[发明专利]基于时序模式的ErrP识别方法

说明书

本发明涉及脑电信号中的ErrP识别问题，公开了一种基于时序模式的ErrP识别方法。该方法突出含有ErrP的脑电信号与未含ErrP的脑电信号在时序模式上的差异，把每个导联上的脑电信号转化为一个列向量，把多导联脑电信号转化为一个矩阵，计算两类脑电信号的合成协方差矩阵，再通过特征值分解构造投影矩阵，通过该投影矩阵把脑电信号转化为一个低维度空间上的向量。识别ErrP的分类器在这个低维度空间上训练得到，每一段待识别的脑电信号变换为特征向量后交给分类器判定是否含有ErrP。

技术领域

本发明属于神经科学与脑机接口领域，具体涉及一种基于时序模式的ErrP识别方法。

背景技术

事件相关电位是指一定心理活动(即事件)相关联的脑电位变化，具有高时间分辨率和环境适应性强等优点，广泛应用于神经科学与脑机接口的研究中。错误相关电位(ErrP)是一种特殊的事件相关电位，当用户意识到错误时会诱发该电位，应用在P300Speller中可以提高拼写效率。但现有技术很难有效地识别出ErrP，需要发明一种新方法，提高ErrP的识别精度。

发明内容

有鉴于此，本发明提供了基于时序模式的ErrP识别方法，通过该方法，可以更有效地识别出脑电信号中是否含有ErrP。

本发明采用以下方式实现，基于时序模式的ErrP识别方法，包括以下步骤：

步1：把每个导联上的脑电信号转化为一个列向量，把多导联脑电信号转化为一个矩阵，记为其中，T代表脑电信号采样点数，N代表导联数；

步2：X＝PE，其中，M＜＜T；

步3：把X各列连接为一个列向量x；

步4：若F(x)等于1则断定此段脑电信号中含有ErrP，否则断定此段脑电信号中不含ErrP。

进一步地，所述步2中的构造方法包括以下步骤：

步2-1：针对含有ErrP的脑电信号和不含ErrP的脑电信号分别计算其平均协方差矩阵C₊和C_-，再将两者相加得到合成协方差矩阵C，其中

步2-2：对C进行特征值分解C＝BλB′，其中B是规范化的特征向量矩阵，λ是对应的特征值构成的对角矩阵；

步2-3：求得白化矩阵，W＝λ^-1/2B′；

步2-4：计算S＝WC₊W′；

步2-5：对S进行特征值分解，S＝UΨU′，其中U为规范化的特征向量矩阵，Ψ是对应的特征值构成的对角矩阵；

步2-6：计算Q＝U′W；

步2-7：P＝H(Q)，得到P；其中H(·)表示在计算Q的过程中，让特征值依序排列，特征向量也对应排列，取Q的最前和最后若干行构成P。

进一步地，所述步4中的F(·)为一分类器函数，输入为特征向量，输出1时表示判定输入为正例，输出-1时表示判定输入为负例，构造F(·)的方法包括以下步骤：

步4-1：针对一个被试收集含有ErrP的脑电信号与未含ErrP的脑电信号；

步4-2：采用权力要求1中的步1至步3把被试的脑电信号集合转化为由特征向量构成的训练集，其中，含有ErrP的脑电信号对应的特征向量标为正例，未含ErrP的脑电信号对应的特征向量标为负例；

步4-3：采用机器学习领域中训练分类器的算法在训练集上训练得到F(·)。

本发明将脑机接口技术与人工智能方法相结合，突出含有ErrP的脑电信号与未含ErrP的脑电信号在时序模式上的差异，改善了ErrP的分类性能，对提高P300Speller的应用价值有着重要意义。