[发明专利]一种考虑个体差异的跨模式脑电信号识别方法

说明书

本发明公开一种考虑个体差异的跨模式脑电信号识别方法。将脑电信号数据格式统一为3D张量结构，然后将其划分为数据集输入到由分支网络构成的分类器中进行训练以分别提取背景特征和任务特征；利用上述提取到的背景特征计算不同被试之间的相似度，并对数据集中的数据进行筛选以避免差异程度大于阈值的脑电信号数据在训练过程中带来的模型负提升；最终将筛选后的数据集输入到多分支网络模型中进行训练。本发明在尽可能采集少量新被试数据的同时，能更好地提取不同被试上的特征以提升模型在跨被试任务中的性能。

技术领域

本发明属于脑电信号处理领域和人机交互领域，具体涉及一种考虑个体差异的跨模式脑电信号识别方法。

背景技术

随着脑科学研究的发展，越来越多的脑机接口(Brain computer interface，BCI)应用得到了关注和研究。脑机接口是硬件和软件的组合，通过使用脑电波来控制外部设备，例如脑控机械臂。BCI技术涉及到神经科学、人机交互、信息处理、模式识别等多个学科，通过对采集自人脑的生理信号进行特征提取与分类，识别出被试的真实想法，再将这些想法转换成不同的命令，从而实现人脑与外部环境的交互与控制。

捕获人脑的生理信号的最常见且高效的方法是采集头皮脑电信号(EEG)，这是一种非侵入性方法，还具有许多优点，例如可移植性、客观可靠和高时间分辨率。尽管基于脑电信号的任务识别已取得丰富的研究成果，但在实际场景下的BCI应用仍存在着问题。目前的研究大多着眼于单一被试内的脑电识别，但这种实验范式存在着较大的局限性，由于脑电信号模式在不同被试之间有所不同，当存在多个被试的情况时，已有的分类模型无法保证在其他新的被试上达到与已有被试相近的识别准确率。使用EEG进行BCI应用主要面临的就是EEG个体差异问题，因此需要训练特定被试的分类器模型同时频繁地校准模型以保持令人满意的识别精度。

近年来，随着深度学习的发展，越来越多的研究中使用了深度神经网络模型，神经网络能够自动地学习有用的特征并构建非线性的复杂关系的模型，适用于脑电信号的建模。目前有两类深度学习算法被广泛地应用于解决个体差异性问题，一是基于深度特征分布相似化的方法：将深层特征的分布距离最小化以达到域迁移的效果；二是基于对抗网络的方法：通过加入一个对抗网络来调整特征提取网络提取到一些特征分布相似的任务特征。然而，上述的方法在训练模型的过程中均需要使用大量的未标记的新被试数据，导致在实际使用中耗费了大量时间以采集新被试的数据。

在BCI应用中，不仅需要考虑个体差异性所带来的影响，同时需要考虑算法本身在实际场景下的实用性。因此，使用深度学习来开发一种高实用性的去除EEG个体差异的方法极具现实意义。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种高实用性的去除EEG个体差异的方法。本发明通过对跨被试的脑电信号进行分析和特征提取，在模型训练过程中分离出背景特征以及任务特征，并在后续的网络模型中输入多种特征以增强模型的学习能力。同时通过计算被试间的背景特征的欧几里得距离，来获取不同被试之间的相似度，使用相似度更高的数据来训练模型，使得模型能够在新被试上达到更高的识别准确率。本发明所提供的方法只需要采集少量的新被试数据，提升了在BCI应用中的实用性。

为达到上述目的，本发明所采用的技术方案如下：

一种考虑个体差异的跨模式脑电信号识别方法，具体包括步骤如下：

步骤(1)、脑电信号预处理：

1-1数据格式的统一

根据采集信号时的电极位置，将通道维度的特征向量格式转化为2D矩阵格式，同时将每个通道的脑电信号划分为5个频段，最终得到大小为H×W×5的3D张量数据的脑电数据；其中H为2D矩阵的高，W为2D矩阵的宽。

所述的5个频段为delta(1-4Hz)、theta(4-8Hz)、alpha(8-14Hz)、beta(14-31Hz)、gamma(31-50Hz)。