[发明专利]一种脑电信号识别方法及装置

说明书

本发明提供了一种脑电信号识别方法及装置，先在原始样本集中多次抽取脑电信号样本组成多个训练集；然后引入核矩阵计算脑电信号的协方差矩阵，进而得到聚合空间协方差矩阵；再对其进行特征分解并构造白化矩阵；利用白化矩阵对协方差矩阵进行变换并进行特征分解得到特征向量；通过特征向量构造空间过滤器，提取每类脑电信号的特征，得到与当前训练集对应的分类模型；最后利用多个分类模型确定待分类脑电信号的类别。本发明通过重复选取训练样本构成多个训练集，可以有效抑制脑电信号的个体性差异，提取到更具辨别力的特征，从而提高脑电信号的识别率，同时，在计算协方差矩阵时引入了核矩阵，可以减少计算量，进而降低了耗时，提高了处理效率。

技术领域

本发明实施例涉及脑电信号处理技术领域，尤其涉及一种脑电信号识别方法及装置。

背景技术

BCI(Brain-Computer Interface，脑-机接口)系统是利用电生理信号，将用户的意图解码为控制命令来操纵设备的系统。根据获取用户思维意图的方式的不同，脑电信号又可以分为Ecog、EEG、MEG、FMRI等。其中EEG脑电信号因其非入侵性和低成本的特点而广受关注。当前基于EEG脑电信号的BCI研究主要集中于运动想象脑电信号方面，运动想象是通过让用户通过“想”的方式来产生相关脑电信号。对运动想象的研究表明，单侧肢体运动或者想象运动会对波(8-13Hz)和波(14.30Hz)的节奏活动和功率谱产生抑制/增强的效果，即事件相关去同步/同步(ERD/ERS)现象。根据这一现象，迄今为止研究者们已经提出了许多特征提取的方法，例如AR模型、Wavelet变换、HHT、CSP，等等。

发明人在实现本发明的过程中发现，脑电信号处理绕不开的两大难题在于：信号识别的准确率和耗时。然而，现有技术中的方法未很好的同时解决这两个问题。虽然CSP(common spatial pattern，共空间模式)近年来被证明是一种提取不同类型的运动想象信息的有效方法，不过EEG脑电信号存在个体性差异，且CSP算法假设采集的EEG信号和脑源信号之间存在线性关系，而从头皮顶部采集的EEG信号被认为是脑源信号和噪声源的非线性组合，故线性CSP不能充分探索EEG脑电信号的非线性结构，识别准确率不高。要想提高脑电信号识别准确率，一种办法是使用大样本数据进行训练和测试，例如使用深度学习中的DBN算法及其衍生算法构建脑电信号识别模型，提高了脑电信号识别率，然而这种方法却又耗时较长，大样本脑电数据采集也需要更精密的设备，投入更多的人力物力。

发明内容

本发明实施例提供一种脑电信号识别方法及装置，以提高EEG脑电信号的准确率和效率。

根据本发明实施例的第一方面，提供一种脑电信号识别方法，所述方法包括：

在脑电信号的原始样本集中以每次随机抽取n个脑电信号样本的方式组成x个训练集，其中所述脑电信号分为k类；

在每个训练集中，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c；

对所述聚合空间协方差矩阵R_c进行特征分解并构造白化矩阵P；

利用白化矩阵P对所述协方差矩阵进行变换并进行特征分解，得到特征向量B；

通过特征向量B构造空间过滤器W，使用所述空间过滤器W提取每类脑电信号的特征y，以得到与当前训练集对应的分类模型；

利用所述x个训练集获得的x个分类模型确定待分类脑电信号的类别。

可选的，利用核矩阵计算脑电信号的协方差矩阵，根据所述协方差矩阵得到聚合空间协方差矩阵R_c，包括：

计算第i类脑电信号的协方差矩阵R_i：