【技術實現步驟摘要】
本專利技術涉及腦電信號，特別涉及一種腦電信號分類識別方法、系統、計算機及存儲介質。
技術介紹
1、腦機接口是指在人或動物大腦與外部設備之間創建的直接連接，實現腦與設備的信息交換，其作用機制是繞過外周神經和肌肉，直接在大腦與外部設備之間建立全新的通信與控制通道。它通過捕捉大腦信號并將其轉換為電信號，實現信息的傳輸和控制。
2、現有技術當中，傳統的腦電信號分類通常是通過提取時域或頻域特征，對腦電信號的種類進行分類識別，忽略了腦電信號的空間相關性和非線性特性，導致特征信息不完整，影響分類準確率。
技術實現思路
1、針對現有技術的不足，本專利技術的目的在于提供一種腦電信號分類識別方法、系統、計算機及存儲介質，旨在解決現有技術中分類準確率較低的技術問題。
2、為了實現上述目的，第一方面，本專利技術提供了：一種腦電信號分類識別方法，包括以下步驟：
3、獲取腦電信號，并計算得到各所述腦電信號對應的協方差矩陣，其中，所述腦電信號包括上一采集時間的參考腦電信號，及當前采集時間的目標腦電信號；
4、分別基于所述目標腦電信號對應的樣本點，及所述參考腦電信號對應的參考點所對應的協方差矩陣構建黎曼空間；
5、基于各所述參考點對應的黎曼距離設定過濾閾值，以基于所述過濾閾值對樣本點進行修正，得到修正特征矩陣；
6、采用核映射的方法將所述修正特征矩陣轉化為無窮維特征矩陣，將所述無窮維特征矩陣進行特征映射處理，得到高維的腦電信號特征矩陣；>
7、將所述腦電信號特征矩陣輸入至分類器中進行分類處理，以輸出所述腦電信號對應的預測識別結果。
8、根據上述技術方案的一方面，將所述腦電信號特征矩陣輸入至分類器中進行分類處理的步驟具體包括：
9、基于最近鄰分類算法構建分類器；
10、在分類器的離線訓練階段，根據各訓練樣本的標簽計算黎曼幾何中心，其中，所述訓練樣本包括靜息態樣本及任務態樣本；
11、將所有的訓練樣本以靜息態樣本對應的參考矩陣為中心對齊至參考矩陣，然后計算各訓練樣本到黎曼幾何中心的黎曼距離作為特征進行分類；
12、在分類器的在線檢測階段，對所述參考矩陣進行更新，并將各所述腦電信號特征矩陣以更新后的參考矩陣為中心對齊至參考矩陣；
13、基于所述分類器對各腦電信號特征矩陣進行分類處理。
14、根據上述技術方案的一方面，各訓練樣本的黎曼幾何中心的計算表達式為：
15、；
16、式中，為第s類訓練樣本的黎曼幾何中心，為第i個訓練樣本，j為訓練樣本的數量，為第i個訓練樣本的權重值，為與之間黎曼距離的平方，為黎曼幾何中心的變量值；
17、所述參考矩陣的計算表達式為：
18、；
19、式中，為所述參考矩陣，為所述靜息態樣本的黎曼幾何中心；
20、基于所述分類器對各腦電信號特征矩陣進行分類處理的計算表達式為：
21、；
22、；
23、為分類器輸出的腦電信號特征矩陣的類別值，為以更新后的參考矩陣為中心對齊后的腦電信號特征矩陣，為更新后的參考矩陣，為腦電信號特征矩陣，為以更新后的參考矩陣為中心對齊后的腦電信號特征矩陣與第s類訓練樣本的黎曼幾何中心之間的黎曼距離。
24、根據上述技術方案的一方面，基于各所述參考點對應的黎曼距離設定過濾閾值，以基于所述過濾閾值對樣本點進行修正，得到修正特征矩陣的步驟具體包括：
25、基于各所述參考點對應的黎曼距離的均值及標準差設定過濾閾值：
26、選取參考點與樣本點之間的黎曼距離大于所述過濾閾值的樣本點進行修正，得到修正特征矩陣；
27、其中，所述過濾閾值的計算表達式如下：
28、；
29、；
30、；
31、式中，為所述過濾閾值，為修正特征矩陣中樣本點與參考點之間的黎曼距離的均值，為修正特征矩陣中樣本點與參考點之間黎曼距離的標準差，為適應參數，為參考點與初始參考點之間的黎曼距離的均值，為參考點與初始參考點之間的黎曼距離的標準差，d為修正特征矩陣中樣本點與參考點之間的黎曼距離。
32、根據上述技術方案的一方面，采用核映射的方法將所述修正特征矩陣轉化為無窮維特征矩陣的步驟具體包括：
33、基于以下計算式采用核映射的方法，通過核函數將所述修正特征矩陣轉化為無窮維特征矩陣：
34、；
35、式中，為無窮維特征矩陣中兩個特征之間的協方差，為樣本數量，為無窮維映射的核函數，為修正特征矩陣中的特征元素，為變換矩陣，t為轉置符號。
36、根據上述技術方案的一方面，將所述無窮維特征矩陣進行特征映射處理，得到高維的腦電信號特征矩陣的步驟具體包括：
