一种基于独立分量分析的脑机接口导联优化方法技术

本发明专利技术公开了一种基于独立分量分析的脑机接口导联优化方法。该方法包括以下步骤：构建基于单次试验样本设计的ICA‑MIBCI系统，用于从EEG训练集中选择高质量的单次试验数据，以保证后续ICA‑MIBCI系统设计的可靠行。在此基础上，采用一种新的EEG导联优化策略，以自动实现对不同BCI使用者的EEG导联优化。本发明专利技术应用于ICA‑MIBCI系统实现，不仅能快速准确地完成基于特定人的EEG导联选择，缓解低质量训练数据对MIBCI性能的影响。同时，能更好地发挥ICA空域滤波方法在真实EEG源获取和定位、模型迁移以及训练数据采集等方面的优势，进而可有效改善ICA‑MIBCI系统的稳定性和实用性。

【技术实现步骤摘要】
一种基于独立分量分析的脑机接口导联优化方法
本专利技术涉及脑机接口(BCI)
，尤其涉及一种基于独立分量分析的脑机接口导联优化方法。
技术介绍
脑机接口技术(Brain-ComputerInterface)可以为思维功能正常但是运动功能障碍的人群提供与外部设备直接交流的通道，而不依赖于脑的正常输出通道(外周神经与肌肉)。其中基于运动想象的脑机接口技术(MotorImageryBrain-ComputerInterface，MIBCI)得到了广泛的应用。根据神经电生理知识，当进行单边肢体运动或者运动想象时，将会使肢体对侧运动皮层区域脑电信号(Electroencephalogram，EEG)的μ节律(8～12Hz)和β(18～26Hz)节律的频谱震荡幅度减小，使得同侧脑运动皮层区域EEG信号的μ节律和β节律的频谱出现明显的波幅增大。这一现象称为事件相关去同步(ERD)和事件相关同步(ERS)。根据ERD/ERS现象对应的特征，MIBCI系统通过在头皮放置电极，采集受试者在运动想象时产生的脑电信号并对运动想象类型进行分类，生成控制命令，实现对外部设备的控制。近年来独立分量分析(ICA)和共同空间模式(CSP)等空域滤波方法在MIBCI领域受到了广泛的关注。ICA是伴随盲源分离问题发展起来的基于高阶统计特性的信号处理方法。图1为ICA基本生成模型。相比于CSP-MIBCI，ICA-MIBCI具有较好的模型迁移性、真实EEG源获取和定位、训练数据采集过程相对简单等优点。由于个体差异性，MIBCI系统首先要选择合适的导联数和导联安放位置。对于不同受试者，尽管各功能脑区的大致位置不会有太大出入，但是由于每个人的头型，脑解剖结构以及电极帽的不同，使得实际上对于每一个受试者还是会有适合他自己的最佳导联安放位置。值得一提的是，即使是同一位受试者，由于每次实验环境(电极的连接阻抗，运动想象投入程度，精神状态等)的改变，使得最优导联安放位置也会发生改变。其中，ICA-MIBCI对导联位置的选择尤为敏感。如果没有选择合适的导联，会对系统性能造成很大的影响。目前针对ICA-MIBCI系统的导联优化并没有引起科研工作者的广泛关注，而针对CSP-MIBCI的导联优化则相对比较多。这类方法通过剔除噪声导联和不相关导联来提高信噪比，以提高系统性能。但是实际采集到的脑电信号非常微弱，信噪比低且往往被多种伪迹或噪声干扰，如肌电，眼电，工频干扰等。CSP算法对这些干扰极其敏感，使得系统性能不稳定。除了CSP外，一些优化算法也被应于到MIBCI系统的导联优化，如遗传算法，二进制引力搜索算法等。但是这类算法计算复杂度很高，计算时间长，对处理器的计算性能要求很高。综上所述，目前针对ICA-MIBCI导联优化方法较少，而针对其他MIBCI系统的导联优化的方法存在算法不稳定，复杂度高，时间长等问题，需要改进。
技术实现思路
