基于因果特征的人体上肢运动神经行为辨识模型构建方法

1.本发明涉及运动神经行为辨识，特别涉及基于因果特征的人体上肢运动神经行为辨识模型构建方法。


背景技术：

2.脑肌生理网络关注大脑和神经肌肉系统之间复杂过程的功能和调节，并通过解释大脑行为架构和网络操作原理，如已提出的脑网络技术(如功能连接、因果建模和多变量建模)为混合脑计算机接口(hbci)服务。因果关系分析是基于分布式大脑反应的因果关系和效应关系的推论而建立的有效连通性的工具，识别大脑网络因果关系的最普遍理论是格兰杰因果关系，它依赖于时间序列的时间依赖性，并要求确定因果关系的时间可分离性。
3.但是，目前而言，基于因果特征的人体上肢运动神经行为辨识的还存在着诸多不足，导致上肢运动神经行为的识别存在着诸多困难。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于因果特征的人体上肢运动神经行为辨识模型构建方法，能够得到有效的人体上肢运动神经行为辨识模型，为人体上肢运动神经的辨识提供了有利条件。
5.本发明的目的是通过以下技术方案来实现的：基于因果特征的人体上肢运动神经行为辨识模型构建方法，包括以下步骤：
6.s1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合γn；
7.s2.从原始样本集合γn中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集和
8.s3.从原始样本集合γn中获得脑肌静息态样本集
9.s4.分别将脑肌任务态样本集脑肌任务态样本集和脑肌静息态样本集的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；
10.s5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；
11.s6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；
12.s7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。
13.本发明的有益效果是：本发明能够得到有效的人体上肢运动神经行为辨识模型，为人体上肢运动神经的辨识提供了有利条件；并且在构建模型的过程中，基于主要脑通道筛选进行训练样本的获取，在保证模型准确性的同时，降低了模型构建的复杂度。
附图说明
14.图1为本发明的方法流程图。
具体实施方式
15.下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
16.如图1所示，基于因果特征的人体上肢运动神经行为辨识模型构建方法，包括以下步骤：
17.s1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合γn；
18.s2.从原始样本集合γn中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集和
19.s3.从原始样本集合γn中获得脑肌静息态样本集
20.s4.分别将脑肌任务态样本集脑肌任务态样本集和脑肌静息态样本集的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；
21.s5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；
22.s6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；
23.s7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。
24.在本技术的实施例中，构建分类器模型采用的算法包括但不限于贝叶斯、支持向量、knn、随机森林、rnn和cnn算法中的一种。
25.进一步地，所述步骤s1包括：
26.s101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下，对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集，对采集到的信号进行滤波去噪后，得到脑肌电多通道信号；
27.s102.对于脑肌电多通道信号，针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号，以每个屈肘运动开始和结束为起点与终点，进行数据裁剪；针对每一个通道中静止态对应的信号，取相较于任务态近似数据长度进行裁剪；其中相较于任务态近似数据长度是指：与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10％；
28.裁剪完成后得到原始样本集合γn：
[0029][0030]
其中n表示脑肌电多通道信号的总通道数量，n表示脑电时间序列信号的总通道数量，n＝n-2，r表示右臂肱二头肌电通道，l表示左臂肱二头肌电通道；
[0031]
在通道m对应的数据中，
[0032]
表示针对通道m中左上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含i个样本；
[0033]
表示针对通道m中右上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含j个样本；
[0034]
表示对通道m静止态对应的信号，进行裁剪得到的数据，包含k个样本；
[0035]
其中m的取值范围为{1,2,...n}∪{r,l}。
[0036]
进一步地，所述步骤s2中得到的左、右上肢屈肘运动两个任务态下的脑肌任务态样本集为和
[0037][0038]
[0039]
进一步地，所述步骤s3中，得到的脑肌静息态样本集为：
[0040][0041]
进一步地，所述步骤s2中样本集中每个样本的时间序列信号形式为：
[0042]
{x1,x2,
…
,x
t1
}
[0043]
其中t1为样本集中每个样本的时间序列信号长度；
[0044]
所述步骤s2中样本集中每个样本的时间序列信号形式为：
[0045]
{y1,y2,
…
,y
t2
}
[0046]
其中t2为样本集中每个样本的时间序列信号长度；
[0047]
所述步骤s3中样本集中每个样本的时间序列信号形式为：
[0048]
{z1,z2,
…
,z
t3
}
[0049]
其中t3为样本集中每个样本的时间序列信号长度。
[0050]
进一步地，所述步骤s4包括：
[0051]
