基于黎曼流形的实时脑电信号自适应分类方法及系统与流程

本发明实施例涉及脑机接口，具体而言，涉及一种基于黎曼流形的实时脑电信号自适应分类方法及系统。

背景技术：

1、脑机接口是一种无需依赖大脑外周神经与肌肉正常输出通道，能够直接实现生物脑与智能机器之间信息交互的系统，已在医疗、康复和神经科学领域引起广泛关注。运动想象是脑机接口中的一个重要范式。运动想象是指人在想象肢体运动时，无需进行实际的运动输出，就可以控制外部设备。由于大脑运动想象区域与实际运动想象区域高度相关，因此可以通过监测和识别运动想象脑电信号模式，实现对个体运动意图的识别。

2、然而，脑电信号具有非平稳、高时变的特性，幅度微弱，且极易与抖动伪迹、工频干扰等噪声混叠。传统的模式识别算法大都假设脑电信号坐落高维的欧式空间，然后基于欧式距离直接对信号进行处理，但是欧氏距离并不能真正准确地刻画高维脑电信号的内在联系，依据欧式空间的特征进行不同大脑活动判断效果并不理想。此外，部分利用黎曼空间对脑电信号进行处理，如黎曼切空间投影，采用的投影点往往是从训练集中获取的固定参考协方差矩阵，难以适应长时间间隔的跨会话实验需要，尤其是用户执行实时运动想象任务，由于兴奋、疲劳等原因发生注意力变化时系统性能恶化明显。因此，现有的脑电信号处理方式很难准确提取出脑电信号的信号特征。针对上述问题，当前并无较好的解决方案。

技术实现思路

1、本发明实施例提供了一种基于黎曼流形的实时脑电信号自适应分类方法及系统，以至少解决相关技术中很难准确提取出脑电信号的信号特征的问题。

2、根据本发明的一个实施例，提供了一种基于黎曼流形的实时脑电信号自适应分类方法，包括：

3、基于运动想象任务采集多个试次的原始脑电信号，对所有所述原始脑电信号进行预处理操作，得到初始样本脑电信号；

4、对所述初始样本脑电信号进行滤波处理，并计算所述滤波处理后所述初始样本脑电信号的样本协方差矩阵；

5、采用黎曼切空间映射方法提取所有所述样本协方差矩阵中的样本协方差特征；

6、利用所述样本协方差特征离线训练预设的分类器模型，并保存所述分类器模型完成所述离线训练后的模型参数；

7、基于所述运动想象任务采集多个试次的实时脑电信号，结合多个试次的所述实时脑电信号和所述样本协方差矩阵，并采用所述黎曼切空间映射方法自适应提取得到所述实时脑电信号对应的待分类协方差特征；

8、将所述待分类协方差特征输入至所述分类器模型中，通过所述分类器模型输出标签预测结果。

9、在一个示例性实施例中，所述对所述初始样本脑电信号进行滤波处理，并计算所述滤波处理后所述初始样本脑电信号的样本协方差矩阵包括如下步骤：

10、利用滑动窗口方法将所述初始样本脑电信号划分为多个不同尺度的样本时间窗信号；

11、通过预设的滤波器组分别对各个所述样本时间窗信号进行带通滤波处理，得到每个所述样本时间窗信号所对应的多个不同尺度的样本频带信号，所述滤波器组包括多个不同带宽的滤波器；

12、分别计算得到各个所述样本频带信号的样本协方差矩阵。

13、在一个示例性实施例中，所述利用滑动窗口方法将所述初始样本脑电信号划分为多个不同尺度的样本时间窗信号包括如下步骤：

14、获取所述初始样本脑电信号的信号采集时间段，并将信号采集时间段内整体的所述初始样本脑电信号作为第一尺度下的样本时间窗信号；

15、基于向下取整原则将所述信号采集时间段总时间长度的1/4作为第二尺度滑动窗口，并基于所述第二尺度滑动窗口利用滑动窗口方法将所述初始样本脑电信号划分为4个第二尺度下的样本时间窗信号；

16、若经过所述第二尺度滑动窗口划分结束后存在剩余的所述初始样本脑电信号，则将剩余的所述初始样本脑电信号填补至第二尺度下最后一个所述样本时间窗信号中；

17、基于向下取整原则将所述信号采集时间段总时间长度的1/2作为第三尺度滑动窗口，并基于所述第三尺度滑动窗口利用所述滑动窗口方法将所述初始样本脑电信号划分为2个第三尺度下的样本时间窗信号；

