【技术实现步骤摘要】
本专利技术涉及脑电信号处理，具体指一种基于图形化传递熵的运动想象特征提取与分类方法。
技术介绍
1、可见图算法可以将一维信号映射到二维复杂网络中，从而使得信号特征在几何空间中得到表征。当使用可见图将一维的eeg信号映射到二维的复杂网络中时，网络图的几何特性相对于原本的时间序列的eeg在时频特征更具鲁棒性。例如eeg信号通常具有较高的方差，幅度变化大，基线漂移趋势明显等情况，而映射至二维复杂网络中则可以有效减缓这些属性带来的影响。基于可见图算法可以在传统的时域和频域之外为eeg信号补充图形学信息，可以为感觉运动皮层活跃度的分析提供新的视角
2、建立脑网络的过程中通常需要使用信号之间的耦合分析方法，按照原理通常可以将这些方法分为线性方法和非线性方法。线性分析方法中，如定向相分析，虽然具有较强的直观性、易于理解和计算效率高等优点，但其与eeg信号的非线性并不兼容，应用在eeg信号之间的耦合分析场景下并不能取得较好的效果。而非线性方法中，如相干性分析，其优点在于能够提供信号间相互关系的定量描述，帮助理解信号之间的相互作用和耦合效应，并且不需要参考信号。但是其对噪声敏感，且对信号的采样率和采样时长有着较为严格的要求，这与eeg信号噪声多，且不确定性强等特点也恰好相反。传递熵通过计算转移概率这一参量衡量非线性时间序列之间的信息传递关系，通过系统内部动态信息传递量构建网络，为eeg信号的耦合分析提供了重要的研究方法。然而传递熵需要以相空间的构造为前提，并且传递熵通常需要耗费较多的计算时间。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种基于图形化传递熵的运动想象特征提取与分类方法，使用传递熵量化信息流作为计算参量，相比传统方法有更高的识别率。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于图形化传递熵的运动想象特征提取与分类方法，此方法包括如下步骤：
4、步骤1.受试者在安静且光线适中的环境中，保持镇静状态，同时避免在实验中引入疲劳因素，一组数据采集完被试者将被给予10分钟休息时间。受试者根据屏幕指示的箭头方向进行对应侧手臂抓握动作的运动想象，同时采集通道为fz,fc3,fc1,fcz,fc2,fc4,c5,c3,c1,cz,c2,c4,c6,cp3,cp1,cpz,cp2,cp4,p1,pz,p2,poz的共22个通道的eeg信号。
5、步骤2.将采集得到的eeg数据以8～12hz频带滤波进行预处理，并且消除其高斯噪声和眼电伪迹。
6、步骤3.将步骤2预处理后的数据根据可见图算法得到其图形状态下的映射，根据图论中的算法计算各eeg通道的cc序列，再计算各cc序列之间的传递熵得到图形化传递熵矩阵。
7、步骤4.选取合适的阈值，舍弃步骤3中所得到的图形化传递熵矩阵中部分弱连接边，进一步构建脑功能网络。
8、步骤5.根据所得到的脑功能网络，计算其网络特征平均聚类系数(averageclustering coefficient,acc)与平均最短路径(average shortest path,asp)，作为计算参量用于机器学习分类。
9、步骤6.将步骤5提取到的acc与asp作为特征，用支持向量机(support vectormachine,svm)得到分类的准确率。
10、步骤7.将步骤2预处理后的eeg信号用传统的方法提取其传递熵网络特征用于同样的分类器，将分类的结果与本专利技术的分类结果作比较。
11、作为优选，步骤1中eeg数据采集的具体步骤：
12、每一部分由20次试验组成，并且每次试验持续10秒。每次实验开始时，屏幕中间会出白色圆圈，示意被试做好准备。一秒钟后，会出现带有箭头的白色十字形状的任务提示4秒，被试需要根据箭头方向进行对应侧手部抓握动作的运动想象。之后十字消失，被试有5秒的休息时间。
13、作为优选，步骤3计算得到图形化传递熵矩阵的具体步骤如下：
14、设g(v,e)为一个图，其中v和e分别是图的节点和边。时间序列{xi}(i＝1,…,n)被映射到图g(v,e)时，各个时间节点xi被转换为g中的节点vi。根据lacasa等人提出的规则，对于任意两个点vi和vj之间的边是否连接需根据如下式判断：
15、
16、式(1)中，k为i到j中的任一整数，若满足式(1)中的不等式，则说明vi和vj之间的边是连接的。
17、计算各个时间节点的cc：
18、
19、式(2)中，中n(v)表示围绕节点v形成的三角形数量，d(v)代表节点v的度。
20、通过传递熵这一工具衡量运动想象时信息在通道之间的传递量大小，计算各通道两两之间的传递熵，作为构建脑功能网络各个节点之间连接的依据。cc序列之间的传递熵计算：
