CN101352337A - 站起想象动作脑电的信号采集和特征提取方法 - Google Patents

Abstract

本发明属于生物医学工程及计算机领域，涉及一种站起想象动作脑电的信号采集和特征提取方法，该方法主要包括下列步骤，①站起想象动作脑电信号采集和预处理；②特征小波包空间获取；③小波包域独立分量分析；④脑电源信号重构；⑤特征提取。本发明解决了站起想象动作中脑电特征的准确提取问题，从而为正确识别下肢动作模式，有效转换为应用于下肢康复助行系统的控制命令，实现截瘫患者的自主站起提供了有力支持。

Description

站起想象动作脑电的信号采集和特征提取方法

技术领域

本发明涉及一种脑电信号的采集和特征提取方法，属于生物医学工程及计算机领域。

背景技术

脑-机接口(Brain-Computer Interface，BCI)是在人脑和计算机或其他电子设备之间建立一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的直接信息交流和控制通道，是一种全新的人-机交互系统。最早被应用于脑-机接口系统的脑电信号主要是自发脑电信号，比如脑电中的alpha(α)波。但是这类脑电信号模式单一，无法真正做到“意识控制行动”，严重制约了脑-机接口系统的发展。近年来，各国学者对不同思维意识下脑电信号的研究逐步开展起来，这为脑-机接口的发展带来了新的曙光。

已有研究表明：人在想象某个肢体动作时，与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应，如诱发电位(evoked potential，EP)或事件相关电位(event related potential，ERP)，特称之为想象动作电位(motor imaginarypotentials)。临床上已通过功能性磁共振成像(functional magnetic resonance image，fMRI)观察脑局部血液图的方法确认：想象和实施动作时所激发的大脑运动皮层区域相同。

最先发现想象动作电位的Jasper等人在研究脑电(Electroencephalograph，EEG)信号的过程中，注意到肢体运动准备或规划时能够引起皮层运动中枢大量神经细胞的活动状态变化，导致EEG中某些频率成分的同步增强或者同步减弱，即所谓事件相关同步(event-related synchronization，ERS)和事件相关去同步(event-relateddesynchronization，ERD)现象。Pfurtscheller和Aranibar通过实验证实了上述现象，指出ERD/ERS现象主要集中在EEG中mu节律和beta节律段，并且提出了针对ERS/ERD现象的量化理论。近些年来，各国学者对各种想象动作电位进行了大量的思维模式(多围绕ERD/ERS现象)提取的研究，其中以舌部想象动作和左右手想象动作电位的模式提取最为常见。特别需要指出的是，先期开展这方面工作的奥地利Graz大学，已经成功地将提取到的左右手想象动作模式作为控制命令，操纵脑-机接口系统并试用于肢瘫患者的上肢康复训练中，取得了令人振奋的阶段性成果。但至今，下肢想象动作电位的模式提取进展缓慢，判断准确度难以提高。其主要原因是：下肢运动所映射的脑皮层功能区为头顶部沟回内较狭小的区域，其空间结构的区分度已是十分有限，加之头皮电极提取的脑电信号存在极大弥散性和混叠性，非常不利于源信号获取和识别。这个关键因素导致了应用于上肢想象动作脑电的特征提取算法在下肢想象动作脑电的特征提取方面适用性有限。而在现实生活中，下肢想象动作脑电特征的有效提取，是实现真正完全由四肢瘫痪病人或截瘫患者的意志控制的下肢康复助行系统的核心技术：通过提取患者想象下肢动作的脑电信号，转换为相应的下肢康复助行系统的外部控制命令，以此帮助患者行走和肌肉刺激恢复。这种完全靠患者自主意志控制的系统，不仅可以实现这部分残疾病人正常生活的回归，而且可以提升患者的自信心，因此具有广泛的应用前景和重要的社会意义。为此，目前已有大量学者开始尝试采用新方法进行下肢想象动作模式。其中，站起动作作为几组下肢动作(包括站起、坐下、左右迈步)中的首个关键动作，对其进行想象动作脑电的特征提取是实现下肢康复助行系统任务中最为基本和必需的。

