一种脑电意图识别方法及装置与流程

1.本发明涉及值域代码标准化领域，具体提供一种脑电意图识别方法及装置。


背景技术：

2.脑机接口(brain-computer interface,bci)系统是建议用于帮助无法做出运动反应以使用脑信号与计算机通信的残疾人士的设备。bci的目的是将大脑活动解释为充当计算机命令的数字形式。当前bci研究的一个关键挑战是如何尽可能准确地提取随机时变eeg信号的特征及其分类。
3.特征提取技术用于提取代表从脑信号模式中获得的独特属性的特征。早期的脑电图分析仅限于目视检查。信号的目视检查非常主观，几乎不允许进行任何标准化或统计分析。因此，几种不同的技术旨在量化大脑信号的信息。存在许多用于特征提取的线性和非线性方法。因此，脑电意图识别受到了越来越多研究者的关注。然而，脑电意图识别存在准确率不高等问题。


技术实现要素：

4.本发明是针对上述现有技术的不足，提供一种实用性强的脑电意图识别方法。
5.本发明进一步的技术任务是提供一种设计合理，安全适用的脑电意图识别装置。
6.本发明解决其技术问题所采用的技术方案是：
7.一种脑电意图识别方法，具有如下步骤：
8.s1、获取一个脑电意图数据库，进行预处理；
9.s2、预处理后的数据进行特征提取，提取功率谱密度作为每个样本的特征；
10.s3、建立基于随机搜索算法的脑电意图识别模型，脑电意图识别网络包括特征选择器和意图分类器；
11.s4、对所述脑电意图识别模型进行训练；
12.s5、提取待识别的脑电意图数据，并输入训练好的分类器中，最终得到识别结果。
13.进一步的，在步骤s1中，获取一个脑电意图数据库，进行预处理，使用matlab中的eeglab工具箱对原始数据进行预处理。
14.进一步的，在步骤s2中，st用于特征提取，它提供了频率相关的分辨率，同时保持与傅里叶频谱的直接关系。离散时间序列x[kt]，k＝0，1，...，n-1的离散傅立叶变换表示为：
[0015][0016]
离散时间序列x[kt]的st表示为：
[0017]
[0018][0019]
其中，j，m，n＝0，1，...，n-1；
[0020]
功率谱密度的计算公式如下：
[0021][0022]
其中，和分别代表时间序列x[kt]的st及其共轭表达式；
[0023]
频带为1-35hz，间隔为1hz，然后，根据基于st功率谱密度特征计算信号，每个通道提取35个特征；
[0024]
特征提取后，将数据分为训练集和测试集，其中，脑电意图数据库中包含有若干脑电运动想象数据及对应的类别标签。
[0025]
进一步的，在步骤s3中，所述特征选择器包括依次连接的群体优化模块，用于提取输入样本数据中最具判别力的特征，所述意图分类器为贝叶斯线性分类器，用于预测输入的样本数据意图类别。
[0026]
进一步的，群体优化用于特征选择，并增加随机游走策略，改进最优个体，增强搜索能力，防止陷入局部最优。
[0027]
进一步的，在步骤s4中，对所述脑电意图识别模型进行训练，训练时，将训练集中每一脑电意图数据作为一个样本，输入特征选择器选择出最具判别力的特征，然后输入分类器，模型通过计算适应度值更新参数，直到完成最大迭代次数，完成模型的训练。
[0028]
进一步的，计算适应度值时，适应度函数的计算公式为：
[0029][0030]
训练过程的参数设置为：种群规模为100，最大迭代次数为50，初始个体位置的值为[0,1]中的随机数，即ub＝1，lb＝0，预警值st＝0.6；发现者比例pd＝0.7；个体意识到风险的比例sd＝0.2；单个维度为d＝64*35。选择优化个体内大于0.5的位置对应的特征；否则，它们将被丢弃。
[0031]
进一步的，脑电意图识别的随机搜索算法具体步骤如下：
[0032]
(1)初始化种群，迭代次数，初始化掠食者和掠夺者的比例；
[0033]
(2)计算适应度值并对适应度值进行排序；
[0034]
(3)更新捕食者位置；
[0035]
(4)更新生产者位置；
[0036]
(5)更新警戒者的位置；
[0037]
(6)计算适应度值并更新个体位置。
[0038]
(7)检查是否满足停止条件，如果满足则退出并输出结果，否则重复步骤(2)至步骤(6)。
[0039]
进一步的，在步骤s5中，提取待识别的脑电意图数据，将待识别的脑电意图数据作为一个测试集样本输入训练好的模型，并按照步骤s4中选择的特征子集的位置选择选择测试集中的特征，并输入训练好的分类器中，最终得到识别结果。
[0040]
一种脑电意图识别装置，包括：至少一个存储器和至少一个处理器；
[0041]
所述至少一个存储器，用于存储机器可读程序；
