一种多时段多元多尺度锁相值的相位特征提取方法技术

本发明专利技术涉及一种多时段多元多尺度锁相值(MMMPLV)的相位特征提取方法，首先对运动想象脑电信号进行预处理，并采用噪声辅助多元经验模态分解(NAMEMD)将多导脑电信号同时进行分解，得到多元多尺度固有模态函数(IMFs)；然后根据各尺度IMF的频率范围选取有效的IMF分量；接着分时段计算任意两导联同一尺度IMFs的锁相值(PLV)，将任意两导联各尺度分时段的PLV串联，构成多时段多元多尺度锁相值特征，并将其作为脑电信号的相位特征；将相位特征输入到分类器中进行分类，根据分类正确率选取NAMEMD和MMMPLV中参数的最优值，最终获得最优参数下的脑电相位特征。本发明专利技术提高了运动想象脑电信号的分类正确率。

A phase feature extraction method based on multi period multi-scale and multi-scale phase-locked value

The invention relates to a phase feature extraction method of multi time multiple time multi scale phase locked value (MMMPLV). First, it preprocesses the motion imaginary EEG signal, and uses noise assisted multiple empirical mode decomposition (NAMEMD) to decompose the multi guide EEG at the same time, and obtains the multi-element multi-scale intrinsic modal function (IMFs), and then according to the method, the multi scale multi-scale intrinsic mode function (IMFs) is obtained. The frequency range of each scale IMF is selected as the effective IMF component; then the phase locked value (PLV) of the same scale IMFs of any two lead is calculated in time interval, and the PLV of any two leads of each scale is connected in series, and the multi time multi time multi scale phase locked value feature is formed, and the phase feature of the EEG signal is taken as the phase feature, and the phase feature is input to the component. Classifier is used to classify, and the optimal values of parameters in NAMEMD and MMPLV are selected according to the classification accuracy, and the phase characteristics of EEG under the optimal parameters are obtained. The invention improves the classification accuracy of the motor imagery EEG.

