[发明专利]基于非负CP分解模型的脑电意图解码方法

说明书

本发明提供一种基于非负CP分解模型的脑电意图解码方法，该方法提取了边界规避任务中不同受试者脑电的时间组分特征，利用2‑DPCA对特征维度进行优化，并使用支持向量机对特征进行分类，能够反应出受试者不同状态下的脑电的差异，单个受试者的脑电分类准确率高；并且该方法利用脑电各模式间的相互作用，利用通道组分和频率组分获得脑电的时间组分特征，获取的脑电时间组分的特征可分性好，通过对其维度进行优化，可以有效的对边界规避任务中左、右手二类运动的脑电意图进行解码。

技术领域

本发明涉及生物信号处理和模式识别领域，具体涉及一种基于非负CP分解模型的脑电意图解码方法。

背景技术

脑电图是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大而记录获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。对脑部活动的评估具有重要的意义，是研究脑部功能状态、神经疾病诊断和检测的重要临床工具。在脑电的研究中，一个关键的步骤就是从脑电图中有效地提取和识别特定受试者的特征参数。

在认知神经康复中，常用“运动想象”疗法来改善中风患者的认知功能障碍，中风患者在运动想象的过程依靠自身的想象激发脑电，脑部损伤的运动功能有可能通过运动想象来激活，并对神经通路进行修复。近年来，研究指出在边界规避任务过程中采集脑电，参与度高，受试者的脑电携带特征更明显。脑电信号特征参数的提取对神经疾病的诊断意义重大，传统的张量判别分析算法在脑-机接口领域应用中，通常侧重于提取单次运动想象脑电的频率分量，构建包含通道、频率和时间模式的三阶张量脑电数据，实现了对包含时间、频率和空间三个模式的脑电数据不同维度优化投影，提高了运动想象意图识别效果，然而这种本质上属于脑电特征的增强，忽略了脑电各模式间的相互作用。

发明内容

本发明的目的在于解决技术问题如何利用脑电张量各模式的相互作用，从边界规避任务中受试者的脑电中提取易被识别的时间组分的特征。

为解决上述技术问题，本发明提出一种基于非负CP分解模型的脑电意图解码方法，该方法基于非负CP分解模型提取受试者脑电的时间组分特征，利用2-DPCA对特征维度进行优化，并使用支持向量机对特征进行分类，能够有效的识别受试者在边界规避任务中的左、右手二类运动的脑电信号。

所述方法内容包括以下步骤：

步骤1、采用带宽参数为f_b＝2Hz的复Morlet小波获取脑电的频率分量，构建包含通道、频率、时间和试验四个模式的四阶张量数据集，将所述数据集划分为训练集和测试集

计算所述训练集的均值将分解得到三个组分矩阵，其中，表示通道组分矩阵，表示频率组分矩阵，表示时间组分矩阵，表示单位立方张量，表示误差张量，c表示通道数量，f表示频率，t表示时间，m表示单位立方张量的维度；

步骤2、基于张量各模式的相互作用，利用所述组分矩阵A和组分矩阵B从所述和所述提取时间组分的特征，表示为：

式中，⊙表示矩阵的Khatri-Rao乘积，上标表示矩阵的伪逆，下标“3”表示张量的第三个模式，其中，t表示时间，m表示单位立方张量的维度，sr表示训练试验的数目，se表示测试试验的数目；

步骤3、采用2-DPCA算法对所述时间组分特征的维度进行优化；

步骤4、利用优化后的训练特征去训练支持向量机，得到一个分类模型，再用优化后的测试特征测试这个分类模型的分类性能，得到分类精度。

优选地，所述步骤1中，采用带宽参数为f_b＝2Hz的复Morlet小波获取脑电的频率分量。

优选地，所述步骤1中，首先将所述脑电数据进行逐次截断，并选用8-13Hz带通滤波器进行滤波，再采用带宽参数为f_b＝2Hz的所述复Morlet小波获取脑电的频率分量。