一种脑电信号特征提取及解释方法技术

本发明专利技术提出了一种脑电信号特征提取及解释方法，采用联合流形学习在提取脑电信号特征时可以同时实现通道选择，即联合学习仅从对识别比较重要的通道提取特征。这样的特征有两方面优点：一方面可以增强特征实际意义的解释，另一方面利用联合学习对特定脑电信号进行通道选择，所得到的结果也有助于神经生物学的发展，可以帮助研究人员确认相关电位，与神经生物学的研究成果进行相互验证等。另外，本发明专利技术的通道选择与特征提取可以应用到未来的BCI系统中，克服现有BCI系统识别率低等问题，对于BCI技术的发展具有重要意义。

【技术实现步骤摘要】

本专利技术属于信号处理
，具体涉及一种脑电信号特征提取及解释方法。
技术介绍
脑机接口(Brain-Computer Interface,BCI)是一种不依赖于正常的由外围神经和肌肉组成的输出通道的通讯系统。大脑在产生动作意识、进行思维活动之前和动作执行之后，或者大脑受到某种特定的外部刺激(如视觉、听觉等等)时，其神经系统能够产生一些生物电活动变化，BCI把相应的生物电活动信号采集出来，作为特征信号，然后对这些特征信号进行模式分类，从而识别出引发生物电信号变化的动作或者刺激的类别，然后利用计算机进行编程，从而把人的思维活动转变成命令信号驱动外部设备，实现在没有肌肉和外围神经直接参与的情况下，人脑对外部设备的通讯和控制。这就是BCI系统的基本原理。现有和正在研究的BCI系统中，绝大多数都基于脑电信号的分类。所以分类器的准确性直接影响BCI系统的性能。通道选择和特征提取是分类器中的两个关键环节。(1)在设计阶段，考虑到脑电信号噪声大等特点，有必要针对脑电信号分类设计专门的、有效的特征提取算法。(2)在现有方法中，绝大多数把通道选择和特征提取作为两个独立的部分分别进行，通道选择在一个空间中提取特征，然后进行选择，特征提取在另外一个空间进行，每个空间可能都是有效的，但是两个空间的交集未必是有效的，采用联合学习的思想可以实现在特征选择的同时，进行通道选择，两者基于同一个准则，这有利于提取高效的特征。联合学习也可以看作是一种特殊的稀疏学习方法，在一般的稀疏表示方法中，得到的稀疏表示结果一般不能起到特征选择的作用。稀疏学习虽然也能得到很多零，但是相对比与不同样本，零的位置并不相同，而联合学习却可以在一定条件下，使不同样本的相同维度上，相当于在分类时，对所有样本不考虑该维度的特征，从而起到一种特征选择的作用。矩阵L2,1范数等于矩阵每一列的L2范数的和，所以最小化其L2,1范数，可以获取变换矩阵的列稀疏性,由于变换矩阵具有列稀疏性，所以样本经过变换之后，在相应的维度上会变成0，相当于进行了特征选择。利用L2,1范数的这一特性，2010年Nie等在非专利文献1(Feiping Nie,Heng Huang,Xiao Cai,Chris Ding.Efficient and robust feature selection via joint l2，1-norms minimization.Advances in Neural Information Processing Systems,vol.23,pp.1813-1821,2010)中提出了一种基于L2,1范数的特征选择算法，并证明了算法的收敛性。Gu等在非专利文献2(Quanquan Gu,Zhenhui Li,Jiawei Han.Joint feature selection and subspace learning.in Proceedings of the Twenty-Second international joint conference on Artificial Intelligence,vol.2,pp.1294-1299,2011)中提出了基于L2,1测度的联合特征选择与子空间学习(Joint Feature Selection and Subspace Learning)方法，该方法在用于传统的子空间学习算法中引入了L2,1范数，在子空间学习中最小化变换矩阵的L2,1范数，并在人脸识别问题上验证了该算法的有效性。Ren等学者在非专利文献3(Chuan-Xian Ren,Dao-Qing Dai,Hong Yan.Robust classification using-norm based regression model,Pattern Recognition,45(7),pp.2708-2718,2012)中提出了一种基于L2,1范数的回归模型，用于模式分类。取得了良好的效果。2013年J.S.Pan等非专利文献4(Jeng-Shyang Pan,Lijun Yan*,Zongguang Fang,A Novel feature extraction algorithm based on Joint Learning,The Second International Conference on Robot,Vision and Signal Processing,Japan,31-34,2013)中提出一种联合学习算法，应用到图像识别领域，获得了较好的识别效果。当前的研究具有以下问题：1)脑电信号的通道选择和特征提取多被作为两个独立的问题进行讨论。而通道选择和特征提取实际上都是为了分类任务这个核心服务的，所以这两者应该是紧密相关的。根据某一最优准则进行通道选择，然后再根据另一个准则进行特征提取，相当于在两个特征空间的交集上进行分类，而这两个特征空间都具有某种最优，但是其交集有可能会变得不是很好，从而使特征提取和通道选择同步进行，这一思想对脑电信号分类来说具有重要的意义。2)现有的联合学习思想多是基于向量数据的，对于基于张量数据的联合学习研究较少，而多通道脑电信号恰恰是一种二阶张量数据，所以利用联合学习的思想来进行脑电信号的通道选择和特征提取需要研究新的联合学习算法。3)联合学习的研究已经取得了一些成果，不过其学习器仍然有很多可以扩展的空间，为了丰富联合学习的普适性和鲁棒性，对其进行进一步的研究十分有必要。
技术实现思路
为解决现有技术中存在的问题，本专利技术提出了一种脑电信号特征提取及解释方法，本专利技术具体通过如下技术方案实现：一种脑电信号特征提取及解释方法，包括以下步骤：S1：获取脑电信号；S2：对所述脑电信号进行预处理；S3：在多尺度多方向域提取所述脑电信号的特征，利用Fisher准则或者最大间隔准则自适应的寻找对分类贡献最大的若干尺度和方向，利用联合流形学习的特征选择特性，直接将尺度和方向作为一种特征，进行学习，使尺度方向选择与降维同时进行；S4：建立张量联合流形学习模型，具体地，基于所述脑电信号局部特性、邻域特性和内蕴特性来建构用于通道选择和特征提取的数学优化学习模型，构造同类相似矩阵和异类相似矩阵，计算惩罚系数，然后结合联合学习中引入的L2,1范数，确定最终的优化目标函数；S5：二维联合流形学习的快速求解，具体地，利用拉格朗日乘子法或者序列二次规划方法求解所述目标函数；S6：根据所述低信噪比脑电信号的准确分类。本专利技术的有益效果是：本专利技术的联合流形学习在提取脑电信号特征时可以同时实现通道选择，即联合学习仅从对识别比较重要的通道提取特征。这样的特征有两方面优点：一方面可以增强特征实际意义的解释，另一方面利用联合学习对特定脑电信号进行通道选择，所得到的结果也有助于神经生物学的发展，可以帮助研究人员确认相关电位，与神经生物学的研究成果进行相互验证等。另外，本专利技术的通道选择与特征提取可以应用到未来的BCI系统中，克服现有BCI系统识别率低等问题，对于BCI技术的发展具有重要意义。附图说明图1是本专利技术的研究框架图；图2是学习模型的建立示意图；图3是联合学习模型求解及应用示意图；图4是多尺度多方向变换域中的通道寻则与特征提取示意图。本文档来自技高网...

