[发明专利]一种基于共幅相测量的脑机接口系统

权利要求书

1.一种基于共幅相测量的脑机接口系统，其特征在于，包括脑电信号诱发模块、脑电信号采集模块、自适应学习模块和外设控制模块；

脑电信号诱发模块利用显示界面随机提示使用户进行运动想象产生脑电信号，标记提示开始时间与提示所属类别标签；

脑电信号采集模块获取用户在训练阶段进行运动想象时产生的脑电信号，以及用户控制阶段产生的实时脑电信号；

自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，将实时脑电信号输入训练好的脑电信号分类识别模型中得到分类标签；

外设控制模块将分类标签转换成命令控制外部设备。

2.根据权利要求1所述的一种基于共幅相测量的脑机接口系统，其特征在于，自适应学习模块利用不同用户在不同时间环境下进行运动想象产生的脑电信号训练得到脑电信号分类识别模型，具体包括以下步骤：

提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵；

将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型；

将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型。

3.根据权利要求2所述的一种基于共幅相测量的脑机接口系统，其特征在于，提取脑电信号幅值和相位融合的节律特性，得到带有幅值和相位融合信息的复数信号矩阵，具体包括以下步骤：

将脑电信号采集模块采集的运动想象脑电信号进行带通滤波，得到保留delta波到gamma波频段的脑电波信号；

根据标记的提示开始时间与提示所属类别标签将一定数量采样点当作一次训练样本数据；

通过时频变换方法将训练样本数据转换为带有幅值和相位融合信息的复数信号矩阵Y_j＝[X₁，X₂，…，X_K]^T，其中X_k为第k通道的复数矩阵，复数矩阵大小为采样点数L*观测频点数N，j表示第j个样本。

4.根据权利要求3所述的一种基于共幅相测量的脑机接口系统，其特征在于，将黎曼图嵌入复数信号矩阵中求解得到投影矩阵，根据投影矩阵获得空频滤波模型，具体包括以下步骤：

通过考虑复数信号矩阵的空间分布与样本标签构建黎曼图连接矩阵；

将黎曼图连接矩阵嵌入优化问题，获得最优的投影矩阵W，根据最优的投影矩阵W得到空频滤波模型为：Z＝W^HY_j，Y_j为复数信号矩阵，其中优化问题表达式为：其中R₁为脑电信号第一类的R_e值，R₂为脑电信号第二类的R_e值，j表示第j个样本，Y_r为样本r复数信号矩阵，C_e表示Y_j的p个标签为e的近邻点的集合，P_j为样本的协方差矩阵，u_jr表示黎曼图连接矩阵U的内部元素，L表示采样点个数。

5.根据权利要求2所述的一种基于共幅相测量的脑机接口系统，其特征在于，将经空频滤波模型处理后的样本进行基于黎曼距离和正则化线性回归相结合的分类器训练，得到脑电信号分类识别模型，具体包括以下步骤：

计算经过空频滤波模型处理后样本的协方差矩阵；

根据协方差矩阵和脑电信号两类样本的平均协方差矩阵得到带有投影后样本与两类样本均值间的多维黎曼距离信息的向量d_j，j表示第j个样本；

对每个维度上样本距离脑电信号两类样本总体特征相似程度进行加权，根据黎曼距离向量与分类权重确定优化问题，对优化问题求解得到最优解的分类权重b，根据最优解的分类权重b得到脑电信号分类识别模型，其中优化问题表达式为：为训练数据样本标签；λ和a为正则化参数；||b||₁为L₁范数；D为每个向量d_j组成的矩阵。