发明内容

本发明的主旨是提出站起想象动作的脑电特征提取新方法，以此解决基于脑-机接口的下肢康复助行系统中的最基本问题：实现截瘫患者自主控制下肢动作实现正常行走的首个关键动作，站起动作的自主控制。该发明解决了站起想象动作中脑电特征的准确提取问题，从而为正确识别下肢动作模式，有效转换为应用于下肢康复助行系统的控制命令，实现截瘫患者的自主站起提供了有力支持。

针对站起想象动作的脑电特征提取的难点：下肢运动所映射的脑皮层功能区为头顶部沟回内较狭小的区域，其空间结构的区分度十分有限，加之头皮电极提取的脑电信号存在极大弥散性和混叠性，非常不利于特征提取和识别。这就导致了应用于上肢想象动作脑电的特征提取算法在下肢想象动作脑电的特征提取方面适用性有限。为此，本发明通过分析传统的独立分量分析算法应用于脑电特征提取的优势和不足，提出了一种应用小波包域独立分量分析实现站起想象动作的脑电特征提取新方法，最后得到的技术方案如下：①脑电信号预处理：对受试者的站起想象脑电信号进行滤波消噪和归一化处理。②特征小波包空间获取：针对预处理所得脑电信号的频率范围，以及需要提取的站起想象动作诱发脑电的频率特性，提取出站起想象动作脑电的特征分析空间。③小波包域独立分量分析：对各个特征分析小波包子空间下的脑电信号进行独立分量分析，并采用改进后的基于频带功率谱定义的事件相关去同步化/同步化(ERD/ERS)系数作为主成份筛选的依据，保留ERD/ERS系数绝对值大于设定阈值的分量，并将其余分量置零。④脑电源信号重构：利用各个特征小波包子空间下的脑电信号，依次恢复构造出各导联脑电信号各自对应的小波包频域空间，而后进行小波包逆变换，重构脑电源信号。⑤特征提取：求解重构脑电源信号的功率谱密度图，找出具有显著ERD/ERS现象，并能够区别于其他想象动作的特征导联及其特征频带；挖掘这些特征位置的一般性规律，并将这些特征通过改进后基于频带功率谱定义的ERD/ERS系数进行量化，作为下一步模式识别，并转换为外部控制命令的输入参数。

附图说明

图1本发明采集数据所采用的41导联分布示意图；

图2(a)、图2(b)、图2(c)、图2(d)、图2(e)分别为采用传统ICA方法进行空间滤波后，关键导联C3、C4、Cz、C1A、C2P在0.5～30Hz之间的时频功率谱密度图。

图3(a)、图3(b)、图3(c)、图3(d)、图3(e)采用小波包域ICA方法进行空间滤波后，在关键导联C3、C4、Cz、C1A、C2P在0.5～30Hz之间的时频功率谱密度图。

图4(a)、图4(b)、图4(c)、图4(d)、图4(e)、图4(f)分别为(C319～21Hz)、(C49～13Hz)、(C421～23Hz)、(Cz 11～13Hz)、(C1A 21～24Hz)、(C2P 9～11Hz)各个导联特征频带位置的PSD曲线。

具体实施方式

本发明提出了应用小波包域独立分量分析(Independent Component Analysis，ICA)实现站起想象动作脑电的特征提取新算法：首先应用小波域独立分量分析结合频域ERD/ERS系数筛选进行空间滤波的新方法实现关键导联的站起动作想象脑电源信号；再通过时频功率谱密度(Power Spectral Density，PSD)分布图以及功率谱密度曲线分析站起想象动作思维引起ERD/ERS现象的特征信息，以此提取出特征导联特征频带(mu节律和beta节律)处具有明显区分度的脑电特征。同时比较了该方法与基于传统独立分量分析实现站起想象动作脑电的特征提取的不同效果。下面结合实施例对本发明作进一步详述。

一、脑电数据采集和预处理

本发明采用奥地利EMSPHOENIX公司生产的128导数字脑电记录仪来采集脑电数据的设备。受试者在一个电磁屏蔽良好、隔音良好的房间内进行实验，房间内的背景噪声约为31dB，背景光照为2cd/m²。受试者以感觉舒适但不影响数据采集的姿势坐在扶手椅中。距离实验对象1米左右的正前方是一台19英寸显示器，用于显示实验对象进行站起动作想象的提示符。每个站起动作想象子实验持续20秒。

