基于分形几何和概率协作的运动想象任务识别方法与流程

本发明涉及脑机接口领域，具体地说是一种基于分形几何和概率协作的运动想象任务识别方法。

背景技术：

脑-机接口(brain-computerinterface，bci)是一种能使人脑不依赖于运动系统直接与计算机或其它外部设备建立通信的信息通道，为广大患有肌肉萎缩、脑干中风和脊髓损伤等疾病的患者提供与外界交流和通信的途径，有效地提高其生活质量。

基于运动想象的脑电信号的研究是bci技术领域的一个重点研究方向，运动想象是指个体在大脑中想象执行某些动作且不伴随任何肢体动作的过程。基于运动想象的bci系统的一般步骤是信号采集、信号处理和应用。个体进行运动想象的过程中会激发大脑运动皮层脑电节律的变化，大脑同侧运动皮层脑电节律幅度就会升高，产生事件相关同步现象(event-relatedsynchronization，ers)，而对侧的脑电节律幅度会降低，产生事件相关去同步现象(event-ralateddesynchronization，erd)。

信号处理是基于运动想象的bci系统的核心部分，主要包括预处理、特征提取和分类识别等步骤。特征提取和分类是信号处理的关键环节，特征提取可以有效捕捉脑电信号的关键信息，分类识别则根据特征提取捕捉到的信息翻译出用户的意图。

目前常见的特征提取方法从时域、频域、空域等角度来分析脑电信号，例如短时傅里叶变换(short-timefouriertransform，stft)，小波变换(wavelettransform，wt)，s变换(stransform，st)，共空间模式(commonspatialpattern，csp)等等，另外一些组合特征方法也逐渐应用于分析脑电信号，良好的特征提取是获得满意分类结果的基础。作为用户意图的翻译器，分类方法在bci系统中同样占据着至关重要的地位，常用的分类器有贝叶斯线性判别分析(bayeslineardiscriminantanalysis，blda)，朴素贝叶斯分类器(naivebayesclassifier，nbc)，梯度boosting(gradientboosting，gb)，支持向量机(supportvectormachine，svm)等等。目前，协作表示分类(collaborativerepresentaionbasedclassification，crc)算法由于运算复杂度低引起了人们的广泛关注，概率协作表示分类器(probabilisticcollaborativerepresentationbasedclassifier，procrc)是一种新的分类方式，其从概率角度分析crc算法，并已经成功应用于人脸识别领域。

脑电信号具有幅度微弱、信噪比低、非平稳性、非线性的特点，其分析和处理一直是具有相当难度的研究课题，尽管许多特征提取方法和分类算法已经在bci领域取得了良好的识别结果，但如何有效提取脑电信号的特征信息以及匹配最佳分类器仍是目前bci领域研究的重点。基于运动想象的脑电信号相比于诱发式如刺激类脑电信号的幅值更小，信号波动更低，分析处理的难度相对更大一些。此外，提取特征维度过多或分类器调参过程比较复杂都会导致算法复杂度增高，计算效率降低。故如何有效提取脑电信号的特征数据并匹配最佳分类器以及如何设计出高效率高精度的脑机接口系统仍是目前bci领域研究的难点。

专利号为cn106991409a的专利文献公开了一种运动想象脑电信号特征提取与分类系统及方法，该方法基于一种运动想象脑电信号特征提取与分类系统，该方法的具体步骤包括：对运动想象脑电信号的训练：将脑机接口系统采集的运动想象脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维、字典学习和类别直方图计算，得到训练字典及训练数据的类别直方图；对运动想象脑电信号的测试：将脑机接口系统采集的运动想象脑电信号作为测试数据进行格式转换、特征点提取、特征向量计算、降维，利用训练模块中的训练字典得到测试数据的稀疏表达，得到测试数据的类别直方图，并根据训练数据的类别直方图与测试数据的类别直方图的对比结果进行测试数据分类。但是该技术方案不能有效提取脑电信号的特征数据并匹配最佳分类器，设计出高效率高精度的bci。

技术实现要素：

本发明的技术任务是提供一种基于分形几何和概率协作的运动想象任务识别方法，来解决如何有效提取脑电信号的特征数据并匹配最佳分类器以及如何设计出高效率高精度的脑机接口系统的问题。

