基于空时频优化特征稀疏表示的运动想象脑电分类方法技术

本发明专利技术公开了基于空时频优化特征稀疏表示的运动想象脑电分类方法，主要采用线性判别准则选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征，最后根据特征稀疏表示进行分类。本发明专利技术包括脑电信号预处理、导联选择、时频块选择、特征提取及特征分类。结果表明，本发明专利技术方法能有效选择最有利于分类的导联、时间段及频段，对由共空间模式算法提取的特征进行稀疏表示能取得较好的分类效果。与现有的算法相比，本方法能自动选择最有利于分类的空时频参数，并对最优时频块内的特征进行组合，有利于提高运动想象脑电信号分类的准确性。

【技术实现步骤摘要】

本专利技术属于脑电信号处理及模式识别领域，涉及脑机接口中运动想象脑电信号分类，特别涉及一种基于空时频域优化特征稀疏表示的运动想象脑电信号分类方法。
技术介绍
脑机接口为人的大脑和外部设备提供了一种新的交流和控制通道，比如电脑或假肢等。通过将放置在头部的电极采集的脑电信号映射为不同的控制指令，人类可以通过不同的运动想象模式来控制外部设备动作。在基于脑电的多种脑机接口系统中，基于运动想象的脑机接口系统因为运动想象任务和人类自然行为的潜在联系而被广泛研究。研究表明，与人体执行实际的动作相类似，想象人体某一部位的运动也会激活人脑运动感知皮层的某一区域，运动感知皮层的激活会引发皮层电位变化，进而造成事件相关去同步(event-related desynchronization,ERD)及事件相关同步(event-related synchronization,ERS)现象，因此通过对运动感知节律(Sensory Motor Rhythms,SMR)的幅度调制信息进行分析就可以推测人体运动意图。对于中风瘫痪病人，运动想象脑电可以反映其运动意图，进而控制外骨骼、功能性电刺激等设备辅助其完成特定动作或进行功能康复训练。为了有效区分不同的运动想象模式，脑电特征的提取和分类至关重要。一方面，ERD和ERS现象均显著发生在特定的导联、频段及时间区间内，因此需要通过导联选择、带通滤波及设置时间窗口进行抽取。特定的导联、频段及时间区间参数将直接影响后续特征提取及特征分类的效果。另一方面，近年来基于稀疏表示的分类方法在模式识别领域获得了较多的关注，其中稀疏表示方法的核心在于寻求超完备字典矩阵。
技术实现思路
针对现有技术中，在特征提取阶段均无法综合考虑空时频域的不足，提出一种基于空时频优化特征稀疏表示的运动想象脑电分类方法，采用线性判别准则自动选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征构建超完备字典矩阵，最后根据线性稀疏表示进行分类。具体包含以下步骤：步骤一、脑电信号预处理：对脑电信号进行升采样及带通滤波等处理，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为导联数，M为每一导联的采样点数，P1为训练集的样本数，P2为测试集的样本数；步骤二、导联选择：对于经步骤一处理后得到的脑电信号训练集(N×M×P1)，采用线性判别准则量化每个导联的类间(右手、右脚两类运动想象模式)区分能力，并对各个导联的类间区分能力进行降序排序，选择前NSelect个导联，抽取所选择的导联的脑电信号，得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2)；步骤三、时频块选择：对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，针对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在E个频段内对其进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)，针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在T个时间段内进行分割，得到处理后的脑电信号集(NSelect×MSeg×P1×E×T)，其中MSeg为单个时间段内的采样点数，采用线性判别准则量化每个时频块内脑电信号的类间区分能力，并对各个时频块内脑电信号的类间区分能力进行降序排序，选择前Q个时频块，抽取所选择的时频块内的脑电信号，得到新的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)；步骤四、特征提取：对于经过步骤三处理后得到的脑电信号集(NSelect×MSeg×(P1+P2)×Q)，针对每一个时频块i(i＝1,…,Q)内的脑电信号训练集(NSelect×MSeg×P1)，采用共空间模式(Common Spatial Pattern,CSP)算法求取滤波器组，根据该滤波器组对含有P1个样本的脑电信号训练集中的每个样本(NSelect×MSeg)和含有P2个样本的脑电信号测试集中的每个样本(NSelect×MSeg)进行滤波，并计算滤波后信号的方差作为特征，得到训练集的特征集合和测试集的特征集合其中Ftrainj,i,j＝1,…,P1为第i个时频块内脑电信号训练集的第j个样本的特征向量，Ftestj,i,j＝1,…,P2为第i个时频块内脑电信号测试集的第j个样本的特征向量，最后针对训练集和测试集中的每个样本，将Q个时频块内的特征向量进行拼接，得到脑电信号训练集和测试集的特征集合和其中Ftrainj＝{Ftrainj,1；…；Ftrainj,Q本文档来自技高网...

