一种脑电信号的特征提取方法、装置、系统及介质制造方法及图纸

本申请提供了一种脑电信号的特征提取方法、装置、系统及介质，涉及脑电信号处理技术领域，该方法包括获取脑电信号；使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时

【技术实现步骤摘要】
一种脑电信号的特征提取方法、装置、系统及介质


[0001]本申请涉及但不限于脑电信号处理
，尤其涉及一种脑电信号的特征提取方法、装置、系统及介质。

技术介绍

[0002]脑机接口(Brain
‑
Computerlnterface，BCI)系统通过解码大脑信号并将其直接转换为对计算机或外部设备的控制命令，建立了直接的人机交互通道。头皮脑电(Electroencepha logram，EEG)具有非侵入性和高时间分辨率的特性，因此基于EEG的脑机接口系统在生理安全和实时控制方面具有明显优势。
[0003]运动想象脑电信号在运动控制领域具有天然的优势，然而，运动想象属于自发脑电，有用信号淹没在神经背景噪声当中，信噪比低、随机性强；而且，个体内变化和个体间差异也非常显著，使得运动想象脑电信号的解码非常困难。
[0004]现有的脑电信号的特征提取方法仍存在一定的局限性，并不能完整表征脑电信号模式。因此，如何对现有的脑电信号的特征提取方式进行改进，充分考虑脑电特性，提取完备、多视角的脑电特征成为亟待解决的问题。

技术实现思路

[0005]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0006]本申请实施例提供了一种脑电信号的特征提取方法、装置、系统及介质，以提取更完备的脑电信息，从而更完整表征脑电信号模式。
[0007]第一方面，本申请实施例提供了一种脑电信号的特征提取方法，包括：
[0008]获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
[0009]使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
[0010]分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时
‑
频
‑
空
‑
图域特征，将所述时
‑
频
‑
空
‑
图域特征作为对脑电信号提取得到的特征。
[0011]在一些实施例中，所述分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时
‑
频
‑
空
‑
图域特征，包括：
[0012]提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时
‑
频
‑
空特征向量；
[0013]提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时
‑
频
‑
图特征向量；
[0014]将每个单试次数据的时
‑
频
‑
空特征向量与时
‑
频
‑
图特征向量融合后级联，得到
时
‑
频
‑
空
‑
图域特征。
[0015]在一些实施例中，所述提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时
‑
频
‑
空特征向量，包括：
[0016]获取单试次数据；
[0017]基于共同空间模式算法建立目标函数：所述目标函数用于表征两类不同任务的脑电信号的方差比值；
[0018]对所述目标函数进行求解，取多个较大特征值和较小特征值所对应的特征向量，形成空间滤波器；
[0019]基于所述空间滤波器对单试次数据进行滤波，确定滤波后的单试次数据的对数方差特征；
[0020]将所述对数方差特征级联，得到所述单试次数据对应的特征向量；
[0021]对每个单试次数据提取一组特征向量，将每个单试次数据的特征向量级联后得到时
‑
频
‑
空特征向量。
[0022]在一些实施例中，所述提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时
‑
频
‑
图特征向量，包括：
[0023]获取单试次数据；
[0024]构建所述单试次数据的脑网络图，将所述脑电信号中的每个电极通道分别作为脑网络图中的一个节点；采用基于相位同步的评价指标确定任意两个电极通道之间的关联度，作为脑网络图的边；
[0025]将脑网络图的节点和边组织成邻接矩阵形式，得到所述单试次数据的权重邻接矩阵，进而将所述权重邻接矩阵转化为二值邻接矩阵；
[0026]基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征；
[0027]将每个单试次数据的图域特征级联，得到时
‑
频
‑
图特征向量。
[0028]在一些实施例中，所述基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征，包括：
[0029]基于所述单试次数据的权重或者二值邻接矩阵计算全局图特征，所述全局特征包括特征路径长度、全局效率、模块度和传递性；
[0030]基于所述单试次数据的权重或者二值邻接矩阵计算局部图特征，所述局部图特征包括度、介数中心性、聚类系数和特征向量中心性；在局部图特征计算中，每个电极通道分别得到一个节点的图特征，将所有节点的局部特征取平均值得到局部图特征；
[0031]将所述全局图特征和局部图特征中的至少一种作为所述单试次数据的图域特征。
[0032]在一些实施例中，所述将每个单试次数据的时
‑
频
‑
空特征向量与时
‑
频
‑
图特征向量融合后级联，得到时
‑
频
‑
空
‑
图域特征，包括：
[0033]提取每个单试次数据中的一个全局图特征或一个局部图特征，作为所述单试次数据的时
‑
频
‑
图特征向量；或者，分别提取单试次数据中的一个全局图特征和一个局部图特征进行组合，作为所述单试次数据的时
‑
频
‑
图特征向量；
[0034]将每个单试次数据的时
‑
频
‑
图特征向量与时
‑
频
‑
空特征向量一一对应的融合，得到时
‑
频
‑
空
‑
图域特征。
[0035]第二方面，本申请实施例还提供了一种脑电信号的特征提取装置，所述脑电信号
的特征提取装置包括：
[0036]第一模块，用于获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
[0037]第二模块，用于使用滤波器组对所述脑电信号进行带通滤波，得到多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号的特征提取方法，其特征在于，包括：获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时
‑
频
‑
空
‑
图域特征，将所述时
‑
频
‑
空
‑
图域特征作为对脑电信号提取得到的特征。2.根据权利要求1所述的脑电信号的特征提取方法，其特征在于，所述分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时
‑
频
‑
空
‑
图域特征，包括：提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时
‑
频
‑
空特征向量；提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时
‑
频
‑
图特征向量；将每个单试次数据的时
‑
频
‑
空特征向量与时
‑
频
‑
图特征向量融合后级联，得到时
‑
频
‑
空
‑
图域特征。3.根据权利要求2所述的脑电信号的特征提取方法，其特征在于，所述提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时
‑
频
‑
空特征向量，包括：基于共同空间模式算法建立目标函数：所述目标函数用于表征两类不同任务的脑电信号的方差比值；对所述目标函数进行求解，取多个较大特征值和较小特征值所对应的特征向量，形成空间滤波器；基于所述空间滤波器对单试次数据进行滤波，确定滤波后的单试次数据的对数方差特征；将所述对数方差特征级联，得到所述单试次数据对应的特征向量；对每个单试次数据提取一组特征向量，将每个单试次数据的特征向量级联后得到时
‑
频
‑
空特征向量。4.根据权利要求2所述的脑电信号的特征提取方法，其特征在于，所述提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时
‑
频
‑
图特征向量，包括：获取单试次数据；构建所述单试次数据的脑网络图，将所述脑电信号中的每个电极通道分别作为脑网络图中的一个节点；采用基于相位同步的评价指标确定任意两个电极通道之间的关联度，作为脑网络图的边；将脑网络图的节点和边组织成邻接矩阵形式，得到所述单试次数据的权重邻接矩阵，进而将所述权重邻接矩阵转化为二值邻接矩阵；基于所述权重或者二值邻接矩阵确定所述单试...

【专利技术属性】
技术研发人员：张绍荣，盘书宝，唐洪贶，莫云，王勇军，郭岩，冯宝，孙山林，蒋成亮，李运德，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：