【技术实现步骤摘要】
一种改进的EEG信号特征提取方法
[0001]本专利技术属于信号处理
,具体涉及一种改进的EEG信号特征提取方法。
技术介绍
[0002]EEG信号易受噪声影响,例如眼电(EOG)、肌电(EMG)、心电(ECG)、以及电源线等干扰。为滤除EEG观测信号中的噪声并恢复源信号,多年来开发的技术主要包括时域分析、频域分析和时频分析方法,例如,ICA(独立成分分析)和小波变换方法。
[0003]ICA(独立成分分析)是一种无监督的统计学习方法,可以将复杂的混合信号分解为独立的分量。在BCI
‑
P300系统中,已经使用独立成分分析(ICA)将P300与背景噪声区分开,以实现对运动图像任务的伪影识别。但是,由于ICA算法无法获得时域噪声信号的特征,如果将其视为噪声,则会去除某些区域的大脑活动成分,也就是说,一些有价值的大脑活动信息可能会丢失。
[0004]小波变换方法(wavelet transform,WT)是1980年代后期发展起来的应用数学的一个分支,是一种时频分解技术,并已广泛应用于信号处理、图像处理和语音识别等领域。由于通过WT后信号和噪声的统计特性不同,因此在多尺度分析中表现出不同的传播行为。该特性可用于对噪声信号进行降噪。但是,WT不能有效地保留噪声的时频结构,也无法单独恢复隐藏在噪声成分中的神经活动。
[0005]CSP算法(共空间模式)是一种对两分类任务下的空域滤波特征提取算法,能够从多通道的脑机接口数据里提取出每一类的空间分布成分。这种空间滤波器适用于BCI实现 ...
【技术保护点】
【技术特征摘要】
1.一种改进的EEG信号特征提取方法,其特征在于,包括以下步骤:步骤1,读取原始脑电观测信号X(t)=(x1(t),
…
,x
m
(t))
T
,其中,x1(t),
…
,x
m
(t)代表原始脑电观测信号的第1个分量,...,原始脑电观测信号第m个分量;m代表原始脑电观测信号的分量数量;t代表原始脑电观测信号的采样时间;步骤2,采用下式,对原始脑电观测信号X(t)去均值,得到处理后的脑电观测信号X
’
(t);X
’
(t)=X(t)
‑
E[X(t)]其中:E[
·
]表示数学期望;步骤3,采用下式,将处理后的脑电观测信号X
’
(t),分解为各分量间互不相关的脑电信号Z(t)=(z1(t),
…
,z
m
(t))
T
::其中:代表投影因子;D
s
是以X
’
(t)的协方差矩阵C
X
=E[X
’
(t)*X
’
(t)
T
]特征值为对角元素的对角矩阵;U
s
是以C
X
的单位范数特性向量为列的矩阵;I是单位矩阵;σ表示X
’
(t)的噪声方差,步骤4,采用以下方法,得到最终的解混矩阵:步骤4.1,设置解混矩阵的初始值为W;步骤4.2,采用下式,得到解混矩阵的优化值W
*
:W
*
=E[Z(t)G(W
T
Z(t))]
‑
E[G'(W
T
Z(t))]W其中:G'(
·
)代表G(
·
)的导数;G(
·
)的含义为:令x=W
T
Z(t),则:G(x)=xexp(
‑
x2/2);步骤4.3,采用下式,对解混矩阵的优化值W
*
进行去相关和归一化处理,得到处理后的解混矩阵混矩阵其中:||
·
||表示范数;步骤4.4,判断处理后的解混矩阵是否收敛,即:处理后的解混矩阵的无穷范数是否小于10
‑6,如果是,则代表收敛,此时得到的处理...
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。