技術(shù)特征：

1.基于眼電、腦電的運(yùn)動(dòng)想象訓(xùn)練人機(jī)交互系統(tǒng)設(shè)計(jì)方法，其特征在于，該方法具體包括以下步驟：

步驟1.對(duì)預(yù)處理后的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行特征提??；

設(shè)預(yù)處理后的EEG離散信號(hào)為f(t)，則f(t)的離散小波變換和逆變換定義為：

式中，為小波序列，是小波基函數(shù)；j,k分別代表頻率分辨率和時(shí)間平移量；f_j(t)表示信號(hào)f(t)在某一尺度(2^j)的分量；對(duì)信號(hào)f(t)可以利用Mallat算法進(jìn)行有限層分解，得到：

$\begin{array}{c}f\left(t\right)=f_L^A\left(t\right)+\underset{j=1}{\overset{L}{\Σ}}{f}_j^D\left(t\right)=A_L+\underset{j=1}{\overset{L}{\Σ}}{D}_j\\ =A_1+D_1=A_2+D_2+D_1=\mathrm{......}\end{array}---\left(3\right)$

式中，L分為分解層數(shù)，A_L為低通逼近分量，D_j為不同尺度下的細(xì)節(jié)分量，信號(hào)的整個(gè)頻帶劃分為一個(gè)個(gè)子頻帶，設(shè)信號(hào)f(t)的采樣頻率為f_s，則A_L,D_L,D_L-1...,D₁各分量所對(duì)應(yīng)的子頻帶依次為：對(duì)應(yīng)的逼近系數(shù)及各層小波系數(shù)記作cA_L,cD_L,cD_L-1,...,cD₁；將要分析的EEG信號(hào)，由想象左手運(yùn)動(dòng)和想象右手運(yùn)動(dòng)產(chǎn)生，本文中的信號(hào)來源是將腦電拾電傳感器中的頭皮拾電電極放置到國際腦電圖學(xué)會(huì)標(biāo)準(zhǔn)10-20導(dǎo)聯(lián)系統(tǒng)所確定的，頭頂部與大腦感覺運(yùn)動(dòng)區(qū)對(duì)應(yīng)的位置為C₃、C_Z以及C₄位置，只取腦電采集儀器C₃導(dǎo)聯(lián)和C₄導(dǎo)聯(lián)的腦電信號(hào)，分別對(duì)不同思維任務(wù)的EEG樣本數(shù)據(jù)進(jìn)行6層分解，f(t)＝A₆+D₆+D₅+D₄+D₃+D₂+D₁；設(shè)C₃導(dǎo)信號(hào)逼近系數(shù)為c₃A₆，C₄導(dǎo)信號(hào)逼近系數(shù)為c₄A₆，取兩者差值C＝c₃A₆-c₄A₆；計(jì)算EEG信號(hào)小波分解后各層小波能量，如求cA_L的小波能量其中j＝3,4，為cA_L中的第i個(gè)元素，再計(jì)算C₃，C₄各層小波能量的差值最后計(jì)算小波能量差值E的各層相對(duì)小波能量最后將逼近系數(shù)差值和相對(duì)小波能量組合成為EEG信號(hào)的特征向量T_EEG＝[C,e]，其中

步驟2.提取預(yù)處理后的眼電信號(hào)特征；

采用夾角余弦法提取EOG信號(hào)的特征；夾角余弦法計(jì)算實(shí)驗(yàn)采集到的EOG信號(hào)與訓(xùn)練樣本間的夾角來衡量待測(cè)EOG信號(hào)與樣本之間的相似度；設(shè)預(yù)處理后的EOG信號(hào)為g(t)＝[g(1),g(2),...,g(n)]，n為樣本點(diǎn)數(shù)，選取EOG信號(hào)訓(xùn)練樣本g_l(t)＝[g_l(1),g_l(2),...,g_l(n)]和g_r(t)＝[g_r(1),g_r(2),...,g_r(n)]，作為向左看與向右看的訓(xùn)練樣本；計(jì)算待測(cè)信號(hào)與向左看EOG信號(hào)夾角余弦公式為：

