本發(fā)明涉及一種基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別方法及系統(tǒng)，屬于腦電信號(hào)。

背景技術(shù)：

1、隨著科技的飛速進(jìn)展和計(jì)算機(jī)硬件技術(shù)的革新，"腦-計(jì)算機(jī)接口"(bci)研究領(lǐng)域在過(guò)去20年取得了顯著的發(fā)展。學(xué)家們發(fā)現(xiàn)，當(dāng)個(gè)體進(jìn)行有意識(shí)的活動(dòng)時(shí)，大腦會(huì)產(chǎn)生特定的腦電信號(hào)。這些信號(hào)不僅反映了大腦的思維活動(dòng)，還通過(guò)神經(jīng)系統(tǒng)控制肌肉運(yùn)動(dòng)，實(shí)現(xiàn)意圖表達(dá)。然而，由于大腦信號(hào)的個(gè)體差異，這些信號(hào)在不同個(gè)體間存在顯著差異，導(dǎo)致現(xiàn)有的腦電信號(hào)識(shí)別系統(tǒng)在跨主體應(yīng)用時(shí)準(zhǔn)確度明顯降低。近年來(lái)，隨著虛擬現(xiàn)實(shí)技術(shù)的發(fā)展，研究者們開(kāi)始嘗試將虛擬現(xiàn)實(shí)與腦電信號(hào)接口結(jié)合，創(chuàng)造了一種新型的多技術(shù)耦合人機(jī)交互方式。這種結(jié)合在健康、醫(yī)療、教育和娛樂(lè)等領(lǐng)域展現(xiàn)了廣泛的應(yīng)用潛力，但同時(shí)也突顯了跨主體腦電信號(hào)識(shí)別的必要性。

2、當(dāng)前在運(yùn)動(dòng)想象信號(hào)的識(shí)別分類(lèi)研究中，大多數(shù)工作集中于對(duì)單一主體的信號(hào)進(jìn)行模型訓(xùn)練和識(shí)別分類(lèi)。這意味著研究者使用該主體的部分信號(hào)來(lái)訓(xùn)練模型，并在測(cè)試階段僅對(duì)該主體的信號(hào)進(jìn)行識(shí)別。這種方法忽略了跨主體信號(hào)的變化，導(dǎo)致模型在處理其他主體的信號(hào)時(shí)準(zhǔn)確性顯著降低。由于個(gè)體間的腦電信號(hào)基線存在差異，傳統(tǒng)的單一主體訓(xùn)練模型在跨主體應(yīng)用中存在嚴(yán)重的性能瓶頸。

3、針對(duì)上述問(wèn)題，目前尚未有有效的技術(shù)解決方案。為有效解決這一問(wèn)題，需要探索能夠應(yīng)對(duì)個(gè)體差異的通用模型，并改進(jìn)數(shù)據(jù)采集和處理技術(shù)，以提升模型的泛化能力。關(guān)鍵挑戰(zhàn)包括如何處理個(gè)體間的腦電信號(hào)差異、如何提高模型對(duì)不同主體信號(hào)的識(shí)別準(zhǔn)確性，以及如何在保持高識(shí)別率的同時(shí)應(yīng)對(duì)信號(hào)噪聲和干擾。研究者們需要開(kāi)發(fā)新的算法和技術(shù)，以應(yīng)對(duì)這些挑戰(zhàn)，推動(dòng)腦-機(jī)接口技術(shù)在更廣泛應(yīng)用場(chǎng)景中的實(shí)際應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為解決如何在不需要每次都重新訓(xùn)練模型的情況下，有效地對(duì)跨主體的腦電信號(hào)進(jìn)行識(shí)別和分類(lèi)的技術(shù)問(wèn)題。本發(fā)明提出了一種基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別方法。該方法能夠高效識(shí)別不同主體之間的腦電信號(hào)，避免了傳統(tǒng)需要針對(duì)每個(gè)主體重新訓(xùn)練模型的繁瑣過(guò)程，從而顯著提升了腦電信號(hào)識(shí)別的效率和實(shí)用性。。

2、技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

3、一種基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別方法，包括以下步驟：

4、步驟1.采集腦電信號(hào)，并對(duì)腦電信號(hào)進(jìn)行帶通濾波處理，并分離數(shù)據(jù)和標(biāo)簽。

5、步驟2.定義kl散度正則化項(xiàng)，進(jìn)行正則化共空間模式化，對(duì)分離數(shù)據(jù)進(jìn)行最大化類(lèi)別間距離，根據(jù)最大化類(lèi)別間距離構(gòu)建不同主體數(shù)據(jù)集、測(cè)試集與訓(xùn)練集，不同主體數(shù)據(jù)集包括主體、每個(gè)主體對(duì)應(yīng)的自身提取的腦電信號(hào)相應(yīng)的最大化類(lèi)別間距離，訓(xùn)練集包括主體、部分跨主體腦電信號(hào)相應(yīng)的最大化類(lèi)別間距離，測(cè)試集包括主體、另一部分跨主體腦電信號(hào)相應(yīng)的最大化類(lèi)別間距離。

