用于控制意图识别的脑电和眼电信号决策融合方法

摘要

本发明涉及一种用于控制意图识别的脑电和眼电信号决策融合方法。本发明方法首先提取预处理后EEG的相对小波包能量作为其运动想象特征；其次提取预处理后EOG的典型变量作为其运动想象特征；然后基于EEG的运动想象特征，应用所构建的状态分类器，获取状态分类结果；基于EOG的运动想象特征，应用所构建的运动想象多类分类器，获得运动想象分类结果；最后利用基于EEG信号获得的状态分类结果，及基于EOG获得的运动想象分类结果进行决策融合，获得运动想象所表征控制意图的识别结果。本发明能有效解决与控制意图无关的眼动对控制意图识别结果造成的干扰，可提高运动想象识别的准确率和控制意图信息的可靠性。

主权项

1.用于控制意图识别的脑电和眼电信号决策融合方法，其特征在于该方法包括如下步骤：步骤1.提取预处理后EEG的相对小波包能量作为其运动想象特征；用小波包变换对预处理后的脑电信号进行分解与重构，得到各种节律波所对应的相对小波包能量，并联接为特征向量；所采集的各路EEG是定长的一维时间序列，记为{x(i)，i＝1，2…H}，连续取l个样点X_i＝[x(i)，x(i+1)，…，x(i+l-1)]，分解成Q层，则整个信号空间被分成了2^Q个子空间；第n个子空间的子信号可由重构，其中为小波系数，{ψ_j，k(t)}为小波函数；分别定义每个子空间的相对小波包能量P_nP_n＝E_n/E    (1)其中为在每个子空间的重构信号的能量E_n，代表整个信号的能量；从计算原理可以看出，相对小波包能量P_n是信号能量在各个子空间的概率分布，与信号的量级无关，可作为模式识别的有效特征；分别计算所采集每一路EEG的各子空间对应的相对小波包能量，并联接为特征向量；再用各路EEG的相对小波包能量特征向量，组成待识别特征矩阵T_EEG，为F×E矩阵，其中F＝2^Q为各路EEG被分解成的子空间数，E为所采集的EEG路数；步骤2.提取预处理后EOG的典型变量作为其运动想象特征；应用多元统计分析中的典型相关分析方法，提取EOG的典型变量作为眼电信号的特征变量；(i)选择各类运动想象引发的EOG样本构建γ个样本集其中i＝1，...，H，i为采样点数，j＝1，...，r，r为所选取的样本个数，f为样本集类别标号，γ为运动想象的类别数；应用单次采集获取的待识别EOG，构建与样本信号集结构一致的待识别信号集N；(ii)应用典型相关算法提取待识别信号集与各模式样本信号集之间的典型变量，选择相关系数最大的一组典型变量中，待识别信号集N所对应的典型变量作为眼电的特征变量记作为所选取的样本个数；求取待识别信号集N和某类别样本信号集M_f之间典型变量的关键是寻找两组基向量和使新变量u，v之间具有最大的相关性，称这种相关为典型相关，这组新变量即为典型变量；典型变量可表示为(2)式，$\left\{\begin{array}{c}u=w_{n1}{n}_1+w_{n2}{n}_2+...+w_{\mathrm{nr}}{n}_r=w_n^{T}N\\ v=w_{m1}{m}_1+w_{m2}{m}_2+...+w_{\mathrm{mr}}{m}_r=w_m^T{M}_f\end{array}\right.---\left(2\right)$基向量一般可以通过求解(3)式所示最大值问题获得；$\underset{w_n,w_m}{\max }\rho (u,v)=\underset{w_n,w_m}{\max }\frac{\mathrm{cov}[u,v]}{\sqrt{\mathrm{var}\left[u\right]\mathrm{var}\left[v\right]}}=\underset{w_n,w_m}{\max }\frac{\mathrm{cov}[w_n^{T}N,w_m^T{M}_f]}{\sqrt{\mathrm{var}\left[w_n^{T}N\right]\mathrm{var}\left[w_m^T{M}_f\right]}}$$=\underset{w_n,w_m}{\max }\frac{w_n^T{C}_{\mathrm{nm}}{w}_m}{\sqrt{\left(w_n^T{C}_{\mathrm{nn}}{w}_n\right)\left(w_m^T{C}_{\mathrm{mm}}{w}_m\right)}}---\left(3\right)$其中，ρ表示典型变量间的相关系数，C_nn＝E[NN^T]和C_mm＝E[M_fM_f^T]表示自协方差矩阵，C_nm＝E[NM_f^T]和C_mn＝E[M_fN^T]表示互协方差矩阵，且满足${C_{\mathrm{mn}}=C}_{\mathrm{nm}}^T;$分别计算所采集各路EOG的典型变量组成待识别特征矩阵T_EOG，为F×E矩阵，其中F＝r为集合所选取的样本数，E为所采集EOG的路数；步骤3.