【技术保护点】
基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于，该方法包含以下几个步骤：步骤一、脑电信号预处理：对脑电信号进行升采样及带通滤波处理，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为导联数，M为每一导联的采样点数，P1为训练集的样本数，P2为测试集的样本数；步骤二、导联选择：对于经步骤一处理后得到的脑电信号训练集(N×M×P1)，采用线性判别准则量化每个导联的类间区分能力，并对各个导联的类间区分能力进行降序排序，选择前NSelect个导联，抽取所选择的导联的脑电信号，得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2)；步骤三、时频块选择：对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，针对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在E个频段内对其进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)，再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在T个时间段内进行分割，得到处理后的脑电信号集(NSelect×MSeg×P1×E×T)，其中MSeg为单个时间段内的采样点数，采用线性判别准则量化每个时频块内脑电信号的类间区分能力，并对各个时频块内脑电信号的类间区分能力进行降序排序，选择前Q个时频块，抽取所选择的时频块内的脑电信号，得到新的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)；步骤四、特征提取：对于经过步骤三处理后得到的脑电信号集(NSelect×MSeg×(P1+P2)×Q)，针对每一个时频块i,i＝1,…,Q内的脑电信号训练集(NSelect×MSeg×P1)，采用共空间模式算法求取滤波器组，根据该滤波器组对含有P1个样本的脑电信号训练集中的每个样本(NSelect×MSeg)和含有P2个样本的脑电信号测试集中的每个样本(NSelect×MSeg)进行滤波，并计算滤波后信号的方差作为特征，得到训练集的特征集合和测试集的特征集合其中Ftrainj,i,j＝1,…,P1为第i个时频块内脑电信号训练集的第j个样本的特征向量，Ftestj,i,j＝1,…,P2为第i个时频块内脑电信号测试集的第j个样本的特征向量，最后针对训练集和测试集中的每个样本，将Q个时频块内的特征向量进行拼接，得到脑电信号训练集和测试集的特征集合和其中且Ftestj＝{Ftestj,1；…；Ftestj,Q}；步骤五、特征分类：对于步骤四得到的脑电信号训练集的特征集合按照右手、右脚两类运动想象模式将其分成两类，即和其中NH和NF分别为右手、右脚的样本数，组成字典针对步骤四中得到的脑电信号测试集的特征集合中的每一个特征向量，采用线性稀疏表示模型将其表示为字典中各个向量的线性组合，最后通过比较系数的能量进行右手、右脚运动想象脑电信号分类。...

【技术特征摘要】
1.基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于，该方法包含以下几个步骤：步骤一、脑电信号预处理：对脑电信号进行升采样及带通滤波处理，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为导联数，M为每一导联的采样点数，P1为训练集的样本数，P2为测试集的样本数；步骤二、导联选择：对于经步骤一处理后得到的脑电信号训练集(N×M×P1)，采用线性判别准则量化每个导联的类间区分能力，并对各个导联的类间区分能力进行降序排序，选择前NSelect个导联，抽取所选择的导联的脑电信号，得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2)；步骤三、时频块选择：对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，针对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在E个频段内对其进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)，再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在T个时间段内进行分割，得到处理后的脑电信号集(NSelect×MSeg×P1×E×T)，其中MSeg为单个时间段内的采样点数，采用线性判别准则量化每个时频块内...

【专利技术属性】
技术研发人员：王爱民，苗敏敏，陈安然，戴志勇，刘飞翔，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32