本发明的技术任务是按以下方式实现的，基于分形几何和概率协作的运动想象任务识别方法，具体步骤如下：

s1、获取脑电信号，并对脑电信号进行预处理；

s2、将功率谱密度(powerspectraldensity，psd)特征与分形特征相结合组成新的组合特征；

s3、采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类。

作为优选，所述步骤s1中的脑电信号由训练集、测试集、训练集类别标签和测试集类别标签组成；

所述步骤s1中对脑电信号进行预处理是指对脑电信号进行降采样处理。

作为优选，所述步骤s2中将功率谱密度特征与分形特征相结合组成新的组合特征的具体步骤如下：

s201、采用改进s变换(modifieds-transform，mst)算法对预处理后的脑电信号的每一个信道提取功率谱密度特征；

s202、利用毯子覆盖技术计算脑电信号每个信道的不同覆盖层的分形特征；

s203、将步骤s201中的功率谱密度特征与步骤s202中的分形特征相结合。

更优地，所述步骤s201中改进s变换算法的表达式为：

其中，x(t)表示一维皮层脑电图(electrocorticography，ecog)时间序列；x表示脑电信号；g(τ-t,f)表示高斯窗函数，表达式为：

σ2(f)表示高斯窗函数标准差，计算公式为：τ表示平移因子；f表示频率；t表示时间；i表示虚函数；p和q表示尺度因子，不断调整尺度因子的取值，改变高斯窗口的宽度，进而提取出最合适的功率谱密度特征数据，选取最佳参数。

更优地，所述步骤s201中功率谱密度特征数据是信号的mst与mst的共轭乘积的数学期望，表达式为：

更优地，所述步骤s202中的分形特征的提取是以非线性动力学为基础，将分形几何理论知识应用到脑电信号的分析中，一维皮层脑电图时间序列的毯子维计算公式如下：

d＝1-logδ[l(δ)/β]；

其中，d表示一维皮层脑电图时间序列x(t)的毯子维；β表示常数；δ表示尺度；

在二维空间内，与脑电信号x(t)相距δ距离的所有点构成一个条状带，l(δ)表示覆盖条状带的长度，表达式为：

其中，a(δ)表示尺度δ对应的面积，计算公式为：

其中，uδ(t)和bδ(t)分别表示x(t)的上下覆盖线，当δ＝0时，覆盖线与x(t)重合；当δ是正整数时，覆盖线表示为：

更优地，所述步骤s3中采用具有鲁棒性的概率协作表示分类算法对提取到的特征数据进行识别分类的具体步骤如下：

s301、将特征数据和类别标签输入概率协作表示分类器中并对所有特征数据进行标准化处理；

s302、设置分类器参数、计算训练数据的投影矩阵并根据训练集投影矩阵计算出编码向量；

s303、测试集数据根据编码向量预测出测试集类别标签，将预测的测试集类别标签的值与实际的测试集类别标签的值对比得到分类精度。

更优地，所述步骤s302中设置分类器参数主要是指选定γ和μ的取值并选择分类模型；分类模型选用鲁棒性的procrc(robustprocrc，r-procrc)模型；其中，γ和μ是procrc分类器的两个重要参数，γ和μ在投影矩阵和编码向量的计算中扮演着重要角色，γ和μ的取值一般设置为0.01和1，根据最后测试结果，稍微调整γ和μ的取值以获得更满意的结果。

更优地，所述步骤s302中计算训练数据的投影矩阵并根据训练集投影矩阵计算出编码向量的具体步骤如下：

s30201、计算训练数据的投影矩阵：若k类训练样本集合为x＝[x1,x2,x3,...,xk,...,xk]，x'k表示与x大小相同的矩阵，样本xk在矩阵x'k中的位置与在矩阵x中的位置相同，即x'k＝[0,0,0,...,xk,...,0]，训练数据的投影矩阵的计算公式为：

其中，i表示单位矩阵；x^t表示x的转置；k表示样本类别总数；k表示1与k之间的一个整数值；

s30202、编码向量的计算公式：鲁棒性的概率协作表示模型引入对角加权矩阵wx，通过迭代重加权最小二乘法交替地更新对角加权矩阵wx和编码向量直到达到与测试样本数目相同的迭代次数；编码向量的计算公式为：

其中，wx表示对角加权矩阵；y表示测试样本；表示根据投影矩阵计算出的测试样本的编码向量。

更优地，所述步骤s303中将预测的测试集类别标签的值与实际的测试集类别标签的值对比得到分类精度具体步骤如下：

s30301、计算出编码向量后，检测到测试集y每次试验的类别概率，类别概率计算公式为：

s30302、根据概率最大值预测出测试集类别标签：

s30303、计算分类精度：分类精度即为分类正确率，分类正确率的计算公式如下：

本发明的基于分形几何和概率协作的运动想象任务识别方法具有以下优点：

(一)、本发明采用mst时频分析算法结合基于非线性动力学的毯子维技术提取ecog信号的组合特征，选用procrc分类器的r-procrc模型计算编码向量，最后获得分类精度,将时频分析方法和非线性动力学理论相结合，并应用于脑电信号的特征提取领域，另外将基于概率协作的新型分类器procrc引入运动想象分类领域，获得了令人满意的结果；