本专利技术要解决的技术问题是提供一种基于独立分量分析的脑机接口导联优化方法。为了解决上述技术问题，本专利技术采用的技术方案是，一种基于独立分量分析的脑机接口导联优化方法，包括以下步骤：一、对以下术语进行定义：单次试验：单次试验是为单次运动想象脑电信号数据采集所设计的实验时间范式，试验时长为10s，相邻单次试验的时间间隔为2-3s；单次试验样本：即单次试验采集的脑电信号数据x，其数据格式为n×T矩阵，n为EEG导联数，T为单次试验所采集的EEG数据样本长度；数据集：数据集为包括L个单次试验样本的脑电信号数据集；训练数据集和测试数据集：训练数据集为高质量训练数据选择阶段采用的数据集；测试数据集为最优导联组合选择阶段采用的数据集；初始导联组合和候选导联组合：初始导联组合为靠近大脑运动皮层的导联组合；初始导联组合采用的电极为初始电极，且某个初始电极的前后电极即分别为候选电极。由某初始电极的候选电极替代该初始电极而产生新的各电极互不相同的导联组合为候选导联组合。二、高质量训练数据选择阶段(1)基于所设计的单次试验，进行n＝26导联脑电信号采集工作，得到由L个单次试验样本构成的一组数据集作为训练数据集；并采用截止频率为8～30Hz的FIR带通滤波器对采集到的脑电信号进行带通滤波预处理；(2)选择一组初始导联组合；基于该初始导联组合，从含有L个单次试验样本的训练数据集xi，i＝1，…，L中选择一个单次试验样本xi设计ICA空域滤波器Wi，然后用Wi对同一训练数据集中所有L个单次试验样本进行空域滤波，得到L个输出{ui＝WiTxi，i＝1，…，L}，并从ui中提取三个运动相关独立分量ur，uf，ul，再对其进行特征提取和零训练分类；全部L个单次试验样本分类完毕，给出用单次试验样本xi设计的ICA-MIBCI系统识别率；所述零训练分类按公式(1)进行分类：在公式(1)中，ur，ul，uf分别对应于右手，左手和脚运动相关独立分量，min()求最小值，val()求方差，C＝1，2，3分别表示左手，右手和脚运动想象；(3)重复步骤(2)，直至训练数据集中的所有单次试验样本都进行ICA滤波器设计并且得到相应的ICA-MIBCI系统识别率；(4)依据识别率从高到低的选择原则，选择对应前10个具有最高ICA-MIBCI系统识别率的单次试验样本，并将其拼接为一长训练数据，该长训练数据为最优导联组合选择阶段用于ICA滤波器计算的高质量训练数据；三、最优导联组合选择阶段(5)基于所设计的单次试验，进行n＝26导联脑电信号采集工作，得到由L个单次试验样本构成的一组数据集作为测试数据集；并采用截止频率为8～30Hz的FIR带通滤波器对采集到的脑电信号进行带通滤波预处理；(6)基于高质量训练数据选择阶段中采用的初始导联组合，得到该初始导联组合的所有M个候选导联组合；(7)从所有候选导联组合中选择一个待分析的候选导联组合Chj，j＝1，…，M，利用步骤(4)得到的高质量训练数据设计ICA滤波器Wj，然后用Wj对测试数据集中所有L个单次实验样本进行空域滤波，得到L个输出ui，ui＝WjTxi，i＝1，…，L；(8)从ui中提取三个运动相关独立分量ur，uf，ul，再对其进行特征提取和按公式(1)进行零训练分类；全部L个单次样本分类完毕，给出用该候选导联组合Chj设计的ICA-MIBCI系统识别率；(9)重复步骤(7)～(8)，得到另一个候选导联组合的ICA-MIBCI系统识别率；(10)重复步骤(9)，直至得到所有的候选导联组合的ICA-MIBCI系统识别率；(11)选出其中ICA-MIBCI系统识别率最高的候选导联组合，即为最优导联组合。作为优选，训练数据集和测试数据集为同一数据集。作为优选，训练数据集和测试数据集为不同的数据集。作为优选，脑电信号的采集设备为40导联NeuroScan系统，采用国际10～20系统电极放置标准。作为优选，脑电信号的采样频率为250Hz。作为优选，26导联具体分布为Fp1，Fp2，F3，Fz，F4，FT7，Fc3，Fcz，Fc4，FT8，T3，C3，Cz，C4，T4，TP7，Cp3，Cpz，Cp4，TP8，P3，Pz，P4，O1，Oz，O2。作为优选，初始导联组合分别为8个或9个导联组成的导联组合。作为优选，8个导联组成的导联组合具体分布为本文档来自技高网...