基于所提取的EEG运动想象特征，应用所构建的“控制”/“非控制”状态分类器，获取状态分类结果；(i)“控制”/“非控制”状态分类器的构建；“控制”/“非控制”状态分类器基于正则化logistic分类方法构建，具体构建方法如下：将表达控制意图的各类运动想象EEG训练样本均作为“控制”状态训练样本；将非控制意图表达的放松状态EEG训练样本均作为“非控制”状态训练样本；依据步骤(1)所描述方法，计算获取各已知类别训练样本的相对小波包能量特征矩阵T_EEG；设G为分组指示变量，K为所需识别的类别数，在此K为2，则有G∈g＝{1，2}；已知类别的n个训练样本特征为(I₁，g₁)，...，(I_n，g_n)，分类问题即为构造分类规则设在T_EEG＝I时，G的条件概率分布对数优势比是I的线性函数，如式(4)所示；$f_{\theta }\left(I\right)=\ln \left\{\frac{p_{G|T_{\mathrm{EEG}}}\left(k\right|I)}{p_{G|T_{\mathrm{EEG}}}\left(K\right|I)}\right\}={\alpha }_k+⟨W_k,I⟩,k=1,...,K-1,\theta :=(W,\alpha )---\left(4\right)$则预测函数为$\left\{\begin{array}{c}{p}_{G|T_{\mathrm{EEG}}}\left(k\right|I)=\frac{e^{f_{\theta }\left(I\right)}}{1+{\Sigma }_{l=1}^{K-1}{e}^{f_{\theta }\left(I\right)}},k=1,...,K-1\\ p_{G|T_{\mathrm{EEG}}}\left(K\right|I)=\frac{1}{1+{\Sigma }_{l=1}^{K-1}{e}^{f_{\theta }\left(I\right)}}\end{array}\right.---\left(5\right)$分类规则为${\hat{G}}_{\mathrm{EEG}}=\underset{G\in g}{\arg \max }(p_{G|T_{\mathrm{EEG}}}\left(k\right|I),p_{G|T_{\mathrm{EEG}}}\left(K\right|I))---\left(6\right)$“控制”/“非控制”状态分类器的logistic回归模型参数(W，α)的估计值，可通过条件最大似然估计得到，即由最大化(7)式的值得到；$L({\alpha }_1,...,{\alpha }_{K-1},W_1,...,W_{K-1})=\underset{i=1}{\overset{n}{\Sigma }}\ln p_{G|T_{\mathrm{EEG}}}\left(g_i\right|I_i)---\left(7\right)$通过增加惩罚项，使得到的分类模型正则化，则(7)式变换为$L({\alpha }_1,...,{\alpha }_{K-1},W_1,...,W_{K-1})-\lambda (\underset{e=1}{\overset{E}{\Sigma }}{\left|\right|W(:,e)\left|\right|}_2+\underset{t=1}{\overset{T}{\Sigma }}{\left|\right|W(t,:)\left|\right|}_2)$$=\underset{i=1}{\overset{n}{\Sigma }}\ln p_{G|T_{\mathrm{EEG}}}\left(g_i\right|I_i)-\lambda (\underset{e=1}{\overset{E}{\Sigma }}{\left|\right|W(:,e)\left|\right|}_2+\underset{t=1}{\overset{T}{\Sigma }}{\left|\right|W(t,:)\left|\right|}_2)---\left(8\right)$式中W(:，e)表示权矩阵W的第e列向量，W(t，:)表示权矩阵W的第t行向量，λ为非负常数；通过最大化(8)式的值，完成对(4)式所示logistic回归模型参数的估计，进而得到(5)式、(6)式所构成的“控制”/“非控制”状态分类器模型；由于在使(8)式的值最大化的过程中，可使得所得到参数(W，α)的部分估计值为零，从而实现对特征的自动选择；(ii)获取“控制”/“非控制”状态分类结果；将待识别EEG信号的特征矩阵T_EEG，输入所构建的“控制”/“非控制”状态分类器，即可得到状态分类的结果；步骤4.基于所提取的EOG运动想象特征，应用所构建的运动想象多类分类器，获得运动想象分类结果；(i)运动想象多类分类器的构建；运动想象多类分类器也是基于正则化logistic分类方法构建，具体构建方法如下：将表达控制意图的各类运动想象EOG作为训练样本；依据步骤(2)所描述方法，计算获取各已知类别训练样本的典型变量特征矩阵T_EOG；G为分组指示变量，K为需识别的运动想象类别数，在此K＝γ，则有G∈g＝{1，...