基于脑功能网络邻接矩阵分解的脑电特征提取方法技术

本发明专利技术涉及一种基于脑功能网络邻接矩阵分解的脑电特征提取方法。目前的运动想象脑电信号特征提取算法大多注重局部激活脑区的定性与定量分析，忽视了脑区之间的相互关系和整体协调性。本发明专利技术从脑功能网络角度出发，以基于图谱分析的复杂脑网络理论为基础，首先采用多通道运动想象脑电信号建立脑功能网络，然后对网络邻接矩阵进行奇异值分解，其次根据分解得到的奇异值定义一组特征参数来表示脑电信号的特征向量，最后将特征向量输入支持向量机分类器完成多类运动想象任务的分类识别。该方法在脑-机接口领域的运动想象任务识别中具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术属于脑电信号处理领域，涉及一种脑电信号特征提取方法，特别涉及一种用于脑-机接口中运动想象脑电信号的特征提取方法。
技术介绍
脑-机接口(BCI)是不依赖外周神经和肌肉组织的参与，在大脑与外界之间建立的一种直接的交流通路，可将大脑信号解读成相应的命令来实现与外部世界的交流和控制。相较于脑皮层电图(ECoG)、脑磁图(EMG)、功能磁共振成像(fMRI)、正电子发射断层扫描(PET)等检测技术，脑电图(EEG)相对简单快速，对人无损，价格便宜，同时具有较高的时间分辨率，因而成为BCI最重要的信号获取手段。 基于运动想象脑电信号的多模式识别是目前BCI主要应用手段之一。以人类大脑为对象的头皮脑电信号研究表明，它主要由各种节律性电活动组成，与运动想象紧密联系的一种电生理现象是事件相关去同步(ERD)和事件相关同步(ERS)现象。ERD/ERS研究证实了大脑进行不同的运动想象任务会激活大脑运动皮层上的不同区域，如想象左右手、脚等运动，肢体对侧脑运动皮层区域产生ERD现象，肢体同侧脑运动皮层区域产生ERS现象。ERD/ERS现象所引起特定频段脑电波分布位置以及强度的差别，为区分不同的运动想象任务所产生脑电信号提供了识别基础。由于脑电信号非常微弱，且背景噪声很强，要从随机、非平稳的脑电信号中有效快速地提取不同运动想象任务所对应的特征颇具挑战性。研究者采用各种不同的方法提取有效的脑电特征，如傅里叶变换、自回归模型、功率谱与自适应回归模型、四阶累积量、小波变换、小波包变换、希尔伯特-黄变换、复杂度分析法、张量分析法、公共空间模式等，进而识别出不同的运动想象任务，取得了丰富的研究成果。目前基于运动想象EEG的多模式识别研究基本上是利用运动想象引起的神经活动的动态变化，研究各种特征提取与模式分类方法识别出不同的运动想象任务。但大多注重局部激活脑区的定性及定量分析，有意无意地将各个脑区看作孤立的功能单元，忽视了脑区之间的相互关系和整体协调性。随着成像技术、方法的不断提高，人们对运动想象所涉及的多脑区之间的网络结构关系及其功能意义的认识逐步深入。虽然大脑不同区域完成相对独立的功能，但即便是一项非常简单的认知任务也需要多个不同的功能区域相互作用、相互联系，构成一个网络协调工作发挥功能。脑功能网络是通过反映大脑功能性连接的数据(如fMRI、EEG等)，计算各个脑区之间的统计性连接关系而构建的脑网络，是描述多个脑区之间协同作用机制的有效手段之一。最近，脑功能网络研究已被用于脑疾病诊断、脑认知等方面，如W.Chaovalitwongse等人利用EEG信号建立脑功能网络,将各节点两两之间的欧式距离作为SVM分类器的输入特征向量，对癫痫患者样本数据进行分类识别；姜宗来等人研究了酒精成瘾患者与正常人EEG脑功能网络的度分布、聚类系数、网络信息熵等特征，发现两者存在明显的区别，为临床脑病诊疗提供了判断依据。由于脑功能网络可以分析出不同脑区之间的功能连通性关系，从而弥补基于孤立脑区的信号研究带来的不足，因此在运动想象任务分类中具有潜在的应用价值。
技术实现思路
