残障人士运动状态下脑电信号的高鲁棒解析方法技术

本发明专利技术提出了一种残障人士运动状态下脑电信号的高鲁棒解析方法，包括获取运动状态下的脑电样本信号和待认知信号，并建立具有变化运动特征的信号集；对EEG信号进行基于自适应CQT的脑电信号timbre分析；使用基于HHT的多尺度时频分析算法对脑电信号的谐波成分和精细结构进行分析，提取脑电信号时‑频‑空域特征：基于分层递阶的可视化特征融合与降维算法对上述高维的特征进行降维处理。样本数据和待认知的数据通过以上步骤可构造出时域‑频域‑空域相配合的认知信号图谱，进而分类识别出残障人士的脑电波数据所对应的含义。本发明专利技术突破在安静条件下研究脑认知活动的传统做法，摒弃必须分离干扰信号与目标信号的传统思想，满足实用化产业需求。

Robust analysis method of EEG signals for disabled people in motion

The invention provides a robust parsing method for the disabled state of motion of the EEG signals, including obtaining EEG signal samples under the state of motion and cognitive signals, and a signal with changes of motion feature set; analysis of adaptive CQT EEG signal based on timbre EEG; using multi scale HHT based on the time-frequency analysis method of harmonic components of EEG signal and fine structure analysis, extraction of EEG signal frequency spatial feature: visual feature fusion and hierarchical dimensionality reduction algorithm to the high dimensional feature dimension based on. The cognitive map signal sample data and to cognitive data through the above steps can be constructed in time domain frequency domain spatial matching, and then identify the corresponding classification of EEG data of the meaning of the disabled. The invention breaks through the traditional practice of studying brain cognitive activities under quiet conditions, and abandons the traditional thought of separating interference signals and target signals so as to meet the needs of practical industries.