37、通過核函數計算得到所述無窮維特征矩陣的核矩陣；
38、基于所述核矩陣將所述無窮維特征矩陣進行特征映射處理，得到高維的腦電信號特征矩陣。
39、根據上述技術方案的一方面，所述腦電信號特征矩陣的表達式為：
40、；
41、式中，為腦電信號特征矩陣中兩個特征之間的協方差，為映射變換函數，為無窮維特征矩陣中的特征元素；
42、所述映射變換函數的計算表達式為：
43、；
44、式中，l為特征向量的數量，為無窮維特征矩陣中前m個最大特征值組成的對角矩陣，m為腦電信號特征矩陣的特征維度值，u為特征值對應的特征向量組成的m*l的矩陣，為映射變換對應的核函數，x表示需要進行映射變換處理的特征向量，為核矩陣中的特征點的特征向量。
45、第二方面，本專利技術提供了一種腦電信號分類識別系統，包括：
46、獲取模塊，用于獲取腦電信號，并計算得到各所述腦電信號對應的協方差矩陣，其中，所述腦電信號包括上一采集時間的參考腦電信號，及當前采集時間的目標腦電信號；
47、黎曼空間模塊，用于分別基于所述目標腦電信號對應的樣本點，及所述參考腦電信號對應的參考點所對應的協方差矩陣構建黎曼空間；
48、修正模塊，用于基于各所述參考點對應的黎曼距離設定過濾閾值，以基于所述過濾閾值對樣本點進行修正，得到修正特征矩陣；
49、高維特征模塊，用于采用核映射的方法將所述修正特征矩陣轉化為無窮維特征矩陣，將所述無窮維特征矩陣進行特征映射處理，得到高維的腦電信號特征矩陣；
50、預測模塊，用于將所述腦電信號特征矩陣輸入至分類器中進行分類處理，以輸出所述腦電信號對應的預測識別結果。
51、根據上述技術方案的一方面，所述預測模塊具體用于：
52、基于最近鄰分類算法構建分類器；
53、在分類器的離線訓練階段，根據各訓練樣本的標簽計算黎曼幾何中心，其中，所述訓練樣本包括靜息態樣本及任務態樣本；
54、將所有的訓練樣本以靜息態樣本對應的參考矩陣為中心本文檔來自技高網...
【技術保護點】
1.一種腦電信號分類識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的腦電信號分類識別方法，其特征在于，將所述腦電信號特征矩陣輸入至分類器中進行分類處理的步驟具體包括：
3.根據權利要求2所述的腦電信號分類識別方法，其特征在于，各訓練樣本的黎曼幾何中心的計算表達式為：
4.根據權利要求1所述的腦電信號分類識別方法，其特征在于，基于各所述參考點對應的黎曼距離設定過濾閾值，以基于所述過濾閾值對樣本點進行修正，得到修正特征矩陣的步驟具體包括：
5.根據權利要求1所述的腦電信號分類識別方法，其特征在于，采用核映射的方法將所述修正特征矩陣轉化為無窮維特征矩陣的步驟具體包括：
6.根據權利要求5所述的腦電信號分類識別方法，其特征在于，將所述無窮維特征矩陣進行特征映射處理，得到高維的腦電信號特征矩陣的步驟具體包括：
7.根據權利要求6所述的腦電信號分類識別方法，其特征在于，所述腦電信號特征矩陣的表達式為：
8.一種腦電信號分類識別系統，其特征在于，包括：
9.一種計算機，包括存儲器、處理
10.一種存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如上述權利要求1-7中任一項所述的腦電信號分類識別方法。
...【技術特征摘要】
1.一種腦電信號分類識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的腦電信號分類識別方法，其特征在于，將所述腦電信號特征矩陣輸入至分類器中進行分類處理的步驟具體包括：
3.根據權利要求2所述的腦電信號分類識別方法，其特征在于，各訓練樣本的黎曼幾何中心的計算表達式為：
4.根據權利要求1所述的腦電信號分類識別方法，其特征在于，基于各所述參考點對應的黎曼距離設定過濾閾值，以基于所述過濾閾值對樣本點進行修正，得到修正特征矩陣的步驟具體包括：
5.根據權利要求1所述的腦電信號分類識別方法，其特征在于，采用核映射的方法將所述修正特征矩陣轉化為無窮維特征矩陣的步驟具體包括：
6.根...
【專利技術屬性】
技術研發人員：邱震鈺，范世超，熊子欣，占慧敏，
申請(專利權)人：南昌理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。