s401.设中任意第i个样本组为xi、中任意第j个样本组为yj，中任意第k个样本组为zk，则：
[0052][0053][0054][0055]
其中，i＝1,2,...i，j＝1,2,...j，k＝1,2,...k；
[0056]
s402.对样本组xi进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组xi中任意两个信号之间的绝对因果强度，形成样本组xi的绝对因果强度矩阵；
[0057]
s403.在i＝1,2,...i时，重复执行步骤s402，得到i个绝对因果强度矩阵；
[0058]
s404.对样本组yj进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组yj中任意两个信号之间的绝对因果强度，形成样本组yj的绝对因果强度矩阵；
[0059]
s405.在j＝1,2,...j时，重复执行步骤s404，得到j个绝对因果强度矩阵；
[0060]
s406.对样本组zk进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组zk中任意两个信号之间的绝对因果强度，形成样本组zk的绝对因果强度矩阵；
[0061]
s407.在k＝1,2,...k时，重复执行步骤s406，得到k个绝对因果强度矩阵；
[0062]
其中，步骤s402中样本组xi的绝对因果强度矩阵、步骤s404样本组yj的绝对因果强度矩阵、步骤s406中样本组zk的绝对因果强度矩阵具有相同的矩阵形式，用如下的上三角矩阵表示：
[0063][0064]
在表示样本组xi的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；
[0065]
在表示样本组yj的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；
[0066]
在表示样本组zk的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；
[0067]
其中p、q的取值范围均为{1,2,...n}∪{r,l}。
[0068]
进一步地，所述步骤s5包括：
[0069]
s501.分别从样本组xi、样本组yj和样本组zk的绝对因果强度矩阵中，取出第n+1列和第n+2前n行的元素，并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构，得到数序向量v
xi
、v
yj
和v
zk
；
[0070]
其中，vi表示从样本组xi绝对因果强度矩阵取出元素重构的数序向量，vj表示从样本组yj绝对因果强度矩阵取出元素重构的数序向量；vk表示从样本组zk绝对因果强度矩阵取出元素重构的数序向量；
[0071]
数序向量v
xi
、v
yj
和v
zk
具有相同的向量形式，具体如下：
[0072]
{m
1r
,m
2r
,
…
,m
nr
,m
1l
,m
2l
,
…
,m
nl
}；
[0073]
s502.在i＝1,2,...i按照步骤s501获取对应的v
xi
，得到向量组v
x
：
[0074]vx
＝{v
xi|i＝1,2,
…
,i
}
[0075]
在j＝1,2,...j按照步骤s501获取对应的v
yj
，得到向量组vy：
[0076]vy
＝{v
yj|j＝1,2,
…
,j
}
[0077]
在k＝1,2,...k按照步骤s501获取对应的v
zk
，得到向量组vz：
[0078]vz
＝{v
zk|k＝1,2,
…
,k
}
[0079]
s503.对v
x
中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，
[0080][0081]
对vy中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，
[0082][0083]
对vz中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，
[0084][0085]
s504.设手臂不产生运动行为为零假设，对和两组进行单因素方差分析，得到第个脑电通道的一个p值，记为
[0086]
对和
[0087]
两组进行单因素方差分析，得到第个脑电通道的另一个p值，记为
[0088]
若均小于0.01，则第个脑电通道具备显著性差异，将该脑电通道标定为主要脑电通道；
[0089]
s505.在时，重复执行步骤s503～s504，得到所有的主要脑电通道。
[0090]
进一步地，所述步骤s6包括：
[0091]
s601.假设主要脑电通道的数量为任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-左臂因果信号任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-右臂因果信号
[0092][0093][0094]
s602.对于脑-左臂因果信号的第w列进行基于噪声辅助多元经验模式因果分解算法的分解，并计算中任意两个信号之间的绝对因果强度，形成的绝对因果强度矩阵；
[0095]
s603.在w＝1,2,...i时，重复步骤s602，得到i个因果强度矩阵作为特征矩阵，并对这i个因果强度矩阵添加标签“0”，标签“0”表示左上肢屈肘运动；
[0096]
s604.对于脑-右臂因果信号的第u列进行基于噪声辅助多元经验模式因果分解算法的分解，并计算中任意两个信号之间的
绝对因果强度，形成的绝对因果强度矩阵；
[0097]
s605.在u＝1,2,...j时，重复步骤s602，得到j个因果强度矩阵作为特征矩阵，并对这j个因果强度矩阵添加标签“1”，标签“1”表示右上肢屈肘运动；
[0098]
s606.将步骤s603和s605所有特征矩阵与对应的标签作为训练样本，加入同一个集合中，形成训练样本集。
[0099]
在本技术的实施例中，对多个信号(如样本组xi中的信号、样本组yj中的信号、样本组zk中的信号、脑-左臂因果信号第w列的信号或脑-右臂因果信号第u列的信号，均按照如下过程进行处理)进行基于噪声辅助多元经验模式因果分解算法(na-memd causal decomposition)的分解，并计算任意两个信号之间的绝对因果强度的过程如下：
[0100]
第一步，设待分析的多个信号为：
[0101]
u1＝{u
1,1
,u
1,2
,...,u
1,t
}
[0102]
u2＝{u
2,1
,u
2,2
,...,u
2,t
}
[0103]
......