18、若经过所述第三尺度滑动窗口划分结束后存在剩余的所述初始样本脑电信号，则将剩余的所述初始样本脑电信号填补至第三尺度下最后一个所述样本时间窗信号中。

19、在一个示例性实施例中，所述通过预设的滤波器组分别对各个所述样本时间窗信号进行带通滤波处理，得到每个所述样本时间窗信号所对应的多个不同尺度的样本频带信号包括如下步骤：

20、对于每个所述样本时间窗信号，采用预设的频率和频带范围对所述样本时间窗信号进行下采样；

21、通过预设的滤波器组对下采样后的所述样本时间窗信号进行五阶巴特沃斯带通滤波处理，得到多个不同尺度的样本频带信号。

22、在一个示例性实施例中，所述样本协方差矩阵为对称正定矩阵。

23、在一个示例性实施例中，所述采用黎曼切空间映射方法提取所有所述样本协方差矩阵中的样本协方差特征包括如下步骤：

24、基于黎曼流形计算所有所述样本协方差矩阵之间的黎曼距离；

25、结合所有所述黎曼距离并通过迭代算法计算得到黎曼均值，根据所述黎曼均值确定参考协方差矩阵；

26、以所述参考协方差矩阵作为黎曼流形的参考点，分别将各个所述样本协方差矩阵投影至对应的黎曼切空间上，得到各个所述样本协方差矩阵的样本协方差特征。

27、在一个示例性实施例中，所述基于所述运动想象任务采集多个试次的实时脑电信号，结合多个试次的所述实时脑电信号和所述样本协方差矩阵，并采用所述黎曼切空间映射方法自适应提取得到所述实时脑电信号对应的待分类协方差特征包括如下步骤：

28、基于所述运动想象任务采集多个试次的实时脑电信号，并对所有所述实时脑电信号进行预处理操作；

29、对所述预处理操作后的所有所述实时脑电信号进行滤波处理，并分别计算所述滤波处理后各个所述实时脑电信号的基础协方差矩阵；

30、按照试次顺序将所述基础协方差矩阵和对应试次的所述样本协方差矩阵进行拼接处理和切片处理，得到各个试次中的目标协方差矩阵；

31、基于预设的特征提取数量并采用黎曼切空间映射方法提取所有所述目标协方差矩阵中的待分类协方差特征。

32、在一个示例性实施例中，所述基于预设的特征提取数量并采用黎曼切空间映射方法提取所有所述目标协方差矩阵中的待分类协方差特征包括如下步骤：

33、按照试次顺序将多个所述目标协方差矩阵构建为目标协方差矩阵集，直至所述目标协方差矩阵集中的矩阵数量达到预设的特征提取数量；

34、在所述目标协方差矩阵集中的矩阵数量达到所述特征提取数量后，每往所述目标协方差矩阵集中增加一个最新试次的所述目标协方差矩阵，则移除所述目标协方差矩阵集中一个最早试次的所述目标协方差矩阵；

35、基于黎曼流形计算所述目标协方差矩阵集中所有所述目标协方差矩阵之间的目标黎曼距离；

36、结合所有所述目标黎曼距离并通过迭代算法计算得到目标黎曼均值，根据所述目标黎曼均值确定目标参考协方差矩阵；

37、以所述目标参考协方差矩阵作为黎曼流形的参考点，分别将所述目标协方差矩阵集中各个所述目标协方差矩阵投影至对应的黎曼切空间上，得到各个所述目标协方差矩阵的待分类协方差特征。

38、在一个示例性实施例中，所述预处理操作包括尾迹去除操作和工频干扰滤除操作。

39、根据本发明的又一个实施例，还提供了一种基于黎曼流形的实时脑电信号自适应分类系统，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法实施例中的步骤。

40、通过本发明，可以对脑电信号进行多尺度时间窗和频带划分，更好地捕捉脑电信号的时、频、空特性，降低计算复杂度，提高计算效率。另一方面，还可以通过在线动态更新参考协方差矩阵，使得特征提取器更好地适应跨会话实验时个体生理差异以及外部环境变化，提升系统鲁棒性和泛化能力。基于黎曼框架进行操作，充分考虑了协方差矩阵的黎曼流形结构，有助于更精准地抓取脑电信号的分布特性，提高了对脑电信号分类的分类准确率。