[发明专利]一种基于支持向量机的大脑意识多分类方法及系统

说明书

本发明公开了一种基于支持向量机的大脑意识多分类方法及系统，其中方法包括：采集被试者脑运动区在大脑意识运动时段内的脑血氧原始数据序列；对该序列进行预处理并提取特征值以构建特征向量，作为训练样本；针对所有k种意识运动类别分别获取训练样本；根据意识运动类别的数量k，构建k(k‑1)/2个SVM分类模型；针对每个SVM分类模型，从训练集中获取相应的训练样本，构成相应的子样本集；采用子样本集训练获取相应组合类别的SVM二分类器，并组合得到意识运动类别多分类器；按上述方法获取待测者的特征向量，输入至意识运动类别多分类器以对待测者进行意识运动识别。本发明可实现对未知意识运动类别进行在线实时多分类识别。

技术领域

本发明涉及脑机接口技术领域，尤其是指一种基于支持向量机的大脑意识多分类方法及系统。

背景技术

现有的非侵入式脑机接口有脑电图(EEG)、脑磁图(MEG)、功能磁共振成像(fMRI)和功能性近红外脑成像(functional near-infrared spectroscopy,fNIRS)。在使用MEG和fMRI技术时，要求被试者不能有任何移动，故不适合在有大量运动的场景应用；EEG相比于MEG和fMRI，有更高的时间分辨率，是研究脑机接口的一种重要手段，但在使用前需要对被试者进行培训，理解操作过程和目的，且操作过程较长易使被试者疲劳，并且在运动实验中收集的信噪比不好。

而fNIRS，是一种使用光谱法测量大脑神经活动水平的神经成像方法，其是基于神经血管耦合，以氧合血红蛋白(HbO)、脱氧血红蛋白(HbR)和总血红蛋白(Hb_total)等为指标，考察与神经元活动、细胞能量代谢以及血液动力学相关的大脑功能。

fNIRS可以在不依靠视觉激活信号或前期大量训练情况下在运动时收集脑部血氧数据，并且在运动时数据衰弱更少。fNIRS技术的非侵入式、对测试环境以及受被试者限制少、在认知活动的自然情景下支持长时间测量、不需要进行大量训练可减少培训时间、具有理想的空间和时间分辨率的功能性，便于信号的特征提取分析。fNIRS的上述优点，使其在脑机接口应用领域具有很大的优势，现已经成为认知神经科学研究必不可少的先进技术手段，其可以进行包括知觉、学习、记忆、推理、语言理解、知识获得、注意、情感和统称为意识的高级心理现象的研究。因此，fNIRS提供的时空信息可以用于许多不同的研究项目，涉及大脑奥秘的探索、脑工作机制的了解、脑网络的信息解码以及医学与心理学的特殊诊断等多个方面。

现有一些科学家采用fNIRS技术测量了大脑的血氧信号，实现心算、左手和右手的运动想象(MI)信号识别；还有例如分别利用支持向量机(SVM)，人工神经网络(ANN)和卷积神经网络(CNN)来探索休息态，左-右手运动执行的脑机接口三分类结果准确率。在做多分类的脑机接口实验时，较成熟的是二分类或者三分类的脑机接口分类，少见四分类的脑机接口分类。并且现有对脑机接口数据的分类分析，也是在脑机接口数据采集完毕之后保存下来做离线分析，而没有探究过被试者在做未知运动范式的情况下，实时在线分析输出分类结果。

发明内容

基于现有的大脑意识运动多分类的精度低、离线识别的处理时间长的技术问题，本发明提供一种基于支持向量机的大脑意识多分类方法及系统，实现对多种大脑意识运动进行在线实时分类。

为实现上述技术目的，本发明采用如下技术方案：

一种基于支持向量机的大脑意识多分类方法，包括以下步骤：

步骤1，获取原始数据；

采集被试者脑运动区在大脑意识运动时段内的脑血氧原始数据，并组成脑血氧原始数据序列；其中，已知大脑意识运动的意识运动类别；

步骤2，构建训练样本；

对每次大脑意识运动时段内的脑血氧原始数据序列进行预处理，然后从得到的预处理数据中提取特征值并构建特征向量，将该特征向量记为1个训练样本；