本發(fā)明涉及分類(lèi)識(shí)別領(lǐng)域，尤其涉及一種低誤觸發(fā)率運(yùn)動(dòng)想象雙層分類(lèi)識(shí)別方法。本發(fā)明提出了一種提高運(yùn)動(dòng)想象腦-機(jī)接口(motorimagerybraincomputerinterface，mi-bci)系統(tǒng)整體分類(lèi)識(shí)別能力的新型方法。

背景技術(shù)：

腦-機(jī)接口(braincomputerinterface，bci)技術(shù)是目前神經(jīng)工程領(lǐng)域研究中較為熱門(mén)的方向，已有近50年的發(fā)展歷史。其中mi-bci是bci研究中的后起之秀，是當(dāng)前用于控制外部神經(jīng)假體的技術(shù)中最為有意義的一種。

人類(lèi)在肢體完成實(shí)際動(dòng)作或者進(jìn)行動(dòng)作想象時(shí)，大腦皮層感覺(jué)運(yùn)動(dòng)區(qū)的活動(dòng)狀態(tài)會(huì)發(fā)生改變，某些特定頻率(主要集中于α頻段與β頻段)的腦電信號(hào)會(huì)發(fā)生同步增強(qiáng)或衰減，這一現(xiàn)象被稱為事件相關(guān)同步/去同步現(xiàn)象(eventrelatedsynchronization/desynchronization,ers/erd)現(xiàn)象。ers/erd是人類(lèi)的主觀意識(shí)誘發(fā)出的現(xiàn)象，能作為判斷人類(lèi)是否產(chǎn)生主觀意識(shí)的標(biāo)準(zhǔn)。ers/erd現(xiàn)象的產(chǎn)生為使用想象動(dòng)作控制bci系統(tǒng)提供了可能。1991年，wolpaw等人以μ(與α頻段相似)節(jié)律振幅變化為控制信號(hào)，開(kāi)發(fā)了一套鼠標(biāo)控制系統(tǒng)，這是早期mi-bci比較成功的范例。

目前，mi-bci系統(tǒng)多面向運(yùn)動(dòng)功能有障礙的人群。其主要目的是輔助、替代缺失的運(yùn)動(dòng)功能從而幫助該類(lèi)人群完成某些必要活動(dòng)，力爭(zhēng)提高此部分人群的生活質(zhì)量。配合外部控制設(shè)備，如功能性電刺激器、鼠標(biāo)控制器、字符拼寫(xiě)器等，部分殘障人群已可以實(shí)現(xiàn)簡(jiǎn)單的肢體動(dòng)作、控制某些設(shè)備或者通過(guò)字符拼寫(xiě)器完成交流。同時(shí)，由于mi-bci系統(tǒng)工作時(shí)可以有效激活腦部受損患者的受損腦區(qū)而帶來(lái)良好的康復(fù)效果，部分針對(duì)中風(fēng)等中樞系統(tǒng)疾病的mi-bci系統(tǒng)也開(kāi)始應(yīng)用于臨床康復(fù)領(lǐng)域。

mi-bci系統(tǒng)在使用過(guò)程中，可以實(shí)時(shí)的為使用者提供各種方式的反饋。而通過(guò)多種模式的外部反饋可以幫助使用者完成更多的任務(wù)。但是，在mi-bci系統(tǒng)的應(yīng)用過(guò)程中，有部分系統(tǒng)操作者和使用者反應(yīng)系統(tǒng)出現(xiàn)了錯(cuò)誤指令觸發(fā)現(xiàn)象，即“誤觸發(fā)”現(xiàn)象?，F(xiàn)以雙指令mi-bci系統(tǒng)為例解釋誤觸發(fā)現(xiàn)象的具體定義。以右手運(yùn)動(dòng)想象任務(wù)為指定任務(wù)，當(dāng)使用者進(jìn)行右手運(yùn)動(dòng)想象時(shí)，mi-bci系統(tǒng)將輸出控制指令以操作外部設(shè)備。但某些情況下，當(dāng)使用者處于靜息狀態(tài)，或者錯(cuò)誤的進(jìn)行了左手運(yùn)動(dòng)想象甚至想象了與肢體無(wú)關(guān)的一些動(dòng)作時(shí)，系統(tǒng)也作出了輸出指令的判斷，此時(shí)將該錯(cuò)誤稱為假陽(yáng)性(falsepositive，fp)錯(cuò)誤，也被稱為第一類(lèi)錯(cuò)誤。當(dāng)認(rèn)為右手運(yùn)動(dòng)想象為目標(biāo)任務(wù)動(dòng)作時(shí)，靜息狀態(tài)、對(duì)側(cè)肢體行為干擾、外部環(huán)境干擾及對(duì)特殊無(wú)關(guān)場(chǎng)景的想象都被歸屬為非目標(biāo)任務(wù)動(dòng)作。當(dāng)非目標(biāo)任務(wù)觸發(fā)了目標(biāo)任務(wù)指令，即為“誤觸發(fā)”。