第一时段为准备期，此时段屏幕正中央显示一个十字提示符，提示受试者做好准备，提示符一直持续到第二秒开始；第二阶段为想象动作期，该时段持续时间8秒，从第二秒开始，计算机屏幕上显示箭头向上的方位提示符，要求受试者进行站起动作想象；第三时段为恢复期，用于受试者调整状态，准备下一组想象动作，该时段从第10秒开始，持续时间为10秒，时段内显示器保持为无显示的黑屏状态。在整个想象动作实验期间，受试者必须以第一视角想象自身如何完成站起动作，而不是以第三视角去想象别人站起动作的过程，实验过程中要求受试者保持放松状态，不允许有任何的实际动作，并且为避免受试者由于视觉刺激引起的脑电波动，显示器以黑屏灰字的方式显示提示符。整个实验方案要求每个受试者完成3组实验，每一组实验(run)包含30次站起想象动作子实验(trail)，即持续时间为10分钟。在每两组实验之间，留有足够长的休息时间用于受试者进行疲劳恢复。

电极的放置采用国际10/20系统标准，如图1所示，同时记录体四肢动作功能区附近的41个导联的EEG数据。这41导脑电导联包含通常采用的标准19导脑电导联，其余22导联是根据本发明中脑电采集目的，覆盖人体四肢动作的功能映射区，以此获取站起动作想象过程中，更为精细的脑电特征。

电极采用Ag/AgCI电极，并以左耳垂(A1)作为参考电平，右耳垂(A2)作为参考地，脑电采样频率为256Hz，滤波通带为0.5～60Hz，并采用50Hz陷波器去除工频干扰。电极阻抗小于5000欧姆。

数据采集完毕后，为提高后期模式识别的准确性，首先采用了Hjorth提出的源定位计算方法去除脑电信号的参考电平，通过分析中心导联及其周围四邻域导联的脑电数据，进行阈值变换和归一化处理；而后将所得信号中仍然存在较多肌电干扰或眼电干扰的子实验过程(trail)去除。

二、传统ICA空间滤波

独立分量分析(ICA)主要应用于未知基信号S及其混叠特性A的情况下，仅从接收到的混合信号X＝A·S中提取出基信号。即：一组独立的源信号s(t)＝[s₁(t)，…，s_m(t)]^T经过线性系统A混合在一起，得到观测信号x(t)＝[x₁(t)，…，x_n(t)]^T。其中，源信号s(t)和混合系统A都是未知的，只有混合后的x(t)可以观测到。ICA的任务是在A和S未知的前提下，找到恢复矩阵(又称为解混矩阵)W，使输出矩阵

U＝W·X＝W·A·S    (1)

传统独立分量分析是基于不同想象动作与大脑活动区域对应关系的认识，找出对应皮层活跃区域附近导联占比重较大的EEG时域分量，然后重构数据以突出ERD/ERS信号特征。由于传统独立分量分析是在时域空间进行处理，因此，为了提高后期特征提取和分析的准确性，首先需要将脑电信号中各个子实验过程进行时域叠加平均，以此削弱随机变化的自发脑电，突出自发脑电波背景中的站起想象动作诱发电位；而后，对叠加平均后的刺激数据进行ICA分解，得到独立分量μ_i和解混矩阵W；再对每个时域分量计算ERD/ERS系数，并取其绝对值，按所得数值的大小降序排列；保留ERD/ERS系数绝对值大于域值的前几个分量，其余分量置零，再将分量序列乘以W^-1得到滤波后的数据：

由式(2)知道x_i(i＝1□N)，是μ_i投影到各头皮电极处的电位；而w′_ij(i＝1～N)是各投影的权重。当μ_i的大小变化时，x_i将成比例地变化，但权重w′_ij不变。经过上述经典ICA空间滤波之后就可以用传统的时频分析方法，求出信号的时频特征，对重构后的数据做进一步分析。