【技术保护点】
一种脑电信号特征提取及解释方法，其特征在于：所述方法包括以下步骤：S1：获取脑电信号；S2：对所述脑电信号进行预处理；S3：在多尺度多方向域提取所述脑电信号的特征，利用Fisher准则或者最大间隔准则自适应的寻找对分类贡献最大的若干尺度和方向，利用联合流形学习的特征选择特性，直接将尺度和方向作为一种特征，进行学习，使尺度方向选择与降维同时进行；S4：建立张量联合流形学习模型，具体地，基于所述脑电信号局部特性、邻域特性和内蕴特性来建构用于通道选择和特征提取的数学优化学习模型，构造同类相似矩阵和异类相似矩阵，计算惩罚系数，然后结合联合学习中引入的L2,1范数，确定最终的优化目标函数；S5：二维联合流形学习的快速求解，具体地，利用拉格朗日乘子法或者序列二次规划方法求解所述目标函数；S6：根据所述低信噪比脑电信号的准确分类。

【技术特征摘要】
1.一种脑电信号特征提取及解释方法，其特征在于：所述方法包括以下步骤：S1：获取脑电信号；S2：对所述脑电信号进行预处理；S3：在多尺度多方向域提取所述脑电信号的特征，利用Fisher准则或者最大间隔准则自适应的寻找对分类贡献最大的若干尺度和方向，利用联合流形学习的特征选择特性，直接将尺度和方向作为一种特征，进行学习，使尺度方向选择与降维同时进行；S4：建立张量联合流形学习模型，具体地，基于所述脑电信号局部特性、邻域特性和内蕴特性来建构用于通道选择和特征提取的数学优...

【专利技术属性】
技术研发人员：王岢，张海军，李旭涛，叶允明，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东;44