誤觸發(fā)問(wèn)題的頻繁出現(xiàn)是mi-bci技術(shù)應(yīng)用過(guò)程中所面臨的較嚴(yán)峻的阻礙之一，其不良影響如下：

1、目標(biāo)任務(wù)達(dá)成率低，無(wú)法實(shí)現(xiàn)正確指令輸出以控制外部設(shè)備完成預(yù)設(shè)任務(wù)；

2、影響操作者判斷系統(tǒng)使用者的參與程度，進(jìn)而無(wú)法有效的評(píng)價(jià)系統(tǒng)的表現(xiàn)；

3、使用者容易形成錯(cuò)誤的運(yùn)動(dòng)想象習(xí)慣，為未來(lái)其使用其他同類(lèi)型設(shè)備帶來(lái)隱患；

4、當(dāng)應(yīng)用于康復(fù)領(lǐng)域時(shí)，會(huì)浪費(fèi)患者寶貴的康復(fù)治療時(shí)間，耽誤康復(fù)進(jìn)程。

綜上所述，有效的解決mi-bci系統(tǒng)的誤觸發(fā)問(wèn)題，提高其在各領(lǐng)域中的使用效果是十分有必要的。目前大多數(shù)mi-bci研究主要關(guān)注系統(tǒng)對(duì)目標(biāo)任務(wù)分類(lèi)正確率的提高，但是并未發(fā)現(xiàn)有研究將誤觸發(fā)(第一類(lèi)錯(cuò)誤)問(wèn)題明確提出并對(duì)其加以克服。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種低誤觸發(fā)率運(yùn)動(dòng)想象雙層分類(lèi)識(shí)別方法，本發(fā)明可有效地降低mi-bci系統(tǒng)的誤觸發(fā)率，提高系統(tǒng)的整體識(shí)別性能，改進(jìn)了目前mi-bci系統(tǒng)研究中的關(guān)鍵問(wèn)題，若將算法推向應(yīng)用，可獲得可觀的社會(huì)效益和經(jīng)濟(jì)效益，詳見(jiàn)下文描述：

一種低誤觸發(fā)率運(yùn)動(dòng)想象雙層分類(lèi)識(shí)別方法，所述識(shí)別方法包括以下步驟：

采集同一名受試者在不同任務(wù)條件下的64導(dǎo)聯(lián)腦電信號(hào)；

對(duì)64導(dǎo)聯(lián)腦電信號(hào)進(jìn)行帶通濾波、降采樣以及數(shù)據(jù)長(zhǎng)度截取，獲取預(yù)處理后的腦電信號(hào)；

通過(guò)csp算法并配合滑動(dòng)時(shí)間窗的方法對(duì)腦電信號(hào)進(jìn)行處理，獲得了用于后期建模的腦電信號(hào)特征；

使用不同類(lèi)別的腦電信號(hào)特征構(gòu)建雙層分類(lèi)器，將同一樣本通過(guò)兩次判別后完成識(shí)別以提高整體分類(lèi)識(shí)別能力。

其中，所述滑動(dòng)時(shí)間窗的方法具體為：

從任務(wù)執(zhí)行時(shí)刻開(kāi)始為起點(diǎn)截取數(shù)據(jù)，截取時(shí)間窗長(zhǎng)度為2s，時(shí)間窗逐漸向后滑動(dòng)，每隔0.2s截取一段數(shù)據(jù)，直到數(shù)據(jù)末尾結(jié)束，截取后將數(shù)據(jù)按照各自的類(lèi)別排列起來(lái)。

其中，所述用于后期建模的腦電信號(hào)特征具體為：

構(gòu)建csp空間濾波器p'：

p′＝u′w

xcsp＝p'*x

其中，xcsp是經(jīng)過(guò)csp空間濾波器處理過(guò)后的信號(hào)，x為原始eeg信號(hào)；u'運(yùn)算過(guò)程中所得的相似變換矩陣u的轉(zhuǎn)置；w為白化矩陣。