为了提高传统ICA分析的准确性以及算法收敛速度，必须选择适当的目标函数，并且设计出高效的优化算法。对于EEG信号，ICA滤波方法中采用的目标函数一般取各导联信号间的高阶统计量、互信息熵或最大似然估计，优化算法则采用牛顿迭代法、基于神经网络的自适应算法、随机梯度法、自然梯度法等。其中应用最多的是最大熵(Infomax)算法，该算法根据常规的随机梯度法求解矩阵W，算法的目标判据为独立分量通过非线性环节后信息熵极大。由于算法中涉及矩阵求逆，故又提出了用自然梯度代替常规梯度的改进算法，以避免求逆过程，其计算量和收敛速度均得到较大改进。为使算法能同时适用于超高斯和亚高斯信号，又推导出所谓扩展的最大熵(Extended Infomax)算法，其调节公式为

ΔW＝μ[I-Ktanh(X)X^T-XX^T]W    (3)

式中I为单位矩阵，K为对角阵，其对角元素：k_ii＝1(高斯信号)，k_ii＝-1(亚高斯信号)。即扩展Infomax算法通过其主对角元素k_ii取不同值来区分超高斯和亚高斯信号，以便将脑电数据中EEG有用成分和肌电、工频、肌电等干扰信号分解开来。

传统ICA空间滤波方法通过改进后，在脑电信号源有较大区分度的情况下能够获得有意义的结果，但要实现下肢想象动作的模式识别，效果仍然十分有限。这是因为该模型需假设脑电信号源分量在特定皮层空间的神经电活动具有同步化表现特征，如此才能通过一个混合矩阵表示出各个信号源的线性和瞬时的混合过程。但是，这个理想化的假设忽略了神经传导过程所具有的时空动态性(如神经电的传播过程、形式以及不同脑功能区域之间的同步化延迟效应等)，而这种特性非常不利于空间结构区分度十分有限的下肢运动功能区的动作模式识别。如果将上述因素考虑进来，则简单线性和瞬时混合模型的ICA空间滤波方法已经无法满足要求，为此必须从频域角度找到问题的突破点，建立卷积混合模型下的ICA空间滤波新方法来综合这些因素。

三、小波包域ICA空间滤波

在卷积混合模型过程中，任何一个脑电信号分量的激励作用都会产生一系列具有不同时空拓扑结构的响应信号序列，所有响应信号序列的综合效果形成了神经传导的时空动态性，这也导致了脑电信号的暂态自相关性，如果仍然采用传统的时域ICA空间滤波方法，充其量只能得到相互重叠的静态信号源成份。

另一方面，传统ICA模型忽视了重构信号的频谱质量，而单纯的从时域角度寻找最优解。但是，对于脑电信号而言，频域模式特性更为重要。众所周知，脑电活动在不同频带下具有显著的不同特征，这些特征与一定的生理或心理过程密切相关。因此，如果对各个频带下的脑电信号进行ICA空间滤波，那么可以得到对应各频带的独立信号源。

为了解决上述问题，本发明采用卷积型ICA方法，对脑电信号的各个频带分别进行分析。由于时域卷积效应即相当于在各个频带通过相应混合矩阵的乘积作用。因此，通过在频域空间进行ICA滤波，不仅可以展示出脑电信号的时空动态特性，而且能够有效地识别出特定频率下的脑电模式。

以下给出小波包域ICA空间滤波方法的实现步骤：

(1)特征小波包空间获取：针对预处理所得脑电信号的频率范围，以及需要提取的站起想象动作诱发脑电的频域特性，对41导脑电信号(导联×时间)依次进行小波包多分辨率分析，直到获取覆盖下肢动作响应频段(0.5～30Hz)范围的8个小波包最小子空间(频带×导联×时间)，作为特征分析空间，并将其余正交互补子空间的系数置零。

(2)特征小波包空间ICA分析：对各个特征分析小波包子空间下的41导频域脑电信号进行子实验过程的叠加平均，削弱分散到各个子频带中随机变化的自发脑电；对叠加平均结果进行ICA空间滤波，依次得到对应于各小波包子空间的8个解混矩阵和8组独立分量(每组41个独立分量)；提出基于对数功率谱定义的ERD/ERS系数作为参数进行独立分量的主成份筛选，保留符合域值条件的分量，其余分量置零；利用新构建的各组独立分量及其对应的解混矩阵依次重构8个特征小波包子空间下各自对应的41导频域脑电信号。