6、步驟3.對(duì)三分支cnn模型分別使用不同主體數(shù)據(jù)集中不同主體數(shù)據(jù)進(jìn)行訓(xùn)練，得到對(duì)應(yīng)各主體數(shù)據(jù)訓(xùn)練出的模型。

7、步驟4.將測(cè)試集與訓(xùn)練集進(jìn)行不重疊分窗，逐一計(jì)算每個(gè)訓(xùn)練集和測(cè)試集間的kl散度，并以此構(gòu)建事件觸發(fā)控制器，通過(guò)事件觸發(fā)控制器根據(jù)每個(gè)模型的觸發(fā)條件選擇對(duì)應(yīng)數(shù)據(jù)集訓(xùn)練的模型進(jìn)行預(yù)測(cè)。

8、步驟5.根據(jù)選擇模型實(shí)現(xiàn)對(duì)腦電信號(hào)跨主體的分類(lèi)識(shí)別。

9、優(yōu)選的：事件觸發(fā)控制器中每個(gè)模型的觸發(fā)條件為：

10、tm＝inf(m∈r|num(m)≥max(num(i)))

11、

12、其中，tm為觸發(fā)條件時(shí)刻，m為第m組訓(xùn)練集，r為訓(xùn)練的主體全集，num(m)為(|num(m)≥max(num(i))為當(dāng)滿足此條件時(shí)觸發(fā)，max為取最大值，num(m)為第m組訓(xùn)練集各個(gè)窗口與測(cè)試集各個(gè)窗口計(jì)算的kl散度為所有組的最小值次數(shù)，num(i)為第i組訓(xùn)練集各個(gè)窗口與測(cè)試集各個(gè)窗口計(jì)算的kl散度為所有組的最小值次數(shù)，wi是針對(duì)不同時(shí)間窗口的加權(quán)系數(shù)，n表示主體個(gè)數(shù)，divskl(qx(i)∥px(i))m為第m組訓(xùn)練集各個(gè)窗口與測(cè)試集各個(gè)窗口計(jì)算的對(duì)稱(chēng)kl散度，divskl(qx(i)∥px(i))i為第i組訓(xùn)練集各個(gè)窗口與測(cè)試集各個(gè)窗口計(jì)算的對(duì)稱(chēng)kl散度，1(·)為指示函數(shù)，當(dāng)條件為真時(shí)，1(·)＝1，否則為0。

13、優(yōu)選的：對(duì)稱(chēng)kl散度計(jì)算公式如下：

14、

15、其中，divskl(qx(i)||px(i))為對(duì)稱(chēng)kl散度，為測(cè)試集到訓(xùn)練集的kl散度，為訓(xùn)練集到測(cè)試集的kl散度，tr為矩陣的跡，w為投影矩陣，∑和∑i分別為測(cè)試集和訓(xùn)練集集的協(xié)方差矩陣，ch是通道數(shù)。

16、優(yōu)選的：步驟4中構(gòu)建事件觸發(fā)控制器的方法，包括以下步驟：

17、步驟41.對(duì)訓(xùn)練集和測(cè)試集按預(yù)設(shè)窗口長(zhǎng)度m，順序針對(duì)連續(xù)目標(biāo)采樣信號(hào)進(jìn)行連續(xù)不重疊劃分，順序得到各個(gè)腦電采樣信號(hào)窗口x(1)、x(2)…、x(n)。

18、獲得分析組中不重復(fù)元素構(gòu)成的向量unique(i)。

19、順序統(tǒng)計(jì)向量unique(i)中各個(gè)元素分別在訓(xùn)練集x(i)中出現(xiàn)的次數(shù)，記作向量：

20、sum(q＝xt(i)))

21、在測(cè)試集x(i)中出現(xiàn)的次數(shù)，記作向量：

22、sum(p＝xe(i))

23、根據(jù)以下公式分別順序計(jì)算出每個(gè)窗口的訓(xùn)練集和測(cè)試集概率密度：

24、

25、其中，qx(i)為訓(xùn)練集概率密度，px(i)為測(cè)試集概率密度，|q|、|p|分別為訓(xùn)練集和測(cè)試集x(i)的元素總數(shù)。

