[发明专利]基于CSP-UMAP的运动想象脑电数据降维方法及其实验装置

权利要求书

1.一种基于CSP-UMAP的运动想象脑电数据降维方法，其特征在于，其实施步骤如下：

S1、获取运动想象脑电数据，所获取的数据为采集的运动想象脑电数据；

S11、控制电脑屏幕中的碗状结构向左或者向右运动，在保证碗状结构中小球不从碗中掉落的前提之下使碗状结构从起点运动到终点；

S12、在步骤S11的运动过程中，采集运动想象脑电数据，所述脑电数据包括左手运动想象脑电数据和右手运动想象脑电数据；

S2、对运动想象脑电数据进行预处理；

S21、将运动想象脑电数据进行归一化处理，通过低通滤波器将高于30Hz的高频噪声过滤掉；

S22、对过滤后的运动想象脑电数据根据脑电采集设备的频率进行切片,每个切片视为一次实验；

S3、计算S2处理的运动想象脑电数据的协方差矩阵；

S31、将左手运动想象脑电数据和右手运动想象脑电数据进行处理，即所述左手运动想象脑电数据X₁和所述右手运动想象脑电数据X₂能够分别为：

其中，X₁表示左手运动想象脑电数据，X₂表示右手运动想象脑电数据，S₁表示左手运动任务，S₂表示右手运动任务，S_M代表受试者左右手运动任务下所共同拥有的源信号，C₁和C₂分别表示单个源信号所引起的信号在空间模式导联上的分布权重的向量，C_M表示的是与S_M相应的共有的空间模式；

S32、对步骤S31处理得到的X₁和X₂进行归一化处理，得到协方差矩阵R₁和R₂:

其中，trace(X)表示矩阵的对角线上的元素的和，X₁表示左手运动想象脑电数据，X₂表示右手运动想象脑电数据；

S33、将步骤S32处理的左手运动想象脑电数据和右手运动想象脑电数据协方差矩阵进行两者叠加，得到混合空间的协方差矩阵R：

S4、运用协方差矩阵对混合空间的协方差矩阵R进行矩阵白化；

S41、将步骤33得到的混合空间的协方差矩阵R进行特征值分解：

R＝UλU^T

其中，U为矩阵λ的特征向量矩阵，λ为由矩阵的特征值构成的对角阵；

S42、将特征值进行降序排列，得到白化矩阵P为：

其中，U为矩阵λ的特征向量矩阵，λ是由矩阵的特征值构成的对角阵；

S5、构造空间滤波器分别对左手运动想象脑电数据和右手运动想象脑电数据进行特征提取；

S51、将步骤S3中得到的R₁和R₂进行如下变换：

S₁＝PR₁P^T,S₂＝PR₂P^T

其中，S₁为左手运动想象脑电数据，S₂为右手运动想象脑电数据；

S52、对步骤S51获得的S₁和S₂进行特征值分解：

其中，B为矩阵S的特征向量矩阵，λ是由矩阵的特征值构成的对角阵，P为白化矩阵；

S53、经过上述计算发现，B₁＝B₂，λ₁+λ₂＝I，即投影矩阵W即为所对应的空间滤波器：

W＝B^TP

其中，B为矩阵S的特征向量矩阵，P为白化矩阵；

S54、将S2得到的左手运动想象脑电数据矩阵X₁和右手运动想象脑电数据X₂经过步骤S53得到的空间滤波器W滤波，得到左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R为：

Z_L＝W×X_L

Z_R＝W×X_R

其中，Z_L为左手运动想象脑电数据特征矩阵，Z_R为右手运动想象脑电数据特征矩阵，W为空间滤波器，X_L与X_R为滤波后所得脑电数据；

S6、构造运动想象脑电数据的模糊拓扑表示；

S61、基于流行理论，分别计算步骤S5所得左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R的条件概率p_ji，即：

其中，x_i、x_j与x_k表示不同的数据点，p_j|i表示x_i与x_j之间的相似程度；

S7、使用交叉熵优化左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R的低维表达；

S71、通过使用梯度下降的方法，计算交叉熵来衡量运动想象脑电数据的低维表示，其中，交叉熵的计算方法如下：

其中，E为单纯复形的集合，ω_h(e)是其高维权重函数，ω_l(e)是其低维权重函数；

S72、使用梯度下降方法进行优化，根据拓扑表示的拉普拉斯算子是流形的拉普拉斯·贝尔特拉米算子的近似值，使用频谱嵌入技术将运动想象脑电数据用低维形式表示出来；

S8、获取左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R的低维表达；

S81、使用S7所述的梯度下降法以及交叉熵计算方法，对左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R的低维表达进行计算，最终得到低维空间q_ij表示为：

q_ij＝(1+a(y_i-y_j)^2b)^-1

其中，y_i与y_j表示不同的数据点，q_ij为低维空间表示，a和b为超参数，一般情况下取a＝1.93，b＝0.79；以及

S9、查看左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R的分类效果；

S91、将S8所得的降维后的左手运动想象脑电数据特征矩阵Z_L和右手运动想象脑电数据特征矩阵Z_R使用最邻近分类器进行分类，从而降低分类结果随机性。