上述步骤中，独立分量组的主成份筛选是最为关键的一步，为了得到良好的筛选效果，本发明对Pfurtsehelle所提出基于频带功率谱定义的ERD/ERS系数进行改进，以此增强各分量之间的特征差异性，便于筛选.改进后的ERD/ERS系数定义如下

$\mathrm{ERD}/\mathrm{ERS}=[\log \left({\mathrm{REP}}_{t_1}\right)-\log \left({\mathrm{REF}}_{t_2}\right)]/\log \left({\mathrm{REF}}_{t_2}\right)---\left(4\right)$

这里REP为想象动作提示符出现后t₁时段(包括整个想象动作期以及恢复期的前3秒，总共13秒)内的归一化PSD均值；REF为站起想象动作实施前t2时段(准备期的第2秒)内的归一化PSD均值。

(3)脑电源信号重构：对8个特征小波包子空间下各自对应的41导频域脑电信号进行同导联信号组合，而后利用各导联对应的8个特征小波包子空间以及其它系数置零的正交互补子空间进行小波包逆变换，重构41导时域脑电源信号。

为了说明采用本发明的信号处理方法所具有的技术效果，发明人将预处理后的站起想象动作诱发电位分别通过传统ICA空间滤波和小波包域ICA空间滤波，而后对空间滤波后的脑电信号分别进行特征分析：求解所有受试者各导联脑电信号的时频功率谱密度图，并进行受试者间的对照比较，找出站起想象动作实施过程中的具有相似ERD/ERS现象的特征导联。经过对照分析和初步筛选，得到站起想象动作实施过程中具有共性特征的导联位置C3、C4、Cz、C1A、C2P。

图2和图3分别给出了典型受试者(s6)30次站起动作想象实验在导联位置C3、C4、Cz、C1A、C2P处的脑电信号通过传统ICA空间滤波和小波包域ICA空间滤波，得到的功率谱密度随时间(横轴)和频率(纵轴)变化的关系(时频功率谱密度分布图)。图中白色表示ERS现象，黑色表示ERD现象，ERD/ERS的量值大小如图右侧的色标所示。

由图2可以看到，通过采用改进后的传统ICA方法进行空间滤波后，在某些导联位置处的时频谱图中，已经可以看到一些特征频段上比较明显的ERD/ERS现象，比如在导联位置C4，mu节律(10Hz附近)成份的功率谱密度在想象动作发生后明显地降低，即发生了事件相关去同步(ERD)现象，且ERD现象持续时间很长；在导联位置C2P处，由于背景噪声较小，可以比较明显的看到12Hz附近的长时窄带ERD现象；而在导联位置C1A，也能从复杂背景中分辨出20Hz附近有较明显的长时ERS现象。但是，单纯依靠时域ERD/ERS系数取舍独立分量进行传统ICA滤波所得时频功率谱密度分布图，存在很多无法判断的频带信息：如导联C3处存在着弥散性的ERD现象，导联Cz的12Hz附近，ERD现象的发生时段难以确定，而在导联C4的22Hz附近，似乎存在幅度较小的ERS现象，而且C4的ERD现象分布频带很宽(约15Hz~20Hz)，并在25Hz左右也似乎存在较弱的ERD现象。这些模糊现象的产生，一方面是由于传统ICA空间滤波忽略重建信号的频谱质量，而另一方面，采用时域ERD/ERS系数的绝对值大小为依据进行独立变量的筛选，显然缺乏有效的频域控制。

因此，本发明采用改进的小波包域ICA空间滤波方法来解决上述的问题。图3给出了采用这一方法处理后得到的特征导联的时频功率谱密度分布图。可以看到，经过小波包域ICA空间滤波后，ERD/ERS现象弥散分布的背景噪声被大大抑制，从而使得各个特征频带位置的ERD/ERS得到明显增强：原先在C1A导联22Hz附近仅依稀可辨的长时ERS现象，以及C4导联10Hz附近的长时ERD现象更加明显；Cz导联12Hz附近，可清楚分辨出ERD现象起始于想象动作实施后第5秒，一直到想象动作停止后逐步减弱，其他时间段内的伪ERD现象被消除；而对于C4导联，原先在22Hz附近难以确认的长时ERS现象则被突显出来，与此同时，15Hz和25Hz频带附近的伪长时ERD现象被消除；并且在弥散情况最严重的C3导联处，清晰可见20Hz左右的窄带长时ERD现象，伴随该ERD现象的是25Hz附近的短时ERS爆发。为便于进一步分析特征频带处的ERD/ERS现象，并对时频功率谱中得到的结论进行验证，图4给出了对应于图3中特征频带位置的时频PSD曲线。

