一种基于快速多维经验模态分解的脑电信号分类方法技术

本发明专利技术公开了一种基于快速多维经验模态分解的脑电信号分类方法，包括：(1)采集若干组脑电信号并进行预处理；(2)对预处理后的信号通过快速多维经验模态分解，得到全部本征模态函数信号；(3)对每个本征模态函数信号的各个层进行频谱分析，选取平均功率谱集中在8～12Hz及18～26Hz频段的信号层，作为新多维信号；(4)将新多维信号通过空间滤波器，提取出脑电信号的特征；(5)将特征输入到分类器中进行分类，根据分类准确率选取CSP中最优参数，利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。本发明专利技术解决了普通多维经验模式分解算法模式混叠、计算效率低等问题，分解结果的可解释性更强，提高了脑电信号的分类准确率。

A Classification Method of EEG Signals Based on Fast Multidimensional Empirical Mode Decomposition

The present invention discloses a classification method of EEG signals based on fast multidimensional empirical mode decomposition, which includes: (1) acquisition and preprocessing of several sets of EEG signals; (2) fast multidimensional empirical mode decomposition of preprocessed signals to obtain all intrinsic mode function signals; (3) spectrum analysis of each layer of intrinsic mode function signals and selection of average power spectrum set. In the signal layer of 8-12Hz and 18-26Hz band, as a new multidimensional signal; (4) extract the characteristics of EEG signals through spatial filters; (5) input the features into the classifier for classification, select the best parameters of CSP according to the classification accuracy, and classify EEG signals under different motor imagery tasks using the EEG features under the optimal parameters. The method solves the problems of mode aliasing and low computational efficiency of common multidimensional empirical mode decomposition algorithm, and the interpretability of decomposition results is stronger, and the classification accuracy of EEG signals is improved.

