申请/专利权人：上海术理智能科技有限公司

申请日：2022-06-29

公开（公告）日：2024-06-28

公开（公告）号：CN115034272B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06F18/2411;G06F18/2135

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.09.30#实质审查的生效;2022.09.09#公开

摘要：本发明公开了一种基于迭代学习的运动想象脑电信号分类方法，对患者进行离线训练得到带有标签的运动想象脑电信号数据集，利用空域滤波技术对预处理后的脑电信号数据进行特征提取，利用支持向量机对特征向量进行二分类，得到基础分类模型；对离线数据集进行主成分分析，建立指数加权移动平均模型并计算模型的上下限；采集患者在线训练数据，判断该组数据的主成分是否处于模型的上下限，如符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，供下次在线训练；否则丢弃这组数据，下次在线训练仍用之前的基础分类模型；重复步骤使分类模型不断融入新的在线训练数据进行迭代学习，直至数据集规模达到预期要求或患者训练计划结束。

主权项：1.一种基于迭代学习的运动想象脑电信号分类方法，其特征在于，包括步骤：步骤1：对患者进行多次离线训练，采集脑电信号，得到带有标签的运动想象脑电信号数据集；步骤2：对采集到的运动想象脑电信号数据集进行预处理，保存处理后的脑电信号数据集；步骤3：利用空域滤波技术对预处理后的脑电信号数据进行特征提取，按照标签将其中一类信号的方差最大化，同时将另一类信号的方差最小化，找出最佳空间投影方向对输入脑电信号进行差异化投影，并计算归一化方差作为特征向量；步骤4：利用支持向量机对特征向量进行二分类，从而得到基础分类模型；步骤5：对离线数据集进行主成分分析，建立基于指数加权移动平均模型并计算模型的上下限，用于评估在线训练数据的协变量偏移；利用主成分分析进行数据降维：A为求出的特征向量矩阵，将A的每一列进行零均值化，求出协方差矩阵的特征值及对应的特征向量，然后将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，x＝PA即为降维到k维后的数据矩阵；建立基于指数加权移动平均模型并计算模型的上下限：降维后的数据矩阵x＝[x0，x1，...，xn-1，xn]，对所有xi求平均值得到z0，然后以每个离线数据为观测值计算z统计量：zi＝λxi+1-λzi-1，其中，通过在离线数据集上最小化一步前预测误差的平方来估计λ；计算评估方差：erri＝xi-zi-1；式中，θ为1-θ置信区间的5％显著性水平；计算上下限UCLi和LCLi： 式中，UCLi和LCLi分别为第i次试验的控制上限和控制下限，L为控制上限乘数；步骤6：采集患者在线训练数据，判断该组在线训练数据的主成分是否处于模型的上下限，如果符合要求，则将该组数据融入之前的离线训练数据集重新建立基础分类模型，以供下次在线训练；否则丢弃这组数据开始下一次测试，下次在线训练仍用之前的基础分类模型；步骤7：利用基础分类模型对在线训练数据分类，根据预测值控制外骨骼的运动；步骤8：重复步骤6和步骤7，使分类模型不断融入新的在线训练数据迭代学习，直至模型数据集规模达到预期要求或者患者训练计划结束。

全文数据：

权利要求：

百度查询： 上海术理智能科技有限公司 基于迭代学习的运动想象脑电信号分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD