少通道脑机接口EEG信号的特征提取方法技术

本发明专利技术公开了少通道脑机接口EEG信号的特征提取方法，尤其涉及用于脑机接口的信号处理方法，属于认知神经科学、信息处理相交叉的技术领域。本发明专利技术通过基于sin波辅助信号的多变量经验模式分解将少通道EEG信号扩容至多通道，通过将多通道合成信号映射在多维球体上以获取投影极限值瞬时时刻及其对应的通道信号，由投影极限瞬时时刻及其对应的通道信号确定多通道合成信号局域均值，以多通道合成信号及其局域均值的差值为固有模态函数，经过多次迭代计算获得多个固有模态函数。本发明专利技术提出的基于sin波辅助信号的多变量经验模式分解有效克服了传统多变量经验模式分解的模态混叠的缺点，能够提高脑机接口系统的分类正确率。

Feature extraction method of EEG signal for small channel brain computer interface

The invention discloses a feature extraction method for the EEG signal of a small channel brain machine interface, in particular to the signal processing method used in the brain machine interface, which belongs to the technical field of cognitive neuroscience and information processing. Through multivariable empirical mode decomposition based on the sin wave auxiliary signal, the invention expands the small channel EEG signal to the multi channel, and maps the multichannel synthetic signal on the multi-dimensional sphere to obtain the instantaneous moment of the projection limit value and its corresponding channel signal, and determines the multipass by the projection limit and its corresponding channel signal. The local mean value of the signal is synthesized, and the difference between the multichannel synthetic signal and its local mean is an inherent modal function, and many inherent modal functions are obtained through iterative computation. The multivariable empirical mode decomposition based on the sin wave auxiliary signal proposed by the invention effectively overcomes the shortcomings of the modal aliasing of the traditional multivariable empirical mode decomposition, and can improve the classification accuracy of the brain machine interface system.

【技术实现步骤摘要】
少通道脑机接口EEG信号的特征提取方法
本专利技术公开了少通道脑机接口EEG信号的特征提取方法，尤其涉及脑机接口的信号处理方法，属于认知神经科学和信号处理相交叉的

