[发明专利]基于经验模态分解的运动想象人工数据生成方法及装置

说明书

本发明涉及一种基于经验模态分解的运动想象人工数据生成方法、装置。该运动想象人工数据生成方法包括：步骤S1，确定需要生成的人工数据的试次数目m；步骤S2，获取用户部分真实运动想象数据；步骤S3，对真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组；步骤S4，针对每组数据，随机选取若干真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；步骤S5，重复执行步骤S4，得到试次数目m的人工数据；步骤S6，输出所述人工数据。通过本发明提供的方案有助于选择出少量有效导联来提升运动想象任务的识别效率。

技术领域

本发明涉及脑-机接口(Brian Computer Interface，简称BCI)人工数据生成领域，具体涉及一种基于经验模态分解的运动想象人工数据生成方法及装置。

背景技术

脑机接口技术(Brain computer interface,BCI)在人类大脑与计算机之间建立非肌肉且不依赖于外围神经的信息传输通道。该技术则能够通过采集和分类识别脑信号，将信号转换为控制信号，因此不通过外周神经和肌肉组织便达到信息传递的目的。1997年，Gert Pfurtscheller发现人类的左手和右手运动想象在脑电图(electroencephalography,EEG)信号感觉运动区中的某些频段具备可分性。因此基于运动想象的脑机接口技术可以帮助患有肌萎缩侧索硬化症等疾病的患者控制外部设备。

本发明针对基于运动想象的BCI系统进行研究。事件相关同步/去同步指在某思维事件发生后一段时间内，脑电图特定频率段表现出能量降低/升高的现象，可在脑区特定部位表征人类的运动想象意图。1991年，Wolpaw团队利用mu节律实现一维光标移动，使基于运动想象的脑机接口系统控制外部设备成为可能。目前，基于运动想象的主流脑机接口系统一般可根据左手，右手，脚和舌头的运动想象实现四指令输出。该类脑机接口系统的性能主要由在线分类准确率衡量。本发明公开了一项基于经验模态分解的运动想象人工数据生成方法。该方法实现真实数据集扩充，获得频域和时域特征两方面近似于真实数据的生成数据。

基于运动想象的BCI数据量小，难以获得高性能的分类模型，且需要长时间的校准，容易导致用户疲劳，大大降低了脑机接口系统的易用性。为了克服特征差异大和可训练数据量小的情况的问题，引入人工数据生成的方法。利用真实数据和生成数据训练获得适应性更强的分类模型，该模型可适应少量新用户脑电数据的校准便可实现在线模式的识别任务。

发明内容

本发明要解决的技术问题是提供基于经验模态分解的运动想象人工数据生成方法及装置，以人工生成数据的方式代替新用户校准系统时长时间的数据采集，能够有效缩短校准时间，提升基于运动想象的BCI系统的实用性。

为解决上述技术问题，本发明提供了一种基于经验模态分解的运动想象人工数据生成方法，包括：

步骤S1，确定需要生成的人工数据的试次数目m；

步骤S2，获取用户部分真实运动想象数据；

步骤S3，对所述真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，所述标签对应真实运动想象的不同肢体部位；

步骤S4，针对每组数据，随机选取若干所述真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；

步骤S5，重复执行步骤S4，得到试次数目m的人工数据；

步骤S6，输出所述人工数据。

根据本发明的一个实施例，所述的运动想象人工数据生成方法还包括：

步骤S7，合并所述人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；

步骤S8，采用支持向量机构建分类器模型并进行分类。