[0104]
um＝{u
m,1
,u
m,2
,...,u
m,t
}
[0105]
利用na-memd算法对待分析的信号u1,u2,...,um进行分解：
[0106][0107][0108]
......
[0109][0110][0111][0112]
......
[0113][0114]
其中，表示利用na-memd算法对信号进行分解，na-memd算法是指基于噪声辅助的多元经验模式分解算法，m表示输入的信号数目，并且满足m≥2，t∈n
+
，n
+
表示正整数；表示na-memd算法选择的辅助噪声，互不相关且均为随机高斯噪声，为选择的辅助噪声数目，n表示每个输入的信号分解后得到的imf信号个数；
[0115]
第二步、对于任意两个信号ui,uj，进行因果分析，i＝1,2,...m,j＝1,2...,m，分析过程如下：
[0116]
(1)将信号ui分解得到的信号{imf
i,1
,imf
i,2
,...,imf
i,n
}与信号uj分解得到的信号{imf
j,1
,imf
j,2
,...,imf
j,n
}进行配对，得到n个imf对：
[0117]
(imf
i,1
,imf
j,1
),(imf
i,2
,imf
j,2
),....,(imf
i,n
,imf
j,n
)；
[0118]
每个imf对中，两个imf信号的时间长度相等；
[0119]
(2)计算每一个imf对的平均瞬时相位差，并将计算得到的平均瞬时相位差与预设的阈值进行比较，筛选出平均瞬时相位差小于预设阈值的imf对，生成icc集：
[0120]
[0121]
其中，中k1的表示为{imf
i,1
,imf
i,2
,...,imf
i,n
}中的第k1个信号，中k1的表示为{imf
j,1
,imf
j,2
,...,imf
j,n
}中的第k1个信号；
[0122]
中k2的表示为{imf
i,1
,imf
i,2
,...,imf
i,n
}中的第k2个信号，中k2的表示为{imf
j,1
,imf
j,2
,...,imf
j,n
}中的第k2个信号；
[0123]
同理，中的表示为{imf
i,1
,imf
i,2
,...,imf
i,n
}中的第个信号，中的表示为{imf
j,1
,imf
j,2
,...,imf
j,n
}中的第个信号；
[0124]
表示icc集中的imf对个数；
[0125]
所述步骤(2)包括：
[0126]
(2.1)设定各个imf对的平均瞬时相位差阈值δ1,δ2,...δn；
[0127]
(2.2)计算第h个imf对(imf
i,h
,imf
j,h
)的平均瞬时相位差：
[0128]
设mean(φ
i,h
)表示imf
i,h
的平均瞬时相位，即imf
i,h
在时间长度内的瞬时相位平均值；mean(φ
j,h
)表示imf
j,h
的平均瞬时相位，即imf
j,h
时间长度内的瞬时相位平均值；
[0129]
则第h个imf对(imf
i,h
,imf
j,h
)的平均瞬时相位差为：
[0130]
|mean(φ
i,h
)-mean(φ
j,h
)|；
[0131]
将|mean(φ
i,h
)-mean(φ
j,h
)|与对应阈值δh进行比较，判断是否满足：
[0132]
|mean(φ
i,h
)-mean(φ
j,h
)|＜δh；
[0133]
如果满足，则将对应的(imf
i,h
,imf
j,h
)加入icc集中；
[0134]
若不满足，则抛弃(imf
i,h
,imf
j,h
)；
[0135]
(2.3)在h＝1,2,...n时，分别重复执行步骤(2.2)，最终得到icc集为：
[0136][0137]
(3)分别计算icc集中每一个imf对的相位相关性；
[0138][0139]
其中，t表示imf
i,k
和imf
j,k
的时间长度，φ
i,k
(t)表示imf
i,k
在时刻t的瞬时相位，φ
j,k
(t)表示imf
j,k
在时刻t的瞬时相位；
[0140]
(4)信号重分解：
[0141]
从icc集中各序号对应的imf对中，筛选出频率最大的imf对：由于na-memd算法分解出来的imf信号频率是由大到小排列的，故筛选出频率最大的imf对为
[0142]
利用原始信号uj减去得到u
′j，利用u
′j替换掉输入信号组u1,u2,...,um中uj，然后对替换后的输入信号组进行na-memd分解；
[0143]
分解后取出u
′j对应的分解信号{imf
′
j,1
,imf
′
j,2
,...,imf
′
j,n
}
[0144]
利用原始信号ui减去得到u
′i，利用u
′i替换掉输入信号组u1,u2,...,um中ui，然后对替换后的输入信号组进行na-memd分解；
[0145]
分解后取出u
′i对应的分解信号{imf
′
i,1
,imf
′
i,2
,...,imf
′
i,n
}；
[0146]
(5)计算ui对uj的因果以及uj对ui的因果
[0147][0148]
式中，是ui分解得到的第k个imf的方差，表示uj分解得到的第k个imf的方差；wk为中间变量；
[0149]
