一种脑电信号特征提取方法技术

本发明专利技术提供一种脑电信号特征提取方法，通过小波重构、加窗水平可视图复杂网络转换和复杂网络分析的方法计算网络平均路径长度和聚类系数的特征提取算法，计算脑电信号构成的复杂网络的平均路径长度和网络聚类系数，从而实现脑电信号及不同节律脑电信号的混沌时间序列信号特性分析。本发明专利技术的效果该方法是将一维混沌时间序列转化为复杂网络，通过网络特征参数的分析，揭示脑电信号的分形特性，从一个全新的角度对脑电信号这种复杂的非线性随机信号进行刻画。该脑电信号特征可以应用于精神疾病自动诊断和脑机接口系统的特征识别模块。该方法能够有效区分癫痫发作期和非发作期的脑电信号，经Mann–Whitney检验p<0.01,可以应用于癫痫脑电自动识别。

【技术实现步骤摘要】

本专利技术属于脑电信号处理方法，特别是。
技术介绍
脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，包含大量的生理与病理信息，是非线性的混沌时间序列。脑电信号不仅为脑疾病提供诊断和治疗的依据；而且成为人脑语言、记忆、学习和思维等任职功能的重要研究方法；在工程应用方面，通过脑电信号识别与控制的实现脑-计算机接口也成为研究的热点。脑电信号分析和特征提取是诊断系统和控制系统中为模式识别提供客观参数的重要环节。脑电信号特征提取的方法包括时域方法、频域方法、时-频分析方法以及近年来发展的非线性分析方法。专利(申请号:200810056838.7)公开了一种基于小波变换和BP神经网络的脑电特征提取方法，以想象动作思维引起的能量变换作为想象左右手运动思维特征，应用于脑机接口系统。专利(申请号:200910196746.3)公开了一种脑电分析方法，应用时频分析和主成分分析提取脑电信号时频参数，并将其映射到主成分空间，运用支持向量机分析非线性关系O专利(申请号:201210235865.7)公开了一种基于定量脑电图的脑电特征提取方法，将采集的信号进行预处理，然后提取功率耦合系数和功率谱密度的不对称性系数，最后利用支持向量机对静态脑电信号进行分类。专利(申请号:201210308790.0)公开了。该方法通过数据预处理消除信号伪迹和选择有效频段后，将脑电数据分段并提取时频特征和形态特征，利用时频特征和形态特征的频率分布函数计算特征值IMF-VoE。专利(申请号:201210245452.7)公开了一种针对抑郁症PSD患者脑电信号的特征提取方法，通过功率谱不对称性对脑电特征进行分类识别，从而对被测试者是否抑郁及抑郁程度进行判别。专利(申请号:201210189995.1)公开了一种基于脑功能网络邻接矩阵分解的脑电特征提取方法，对多通道脑电进行相关性分析建立脑功能网络，然后进行基于邻接矩阵奇异值分解的特征提取，最后运用支持向量机进行分类。前五种方法均为基于时频域分析的特征提取方法，注重于激活脑区的脑电信号功率的定量及定性分析，不能体现脑电信号混沌性特性。第六种方法虽然采用了网络分析的方法计算了不同脑区脑电信号的相关性，不能反映脑电这种混沌信号的在单一脑区表现的时间序列随机信号内在规律的分形特性。本专利技术针对现有方法无法揭示脑电信号混沌特性的问题，提出一种小波变换和时间序列复杂网络分析相结合的方法，不仅能够分析脑电信号和不同节律脑电信号作为混沌时间序列信号的内在规律的分形特性。
技术实现思路
针对现有脑电信号视频域特征提取方法不能体现脑电信号混沌性特性且复杂网络方法建网复杂的现状，本专利技术的目的是提供，通过将小波重构、加窗水平可视图复杂网络转换和复杂网络分析计算网络平均路径长度和聚类系数的特征提取算法，从而实现脑电信号及不同节律脑电信号的混沌信号网络特性分析。该方法可以作为神经疾病自动诊断系统和脑机接口控制系统的特征提取环节的一个组成部分。