[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

说明书

本发明公开了一种基于多模型动态集成的自适应脑机接口解码方法，对传统状态空间模型进行改进，使用一组而非一个固定的函数来动态表征观测变量与状态变量之间的关系；通过采用多个线性、非线性解码器，并在脑机接口系统解码过程中，根据数据情况自动切换解码器，实现自适应脑信号解码。通过上述多模型分时集成策略，能够融合线性、非线性解码器能力，提高脑机接口系统的准确性和稳定性，一定程度解决了脑机接口系统因神经信号非平稳性造成的解码不稳定问题。

技术领域

本发明涉及运动神经信号解码领域，尤其是涉及一种基于多模型动态集成的自适应脑机接口解码方法。

背景技术

脑机接口直接从脑电信号中解码运动意图，以进行外部设备控制。皮层内脑机接口利用植入电极阵列记录的神经信号，提取运动相关信息。皮层内脑机接口的进步使得外骨骼设备与电脑光标的控制得到了长足的发展。

在皮层内脑机接口系统中，神经解码算法起着重要作用。学者们提出了许多算法从神经信号中解码运动信息，包括集群向量法、最佳线性估计法、深度神经网络和递归贝叶斯解码器。在这些方法中，卡尔曼滤波器结合了轨迹的演化过程，将其作为先验知识，使得预测更准确，因而广泛应用于在线光标解码和外骨骼控制中，达到了目前为止最优的性能。

如公开号为CN107669416A的中国专利文献公开了一种基于持续-轻快运动想象神经解码的轮椅系统及控制方法，包括依次连接的脑电信号采集系统、解码装置及电动轮椅；解码装置内包括串行设置的持续运动想象脑电信号处理模块及轻快运动想象脑电信号处理模块，两个模块分别用于对脑电信号采集系统传输来的持续运动想象脑电信号及轻快运动想象脑电信号进行解码工作。

然而，神经信号的不稳定性是神经解码过程中面临的一个巨大挑战。当前的皮层内脑机接口使用的神经解码器大部分假设神经信号和运动之间存在一个稳定的函数关系，因此使用一个固定的解码模型。然而，在线解码过程中，神经元产生的信号偶尔会引入噪声或者干脆消失；同时，由于神经元具有可塑性，大脑的活动也有可能随时间发生改变。因为上述噪声和改变的存在，神经信号到运动的映射函数可能会不稳定并且随时间持续变化。固定的解码函数会导致不稳定、不准确的解码结果，因此需要每隔一段时间重新训练以维持一定的性能。

针对神经信号不稳定性问题提出的解码器可以被分为两类。第一类，也是目前大多数解码器，仍然使用固定模型，依赖于周期性地重新训练或在线逐步更新模型参数维持性能。第二类使用动态模型追踪神经信号的变化，这可以避免重新训练的代价，更适合长期解码任务。但是，这一类方法中，很少有研究敢于直接对不稳定的神经信号进行建模。

因此，在运动神经解码中，如何利用动态模型建模神经信号的不稳定性，以到达稳定的解码性能，是当前运动神经解码领域仍待解决的重要问题。

发明内容

本发明提供了一种基于多模型动态集成的自适应脑机接口解码方法，可以大大降低神经信号不稳定性对解码性能的影响，提高了解码器的鲁棒性。

一种基于多模型动态集成的自适应脑机接口解码方法，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；

(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；