${\mathrm{cos\θ}}_l=\frac{\underset{i=1}{\overset{n}{\Σ}}g\left(i\right)g_l\left(i\right)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}g\left(i\right)}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{g}_l\left(i\right)}}---\left(4\right)$

計(jì)算待測(cè)信號(hào)與向右看EOG信號(hào)夾角余弦公式為：

${\mathrm{cos\θ}}_r=\frac{\underset{i=1}{\overset{n}{\Σ}}g\left(i\right)g_r\left(i\right)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}g\left(i\right)}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{g}_r\left(i\right)}}---\left(5\right)$

式中cosθ_l，cosθ_r分別代表待測(cè)信號(hào)與向左看EOG信號(hào)，向右看EOG信號(hào)之間的夾角；顯然cosθ_l,cosθ_r∈[-1,1]，夾角余弦值接近1，說明待測(cè)信號(hào)與訓(xùn)練樣本之間的相似度越高；越接近-1，說明樣本與待測(cè)樣本之間呈方向相反的關(guān)系，越接近0，說明相似度越低；最后將兩個(gè)夾角余弦值組合作為EOG信號(hào)特征T_EOG＝[cosθ_l,cosθ_r]；

步驟3.腦電信號(hào)特征與眼電信號(hào)進(jìn)行融合，從而對(duì)運(yùn)動(dòng)想象特征進(jìn)行分析；

對(duì)EEG信號(hào)處理得到的特征采取降維處理，設(shè)為腦電信號(hào)向左看樣本，為腦電信號(hào)向右看樣本，為待測(cè)信號(hào)樣本，將這三個(gè)樣本組合成為一個(gè)矩陣A，求A的協(xié)方差矩陣cov(A)為3*3矩陣，取其第一行上的2，3兩個(gè)元素作為新的腦電信號(hào)特征最后將其與眼電信號(hào)串接組合獲取融合特征

步驟4.腦電、眼電進(jìn)行模式識(shí)別，并由人機(jī)交互系統(tǒng)反饋出來；

由以上步驟得到融合后的特征T，選取想象左、想象右的融合特征若干作為訓(xùn)練樣本；

(1)logistic分類器的構(gòu)建：

在分類情況下，經(jīng)過學(xué)習(xí)后的logistic分類器是一組權(quán)值w₀,w₁,...,w_n，當(dāng)訓(xùn)練樣本的數(shù)據(jù)輸入時(shí)，這組權(quán)值與待測(cè)數(shù)據(jù)按照線性加和得到x＝w₀+w₁T₁+...+w_nT_n，這里T₁,T₂,...,T_n是每個(gè)訓(xùn)練樣本的特征；之后按照sigmoid函數(shù)的形式求出

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(6\right)$

其定義域?yàn)?-∞,+∞)，值域?yàn)?0，1)，采用極大似然估計(jì)來求得w₀,w₁,...,w_n這組權(quán)值，設(shè)條件概率P(y＝1|x)＝p為根據(jù)待測(cè)樣本y相對(duì)于某事件x發(fā)生的概率；那么logistic回歸模型可以表示為

$P(y=1|x)=\mathrm{\π}\left(x\right)=\frac{1}{1+e^{-g\left(x\right)}}---\left(7\right)$

這里稱為logistic函數(shù)；其中g(shù)(x)＝w₀+w₁x₁+...+w_nx_n，那么在x條件下y不發(fā)生的概率為

$P(y=0|x)=1-P(y=1|x)=1-\frac{1}{1+e^{-g\left(x\right)}}=\frac{1}{1+e^{g\left(x\right)}}---\left(8\right)$