[0042]
所述至少一个处理器，用于调用所述机器可读程序，执行一种脑电意图识别方法。
[0043]
本发明的一种脑电意图识别方法及装置和现有技术相比，具有以下突出的有益效果：
[0044]
本发明从特征选择的角度考虑随机搜索算法降低特征的冗余度，选择了最佳判别特征为提高脑电意图识别率，使本发明的准确率更高。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
附图1是一种脑电意图识别方法的流程示意图；
[0047]
附图2是一种脑电意图识别方法中提供完整的信号处理框架图。
具体实施方式
[0048]
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
[0049]
下面给出一个最佳实施例：
[0050]
如图1-2所示，本实施例中的一种脑电意图识别方法，具有如下步骤：
[0051]
s1、获取一个脑电意图数据库，进行预处理，使用matlab中的eeglab工具箱对原始数据进行预处理，滤波0.3-50hz。
[0052]
s2、预处理后的数据进行特征提取，提取功率谱密度作为每个样本的特征。st(stockwell transform)用于特征提取，st提供了频率相关的分辨率，同时保持与傅里叶频谱的直接关系。离散时间序列x[kt]，k＝0，1，...，n-1的离散傅立叶变换表示为：
[0053][0054]
离散时间序列x[kt]的st表示为：
[0055][0056][0057]
其中，j，m，n＝0，1，...，n-1。
[0058]
功率谱密度的计算公式如下：
[0059]
[0060]
其中，和分别代表时间序列x[kt]的st及其共轭表达式。
[0061]
频带为1-35hz，间隔为1hz。然后，根据(4)基于st功率谱密度特征计算信号。每个通道提取35个特征。因此，利用st可以得到一个具有更高时频分辨率的谱密度函数。由于st具有独立的高斯窗，因此它在低频能获得更高的频率分辨率，在高频能获得更好的时域定位。
[0062]
特征提取后，将数据分为训练集和测试集，其中，脑电意图数据库中包含有若干脑电运动想象数据及对应的类别标签。
[0063]
s3、建立基于随机搜索算法的脑电意图识别模型，脑电意图识别网络包括特征选择器和意图分类器。所述特征选择器包括依次连接的群体优化模块和随机游走模块，用于提取输入样本数据中最具判别力的特征，所述意图分类器为贝叶斯线性分类器，用于预测输入的样本数据意图类别：
[0064]
群体优化方法用于特征选择，并增加随机游走策略，改进最优个体，增强搜索能力，防止陷入局部最优。根据麻雀觅食行为和反捕食行为的描述，规则如下：
[0065]
(1)生产者能量储备高，负责在整个人口中寻找食物丰富的地区，为所有拾取者提供觅食区域和方向。在建立模型时，能量水平取决于个体的适应值。
[0066]
(2)一旦麻雀发现捕食者，个体就会开始发出警报信号。当警报值大于安全值时，生产者将把捡拾者带到其他安全区域觅食。
[0067]
(3)生产者和代购者的身份动态变化。只要能找到更好的食物来源，每只麻雀都可以成为生产者，但生产者和觅食者在总人口中的比例保持不变。
[0068]
(4)生产者在整个种群中的觅食位置取决于适应度值。能量较低的拾荒者在整个种群中的觅食位置较差，更有可能飞到其他地方觅食以获取更多能量。
[0069]
(5)在觅食过程中，觅食者可以随时寻找提供最好食物的生产者，并在生产者周围获取食物。为了提高捕食率，掠食者可能会不断地监视生产者，然后争夺食物资源。
[0070]
(6)当群体边缘的麻雀意识到危险时，会迅速移动到安全区域以获得更好的位置，群体中间的麻雀会随机移动以接近其他麻雀。
[0071]
由n个个体组成的群体可以表示为以下矩阵：
[0072][0073]
其中d表示要优化的问题变量的维数。
[0074]
那么，所有个体的适应度值可以表示为：
[0075][0076]
其中f(f
x
中每一行的值)表示个体的适应度值。
[0077]
根据规则i和ii，每次迭代过程中生产者的位置更新描述如下：
[0078][0079]
其中t表示当前迭代，表示第i个麻雀在迭代t时的值，iter max是最大迭代次数，α∈(0，1]是一个随机数。r(r∈[0，1])和st(st∈[0.5，1.0])分别表示报警值和安全阈值。q是服从正态分布的随机数。1是维度为xn的向量，即d。当r＜st，即周围没有掠食者时，生产者进入广域搜索模式。如果r≥st，说明部分麻雀发现了捕食者，所有麻雀需要迅速飞向其他安全区域。
[0080]