可以得到用于構(gòu)建分類(lèi)器的特征：

其中，即為所得特征，var表示求取方差運(yùn)算，m為需要留下的特征值數(shù)量，i表示特征的類(lèi)別。

其中，所述使用不同類(lèi)別的腦電信號(hào)特征構(gòu)建雙層分類(lèi)器的步驟具體為：

第一層分類(lèi)器為基礎(chǔ)分類(lèi)器，建模數(shù)據(jù)分別為右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)和靜息態(tài)數(shù)據(jù)；通過(guò)第一層分類(lèi)器可以將靜息態(tài)樣本有效的分離出來(lái)，以防止將靜息態(tài)判斷為運(yùn)動(dòng)想象狀態(tài)的情況出現(xiàn)；

將標(biāo)識(shí)為運(yùn)動(dòng)想象狀態(tài)的特征數(shù)據(jù)送入第二層分類(lèi)器，構(gòu)成第二層分類(lèi)器的數(shù)據(jù)為右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)和干擾態(tài)數(shù)據(jù)。

本發(fā)明提供的技術(shù)方案的有益效果是：

1、本發(fā)明使用csp(commonspatialpatterns,共空間模式)算法提取腦電信號(hào)中的特征，降低了樣本的特征維度，然后引入干擾態(tài)數(shù)據(jù)構(gòu)建雙層分類(lèi)模型，對(duì)同一樣本進(jìn)行兩步分類(lèi)以獲得分類(lèi)器整體性能的提升；

2、該發(fā)明有效的降低了誤觸發(fā)現(xiàn)象的產(chǎn)生。表1是19名受試者者不同建模條件下分類(lèi)測(cè)試的平均結(jié)果，該結(jié)果說(shuō)明，采用雙層分類(lèi)策略并引入干擾態(tài)數(shù)據(jù)后，可以有效抑制誤觸發(fā)現(xiàn)象的產(chǎn)生，提高了mi-bci系統(tǒng)的整體穩(wěn)定程度，為mi-bci系統(tǒng)更好的走向應(yīng)用提供了技術(shù)支持。

附圖說(shuō)明

圖1為一種低誤觸發(fā)率運(yùn)動(dòng)想象雙層分類(lèi)識(shí)別方法的流程圖；

圖2為60導(dǎo)電極帽導(dǎo)聯(lián)分布圖；

圖3為csp算法特征提取流程圖；

圖4為時(shí)間窗滑動(dòng)數(shù)據(jù)截取方法示意圖；

圖5為雙層分類(lèi)策略整體數(shù)據(jù)處理流程圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。

本發(fā)明實(shí)施例針對(duì)背景技術(shù)中存在的問(wèn)題提出了一種新型的降低mi-bci系統(tǒng)誤觸發(fā)率的分類(lèi)識(shí)別方法，本發(fā)明實(shí)施例中的mi-bci系統(tǒng)也是應(yīng)用ers/erd現(xiàn)象原理設(shè)計(jì)的。

即通過(guò)采集部分可造成誤觸發(fā)現(xiàn)象的典型行為的數(shù)據(jù)樣本融合到分類(lèi)識(shí)別算法中以達(dá)到抑制誤觸發(fā)現(xiàn)象的效果。該方法有效降低了誤觸發(fā)現(xiàn)象的產(chǎn)生，提高了分類(lèi)器的整體性能，滿足實(shí)際應(yīng)用中的要求。

實(shí)施例1

本發(fā)明實(shí)施例所采用的技術(shù)方案是：首先采集受試者不同任務(wù)狀態(tài)下的原始腦電數(shù)據(jù)，然后對(duì)原始腦電數(shù)據(jù)進(jìn)行預(yù)處理，接著通過(guò)csp算法提取特征，并將屬于不同類(lèi)別的特征進(jìn)行組合，通過(guò)支持向量機(jī)算法(supportvectormachine，svm)構(gòu)建分類(lèi)識(shí)別模型，最后通過(guò)對(duì)同一樣本進(jìn)行雙層分類(lèi)識(shí)別以達(dá)到提高系統(tǒng)的整體分類(lèi)識(shí)別能力的目的。圖1是本方法的流程圖，包括如下階段：

101：采集同一名受試者在不同任務(wù)條件下的64導(dǎo)聯(lián)腦電信號(hào)；

其中，不同任務(wù)條件可以為目標(biāo)任務(wù)、靜息任務(wù)、或干擾任務(wù)等，具體實(shí)現(xiàn)時(shí)，本發(fā)明實(shí)施例對(duì)此不做限制。該64導(dǎo)聯(lián)腦電信號(hào)作為原始腦電數(shù)據(jù)。

