本申請涉及腦電信號處理領(lǐng)域，特別是涉及一種融合型多維運動想象腦電分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、王金甲等人使用了分層向量自回歸模型進(jìn)行腦電信號提取，劉琳琳等提出基于相位同步與ar模型系數(shù)相結(jié)合的腦電特征提取方法。這兩種特征提取方法主要集中在時域的特征提取，并在所研究的運動想象任務(wù)中獲得了滿意的分類精度。時頻域的典型特征提取方法是小波變換。小波變換可以在時域和頻域上表征腦電信號，并將這些腦電信號分解為多個頻段以揭示不同的時頻特征。在另一個方面，共空間模式為不同的運動想象任務(wù)提取反映空間域中不同功率分布的特征。后來，研究人員將共空間模式與其他優(yōu)化算法或分類方法相結(jié)合，以提高其分類精度。例如，馮建奎等人提出了一種新的基于相關(guān)的時間窗口選擇算法。該算法使用相關(guān)性分析來選擇最佳參考信號和每個類別的時間窗起點，因此，與傳統(tǒng)的共空間模式相結(jié)合，基于運動想象的腦機接口的平均分類精度得到了大幅提高。谷學(xué)靜等人將共空間模式與卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)相結(jié)合，提取原始數(shù)據(jù)的高層次特征。

2、當(dāng)上述方法被應(yīng)用于進(jìn)一步提高運動想象任務(wù)的分類精度時，它們存在以下局限性：這些方法只考慮了運動想象腦電信號基礎(chǔ)特征的一些局部方面，不能完全反映數(shù)據(jù)特征和網(wǎng)絡(luò)信息流。這些方法沒有認(rèn)識到腦電信號是一種復(fù)雜且豐富的信號，并且包含繁雜的信息，缺少特征選擇方法對特征進(jìn)行篩選以提高算法運行速度獲得更高的分類準(zhǔn)確率。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種融合型多維運動想象腦電分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，可進(jìn)一步提高腦電分類準(zhǔn)確率。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N融合型多維運動想象腦電分類方法，包括：

4、對腦電信號進(jìn)行預(yù)處理，得到預(yù)處理信號；

5、采用特征提取方法從所述預(yù)處理信號中提取得到腦電特征；特征提取方法為自回歸模型、離散小波變換和共空間模式算法中的一種或多種；

6、從時域、時頻域和空間域角度對所述腦電特征進(jìn)行融合，得到融合特征；

7、構(gòu)建極端樹模型，并采用訓(xùn)練樣本訓(xùn)練所述極端樹模型，直至達(dá)到設(shè)定條件時，將訓(xùn)練好的極端樹模型作為腦電特征選擇模型；

8、將所述融合特征輸入至所述腦電特征選擇模型，得到腦電信號特征；

9、采用支持向量機進(jìn)行所述腦電信號特征的分類，得到分類結(jié)果；

10、基于所述分類結(jié)果生成控制指令。

11、可選地，對腦電信號進(jìn)行預(yù)處理的方法為主成分分析法、獨立成分分析法、帶通濾波法、典型相關(guān)分析法和回歸法中的一種或多種。

12、可選地，采用特征提取方法從所述預(yù)處理信號中提取得到腦電特征，具體包括：

13、采用自回歸模型從所述預(yù)處理信號中提取得到腦電特征的時域特征；

14、采用共空間模式算法從所述預(yù)處理信號中提取得到腦電特征的空間域特征；

15、采用離散小波變換從所述預(yù)處理信號中提取得到腦電特征的時頻特征。

16、可選地，從時域、時頻域和空間域角度對所述腦電特征進(jìn)行融合，得到融合特征，具體包括：

17、從時域、時頻域和空間域角度，對所述腦電特征的時域特征、所述腦電特征的時頻特征和所述腦電特征的空間域特征進(jìn)行特征融合，得到所述融合特征。

18、第二方面，本申請?zhí)峁┝艘环N融合型多維運動想象腦電分類系統(tǒng)，包括：

19、信號采集模塊，用于采集腦電信號；

20、信號處理模塊，與所述信號采集模塊連接，用于實施如權(quán)利要求1-4任意一項所述的融合型多維運動想象腦電分類方法，以基于所述腦電信號得到分類結(jié)果；