(二)、本发明采用mst方法在时频范围内提取脑电信号的psd特征信息，并利用毯子维技术计算分形特征并进行特征的组合，提取出组合特征后，设置procrc分类器的参数γ和μ并确定分类模型，根据投影矩阵计算编码向量，预测测试集类别标签，最终得到95％的分类精度，有效提取脑电信号特征并匹配合适的分类器获得满意的识别结果；

(三)、本发明将时频分析算法和非线性动力学结合，提出了一种新的组合特征算法，并将属于非参数模式的分类方法procrc分类器引入bci领域，其既可以免除调参过程造成的时间损失，又具有较好的鲁棒性，整个基于运动想象的bci方案既获得了满意的分类精度又具备较好的泛化性。

附图说明

下面结合附图对本发明进一步说明。

附图1为基于分形几何和概率协作的运动想象任务识别方法的流程框图；

附图2为特征提取部分提取的特征数据简图；

附图3为分类器参数γ和μ的取值与精度的关系图；

附图4为不同分类器的分类效果对比柱状图；

附图5为测试集的实际分类与预测分类对比图。

具体实施方式

参照说明书附图和具体实施例对本发明的基于分形几何和概率协作的运动想象任务识别方法作以下详细地说明。

实施例：

如附图1所示，本发明的基于分形几何和概率协作的运动想象任务识别方法,具体步骤如下：

s1、获取脑电信号，并对脑电信号进行降采样预处理；其中，脑电信号是第三次国际bci竞赛的数据集i(即bcicompetioniiidataseti)的ecog信号；脑电信号由训练集、测试集、训练集类别标签和测试集类别标签组成；

本实施例以通过bci竞赛官网下载的数据集i(dataseti)原始数据为例说明。数据集i记录于一名癫痫患者，其属于基于运动想象的脑电数据。采集设备是一个8×8的网格状铂电极，尺寸为8×8cm，总共包括64个记录脑电数据的信道。将脑电采集设备放置在患者大脑右半球运动皮层表面，受试者按照提示重复执行想象舌头和左小指的运动，数据记录于1000hz的采样频率下。数据集i包括一个训练集(数据格式为278×64×3000)、一个测试集(数据格式为100×64×3000)以及一个训练集标签(数据格式为278×1)、一个测试集标签(数据格式为100×1)。类别标签数据中只有-1和1这两类数值，分别表示想象舌头和小指的运动。为了避免视觉诱发电位，脑电信号记录于提示结束后0.5秒。数据集i的训练数据和测试数据虽然记录于同一个受试者并想象相同的任务，但这两个数据的采集时间间隔了大约1个周的时间，在这期间，脑电记录设备、记录系统以及受试者的情绪状态都很可能发生了轻微变化，这为测试数据集的分类增加了很大的难度。

采用降采样的方式对脑电信号进行预处理，降采样就是在原始采样序列(即原始3000个采样点)中等间隔地取出一些采样点，得到新采样序列。这里，将降采样间隔设置为10，即从每一个信道的3000个点重采样出300个点，作为预处理后的数据集。

s2、将psd特征与分形特征相结合组成新的组合特征，具体步骤如下：

s201、采用mst算法对预处理后的脑电信号的每一个信道提取psd特征；

其中，mst算法的表达式为：

其中，x(t)表示一维ecog时间序列；g(τ-t,f)表示高斯窗函数，表达式为：

σ2(f)表示高斯窗函数标准差，计算公式为：τ表示平移因子；f表示频率；t表示时间；i表示虚函数；p和q表示尺度因子，不断调整尺度因子的取值，改变高斯窗口的宽度，进而提取出最合适的psd特征数据，选取最佳参数；x表示脑电信号。

psd特征数据是信号的mst与mst的共轭乘积的数学期望，表达式为：

s202、利用毯子覆盖技术计算脑电信号每个信道的不同覆盖层的分形特征；其中，分形特征的提取是以非线性动力学为基础，将分形几何理论知识应用到脑电信号的分析中，一维皮层脑电图时间序列的毯子维计算公式如下：

