[发明专利]利用神经生理信号进行迭代分类的系统和方法

说明书

一种训练图像分类神经网络的方法，包括：将第一多个图像作为视觉刺激呈现给观察者，同时从观察者的大脑收集神经生理信号；处理神经生理信号以识别表示观察者在第一多个图像的至少一个图像中检测到目标的神经生理事件；基于神经生理事件的识别，训练图像分类神经网络以识别图像中的目标；以及将训练的图像分类神经网络存储在计算机可读存储介质中。

相关申请

本申请要求申请号为No.62/437,065，提交日为2016年12月21日的美国临时发明申请的优先权，其内容通过整体引用并入本申请。

技术领域

在本发明的一些实施例中，本发明涉及脑计算机接口(Brain ComputerInterface，BCI)，更具体地但非排他地，涉及使用神经生理信号进行迭代分类的系统和方法。

背景技术

BCI应用依赖于解码大脑活动以响应单个事件(试验)，而非基础研究中经常研究的平均响应的描述。脑电图(Electroencephalography，EEG)是一种非侵入性记录技术，是监测大脑活动的常用系统之一。从多个通道中以高时间分辨率同时收集EEG数据，从而产生用于表示单个试验大脑活动的高维数据矩阵。除了其卓越的时间分辨率之外，EEG是非侵入性的、可穿戴的，并且比其他神经成像技术更实惠，因此是任何类型实用BCI的首选。

传统的分类技术使用机器学习算法基于矩阵的统计特性对单个试验的时空活动矩阵进行分类。这些方法基于两个主要组成部分：用于有效降维的特征提取机法和分类算法。典型的分类器使用样本数据来学习映射规则，通过该规则可以将其他测试数据分类为两个或更多个类别中的一个。分类器可大致分为线性分类器和非线性分类学。非线性分类器，例如神经网络、隐马尔可夫模型和k最近邻算法(k-nearest neighbor)，与广泛的函数近似，可识别复杂的数据结构。虽然非线性分类器具有捕获复杂判别函数的潜力，但是它们的复杂性也可能导致过度拟合并承受非常大的计算量，因此不太适合于实时应用。

另一方面，线性分类器相较没那么复杂，因此对数据过度拟合更健壮。线性分类器对可以线性分离的数据执行得特别好。线性分类器的示例有Fisher线性判别式(FisherLinear discriminant，FLD)，线性支持向量机(Support Vector Machine，SVM)以及Logistic回归(Logistic Regression，LR)。FLD可找到将两个类的数据映射到可分离投影轴上的特征的线性组合。类别之间的距离与类别内的方差之比是分离的标准。SVM可找到可将两个类之间的边距最大化的分离超平面。LR，顾名思义，则将数据投射到逻辑函数上。

国际公布No.WO2014/170897(其内容通过引用结合于此)公开了一种用于进行响应于包含目标图像和非目标图像的一系列图像而生成的人类对象的EEG信号的单次试验分类的方法。该方法包括：以时空表示获得EEG信号，该时空表示包括EEG信号的时间点和相应的空间分布；使用线性判别分类器对时间点进行独立分类，从而计算时空判别权重；使用时空判别权重分别通过时空点处的时空判别权重来放大该时空表示，从而生成空间加权表示；在时域上使用主成分分析(Principal Component Analysis，PCA)分别针对EEG信号的每个空间通道进行降维，从而创建PCA投影；将PCA投影应用于空间加权表示到第一多个主分量上，从而创建包含每个空间通道、用于多个主时间投影的PCA系数的时间近似空间加权表示；以及使用线性判别分类器在频道数上对时间近似空间加权表示进行分类，以产生指示图像序列的每个图像属于目标图像或非目标图像的二元判定系列。

国际公开号WO2016/193979(其内容通过引用结合到本文中)公开了一种对图像分类的方法。其将计算机视觉程序应用于图像以在其中检测怀疑被目标占据的候选图像区域；向观察者呈现作为视觉刺激的每个候选图像区域，同时从观察者的大脑收集神经生理信号；处理神经生理信号以识别指示观察者检测到目标的神经生理事件；以及基于神经生理事件的识别来确定图像中目标的存在。

发明内容