[发明专利]一种基于脑电源成像和正则化共空间模式的情绪识别方法

权利要求书

1.基于脑电源成像和正则化共空间模式的情绪识别方法，其特征在于，包括以下步骤：

采集脑电信号，并对脑电信号进行预处理；

利用贝叶斯最小模算法处理预处理后的脑电信号，通过搭建脑电源成像，重构大脑皮层神经电活动，具体包括以下步骤：

根据生物导体中电磁场的传播规律，构建头皮表面的EEG电位分布与人脑内源空间信号的线性关系表达式；

对获取的线性关系表达式进行空间白化；

根据给定大脑皮层源信号的一个先验分布以及贝叶斯公式，计算该源信号的后验分布；

利用最小模解估算源信号的最大后验估计，即利用最小模解选择能量最小的源结构作为最终的源信号估计，该源信号估计作为人脑成像的源信号，则源信号的最大后验估计表示为：

其中，S为源信号；为源信号的最大后验估计；p(S|B)为源信号S的后验分布；p(S)为源信号先验分布；L为导联矩阵；B为大脑头皮表面的脑电信号数据；I为单位矩阵；||·||_F为F范数；λ为正则参数，利用贝叶斯概率推断，通过数据自驱动的方式自动学习正则参数λ，该参数表示为：

λ^-1＝γ

其中，γ^(k)表示第k次的迭代值；∑_b为中间参数，定义为其中∑_S为源信号高斯分布的方差；∑_ε表示观测噪声高斯分布的方差；

通过最小模算法，重构的EEG时间序列被投影到Brodman分区上，Brodman分区包括26个空间感兴趣的区域，在翻转方向相反的源信号后，将26个空间感兴趣的区域内所有源信号的时间序列取平均值；

利用26个空间感兴趣的区域互信息构建脑功能连接矩阵，即对于每一个对象，分别计算26个空间感兴趣的区域的互信息值，且数据的自信息值为得到脑功能连接矩阵，其中区域x与区域y的互信息值表示为：

其中，p(x)表示x的概率密度，p(y)表示y概率密度，p(x,y)表示x,y的联合概率密度；

基于脑功能连接矩阵采用正则化的方式构建泛化样本的协方差矩阵，得到最优空间滤波器使脑电数据唤醒类和效价类这两类信号的方差值差异最大化，从而得到具有高区分度的特征向量，获取脑电数据的特征向量包括以下过程：

将脑电数据唤醒类和效价类两个类别得到的协方差矩阵相加，得到正则化符合空间协方差；

分别对两个类别的协方差矩阵进行白变换，并对白变换后的协方差矩阵进行分解，得到白化空间特征向量矩阵；

并根据得到的白化空间特征向量矩阵和白化值矩阵，得到全投影矩阵；

根据自定义的特征参数α，保留全投影矩阵的第一个α列和倒数一个α列构成投影矩阵；

将一个试验根据投影矩阵进行投影，并将投影矩阵的行的方差形成特征向量；

将历史数据的特征输入分类器进行训练，并将待分类数据的特征向量输入分类器获得脑电情绪分类。

2.根据权利要求1所述的基于脑电源成像和正则化共空间模式的情绪识别方法，其特征在于，白化空间特征向量矩阵表示为：

其中，为白化空间协方差矩阵的特征向量矩阵；U为对应其特征值的特征向量矩阵；Σ₁(β,γ)为正则化复合空间协方差的第一分解；上标T表示矩阵的转置，Λ为正则化复合空间协方差Σ(β,γ)相应的对角特征值矩阵。

3.根据权利要求1所述的基于脑电源成像和正则化共空间模式的情绪识别方法，其特征在于，全投影矩阵表示为：

其中，W₀为全投影矩阵；为白化空间协方差矩阵的特征向量矩阵；U为对应其特征值的特征向量矩阵；上标T表示矩阵的转置。

4.根据权利要求1所述的基于脑电源成像和正则化共空间模式的情绪识别方法，其特征在于，将一个试验根据最有区分度的图像进行投影，得到的投影矩阵表示为：

其中，为一个试验根据最有区分度的图像进行投影得到的投影矩阵；W为保留第一个α和倒数一个α列的投影矩阵得到的矩阵；E为N×T试验向量矩阵，N表示脑电图试验的通道数，T为每个通道的样本数量。

5.根据权利要求1所述的基于脑电源成像和正则化共空间模式的情绪识别方法，其特征在于，将投影矩阵的行的方差形成特征向量，该向量的第q个分量表示为：

其中，y_q是y的第q个分量，是的第q行，是向量的方差；Q＝2α，α为自定义的特征参数。