[发明专利]一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法

权利要求书

1.一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于，包括以下步骤：

步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；

步骤2：改进后的OVR-CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；

步骤3：利用改造后的适应一维输入样本的CNN网络进行二次特征提取并分类。

2.如权利要求1所述的基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于，步骤1具体包括：小波包变换和快速独立分量分析两个过程：

首先对原始的EEG进行WPT，确定WPT的分解层数，根据EEG和噪声的特点选择合适的小波基函数，最后确定要滤除高频噪声所在的频带，并对相应的频带置零；

再对己经滤除高频噪声后的信号进行FastICA变换，FastICA逆变换和FastICA逆变换，得到滤除噪声后的脑电信号。

3.如权利要求2所述的基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于步骤2具体为：OVR-CSP是将五类运动想象任务分为五个新的两类分类问题，得到五个投影矩阵，经过投影后可得五组相应的空域特征；

具体计算过程如下:设X_i(i＝1,2,3,4,5)为五类任务的N*T脑电信号，N为采集信号的通道个数，T为每一通道的采样点数，T≥N，OVR-CSP算法的基本原理是，分别计算五类数据的归一化协方差矩阵R_i，即：

Ri=XiXiTtrace(XiXiT),i=1,2,3,4,5]]>

可得混合空间协方差矩阵R为：

R=R1‾+R2‾+R3‾+R4‾+R5‾]]>

其中，为五类任务多次实验的平均协方差矩阵，对R进行特征值分解，得：

R＝UVU^T

其中，U为R的特征向量，V为R的特征值矩阵；对特征值矩阵进行降序排列，按照排序后的位置对特征向量作相同的调整，则白化矩阵P为：

P＝V^-1/2U^T

OVR-CSP在计算投影矩阵时，将其中一类归为一类，而其余四类则为另一类，即：

R1′=R2‾+R3‾+R4‾+R5‾]]>

将经过预处理的脑电信号X划分为新的两类分别是X₁,X₁′,向第i类模式下的投影方向进行投影,得：

Z₁＝(U₁′)^TP₁X₁,Z₁′＝(U₁′)^TP₁X₁′(i＝1,2,3,4,5)

五类数据经过投影后的矩阵的协方差矩阵值为

再对协方差矩阵的特征向量进行归一化，得：

其中，n为特征向量的列数，以此作为特征向量进行分类学习。