本专利技术的目的就是针对现有基于孤立脑区的脑电特征提取方法存在的不足，提供一种。脑功能网络是个复杂且稀疏的抽象网络，其构建首先要定义网络节点。对于多通道EEG信号，往往把每个EEG导联(通道)对应的电极所测量的区域定义为一个节点，其电活动为若干时间序列，然后计算这些时间序列之间的相关系数，各节点之间相关系数的大小反映出对应脑区之间的功能连接强度，从而建立脑功能网络，最后对脑功能网络的邻接矩阵进行奇异值分解，提取出脑电特征，以识别出多类运动想象任务。为了实现以上目的，本专利技术方法主要包括以下步骤 步骤(I)获取多通道运动想象脑电信号样本数据。首先采用多导联电极帽采集运动想象脑电信号，然后采用参考独立分量分析方法消除眼电伪迹，最后采用随机共振方法进行脑电信号复原，以提高系统输出的信噪比。步骤(2)相关性分析。采用Pearson相关系数公式计算各通道脑电信号之间的相关系数，得到相关性矩阵。步骤(3)阈值确定。以相关性矩阵为基础，选取阈值将相关性矩阵转换为稀疏的邻接矩阵。步骤(4)脑功能网络建立。分析邻接矩阵元素值与脑区节点间是否存在连接边之间的关系，构建脑功能网络，具体表现为如果两个脑区之间的相关系数大于阈值时，在对应的节点间建立连接边，邻接矩阵对应的元素值为I;反之不建立连接边，邻接矩阵对应的元素值为O。邻接的对角元素设为O以避免网络中出现自连接的边。步骤(5)基于邻接矩阵奇异值分解的特征提取。首先对邻接矩阵进行奇异值分解，然后根据所得的奇异值定义最大奇异值、均值、方差、能量、奇异熵五个特征参数作为脑电信号的特征向量。本专利技术与已有的运动想象脑电特征提取方法相比，具有如下特点 I、从网络角度分析运动想象引起的神经活动的动态变化 已有方法大多注重局部激活脑区的定性和定量分析，有意无意地将各个脑区看作孤立的功能单元，忽视了脑区之间的相互关系和整体协调性。虽然大脑皮层不同的区域完成相对独立的功能，但完成某一特定的运动想象任务，需要一个或几个空间上分离的功能区的同时参与。通过反映大脑功能性连接的数据计算各个脑区之间的统计性连接关系而构建的脑网络，描述了多个脑区之间的协同作用关系，有助于从整体层面刻画不同运动想象任务的特征。2、特征提取具有自适应性 由于脑电信号是高度非平稳信号，容易受到生理、心理等各种因素的影响，不仅存在个体差异，且同一受试者在不同时间完成相同运动想象任务所得到的脑电信号也会有差异，因而特征提取参数和分类器具有自适应能力，能够随着受试对象的不同以及时间的推移而更新。基于脑功能网络邻接矩阵分解的脑电特征，可以随不同的受试者和运动想象任务而变化，自适应地反映脑电信号的个体差异性。、本专利技术方法可以较好地满足智能自主康复辅具控制中的多模式识别要求，在脑-机接口领域具有广阔的应用前景。附图说明图I为本专利技术的实施流程图。具体实施例方式下面结合附图详细描述本专利技术基于脑功能网络邻接矩阵分解的脑电特征方法，图I为实施流程图。如图I，本专利技术方法的实施主要包括六个步骤(I)获取多通道运动想象脑电信号样本数据，包括四种运动想象实验范式下脑电信号的采集和预处理；(2)利用互相关、互信息量、相位同步、同步似然法等量化方法建立各通道EEG信号两两之间的连接关系，得到相关性矩阵；(3)以相关性矩阵为基础，选取适合的阈值将相关性矩阵转换为稀疏的邻接矩阵；(4)分析邻接矩阵元素值与脑区节点间是否存在连接边之间的关系，建立脑功能网络；(5)对邻接矩阵进行奇异值分解，所得的奇异值用来刻画脑电信号的辨别特征；(6)将脑电特征输入支持向量机分类器进行训练和测试，完成四种运动想象任务的分类。下面逐一对各步骤进行详细说明。步骤一获取多通道运动想象脑电信号样本数据 (I)采集运动想象脑电信号。采用美国Neuro Scan公司Scan4. 3采集设备中的40导电极帽进行运动想象过程脑电信号采集。受试者按要求佩戴好脑电帽后坐在轮椅上，保持安静、自然，注视实验环境中设定的情景提示。采用如下四种运动想象实验范式右手操控轮椅控制杆向前、左手操控轮椅控制杆向后、左脚单脚跳并且双手推轮椅向左移动、右脚单脚跳并且双手推轮椅向左移本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于脑功能网络邻接矩阵分解的脑电特征提取方法，其特征在于该方法包括如下步骤 步骤(I).获取多通道运动想象脑电信号样本数据，具体是首先采用多导联电极帽采集运动想象脑电信号，然后采用参考独立分量分析方法消除眼电伪迹，最后采用随机共振方法进行脑电信号复原，以提高系统输出的信噪比； 步骤(2).相关性分析，具体是采用Pearson相关系数公式计算各通道脑电信号之间的相关系数，得到相关性矩阵； 步骤(3).阈值确定，具体是以相关性矩阵为基础，选取阈值将相关性矩阵转换为稀疏的邻接矩阵；...

【专利技术属性】
技术研发人员：佘青山，孟明，高云园，高发荣，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：