【技术保护点】
1.一种基于独立分量分析的脑机接口导联优化方法，包括以下步骤：一、对以下术语进行定义：单次试验：所述单次试验是为单次运动想象脑电信号数据采集所设计的实验时间范式，试验时长为10s，相邻单次试验的时间间隔为2‑3s；单次试验样本：即单次试验采集的脑电信号数据x，其数据格式为n×T矩阵，n为EEG导联数，T为单次试验所采集的EEG数据样本长度；数据集：所述数据集为包括L个单次试验样本的脑电信号数据集；训练数据集和测试数据集：所述训练数据集为高质量训练数据选择阶段采用的数据集；所述测试数据集为最优导联组合选择阶段采用的数据集；初始导联组合和候选导联组合：所述初始导联组合为靠近大脑运动皮层的导联组合；所述初始导联组合采用的电极为初始电极，且某个初始电极的前后电极即分别为候选电极；由某初始电极的候选电极替代该初始电极而产生新的各电极互不相同的导联组合为候选导联组合；二、高质量训练数据选择阶段(1)基于所设计的单次试验，进行n＝26导联脑电信号采集工作，得到由L个单次试验样本构成的一组数据集作为训练数据集；并采用截止频率为8～30Hz的FIR带通滤波器对采集到的脑电信号进行带通滤波预处理；(2)选择一组初始导联组合；基于该初始导联组合，从含有L个单次试验样本的训练数据集xi，i＝1，…，L中选择一个单次试验样本xi设计ICA空域滤波器Wi，然后用Wi对同一训练数据集中所有L个单次试验样本进行空域滤波，得到L个输出{ui＝WiTxi，i＝1，…，L}，并从ui中提取三个运动相关独立分量ur，uf，ul，再对其进行特征提取和零训练分类；全部L个单次试验样本分类完毕，给出用单次试验样本xi设计的ICA‑MIBCI系统识别率；所述零训练分类按公式(1)进行分类：...

【技术特征摘要】
1.一种基于独立分量分析的脑机接口导联优化方法，包括以下步骤：一、对以下术语进行定义：单次试验：所述单次试验是为单次运动想象脑电信号数据采集所设计的实验时间范式，试验时长为10s，相邻单次试验的时间间隔为2-3s；单次试验样本：即单次试验采集的脑电信号数据x，其数据格式为n×T矩阵，n为EEG导联数，T为单次试验所采集的EEG数据样本长度；数据集：所述数据集为包括L个单次试验样本的脑电信号数据集；训练数据集和测试数据集：所述训练数据集为高质量训练数据选择阶段采用的数据集；所述测试数据集为最优导联组合选择阶段采用的数据集；初始导联组合和候选导联组合：所述初始导联组合为靠近大脑运动皮层的导联组合；所述初始导联组合采用的电极为初始电极，且某个初始电极的前后电极即分别为候选电极；由某初始电极的候选电极替代该初始电极而产生新的各电极互不相同的导联组合为候选导联组合；二、高质量训练数据选择阶段(1)基于所设计的单次试验，进行n＝26导联脑电信号采集工作，得到由L个单次试验样本构成的一组数据集作为训练数据集；并采用截止频率为8～30Hz的FIR带通滤波器对采集到的脑电信号进行带通滤波预处理；(2)选择一组初始导联组合；基于该初始导联组合，从含有L个单次试验样本的训练数据集xi，i＝1，…，L中选择一个单次试验样本xi设计ICA空域滤波器Wi，然后用Wi对同一训练数据集中所有L个单次试验样本进行空域滤波，得到L个输出{ui＝WiTxi，i＝1，…，L}，并从ui中提取三个运动相关独立分量ur，uf，ul，再对其进行特征提取和零训练分类；全部L个单次试验样本分类完毕，给出用单次试验样本xi设计的ICA-MIBCI系统识别率；所述零训练分类按公式(1)进行分类：在公式(1)中，ur，ul，uf分别对应于右手，左手和脚运动相关独立分量，min()求最小值，val()求方差，C＝1，2，3分别表示左手，右手和脚运动想象；(3)重复步骤(2)，直至训练数据集中的所有单次试验样本都进行ICA滤波器设计并且得到相应的ICA-MIBCI系统识别率；(4)依据识别率从高到低的选择原则，选择对应前10个具有最高ICA-MIBCI系统识别率的单次试验样本，并将其拼接为一长训练数据，该长训练数据为最优导联组合选择阶段用于ICA滤波器计算的高质量训练数据；三、最优导联组合选择阶段(5)基于所设计的单次试验，进...

【专利技术属性】
技术研发人员：吴小培，阮晶，周蚌艳，郭晓静，张磊，吕钊，高湘萍，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34