所以事件發(fā)生與不發(fā)生的概率之比為

$\frac{P(y=1|x)}{P(y=0|x)}=\frac{p}{1-p}=\frac{\frac{1}{1+e^{-g\left(x\right)}}}{1-\frac{1}{1+e^{-g\left(x\right)}}}=\frac{\frac{1}{1+e^{-g\left(x\right)}}}{\frac{1}{1+e^{g\left(x\right)}}}=e^{g\left(x\right)}---\left(9\right)$

這個(gè)比值稱為事件發(fā)生比；對(duì)其取對(duì)數(shù)得式(10)，再由極大似然估計(jì)求得參數(shù)；

$\ln \left(\frac{p}{1-p}\right)=g\left(x\right)=w_0+w_1{x}_1+\mathrm{...}+w_n{x}_n---\left(10\right)$

假設(shè)有m個(gè)觀測(cè)樣本，觀測(cè)值分別為y₁,y₂,...,y_m，設(shè)p_i＝P(y_i＝1|x_i)為給定條件下得到y(tǒng)_i＝1的概率，同樣的y_i＝0的概率為1-p_i，所以得到一個(gè)觀測(cè)值的概率為因?yàn)楦鱾€(gè)觀測(cè)樣本之間相互獨(dú)立，那么他們的聯(lián)合分布為邊緣分布的乘積，得到似然函數(shù)為

$L\left(w\right)=\underset{i=1}{\overset{m}{\mathrm{\Π}}}{\left(\mathrm{\π}\right(x_i\left)\right)}^{y_i}{(1-\mathrm{\π}(x_i\left)\right)}^{1-y_i}---\left(11\right)$

最大似然估計(jì)即為求出參數(shù)w₀,w₁,...,w_n，使得L(w)取得最大值，對(duì)函數(shù)取對(duì)數(shù)得到

繼續(xù)對(duì)這n+1個(gè)w_i分別求偏導(dǎo)，得到n+1個(gè)方程，當(dāng)對(duì)參數(shù)w_k求偏導(dǎo)時(shí)

$\begin{array}{c}\frac{\∂\ln \[L\left(w_k\right)\]}{\∂w_k}=\underset{i=1}{\overset{m}{\Σ}}{(y_i\ln \[(x_i)\]+(1-y_i)\ln \[1-\mathrm{\π}(x_i)\])}^{\′}\\ =\underset{i=1}{\overset{m}{\Σ}}\left(\right(\frac{y_i}{\mathrm{\π}\left(x_i\right)}-\frac{1-y_i}{1-\mathrm{\π}\left(x_i\right)}\left){\left(\mathrm{\π}\left(x_i\right)\right)}^{\′}\right)\\ =\underset{i=1}{\overset{m}{\Σ}}\left(\right(y_i-\mathrm{\π}\left(x_i\right)\left)g^{\′}\right(x\left)\right)\\ =\underset{i=1}{\overset{m}{\Σ}}\left(x_{ik}\right(y_i-\mathrm{\π}\left(x_i\right)\left)\right)=0\end{array}---\left(13\right)$

解這n+1個(gè)方程組；解方程得到w₀,w₁,...,w_n這n+1個(gè)參數(shù)后logistic分類器構(gòu)建完畢；

(2)獲取運(yùn)動(dòng)想象模式分類結(jié)果，并將結(jié)果通過人機(jī)界面展示給用戶

將待識(shí)別的融合特征輸入到已構(gòu)建完畢的logistic分類器中，得到運(yùn)動(dòng)想象分類結(jié)果；制作與運(yùn)動(dòng)想象相匹配的圖像、聲音、文字，再將運(yùn)動(dòng)想象分類結(jié)果與已制作的文字、聲音、圖像進(jìn)行綁定，從而實(shí)現(xiàn)運(yùn)動(dòng)想象分類結(jié)果轉(zhuǎn)換為文字、聲音、圖像通過友好的人機(jī)界面展示給用戶。