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

本发明专利技术公开了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，该方法根据线性判别准则进行导联选择，通过人工蜂群算法进行时域及频域最优参数的选择，采用共空间模式算法进行特征提取，最后由线性判别分析算法进行特征分类。结果表明：导联选择算法能有效选择类间区分度较大的导联通道，同时基于人工蜂群的时频参数优化算法能自动选择类间区分度较大的时间窗口及频带，得到了较好分类结果，能够有效识别不同的运动想象模式。与传统的参数人工选择方法及频域参数自动选择算法相比，本发明专利技术的方法能同时在时域及频域上进行全局最优参数的自动搜寻，更有利于提升运动想象脑电信号的特征提取及特征分类效果。

【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，因此需要通过带通滤波及设置时间窗口进行抽取。特定频段及时间区间的参数确定将直接影响后续特征提取及特征分类的效果，而现有的方法无法同时在时间区间及频带范围上进行全局最优参数的自动选择。人工蜂群算法作为群体智能算法的一种，与其他算法(如遗传算法、粒子群算法)相比，其突出的优点是在每次迭代中都进行全局和局部搜索，找到最优解的概率大大增加，并在较大程度上避免了局部最优，同时收敛速度较快。
技术实现思路
针对现有技术的不足，本专利技术提供了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，能够自动选择具有最大类间区分度的特定频带及特定时间窗口，并获得更高的分类正确率。本专利技术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，采用线性判别准则量化导联通道的类间区分能力，并对各个导联的区分能力进行排序，选择区分能力较高的导联通道脑电信号。将运动想象脑电信号特征提取前的频带及时间窗口参数优化问题中的优化变量对应于人工蜂群算法中蜜源的位置，蜜源的花蜜量对应于优化问题所确定的适应度函数值，采蜜蜂或观察蜂的数量等于解的数目。从一个随机产生的初始种群开始，在每一次迭代中采蜜蜂根据记忆信息在原有蜜源的领域内进行搜索并产生新的蜜源，若新蜜源处的花蜜量比旧蜜源处的多，则根据贪婪准则，用新的蜜源代替旧的蜜源，否则保持旧的蜜源不变，若经过规定次数后依然保持在旧蜜源处，则该采蜜蜂成为侦查蜂。在所有采蜜蜂完成搜索后，返回跳舞区与观察蜂分享蜜源信息及蜜源花蜜量信息，观察蜂根据蜜源花蜜量信息以一定的概率选择蜜源。在每一次迭代后，记录当前最多的花蜜量及其蜜源。当迭代次数达到最大迭代次数或花蜜量达到最大容忍误差时，当前最多的花蜜量即为全局最优适应度函数值，其蜜源位置即为最优参数变量。对于经过步骤一和步骤二得到的特定导联、频带及时间窗口内的原始脑电信号，首先进行去均值化处理，然后针对两类运动想象模式的脑电信号，采用共空间模式(CommonSpatialPattern,CSP)算法进行空滤滤波，并提取滤波后信号的方差作为特征。采用线性判别分析(LinearDiscriminantAnalysis,LDA)算法对特征进行两类分类。具体包含以下步骤：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(CommonSpatialPattern,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(LinearDiscriminantAnalysis,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。进一步地，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。进一步地，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,...,N本文档来自技高网...

【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(Linear Discriminant Analysis,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。...

【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