一种运动想象脑电信号的特征提取方法技术

本发明专利技术公开了一种运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL‑MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明专利技术极大地降低了算法的时间消耗，有助于提高MI‑EEG信号的分类准确率。

【技术实现步骤摘要】
一种运动想象脑电信号的特征提取方法
本专利技术属于脑电信号处理方法，具体应用于脑-机接口(Brain-ComputerInterface,BCI)系统中对运动想象脑电信号的特征提取，对地标点最大方差展开(LandmarkMaximumVarianceUnfolding,L-MVU)进行改进，提出了一种增量式地标点最大展开方法(Incremental,L-MVU，IL-MVU)，并与双树复小波变换(DualTreeComplexWaveletTransform,DTCWT)相结合，实现对运动想象脑电信号的特征提取与融合。
技术介绍
运动想象脑电信号(MotorImageryElectroencephalography,MI-EEG)中包含大量的生理信息，并且与意识状态密切相关。因此，对MI-EEG的识别成为脑-机接口系统中的关键，而从运动想象脑电信号中获得特征的优劣将直接影响对其的识别精度。运动想象脑电信号是一种非线性、非平稳及时频特性比较明显的信号，如何充分利用这些特征是精确提取特征的关键。双树复小波变换由两个并行的离散小波变换(DiscreteWaveletTransform,DWT)构成，这两个小波变换分解产生的小波系数作为复小波系数的实部与虚部，构成实部树与虚部树。双树复小波变换实现了实部树与虚部树信息的互补，既能够实现从多个尺度上对信号进行分解，又具有完全重构性，并且可以有效消除频率混叠。但是仅仅提取运动想象脑电信号的时频特征并不能得到利于分类的完备的特征，流形学习(ManifoldLearning)的出现能够从非线性角度提取特征，同时解决了高维度特征不利于分类的缺点。流形学习能够从高维数据中恢复其内在的低维流形结构，在维度约简的同时最大化保留原始数据信息量完整，并且低维数据更利于可视化。L-MVU作为一种典型的流形学习方法，相比于其他流形学习方法比如等距映射(IsometricMapping,Isomap)和局部线性嵌入算法(LocallyLinearEmbedding,LLE)，能够在降维的同时保留距离与角度的信息，从而提取到更有利于分类的特征，已经在MI-EEG信号提取上得到了一些应用。然而，涉及到实际应用，而对于上述提到的L-MVU，也存在一些缺点。第一，L-MVU仅仅能对给定数据集进行维数约减，无法实时处理新来的数据，使得L-MVU对于样本外数据的泛化能力不足，不利于BCI系统的在线实现；第二，L-MVU提取的非线性特征无法体现MI-EEG的时频特性，对于时频特征提取的缺失会对最终的模式分类产生一定的影响。
技术实现思路
针对现有流形学习方法在运动想象脑电信号特征提取领域中应用存在的不足，本专利技术提出了一种基于双树复小波变换与增量式地标点最大方差展开的运动想象脑电信号特征提取的方法。利用此方法首先在重构特定频段脑电信号上避免了引入不期望的频段；其次，保证了对运动想象脑电信号特征提取的紧致性与完备性，提高了分类准确率；最后，提出L-MVU的增量式版本IL-MVU应用于MI-EEG的特征提取，使得对于样本外数据的泛化能力大大增强，并且在测试时间上也相应的缩短，更有利于本方法在实际应用中的在线实现。