[发明专利]一种多类别运动想象分类识别方法

摘要

本发明涉及脑‑机接口技术领域，尤其涉及一种多类别运动想象分类识别方法。本发明的多类别运动想象分类识别方法基于奇异值分解与深度玻尔兹曼机，利用奇异值分解算法对各导联运动想象特征矩阵进行降维、消噪，采用深度玻尔兹曼机对运动想象特征进行深层抽象，以提取潜在运动想象特征。本发明方法与现有技术相比，能够直接实现多类别运动想象识别且可自适应消噪，并显著地提高运动想象识别正确率。

主权项

1.一种多类别运动想象分类识别方法，其特征在于，包括：步骤一、受试者进行若干次多类别运动想象任务，并通过多通道脑电信号采集系统采集受试者每次进行多类别运动想象任务时的脑电信号；步骤二、对所有采集的脑电信号进行预处理，获取仅包含运动想象特征频带的脑电信号；步骤三、将每次试验对应的脑电信号片段从已预处理过的脑电信号中逐一截取并检验，去除受伪差干扰的脑电信号片段；步骤四、对应于无伪差干扰的各次试验的脑电信号片段，将其每个导联上运动想象过程脑电信号进行分段并重构，以获取每次试验各导联的运动想象特征矩阵；步骤五、采用奇异值分解算法对所有运动想象特征矩阵进行降维、消噪，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量；步骤六、对应于无伪差干扰的各次试验，将每次试验的所有导联的一维运动想象特征向量构成一个特征空间，并将所有这些特征空间共同组成试验数据集；步骤七、基于所述的试验数据集，采用K‑fold交叉验证方法重复执行如下模型训练步骤和分类测试步骤，实现对多类别运动想象任务的分类识别；其中，所述模型训练步骤为：采用深度玻尔兹曼机，基于从所述试验数据集中选出的训练数据集进行训练，构建特征模型；所述分类测试步骤为：基于从所述试验数据集中选出的测试数据集提取潜在特征，并测试分类正确率；所述步骤五包括如下子步骤：步骤a、对所有运动想象特征矩阵进行奇异值分解，提取相应的奇异值矩阵；步骤b、对于每个奇异值矩阵，重构每个奇异值对应的特征分量，并对重构后的各个特征分量进行互相关分析，通过将平均互相关系数绝对值最小值对应的奇异值矩阵维度置零方式获得消噪后奇异值矩阵，去除伪差、噪声对应的特征分量；步骤c、采用每个消噪后的奇异值矩阵及其对应的酉矩阵对运动想象特征进行重构，得到对应于无伪差干扰的各次试验每个导联的一维运动想象特征向量；其中，针对每组训练数据集均进行一次模型训练步骤；在所述模型训练步骤中，设置深度玻尔兹曼机的隐藏层数、各层节点数以及反向传播次数范围，将深度玻尔兹曼机拆分为一系列限制玻尔兹曼机堆，并将位于最底层限制玻尔兹曼机的可见层单元数以及位于最顶层限制玻尔兹曼机的隐藏层单元数加倍，基于当前组训练数据集采用逐层贪婪算法训练修改后的限制玻尔兹曼机堆，将限制玻尔兹曼机堆自底向上和自顶向下两个方向上的权重进行均分，将这一系列限制玻尔兹曼机堆重新组合成当前组训练数据集所对应的深度玻尔兹曼机模型。