102：對(duì)64導(dǎo)聯(lián)腦電信號(hào)進(jìn)行帶通濾波、降采樣以及數(shù)據(jù)長(zhǎng)度截取，獲取預(yù)處理后的腦電信號(hào)；

具體實(shí)現(xiàn)時(shí)，步驟101中采集獲得的原始腦電數(shù)據(jù)并不能滿足后期處理要求，需要對(duì)其進(jìn)行預(yù)處理。包括8-30hz帶通濾波，降采樣到200hz，數(shù)據(jù)長(zhǎng)度截取，最終得到60導(dǎo)聯(lián)的預(yù)處理后的腦電信號(hào)。

其中，本發(fā)明實(shí)施例對(duì)帶通濾波的頻率范圍、降采樣的頻率范圍、截取的數(shù)據(jù)長(zhǎng)度不做限制，還可以為其他的數(shù)值范圍，具體實(shí)現(xiàn)時(shí)，根據(jù)實(shí)際應(yīng)用中的需要進(jìn)行設(shè)定。

103：通過(guò)csp算法從預(yù)處理后的腦電信號(hào)中獲取用于后期建模的腦電信號(hào)特征；

其中，預(yù)處理后的腦電信號(hào)中包含了過(guò)多的冗余信息且維度過(guò)大，需要通過(guò)特征提取算法完成降低特征維度的任務(wù)。本發(fā)明實(shí)施例中通過(guò)csp算法并配合滑動(dòng)時(shí)間窗的方法對(duì)腦電信號(hào)進(jìn)行處理，獲得了用于后期建模的腦電信號(hào)特征。

104：根據(jù)腦電信號(hào)特征，采用svm算法建模并完成識(shí)別。

其中，上述腦電信號(hào)特征提取后，使用svm算法建模并完成識(shí)別。建模時(shí)使用不同類(lèi)別的腦電特征構(gòu)建雙層分類(lèi)器，將同一樣本通過(guò)兩次判別后完成識(shí)別以提高系統(tǒng)的整體分類(lèi)識(shí)別能力。

綜上所述，本發(fā)明實(shí)施例通過(guò)上述步驟101-步驟104可有效地降低mi-bci系統(tǒng)的誤觸發(fā)率，提高系統(tǒng)的整體識(shí)別性能，改進(jìn)了目前mi-bci系統(tǒng)研究中的關(guān)鍵問(wèn)題。若將算法推向應(yīng)用，可獲得可觀的社會(huì)效益和經(jīng)濟(jì)效益。

實(shí)施例2

下面結(jié)合圖2-圖5、計(jì)算公式、以及表格對(duì)實(shí)施例1中的方案進(jìn)行進(jìn)一步地介紹，詳見(jiàn)下文描述：

201：腦電信號(hào)采集階段；

本發(fā)明實(shí)施例中使用neuroscan公司生產(chǎn)的64導(dǎo)聯(lián)腦電放大器和scan4.5采集系統(tǒng)，其配備的電極帽遵循國(guó)際10-20系統(tǒng)通用標(biāo)準(zhǔn)，圖2中展示的為不包含眼電及參考電極在內(nèi)的其它電極的位置分布。本發(fā)明實(shí)施例中進(jìn)行腦電采集時(shí)將鼻尖位置作為參考，腦部前額頂側(cè)中央處接地。采集數(shù)據(jù)時(shí)要求所有導(dǎo)聯(lián)電極與頭皮間的阻抗保持在5k歐以下，采樣頻率為1000hz。

所有受試者進(jìn)行腦電采集前并未進(jìn)行預(yù)先訓(xùn)練以更好的證明該方法的普適性。每名受試者者需采集不同任務(wù)條件下的腦電數(shù)據(jù)用以驗(yàn)證方法的可行性。這里使用右手運(yùn)動(dòng)想象任務(wù)腦電數(shù)據(jù)(目標(biāo)任務(wù))和靜息態(tài)任務(wù)腦電數(shù)據(jù)作為構(gòu)建基礎(chǔ)分類(lèi)模型的數(shù)據(jù)，并采集部分左手相關(guān)任務(wù)數(shù)據(jù)(左手運(yùn)動(dòng)想象任務(wù)、左手實(shí)際動(dòng)作執(zhí)行任務(wù)、左側(cè)手臂肌肉運(yùn)動(dòng)任務(wù))作為干擾態(tài)任務(wù)參與建模。