在搜索过程中，一些掠夺者会监视生产者。一旦他们感觉到生产者找到了更好的食物，他们就会立即离开现在的位置去争夺食物。如果他们赢了，他们可以立即得到生产者的食物；否则，他们需要继续执行规则
ⅴ
更新攻击者的位置：
[0081][0082]
其中x
p
是生产者占据的最优位置。x
worst
表示当前全球最差位置。a表示1
×
d的向量，其中每个元素随机分配1或-1，b＝a
t
(aa
t
)-1
。当i＞n/2时，表明适应度值较差的第i个个体最有可能被淘汰。假设有危险意识的麻雀占人口的20％。这些麻雀的初始位置是在种群中随机生成的。根据规则vi，其数学表达式可表示为：
[0083][0084]
其中x
best
是当前全局最优位置。β是一个正态分布的随机数，均值为0，方差为1，用于控制步长。k∈[-1，1]是一个随机数，表示麻雀运动的方向，也是步长控制系数。这里fi、fg和fw分别是当前、当前全局最佳和最差适应度值。ε是最小的常数，以避免零除法错误。fi＞fg表示麻雀在群体的边缘。x
best
表示种群中心的位置，周围是安全的。fi＝fg表明处于种群中间的麻雀已经意识到危险，需要靠近其他麻雀。
[0085]
贝叶斯线性判别分析(blda)，是全自动学习分类器，无需用户干预即可快速计算并调整超参数，实现意图的分类。在贝叶斯回归中，假设目标t和特征向量x与加性高斯白噪声n线性相关。
[0086]
t＝w
t
x n
[0087]
这里w是回归中使用的权重，似然函数计算如下：
[0088][0089]
其中t，x，β，n和d分别表示回归目标的向量、从训练特征向量的水平堆叠得到的矩阵、噪声的反方差，训练集中的示例数和
[0090]
{x，t}。
[0091]
为了在贝叶斯置中执行推理，需指定潜在变量w的先验分布：
[0092][0093]
其中d是特征的数量。i
′
(α)是一个d 1维对角矩阵：
[0094][0095]
其中∈设置为非常小的值。给定似然性和先验分布，我们可以使用贝叶斯规则计算后验分布：
[0096][0097]
后验的均值m满足以下方程，
[0098]
m＝β(βxx
t
i
′
(α))-1
xt
[0099]
下面是线性分类判别方程，
[0100][0101]
其中表示待分类的测试集的特征向量。
[0102]
s4、对所述脑电意图识别模型进行训练，训练时，将训练集中每一脑电意图数据作为一个样本，输入特征选择器选择出最具判别力的特征，然后输入分类器，模型通过计算适应度值更新参数，直到完成最大迭代次数，完成模型的训练；
[0103]
适应度函数的计算公式为：
[0104][0105]
训练过程的参数设置为：种群规模为100，最大迭代次数为50，初始个体位置的值为[0,1]中的随机数，即ub＝1，lb＝0，预警值st＝0.6；发现者比例pd＝0.7；个体意识到风险的比例sd＝0.2；单个维度为d＝64*35。选择优化个体内大于0.5的位置对应的特征；否则，它们将被丢弃。
[0106]
脑电意图识别的随机搜索算法具体步骤如下：
[0107]
(1)初始化种群，迭代次数，初始化掠食者和掠夺者的比例；
[0108]
(2)计算适应度值并对适应度值进行排序；
[0109]
(3)更新捕食者位置；
[0110]
(4)更新生产者位置；
[0111]
(5)更新警戒者的位置；
[0112]
(6)计算适应度值并更新个体位置。
[0113]
(7)检查是否满足停止条件，如果满足则退出并输出结果，否则重复步骤(2)至步骤(6)。
[0114]
s5、提取待识别的脑电意图数据，将其作为一个测试集样本输入训练好的模型，并按照步骤s4中选择的特征子集的位置选择选择测试集中的特征，并输入训练好的分类器中，最终得到识别结果。
[0115]
为验证本发明的有效性，在bci competitionш数据库上做了脑电意图识别，并与
竞赛方法进行了相同的实验，进行对比，验证结果如表1所示：
[0116]
表1
[0117][0118]
实验结果表明，基于本发明提出的脑电意图识别方法识别率更高。
[0119]
基于上述方法，本实施例中的一种脑电意图识别装置，包括：至少一个存储器和至少一个处理器；
[0120]
所述至少一个存储器，用于存储机器可读程序；
[0121]
所述至少一个处理器，用于调用所述机器可读程序，执行一种脑电意图识别方法。
[0122]
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种脑电意图识别方法及装置权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。