，然后將權(quán)重模型嵌入到通道加權(quán)支持向量機(jī)的原始優(yōu)化問(wèn)題中，對(duì)來(lái)自不同通道的輸入數(shù)據(jù)賦予不同的權(quán)值，最后在兩類分類算法基礎(chǔ)上設(shè)計(jì)通道加權(quán)支持向量多類分類方法，自動(dòng)地實(shí)現(xiàn)通道選擇，提高多運(yùn)動(dòng)想象任務(wù)分類的準(zhǔn)確性。該方法在腦-機(jī)接口領(lǐng)域具有廣闊的應(yīng)用前景。
文檔編號(hào)G06K9/62GK102722728SQ201210190008
公開(kāi)日2012年10月10日 申請(qǐng)日期2012年6月11日 優(yōu)先權(quán)日2012年6月11日
發(fā)明者佘青山, 席旭剛, 羅志增, 馬玉良 申請(qǐng)人:杭州電子科技大學(xué)