26、步驟42.計(jì)算測(cè)試集和各主體訓(xùn)練集之間的對(duì)稱(chēng)kl散度，根據(jù)對(duì)稱(chēng)kl散度建立每個(gè)模型的觸發(fā)條件，根據(jù)每個(gè)模型的觸發(fā)條件選擇對(duì)應(yīng)數(shù)據(jù)集訓(xùn)練的模型進(jìn)行預(yù)測(cè)。

27、優(yōu)選的：根據(jù)每個(gè)模型的觸發(fā)條件選擇對(duì)應(yīng)數(shù)據(jù)集訓(xùn)練的模型進(jìn)行預(yù)測(cè)的方法：

28、若觸發(fā)條件不滿足，數(shù)據(jù)集對(duì)應(yīng)的模型處于非激活狀態(tài)。

29、若滿足觸發(fā)條件，觸發(fā)條件時(shí)刻記為tm，系統(tǒng)選擇第m個(gè)數(shù)據(jù)集訓(xùn)練的模型進(jìn)行預(yù)測(cè)。

30、優(yōu)選的：步驟2中進(jìn)行正則化共空間模式化最大化類(lèi)別間距離的方法，包括以下步驟：

31、步驟21.確立目標(biāo)受試者，計(jì)算不同類(lèi)別的協(xié)方差矩陣，并進(jìn)行歸一化處理。

32、

33、其中，∑c為類(lèi)別c數(shù)據(jù)的協(xié)方差矩陣，tr(xxt)為矩陣的跡，x表示數(shù)據(jù)。

34、步驟22.使用kl散度對(duì)協(xié)方差矩陣進(jìn)行正則化得到正則化協(xié)方差矩陣。

35、

36、其中，為正則化協(xié)方差矩陣，β為正則化參數(shù)，sc為類(lèi)別c的常數(shù)縮放參數(shù)，∑c為類(lèi)別c的協(xié)方差矩陣，gc為類(lèi)別c的通用協(xié)方差矩陣，z為kl散度的加權(quán)總和，ω為包含可用數(shù)據(jù)的受試者集合，為第c類(lèi)第i個(gè)主體協(xié)方差矩陣，kl(i，t)為目標(biāo)主體t與主體i得kl散度值，ch為通道數(shù)，tr為矩陣的跡。

37、步驟23.將正則化協(xié)方差矩陣進(jìn)行特征值分解，并將特征值按降序排列，得到特征向量矩陣。

38、

39、其中，m為特征值分解矩陣，為類(lèi)別二正則化的協(xié)方差矩陣，為類(lèi)別二正則化的協(xié)方差矩陣，λ為特征向量矩陣，u為特征值矩陣。

40、步驟24.根據(jù)步驟23所得特征向量矩陣確定csp濾波器c，并將數(shù)據(jù)通過(guò)濾波器進(jìn)行投影得到最大化類(lèi)別距離數(shù)據(jù)。

41、

42、c＝λt

43、其中，為最大化類(lèi)別距離數(shù)據(jù)，c為csp濾波器，x為經(jīng)過(guò)濾波處理后的腦電信號(hào)數(shù)據(jù)。

44、優(yōu)選的：步驟3對(duì)三分支cnn模型分別使用n個(gè)不同主體數(shù)據(jù)集中不同主體數(shù)據(jù)進(jìn)行訓(xùn)練，得到對(duì)應(yīng)各主體數(shù)據(jù)訓(xùn)練出的模型(model1，model2、…、modeli、…、modeln)，modeli為第i個(gè)主體數(shù)據(jù)訓(xùn)練出的模型。

45、優(yōu)選的：步驟1對(duì)腦電信號(hào)進(jìn)行帶通濾波處理并分離數(shù)據(jù)和標(biāo)簽的方法，包括以下步驟：

46、步驟11：對(duì)腦電信號(hào)截取特定的時(shí)間段，使用fir濾波器進(jìn)行帶通濾波，提取出便于識(shí)別的mu波和beta波。

47、步驟12：對(duì)濾波后的數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，將兩個(gè)波段數(shù)據(jù)在通道數(shù)目維度堆疊形成更大的一組數(shù)據(jù)集，并分離出數(shù)據(jù)x和標(biāo)簽y，數(shù)據(jù)x格式為2ch×p×tr，標(biāo)簽y格式為tr×1，其中，ch為通道數(shù)，p為采樣點(diǎn)個(gè)數(shù)，tr試驗(yàn)次數(shù)。

48、本發(fā)明另一目的是提供一種基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別系統(tǒng)，采用所述基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別方法，包括采集單元、信號(hào)預(yù)處理單元、最大化類(lèi)別間距離單元、主體訓(xùn)練數(shù)據(jù)模型單元、事件觸發(fā)控制器單元、跨主體分類(lèi)識(shí)別單元，其中：

