[发明专利]基于脑电的特殊手势指令的特征优化与识别方法

说明书

本发明公开了一种基于脑电的特殊手势指令的特征优化与识别方法。本发明对多通道的EEG信号进行带通滤波及通道转换得到纯净的EEG信号。针对此信号进行时域统计特征、小波包特征、本征模函数特征、功率谱密度特征的提取。之后对各特征数据在脑电区域和信号两个角度基于统计的角度进行特征优化，对筛选的特征进行保留并融合构成新特征。再将特征数据进行尺度变换成迁移学习网络模型输入图片矩阵构成模型数据集，按比例划分数据集为训练集和测试集两部分，训练集训练模型，并在SoftMax层输出特征数据构成新的训练集。最后将新的数据集利用SVM模型进行多分类，将特征优化前后的结果进行对比。本发明相比于特征优化前，识别率提高5％左右。

技术领域

本发明属于脑电信号处理、统计分析和深度学习领域，涉及一种基于脑电信号的特殊手势指令的特征优化与识别方法。

背景技术

脑机接口技术(BCI)是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。基于脑电图的BCI分为诱发型和自发型，在自发型BCI中，受试者不需要外部刺激，并且是基于由精神活动产生的活动采取控制行动。而自发性BCI的一个常见例子是运动想象(MI)BCI，它要求用户想象肢体的运动，如左右手的简单想象。手势想象是其典型研究领域。

在MI研究领域有一个经典的研究流程：数据预处理-特征提取-特征选择-分类。针对此流程，本发明增加了手势的类别，同时利用基于统计的方法对提取的特征进行筛选融合增加特征有效性，从而提高分类模型精度。本发明主要针对特殊手势指令进行研究，如军事手势指令，其中BCI研究最初瞄准军事领域，以期在未来战场上，使士兵能通过大脑直接操纵武器、甚至远程控制机器人和无人机作战，从而提高战斗力和降低伤亡率。因为在军事领域，指令的安全和隐蔽的传达直接影响任务事态的发展，但BCI系统能很好的提高指令传达的效率与安全性。同时，深度学习模式具有强大的数据特征学习能力，在智能生物医学有者广泛的运用。因此本发明旨构建一种基于脑电信号的特殊手势指令的特征优化与分类方法，为相关BCI系统中手势的编码和解码提供理论基础。

发明内容

针对传统的运动想象的研究范式与问题，本发明结合脑电信号处理、统计分析和深度学习领域，利用基于预训练的深度网络模型的迁移学习方法，提出了一种基于EEG信号的特殊手势指令的特征优化与分类方法。

本发明中，为了增加手势的类别，在实验范式的基础上，对实验流程进行简化设计。然后对多通道的EEG信号进行带通滤波及通道转换得到纯净的EEG信号。针对此信号进行时域统计特征、小波包特征、本征模函数(FIMF)特征、功率谱密度(PSD)特征的提取。之后对各特征数据在脑电区域和信号两个角度基于统计的角度进行特征优化，对有意义的特征进行保留并融合构成新特征。再将特征数据进行尺度变换成迁移学习网络模型输入图片矩阵227*227*3构成模型数据集，按一定比例划分数据集为训练集和测试集两部分，训练集训练模型，并在SoftMax层输出特征数据构成新的训练集，之后测试集输入模型并输出在SoftMax层的特征数据构成新的测试集。最后将新的数据集利用SVM模型进行多分类，将特征优化前后的结果进行对比。

本发明主要包括如下步骤：

步骤1、在采集数据前，将一段时长约5分钟的手势视频作为受试者的刺激源。视频内容为黑字白底十字图标片段、手势动作片段和空白屏片段。十字图标提醒受试者做好准备，手势动作是刺激源，空白屏供受试者进行动作想象和休息。这三段是一个完整的手势刺激部分，十字图标片段固定为1秒，每个手势动作片段在3到5秒间，空白屏固定为3秒，整个视频包括39个手势刺激部分。除此外，无任何提示。正式实验之前，每个受试者都需仔细观看整个手势视屏1至2遍，同时在观看过程中播报有相应手势的具体含义。此流程结束后正式采集脑电数据。

步骤2、对采集的脑电数据进行数字滤波删选频段，基于信号特点进行伪迹剔除得到纯净的脑电信号。