【技术实现步骤摘要】
残障人士运动状态下脑电信号的高鲁棒解析方法
本专利技术涉及人机交互
，尤其涉及一种残障人士运动状态下脑电信号的高鲁棒解析方法。
技术介绍
脑机接口(brain-computerinterface，BCI)是大脑与外部设备间建立的直接连接通路。利用大脑中的各种信号实现人脑与计算机或其他电子设备的通讯和控制，是一种全新的人机接口方式。当前获取脑信号的方式主要有脑电图EEG、功能磁共振成像fMRI和脑磁图MEG等多种形式。EEG信号具有时间分辨率高和可以无创获取等特点，使得利用大脑无时无刻不在产生的脑电波信号来解读大脑工作状态和思维活动成为当前BCI研究的热门和主流方向。BCI设备还可以帮助残障人士。例如，美国研制了由肌肉电信号和脑电信号联合控制的义肢。在2012年11月，美国男子扎克·沃特利用脑控义肢，成功攀登了103层的芝加哥威利斯大厦，在这个过程中，沃特只要想着触动电机和链条，使假肢的脚踝和膝盖的动作保持一致，这个仿生假肢就会对腿筋部位的肌肉产生电脉冲，实现行走的功能。目前BCI技术发展总体上还是处于初级的研究阶段，BCI系统的实用场景仍然处于实验室的理想条件下，距离真正实际应用还有相当长的路要走。首先，当前的脑电波解析技术还不够完善，把情绪与认知状态作为固定模式看待，缺少动态、系统的研究视点，还有待进一步研究发展。其次，国内外脑认知研究中都要求使用者静止不动并尽可能地屏蔽掉各种干扰信号，而在实际应用情况下这些要求都是不能满足的。第三，探索在工作人员运动的状态下检测和解读脑电信号，目前的国内外研究都没有涉及这一点。第四，脑认知从来就是一个复杂的动态过程，需要时序建模技术来分析处理，这也是目前的国内外研究没有深入的领域。此外，目前研究中大多数都只是分析单一动作所引起的脑电波变化特征，通常还会要求实验人员要处于心情平和的状态，从而排除情绪带来影响，这样通常不适用于实际应用的复杂环境和状态。所以要想将BCI研究进一步深入和实用化，就必须要攻克运动状态下情绪和脑认知状态的高鲁棒解析的问题。
技术实现思路
本专利技术的目的在于克服突破在安静条件下研究脑认知活动的传统做法，针对运动协变脑电波，提出了一种残障人士运动状态下脑电信号的高鲁棒解析方法。为达上述目的，本专利技术通过以下技术方案实现：一种残障人士运动状态下脑电信号的高鲁棒解析方法，包括：获取运动状态下的脑电样本信号，建立具有变化运动特征的信号集；获取残障人士运动状态下的待认知脑电信号；以及对EEG信号进行基于自适应CQT的脑电信号timbre分析，包括：首先，对脑电图EEG信号进行预处理，去除噪声与伪迹干扰；其次，根据脑电信号timbre的谐波规律，进行自适应差异的提取，自适应地找到各频带中心位置；最后，根据各频带中心位置，计算CQT频谱，提取各频带频谱特征参数构造特异性timbre；其中，将传统CQT公式修改为：其中相邻谱线的间隔Bk由Bk＝fk+1-fk计算得到，各频带采样带宽Nk由Nk＝fs/Bk计算得到；使用基于希尔伯特-黄变换HHT的多尺度时频分析算法对脑电信号的谐波成分和精细结构进行分析，提取脑电信号时-频-空域特征：所述多尺度时频分析算法首先对脑电信号进行经验模态分解EMD分解，得到若干本征模态函数IMF，对这些IMF进行希尔伯特谱分析HSA，计算各IMF对应的瞬时频率，然后进行空间电极的选择，最后提取0-30Hz频段的IMF分量，基于这些IMF分量重建原信号；基于分层递阶的可视化特征融合与降维算法对上述步骤获得的高维的特征进行降维处理：首先，对高维数据进行特征排序，并进行分层处理，之后对各层数据进行可视化特征融合，得到能够反映此层数据特性的特征，并将各层提取的特征组合在一起作为下一级处理的输入，重复上述过程，得到能够表示高维数据的低维特征。进一步地，自适应差异的提取具体为：使用各频带能量最大值的频率位置来表示个体间的差异，计算方法如下：1)样本选取：从信号中随机取出一维，并取出长为L的一段来计算功率谱和频率序列；2)插值计算：使用样条插值法在频率序列基础上提高频率分辨率；3)频带能量提取：将原始EEG信号划分为Delta(0.5-4Hz)，Theta(4-8Hz)，Alpha(8-13Hz)，Beta(13-20Hz)，以及Gamma(30-50Hz)五个频带，分别计算这五个频带能量值；4)差异计算：求出各段频率能量最大值时频率的位置。进一步地，空间电极选择为：针对特定被试者，首先选定一个最优准则J，计算所有电极的最优准则J，并且选择J最大的那个电极作为初始电极；任取一个其它的电极与初始电极组合在一起并且计算准则J，如果结果小于初始电极的J，则丢弃这个电极数据；如果大于初始电极的J，则取这个新的电极组合为初始电极；继续上一步，直到取完所有电极，此时得到的初始电极即为针对该被试者的最优的采集电极组合。进一步地，设原始特征Feature为(x1,x2,…,xi,…,xn)，xi表示第i维特征，n为特征维数，基于分层递阶的可视化特征融合与降维算法流程如下：输入：原始特征Feature(x1,x2,…,xi,…,xn)输出：特征融合降维后特征Re_fea(1)F-score值计算：对每维特征xi计算其F-Score值Fi；(2)特征排序：对所有特征(x1,x2,…,xi,…,xn)按F-Score值的大小降序排列，得到排列后的特征(x1',x'2,…,xi',…,x'n)及F-Score值排列(F1',F2',…,Fi',…,Fn')，其中F′1≥F′2≥…≥F′i≥…≥F′n；(3)分层：对所有特征的F-Score值求平均，得到F_Mean，求得第一个小于F_Mean的点F_first，即F1'≥F2'≥…≥F'F_first-1≥F_Mean，F_Mean＜F'F_first，则将(x1',x'2,…,x'F_first-1)作为第一层，计算F_first至n的F-Score的平均值F_Mean2，同理求得第一个小于F_mean2的点F_second，将(x'F_first,x'2,…,x'F_second-1)作为第二层，(x'F_second,x'F_second+1,…,x'n)作为第三层；(4)可视化特征融合：对第一层数据构成雷达图，m＝2求取雷达图的三角形的重心特征，以完成可视化特征融合，对第二层数据构成雷达图，m＝3求取雷达图的四边形的重心特征，以完成可视化特征融合，对第二层数据构成雷达图，m＝4求取雷达图的四边形的重心特征，以完成可视化特征融合，将三层特征融合后的特征组合构造出初始特征融合集S’；(5)对初始特征融合集S’，重复(1)，(2)，(3)步，得到降维后特征Re_fea。本专利技术的有益效果是：本专利技术提出了一种残障人士运动状态下脑电信号的高鲁棒解析方法，包括获取运动状态下的脑电样本信号，建立具有变化运动特征的信号集；获取残障人士运动状态下的待认知脑电信号；以及对EEG信号进行基于自适应CQT的脑电信号timbre分析，使用基于希尔伯特-黄变换HHT的多尺度时频分析算法对脑电信号的谐波成分和精细结构进行分析，提取脑电信号时-频-空域特征：基于分层递阶的可视化特征融合与降维算法对上述高维的特征进行降维处理。运动协变脑电波样本本文档来自技高网...