21、
22、式(3)中的ri和rj分别代表两个cc序列，k和l是两个序列的时延参数，已有研究认为大脑是一阶markov系统，因此取k＝l＝1。按照上述传递熵算法得到了各个实验范式下维数为22×22的熵值矩阵。由于传递熵矩阵通常情况下不为对称矩阵，所以此处网络边的权值取之为节点间传递熵的平均值。根据熵值矩阵搭建了节点连接网络图。
23、作为优选，步骤4中需要选取合适的阈值，具体过程如下：
24、对连接系数矩阵进行阈值处理，得到0-1矩阵。
25、
26、式中aij＝1表示节点i与节点j之间存在连接边，反之则不存在连接边，根据该0-1矩阵可得到区域网络的拓扑结构。：
27、作为优选，步骤5计算acc和asp的具体公式如下：
28、
29、式(5)中acc代表有向网络中所有节点聚类系数的平均值。n表示节点的总数，ci表示节点i的聚类系数，是节点i的出度，是节点i的入度，aij表示节点i到节点j的有向连接。
30、
31、式(6)中li表示节点i和所有其他节点之间的平均距离，dij表示节点i和节点j之间的最短路径。具体计算如下
32、
33、本专利技术具有以下的特点和有益效果：
34、采用上述技术方案，通过可见图算法将时间序列映射到几何层面，在提取特有的图形学特征的同时，保留了其时间特性。再通过传递熵这一工具衡量运动想象时的通道间信息流动量，作为构建脑功能网络各个节点之间连接的依据。相较于传统的机器学习提取特征的方法，本专利技术使用的可见图算法更契合eeg非线性信号特点，在提取特征时直接忽视非主流信息的干扰，保留能凸显结构特征的图形学信息，是一种图形化的非线性滤波，在此基础上使用传递熵量化信息流作为计算参量，相比传统方法有更高的识别率。
35、采集被试运动想象脑电信号(electroencephalogram，eeg)输入特征提取框架，用于提取对象在特定运动想象范式下有意义的特征。通过可见图(visibilit本文档来自技高网...
【技术保护点】
1.一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S1中，所述EEG信号的采集通道包括Fz,FC3,FC1,FCz,FC2,FC4,C5,C3,C1,Cz,C2,C4,C6,CP3,CP1,CPz,CP2,CP4,P1,Pz,P2,Poz。
3.根据权利要求1所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S1中，采集的EEG信号的预处理方法为：
4.根据权利要求2所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S2中，根据可见图算法得到图形网络的映射方法为：
5.根据权利要求4所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S3中，各通道序列之间的传递熵的计算方法如下：
6.根据权利要求5所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S3中，根据采集通道的数以及对应的传递熵得到了各个
7.根据权利要求5所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S3中还包括对图形化传递熵脑功能网络的阈值处理，得到0-1矩阵。选取阈值时根据网络的小世界特性与全连接特性两个指标来选取。表达式如下：
8.根据权利要求1所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤S5中，平均最短路径L的计算方法如下：
...【技术特征摘要】
1.一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤s1中，所述eeg信号的采集通道包括fz,fc3,fc1,fcz,fc2,fc4,c5,c3,c1,cz,c2,c4,c6,cp3,cp1,cpz,cp2,cp4,p1,pz,p2,poz。
3.根据权利要求1所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤s1中，采集的eeg信号的预处理方法为：
4.根据权利要求2所述的一种基于图形化传递熵的运动想象特征提取与分类方法，其特征在于，所述步骤s2中，根据可见图算法得到图形网络的映射方法为：
5.根据权利要...
【专利技术属性】
技术研发人员：苏巧钻，罗志增，席旭刚，汪婷，高云园，
申请(专利权)人：杭州电子科技大学，
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。