一种运动想象脑电信号的特征提取方法技术

本发明专利技术涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明专利技术采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。

【技术实现步骤摘要】

本专利技术属于脑电信号处理
，具体涉及脑-机接口（Brain-Computer Interface，BCI)系统中对运动想象脑电信号特征的提取方法，采用经验模态分解和共同空 间模式相结合的方法对运动想象脑电信号进行特征提取。
技术介绍
人口老龄化以及交通事故造成了大量脊髓病变或损伤的患者，其大脑的动作指令 无法通过正常的体内通路传达到肌肉，从而丧失了肢体的运动能力。由于现代医学的进步， 这些患者可以继续在轮椅和床上生存很长时间，但失去工作能力，生活难以自理，不仅患者 十分痛苦，也给家人和社会带来负担。 BCI建立了人与计算机之间的一个交流和控制通道，是一种通过脑电信号实现人 脑与计算机或其他电子设备间通讯和控制的系统，它不依赖外周神经和肌肉组织等这些常 用的大脑输出通道。通过脑-机接口技术可以帮助脊髓受损的患者，实现对外部环境和设 备的控制，提1?生活自理能力。 BCI系统结构如图1所示，其基本过程为：脑电采集装置首先从大脑采集脑电信号 并转换成数字信号，然后经过信号处理和模式识别模块对信号依次进行预处理、特征提取 和模式分类，最后通过控制器输出控制信号，驱动外部装置做相应的动作。 临床医学研究表明，当人在做单侧肢体运动想象时，对侧大脑皮层相应区域的 μ节律（8-12Hz)和β节律（18-23HZ)的振幅会较未做运动前有明显减小，这种现象称 为事件相关去同步（event-related desynchronizations，ERD);与此同时，同侧大脑皮 层相应区域的μ节律和β节律的振幅会较未做运动前有明显增大，称为事件相关同步 (event-related synchronizations, ERS)。脑电的这种节律性差异，可用于实现BCI技术。 共同空间模式（Common Spatial Pattern, CSP)方法被认为是提取运动想象脑电 信号特征最为有效的方法之一。CSP算法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，从而达到提取特征的目的。但是CSP算法存在两方面的不足：第一，CSP算法对大量电 极的脑电信号效果显著，这限制了其在便携式BCI系统中的应用；第二，在执行运动想象任 务时，每个受试者发生ERS/ERD的频段具有个体差异性，而CSP算法在提取脑电特征时，没 有考虑受试者的个体差异性及脑电信号的频率特性，因此会造成分类准确率不高。
技术实现思路
针对现有CSP方法两方面的不足，本专利技术提出了一种基于经验模态分解 (Empirical Mode Decomposition, EMD)与共同空间模式的运动想象脑电信号特征提取的 方法，即EMD-CSP方法。此方法只需较少的电极就可以进行脑电信号的特征提取，并且可以 根据每个人脑电信号的特点，将信号自适应地分解成多个固有模态函数（Intrinsic mode function，MF)信号，从而较大程度地提高了脑电信号的分类准确率。 本专利技术采用的技术方案为：首先，将采集到的脑电信号进行预处理，然后对每导信 号进行EMD，得到多阶的MF信号，接着选取相同个数的MF信号构成新的信号，通过CSP获 得空间滤波器，提取出脑电信号的特征，将其输入到分类器中进行分类，并根据分类准确率 选取EMD和CSP中参数的最优值，最终提取出最优参数下的脑电特征。 本专利技术方法的具体实现过程如下： 步骤1，信号采集及预处理。 首先通过脑电采集装置采集η导脑电信号，并将采集到的信号通过有限脉冲响 应（Finite Impulse Response，FIR)滤波器进行8-30Ηζ带通滤波，滤波后信号为x(t)= [Χια)， Χ2α)，···，Χηα)] eRNxn。其中n为样本点总数，η为脑电导联数目，Xi(t)为第i导 滤波后的脑电信号，i = 1，2, ·，η，t = {1，2, ·，Ν}。 步骤2,对步骤1得到的脑电信号七⑴（i = 1，2···，η)进行经验模态分解。 步骤2. 1，确定Xi (t)的所有极值点，采用三次样条法对极大值点和极小值点进行 拟合，得到上包络线eimax(t)和下包络线e imin(t)。 步骤2. 2,计算上、下包络线的平均值，公式如下： 本文档来自技高网...