【技术实现步骤摘要】
一种多时段多元多尺度锁相值的相位特征提取方法
本专利技术属于脑电信号处理
，尤其涉及一种多时段多元多尺度锁相值的相位特征提取方法，具体涉及脑-机接口(Brain-ComputerInterface,BCI)系统中对运动想象脑电信号特征的提取方法，采用基于噪声辅助多元经验模态分解(Noise-AssistedMultivariateEmpiricalModeDecomposition,NAMEMD)的多时段多元多尺度锁相值(Multi-periodMultivariateMulti-scalePhaseLockingValue,MMMPLV)方法对运动想象脑电信号进行相位特征提取。
技术介绍
人们想象肢体运动时会激活与实际运动相似的脑区并产生运动想象皮层脑电信号(MotorImageryElectrocorticography，MI-ECoG)。根据皮层可塑性理论，运动想象可以促进受损伤的运动传导通路修复或重建，所以在脑机接口领域，研究人员试图通过识别不同的运动想象任务实现大脑与外界设备的通讯，来帮助运动功能障碍患者与外界进行沟通和交流。因此，如何准确提取MI-ECoG的特征在医疗、康复以及BCI领域尤为重要。人脑是一个具有复杂结构和功能的生物系统，不同的高级脑功能需要多个不同区域神经系统之间进行不同层次的整合和协调来完成，而各神经网络的同步振荡是大脑信息整合和信息处理的主要潜在机制。所以，脑电信号的同步化是研究不同脑区间信息交流的关键部分。针对MI-ECoG信号的非线性以及非平稳性，由于相位同步(PhaseSynchronization，PS)法不受信号幅值的影响，多被用于研究不同脑区和不同导联间的同步关系。锁相值(PhaseLockingValue,PLV)方法是一种相位同步方法，它又称为平均相位相干(MeanPhaseCoherence,MPC)方法。PLV方法是通过对整个脑电信号时间序列求平均来获得两导信号之间的相位同步关系。目前，PLV方法和基于经验模态分解(EmpiricalModeDecomposition,EMD)的PLV方法在MI-ECoG信号的同步性研究中得到了一定的应用。但是PLV方法存在三方面不足：第一，传统的PLV方法通过希尔伯特变换(HilbertTransform，HT)或小波变换(WaveletTransform,WT)提取每导信号的相位信息，但是基于WT计算PLV的方法需要事先确定小波的中心频率和带宽，所以仅对某个频段的相位同步敏感。基于HT计算PLV的方法在处理宽带信号时，要先对信号进行滤波，这会造成部分信息的遗漏并且缺乏自适应性。第二，传统的PLV方法和基于EMD的PLV方法都只在某一个频段或某一个尺度上通过平均整个脑电信号时间序列或本征模态函数(IntrinsicModeFunctions,IMFs)序列来计算两导信号之间的相位同步关系，这忽略了MI-ECoG信号的多尺度特性以及时变特性。第三，EMD方法在分解信号时只能对一导信号进行分解，忽略了多通道脑电信号之间的信息，并且EMD还会产生模态混叠和模态校准问题，这不利于多通道MI-ECoG信号的研究，并且会导致模式分类正确率不高。
技术实现思路
针对现有PLV方法的不足，本专利技术提出了一种多时段多元多尺度锁相值的相位特征提取方法，基于NAMEMD的MMMPLV的运动想象脑电信号特征提取。此方法不仅保留了多通道信号之间的有用信息，还从多个尺度上提取MI-ECoG信号的细节相位特征，精细地刻画了MI-ECoG的非线性、非平稳性、多尺度以及时变等特性，并且提高了脑电信号的分类正确率。为实现上述目的，本专利技术采用如下的技术方案：一种多时段多元多尺度锁相值的相位特征提取方法，包括以下步骤：步骤1、对MI-ECoG脑电信号进行预处理；步骤2、对步骤1得到的多导脑电信号同时进行NAMEMD分解，得到多元多尺度IMFs分量；步骤3、接着选取符合MI-ECoG频率范围的IMFs分量，采用MMMPLV方法提取脑电信号的相位特征，使用支持向量机(SupportVectorMachine,SVM)对相位特征进行分类，根据分类正确率对NAMEMD和MMMPLV中的参数进行优化，最终提取出最优参数下的脑电相位特征。MI-ECoG信号特征提取的生理学依据是：研究表明，当受试者在进行单侧肢体运动想象时，对侧大脑皮层运动感觉区的μ节律(8-13Hz)和β节律(13-30Hz)的振幅明显降低，这种现象称为事件相关去同步(Event-RelatedDesynchronizations,ERD)；而同侧大脑皮层运动感觉区的μ节律和β节律的振幅明显增大，称为事件相关同步(Event-RelatedSynchronizations,ERS)。ERD/ERS现象为运动想象脑电信号特征提取的研究提供了理论基础。作为优选，步骤1具体为：对信号进行8-30Hz带通滤波，得到信号X(t)＝[X1(t),X2(t),Λ,XN(t)]T∈RN×K，其中N和K分别表示导联数和采样点数。作为优选，步骤2具体为：步骤2.1，将N导脑电信号和M导不相关的并且和原信号等长的高斯白噪声信号组合，构成复合信号X1(t)＝[X1(t),X2(t),...,XN+M(t)]T∈R(N+M)×K，其中，噪声幅值为Am；步骤2.2，对(N+M)元信号X1(t)进行多元经验模态分解，参数方向向量的个数为d，信号X1(t)被分解成一系列分量和余量r(t)的加和形式，即：其中，cj(t)为(N+M)元信号的(N+M)元IMFs分量r(t)表示(N+M)个余量q表示(N+M)元IMFs分量的层数，各层IMF包含了原信号不同频率尺度特征的信息；步骤2.3，从(N+M)元IMFs中删除M导噪声通道对应的IMFs分量，保留步骤1中脑电信号X(t)的N元IMFs分量j＝1,2,Λq。作为优选，步骤3具体包括：步骤3.1，根据各尺度IMF的频率范围，选取N导信号的前L层IMFs分量(j＝1,2,ΛL，L≤q)；步骤3.2，对N导信号前L层IMFs分量分别构造解析信号并求得其各尺度IMF的瞬时相位公式如下：其中，i为虚数单位，l表示第l层IMF分量，l＝1,2,Λ,L，Xs表示第s导脑电信号，s＝1,2,Λ,N，为对应的希尔伯特变换为解析信号的幅值；步骤3.3，计算a,b两导信号同一尺度的IMF的瞬时相位差，公式如下：其中，a,b＝1,2,Λ,N，a≠b；步骤3.4，计算给定时间窗下a,b两导信号间第l层IMF的第n段的锁相值；其中，tL表示选取的时间窗口长度，<·>表示对时间段tL取平均，在给定时间窗下，各尺度IMF无重叠地被分为w个时段，w＝TL/tL，TL为总的采样时间，n＝1,2,Λ,w，PLV取值范围为[0,1]；步骤3.5，构建特征向量F；将a,b两导信号间的同一尺度IMF的w个时段的锁相值串行融合，构成多时段锁相值，即MPLV：再将a,b两导信号间的各尺度IMF的MPLV串行融合形成多时段多尺度锁相值，即MMPLV：最后，将任意两导联的MMPLV串行融合，构成多时段多元多尺度锁相值，即MMMPLV：其中，表示特征维数，公式如下：其中，C表示组合运算；步骤3.6，本文档来自技高网...