(6)计算ui与uj的绝对因果强度，绝对因果强度等于如下比值：
[0150][0151]
第三步、对于u1,u2,...,um中任意两个信号，重复执行第二步，直至得到u1,u2,...,um中各个信号两两之间的绝对因果强度，得到绝对因果强度矩阵,形式为：
[0152][0153]
其中u
bc
表示ub与uc之间的绝对因果强度矩阵，b、c的取值范围为：{1,2,...m}。
[0154]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：包括以下步骤：s1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合γ
n
；s2.从原始样本集合γ
n
中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集和s3.从原始样本集合γ
n
中获得脑肌静息态样本集s4.分别将脑肌任务态样本集脑肌任务态样本集和脑肌静息态样本集的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；s5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；s6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；s7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。2.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s1包括：s101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下，对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集，对采集到的信号进行滤波去噪后，得到脑肌电多通道信号；s102.对于脑肌电多通道信号，针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号，以每个屈肘运动开始和结束为起点与终点，进行数据裁剪；针对每一个通道中静止态对应的信号，取相较于任务态近似数据长度进行裁剪；其中相较于任务态近似数据长度是指：与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10％；裁剪完成后得到原始样本集合γ
n
：
其中n表示脑肌电多通道信号的总通道数量，n表示脑电时间序列信号的总通道数量，n＝n-2，r表示右臂肱二头肌电通道，l表示左臂肱二头肌电通道；在通道m对应的数据中，表示针对通道m中左上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含i个样本；表示针对通道m中右上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含j个样本；表示对通道m静止态对应的信号，进行裁剪得到的数据，包含k个样本；其中m的取值范围为{1,2,...n}∪{r,l}。3.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s2中得到的左、右上肢屈肘运动两个任务态下的脑肌任务态样本集为和和和。4.根据权利要求3所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s3中，得到的脑肌静息态样本集为：。5.根据权利要求4所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s2中样本集中每个样本的时间序列信号形式为：{x1,x2,
…
,x
t1
}其中t1为样本集中每个样本的时间序列信号长度；
所述步骤s2中样本集中每个样本的时间序列信号形式为：{y1,y2,
…
,y
t2
}其中t2为样本集中每个样本的时间序列信号长度；所述步骤s3中样本集中每个样本的时间序列信号形式为：{z1,z2,
…
,z
t3
}其中t3为样本集中每个样本的时间序列信号长度。6.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s4包括：s401.设中任意第i个样本组为x
i
、中任意第j个样本组为y
j
，中任意第k个样本组为z
k
，则：，则：，则：其中，i＝1,2,...i，j＝1,2,...j，k＝1,2,...k；s402.对样本组x
i
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组x
i
中任意两个信号之间的绝对因果强度，形成样本组x
i
的绝对因果强度矩阵；s403.在i＝1,2,...i时，重复执行步骤s402，得到i个绝对因果强度矩阵；s404.对样本组y
j
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组y
j
中任意两个信号之间的绝对因果强度，形成样本组y
