基于迭代学习的运动想象脑电信号分类方法与流程

1.本发明属于医疗服务康复训练领域，尤其涉及一种基于迭代学习的运动想象脑电信号分类方法。


背景技术：

2.随着现代科学技术的发展，脑机接口技术在医疗、军事、娱乐等多个领域得到了进一步的发展。脑机接口(brain computer interface，bci)技术的目的是建立一种能够不依赖于人体肌肉的交流和控制通路，通过这一通路可以达到利用人脑与外部设备进行信息交换并进一步控制外部环境。
3.在医疗服务领域，可以利用bci技术的特性给运动功能障碍患者一个与外界沟通的渠道，增强对外界的交流能力。基于运动想象(motor imagery，mi)的脑机接口技术可以通过人们大脑想象运动时大脑能量的变化检测出人的运动倾向。原理是因为人在实际运动之前，会在大脑的运动皮层区域出现相应的神经生理学特征，并且不同部位的运动对应着不同的大脑皮层区域，这一特征可以通过一系列脑机接口的手段采集得到，通过有效的特征提取及分类算法可以精确地预测出这一运动倾向。这种主动康复训练方法搭配相应的外骨骼康复设备可以有效地诱发脑部受损神经以及肢体运动功能的恢复，然而，由于个体生理结构和心理状态的差异，相同运动想象任务下不同被试和试次的信号差异往往相差较大。所以，这给分类模型的精度和泛化能力提出了巨大的挑战。
4.为了解决这个问题，常采用的方法就是用户独立型训练策略，即对单个被试独立训练一个模型。脑电信号的采集往往对被试和实验环境具有很高的要求，在病人实际的康复训练中，很难采集到有效的脑电数据。如果用小样本训练模型往往会出现欠拟合或者模型不稳定，分类效果较差。
5.共空间模式通过训练数据训练一个空域滤波器，使经过该空域滤波器的待分类信号，其中一类信号的方差被最大化，同时另一类信号的方差被最小化。因为对于经过带通滤波的信号其方差相当于信号功率，因此csp滤波器对于区分事件相关同步/去同步的神经生理状态活动非常有效，可以使得运动想象之类的任务被最大限度的区分。csp的主要思路是结合类别信息有监督地分解多组信号的协方差矩阵，找出最佳空间投影方向对输入信号进行差异化投影，将投影过信号的归一化方差作为特征向量输入到分类器。由于csp基本忽略了信号的时频特性，只关注相对的空间特性而忽略频谱特征，因而导致csp方法容易受到噪声和脑电信号的非平稳性影响，需要一定数量的数据集训练。要想保证分类的精度，只能增加训练周期以保证充分的数据量，而长时间的训练会使患者感到疲劳造成数据效果不佳，长此以往患者会渐渐失去兴趣和信心。因此用小样本数据快速训练出一个鲁棒性较好的模型对患者的康复训练具有重大意义。


技术实现要素：

6.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于迭代学习的运
动想象脑电信号分类方法，可以用小样本数据快速训练出一个鲁棒性较好的模型。
7.为实现本发明的目的，本发明所采用的技术方案是：
8.一种基于迭代学习的运动想象脑电信号分类方法，包括步骤：
9.步骤1：对患者进行多次离线训练，采集脑电信号，得到带有标签的运动想象脑电信号数据集；
10.步骤2：对采集到的运动想象脑电信号数据集进行预处理，保存处理后的脑电信号数据集；
11.步骤3：利用空域滤波技术对预处理后的脑电信号数据进行特征提取，按照标签将其中一类信号的方差最大化，同时将另一类信号的方差最小化，找出最佳空间投影方向对输入脑电信号进行差异化投影，并计算归一化方差作为特征向量；
12.步骤4：利用支持向量机对特征向量进行二分类，从而得到基础分类模型；
13.步骤5：对离线数据集进行主成分分析，建立基于指数加权移动平均模型并计算模型的上下限，用于评估在线训练数据的协变量偏移；
14.步骤6：采集患者在线训练数据，判断该组在线训练数据的主成分是否处于模型的上下限，如果符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，以供下次在线训练；否则丢弃这组数据开始下一次测试，下次在线训练仍用之前的基础分类模型；
15.步骤7：利用基础分类模型对在线训练数据分类，根据预测值控制外骨骼的运动；
16.步骤8：重复步骤6和步骤7，使分类模型不断融入新的在线训练数据迭代学习，直至模型数据集规模达到预期要求或者患者训练计划结束。
17.进一步地，步骤1中，患者进行不同的运动想象，不同的想象类型的任务带有不同的标签。
18.进一步地，步骤2中，采用巴特霍斯带阻滤波器滤除48-52hz的工频干扰，再利用巴特霍斯带通滤波器进行滤波得到5-30hz的脑电信号，保存滤波处理后的脑电信号数据集。
19.进一步地，步骤3中，利用空域滤波技术进行特征提取的具体过程：
20.(3.1)首先计算运动想象脑电信号的归一化协方差矩阵r1和r2，其中，ri(i＝1,2)分别为想象类型任务1、2的协方差矩阵；然后计算混合空间协方差矩阵r：
21.(3.2)对混合空间协方差矩阵r进行特征值分解：r＝uλu
t