【技术保护点】
一种残障人士运动状态下脑电信号的高鲁棒解析方法，其特征在于：所述方法包括：获取运动状态下的脑电样本信号，建立具有变化运动特征的信号集；获取残障人士运动状态下的待认知脑电信号；以及对EEG信号进行基于自适应CQT的脑电信号timbre分析，包括：首先，对脑电图EEG信号进行预处理，去除噪声与伪迹干扰；其次，根据脑电信号timbre的谐波规律，进行自适应差异的提取，自适应地找到各频带中心位置；最后，根据各频带中心位置，计算CQT频谱，提取各频带频谱特征参数构造特异性timbre；其中，将传统CQT公式修改为：

【技术特征摘要】
1.一种残障人士运动状态下脑电信号的高鲁棒解析方法，其特征在于：所述方法包括：获取运动状态下的脑电样本信号，建立具有变化运动特征的信号集；获取残障人士运动状态下的待认知脑电信号；以及对EEG信号进行基于自适应CQT的脑电信号timbre分析，包括：首先，对脑电图EEG信号进行预处理，去除噪声与伪迹干扰；其次，根据脑电信号timbre的谐波规律，进行自适应差异的提取，自适应地找到各频带中心位置；最后，根据各频带中心位置，计算CQT频谱，提取各频带频谱特征参数构造特异性timbre；其中，将传统CQT公式修改为：相邻谱线的间隔Bk由Bk＝fk+1-fk计算得到，各频带采样带宽Nk由Nk＝fs/Bk计算得到；使用基于希尔伯特-黄变换HHT的多尺度时频分析算法对脑电信号的谐波成分和精细结构进行分析，提取脑电信号时-频-空域特征：所述多尺度时频分析算法首先对脑电信号进行经验模态分解EMD分解，得到若干本征模态函数IMF，对这些IMF进行希尔伯特谱分析HSA，计算各IMF对应的瞬时频率，然后进行空间电极的选择，最后提取0-30Hz频段的IMF分量，基于这些IMF分量重建原信号；基于分层递阶的可视化特征融合与降维算法对上述步骤获得的高维的特征进行降维处理：首先，对高维数据进行特征排序，并进行分层处理，之后对各层数据进行可视化特征融合，得到能够反映此层数据特性的特征，并将各层提取的特征组合在一起作为下一级处理的输入，重复上述过程，得到能够表示高维数据的低维特征。2.根据权利要求1所述的方法，其特征在于：自适应差异的提取具体为：使用各频带能量最大值的频率位置来表示个体间的差异，计算方法如下：1)样本选取：从信号中随机取出一维，并取出长为L的一段来计算功率谱和频率序列；2)插值计算：使用样条插值法在频率序列基础上提高频率分辨率；3)频带能量提取：将原始EEG信号划分为Delta(0.5-4Hz)，Theta(4-8Hz)，Alpha(8-13Hz)，Beta(13-20Hz)，以及Gamma(30-50Hz)五个频带，分别计算这五个频带能量值；4)差异计算：求出各段频率能量最大值时频率的位置。3.根据权利要求...

【专利技术属性】
技术研发人员：聂哲，李群先，陈冀东，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：广东,44