d＝1-logδ[l(δ)/β]；

其中，d表示一维皮层脑电图时间序列x(t)的毯子维；β表示常数；δ表示尺度；

在二维空间内，与脑电信号x(t)相距δ距离的所有点构成一个条状带，l(δ)表示覆盖条状带的长度，表达式为：

其中，a(δ)表示尺度δ对应的面积，计算公式为：

其中，uδ(t)和bδ(t)分别表示x(t)的上下覆盖线；当δ＝0时，覆盖线与x(t)重合；当δ是正整数时，覆盖线表示为：

基于mst算法的psd特征与基于毯子维技术的分形特征提取的组合特征，如图2所示，以信道为单位，提取每个信道的组合特征数据，每个信道提取38个特征。记录设备由64个信道组成，训练集记录了278次试验，测试集包括100次试验，所以提取的训练集特征数据和测试集特征数据的格式分别为278×64×38和100×64×38。

s203、将步骤s201中的psd特征与步骤s202中的分形特征相结合。

s3、采用具有鲁棒性的procrc算法对提取到的特征数据进行识别分类，具体步骤如下：

s301、标准化处理：将特征数据和类别标签输入procrc分类器中并对所有特征数据进行标准化处理；

s302、参数设置：设置分类器参数主要是指选定γ和μ的取值并选择分类模型；procrc分类器总共有数据名称、模型种类、γ、μ以及数据的类别数目这五种参数，其中可调参数为模型种类，分别是γ和μ。procrc分类器包括两种分类模型，一种是procrc模型，另一种是r-procrc模型，模型的选择对于分类结果也有着重要影响。procrc分类器具体为：procrc分类器是将概率子空间方法与crc算法相结合提出的一种新的分类方法，crc算法可以用最小l2范数代替最小l1范数，在保证分类性能的前提下降低算法复杂度，procrc算法从概率的角度对crc算法进行分析，并对分类过程做了进一步的优化，具有明确的概率解释。对于procrc模型，编码向量可以计算为：

其中，y表示测试样本，是根据投影矩阵计算出的测试样本的编码向量。

本发明分类模型选用r-procrc模型；其中，γ和μ是procrc分类器的两个重要参数，γ和μ在投影矩阵和编码向量的计算中扮演着重要角色，γ和μ的取值一般设置为0.01和1，它们的取值对最后的分类精度会有不同程度的影响，附图3展示了在不同参数γ和μ值下分类性能的对比；根据最后测试结果，稍微调整γ和μ的取值以获得更满意的结果；同时，计算训练数据的投影矩阵并根据训练集投影矩阵计算出编码向量，具体步骤如下：

s30201、计算训练数据的投影矩阵：若k类训练样本集合为x＝[x1,x2,x3,...,xk,...,xk]，x'k表示与x大小相同的矩阵，样本xk在矩阵x'k中的位置与在矩阵x中的位置相同，即x'k＝[0,0,0,...,xk,...,0]，训练数据的投影矩阵的计算公式为：

其中，i表示单位矩阵；x^t表示x的转置；k表示样本类别总数；k表示1与k之间的一个整数值；

s30202、编码向量的计算公式：r-procrc模型模型引入对角加权矩阵wx，通过迭代重加权最小二乘法交替地更新对角加权矩阵wx和编码向量直到达到与测试样本数目相同的迭代次数；编码向量的计算公式为：

其中，wx表示对角加权矩阵；y表示测试样本；表示根据投影矩阵计算出的测试样本的编码向量。

s303、测试集数据根据编码向量预测出测试集类别标签，将预测的测试集类别标签的值与实际的测试集类别标签的值对比得到分类精度，具体步骤如下：

s30301、计算出编码向量后，检测到测试集y每次试验的类别概率，类别概率计算公式为：

s30302、根据概率最大值预测出测试集类别标签：

s30303、计算分类精度：分类精度即为分类正确率，分类正确率的计算公式如下：

最终通过识别分类得到分类准确率为95％。

对比实施例：

利用blda分类器、gb分类器、svm分类器以及基于procrc模型的分类器识别本发明所提取的组合特征，附图4是不同分类器的分类效果对比柱状图，对比结果证明本发明为所提取的组合特征匹配了最佳分类器。附图5是测试集的实际分类与预测分类对比图，图中圆“o”代表测试集的实际标签，点“·”代表预测标签，中间的横线是两类运动想象的分界线，从附图5可以明显看出点和圆圈大部分都是重合的，由此证明了本发明的有效性。本发明提出一种新的组合特征算法，又将procrc分类器应用于bci领域，获得了满意的分类结果。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。