[发明专利]基于FHLS特征选择的多模态BCI时序优化方法有效
申请号: | 202110428754.7 | 申请日: | 2021-04-21 |
公开(公告)号: | CN113208613B | 公开(公告)日: | 2022-10-21 |
发明(设计)人: | 戴橹洋;孟明;尹旭;胡家豪 | 申请(专利权)人: | 杭州电子科技大学 |
主分类号: | A61B5/369 | 分类号: | A61B5/369;A61B5/372;A61B5/1455;A61B5/00 |
代理公司: | 杭州君度专利代理事务所(特殊普通合伙) 33240 | 代理人: | 杨舟涛 |
地址: | 310018 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 fhls 特征 选择 多模态 bci 时序 优化 方法 | ||
1.基于FHLS特征选择的多模态BCI时序优化方法,其特征在于:该方法包括以下步骤:
步骤1、采集T秒被试者在不同状态下的EEG信号与fNIRS信号;然后对采集到的信号使用滤波器进行预处理;
步骤2、使用滑动时间窗对步骤1预处理后的信号进行时间上的划分,再对EEG信号进行频段划分,然后对划分后同状态下的每段EEG信号与每段fNIRS信号分别进行交叉截取,构建联合时间窗;
步骤3、对步骤2得到的联合时间窗中的多模态信号进行特征提取;对EEG信号提取分频CSP空域特征,对fNIRS信号提取平均值和峰值;
步骤4、计算每个联合时间窗中信号特征与对应的标签之间的互信息值之和,然后选取互信息值之和最大的联合时间窗进行特征选择;输入分类器中进行分类;特征选择的具体方法为:分别计算每个特征与标签之间Fisher值Im,根据所有特征的绝对Fisher系数,按照降序的顺序对所有特征进行排序,系数高的特征优先级更高,提取排序后的前h个特征;将剩下的m-h个特征进行LASSO稀疏,稀疏之后的特征集数目为n;最后将互信息选出的前h个特征集与LASSO稀疏之后的n个特征集融合,作为最终输入分类器的特征集;
步骤5、重复步骤1~4多次,将分类器输出的分类结果与标签进行对比,优化步骤3、4中的超参数;
步骤6、采集被试者的EEG信号与fNIRS信号,通过优化后的超参数进行特征提取与特征选择,然后通过分类器进行分类,得到被试者的状态。
2.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法,其特征在于:所述不同状态为任务态与非任务态,其中任务态为心算任务,非任务态为休息状态。
3.如权利要求1或2所述基于FHLS特征选择的多模态BCI时序优化方法,其特征在于:步骤1中分别使用频率为4~35Hz、0.01~0.1Hz带通滤波器实现EEG信号与fNIRS信号的预处理。
4.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法,其特征在于:步骤2中将EEG信号按时间划分为I段,按频率划分为J段,Eij∈Rc×N代表第i个时间段、第j个频段对应的EEG信号,n表示EEG信号采样点,n=1,2,...,N;c表示脑电信号采集通道数;第i个时间段的EEG信号Ti=T0(i-1)~3+T0(i-1),i∈I,T0=1,T0为滑动时间窗滑动间隔;第j个频段的EEG信号Fj=F0(j-1)+4~F0(j-1)+18,j∈J,F0=14,F0为分频间隔;使用同样的时间间隔将fNIRS信号划分为S段,Fs∈Rc×k代表第s个时间段对应的fNIRS数据,k代表试验采样点,k=1,2,...,K。
5.如权利要求1、2或4所述基于FHLS特征选择的多模态BCI时序优化方法,其特征在于:使用分频CSP算法提取EEG信号的空域特征,从多通道的EEG数据里面提取出不同状态的空间分布成分;记X1和X2分别为任务与非任务状态下的EEG信号,构造空间滤波器;空间滤波器W:
W=BTP (1)
得到特征向量:
fij=log(var(WTEij)) (2)
其中fij∈R1×2m表示第i个时间段j个频带EEG数据提取的CSP特征向量,Eij∈Rc×N代表第i个时间段、第j个频段对应的EEG信号。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110428754.7/1.html,转载请声明来源钻瓜专利网。