，其中，u是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵；然后将特征值进行降序排列，得到白化矩阵p：
22.(3.3)对r1和r2进行变换得到：s1＝pr1p
t
，s2＝pr2p
t
；然后对s1和s2做主分量分解得到：通过上述式子证明矩阵s1的特征向量矩阵和矩阵s2的特征向量矩阵是相等的，即：b1＝b2＝b；
23.(3.4)与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即两类矩阵的特征值相加总是为1，则s1的最大特征值所对应的特征向量使s2有最小的特征值，反之亦然；白化矩阵到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的，则最佳空间投影矩阵w为：w＝b
t
p；
24.(3.5)原始信号x经过空间滤波后得到滤波信号z＝wx，再计算滤波信号的归一化
方差作为特征向量a。
25.进一步地，步骤4中，利用支持向量机对提取的特征向量进行二分类的过程为：
26.(4.1)构建最优分类面目标函数；
27.设分类面的方程为x
·
ω+b＝0，则在d维空间中使线性可分的样本集(xi,yi),i＝1,
…
,n,x∈rd,yi∈{+1,-1}满足：yi(ω
·
xi+b)-1≥0,i＝1,
…
,n；满足上式且使最小的分类线称为最优分类线，在线性不可分的情况下，增加一个松弛项ξi≥0，即yi(ω
·
xi+b)-1-ξi≥0,i＝1,
…
,n；从而使目标函数最小化：
[0028][0029]
其中，c为误差惩罚因子，即综合考虑最少错分样本和最大分类间隔，得到广义最优分类面；
[0030]
(4.2)将滤波处理后的脑电信号数据集作为训练集，进行特征提取并对基础分类模型进行训练，得到最优分类面参数，并抽取一份作为测试集，验证基础分类模型分类准确率。
[0031]
进一步地，步骤5中，利用主成分分析进行数据降维：
[0032]
a为求出的特征向量矩阵，将a的每一列进行零均值化，求出协方差矩阵的特征值及对应的特征向量，然后将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p，x＝pa即为降维到k维后的数据矩阵。
[0033]
进一步地，步骤5中，建立基于指数加权移动平均模型并计算模型的上下限：
[0034]
降维后的数据矩阵x＝[x0,x1,
…
,x
n-1
,xn]，对所有xi求平均值得到z0，然后以每个离线数据为观测值计算z统计量：zi＝λxi+(1-λ)z
i-1
，其中，通过在离线数据集上最小化一步前预测误差的平方来估计λ；
[0035]
计算评估方差：erri＝x
i-z
i-1
；式中，θ为(1-θ)置信区间的5％显著性水平；
[0036]
计算上下限ucli和lcli：
[0037][0038]
式中，ucli和lcli分别为第i次试验的控制上限和控制下限，l为控制上限乘数。
[0039]
进一步地，步骤6中，第n+1次在线训练后迭代学习模型训练数据集为：
[0040][0041]
本发明的有益效果在于，与现有技术相比，本发明使得模型迭代学习，随着在线训练不断更新，可以有效减少离线训练时长，并且增强模型的鲁棒性，提高在线训练的分类效果。本发明提出的基于迭代学习的建模方法，可以用小样本数据快速训练出一个鲁棒性较好的模型。
[0042]
本发明的运动想象脑机接口，可以应用到外骨骼的控制中，可将患者的主动运动意图作为外骨骼的运动指令，利用患者主动运动想象搭配外骨骼运动实现运动功能的恢复与改善。
附图说明
[0043]
图1是系统整体流程图；
[0044]
图2是基础分类模型构建训练与测试过程图；
[0045]
图3是迭代学习建模流程图；
[0046]
图4是三组离线训练准确率对比；
[0047]
图5是三组在线训练准确率对比。
具体实施方式
[0048]
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0049]
本发明所述的基于迭代学习的运动想象脑电信号分类方法，应用于外骨骼的控制，可将患者的主动运动意图作为外骨骼的运动指令，利用患者主动运动想象搭配外骨骼运动实现运动功能的恢复与改善。
[0050]
如图1所示，本发明所述的基于迭代学习的运动想象脑电信号分类方法，首先让患者进行一定次数离线训练，通过空域滤波技术和利用支持向量机的二分类得到基础分类模型；然后对离线数据集进行主成分分析，建立基于指数加权移动平均ewma模型；然后进行在线训练，每次在线训练之后通过指数加权移动平均(exponentially weighted moving average，ewma)模型评估当前在线训练数据的协变量偏移程度，如果符合要求则将这组训练数据融入之前的训练数据重新建立新的模型以供下次在线训练分类，否则将该组数据舍弃，下次在线训练仍用之前的训练模型。
[0051]