21、信號轉(zhuǎn)換模塊，與所述信號處理模塊連接，用于基于所述分類結(jié)果生成控制指令；

22、外部設(shè)備，與所述信號轉(zhuǎn)換模塊連接，用于執(zhí)行所述控制指令。

23、可選地，所述信號處理模塊包括：

24、預(yù)處理單元，與所述信號采集模塊連接，用于對腦電信號進(jìn)行預(yù)處理，得到預(yù)處理信號；

25、特征提取單元，與所述預(yù)處理單元連接，用于采用特征提取方法從所述預(yù)處理信號中提取得到腦電特征；特征提取方法為自回歸模型、離散小波變換和共空間模式算法中的一種或多種；

26、特征選擇單元，與所述特征提取單元連接，用于從時域、時頻域和空間域角度對所述腦電特征進(jìn)行融合，得到融合特征；構(gòu)建極端樹模型，并采用訓(xùn)練樣本訓(xùn)練所述極端樹模型，直至達(dá)到設(shè)定條件時，將訓(xùn)練好的極端樹模型作為腦電特征選擇模型；將所述融合特征輸入至所述腦電特征選擇模型，得到腦電信號特征；

27、特征分類單元，與所述特征選擇單元連接，用于采用支持向量機進(jìn)行所述腦電信號特征的分類，得到分類結(jié)果。

28、第三方面，本申請?zhí)峁┝艘环N計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述提供的融合型多維運動想象腦電分類方法的步驟。

29、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述提供的融合型多維運動想象腦電分類方法的步驟。

30、第五方面，本申請?zhí)峁┝艘环N計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述提供的融合型多維運動想象腦電分類方法的步驟。

31、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術(shù)效果：

32、本申請?zhí)峁┝艘环N融合型多維運動想象腦電分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，從時域、時頻域和空間域角度對所述腦電特征進(jìn)行融合，能夠得到新的可代表運動想象腦電信號的三維特征。融合后的特征通常有一些冗余信息，這使得分類模型過于復(fù)雜，且存在過度擬合的缺點，從而導(dǎo)致預(yù)測精度下降。為了解決這一難題，本申請采用極端樹模型針對融合特征進(jìn)行特征選擇，以在降低特征維度的同時，能夠保證特征的必要信息含量。本申請采用支持向量機進(jìn)行所述腦電信號特征的分類，能夠得到更加精確的分類結(jié)果，進(jìn)而提高腦電分類準(zhǔn)確率。

技術(shù)特征：

1.一種融合型多維運動想象腦電分類方法，其特征在于，所述融合型多維運動想象腦電分類方法包括：

2.根據(jù)權(quán)利要求1所述的融合型多維運動想象腦電分類方法，其特征在于，對腦電信號進(jìn)行預(yù)處理的方法為主成分分析法、獨立成分分析法、帶通濾波法、典型相關(guān)分析法和回歸法中的一種或多種。

3.根據(jù)權(quán)利要求1所述的融合型多維運動想象腦電分類方法，其特征在于，采用特征提取方法從所述預(yù)處理信號中提取得到腦電特征，具體包括：

4.根據(jù)權(quán)利要求3所述的融合型多維運動想象腦電分類方法，其特征在于，從時域、時頻域和空間域角度對所述腦電特征進(jìn)行融合，得到融合特征，具體包括：

5.一種融合型多維運動想象腦電分類系統(tǒng)，其特征在于，所述融合型多維運動想象腦電分類系統(tǒng)包括：

6.根據(jù)權(quán)利要求5所述的融合型多維運動想象腦電分類系統(tǒng)，其特征在于，所述信號處理模塊包括：

7.一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1-4中任一項所述的融合型多維運動想象腦電分類方法。

8.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-4中任一項所述的融合型多維運動想象腦電分類方法。

9.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-4中任一項所述的融合型多維運動想象腦電分類方法。

技術(shù)總結(jié)
本申請公開了一種融合型多維運動想象腦電分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，涉及腦電信號處理領(lǐng)域，該方法包括：對腦電信號進(jìn)行預(yù)處理，得到預(yù)處理信號；采用特征提取方法從預(yù)處理信號中提取得到腦電特征；從時域、時頻域和空間域角度對腦電特征進(jìn)行融合，得到融合特征；構(gòu)建極端樹模型，并采用訓(xùn)練樣本訓(xùn)練極端樹模型，直至達(dá)到設(shè)定條件時，將訓(xùn)練好的極端樹模型作為腦電特征選擇模型；將融合特征輸入至腦電特征選擇模型，得到腦電信號特征；采用支持向量機進(jìn)行腦電信號特征的分類，得到分類結(jié)果；基于分類結(jié)果生成控制指令。本申請能夠進(jìn)一步提高腦電分類準(zhǔn)確率。

技術(shù)研發(fā)人員：董朝軼,林瑞靜,陳曉艷
受保護(hù)的技術(shù)使用者：內(nèi)蒙古工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23