【技術實現步驟摘要】
本專利技術涉及腦電信號處理，具體指一種基于腦電協同聚類的半監督言語想象意圖解碼方法。
技術介紹
1、腦解碼被理解為將大腦活動映射到生成這些活動的刺激過程，近年來一直是一個活躍的研究領域。其中，言語表達作為一種高級認知行為，與大腦活動密切相關，成為一項研究重點。理解和實現“從大腦到語言”的轉換，成為腦認知與腦信號處理領域中的一大關鍵問題。在研究言語表達的過程中，科學家們發現了一個更為內在的過程：言語想象。它不僅是研究大腦預處理機制的寶貴工具，還為人類提供了一種新型的腦機接口交互方式。言語想象意圖解碼技術的應用前景十分廣闊，尤其對于幫助言語障礙患者(如腦卒中、帕金森病、腦外傷、腦癱、小腦萎縮等腦損傷患者)重獲交流能力，具有重大意義。此外，它還在不涉及言語發聲的加密無聲通信、腦紋識別等領域具有重要應用價值。
2、盡管過去幾十年里國際上在腦解碼領域的科學研究取得了重大進展，但這些進展大多集中在視覺想象、聽覺想象、觸覺想象、嗅覺想象和運動想象等感官或運動方面的研究。相比之下，言語想象的研究相對較少。不同于單純的感知想象和運動想象，言語想象方式是一種既包含對發音器官的運動想象(即“想象說”)，又包含對語音感知的想象(即“想象聽”)的特殊雙重機制。由于言語想象涉及的復雜的神經機制和大量的腦神經數據，研究人員面臨著研究范式不清晰、解碼精度不足、數據處理復雜等挑戰，現有的言語想象意圖解碼研究距離達到實用水平仍有較大差距。
3、國內外現有的“從大腦到語言”的言語想象意圖解碼方法，根據信號采集方式的不同，可以分為侵入式和非侵入
4、但是，現有的言語想象解碼方法，大部分方法基于機器學習和深度學習方法，對腦電數據中提取到的時頻空域特征進行監督學習中的分類預測，這些方法存在一些顯著的缺陷。首先，模型的透明度和可解釋性較差。由于深度學習模型和復雜的機器學習算法通常是“黑箱”模型，研究人員和用戶難以理解模型的內部工作機制和決策過程。其次，這些方法容易產生過擬合現象。由于腦電信號采集的限制,同一被試上獲取數據的規模有限,導致深度學習網絡在訓練時容易過擬合,模型容易在訓練過程中過度擬合了訓練數據中的噪聲和細節，導致模型在訓練數據上表現良好，但在新數據上表現不佳。
5、并且，少數基于無監督聚類學習的言語想象意圖解碼方法也僅針對樣本維度進行聚類，將樣本分為互相接近的幾個簇，側重于全局模式，因此難以發現僅在特定樣本和特征子集中的局部模式，忽略了數據中特征維度可能存在的重要模式，從而難以識別復雜的交互模式
6、另外，一般的樣本和特征耦合的協同聚類方法如果直接應用于基于腦電的言語想象意圖解碼領域，會將意圖解碼問題完全轉化為無監督學習聚類問題，忽視了腦電言語想象的標簽信息，從而可能導致聚類產生無意義、難解釋的子集(簇)。
技術實現思路
1、本專利技術針對現有基于腦電信號的言語想象意圖解碼方法中存在的不足，提供一種基于腦電協同聚類的半監督言語想象意圖解碼方法，在基于腦電信號的言語想象意圖解碼研究和系統中能夠充分發掘和利用特征和樣本的雙向復雜交互模式以及言語想象的標簽信息。
2、為了解決上述技術問題，本專利技術的技術方案為：
3、一種基于腦電協同聚類的半監督言語想象意圖解碼方法，包括如下步驟：
4、步驟1、采集言語想象的腦電數據，并對采集的腦電數據根據言語想象打上標簽并預處理；
5、步驟2、對預處理后的腦電數據進行特征提取，所述特征提取方法為：首先從五個頻段提取腦電特征，進而針對各個頻段和不同腦電電極通道提取相應的時域特征、頻域特征、時頻域特征和空域特征，最后將所有提取的特征進行連接、整理和標準化后，得到原始數據矩陣；
6、步驟3、將原始數據矩陣進行特征聚類和樣本聚類，從而得到特征的聚類指示矩陣、樣本的聚類指示矩陣和系數矩陣；
7、步驟4、在半監督框架下完成對特征的聚類指示矩陣、樣本的聚類指示矩陣和系數矩陣的優化求解；
8、步驟5、通過可視化手段，展示基于腦電樣本和特征協同聚類的半監督學習模型得到的解碼結果。
9、作為優選，所述步驟1中，采集腦電數據時，被試者在佩戴有腦電帽的情況下，在有相關提示時進行言語想象任務，被試者在言語想象時產生的腦電會被采集下來作為原始腦電數據。
10、作為優選，所述預處理方法為：首先將采集到的腦電數據進行降采樣，并去除與壞電極相對應的信號，然后通過插值相鄰進行再生；再通過帶通濾波器將腦電數據濾波至0.1-50hz，去除噪聲。
11、作為優選，所述五個頻段分別為：delta頻段、theta頻段、alpha頻段、beta頻段、gamma頻段。
12、作為優選，所述時域特征包括時間軸上的質心、平均絕對差、峰到峰距離、香農熵；所述頻域特征包括頻譜距離、基頻、最大功率譜密度、最大頻率、中值頻率、頻譜重心、頻譜振幅的衰減量、頻譜峰度、頻譜偏度、頻譜斜率、頻譜變異性、頻譜正轉折點、頻譜開啟點、功率譜帶寬、傅里葉變換均值系數、頻譜熵；所述時頻域特征包括小波變換特征、經驗模態分解特征；所述空域特征包括使用共空間模式算法對腦電數據進行空間濾波后，從多通道的腦電數據里面提取出每一個類的空間分布成分。
