本发明专利技术公开了一种基于感兴趣脑区选择和连续小波变换的脑电解码方法；该方法通过使用公开头部解剖模板建立信号传导模型，并使用标准化低分辨率层析成像方法获得皮质脑电，然后基于源偶极子点的几何参数和运动想象脑电信号的生理学基础，对源成像之后的源区域进行更仔细地划分，进一步为了更好地权衡信号在时域和频域上的特征，使用连续小波变换进行特征提取，最后使用卷积神经网络完成特征的自动分类与挑选。本发明专利技术方法能在四分类运动想象脑电任务中取得较高的准确率，并具有较好的生理解释性。本发明专利技术中提出的感兴趣脑区划分方法有助于提高科研人员对脑电分析的效率，同时提出的解码方法有助于建立更加高效的人机交互系统。码方法有助于建立更加高效的人机交互系统。码方法有助于建立更加高效的人机交互系统。
【技术实现步骤摘要】
一种基于感兴趣脑区选择和连续小波变换的脑电解码方法
[0001]本专利技术属于计算机应用技术、生物医学工程、人工智能和脑科学
，具体的说，涉及一种基于感兴趣脑区选择和连续小波变换的脑电解码方法。
技术介绍
[0002]脑机接口技术实现人脑与外部设备的通信，通过将人的大脑活动解码为控制指令来控制外部设备。运动想象解码是脑机接口领域研究的热点问题，EEG由于其无创性、易于采集性和高时间分辨率等有点，已经称为运动想象解码BCI系统研究中最重要的脑电信号之一。例如，BCI系统可以通过识别大脑在想象特定动作的脑电信号来实现光标控制和机械臂的运动，甚至可以完成文本输入。
[0003]然而，覆盖在头皮的有限数量电极采集到的脑电信号空间分辨率非常低，这导致解码算法无法有效的利用运动想象脑电的空间信息。造成这种现象的原因是体积传导效应，体积传导效应指的是皮质神经元活动可以通过大脑组织发散到头皮上不同的位置，这极大地削弱了颅内神经元活动在头皮空间上的表达。体积传导效应使得多个传感器测得的信号内容相似，进一步削弱了解码算法的有效性。过去有增加头皮点击数量的方法来弥补这种缺陷，但电极间始终存在一定距离限制，使得电极数量会存在上限。另外有一些方法尝试联合多模态电磁生理采集技术，如在采集脑电的同时采集近红外信号，使用近红外信号空间分辨率高的优点弥补脑电空间分辨率低的弱点。但是这种做法会极大增加应用成本，也不方便开展应用。电生理源成像技术是一种获得高空间分辨率的方法，通过MRI获取精确大脑模型，同时获得高分辨率的大脑空间信息，并且该模型可以长期使用。在得到精确的头部模型后，通过逆解算法和边界约束条件，能得到大脑皮层神经元活动与头皮电极信号之间的映射关系。同时，深度学习技术在运动想象脑电信号解码中也有广泛的应用，越来越多研究人员将源成像技术与深度学习技术结合，尤其是卷积神经网络(CNN)和循环神经网络(RNN)。在脑机接口系统的实际应用中，一个十分重要的问题就是如何选择特征提取方法，在脑电分析过程中提取多个域的特征可以取得更好的解码效果。
[0004]此外过去有许多研究者分析了α波段高密度头皮电极的源成像信号和真实的颅内信号，发现两者之间存在显著差异。也就是说，他们的研究给出了头皮脑电图可以感知皮层下信号的直接证据。通道选择是脑机接口系统中一个非常重要的问题，在传感器域进行通道选择包含更有效信息的电极通常能够提高解码脑电信号的准确率。并且，在通道选择时，针对覆盖在不同脑功能区域上的电极也有不同的划分。对于源域的信号，目前的研究基于Desikan
‑
Killiany分区划分不同的脑功能区进行分析，但对源域区域进一步细分的信号特征提取与分类较少。
[0005]因此，由于以上出现的问题，如何设计一种准确的、具有一定生理可解释性的运动想象脑电数据解码框架是非常值得研究的，同时也是本专利技术所要解决的问题。
技术实现思路
[0006]为了解决以上这些问题，本专利技术提供一种基于感兴趣脑区选择和连续小波变换的脑电解码方法；该方法基于源成像技术，通过数学方法设计四种不同的源成像脑区域，对脑电信号在空间上的表现进一步细化，并通过连续小波变换和卷积神经网络完成脑电的特征提取与分类；本专利技术中提出的感兴趣脑区划分方法有助于提高科研人员对脑电分析的效率，同时提出的解码方法用于脑机接口控制以及脑机接口模式识别有利于帮助建立更加高效的人机交互系统。
[0007]本专利技术是通过以下技术方案实现的：
[0008]一种基于感兴趣脑区选择和连续小波变换的脑电解码方法，其基于非侵入性神经成像感兴趣脑区选择和连续小波变换实现具有生理可解释性的运动想象脑电信号解码；具体步骤如下：
[0009](1)数据预处理阶段
[0010]对待分析脑电信号进行带通滤波，并将电极参考转化为公共平均参考CAR；
[0011](2)源信号生成阶段
[0012]使用有限元模型FEM建立传导矩阵，再利用动态参数统计映射成像dSPM方法完成头皮脑电到皮质脑电的映射；
[0013](3)感兴趣区域划分阶段
[0014]基于源偶极子点的几何参数和运动想象脑电信号的生理学基础对源成像之后的源区域进行划分，设计以下四种感兴趣区域：E
‑
ROI、B
‑
ROI、G
‑
ROI和N
‑
ROI；其中：E
