面向跨被試RSVP的多特征低維子空間ERP檢測方法技術

本發明專利技術公開了面向跨被試RSVP的多特征低維子空間ERP檢測方法。該方法首先采用遷移學習方法中的歐式空間對齊，對來自不同被試、不同試次的EEG數據在歐式空間中進行對齊。然后采用不同的特征提取方式表層和深層兩路特征，其次將來自不同空間的兩路特征分別進行有監督降維，使得不同類特征的類內離散度盡可能低，且類間離散度盡可能高。得到凝練且位于不同維度的兩個一維特征，對這兩個一維特征進行融合重構，最終將重構后的特征用于ERP檢測。有效提升ERP檢測時的穩定性與準確率。效提升ERP檢測時的穩定性與準確率。效提升ERP檢測時的穩定性與準確率。

【技術實現步驟摘要】
面向跨被試RSVP的多特征低維子空間ERP檢測方法


[0001]本專利技術屬于事件相關電位分析
，涉及跨被試的事件相關電位檢測，具體涉及面向跨被試RSVP的多特征低維子空間ERP檢測方法。

技術介紹

[0002]基于計算機視覺的目標圖像檢索應用廣泛，然而有些目標具有偽裝、遮擋、環境變化以及不確定等特性，而機器識別由于場景泛化能力弱、本征抽象難，導致它對這類復雜目標難以準確識別。如圖1所示，基于快速序列視覺呈現(Rapid Serial Visual Presentation,RSVP)的目標圖像檢索借助于人腦在看到目標圖像時產生的事件相關電位(Event
?
related Potentials,ERP)來完成目標圖像檢索，具有對復雜目標進行識別的能力。ERP是腦電圖(Electroencephalogram,EEG)中的一個誘發電位，其包含P300、N170、N200等成分，可以通過聽覺或者視覺等刺激來進行誘發。
[0003]值得注意的是，在經典的RSVP范式中，ERP的檢測識別是基于單試次的，相比于基于多試次疊加檢測ERP的拼寫器范式，存在較大的難度。此外，在應用RSVP范式進行在線的目標圖像檢測時往往存在跨時段甚至跨被試的問題。跨時段檢測會受到被試個人精神狀態變化、腦電帽電極位置偏移、外部環境變化等因素的干擾，跨被試檢測還會受到被試間個體差異的影響。
[0004]為了尋求更好的方法來提高單試次ERP檢測的準確率。Solis
?
Escalante等提出了基于經驗模態分解的單試次檢測方法，從P300的訓練集中分解平均事件響應，在事件響應分解上提供了一個很好的方向；Krusienski等使用逐步線性判別分析(StepWise Linear Discriminant Analysis,SWLDA)來對P300進行判別，在判別器層面提供了一個改進方向；Bertrand Rivet等提出了一種通過構造一個空間濾波器來提高EEG數據信噪比的xDAWN算法，在EEG數據信噪比提升的方法改善上做出了貢獻；Lawhern等提出了一個緊湊的卷積神經網絡模型架構EEGNet，為EEG數據的模式識別提供了一個優秀的神經網絡模型基線。然而這些方法雖然在單試次ERP檢測中表現出優良的效果，但是在跨被試的情況下表現一般。
[0005]為了增強模型的跨被試性能，遷移學習被引入到EEG數據的模式識別當中，其思路是利用源域的信息來提高目標域的學習性能。Paolo Zanini等提出了一種遷移學習方法，稱為RA
?
MDRM，通過利用來自其他被試的輔助數據來提高MDRM分類器的準確率。值得注意的是，該方法還需要用到來自新被試的少量有標簽的EEG數據。何赫等提出了一種歐式空間EEG數據對齊的方法，通過將每個試次EEG數據的平均協方差矩陣映射到單位矩陣上來達到數據對齊的目的，這個方法無需用到來自新被試的標簽。但是這些方法使用的特征尺度均較為單一，會限制模型的準確率與穩定性。