13、作為優選，所述步驟3中，將原始數據矩陣定義為x，所述原始數據矩陣x中樣本數為n，特征數為d，將原始數據矩陣x進行特征聚類和樣本聚類，其共聚類的優化目標公式如下：
14、
15、s.t.p∈φd×c，q∈φn×c，s∈diag
16、其中，p表示特征的聚類指示矩陣，q表示樣本的聚類指示矩陣，s為系數矩陣，連接p和q，符號t表示矩陣的轉置操作(transpose)，符號f表示frobenius范數，d表示特征數，c表示聚類的簇數，n表示樣本數，diag表示對角矩陣，s∈diag表示s是一個對角矩陣。
17、作為優選，所述原始數據矩陣x包括有標簽樣本xl和無標簽樣本xu，其中有標簽樣本xl的本文檔來自技高網...
【技術保護點】
1.一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述步驟1中，采集腦電數據時，被試者在佩戴有腦電帽的情況下，在有相關提示時進行言語想象任務，被試者在言語想象時產生的腦電會被采集下來作為原始腦電數據。
3.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述預處理方法為：首先將采集到的腦電數據進行降采樣，并去除與壞電極相對應的信號，然后通過插值相鄰進行再生；再通過帶通濾波器將腦電數據濾波至0.1-50Hz，去除噪聲。
4.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述五個頻段分別為：Delta頻段、Theta頻段、Alpha頻段、Beta頻段、Gamma頻段。
5.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述時域特征包括時間軸上的質心、平均絕對差、峰到峰距離、香農熵；所述頻域特征包括頻譜距離、基頻、最大
6.根據權利要求1-5任意一項所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述步驟3中，將原始數據矩陣定義為X，所述原始數據矩陣X中樣本數為n，特征數為d，將原始數據矩陣X進行特征聚類和樣本聚類,其共聚類的優化目標公式如下：
7.根據權利要求6所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述原始數據矩陣X包括有標簽樣本Xl和無標簽樣本Xu，其中有標簽樣本Xl的個數為l，無標簽樣本Xu的個數為u，因此原始數據矩陣X重新排列為相應的樣本的聚類指示矩陣Q可表示為其中Ql∈Φl×c，Qu∈Φ(n-l)×c。
8.根據權利要求7所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述步驟4中包括對特征的聚類指示矩陣P和樣本的聚類指示矩陣Q進行初始化。
9.根據權利要求8所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述樣本的聚類指示矩陣Q的初始化方法為：
10.根據權利要求9所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述特征的聚類指示矩陣P的初始化方法為：采用隨機初始化的方式，僅在一個隨機選擇的類別上取值為1，其余類別取值為0。
11.根據權利要求10所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述步驟4中，優化求解方法為：
...【技術特征摘要】
1.一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述步驟1中，采集腦電數據時，被試者在佩戴有腦電帽的情況下，在有相關提示時進行言語想象任務，被試者在言語想象時產生的腦電會被采集下來作為原始腦電數據。
3.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述預處理方法為：首先將采集到的腦電數據進行降采樣，并去除與壞電極相對應的信號，然后通過插值相鄰進行再生；再通過帶通濾波器將腦電數據濾波至0.1-50hz，去除噪聲。
4.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述五個頻段分別為：delta頻段、theta頻段、alpha頻段、beta頻段、gamma頻段。
5.根據權利要求1所述的一種基于腦電協同聚類的半監督言語想象意圖解碼方法，其特征在于，所述時域特征包括時間軸上的質心、平均絕對差、峰到峰距離、香農熵；所述頻域特征包括頻譜距離、基頻、最大功率譜密度、最大頻率、中值頻率、頻譜重心、頻譜振幅的衰減量、頻譜峰度、頻譜偏度、頻譜斜率、頻譜變異性、頻譜正轉折點、頻譜開啟點、功率譜帶寬、傅里葉變換均值系數、頻譜熵；所述時頻域特征包括小波變換特征、經驗模態分解特征；所述空域特征包括使用共空間模式算法對腦電數據進行空間濾波后，從多通道的...
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。