CN101488189B - 基于独立分量自动聚类处理的脑电信号处理方法 - Google Patents

Abstract

本发明涉及脑电信号的提取，特别涉及一种基于独立分量自动聚类处理的脑电信号处理方法。为提高诱发脑电信号的信噪比，使得动作期内的脑电信号在不同任务刺激下的可分性得到明显提高，有利于信号特征的提取分析或者任务模式的识别，本发明采用的技术方案是：一种基于独立分量自动聚类处理的脑电信号处理方法，包括以下步骤：首先采用基于信息极大准则的在线最大信息算法Informax算法依次对刺激诱发的多导信号进行独立分量分析ICA分解，将所得到的所有分量构成一个大的分量样本集Y，计算各分量之间的互信息，最后使用总类内距离最小准则对互信息距离矩阵进行聚类处理，得到所有分量的类别标签。 本发明主要用于脑电信号的提取。

Description

基于独立分量自动聚类处理的脑电信号处理方法

技术领域

本发明涉及在自发脑电背景中分离并提取诱发脑电信号，特别涉及一种基于独立分量自动聚类处理的脑电信号处理方法。

技术背景

脑电信号是非平稳的随机信号，它们非常微弱，随机性强，并且有很强的背景噪声。因此，对它们的提取、分析和识别都有相当的难度。脑-机接口技术是人脑与计算机或其他电子设备之间建立的直接的交流和控制通道，通过这个通道，人们可以直接使用思维来控制外部设备，而不需要任何的身体动作。它是通过对脑电的特征信号进行采集、分析、处理和识别，来实现人们所预期的功能。人们对它的研究是从20世纪90年代兴起的，研究主要集中于对脑电信号的各种成分的分析，其中的核心技术也是难点就在于提取和识别特征的脑电信号。

由事件相关刺激引起的诱发脑电信号是研究大脑认知、感觉、操作等功能性活动的主要手段之一，但由于脑电信号中诱发成份的强度一般低于自发成份的强度，因此往往需要采用多组相同刺激来进行重复刺激实验，并对采集信号进行多种处理，使诱发脑电的信噪比得到提高之后才能用于后续分析。

独立分量分解(Independent Component Analysis，ICA)技术即是一种近来得到广泛应用的诱发脑电信号提取技术，它可以将不同来源的脑电信号进行分离，提取与靶刺激相关的诱发成份用于进一步分析。然而通过传统的ICA分解所得到的独立分量是随机排序的，如何剔除自发分量、提取与靶刺激相关的诱发分量、消除噪声源对应的干扰分量等工作没有成熟有效的方法，往往依赖于使用者的主观经验，这使得ICA技术在诱发脑电处理的应用上受到较大的限制。

发明内容

为克服现有技术的不足，提高诱发脑电信号的信噪比，使得动作期内的脑电信号在不同任务刺激下的可分性得到明显提高，有利于信号特征的提取分析或者任务模式的识别，最终实现诱发分量的自动提取并能显著提高信号的Fisher可分性，Fisher系数的定义为：

(1)当用单一特征x进行分类时

$F=\frac{S_b}{S_w}=\frac{{({\mathrm{\μ}}_{\mathrm{xA}}-{\mathrm{\μ}}_{\mathrm{xB}})}^2}{{\mathrm{\σ}}_{\mathrm{xA}}^2+{\mathrm{\σ}}_{\mathrm{xB}}^2}$

式中，μxA和μxB分别表示A类和B类中各样本特征参数x的平均值；σ_xA ²和σ_xB ²分别表示A类和B类中各样本特征的参数x的均方差。

(2)当用N个特征进行分类时

$F=\frac{S_b}{S_w}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\μ}}_{\mathrm{iA}}-{\mathrm{\μ}}_{\mathrm{iB}})}^2}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\σ}}_{\mathrm{iA}}^2+{\mathrm{\σ}}_{\mathrm{iB}}^2)},$

式中，μiA和μiB分别表示A类和B类类内样本i特征值的平均值；σ_iA ²和σ_iB ²分别表示A类和B类类内样本i特征值的均方差。

本发明的目的在于：提供一种基于独立分量自动聚类处理的脑电信号处理方法。

为了达到上述目的，本发明采用的技术方案是：一种基于独立分量自动聚类处理的脑电信号处理方法，包括以下步骤：首先采用基于信息极大准则的在线最大信息算法Informax算法依次对刺激诱发的多导信号进行独立分量分析ICA分解，将所得到的所有分量构成一个大的分量样本集Y，计算各分量之间的互信息，最后使用总类内距离最小准则对互信息距离矩阵进行聚类处理，得到所有分量的类别标签。

在使用独立分量分析ICA分解时对每一次刺激的多导信号进行一次ICA分解，得到的独立分量构成一个子分量样本集y，y中的分量个数即等于导联数n，而总的分量样本集Y是由m个子分量集y构成，m是重复刺激的个数，在Y上使用基于互信息距离度量的聚类处理时，将具有序间相似性的诱发分量聚类到一个分量类中。

