[发明专利]脑机接口的最优电极组自动选取方法

摘要

脑机接口的最优电极组自动选取方法涉及脑机接口领域。本发明实现最优电极的自动选取，具体涉及共空间模式(common special pattern，CSP)与支持向量机(support vector machine，SVM)相结合的方法实现想象运动脑机接口的最优电极组自动选取。脑机接口中最优电极组的自动选取对于简化脑机接口系统，提高系统分类识别率以及数据传输速率具有重要的影响，利用最优支持向量机SVM线性核函数的相关性质作为最优电极筛选的指标，可以有效地删除冗余电极，显著地降低电极的数目，保留有用电极，提高系统性能，为提高脑机接口技术的普及创造了前提条件。

主权项

1.脑机接口的最优电极组自动选取方法，其特征在于，该方法步骤如下：(1)脑电信号采集遵循国际10-20系统标准放置电极，利用脑波仪从m个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储；(2)脑电信号预处理利用滤波器对存储器中的脑电信号数据进行6-28Hz带通滤波，去除工频噪声及相关噪声，将得到的脑电信号数据集记为S，S为m×n×k的矩阵，m表示电极数，n表示每个事件采样点数，k表示事件数，并将每个事件分类，分类标签记为{-1，1}，-1代表想象右手运动，1代表想象左手运动，将分类标签集记为L，L为m×1的矩阵；(3)特征提取对预处理的脑电信号利用共空间模式CSP进行特征提取，将n个事件采样点数提取为1个特征，得到特征集设为S₁，S₁为m×k的矩阵，将S₁和L构成特征集，任意取特征集中的作为训练样本，剩余的作为测试样本，设训练样本为T₁，为的矩阵，设测试样本为T₂，为的矩阵；(4)分类识别利用Lagrange乘子算法求解最优分类超平面，得到Lagrange乘子a_i；支持向量机SVM选用线性核，用训练样本T₁训练分类器，并对测试样本T₂进行分类；即支持向量机SVM的判别函数式f(x)为：f(x)=Σi=1mykaiK(x,xi)+b,---(1)]]>y_k∈L，x_i∈T₁，i为电极的序号，i＝1，2，3，…，m，x为特征向量，b是分类的阈值，初始化为满足分类条件的任何值；训练后得到支持向量机SVM决策函数：f*(x)=sgn(Σi=1mai*ykxix+b*)---(2)]]>a_i^*，b^*为支持向量机SVM训练后的Lagrange乘子和分类的阈值；(5)最优电极的选取A、计算每个电极的平均特征具体方法如下：I、将训练样本T₁按照事件分为和为m×c矩阵，c为想象左手运动的样本数，为m×d矩阵，d为想象右手运动的样本数；II、利用公式(3)计算各类事件对应的每个电极特征：xic‾=1cΣj=0c-1Xi,j,]]>xid‾=1dΣj=0d-1Xi,j---(3)]]>其中，i为电极的序号，i＝1，2，3，…，mIII、将按照升序排列，并将每个电极排列序号记为l_ic，将按照升序排列，并将每个电极排列序号记为l_id；IV、利用公式(4)计算每个电极的平均特征xi‾=licmxic‾+lidmxid‾---(4)]]>其中i为电极的序号，i＝1，2，3，…，m，m表示总电极数B、计算每个电极的贡献程度，即计算每个电极提取特征的权重绝对值，并用其表征该电极的贡献程度，即M_i越大，其对应电极对分类的贡献越大，该电极就应该保留。然后，对M_i按降序排列，从贡献度最小的电极开始，依次判断每个电极对分类准确率的影响，如果排除电极后，新的数据集的分类准确率有所降低，则说明该电极应该予以保留，反之，说明该电极是多余的，应予以去除，然后获得该电极去除后的新数据集的分类准确率，依次对其余电极进行验证。第一轮验证结束后，重新从第三步开始计算新数据集的分类准确率，进行第二循环的电极选取工作，如此循环，直到电极个数没有变化为止，得到了最优电极组；(5.1)初始化数据集为T₁、T₂，循环次数p初始化为0；(5.2)用T₁训练支持向量机SVM，计算支持向量机SVM分类准确率，记为Rate_old，利用计算每个电极的贡献得分，并将M_i按降序排列，并将p加1；(5.3)电极个数G初始化为m，依次从贡献得分最低的电极开始，将所有的电极依次执行如下过程：实验电极i，排除该电极后进行特征提取后训练分类器，得到支持向量机SVM的分类准确率，记为Rate_new，若Rate_new＜Rate_old，则保留该电极i，否则，则排除该电极i，并将电极个数G减1，将Rate_new的值赋给Rate_old；(5.4)将所有的电极实验完毕，如果电极个数G不再变小，则剩余的电极组即为最优电极组，反之，转步骤(5.2)，直至得到最优电极组。