技术介绍
脑机接口(Brain-ComputerInterface,BCI)是大脑与外部环境之间建立的一种信息交互和控制通道，人们利用这种通道可以不需要通过语言或肢体动作就能够进行大脑控制意识的表达，从而实现了对外部设备的操控。BCI系统的关键是将大脑控制意识进行精确的分类以区分不同的控制操作，对于脑信号进行有效的特征提取和分类是有关BCI系统性能指标的关键技术。考虑到设备成本和便携性，目前的BCI的信号来源主要使用脑电图(Electroencephalography,EEG)信号，其中，少通道EEG信号是BCI系统商品化和实用化的基本要求。EEG通道数的减少使得可供BCI系统进行特征提取和分类的信息量减少，需要采用信号处理的方法对少通道EEG信号进行信息扩容和发掘。同时，由于BCI的EEG信号具有非线性非平稳的特性，需要选用针对非线性非平稳特性的信号处理方法对EEG进行信号处理。多变量经验模态分解(MultivariateEmpiricalModeDecomposition，MEMD)是一种新型的自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理。MEMD将信号分解为有限个固有模态函数(IntrinsicModeFunction，IMF)，各个IMF分量包含了原始信号的不同时间尺度的局部特征，但是传统的MEMD存在较为严重的模态混叠，这使得传统MEMD在实际使用中的效果受到一定的制约。共空间模式(CommonSpatialPatterns，CSP)是BCI系统中广泛使用的一种特征提取方法，使用CSP对BCI的训练集数据进行学习可以得到使方差差异最大化的最优空间滤波器，将此最优空间滤波器应用到待分类的BCI信号上可以得到差异最大化的特征，为提升BCI系统的分类效果提供帮助。然而，针对多通道数据的CSP对少通道数据特征提取的效果欠佳，CSP这一特点制约了其在少通道BCI系统中的应用。本专利技术旨在提出一种改进的MEMD对少通道EEG信号进行信息扩容和发掘，对扩容后的数据采用共空间模式提取特征以实现提高BCI系统分类争取类的专利技术目的。
技术实现思路
本专利技术的专利技术目的是针对上述
技术介绍
的不足，提供了少通道脑机接口EEG信号的特征提取方法，利用sin波作为辅助信号对少通道EEG信号进行多变量经验模式分解实现了EEG信号时频特性信息的扩容，减少模态混叠进而提高了BCI系统的分类正确率，解决了共空间模式提取少通道脑机接口EEG信号特征的效果不佳这一技术问题。本专利技术为实现上述专利技术目的采用如下技术方案：少通道脑机接口EEG信号的特征提取方法，包括如下步骤：A、针对运动想象的BCI指令采集少通道脑机接口各通道的EEG信号，B、构建单通道sin波辅助信号并对单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号进行多变量经验模式分解得到单通道sin波辅助信号对应的固有模态函数和各通道EEG信号对应的固有模态函数，C、采用共空间模式对各通道EEG信号对应的固有模态函数进行特征提取。进一步的，少通道脑机接口EEG信号的特征提取方法中步骤B的具体方法为：根据各通道EEG信号频谱分布的局部最大值及其对应的频率确定sin波的个数及频率，构建幅值大于各通道EEG信号平均幅值的单通道sin波辅助信号，将单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号表示为多维向量组序列，将多维向量组序列按照方向向量组映射到多维球面上，对各通道信号在多维球面上映射信号的极限值对应的瞬时时刻以及该瞬时时刻对应的信号所构成的坐标组进行插值得到对应于方向向量个数的多元包络，由所述多元包络的均值获得多通道合成信号的局域均值，获取多通道合成信号与其局域均值的差值，判断该差值是否满足固有模态函数判断标准，若满足，则将局域均值作为下一步分解的多通道合成信号，若不满足，则将该差值作为下一步分解的多通道合成信号，上述分解多通道合成信号的步骤迭代进行直至多通道合成信号局域均值小于事先设定的阈值。再进一步的，少通道脑机接口EEG信号的特征提取方法中，单通道sin波辅助信号为：SA为单通道sin波辅助信号，A1为单通道sin波辅助信号的幅值，fi为第i个sin波的频率，N为各通道EEG信号频谱分布局部最大值的个数。再进一步的，少通道脑机接口EEG信号的特征提取方法中，方向向量组通过Hammersley序列采样法在多维球面上均匀采样获得。再进一步的，少通道脑机接口EEG信号的特征提取方法中，多通道合成信号的局域均值为：m(t)为t时刻多通道合成信号的局域均值，K为方向向量的个数，为t时刻多通道合成信号的第k个多元包络，θk为第k个方向向量在多维球面上对应的方向角。一种脑机接口分类输出的方法，利用支持向量机并采用五折法对上述任意一种方法提取的少通道EEG信号特征进行分类。本专利技术采用上述技术方案，具有以下有益效果：(1)针对少通道BCI系统中无法使用CSP的局限性，本专利技术提出的基于sin波辅助信号的多变量经验模式分解可以将少通道EEG信号扩容至多通道，使得CSP得以适用；(2)本专利技术提出的基于sin波辅助信号的多变量经验模式分解，通过将多通道合成信号映射在多维球体上以获取投影极限值瞬时时刻及其对应的通道信号，由投影极限瞬时时刻及其对应的通道信号确定多通道合成信号局域均值，以多通道合成信号及其局域均值的差值为IMF，经过多次迭代计算使得同一模态仅含一种频率成分，有效克服了传统多变量经验模式分解的模态混叠的缺点，能够提高BCI系统的分类正确率。附图说明图1为BCI系统EEG信号处理的流程图。图2为BCI系统获取EEG信号的电极安放位置的示意图。图3为BCI系统单次实验的时间序列图。图4(a)、图4(b)分别为左手运动想象任务下和右手运动想象任务下BCI系统获取的EEG信号频谱图。图5(a)、图5(b)分别为左手运动想象任务下和右手运动想象任务下EEG信号经过MEMD处理的频谱图，图5(c)、图5(d)分别为左手运动想象任务下和右手运动想象任务下EEG信号经过SA-MEMD处理的频谱图。图6为采用本专利技术特征提取方法的BCI系统的平均分类正确率的示意图。具体实施方式下面结合附图对专利技术的技术方案进行详细说明。BCI系统EEG信号处理的流程图如图1所示，将单通道sin波辅助信号与少通道EEG信号组合形成多通道合成信号；对多通道合成信号利用MEMD获得IMF，针对少通道EEG信号对应的IMF利用CSP进行特征提取；将CSP分析过的数据随机分成五份，其中四份作为SVM的训练集获取SVM分类模型，一份作为测试集，将测试集的SVM分类结果作为BCI系统的输出。本专利技术所述的少通道脑机接口EEG信号指的是不超过6通道的脑界接口的EEG信号。BCI系统EEG信号获取的电极安放位置示意图如图2所示，本专利技术使用“BCICompetitionIIDatasetIII”的竞赛数据作为BCI系统的数据来源，该数据来源于如图2所示的三个通道的EEG信号，EEG电极遵照10-20国际电极配置法配置，选用C3，Cz和C4三本文档来自技高网...

【技术保护点】
少通道脑机接口EEG信号的特征提取方法，其特征在于，包括如下步骤：A、针对运动想象的BCI指令采集少通道脑机接口各通道的EEG信号，B、构建单通道sin波辅助信号并对单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号进行多变量经验模式分解得到单通道sin波辅助信号对应的固有模态函数和各通道EEG信号对应的固有模态函数，C、采用共空间模式对各通道EEG信号对应的固有模态函数进行特征提取。

【技术特征摘要】
1.少通道脑机接口EEG信号的特征提取方法，其特征在于，包括如下步骤：A、针对运动想象的BCI指令采集少通道脑机接口各通道的EEG信号，B、构建单通道sin波辅助信号并对单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号进行多变量经验模式分解得到单通道sin波辅助信号对应的固有模态函数和各通道EEG信号对应的固有模态函数，C、采用共空间模式对各通道EEG信号对应的固有模态函数进行特征提取。2.根据权利要求1所述少通道脑机接口EEG信号的特征提取方法，其特征在于，步骤B的具体方法为：根据各通道EEG信号频谱分布的局部最大值及其对应的频率确定sin波的个数及频率，构建幅值大于各通道EEG信号平均幅值的单通道sin波辅助信号，将单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号表示为多维向量组序列，将多维向量组序列按照方向向量组映射到多维球面上，对各通道信号在多维球面上映射信号的极限值对应的瞬时时刻以及该瞬时时刻对应的信号所构成的坐标组进行插值得到对应于方向向量个数的多元包络，由所述多元包络的均值获得多通道合成信号的局域均值，获取多通道合成信号与其局域均值的差值，判断该差值...

【专利技术属性】
技术研发人员：葛盛，史艳华，孙高鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32