j
的绝对因果强度矩阵；s405.在j＝1,2,...j时，重复执行步骤s404，得到j个绝对因果强度矩阵；s406.对样本组z
k
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组z
k
中任意两个信号之间的绝对因果强度，形成样本组z
k
的绝对因果强度矩阵；s407.在k＝1,2,...k时，重复执行步骤s406，得到k个绝对因果强度矩阵；其中，步骤s402中样本组x
i
的绝对因果强度矩阵、步骤s404样本组y
j
的绝对因果强度矩阵、步骤s406中样本组z
k
的绝对因果强度矩阵具有相同的矩阵形式，用如下的上三角矩阵表示：在表示样本组x
i
的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；在表示样本组y
j
的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；
在表示样本组z
k
的绝对因果强度矩阵时，m
pq
表示样本与之间的绝对因果强度；其中p、q的取值范围均为{1,2,...n}∪{r,l}。7.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s5包括：s501.分别从样本组x
i
、样本组y
j
和样本组z
k
的绝对因果强度矩阵中，取出第n+1列和第n+2前n行的元素，并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构，得到数序向量v
xi
、v
yj
和v
zk
；其中，v
i
表示从样本组x
i
绝对因果强度矩阵取出元素重构的数序向量，v
j
表示从样本组y
j
绝对因果强度矩阵取出元素重构的数序向量；v
k
表示从样本组z
k
绝对因果强度矩阵取出元素重构的数序向量；数序向量v
xi
、v
yj
和v
zk
具有相同的向量形式，具体如下：{m
1r
,m
2r
,
…
,m
nr
,m
1l
,m
2l
,
…
,m
nl
}；s502.在i＝1,2,...i按照步骤s501获取对应的v
xi
，得到向量组v
x
：v
x
＝{v
xi|i＝1,2,
…
,i
}在j＝1,2,...j按照步骤s501获取对应的v
yj
，得到向量组v
y
：v
y
＝{v
yj|j＝1,2,
…
,j
}在k＝1,2,...k按照步骤s501获取对应的v
zk
，得到向量组v
z
：v
z
＝{v
zk|k＝1,2,
…
,k
}s503.对v
x
中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，对v
y
中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，对v
z
中每个数序向量的第个元素和个元素进行提取，并将元素以下列数序形式进行重构，s504.设手臂不产生运动行为为零假设，对和两组进行单因素方差分析，得到第个脑电通道的一个p值，记为对和两组进行单因素方差分析，得到第个脑电通道的另一个p值，记为
若均小于0.01，则第个脑电通道具备显著性差异，将该脑电通道标定为主要脑电通道；s505.在时，重复执行步骤s503～s504，得到所有的主要脑电通道。8.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤s6包括：s601.假设主要脑电通道的数量为任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-左臂因果信号任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-右臂因果信号右臂因果信号右臂因果信号s602.对于脑-左臂因果信号的第w列进行基于噪声辅助多元经验模式因果分解算法的分解，并计算中任意两个信号之间的绝对因果强度，形成的绝对因果强度矩阵；s603.在w＝1,2,...i时，重复步骤s602，得到i个因果强度矩阵作为特征矩阵，并对这i个因果强度矩阵添加标签“0”，标签“0”表示左上肢屈肘运动；s604.对于脑-右臂因果信号的第u列进行基于噪声辅助多元经验模式因果分解算法的分解，并计算中任意两个信号之间的绝对因果强度，形成的绝对因果强度矩阵；s605.在u＝1,2,...j时，重复步骤s602，得到j个因果强度矩阵作为特征矩阵，并对这j个因果强度矩阵添加标签“1”，标签“1”表示右上肢屈肘运动；s606.将步骤s603和s605所有特征矩阵与对应的标签作为训练样本，加入同一个集合中，形成训练样本集。

技术总结
本发明公开了一种基于因果特征的人体上肢运动神经行为辨识模型构建方法,包括以下步骤：S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，进行滤波去噪和裁剪后得到原始样本集合Γ


技术研发人员：张羿 张力夫 王冠 李梓文 谢明君 斯蒂芬
受保护的技术使用者：电子科技大学
技术研发日：2021.11.30
技术公布日：2022/3/8