【技术保护点】
1.一种多时段多元多尺度锁相值的相位特征提取方法，其特征在于，包括以下步骤：步骤1、对MI‑ECoG脑电信号进行预处理；步骤2、对步骤1得到的多导脑电信号同时进行NAMEMD分解，得到多元多尺度IMFs分量；步骤3、接着选取符合MI‑ECoG频率范围的IMFs分量，采用MMMPLV方法提取脑电信号的相位特征，使用支持向量机(Support Vector Machine,SVM)对相位特征进行分类，根据分类正确率对NAMEMD和MMMPLV中的参数进行优化，最终提取出最优参数下的脑电相位特征。

【技术特征摘要】
1.一种多时段多元多尺度锁相值的相位特征提取方法，其特征在于，包括以下步骤：步骤1、对MI-ECoG脑电信号进行预处理；步骤2、对步骤1得到的多导脑电信号同时进行NAMEMD分解，得到多元多尺度IMFs分量；步骤3、接着选取符合MI-ECoG频率范围的IMFs分量，采用MMMPLV方法提取脑电信号的相位特征，使用支持向量机(SupportVectorMachine,SVM)对相位特征进行分类，根据分类正确率对NAMEMD和MMMPLV中的参数进行优化，最终提取出最优参数下的脑电相位特征。2.如权利要求1所述的多时段多元多尺度锁相值的相位特征提取方法，其特征在于，步骤1具体为：对信号进行8-30Hz带通滤波，得到信号X(t)＝[X1(t),X2(t),Λ,XN(t)]T∈RN×K，其中N和K分别表示导联数和采样点数。3.如权利要求2所述的多时段多元多尺度锁相值的相位特征提取方法，其特征在于，步骤2具体为：步骤2.1，将N导脑电信号和M导不相关的并且和原信号等长的高斯白噪声信号组合，构成复合信号X1(t)＝[X1(t),X2(t),...,XN+M(t)]T∈R(N+M)×K，其中，噪声幅值为Am；步骤2.2，对(N+M)元信号X1(t)进行多元经验模态分解，参数方向向量的个数为d，信号X1(t)被分解成一系列分量和余量r(t)的加和形式，即：其中，cj(t)为(N+M)元信号的(N+M)元IMFs分量r(t)表示(N+M)个余量q表示(N+M)元IMFs分量的层数，各层IMF包含了原信号不同频率尺度特征的信息；步骤2.3，从(N+M)元IMFs中删除M导噪声通道对应的IMFs分量，保留步骤...

【专利技术属性】
技术研发人员：李明爱，南琳，杨金福，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11