【技术实现步骤摘要】
本专利技术属于脑电信号模式识别领域,特别涉及一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法。
技术介绍
经过多年的探索和发展,基于脑电(electroencephalography,EEG)的脑机接口(BrainComputerInterface,BCI)技术已经在神经康复领域显示了它特殊的价值,BCI为人和机器提供了另外一条消息及控制命令传输通道。在基于EEG的多种BCI系统中,基于运动想象的BCI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-relateddesynchronization,ERD)及事件相关同步(event-relatedsynchronization,ERS)现象,因此通过对运动感知节律(SensoryMotorRhythms,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。更为重要的是,由于人脑具有可塑性,对运动感知回路及初级运动皮层的激活可以进一步促进神经再连,这对于中风病人的运动功能恢复而言具有十分重要的意义。研究表明,ERD和ERS现象均只发生在特定的频段及时间区间内,因此需要通过带通 ...
【技术保护点】
一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法,其特征在于,该方法包含以下几个步骤:步骤一、脑电信号导联通道选择:将采集的包含左右手两类运动想象模式多导联通道脑电信号作为训练集中的样本,采用线性判别准则量化每个导联通道的类间(两类运动想象模式)区分能力,并对各个导联通道的类间区分能力进行降序排序,选择前若干个导联通道,抽取所选择的导联通道内的脑电信号;步骤二、最优频带及最优时间窗口选择:针对步骤一选择的训练集中的若干个导联通道内的脑电信号,采用人工蜂群算法进行最优频带和最优时间窗口的选择;步骤三、运动想象脑电信号特征提取:将采集的包含左右手两类运动想象模式多导联通道脑电信号作为测试集中的样本,抽取测试集中与步骤一所选择的导联通道相对应的脑电信号,并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取;将经过上述处理后的训练集和测试集中的脑电信号,均采用共空间模式(Common Spatial Pattern,CSP)算法进行空域滤波,并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征;步骤四、特征分类:根据步骤三中得到的训练集的特征构建线性判别分析(Line ...
【技术特征摘要】
1.一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法,其特征在于,该方
法包含以下几个步骤:
步骤一、脑电信号导联通道选择:将采集的包含左右手两类运动想象模式多导联通道脑
电信号作为训练集中的样本,采用线性判别准则量化每个导联通道的类间(两类运动想象模
式)区分能力,并对各个导联通道的类间区分能力进行降序排序,选择前若干个导联通道,
抽取所选择的导联通道内的脑电信号;
步骤二、最优频带及最优时间窗口选择:针对步骤一选择的训练集中的若干个导联通道
内的脑电信号,采用人工蜂群算法进行最优频带和最优时间窗口的选择;
步骤三、运动想象脑电信号特征提取:将采集的包含左右手两类运动想象模式多导联通
道脑电信号作为测试集中的样本,抽取测试集中与步骤一所选择的导联通道相对应的脑电信
号,并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取;
将经过上述处理后的训练集和测试集中的脑电信号,均采用共空间模式(Common
SpatialPattern,CSP)算法进行空域滤波,并分别提取滤波后训练集和测试集中的脑电信号的
方差作为特征;
步骤四、特征分类:根据步骤三中得到的训练集的特征构建线性判别分析(Linear
DiscriminantAnalysis,LDA)分类器,然后根据所述的分类器对测试集中的特征进行分类,获
得分类准确率。
2.根据权利要求1所述的基于人工蜂群时频参数优化的运动想象脑电模式识别方法,
其特征在于:步骤一包含如下几个步骤:
(1)将一组包含左右手两类运动想象模式多导联通道脑电信号对应一个样本,针对训
练集内的每个样本,对脑电信号进行滑动窗口处理,时间窗口长度设为1秒,在每个导联通
道的每一个时间窗口内计算能量Pch,t=log(var(xch,t)),其中xch,t为导联通道ch上在滑动时间窗
口t内的脑电信号,var()为方差函数,log()为log函数;
(2)在每个导联通道ch的每一个滑动时间窗口t内,针对训练集中的左右手两类运动
想象模式,采用线性判别准则量化类间区分度其中m1和m2分别为训练集
中两类运动想象模式样本的Pch,t的平均值,和为训练集中两类运动想象模式样本的Pch,t的方差;
(3)在每个导联通道上,针对所有滑动时间窗口内的chS求取其最大值作为该导联的
\t类间区分度指标;
(4)针对所有导联通道,按类间区分度指标进行降序排序,选取前若干个导联通道脑
电信号。
3.根据权利要求1所述的基于人工蜂群时频参数优化的运动想象脑电模式识别方法,
其特征在于:步骤二中采用人工蜂群算法进行最优频带和最优时间窗口的选择具体包括以下
步骤:
(1)种群初始化:包括蜜蜂总数NP,采蜜蜂数量FoodNumber,控制参数Limit,最大迭代次数maxIter以及容忍误差toleranceTh,初始化迭代次数Iter=1,随
机生成一个含有NP个解的初始种群,每个解xi是一个4维矢量,其中i=1,2,…,NP,xi(1)代
表频带起始端点,xi(2)代表频带宽度,xi(3)代表时间窗口起始端点,xi(4)代表时间窗口长
度;
(2)计算步骤(1)中每个解xi(i=1,2,…,NP)的适应度值,此处的适应度值为左右手两
类运动想象模式的5折交叉验证的平均分类准确率;
(3)采蜜蜂搜索领域内的蜜源,产生新解
xnew(Param)=xold(Param)+fix(rand(xold(Param)-xneighbour(Param))),其中Param是1,2,3,4四个
数中的一个随机数,xneighbour是任一采蜜蜂且xneighbour≠xold,xold为采蜜蜂初始解,xnew为采蜜
蜂新解,fix()代表取整数;
(4)利用贪婪选择策略,从步骤(3)中产生的新解和原来的解中选择适应度值更高的
解,并根据适应度值计算当前采蜜蜂对应的选择概率,概率计算公式为其
中fiti是采蜜蜂i的适应度值;
(5)观察蜂xLook根据步骤(4)中得到的概率选择解,并搜索领域内的解,产生新解
xLookNew(Param)=xFood(Param)+fix(...
【专利技术属性】
技术研发人员:王爱民,苗敏敏,刘飞翔,陈安然,戴志勇,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。