为实现上述目的，本专利技术采用的技术方案是提供，该方法包括有以下步骤:①小波重构通过脑电图机采集的脑电信号，对脑电信号进行四级小波重构，第一级分解将采集的脑电信号从频率中点分开为低频、高频两部分，第二级分解将第一级分解得到的低频成分从其频率中点分开为低频、高频两部分，第三级分解将第二级分解得到的低频成分从其频率中点分开为低频、高频两部分，第四级分解将第三级分解得到的低频成分从其频率中点分开为低频、高频两部分，再通过第四级小波重构即可得到脑电信号的五种生理节律；②加窗水平可视图复杂网络转换脑电信号的采样频率为f，令时间窗时间长度为^时间窗滑动距离为t2，则时间窗内采样点个数为N1^t1Xf,时间窗滑动的采样点个数为Ns=t2Xf，令时间窗内的脑电信号时间序列为{xji=l，2，...，NW，令i和j是复杂网络中的两个节点，如果对于所有的xnn e (i, j)，Xi, xj>xn,则认为i和j有链接，否则没有连接，从而建立NwXNw维复杂网络邻接矩阵M，其中，当i和j有链接时，M(i，j)=l ;否则M(i，j)=0 ；对步骤①中的脑 电信号数据和所有小波重构获得的各节律脑电数据，或者根据需要选取通过小波重构获得的各节律脑电信号中的任意节律的脑电信号，按照上述方法尽心网络转换，得到脑电数据和各节律脑电数据对应的复杂网络邻接矩阵M ；③复杂网络参数特征提取；对步骤②得到的复杂网络邻接矩阵M提取复杂网络的网络特性路径长度L和聚类系数C ;网络的平均路径长度定义为: ON 1-lL = ^^YYd..㈧ N(N-X)^M 11即网络中任意两节点的距离的平均值，其中N为网络节点个数，其中，Clij定义为连接两个节点i和j的最短路径上的边数，网络的聚类系数定义为所有节点聚类系数的平均值:C = ^Ci(4) /V - t 1 y Z=]其中N为网络节点个数，其中,Ci即为节点i的聚类系数，是当节点i的度为h时，kj个节点间实际存在的边数Ri与最多存在的边数Ei=IiiGi1-1)/^的比值；将步骤②得到的脑电信号和各节律脑电信号对应的网络矩阵按照公式(I)和公式(2)计算，得到相应的网络特征参数:平均路径长度L和平均聚类系数C ；④通过步骤③，实时获得脑电信号及各节律脑电信号时间窗内数据的网络特征参数平均路径长度L和平均聚类系数C，平均路径长度L和平均聚类系数C作为脑电信号的特征值。本专利技术的效果该方法是将一维混沌时间序列转化为复杂网络，通过网络特征参数的分析，揭示脑电信号的分形特性，从一个全新的角度对脑电信号这种复杂的非线性随机信号进行刻画。该脑电信号特征可以应用于精神疾病自动诊断和脑机接口系统的特征识别模块。该方法能够有效区分癫痫发作期和非发作期的脑电信号，经Mann - Whitney检验P<0.01,可以应用于癫痫脑电自动识别。附图说明图1为本专利技术的特征提取算法原理框图；图2为利用本专利技术方法的癫痫脑电信号；图3为利用本专利技术方法的癫痫发作前期的脑电信号和小波重构的各节律脑电信号;图4为利用本专利技术方法的癫痫脑电信号对应的网络平均路径长度；图5为利用本专利技术方法的癫痫脑电信号对应的网络聚类系数。`具体实施例方式如图1所示，本专利技术的，该方法包括有以下步骤:小波重构、加窗水平可视图复杂网络转换和复杂网络参数特征提取。该方法处理的脑电数据可以是通任何脑电采集装置获得的脑电数据。该算法可以在计算机等通用数据处理平台进行，也可以集成于脑机接口系统等专用的数据处理装置进行。对于利用本方法处理的脑电数据可以在任何平台上使用，可以集成于精神疾病自动诊断系统，也可以集成于脑机接口系统，也可以应用于任何需要进行脑电信号特征值提取的需求中。下面对这四个组成部分进行逐一说明:1.小波重构通过脑电图机采集的脑电信号，对脑电信号进行四级小波重构，基本过程为:第一级分解将原信号从频率中点分开为低频、高频两部分，第二级分解将第一级分解得到的低频成分从其频率中点分开为低频、高频两部分，第三级分解将第二级分解得到的低频成分从其频率中点分开为低频、高频两部分，第四级分解将第三级分解得到的低频成分从其频率中点分开为低频、高频两部分。再通过第四级小波重构即可得到脑电信号的五种生理节律。脑电信号的五种生理节律分别为本文档来自技高网...