本方法的技术路线如下：首先，根据平均能量谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对原始运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号的平均能量，将其作为运动想象脑电信号的时频特征；同时，利用IL-MVU算法对重构后的脑电信号进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，接着通过对时频特征与非线性特征进行标准化处理，得到运动想象脑电信号的特征向量，最后将特征向量输入LDA分类器进行分类，并通过遍历的方式得到IL-MVU算法的最优参数。脑电信号特征提取的生理学依据是：当大脑皮质某区域被激活时，该区域的代谢和血流增加，导致脑电波α节律(8～13Hz成分)和β节律(14～30Hz成分)幅度的降低，称为事件相关去同步(Event-RelatedDesynchronization,ERD)；在大脑静息或惰性状态下，α节律和β节律表现出幅度明显增高，被称为事件相关同步化(Event-RelatedSynchronization,ERS)。因此，人在想象单侧手运动时，其对侧相应初级感觉运动皮层的脑电α节律和β节律幅值会降低；而同侧对应节律的EEG幅值会升高。这为后续EEG信号提取时频特征特定子频带的确定，提供了理论基础。脑电信号的这种事件相关去同步与事件相关同步化现象成为分析和判断左右手运动想象脑电信号的最根本依据。基于上述分析，本方法具体按照如下步骤实现：步骤1，信号预处理。根据MI-EEG信号产生的特点，MI-EEG的α节律和β节律中包含了特征较为明显的信息，并且C3和C4两通道的MI-EEG信号的事件相关同步/事件相关去同步现象最为明显，因此首先根据所有实验的C3和C4两导信号的平均能量谱分析确定脑电特征的有效时间范围，ch导联平均能量由下式计算：其中，N代表运动想象任务次数，dach(u，v)代表MI-EEG信号第u次运动想像任务ch导联的第v个采样点的信号幅值，ch表示导联名称，ch＝{c3，c4}。依此得到想象左右手运动的平均能量谱，根据平均能量谱选取ERS/ERD现象最为明显的时间段OT[min，max]；步骤2，对原始脑电信号进行L层双树复小波分解并对各子带的小波系数进行重构。双树复小波变换由两次离散小波变换构成，两次离散小波变换分别构成实部树与虚部树，信号S(t)经双树复小波分解后得到两组小波系数与尺度系数，分别记为和j＝1,2,…,L，由此得到双树复小波分解后各层复小波系数与复尺度系数表示如下：其中，i为虚数单位。假设由重构得到j尺度下的细节分量Dtj，由重构得到近似分量AL，则对于信号Sch(t)的L层双树复小波分解可以表示为：从而，将信号Sch(t)划分为多个子带信号。设信号Sch(t)的采样频率为fs，则各分量分别所对应的频带范围依次为：[0，fs/2L+1]，[fs/2L+1，fs/2L]，[fs/2L，fs/2L-1]，…，[fs/22，fs/2]。步骤3，时频特征提取。对步骤2中重构好的子带信号AL，DtL，DtL-1…Dt1进行截取，将其最优时间段OT内的数据分别记为设置长为2s的滑动时间窗，计算的能量如下：针对C3和C4导联信号，选取频带范围与α节律和β节律相近的两个分量，分别记为并对其进行能量归一化：每次滑动一个采样点，计算滑动时间窗内两个子带信号的归一化能量获得相应能量序列和其长度为(max-min-2fs+2)。进而，计算每个能量序列的均值最后，由下式计算C3与C4导联在α节律和β节律的平均能量差AEα,AEβ：因此，对于每次运动想象任务，可以得到一个二维时频能量特征，记为F1，表示如下：F1＝[AEαAEβ]T∈R2×1(9)步骤4，非线性特征提取。计算的平均功率谱，ry＝{α，β}，选取ERS/ERD现象最为明显的节律，得到(ry＝α或ry＝β)，以作为IL-MVU的输入。步骤4.1，假设表示第u次运动想像任务的第v个采样点，为了得到更明显的初始特征，定义dS(u，v)如下式：从本文档来自技高网...