202：數(shù)據(jù)預(yù)處理；

采集到的原始腦電無(wú)法滿足后續(xù)處理需要，因此要對(duì)采集到的腦電進(jìn)行前期預(yù)處理。本發(fā)明實(shí)施例中對(duì)原始腦電數(shù)據(jù)進(jìn)行的主要預(yù)處理有：降采樣、帶通濾波、數(shù)據(jù)截取。

本發(fā)明實(shí)施例中使用的腦電采集設(shè)備的采樣頻率為1000hz，可以有效的采集到變化迅速的腦電信號(hào)。但過(guò)大的數(shù)據(jù)量會(huì)導(dǎo)致后期處理效率的降低。因此，通過(guò)軟件將1000hz的腦電信號(hào)降采樣到200hz。

本發(fā)明實(shí)施例中所關(guān)注的有效腦電特征信息的頻率多集中于8hz-30hz，因此通過(guò)8hz-30hz帶通濾波器對(duì)腦電信號(hào)進(jìn)行了濾波處理。通過(guò)帶通濾波處理可以有效的剔除掉低頻的肌電信號(hào)以及高頻的噪聲干擾(如50hz工頻干擾)，將大量有效信息保留，提高了信號(hào)的信噪比。

腦電數(shù)據(jù)采集時(shí)，時(shí)間的微弱差異會(huì)導(dǎo)致采集到的多試次腦電數(shù)據(jù)的數(shù)據(jù)長(zhǎng)度不同，因此需要配合腦電采集時(shí)記錄的用于標(biāo)識(shí)位置的標(biāo)簽完成數(shù)據(jù)的統(tǒng)一截取，以確保數(shù)據(jù)長(zhǎng)度達(dá)到統(tǒng)一，方便后期處理計(jì)算。

203：csp腦電特征提??；

預(yù)處理后的腦電信號(hào)中仍然包含了過(guò)多的冗余信息，過(guò)大的數(shù)據(jù)維度會(huì)降低分類(lèi)識(shí)別算法的運(yùn)行速度，不利于分類(lèi)模型的構(gòu)建，因此需要通過(guò)特征提取算法完成腦電特征的提取，從而降低特征的維度。

共空間模式(csp)是目前運(yùn)動(dòng)想象腦電信號(hào)處理中使用的主流特征提取方法。其主要思想就是通過(guò)線性變換矩陣(矩陣中每一行都是各導(dǎo)聯(lián)的權(quán)重系數(shù))將多導(dǎo)聯(lián)的腦電數(shù)據(jù)轉(zhuǎn)化到低維度子空間中。變換矩陣中的每一行都是一個(gè)空間濾波器，可以有效的探測(cè)erd或ers，提取兩類(lèi)腦電特征信號(hào)之間的差異性最大的特征，用于后期分類(lèi)器的構(gòu)建。

csp算法[1]的基本表達(dá)式為：

xcsp＝p'*x(1)

其中，xcsp是經(jīng)過(guò)csp空間濾波器處理過(guò)后的信號(hào)，x為原始eeg信號(hào)，p為csp濾波矩陣，p'為p的轉(zhuǎn)置矩陣。csp濾波矩陣p中的每一個(gè)列向量pj∈p^n×n(j＝1…n)都是一個(gè)空間濾波器。而空間模式矩陣a＝(p-¹)'中的每一個(gè)列向量aj∈a^n×n(j＝1…n)都被稱為一個(gè)空間模式，p-¹為p的逆矩陣。

csp具體構(gòu)造流程如下：

1)將原始eeg數(shù)據(jù)整理成如下形式：其中i代表數(shù)據(jù)的第i個(gè)試次。a為數(shù)據(jù)的類(lèi)別標(biāo)識(shí)，這里認(rèn)為所處理的數(shù)據(jù)由兩類(lèi)樣本組成。整體代表一個(gè)n×t維的數(shù)據(jù)矩陣，n代表導(dǎo)聯(lián)通道的數(shù)量，t代表時(shí)間尺度上的樣本點(diǎn)個(gè)數(shù)。

2)求取和兩類(lèi)樣本數(shù)據(jù)的協(xié)方差矩陣，并進(jìn)行歸一化：

其中，為b類(lèi)別第i個(gè)試次的數(shù)據(jù)；為的轉(zhuǎn)置；為的轉(zhuǎn)置；分別代表a、b兩類(lèi)樣本歸一化后所得結(jié)果，歸一化的目的是為了消除各試次數(shù)據(jù)之間的樣本差異。代表求取的跡，同理。