技術實現思路

[0006]針對現有技術的不足，本專利技術提出了面向跨被試RSVP的多特征低維子空間ERP檢測方法，首先通過遷移學習的方法對齊不同被試、不同試次的采樣數據，然后采用不同的方
式進行特征提取與降維，再融合多路特征，進行事件相關電位檢測，提高準確率與穩定性。
[0007]面向跨被試RSVP的多特征低維子空間ERP檢測方法，具體包括以下步驟：
[0008]步驟一、樣本數據對齊
[0009]使用歐式空間對齊(Euclidean Space Data Alignment,EA)的方法對來自不同被試、多個試次下的原始EEG數據進行處理。歐式空間對齊可以在不使用任何來源于新被試的EEG數據標簽的條件下，使已知的來自不同被試的EEG數據分布更加接近，即在歐式空間內對齊被試的EEG數據。
[0010]歐式空間對齊法首先針對一個被試的n個試次的EEG數據求取參考矩陣
[0011][0012]其中X
i
為該被試第i個試次的EEG數據，T標識轉置。參考矩陣的實際意義是該被試每個試次的協方差矩陣的平均矩陣。得到參考矩陣后對原始EEG數據進行更新，得到對齊后的EEG數據：
[0013][0014]步驟二、多路特征提取
[0015]針對步驟一對齊后的EEG數據分別提取表層特征與深層特征，以構建多特征腦電信號，緩解單一特征在跨被試檢測時存在的不良影響。
[0016]s2.1、表層特征提取
[0017]腦電信號中能夠被人類識別的特征稱為表層特征，即其信號幅值。ERP在原始的時域上形成的波形具備一定的辨識度，因此其信號幅值中會包含一些重要信息。如果直接使用信號幅值作為表層特征，容易出現對訓練集被試過擬合的問題。為了緩解這個問題，本方法在表層特征提取過程中，首先對對齊后的EEG數據進行降采樣操作，然后經過xDAWN空域濾波器，將提高信噪比后的腦電信號的幅值作為表層特征F
S
。
[0018]所述xDAWN空域濾波器是一種空域濾波的方法，最初是為P300誘發電位設計的，通過參照非目標響應來增強目標響應。
[0019]xDAWN空域濾波器的響應模式為：
[0020]S＝DA+N
???
(3)
[0021]其中表示腦電信號，N
t
表示腦電信號的采樣點個數，N
s
表示腦電信號的通道數量，是一個托普利茲矩陣(Toeplitz matrix)，當存在刺激時其第一列的值被固定為1，表示目標刺激的同步響應，N
e
表示包含ERP的腦電信號的樣本數量，N表示大腦的持續活動及偽影。
[0022]s2.2、深層特征提取
[0023]由于被試間存在一定的個體差異，因此在提取得到深層特征后，將多次使用標簽進行檢驗，以此讓深層特征中包含更多跨被試且與ERP相關的信息。首先使用xDAWN空域濾波器提高信號信噪比；然后計算信號的協方差矩陣作為特征，減少跨被試時電極位置偏移的影響；最后將信號投影到切線空間，獲取其深層特征F
D
。
[0024]所述切線空間投影將一組協方差矩陣投影到其切線空間，相當于一個核操作。切線空間投影可以看成是一個局部近似的流形學習，在轉換樣本協方差矩陣的同時保留了流
形的內部結構。
[0025]首先通過協方差矩陣估計或正則化的方式，計算對齊后的EEG數據的協方差矩陣：
[0026][0027]然后根據協方差矩陣C
i
，通過梯度下降法計算出參考矩陣C
ref
：
[0028][0029]其中δ
R
表示協方差矩陣在黎曼空間距離的度量。
[0030]下一步計算出協方差矩陣C
i
在切線空間的投影S
i
：
[0031][0032]其中upper()表示取矩陣的上三角矩陣，并將其向量化，在本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.面向跨被試RSVP的多特征低維子空間ERP檢測方法，其特征在于：具體包括以下步驟：步驟一、樣本數據對齊使用歐式空間對齊法，在歐式空間內對來自不同被試、多個試次下的原始EEG數據進行對齊；步驟二、多路特征提取針對步驟一對齊后的EEG數據分別提取表層特征與深層特征，具體包括以下步驟：s2.1、表層特征提取首先對對齊后的EEG數據進行降采樣操作，經過xDAWN空域濾波器后再計算其信號幅值，作為表層特征F
S
；s2.2、深層特征提取對齊后的EEG數據先經過xDAWN空域濾波器提高信號信噪比，然后計算其協方差矩陣，再將協方差矩陣投影到切線空間，將投影結果作為深層特征F
D
；步驟三、特征一維化對步驟二提取到的表層特征F
S
和深層特征F
D
分別進行有監督降維，具體步驟包括：根據EEG數據的標簽對特征進行分類，得到由不同類別的特征組成的兩個子集；在原特征空間內計算兩個子集的均值向量和類內離散度矩陣，分別計算特征集合的總類內離散度矩陣S
w
和總類間離散度矩陣S
b
；然后求取的最大特征值對應的特征向量ω，將該特征向量作為特征一維化的投影方向，得到一維化后的特征：f
i
'＝ω
T
f
i
???
(1)其中f
i
表示特征集合中的第i個特征；步驟四、構建聯合特征空間將步驟三得到的一維化淺層特征和深層特征合并為兩個維度，重構出二維的聯合特征空間，得到融合后的特征F
C
∈R
2xn
為：步驟五、ERP檢測使用線性判別器對步驟四得到的融合特征F
C
進行分類，即可實現得到ERP檢測結果。2.如權利要求1所述面向跨被試RSVP的多特征低維子空間ERP檢測方法，其特征在于：所述歐式空間對齊法首先針對一個被試的n個試次的EEG數據求取參考矩陣所述歐式空間對齊法首先針對一個被試的n個試次的EEG數據求取參考矩陣其中X
i
為該被試第i個試次的EEG數據，T標識轉置；然后根據得到參考矩陣后對原始EEG數據進行更新，得到對齊后的EEG數據：3.如權利要求1所述面向跨被試RSVP的多特征低維子空間ERP檢測方法，其特征在于：所述xDAWN空域濾波器通過參照非目標響應來增強目標響應，響應模式為：
S＝DA+N
???...

【專利技術屬性】
技術研發人員：孔萬增，章杭奎，劉棟軍，
申請(專利權)人：杭州電子科技大學，
類型：發明
國別省市：