【技术实现步骤摘要】
基于多元变分模态分解的脑电多域特征提取方法
本专利技术属于模式识别领域,是针对运动想象脑电信号(EEG),提出利用多元变分模态分解(MVMD)对原始脑电多通道数据进行自适应分解,然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征,同时将IMF分量合并构造新的信号矩阵,并采用共空间模式(CSP)法对重构信号提取空间特征,来进行时域、非线性动力学以及空域特征的结合的特征及分类的方法。
技术介绍
脑机接口技术(BCI)是一种不依赖于人体神经和肌肉组织的正常传输通路,而直接进行人脑与外界之间信息交流的人机交互系统,对于活动能力缺失患者的能力恢复和功能训练具有重要意义,可以为意识障碍和中风患者的康复提供很大的帮助,患者可以通过该技术实现机械设备的控制,完成所需的动作。基于运动想象的BCI是研究最为广泛的一类,运动想象型BCI通过捕捉和识别不同运动想象任务下的EEG信号来实现大脑与外界的信息交换和控制。然而,EEG信号具有非平稳性、非线性等特点,单一角度的特征不能有效体现出信号特点的全面性,因此如何从EEG信号中提取出能全面且有效的识别运动任务的特征,对BCI系统的性能至关重要。判别运动想象EEG信号通常需要三个步骤:预处理、特征提取、分类器分类。而特征提取往往是最重要的环节,提取的特征好坏直接决定了分类的效果,因此如何提取有利分类的特征是研究的重要课题。近年来,针对传统特征提取算法在运动想象脑电信号时频特性分析的不足,1998年Huang等人提出了经典的由数据驱动进行分解的时频分析 ...
【技术保护点】
1.基于多元变分模态分解的脑电多域特征提取方法,其特征在于:包括以下步骤:/n步骤(1):多通道脑电信号采集并进行预处理;/n步骤(2):对多通道数据进行MVMD分解;具体为:/n对于包含C个数据通道的输入数据X(t),记为[x
【技术特征摘要】
1.基于多元变分模态分解的脑电多域特征提取方法,其特征在于:包括以下步骤:
步骤(1):多通道脑电信号采集并进行预处理;
步骤(2):对多通道数据进行MVMD分解;具体为:
对于包含C个数据通道的输入数据X(t),记为[x1(t),x2(t),…xC(t)],MVMD算法的具体步骤如下:
①、预先定义k个窄带IMF分量uk(t),使
其中,uk(t)=[u1(t),u2(t),…uC(t)];
利用希尔伯特变换的算法分别得到向量uk(t)中每一个元素的解析表示,记为以计算单边频谱,然后与指数项相乘来调整其对应的中心频率ωk(t),使每个模态的频谱被调制到与它相对应的基频带上,通过谐波转换后的梯度函数的L2范数来估计出各模态uk(t)的带宽;
由于单个的频率分量ωk被用作为整个向量的谐波混频,因此需要在多元振荡uk(t)中找到在多个通道的共同频率分量ωk,考虑的所有通道,使每个通道所分解的IMF分量之和能够再现该输入信号,且最小化模态函数带宽之和,受约束的相关优化问题变为:
其中,uk,c(t)表示相应的通道数c和向量uk(t)中的元素,表示对应的uk,c(t)中每一个元素的解析表示,表示与时间相关的偏导数;
③、对变分问题求解,构造增广的拉格朗日表示为:
其中,α为二次惩罚因子,其保障存在高斯噪声时信号的重构精度,λc(t)为拉格朗日乘子,使得约束条件保持严格性;
④、为了解决这个转变后的非约束性的变分问题,应用乘子交替方向法来更新和以寻找增广拉格朗日表达式的鞍点;具体做法为:
1)模态更新
模态更新的最小化问题相当于:
利用Parseval傅里叶变换,将其变换到频域,与VMD算法的模式更新方法类似,得到模式更新为:
2)中心频率更新
由于增广拉格朗日函数的后两项不依赖于ωk,则中心频率更新所对应的优化问题可以简化为:
同样利用Parseval傅里叶变换,将该优化转换到频域,得到在傅里叶域中的等效问题为:
得到中心频率的更新方法:
通过更新关系自适应地分解信号的频带,得到k个窄带IMF分量;此外,由于MVMD方法能同时计算多个通道数据,保证了通道间频率的一致性,使信号的分析更趋于稳定;
步骤(3):将式(1)的各分量uk(t)进行希尔伯特谱分析,定义为uk(t)与1/πt的卷积,即:
其中,μ为积分变量;
由uk(t)作为实部,它的希尔伯特变换作为虚部,得到其解析信号和瞬时幅值为:
Uk(t)=uk(t)+j0H[uk(t)](10)
其中,j0为虚数单位;
然后计算每个通道的平均瞬时能量值为:
其中n为采样点数目,为第i个采样点对应的瞬时能量值;取瞬时能量均值作为时域特征,记为F1;
步骤...
【专利技术属性】
技术研发人员:孟明,闫冉,尹旭,戴橹洋,胡家豪,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
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。