一种脑机接口系统决策模型的参数优化方法

摘要

本发明涉及脑机接口技术领域，一种脑机接口系统决策模型的参数优化方法，包括以下步骤：(1)采集脑电信号训练数据并进行预处理，(2)线性空间一体化单次探测法数据分类及证据累积起始过程定位。本发明采用线性空间一体化单次探测方法，对训练数据中的两种实验情况进行分类识别，通过识别的准确率在单次实验期间随着时间的变化的趋势，对决策模型中的证据累积过程进行时间上的定位，从而对序贯决策模型进行参数优化，与先前的序贯决策模型相比，该发明通过对决策模型中的证据累积过程进行定位，排除了无效分类信息累积过程，仅对证据累积过程中的有效分类信息进行累积，提高了基于该决策模型的在线脑机接口系统的实时性。

主权项

一种脑机接口系统决策模型的参数优化方法，其特征在于包括以下步骤：步骤1、采集脑电信号训练数据并进行预处理，利用脑电采集设备采集随机点运动方向识别任务下的脑电信号作为训练数据，根据运动方向以及实验难度不同，该随机点运动方向包括低难度左、低难度右、中难度左、中难度右、高难度左及高难度右六种不同识别任务，并对采集到的脑电信号进行滤波、去除伪迹预处理；根据随机点运动方向标签对采集的脑电信号进行分段处理，并用以区分不同的实验试次，分段时间对于同一受试者同一难度的不同实验试次需要保持一致，且所取的分段时间长短需要包含刺激出现到做出反应的过程，即受试者进行决策的过程；步骤2、线性空间一体化单次探测法数据分类及证据累积起始过程定位，通过线性空间一体化单次探测法，对实验中两种数据类别进行识别，比如对运动方向的识别，左或右，对实验难度的识别，难或易，具体包括以下子步骤：(a)构造分类原始数据X，分类原始数据X应包括两类数据，例如左、右运动方向两类数据，即X₁和X₂，其中，X₁是一个n_channels×T_sample×N₁的数据矩阵，X₂是一个n_channels×T_sample×N₂的数据矩阵，其中N₁与N₂分别代表两类数据包含的实验试次数，T_sample为步骤1中采用的分段时间的采样点数，n_channels为采用的导联数，而分类原始数据X＝[X₁,X₂],为一个n_channels×T_sample×(N₁+N₂)的矩阵，并将得到的分类原始数据X形式转换成(T_sample×N_trials)×n_channels的矩阵形式用于接下来的分类识别中，N_trials为进行分类识别的数据所包含的所有实验试次数，N_trials＝N₁+N₂；(b)构造滑动窗，滑动窗的窗宽为δ个采样点，单次滑动距离为τ个采样点，对于采样点数为T_sample的数据共可分为个滑动窗，其中表示下取整的意思，每次滑动窗的位置分别是[1+(i‑1)·τ,δ+(i‑1)·τ],i＝1,2,…,K，利用窗内数据对分类器进行训练，通过分类准确率的变化趋势来明确证据累积的时间起始点；(c)构造类标序列L，根据子步骤(a)中得到的原始脑电分类数据以及子步骤(b)中的滑动窗，构造包含元素{0,1}的类标序列L，L是一个(δ×N_trials)×1的列向量，其中δ为滑动窗的窗长，N_trials为进行分类识别的数据所包含的所有实验试次数；(d)使用逻辑回归线性分类器，对步骤(b)中构建的各滑动窗内的分类原始数据估计一个最优空间权值矢量w_τ,δ，该权值能够对该窗内两类数据进行最大化识别，通过公式(1)计算得到分类结果y，y＝w^TX+b              (1)式中，w为该线性分类器的空间权值矢量，w^T表示w的转置矩阵，b为偏差项，X为分类原始数据，此时假设分类原始数据的样本归类概率满足公式(2)，$\left\{\begin{array}{c}p(c=+1|X)=f\left(y\right)=\frac{1}{1+e^{-y}}=\frac{1}{1+e^{-(w^{T}X+b)}}\\ p(c=-1|X)=1-f\left(y\right)\end{array}\right.---\left(2\right)$式中，p(c＝+1|X)表示X被判断为类c＝+1的概率，而p(c＝‑1|X)表示X被判断为类c＝‑1的概率，通过迭代重加权最小二乘法来获得最优的空间权值w，具体迭代过程通过公式(3)加以实现，$\begin{array}{c}p\leftarrow f(w^T*X)\\ g\leftarrow X*(d-p)-\Lambda *w\\ H\leftarrow X*diag(p.*(1-p\left)\right)*X^T+\Lambda *I\\ w\leftarrow w+H^{-1}*g\end{array}---\left(3\right)$式中，X为分类原始数据，X^T为X的转置，p为样本的归类概率向量，*代表内积，.*代表矢量积，d表示包含脑电样本类标的列向量，即子步骤(c)中的L，diag()表示将一个矢量转换成对角矩阵，g代表梯度向量，H为Fisher信息矩阵得到的海森阵，Λ为迭代过程中的惩罚因子，在执行的过程中，原本线性分类的偏差项b被合并到空间权值w中，通过公式(4)描述，$\begin{array}{c}[w,b]\to w\\ [X,1]\to X\\ \Lambda \to \lambda \left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right],\lambda ={10}^{-6}\end{array}---\left(4\right)$空间权值w初始化为10^‑3*ones(n_channels+1,1)，其中ones(n_channels+1,1)表示一个(n_channels+1)×1的全1矩阵，n_channels代表进行采集的导联数，重复迭代过程一直到空间权值w收敛为止，从而得到最优分类的空间权值w，由于整个分类过程是针对于起始点为1+(i‑1)·τ，i＝1,2,…,K，窗长为δ的滑动窗内数据，因此此时最优分类空间权值w视为w_τ,δ,其中表示采样点数为T_sample的数据分出的滑动窗个数，τ表示每次滑动的距离；(e)将子步骤(d)中求取的最优分类的空间权值w_τ,δ带入公式(1)中，得到分类结果y，并利用公式(2)计算y的概率分布，同时利用分类结果y的概率分布结果与子步骤(c)构造的类标序列绘制感受性曲线，即ROC曲线，并计算ROC曲线下的面积Az；(f)对不同时间窗内数据得到的分类结果Az进行统计，绘制Az随时间窗变化的曲线，由于随着证据累积的开始，对两类任务的分类效果应该是呈现一种上升的趋势，即证据累积越多越充足，做出正确判断的准确性越高，且理应在决策执行时，达到最大；因此，对Az随时间窗变化的曲线进行分析，观察其持续上升阶段的时间起点，用以确定证据累积开始时刻，并将该时刻作为接下来基于序贯决策模型的在线脑机接口系统的信息特征累积开始时刻，从而排除累积的无关分类信息，仅对有效分类信息进行累积，由此减少处理时间，达到提高脑机接口系统的实时性的目的。