如此使得模型迭代学习，随着在线训练不断更新，可以有效减少离线训练时长，并且增强模型的鲁棒性，提高在线训练的分类效果。
[0052]
如图1所示，本发明所述的基于迭代学习的运动想象脑电信号分类方法，具体包括步骤：
[0053]
步骤1：对患者进行多次离线训练，采集脑电信号，得到带有标签的运动想象脑电信号数据集；
[0054]
脑电信号采样频率设为250hz，每次采集4s得到1000个采样点。离线训练次数可根据患者情况设置，得到带有标签的运动想象脑电信号数据集。
[0055]
由于被试患者在开始运动想象和想象快结束时会出现注意力不集中的现象，优选地，将单次采集数据时间窗设为0.2～3.2s，提取750个数据作为分析的脑电信号数据。
[0056]
被试患者进行不同的运动想象，不同的想象类型的任务带有不同的标签。
[0057]
步骤2：对步骤1采集到的运动想象脑电信号数据集进行预处理，采用巴特霍斯带阻滤波器滤除48-52hz的工频干扰，再利用巴特霍斯带通滤波器进行滤波得到5-30hz的脑电信号，保存滤波处理后的脑电信号数据集；
[0058]
步骤3：如图2所示，利用空域滤波技术对预处理后的脑电信号数据进行特征提取，按照标签将其中一类信号的方差最大化，同时将另一类信号的方差最小化，找出最佳空间投影方向对输入脑电信号进行差异化投影，将投影过的信号的归一化方差作为特征向量，输入到分类器；
[0059]
利用空域滤波技术进行特征提取的具体过程：
[0060]
假设a1和a2为二分类运动想象脑电信号矩阵，他们的维数均为n*t，n为脑电通道数，t为每个通道所采集的样本数。为了计算其协方差矩阵，现在假设n＜t。a1和a2可以分别写成：
[0061][0062]
式中，s1和s2代表两种想象类型的任务。假设这两个源信号是相互线性独立的；sm代表两种想象类型任务下所共同拥有的源信号。假设s1是由m1个源所构成的，s2是由m2个源所构成，则c1和c2便是分别由s1和s2相关的m1和m2个共同空间模式组成的。由于每个空间模式都是一个n*1维的向量，现在用这个向量来表示单个的源信号所引起的信号在n个导联上的分布权重。cm表示的是与sm相应的共有的空间模式。
[0063]
a1和a2归一化后的协方差矩阵r1和r2分别为：
[0064][0065]
式中：a
t
表示a矩阵的转置，trace(a)表示矩阵对角线上元素的和。然后求混合空间协方差矩阵r：
[0066][0067]
式中：ri(i＝1,2)分别为想象类型任务1、2的平均协方差矩阵。
[0068]
对混合空间协方差矩阵r按式进行特征值分解：
[0069]
r＝uλu
t
ꢀꢀꢀ
(4)
[0070]
式中：u是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵。将特征值进行降序排列，得到白化矩阵p为：
[0071][0072]
对r1和r2进行如下变换：
[0073]
s1＝pr1p
t
，s2＝pr2p
t
ꢀꢀꢀ
(6)
[0074]
然后对s1和s2做主分量分解，得到：
[0075][0076]
通过上面的式子可以证明矩阵s1的特征向量矩阵和矩阵s2的特征向量矩阵是相等的，即：
[0077]
b1＝b2＝b
ꢀꢀꢀ
(8)
[0078]
与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即：
[0079]
λ1+λ2＝i
ꢀꢀꢀ
(9)
[0080]
由于两类矩阵的特征值相加总是为1，则s1的最大特征值所对应的特征向量使s2有最小的特征值，反之亦然。把λ1中的特征值按照降序排列，则λ2中对应的特征值按升序排列，根据这点可以推断出λ1和λ2具有下面的形式：
[0081]
λ1＝diag(i
1 σ
m 0),λ2＝diag(0 σ
m i2)
ꢀꢀꢀ
(10)
[0082]
白化矩阵到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的，则最佳空间投影矩阵w，即空间滤波器为：
[0083]
w＝b
t
p
ꢀꢀꢀ
(11)
[0084]
原始信号x经过空间滤波后得到滤波信号z＝wx，再将滤波信号的归一化方差作为特征向量a，输入到分类器。
[0085]
步骤4：利用支持向量机(svm)对步骤3提取的特征向量进行二分类，从而得到基础分类模型；
[0086]
利用支持向量机(svm)对提取的特征向量进行二分类的过程为：
[0087]
svm通过适当的非线性映射将输入特征向量映射到一个高维的特征空间，使得数据(属于两类)总能被一个超平面分割，即最优分类面。所谓最优分类面就是要求分类面不但能将两类数据正确分开，而且使分类间隔最大。
[0088]
设分类面的方程为x
·
ω+b＝0，则在d维空间中使线性可分的样本集(xi,yi),i＝1,
…
,n,x∈rd,yi∈{+1,-1}满足：
[0089]
yi(ω
·
xi+b)-1≥0,i＝1,
…
,n.