【技术实现步骤摘要】
一种基于快速多维经验模态分解的脑电信号分类方法
本专利技术属于生物医学工程及计算机领域，尤其是涉及一种基于快速多维经验模态分解的脑电信号分类方法。
技术介绍
已有研究表明，人在对肢体动作想象时，与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应，诱发想象动作电位。肢体动作准备或规划时能够引起皮质运动中枢大量神经细胞的活动状态变化，导致脑电信号中某些频率成分的同步增强(事件相关同步，ERS)或同步减弱(事件相关去同步，ERD)。脑电信号的分析在神经科学、心理学、生物医学等领域均发挥着非常重要的作用。由于脑电信号中噪声较多，原始脑电信号的信噪比低，可靠性差，如何提取脑电信号的特征成为脑电信号分析、分类最为核心的难点。共空间模式(CommonSpatialPattern,CSP)方法被认为是提取运动想象脑电信号特征最有效的方法之一。其原理为利用代数上矩阵同时对角化的理论，寻找一组空间滤波器，使得在这组滤波器的作用下，一类信号的方差达到极大，另一类信号的方差达到极小，从而实现特征提取的目的。然而，CSP方法没有考虑EEG信号中的频率特性，而频率特性恰恰是EEG信号分类的重要依据。共空间模式在空域对EEG信号有很好的滤波作用，利用时频分析方法对信号进行频率分解能在时域和频域同时对信号进行处理。运动想象脑电信号的ERD和ERS发生在特定区域的特定频段，所以结合共空间模式和信号分解就成为一种有效的针对运动想象脑电信号处理的方法。最为常用的多维脑电信号分解方法为多维经验模态分解方法(MEMD)，经过此方法，源信号被转化为包含了原脑电数据信号的不同时频尺度特征的固有模态函数(IMF)，能够反映脑电数据在不同时频尺度上的特征。可同时对多通道数据进行分解，相比于单维的EMD算法能够避免各变量分解出的IMFs数、频率不匹配问题，但仍然存在模式混叠、计算效率随纬度的上升而急剧下降等问题。基于以上背景，找到一种计算效率高、分类准确率高、适用于非平稳非线性低信噪比的脑电数据特征提取与分类方法，对于脑电数据分析有重大意义，对于进一步深入研究基于运动想象脑电的在线实时脑机交互控制系统有非常重要的实用价值。
技术实现思路
本专利技术提供了一种基于快速多维经验模态分解的脑电信号分类方法，解决了普通多维经验模式分解算法模式混叠、计算效率低等问题，分解结果的可解释性更强，很大程度上提高了脑电信号的分类准确率。一种基于快速多维经验模态分解的脑电信号分类方法，包括以下步骤：(1)采集若干组K个通路的脑电信号，每组脑电信号带有一个分类标签，对采集的信号进行预处理；(2)对预处理后的每组K维信号通过FMEMD(快速多维经验模态)分解，得到全部的本征模态函数信号和趋势项；(3)对每个本征模态函数信号的各个层进行频谱分析，选取平均功率谱集中在8～12Hz(Mu节律)及18～26Hz(Beta节律)频段的信号层，作为新多维信号；(4)将选取的新多维信号通过空间滤波器CSP，提取出脑电信号的特征向量；(5)将特征向量输入到分类器中进行分类，根据分类准确率选取CSP中最优参数，利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。利用本专利技术的方法，只需较少的电极就可以进行脑电信号的特征提取，并且可根据每个被试者脑电信号的特点，将信号自适应地分解成多个固有模态函数信号，最终完成不同运动想象任务下信号的有效分类。步骤(1)的具体过程为：(1-1)通过脑电采集装置采集若干组K个通路的脑电信号，每组脑电信号带有一个分类标签，共有两类标签；(1-2)将采集到的信号通过巴特沃滋滤波器进行8～30Hz带通滤波，滤波后信号为：x(t)＝[x1(t),x2(t),…,xK(t)]∈RN×K其中，N为样本点总数，K为通道数，t＝1,2,…,N。步骤(2)的具体过程为：(2-1)对于预处理后的第一组K维信号xi(t)，i＝1，利用低差异序列生成K维空间内均匀分布的方向向量集合为通道数；(2-2)依次计算K维信号x(t)沿着方向矢量的投影，得到K个投影函数(2-3)使用标准EMD算法提取所有K个投影函数的第一层本征模函数(2-4)结合全部的第一层本征模函数及其对应的方向向量通过求解以下超定方程得到K维的独立方向多维本征模函数idi(t)：(2-5)通过从当前输入信号减去独立方向多维本征模函数，得到低频的新序列s(t)：s(t)＝y(t)-idi(t)(2-6)如果s(t)变为单调，或者少于3个极值，则停止迭代过程并获得趋势项r(t)＝s(t)，本征模态函数信号层数M＝i；否则，将输入更新为下一组K维信号xi(t)，i＝i+1，然后转回步骤(2-2)；(2-7)得到全部的本征模态函数信号和趋势项r(t)。步骤(3)的具体过程为：(3-1)对全部本征模态函数信号利用加权交叠平均法进行功率谱估计；(3-2)计算全部本征模态函数信号中每个层的平均功率谱；(3-3)绘制平均功率谱图，选取平均功率谱集中在8～12Hz及18～26Hz频段的信号层，组成为新的多维信号完成后续的特征提取操作。步骤(4)的具体步骤为：(4-1)计算两个分类标签脑电信号数据的规范平均空间协方差：其中，对应动作想象的两类任务，每一类都包含有此类任务中所有的试验次数；Xi∈RN×K代表某一类运动想象的第i次实验采集到的数据；trace(A)表示矩阵A的对角元素之和；表示矩阵Xi的转置，为所求的规范化的平均空间协方差；(4-2)计算混合空间协方差矩阵R，并对混合空间协方差矩阵进行特征值分解：分别表示两类动作想象的平均规范化空间协方差，U0表示矩阵R分解后的特征向量矩阵，λ表示R分解后与U0对应的特征值的对角矩阵；(4-3)求出白化特征值矩阵P：(4-4)使用白化特征值矩阵P对两类动作想象任务的平均规范化空间方差分别进行白化处理：对矩阵白化后可以去掉各个分量间的相关性，进行更好的源信号分离。(4-5)对白化后的两类矩阵进行分解，求出共同的特征向量：(4-6)使用和特征值有对应关系的共同的特征向量Us，设计空间投影矩阵W：(4-7)利用共空间滤波器分别对两类信号进行投影卷积：Zl＝WXl，Zr＝WXr(4-8)选取投影后信号的前m行和后m行进行特征提取，得到特征向量：Fc＝[v1，v2，…，vj，…，v2m]即两类运动想象脑电信号的特征向量分别为：步骤(5)中，获取最优参数的具体过程为：(5-1)将采集的数据按一定比例分为训练数据和测试数据，按照步骤(1)至步骤(4)提取不同m值下的特征向量；(5-2)利用训练数据提取的特征向量输入利用RBF核函数的SVM分类器，通过十折交叉检验确定分类器模型参数；(5-3)计算测试集数据分类准确率，选取准确率最高一组由步骤(4)得到的特征向量，记录对应的m值为最优参数。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术的方法可同时处理多维度信号，分解不同频段的数据用于特征提取，同时保留不同通道间的关联信息。2、本专利技术信号分解的频域特点更符合先验知识的频段要求。3、本专利技术应用于实际脑电数据中，提取特征的分类效果准确率、计算效率均优于现有其他基于时频分析的特征提取算法。4、本专利技术能够提取不同运动想象任务的脑电信号的特征，为进一步深入研究基于运动想象脑电的在线实时脑机交互控本文档来自技高网...

