[发明专利]一种基于多模型动态集成的自适应脑机接口解码方法

权利要求书

1.一种基于多模型动态集成的自适应脑机接口解码方法，其特征在于，包括以下步骤：

(1)获取从硬件记录得到的原始运动神经信号，对原始运动神经信号进行预处理后，划分为训练集、验证集和测试集；

(2)构建基于多模型动态集成的状态空间解码器，具体如下：

(2-1)采用改进的状态空间模型，使用多个候选模型来动态表征观测变量与状态变量之间的关系；其中，多个候选模型包括一个线性函数、一个二阶多项式函数和两个神经网络，所述的观测变量为神经信号，状态变量为运动信号；改进的状态空间模型表达式如下：

x_k＝f(x_k-1)+v_k-1

其中，k表示离散时间步长；表示感兴趣的状态；f(.)表示状态转移函数；表示观测或测量变量；n_k表示独立同分布的观测噪声；表示观测函数h(.)中的模型索引，表示k时刻起作用的模型是h_m；v_k-1表示独立同分布的状态转移噪声；

(2-2)根据贝叶斯更新机制动态组合候选模型，作为状态空间模型的观测函数；

(3)使用训练集和验证集对改进的状态空间模型进行训练和评估，训练得到不同候选模型的参数；

(4)利用测试集进行测试，测试模型的性能和鲁棒性，并进行脑电信号解码的应用，输入经过预训练的待解码神经信号后得到状态估计。

2.根据权利要求1所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，步骤(1)中，所述预处理的具体过程如下：

选择合适的窗口大小计算神经信号的发放率，根据状态标签截取有效数据段，分别对数据进行标准化和平滑，得到预处理后的运动神经信号。

3.根据权利要求1所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，步骤(2)中，所述的贝叶斯更新机制如下：

以数据驱动的方式在多个候选模型中动态选择切换，给定观测序列y_0:k，则k时刻状态的后验概率为：

其中，是当时状态的后验；是选择第m个模型的后验概率；M表示候选模型的数量。

4.根据权利要求3所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，选择第m个模型的后验概率计算方式如下：

其中，为选择第m个模型的先验概率；p_m(y_k|y_0:k-1)为选择第m个模型的边缘似然。

5.根据权利要求4所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，选择第m个模型的先验概率计算方式如下：

其中，为第k-1时刻，选择第m个模型的概率；α为遗忘因子，0α1。

6.根据权利要求4所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，选择第m个模型的边缘似然计算方式如下：

p_m(y_k|y_0:k-1)＝∫p_m(y_k|x_k)p(x_k|y_0:k-1)dx_k

其中，p_m(y_k|x_k)是关于第m个模型的似然函数。

7.根据权利要求4所述的基于多模型动态集成的自适应脑机接口解码方法，其特征在于，步骤(4)中，所述状态估计采用粒子滤波算法，基于粒子计算和