[发明专利]基于多模态信号的上肢运动想象模式识别方法

摘要

本发明涉及一种基于多模态信号的上肢运动想象模式识别方法。本发明首先，对原始近红外光谱信号进行计算，得到脑部氧合血红蛋白含量，并对氧合血红蛋白含量值提取CSP特征；其次，对采集到的脑电信号进行样本熵的提取；然后，将得到的多模态特征进行归一化，并进行串行融合；最后，采用支持向量机模型对融合后的多模态特征进行模式分类。本发明优点在于既保留了脑电信号的高空间分辨率的优势，同时又补充了近红外光谱信号的高时间分辨率的特性，提高了上肢运动想象模式的识别率。

主权项

1.基于多模态信号的上肢运动想象模式识别方法，其特征在于，该方法包括以下步骤：步骤1、利用采集到的上肢运动想象时的近红外光谱信号，计算出脑部氧合血红蛋白的含量，所依据的公式如下：即朗伯比尔定律；式中，A为吸光度；I0为入射光的强度；It为透射光的强度；T为透射比；K为摩尔吸收系数；l为吸收介质的厚度，常用厘米做单位；c为吸光物质的浓度；步骤2、对计算得到的氧合血红蛋白含量值利用共空间模式算法提取特征；具体如下：设原始包含两类动作的信号是j为信号的种类，所以j的取值范围为{1,2}，i表示信号样本；假定脑电信号信号的通道个数为N,实验采样的样本点个数为T，则脑电信号的维度为N×T；首先求出两类样本数据的协方差:其次求出两个平均协方差的Rc：然后对Rc进行特征分解：Rc＝BλBT上式中λ为总协方差的特征值，B为特征值对应的特征向量，定义白化矩阵P为：用该白化矩阵分别处理R1和R2，经过处理后的协方差矩阵为：S1＝Uλ1UT,S2＝Uλ2UT其中λ1和λ2为S1和S2对应的特征值，且满足式λ1+λ2＝I，I是单位矩阵；因此当S1的特征值取最大值时，该特征值相应的特征向量在S2中的对应的特征值为最小值，这样就使得两类信号能最大化地投影在不同的区域，实现分类；分别从两个特征向量中提取前后m个特征向量构成矩阵B，从而得出所求投影矩阵，即空间滤波器W：W＝BTP通过投影矩阵，可以得到不同类别信号在该滤波器上影射后的矩阵：取对数得到特征系数矩阵：上式中Yj表示Y的第j行，var(Yj)为矩阵的方差；步骤3、对采集到的上肢运动想象时的脑电信号提取样本熵作为特征；具体步骤如下：设N个数据组成的一维信号为X(N)：(1)按顺序将原信号组成m维矢量：X(i)＝[x(i),x(i+1),...,x(i+m‑1)],(i＝1,2,...,N‑m)(2)计算矢量X(i)与矢量X(j)之间的最大距离：(i,j＝1,2,…,N‑m；i≠j)(3)设定阈值r，对每个i统计d(i,j)中小于r的数目，记为然后求此数与总数N‑m‑1的比值，记做(4)求对所有i的平均值：(5)将维数m增加1，再重复步骤(1)至(4)，得到Bm+1(r)；该一维信号的样本熵为：现实中N为有限值，序列长度为N的样本熵估计值为：步骤4、将两种不同模态信号的特征归一化后，进行串行融合得到融合之后的特征，得到一个新的数据集合；具体为：令脑电信号归一化后的特征矩阵为A，近红外光谱信号归一化后的特征矩阵为B,则串行融合后的新的特征矩阵可以表示为C：步骤5、使用支持向量机作为模式识别模型对得到的融合特征进行模式识别。