3)對(duì)單一類(lèi)別中所有試次的數(shù)據(jù)進(jìn)行平均：

4)構(gòu)建復(fù)合協(xié)方差矩陣rc：

rc＝ra+rb(6)

對(duì)rc進(jìn)行分解：

rc＝bcλbc'(7)

其中，bc為n×n維歸一化特征向量矩陣，bc'為bc的轉(zhuǎn)置，bcbc'＝1n×n。λ是n×n維的特征值對(duì)角矩陣。

5)構(gòu)建白化矩陣：

w＝λ^-1/2b'c(8)

白化矩陣w可以將一個(gè)矩陣轉(zhuǎn)化為各項(xiàng)同性矩陣，使用白化矩陣分別處理兩組不同矩陣，則兩組矩陣的特征值矩陣相加將等于i。

6)通過(guò)白化矩陣重構(gòu)兩個(gè)類(lèi)別的協(xié)方差矩陣：

sa＝wraw'(9)

sb＝wrbw'(10)

其中，w'為w的轉(zhuǎn)置。

7)將sa和sb進(jìn)行分解：

sa＝uψau'(11)

sb＝uψbu'(12)

ψa+ψb＝i(13)

其中，u為相似變換矩陣；ψa為sa的特征值；u'為u的轉(zhuǎn)置；ψb為sb的特征值。

通過(guò)上述變換后，當(dāng)其中一組矩陣擁有最大特征值時(shí)，另外一組矩陣將擁有最小的特征值，反之亦然。因此，若選取一個(gè)矩陣中最大的m個(gè)特征值，則可對(duì)應(yīng)另外一組矩陣中的m個(gè)最小的特征值，通過(guò)此方法可將兩矩陣的最大差異特征提取出來(lái)。

8)構(gòu)建csp空間濾波器p'：

p'＝u'w(14)

得到濾波器后即可通過(guò)公式(1)對(duì)eeg數(shù)據(jù)進(jìn)行處理。

通過(guò)公式(15)，可以得到用于構(gòu)建分類(lèi)器的特征。

其中，即為所得特征，var表示求取方差運(yùn)算，m為需要留下的特征值數(shù)量，i表示特征的類(lèi)別。

使用csp算法進(jìn)行特征提取時(shí)具體流程如圖所示。如圖3中所示，獲得原始腦電數(shù)據(jù)后首先要進(jìn)行預(yù)處理，提高數(shù)據(jù)的信號(hào)質(zhì)量。由于數(shù)據(jù)采集過(guò)程中，各類(lèi)任務(wù)是隨機(jī)出現(xiàn)的，因此需要將各類(lèi)樣本數(shù)據(jù)逐一提取出來(lái)排列在一起。接下來(lái)根據(jù)處理需求對(duì)數(shù)據(jù)進(jìn)行截取，同時(shí)挑選出用于后期建模的兩類(lèi)樣本備用。由于受到數(shù)據(jù)采集時(shí)間和受試者舒適程度限制，可獲得的各類(lèi)任務(wù)腦電數(shù)據(jù)樣本的數(shù)量是十分有限的，為了提高數(shù)據(jù)的利用率并盡量增加樣本的數(shù)量，本發(fā)明實(shí)施例中采用了滑動(dòng)時(shí)間窗的方法，如圖4所示。從任務(wù)執(zhí)行時(shí)刻開(kāi)始為起點(diǎn)截取數(shù)據(jù)，截取時(shí)間窗長(zhǎng)度為2s，時(shí)間窗逐漸向后滑動(dòng)，每隔0.2s截取一段數(shù)據(jù)，直到數(shù)據(jù)末尾結(jié)束，截取后將數(shù)據(jù)按照各自的類(lèi)別排列起來(lái)。此種方法有效的擴(kuò)充了樣本的數(shù)量，使后期訓(xùn)練的分類(lèi)模型更加可靠。

當(dāng)完成了數(shù)據(jù)樣本的擴(kuò)充以及數(shù)據(jù)排列后，即可構(gòu)建基于該樣本的csp空間濾波器(按上文中方法)并得到兩類(lèi)樣本的特征。獲得訓(xùn)練樣本后，即可將樣本隨機(jī)分開(kāi)，一部分用于構(gòu)建分類(lèi)器，另外一部分用于測(cè)試分類(lèi)器的性能。