从图4可以看到，导联C3的19～21Hz存在明显的ERD现象，基本与想象动作同步开始，一直到想象动作停止时逐步减弱，而且这个过程中的ERD现象比较平稳，基本没有振荡；导联C4的9～13Hz也存在较明显的ERD现象，发生于想象动作实施后1秒，持续到想象动作停止后的2秒(单次实验的12秒)结束，但这个过程的第4秒到第9秒，出现反弹现象，即ERD现象减弱，这也与时频PSD图中情况相对应；导联C4的21～23Hz以及导联C1A的21～24Hz存在明显的ERS现象，且两者发生时间基本同步，从实施想象动作后第2秒开始，一直到想象动作停止后的1秒(单个想象动作实验的第11秒)结束。而且，C4导联的ERS幅值相对较高(最高约530db)，C1A导联处的ERS幅值则较小(最高仅210db)，这与图3的时频功率谱密度图相一致；导联Cz的11～13Hz的ERD现象发生时间较晚，从想象动作实施后第5秒开始，到想象动作停止后逐渐减弱；导联C2P的ERD现象与传统方法所得结果差异不大，发生在9～11Hz，且基本与想象动作同步。

通过小波包域独立分量分析，站起想象动作的脑电特征得到了显著增强。下面对初筛所得的特征导联作进一步分析，以获取站起想象动作实施过程中区别于其他想象动作(舌动想象，左右手动作想象，脚动想象)的脑电特征信息：首先需要指出，C3导联19～21Hz上的ERD现象虽然很明显，但是这个现象在右手想象动作时也会发生，而且已有研究表明，下肢动作的实施，会加强这个ERD现象。类似的，处于C4导联9～13Hz上的ERD现象，也是左手想象动作时的特征之一，而且在下肢想象动作时一样能够加强该现象。由此可见，这些特征不具备独特性，不能作为站起想象动作的脑电特征；第二，位于Cz导联11～13Hz上持续时间较短的ERD现象，与单一的脚动实施时产生的特征现象类似，但是这个ERD现象发生在站起动作想象实施后第5秒才开始，发生在其他导联产生ERD/ERS现象之后，这说明了站起想象过程中，脚动部分的想象时间较晚。因此，这个融入时间因素的ERD现象可以作为站起动作想象中辅助的参考特征；第三，C4导联21～23Hz的ERS现象，与该导联9～13Hz上的ERD现象基本保持同步，鉴于C4导联对应于肢体动作皮层反映对照区的上肢区域，因此可将该现象视作站起动作实施时对上肢动作的影响结果，并作为站起动作想象的参考特征；最后，位于Cz导联两侧的导联C1A及C2P，其位置正好落在肢体动作皮层反映对照区的左右腿以及腰部映射区域，这个区域对应着站起动作想象的关键肢体部位。在C1A导联，21～24Hz频带上存在明显的ERS现象，从想象动作实施后第2秒开始，一直到站起动作想象停止后逐渐减弱。而在导联位置C2P，存在着显著的窄带长时mu节律(9～13Hz)ERD现象，该现象从站起动作想象实施一秒后开始，直到想象动作停止时逐步减弱。

从上述分析可以看出，C1A导联21～24Hz的长时ERS现象以及C2P导联9～13Hz的长时ERD现象是反映站起想象动作实施并且区别于其他想象动作的关键脑电特征；Cz导联11～13Hz的延时ERD现象，虽然与单一的足动想象结果一致，但由于站起过程中，足部动作是不可缺少的主要动作之一，因此需要将该ERD现象作为一个主要的参考特征；C4导联21～23Hz的ERS现象与C1A导联上的ERS现象基本保持同步，但C4导联对应于上肢运动功能区，所以该ERS现象只能作为次要的参考特征。