【技术保护点】
1.一种基于快速多维经验模态分解的脑电信号分类方法，其特征在于，包括以下步骤：(1)采集若干组K个通路的脑电信号，每组脑电信号带有一个分类标签，对采集的信号进行预处理；(2)对预处理后的每组K维信号通过快速多维经验模态分解，得到全部的本征模态函数信号和趋势项；(3)对每个本征模态函数信号的各个层进行频谱分析，选取平均功率谱集中在8～12Hz及18～26Hz频段的信号层，作为新多维信号；(4)将选取的新多维信号通过空间滤波器CSP，提取出脑电信号的特征向量；(5)将特征向量输入到分类器中进行分类，根据分类准确率选取CSP中最优参数，利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。

【技术特征摘要】
1.一种基于快速多维经验模态分解的脑电信号分类方法，其特征在于，包括以下步骤：(1)采集若干组K个通路的脑电信号，每组脑电信号带有一个分类标签，对采集的信号进行预处理；(2)对预处理后的每组K维信号通过快速多维经验模态分解，得到全部的本征模态函数信号和趋势项；(3)对每个本征模态函数信号的各个层进行频谱分析，选取平均功率谱集中在8～12Hz及18～26Hz频段的信号层，作为新多维信号；(4)将选取的新多维信号通过空间滤波器CSP，提取出脑电信号的特征向量；(5)将特征向量输入到分类器中进行分类，根据分类准确率选取CSP中最优参数，利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。2.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法，其特征在于，步骤(1)的具体过程为：(1-1)通过脑电采集装置采集若干组K个通路的脑电信号，每组脑电信号带有一个分类标签，共有两类标签；(1-2)将采集到的信号通过巴特沃滋滤波器进行8～30Hz带通滤波，滤波后信号为：x(t)＝[x1(t),x2(t),…,xK(t)]∈RN×K其中，N为样本点总数，K为通道数，t＝1,2,…,N。3.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法，其特征在于，步骤(2)的具体过程为：(2-1)对于预处理后的第一组K维信号xi(t)，i＝1，利用低差异序列生成K维空间内均匀分布的方向向量集合K为通道数；(2-2)依次计算K维信号x(t)沿着方向矢量的投影，得到K个投影函数(2-3)使用标准EMD算法提取所有K个投影函数的第一层本征模函数(2-4)结合全部的第一层本征模函数及其对应的方向向量通过求解以下超定方程得到K维的独立方向多维本征模函数idi(t)：(2-5)通过从当前输入信号减去独立方向多维本征模函数，得到低频的新序列s(t)：s(t)＝y(t)-idi(t)(2-6)如果s(t)变为单调，或者少于3个极值，则停止迭代过程并获得趋势项r(t)＝s(t)，本征模态函数信号层数M＝i；否则，将输入更新为下一组K维信号xi(t)，i＝i+1，然后转回步骤(2-2)；(2-7)得到全部的本征模态函数信号...

【专利技术属性】
技术研发人员：谢磊，乔丹，郎恂，郑潜，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33