204：運(yùn)動(dòng)想象雙層分類(lèi)識(shí)別模型構(gòu)建；

雙層分類(lèi)策略的主要思想是使用不同類(lèi)別的訓(xùn)練樣本構(gòu)建雙層分類(lèi)器，通過(guò)將測(cè)試樣本進(jìn)行兩步分類(lèi)提高雙層分類(lèi)器的整體識(shí)別能力。圖5為雙層分類(lèi)策略的整體數(shù)據(jù)處理流程。

前期所需的各種處理步驟已經(jīng)在前文中提及。通過(guò)csp算法獲得各類(lèi)樣本的特征后，即可開(kāi)始構(gòu)建雙層分類(lèi)器。其中，第一層分類(lèi)器為基礎(chǔ)分類(lèi)器(右手運(yùn)動(dòng)想象與靜息分類(lèi)器)，其建模數(shù)據(jù)分別為右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)和靜息態(tài)數(shù)據(jù)。根據(jù)前人研究成果可知，目前對(duì)于運(yùn)動(dòng)想象狀態(tài)和靜息狀態(tài)兩種狀態(tài)的分類(lèi)識(shí)別效果已經(jīng)達(dá)到了極高的程度，通過(guò)第一層分類(lèi)器可以將靜息態(tài)樣本有效的分離出來(lái)，以防止將靜息態(tài)判斷為運(yùn)動(dòng)想象狀態(tài)的情況出現(xiàn)。當(dāng)完成第一步分類(lèi)后，可將標(biāo)識(shí)為運(yùn)動(dòng)想象狀態(tài)(此類(lèi)數(shù)據(jù)中應(yīng)該已經(jīng)包含有誤判數(shù)據(jù)在內(nèi))的特征數(shù)據(jù)送入第二層分類(lèi)器，進(jìn)行二次分類(lèi)。構(gòu)成第二層分類(lèi)器的數(shù)據(jù)為右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)和干擾態(tài)數(shù)據(jù)。

本發(fā)明實(shí)施例對(duì)第二層分類(lèi)器的構(gòu)成進(jìn)行了多種情況的嘗試，如第一類(lèi)別數(shù)據(jù)為右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)，第二類(lèi)別數(shù)據(jù)為干擾態(tài)數(shù)據(jù)中任意一種。當(dāng)進(jìn)行完兩次分類(lèi)后，需要對(duì)兩次分類(lèi)的結(jié)果進(jìn)行整理以形成最終的分類(lèi)結(jié)果。通過(guò)對(duì)比分類(lèi)器的整體評(píng)價(jià)指標(biāo)可驗(yàn)證本方法的優(yōu)勢(shì)所在。

205：算法應(yīng)用結(jié)果展示。

該部分對(duì)本方法通過(guò)實(shí)驗(yàn)進(jìn)行了測(cè)試。為提升測(cè)試結(jié)果的可信度，使用了十折交叉驗(yàn)證方法。分類(lèi)器的整體性能通過(guò)雙層分類(lèi)器的受試者工作特征(receiveroperatingcharacteristic,roc)曲線下面積(areaundercurve,auc)評(píng)估。auc是目前用于評(píng)價(jià)分類(lèi)器性能的常見(jiàn)指標(biāo)，當(dāng)不同類(lèi)別測(cè)試樣本數(shù)量比例不均時(shí)，auc可忽略樣本比例不平衡所帶來(lái)的結(jié)果偏差，更為科學(xué)。

表1展示了基于csp特征提取方法的雙層分類(lèi)模型與單層分類(lèi)模型之間的分類(lèi)結(jié)果對(duì)比，表格為15名受試者人員，19人次的實(shí)驗(yàn)數(shù)據(jù)的平均結(jié)果。

現(xiàn)對(duì)表格中的各項(xiàng)內(nèi)容進(jìn)行說(shuō)明：“單層分類(lèi)器”(僅使用右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)與靜息態(tài)數(shù)據(jù)進(jìn)行建模)一行為使用傳統(tǒng)方法建模后，各測(cè)試樣本的分類(lèi)結(jié)果；“+lhi、+lhe、+lhm”各行則為使用雙層分類(lèi)模型后的分類(lèi)結(jié)果，每一行都代表混入一種干擾數(shù)據(jù)的情況，雙層分類(lèi)模型中，第一層分類(lèi)器使用右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)與靜息態(tài)數(shù)據(jù)進(jìn)行建模，第二層分類(lèi)器則引入干擾態(tài)數(shù)據(jù)，使用右側(cè)手部運(yùn)動(dòng)想象數(shù)據(jù)與干擾態(tài)數(shù)據(jù)中的一種進(jìn)行建模；rhi、relax、lhi、lhe、lhm分別代表不同的測(cè)試樣本類(lèi)型；auc可評(píng)價(jià)單層或雙層分類(lèi)器的整體性能。表格中標(biāo)灰部分表示誤觸發(fā)率。