49、所述采集單元用于采集腦電信號(hào)。

50、所述信號(hào)預(yù)處理單元用于對(duì)腦電信號(hào)進(jìn)行帶通濾波處理，并分離數(shù)據(jù)和標(biāo)簽。

51、所述最大化類(lèi)別間距離單元用于定義kl散度正則化項(xiàng)，進(jìn)行正則化共空間模式化，對(duì)分離數(shù)據(jù)進(jìn)行最大化類(lèi)別間距離，根據(jù)最大化類(lèi)別間距離構(gòu)建不同主體數(shù)據(jù)集、測(cè)試集與訓(xùn)練集。

52、所述主體訓(xùn)練數(shù)據(jù)模型單元用于對(duì)三分支cnn模型分別使用不同主體數(shù)據(jù)集中不同主體數(shù)據(jù)進(jìn)行訓(xùn)練，得到對(duì)應(yīng)各主體數(shù)據(jù)訓(xùn)練出的模型。

53、所述事件觸發(fā)控制器單元根據(jù)測(cè)試集與訓(xùn)練集進(jìn)行不重疊分窗，逐一計(jì)算每個(gè)訓(xùn)練集和測(cè)試集間的kl散度，并以此構(gòu)建得到事件觸發(fā)控制器，通過(guò)事件觸發(fā)控制器根據(jù)每個(gè)模型的觸發(fā)條件選擇對(duì)應(yīng)數(shù)據(jù)集訓(xùn)練的模型進(jìn)行預(yù)測(cè)。

54、所述跨主體分類(lèi)識(shí)別單元用于根據(jù)選擇模型實(shí)現(xiàn)對(duì)腦電信號(hào)跨主體的分類(lèi)識(shí)別。

55、本發(fā)明另一目的是提供一種電子設(shè)備，包括：至少一個(gè)處理器、至少一個(gè)存儲(chǔ)器和通信接口。所述處理器、存儲(chǔ)器和通信接口相互間進(jìn)行通信。所述存儲(chǔ)器存儲(chǔ)有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令，以執(zhí)行所述基于kl散度事件觸發(fā)控制的跨主體腦電信號(hào)識(shí)別方法。

56、本發(fā)明相比現(xiàn)有技術(shù)，具有以下有益效果：

57、在預(yù)處理階段，采用濾波、數(shù)據(jù)增強(qiáng)可以顯著減少腦電信號(hào)中的噪聲、提升系統(tǒng)的魯棒性。濾波能夠有效去除低頻和高頻噪聲，提取有用的腦電信號(hào)成分，增強(qiáng)信號(hào)的清晰度。數(shù)據(jù)增強(qiáng)則通過(guò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行多樣化處理，增加數(shù)據(jù)的多樣性和豐富性，從而提升模型在面對(duì)不同主體的信號(hào)時(shí)的魯棒性。這些預(yù)處理步驟能顯著改善輸入信號(hào)的質(zhì)量，使事件觸發(fā)控制更為精確和可靠，從而顯著提升模型在實(shí)時(shí)應(yīng)用中的準(zhǔn)確性和響應(yīng)能力。使用正則化csp通過(guò)對(duì)特征提取過(guò)程施加約束，減少對(duì)訓(xùn)練數(shù)據(jù)噪聲的敏感性，從而減少過(guò)擬合風(fēng)險(xiǎn)，提升穩(wěn)定性和泛化能力。此外，建立三分支數(shù)據(jù)融合的卷積神經(jīng)網(wǎng)絡(luò)(cnn)模型，通過(guò)分別使用來(lái)自不同主體的數(shù)據(jù)進(jìn)行訓(xùn)練，可以獲得更全面和具有更強(qiáng)泛化能力的模型。這種方法充分考慮了不同主體間腦電信號(hào)的個(gè)體差異，從而提升了模型的普適性和泛化能力。因此，當(dāng)選擇適合當(dāng)前測(cè)試數(shù)據(jù)分布的模型時(shí)，模型選擇的容錯(cuò)率也得到了顯著提升。采用連續(xù)不重疊的分窗處理方法，并結(jié)合kl散度(kullback-leibler?divergence)的計(jì)算，能夠精確評(píng)估每個(gè)窗口的信號(hào)特征。這種方法在實(shí)時(shí)識(shí)別和事件觸發(fā)控制中表現(xiàn)出色，通過(guò)kl散度作為事件觸發(fā)控制器的依據(jù)，能夠有效調(diào)整和選擇模型，提高跨主體腦電信號(hào)的識(shí)別準(zhǔn)確性。這一方法有效解決了現(xiàn)有技術(shù)在腦電信號(hào)跨主體識(shí)別中的挑戰(zhàn)，顯著提升了識(shí)別的準(zhǔn)確性和應(yīng)用的實(shí)用性。