，K}；已知类别的n个训练样本特征为(J₁，g₁)，...，(J_n，g_n)，分类问题即为构造分类规则设在T_EOG＝J时，G的条件概率分布对数优势比是J的线性函数，如式(9)所示；$f_{\theta }\left(J\right)=\ln \left\{\frac{p_{G|T_{\mathrm{EEG}}}\left(k\right|J)}{p_{G|T_{\mathrm{EEG}}}\left(K\right|J)}\right\}={\alpha }_k+⟨W_k,J⟩,k=1,...,K-1,\theta :=(W,\alpha )---\left(9\right)$则预测函数为$\left\{\begin{array}{c}{p}_{G|T_{\mathrm{EOG}}}\left(k\right|J)=\frac{e^{f_{\theta }\left(J\right)}}{1+{\Sigma }_{l=1}^{K-1}{e}^{f_{\theta }\left(J\right)}},k=1,...,K-1\\ p_{G|T_{\mathrm{EOG}}}\left(K\right|J)=\frac{1}{1+{\Sigma }_{l=1}^{K-1}{e}^{f_{\theta }\left(J\right)}}\end{array}\right.---\left(10\right)$分类规则为${\hat{G}}_{\mathrm{EOG}}=\underset{G\in g}{\arg \max }(p_{G|T_{\mathrm{EOG}}}\left(k\right|J),p_{G|T_{\mathrm{EOG}}}\left(K\right|J))---\left(11\right)$运动想象多类分类器的logistic回归模型参数(W，α)的估计值，可通过条件最大似然估计得到，即最大化(12)式的值得到参数的估计值；$L({\alpha }_1,...,{\alpha }_{K-1},W_1,...,W_{K-1})=\underset{i=1}{\overset{n}{\Sigma }}\ln p_{G|T_{\mathrm{EOG}}}\left(g_i\right|J_i)---\left(12\right)$通过增加惩罚项，使得到的分类模型正则化，则(12)式变换为(13)式；$L({\alpha }_1,...,{\alpha }_{K-1},W_1,...,W_{K-1})-\delta (\underset{e=1}{\overset{E}{\Sigma }}{\left|\right|W(:,e)\left|\right|}_2+\underset{t=1}{\overset{T}{\Sigma }}{\left|\right|W(t,:)\left|\right|}_2)$$=\underset{i=1}{\overset{n}{\Sigma }}\ln p_{G|T_{\mathrm{EEG}}}\left(g_i\right|J_i)-\delta (\underset{e=1}{\overset{E}{\Sigma }}{\left|\right|W(:,e)\left|\right|}_2+\underset{t=1}{\overset{T}{\Sigma }}{\left|\right|W(t,:)\left|\right|}_2)---\left(13\right)$(13)式中W(:，e)表示权矩阵W的第e列向量，W(t，:)表示权矩阵W的第t行向量，δ为非负常数；通过最大化(13)式的值，完成对(9)式所示logistic回归模型参数的估计，进而得到(10)式、(11)式所构成的运动想象多类分类器模型；由于在使(13)式的值最大化的过程中，可使得所得到参数(W，α)的部分估计值为零，从而实现对眼电特征的自动选择；(ii)获取运动想象模式的分类结果将待识别EOG信号的特征矩阵T_EOG输入所构建的运动想象多类分类器，得到运动想象模式分类结果；步骤5.应用基于EEG信号获得的“控制”/“非控制”状态分类结果，及基于EOG获得的运动想象分类结果进行决策融合，获得运动想象所表征控制意图的识别结果；应用由步骤(3)，即基于EEG所获得的“控制”/“非控制”状态分类结果，对由步骤(4)，即基于EOG所获得的运动想象分类结果进行有效性判别；若状态分类结果为“控制”状态，则根据由实际辅具控制要求制定的各种运动想象模式与控制意图的映射关系，将运动想象分类结果转换为控制意图输出；若状态分类结果为“非控制”状态，则认为无控制意图，所获得的运动想象分类结果无效。