【技术保护点】
一种运动想象脑电信号的特征提取方法，其特征在于包括以下步骤：步骤1，信号采集及预处理；首先通过脑电采集装置采集n导脑电信号，并将采集到的信号通过有限脉冲响应滤波器进行8～30Hz带通滤波，滤波后信号为x(t)＝[x1(t),x2(t),…,xn(t)]∈RN×n；其中N为样本点总数，n为脑电导联数目，xi(t)为第i导滤波后的脑电信号，i＝1,2,…,n，t＝{1,2,…,N}；步骤2，对步骤1得到的脑电信号xi(t)(i＝1,2,…,n)进行经验模态分解；步骤2.1，确定xi(t)的所有极值点，采用三次样条法对极大值点和极小值点进行拟合，得到上包络线eimax(t)和下包络线eimin(t)；步骤2.2，计算上、下包络线的平均值，公式如下：mi(t)=ei max(t)+ei min(t)2]]>步骤2.3，计算剩余信号ri(t)；令：ci(t)＝xi(t)‑mi(t)若ci(t)不满足固有模态函数IMF整个信号段内极值点和过零点数量相等或至多相差1的筛选停止条件，则将ci(t)取代xi(t)重复步骤2.1～2.3；否则，取ci(t)为分离出的一阶IMF分量，并按照下式计算剩余信号ri(t)：ri(t)＝xi(t)‑ci(t)步骤2.4，令xi(t)＝ri(t)，重复步骤2.1～2.3的筛选过程，直到ri(t)的极值点个数小于等于2时，终止经验模态分解过程；在经验模态分解过程结束时，假设xi(t)被分解成k阶IMF分量和最终剩余信号rik(t)之和，即：xi(t)=Σj=1kcij(t)+rik(t)]]>其中，cij(t)表示第j次筛选得到的IMF分量；取前g阶IMF分量cij(t)(j＝1,2,…,g)构成其中g≤k，g的值可以根据分类准确率进行选取；从而，获得x^(t)=[x^1(t),x^2(t),...,x^n(t)]T∈RE×N,]]>其中E＝g·n；步骤3，采用共同空间模式方法提取脑电信号特征；对两类运动想象A和B分别进行TA、TB次实验，TA、TB为正整数；步骤3.1，计算混合空间的协方差；首先，计算两类运动想象信号每次实验的协方差，公式如下：C=x^(t)x^(t)Ttrace{x^(t)x^(t)T}∈RE×E]]>其中，为矩阵的迹，即矩阵的对角线元素之和；然后，分别计算两类运动想象的平均协方差：CA=1TAΣi=1TACA,i]]>CB=1TBΣi=1TBCB,i]]>其中，CA,i、CB,i分别表示运动想象A和B的第i次实验的协方差；进而求得混合空间的协方差：CM＝CA+CB步骤3.2，对混合空间协方差进行特征值分解，公式如下：CM=UMΛMUMT]]>其中，UM为特征向量矩阵，ΛM为特征值对角矩阵；步骤3.3，进行白化处理；对ΛM进行降序排序得到ΛMd，并对UM做同样的行列变换得到UMd；令对CA、CB分别进行白化处理，如式如下：SA＝PCAPTSB＝PCBPT利用SA、SB具有相同的特征向量的特点，经特征值分解后可得：SA＝BΛABTSB＝BΛBBT其中，B为SA与SB的共同特征向量，ΛA、ΛB分别为SA和SB的特征对角矩阵，且ΛA+ΛB＝I，I为单位矩阵；因此求得空间滤波器矩阵为：W＝BTP对进行W滤波得：Z0=W·x^(t)∈RE×N;]]>步骤3.4，求特征向量f；提取Z0的前m行和后m行(m≤E/2)，构成Z＝[z1,z2,…,z2m]T∈R2m×N，然后进行特征提取，计算公式如下：fi=var(zi)Σj=12mvar(zj)]]>其中，var(·)表示方差，i＝1,2,…,2m，则特征向量f＝[f1,f2,…,f2m]T；步骤4，根据分类结果优化参数；首先将脑电训练数据和测试数据按照步骤1、2、3提取特征向量，并依据特征训练集和测试集分别对分类器进行训练和测试，然后根据分类准确率确定步骤2.4中g和步骤3.4中m的最优值，即选取分类准确率最高时的g和m值。...

【技术特征摘要】
1. 一种运动想象脑电信号的特征提取方法，其特征在于包括以下步骤： 步骤1，信号采集及预处理； 首先通过脑电采集装置采集η导脑电信号，并将采集到的信号通过有限脉冲响应滤波 器进行8?30Hz带通滤波，滤波后信号为x(t) = [Χια)，χ2α)，···，χηα)] eRNXn;其中Ν 为样本点总数，η为脑电导联数目，xjt)为第i导滤波后的脑电信号，i = 1，2, ···，]!, t = {1，2,…，N}; 步骤2,对步骤1得到的脑电信号Xi (t) (i = 1，2,…，η)进行经验模态分解； 步骤2. 1，确定Xi (t)的所有极值点，采用三次样条法对极大值点和极小值点进行拟合， 得到上包络线eimax(t)和下包络线eimin(t); 步骤2. 2,计算上、下包络线的平均值，公式如下：步骤2.3，计算剩余信号1^(〇; 令： Ci(t) = xi(t)-mi(t) 若Ci⑴不满足固有模态函数IMF整个信号段内极值点和过零点数量相等或至多相差 1的筛选停止条件，则将Ci(t)取代Xi(t)重复步骤2. 1?2. 3 ;否则，取Ci(t)为分离出的 一阶IMF分量，并按照下式计算剩余信号ri(t): Γ?(?) = Xi(t)-ci(t) 步骤2. 4,令Xi (t) = A (t)，重复步骤2. 1?2. 3的筛选过程，直到A (t)的极值点个 数小于等于2时，终止经验模态分解过程； 在经验模态分解过程结束时，假设Xi (t)被分解成k阶MF分量和最终剩余信号rik (t) 之和，即：其中，Cij(t)表示第j次筛选得到的IMF分量；取前g阶IMF分量Cij(t) (j = 1，2,…，g) 构成其中g < k，g的值可以根据分类准确率进行选取； 从而，获得其中E =...

【专利技术属性】
技术研发人员：李明爱，郭硕达，田晓霞，杨金福，罗新勇，张梦，徐金凤，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11