至此，我们得到了站起想象动作实施过程中在特征导联、特征频带及特征时段上发生的ERD/ERS特征信息。由于这些特征信息反映的是一个站起动作的全过程，因此，正确的将这些信息输入到下肢功能性康复系统，作为截瘫患者康复肌肉刺激的控制命令，可望在患者身上重现站起动作。但是，对不同受试者本质特征一致的站起动作，存在着必须考虑的个体差异性，即个体之间ERD/ERS现象的强弱差别。这个特征对于截瘫康复系统中命令触发域值的设定，以及对患者施加电刺激强弱的设定，都具有非常重要的意义。因此，本发明利用改进的基于频带功率谱定义的ERD/ERS系数(见公式4)，对上述所得的定性ERD/ERS现象作进一步的量化分析，并且给出了传统ICA空间滤波方法和小波包域ICA空间滤波方法的结果对比，如表1所示。

表1传统ICA空间滤波与小波包域ICA空间滤波的ERD/ERS系数比较

从表1可以看出，在传统ICA空间滤波方法下，由于弥散性ERD/ERS背景噪声的干扰，导致特征频带位置处ERD/ERS现象被大大削弱，甚至在一些受试者的某些特征频带出现错误的ERD/ERS系数，比如受试者s2导联位置C1A的特征频带(21～24Hz)，原来应该是ERS现象却出现了负系数，而在导联位置Cz的特征频带(11～13Hz)，原来应该是ERD现象却出现了正系数。而相对之下，采用小波包域ICA空间滤波方法后各个关键导联特征频带的ERD/ERS系数未出现过上述错误，且通过对比可以看出，各特征导联的特征频带位置处ERD/ERS系数的绝对值都获得相应的提高(背景噪声最严重的C1A，ERD/ERS系数提高最多，而在导联位置C2P，由于信号本身的信噪比较高，所以采用小波包域ICA空间滤波后的效果增加有限)。

最终结果表明，采用基于小波包域独立分量分析的算法，有效的消除了脑电信号中弥散性的ERD/ERS背景噪声的干扰，解决了站起想象动作脑电特征提取的难点。通过本发明的运用，首先找出了具有显著ERD/ERS现象，并能够区别于其他想象动作的特征导联及其特征频带，而后经过改进后基于频带功率谱定义的ERD/ERS系数进行特征量化，获得了相对传统独立分量分析算法更具有效性和区分度的脑电特征，这将为研制自主意识控制的残疾人下肢康复系统奠定有力的基础。

Claims (2)

1.一种站起想象动作脑电的信号采集和特征提取方法，其特征在于，包括下列步骤：

①利用脑电导联电极采集脑电信号；

②对所采集的脑电信号进行滤波消噪和归一化处理；

③针对预处理所得脑电信号的频率范围，以及需要提取的站起想象动作诱发脑电的频率特性，提取站起想象动作脑电的特征分析空间；

④对各个特征分析小波包子空间下的脑电信号进行独立分量分析，采用基于频带对数功率谱定义的事件相关去同步化/同步化(ERD/ERS)系数作为主成份筛选的依据，保留去同步化/同步化(ERD/ERS)系数绝对值大于设定阈值的分量，并将其余分量置零；

⑤利用各个特征小波包子空间下的脑电信号，依次恢复构造出各导联脑电信号各自对应的小波包频域空间，而后进行小波包逆变换，重构脑电源信号；

⑥求解重构脑电源信号的功率谱密度图，分析ERD/ERS现象，并进一步筛选出能够区别于其他想象动作的特征导联及其特征频带；

⑦对所选出的特征导联及其特征频带征通过基于频带对数功率谱定义的ERD/ERS系数进行量化，作为下一步模式识别，并转换为外部控制命令的输入参数。

2.根据权利要求1所述的站起想象动作脑电的信号采集和特征提取方法，其特征在于，所述的脑电导联为O1，O2，P3，P4，Pz，P3A，P4A，PzA，P7，P8，T7，T8，F3，F4，Fz，F3P，F4P，FzP，F7，F8，Fp1，Fp2，C1，C2，C3，C4，C5，C6，Cz，C1A，C2A，C3A，C4A，C5A，C6A，C1P，C2P，C3P，C4P，C5P，C6P。

Images