表1基于csp特征的雙層分類(lèi)模型分類(lèi)結(jié)果

其中，a.rhi：右側(cè)手部運(yùn)動(dòng)想象任務(wù)測(cè)試樣本(righthandimagery，rhi)；b.lhi：左側(cè)手部運(yùn)動(dòng)想象任務(wù)測(cè)試樣本(lefthandimagery，lhi)；c.lhe：左側(cè)手部實(shí)際運(yùn)動(dòng)執(zhí)行任務(wù)測(cè)試樣本(lefthandmovementexecution，lhe)；d.lhm：左側(cè)手臂肌肉運(yùn)動(dòng)測(cè)試樣本(lefthandmusclemovement，lhm)；e.relax：靜息任務(wù)測(cè)試樣本(relax)。

從表格中可以看出，當(dāng)干擾態(tài)測(cè)試樣本送入傳統(tǒng)的單層分類(lèi)器后，lhi、lhe、lhm三種干擾態(tài)測(cè)試樣本的觸發(fā)率分別為73％、81％和73％，誤觸發(fā)率極高，而使用雙層分類(lèi)策略后干擾態(tài)樣本的誤觸發(fā)率下降了30％-65％，極大的抑制了誤觸發(fā)現(xiàn)象的產(chǎn)生。同時(shí)，對(duì)于靜息測(cè)試樣本，雙層分類(lèi)策略也在一定程度上降低了其出現(xiàn)誤觸發(fā)現(xiàn)象的概率。

通過(guò)auc指標(biāo)對(duì)比傳統(tǒng)單層分類(lèi)模型與雙層分類(lèi)模型之間的優(yōu)劣可以看出，三種建模情況下的雙層分類(lèi)器的auc指標(biāo)都要高于單層分類(lèi)器。其中，csp單層分類(lèi)器初始auc為0.69，改進(jìn)后雙層分類(lèi)器auc最大值為0.77，漲幅11.5％且除+lhi條件下的auc與對(duì)應(yīng)單層分類(lèi)器之間的性能提高沒(méi)有顯著差異外，其它兩種建模條件下構(gòu)建的分類(lèi)器整體性能的提高都具有顯著性差異(p<0.05)。從統(tǒng)計(jì)學(xué)數(shù)據(jù)上再次證明了，將雙層策略應(yīng)用于mi-bci系統(tǒng)中以降低誤觸發(fā)現(xiàn)象的方法是有效的。通過(guò)以上結(jié)果可以看出，本發(fā)明實(shí)施例中提出的新型算法是切實(shí)可行的。

本方法的主旨是提出有效降低mi-bci系統(tǒng)產(chǎn)生誤觸發(fā)現(xiàn)象的方法，通過(guò)引入干擾態(tài)數(shù)據(jù)并配合雙層分類(lèi)策略的方法提高分類(lèi)器的整體分類(lèi)性能，繼而提高對(duì)干擾態(tài)數(shù)據(jù)的識(shí)別能力以有效抑制誤觸發(fā)現(xiàn)象的產(chǎn)生，提高mi-bci系統(tǒng)的可靠程度。該項(xiàng)發(fā)明可有效地降低mi-bci系統(tǒng)的誤觸發(fā)率，使mi-bci系統(tǒng)在使用過(guò)程中更為可靠，可獲得可觀的社會(huì)效益和經(jīng)濟(jì)效益。最佳實(shí)施方案擬采用專利轉(zhuǎn)讓、技術(shù)合作或產(chǎn)品開(kāi)發(fā)。

參考文獻(xiàn)

[1]müller-gerkingj,pfurtschellerg,flyvbjergh.designingoptimalspatialfiltersforsingle-trialeegclassificationinamovementtask[j].clinicalneurophysiology,1999,110(5):787-798.

本發(fā)明實(shí)施例對(duì)各器件的型號(hào)除做特殊說(shuō)明的以外，其他器件的型號(hào)不做限制，只要能完成上述功能的器件均可。

本領(lǐng)域技術(shù)人員可以理解附圖只是一個(gè)優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。