【技术保护点】
一种脑电信号特征提取方法，该方法包括有以下步骤：①小波重构通过脑电图机采集的脑电信号，对脑电信号进行四级小波重构，第一级分解将采集的脑电信号从频率中点分开为低频、高频两部分，第二级分解将第一级分解得到的低频成分从其频率中点分开为低频、高频两部分，第三级分解将第二级分解得到的低频成分从其频率中点分开为低频、高频两部分，第四级分解将第三级分解得到的低频成分从其频率中点分开为低频、高频两部分，再通过第四级小波重构即可得到脑电信号的五种生理节律；②加窗水平可视图复杂网络转换脑电信号的采样频率为f，令时间窗时间长度为t1,时间窗滑动距离为t2，则时间窗内采样点个数为Nw=t1×f，时间窗滑动的采样点个数为Ns=t2×f，令时间窗内的脑电信号时间序列为{xi}i=1,2,...,Nw，令i和j是复杂网络中的两个节点，如果对于所有的xnn∈(i,j)，xi,xj>xn，则认为i和j有链接，否则没有连接，从而建立Nw×Nw维复杂网络邻接矩阵M，其中，当i和j有链接时，M(i,j)=1；否则M(i,j)=0；对步骤①中的脑电信号数据和所有小波重构获得的各节律脑电数据，或者根据需要选取通过小波重构获得的各节律脑电信号中的任意节律的脑电信号，按照上述方法尽心网络转换，得到脑电数据和各节律脑电数据对应的复杂网络邻接矩阵M；③复杂网络参数特征提取；对步骤②得到的复杂网络邻接矩阵M提取复杂网络的网络特性路径长度L和聚类系数C；网络的平均路径长度定义为：L=2N(N-1)Σi=2NΣj=1i-1dij---(1)即网络中任意两节点的距离的平均值，其中N为网络节点个数，其中，dij定义为连接两个节点i和j的最短路径上的边数，网络的聚类系数定义为所有节点聚类系数的平均值：C=1NΣi=1NCi---(2)其中N为网络节点个数，其中，Ci即为节点i的聚类系数，是当节点i的度为ki时，ki个节点间实际存在的边数Ri与最多存在的边数Ei=ki(ki?1)/2的比值；将步骤②得到的脑电信号和各节律脑电信号对应的网络矩阵按照公式（1）和公式（2）计算，得到相应的网络特征参数：平均路径长度L和平均聚类系数C；④通过步骤③，实时获得脑电信号及各节律脑电信号时间窗内数据的网络特征参数平均路径长度L和平均聚类系数C，平均路径长度L和平均聚类系数C作为脑电信号的特征值。...

【技术特征摘要】
1.一种脑电信号特征提取方法，该方法包括有以下步骤: ①小波重构 通过脑电图机采集的脑电信号，对脑电信号进行四级小波重构，第一级分解将采集的脑电信号从频率中点分开为低频、高频两部分，第二级分解将第一级分解得到的低频成分从其频率中点分开为低频、高频两部分，第三级分解将第二级分解得到的低频成分从其频率中点分开为低频、高频两部分，第四级分解将第三级分解得到的低频成分从其频率中点分开为低频、高频两部分，再通过第四级小波重构即可得到脑电信号的五种生理节律； ②加窗水平可视图复杂网络转换 脑电信号的采样频率为f，令时间窗时间长度为^时间窗滑动距离为t2，则时间窗内采样点个数为N1^t1Xf,时间窗滑动的采样点个数为Ns=t2Xf，令时间窗内的脑...

【专利技术属性】
技术研发人员：李冬辉，李树楠，王江，邓斌，魏熙乐，
申请(专利权)人：天津大学，
类型：发明
国别省市：