‑
ROI是靠近头皮信号采集电极的源区域，B
‑
ROI是Desikan
‑
Killiany脑图谱分区中位于初级运动皮层的包括中央前回和中央后回的源区域，G
‑
ROI是位于脑回的源区域，N
‑
ROI是靠近头皮便面的源区域；
[0015](4)源信号特征提取阶段
[0016]在划分的不同的感兴趣区域内部通过连续小波变换CWT算法提取各自脑电信号的特征；
[0017](5)特征分类阶段
[0018]采用卷积神经网络CNN的分类架构对提取的不同感兴趣区域的脑电信号特征进行分类，比较它们之间的分类准确率来获得最优的感兴趣脑区，提高脑电数据的解码分类效果。
[0019]本专利技术中，步骤(1)中，待分析脑电信号来自于BCIC IV IIa和High Gamma公共脑电数据集；带通滤波采用8
‑
32Hz的巴特沃斯带通滤波，平均重参考。
[0020]本专利技术中，步骤(2)中，源信号生成阶段包含以下步骤：
[0021]①
通过分割ICBM152磁共振图像创建三层头部模型；
[0022]②
使用有限元方法FEM获得引导场矩阵，该矩阵定量描述了信号体积传播过程中的变化；
[0023]③
使用动态参数统计映射方法dSPM获得源成像映射核，将头皮传感器测得的脑电直接转换为皮质脑电。
[0024]本专利技术中，步骤(2)的
②
中，计算有限元方法FEM时，将头皮，颅骨以及大脑的电导率分别设置为0.3300S/m，0.0220S/m，0.3300S/m。
[0025]本专利技术中，步骤(3)中，E
‑
ROI感兴趣区域的选择过程具体如下：首先计算源空间中每个源平面面的法向量，然后计算法向量的与源的各个顶点之间的夹角，通过角度计算选择位于脑回的源；在选择脑回源的基础上，进一步计算得到电极空间位置到各个脑回源三维平面的距离，并通过设定距离的阈值来选择靠近头皮电极的源，得到E
‑
ROI区域；
[0026]G
‑
ROI感兴趣区域选择过程如下：考虑到在源成像过程中，头皮电极的信号被反解为源域的脑电信号，并且在有限元模型中，源偶极子点被设计为一个三角形网格单元，对于单独的一个源偶极子点，首先得到其三角形网格各个顶点的坐标A(x
a
，y
a
，z
a
)，B(x
b
，y
b<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于感兴趣脑区选择和连续小波变换的脑电解码方法，其特征在于，其基于非侵入性神经成像感兴趣脑区选择和连续小波变换实现具有生理可解释性的运动想象脑电信号解码；具体步骤如下：(1)数据预处理阶段对待分析脑电信号进行带通滤波，并将电极参考转化为公共平均参考CAR；(2)源信号生成阶段使用有限元模型FEM建立传导矩阵，再利用动态参数统计映射成像dSPM方法完成头皮脑电到皮质脑电的映射；(3)感兴趣区域划分阶段基于源偶极子点的几何参数和运动想象脑电信号的生理学基础对源成像之后的源区域进行划分，设计以下四种感兴趣区域：E
‑
ROI、B
‑
ROI、G
‑
ROI和N
‑
ROI；其中：E
‑
ROI是靠近头皮信号采集电极的源区域，B
‑
ROI是Desikan
‑
Killiany脑图谱分区中位于初级运动皮层的包括中央前回和中央后回的源区域，G
‑
ROI是位于脑回的源区域，N
‑
ROI是靠近头皮便面的源区域；(4)源信号特征提取阶段在划分的不同的感兴趣区域后，分别通过连续小波变换CWT算法提取各自脑电信号的特征；(5)特征分类阶段采用卷积神经网络CNN的分类架构对提取的不同感兴趣区域的脑电信号特征进行解码分类，比较它们之间的分类准确率来获得最优的感兴趣脑区,提高脑电数据的解码分类效果。2.根据权利要求1所述的脑电解码方法，其特征在于，步骤(1)中，待分析脑电信号来自于BCIC IV IIa和High Gamma公共脑电数据集；带通滤波采用8
‑
32Hz的巴特沃斯带通滤波，平均重参考。3.根据权利要求1所述的脑电解码方法，其特征在于，步骤(2)中，源信号生成阶段包含以下步骤：
①
通过分割ICBM152磁共振图像创建三层头部模型；
②
使用有限元方法FEM获得引导场矩阵，该矩阵定量描述了信号体积传播过程中的变化；
③
使用动态参数统计映射方法dSPM获得源成像映射核，将头皮传感器测得的脑电直接转换为皮质脑电。4.根据权利要求3所述的脑电解码方法，其特征在于，步骤
②
中，计算有限元方法FEM时，将头皮，颅骨以及大脑的电导率分别设置为0.3300S/m，0.0220S/m，0.3300S/m。5.根据权利要求1所述的脑电解码方法，其特征在于，步骤(3)中，E
‑
ROI感兴趣区域的选择过程具体如下：首先计算源空间中每个源平面面的法向量，然后计算法向量的与源...
【专利技术属性】
技术研发人员：康晓洋，王君孔帅，穆伟，方涛，王璐，韩加官，张立华，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
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。