【技术保护点】
1.一种运动想象脑电信号的特征提取方法，其特征在于：首先，根据平均能量谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对原始运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号的平均能量，将其作为运动想象脑电信号的时频特征；同时，利用IL‑MVU算法对重构后的脑电信号进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，接着通过对时频特征与非线性特征进行标准化处理，得到运动想象脑电信号的特征向量，最后将特征向量输入LDA分类器进行分类，并通过遍历的方式得到IL‑MVU算法的最优参数；脑电信号特征提取的生理学依据是：当大脑皮质某区域被激活时，该区域的代谢和血流增加，导致脑电波α节律即8～13Hz成分和β节律即14～30Hz成分幅度的降低，称为事件相关去同步即ERD；在大脑静息或惰性状态下，α节律和β节律表现出幅度明显增高，被称为事件相关同步化即ERS；因此，人在想象单侧手运动时，其对侧相应初级感觉运动皮层的脑电α节律和β节律幅值会降低；而同侧对应节律的EEG幅值会升高；这为后续EEG信号提取时频特征特定子频带的确定，提供了理论基础；脑电信号的这种事件相关去同步与事件相关同步化现象成为分析和判断左右手运动想象脑电信号的最根本依据。...

【技术特征摘要】
1.一种运动想象脑电信号的特征提取方法，其特征在于：首先，根据平均能量谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对原始运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号的平均能量，将其作为运动想象脑电信号的时频特征；同时，利用IL-MVU算法对重构后的脑电信号进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，接着通过对时频特征与非线性特征进行标准化处理，得到运动想象脑电信号的特征向量，最后将特征向量输入LDA分类器进行分类，并通过遍历的方式得到IL-MVU算法的最优参数；脑电信号特征提取的生理学依据是：当大脑皮质某区域被激活时，该区域的代谢和血流增加，导致脑电波α节律即8～13Hz成分和β节律即14～30Hz成分幅度的降低，称为事件相关去同步即ERD；在大脑静息或惰性状态下，α节律和β节律表现出幅度明显增高，被称为事件相关同步化即ERS；因此，人在想象单侧手运动时，其对侧相应初级感觉运动皮层的脑电α节律和β节律幅值会降低；而同侧对应节律的EEG幅值会升高；这为后续EEG信号提取时频特征特定子频带的确定，提供了理论基础；脑电信号的这种事件相关去同步与事件相关同步化现象成为分析和判断左右手运动想象脑电信号的最根本依据。2.根据权利要求1所述的基于DTCWT和IncrementalL-MVU的运动想象脑电信号的特征提取方法，其特征在于：步骤1，信号预处理；根据MI-EEG信号产生的特点，MI-EEG的α节律和β节律中包含了特征较为明显的信息，并且C3和C4两通道的MI-EEG信号的事件相关同步/事件相关去同步现象最为明显，因此首先根据所有实验的C3和C4两导信号的平均能量谱分析确定脑电特征的有效时间范围，ch导联平均能量由下式计算：其中，N代表运动想象任务次数，dach(u，v)代表MI-EEG信号第u次运动想像任务ch导联的第v个采样点的信号幅值，ch表示导联名称，ch＝{c3c4}；依此得到想象左右手运动的平均能量谱，根据平均能量谱选取ERS/ERD现象最为明显的时间段OT[min，max]；步骤2，对原始脑电信号进行L层双树复小波分解并对各子带的小波系数进行重构；双树复小波变换由两次离散小波变换构成，两次离散小波变换分别构成实部树与虚部树，信号S(t)经双树复小波分解后得到两组小波系数与尺度系数，分别记为和j＝1,2,…,L，由此得到双树复小波分解后各层复小波系数与复尺度系数表示如下：其中，i为虚数单位；假设由重构得到j尺度下的细节分量Dtj，由重构得到近似分量AL，则对于信号Sch(t)的L层双树复小波分解可以表示为：从而，将信号Sch(t)划分为多个子带信号；设信号Sch(t)的采样频率为fs，则各分量分别所对应的频带范围依次为：[0，fs/2L+1]，[fs/2L+1，fs/2L]，[fs...

【专利技术属性】
技术研发人员：李明爱，郗宏伟，杨金福，孙炎珺，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11