ꢀꢀꢀ
(12)
[0090]
满足上式且使最小的分类线称为最优分类线，利用拉格朗日乘子方法解决最优问题后，最优决策函数表示为：
[0091][0092]
其中，n为支持向量的个数，ai为拉格朗日乘子。
[0093]
在线性不可分的情况下，可以增加一个松弛项ξi≥0，即：
[0094]
yi(ω
·
xi+b)-1-ξi≥0,i＝1,
…
,n.
ꢀꢀꢀ
(14)
[0095]
从而使目标函数最小化：
[0096][0097]
其中，c为误差惩罚因子，即综合考虑最少错分样本和最大分类间隔，这样就得到广义最优分类面。
[0098]
如图2所示，将滤波处理后的脑电信号数据集作为训练集，进行特征提取并对基础分类模型进行训练，得到最优分类面参数，并抽取一份作为测试集，验证基础分类模型分类准确率。
[0099]
步骤5：对离线数据集进行主成分分析，建立基于指数加权移动平均(exponentially weighted moving average，ewma)模型，用于评估在线训练数据的协变量偏移；
[0100]
利用主成分分析(pca)进行数据降维，设有n条d维数据，将原始数据按列组成n行d列矩阵a，将a的每一列(代表一个属性)进行零均值化，即减去这一列的均值，求出协方差矩阵的特征值及对应的特征向量，然后将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p，x＝pa即为降维到k维后的数据。
[0101]
a为步骤3求出的特征向量矩阵，利用主成分分析(pca)将其降维，可得x：
[0102]
x＝[x0,x1,
…
,x
n-1
,xn]
ꢀꢀ
(16)
[0103]
对所有xi求平均值得到z0，然后以每个离线数据为观测值计算z统计量：
[0104]
zi＝λxi+(1-λ)z
i-1
ꢀꢀ
(17)
[0105]
其中，通过在离线数据集上最小化一步前预测误差的平方来估计λ。
[0106]
评估方差：
[0107]
erri＝x
i-z
i-1
ꢀꢀ
(18)
[0108][0109]
式中，θ为(1-θ)置信区间的5％显著性水平，计算上下限ucli和lcli：
[0110][0111][0112]
式中，ucli和lcli分别为第i次试验的控制上限和控制下限，l为控制上限乘数。
[0113]
如图3所示，离线数据集作为训练集，对ewma模型进行训练，得到最优参数。
[0114]
步骤6：如图3所示，采集患者在线训练数据，根据步骤5的ewma模型判断该组在线训练数据的主成分是否处于模型的上下限，如果符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，以供下次在线训练；并重新根据ewma模型计算模型的上下限；
[0115]
比较xi是否满足lcli《xi《ucli，若满足则融合数据进行迭代学习，否则丢弃这组数据开始下一次测试，下次在线训练仍用之前的基础分类模型。
[0116]
第n+1次在线训练后迭代学习模型训练数据集为：
[0117][0118]
步骤7：利用基础分类模型对在线训练数据分类，根据预测值控制外骨骼的运动；
[0119]
对于测试数据xi来说，其特征向量ai提取方式如下，以确定第i次想象为想左或想右。
[0120][0121]
其中，zi为测试数据xi经过空间滤波后得到滤波信号，var为zi的方差。
[0122]
步骤8：重复步骤6和步骤7，使分类模型不断融入新的在线训练数据迭代学习，直至模型数据集规模达到预期要求或者患者的训练计划结束。
[0123]
如此使得模型迭代学习，随着在线训练不断更新，可以有效减少离线训练时长，并且增强模型的鲁棒性，提高在线训练的分类效果。
[0124]
如图4和图5所示，选取12名被试做了3组实验，第一组正常建模，离线训练30次，在线训练60次；第二组正常建模，离线训练60次，在线训练30次；第三组迭代学习建模，离线训练30次，在线训练60次。结果表明利用迭代学习方法更新模型，第三组的在线训练准确率比第一组有明显提升，接近于第二组准确率，鲁棒性优于第二组。
[0125]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。