聚类处理是采用K聚类平均聚类方法Kmeans聚类方法，即：若经ICA分解得到的分量y_i共有N个，即i＝1，2，…，N，它们分别属于类c_k，即k＝1，2，…，K，以 ${\mathrm{\λ}}_{i,k}=\{1,y_i\∈c_k;0,y_i\∉c_k\}$ 作为各分量的类别标签，描述各分量归属何类，对于每类分量定义其类中心为y_k，I(y_i，y_k)²表示y_i和y_k的互信息距离，第k类的类内距离可以定义为：

$D_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2,$

使用总的类内距离作为算法的代价函数，

$\hat{D}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{D}_k=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2,$

采用梯度下降法使总的类内距离

达到最小，即可以得到最优的λ_i，k，从而完成对整个分量集的自动分类，前述中的K、N为正整数，∈表示属于该类，

表示不属于该类。

本发明具备以下技术效果：

在动作期内ICAC方式提取得诱发脑电信号具有明显更高的Fisher系数，因而本发明可以有效提高诱发脑电的信噪比；

Kmeans聚类方法计算复杂度较小，能对大数据集进行高效分类，因而本发明具有快速准确的特点。

ICAC方式与Kmeans聚类方法结合，自动实现剔除自发分量、提取与靶刺激相关的诱发分量，不再受使用者的主观经验约束，并使得动作期内的脑电信号在不同任务刺激下的可分性得到明显提高，有利于信号特征的提取分析或者任务模式的识别。

附图说明

图1是本发明ICA原理框图。

图2是本发明单次动作任务实验的时间分配示意图。

图3是本发明C4导联上mu节律(脑电波中8-12Hz脑电)功率谱密度时间曲线。

图4C4导联上mu节律成分的Fisher系数时间曲线。

图5聚类后各类中含有的分量个数占总分量个数的比例。

图6各类分量重构信号动作期内的平均Fisher系数。

具体实施方式

本发明发展了一种独立分量自动聚类(Independent Component Automatic Clustering，ICAC)方法，通过定义脑电中各独立分量之间的互信息距离度量，利用重复刺激脑电信号中诱发成份的序间相似性来达到独立分量的自动分类，从而实现靶刺激相关的诱发分量的有效识别。

下面结合附图和实施例进一步说明本发明。

一、技术方案：

1 ICA模型

经典的ICA模型可以由图1表示，多导观察信号X(t)＝[x₁(t)，x₂(t)，…，x_n(t)]^T(这里，x_i(t)中t表示采样时刻，i表示采集通道)被认为是由多个信源S(t)＝[s₁(t)，s₂(t)，…，s_m(t)]^T线性混合而成，即X(t)＝AS(t)T表示矩阵的转置。ICA即是通过一定的优化算法求得解混矩阵B，得到对于信源的估计信号Y(t)＝BX(t)，这里如图1所示，Y(t)＝[y₁(t)，y₂(t)，…，y_n(t)]^T，T表示矩阵的转置，y_j(t)即为分解得到的独立分量。ICA方法分解得到的各分量之间具有高阶统计独立的特点，从信源分解的角度来说，优于主分量分析等二阶统计独立方法。

2基于互信息的距离度量

聚类分析的基本原理是按照样本间的某种相似性或者在特征空间中的相互距离来进行自动分类，如将ICA分解得到的各个分量作为样本，以分量之间的互信息大小作为‘距离’度量，就可以使用聚类分析方法进行分量的分类。

按照香农的信息论定义两个分量y_i和y_j之间的互信息距离为：

I(y_i，y_j)＝H(y_i)+H(y_j)-H(y_i，y_j)

3 Kmeans聚类

使用互信息作为距离度量的情况下，聚类算法的目标函数要进行相应的调整。本发明采用的聚类方法为Kmeans聚类算法，Kmeans聚类方法即在事先指定样本类的个数的情况下，使得总类内距离达到最小，该算法计算复杂度较小，能对大数据集进行高效分类。

对整个分量集的聚类过程如下：

若经ICA分解得到的分量y_i共有N个，即i＝1，2，…，N，它们分别属于类c_k，即k＝1，2，…，K，以 ${\mathrm{\λ}}_{i,k}=\{1,y_i\∈c_k;0,y_i\∉c_k\}$ 作为各分量的类别标签，描述各分量归属何类。对于每类分量定义其类中心为y_k，I(y_i，y_k)²表示y_i和y_k的互信息距离，第k类的类内距离可以定义为：

$D_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2$

使用总的类内距离作为算法的代价函数，

$\hat{D}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{D}_k=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2$

采用梯度下降法使总的类内距离

达到最小，即可以得到最优的λ_i，k，从而完成对整个分量集的自动分类。

4 ICAC的基本流程

在此我们给出ICAC的基本处理流程，首先采用基于信息极大准则的Informax算法依次对刺激诱发的多导信号进行ICA分解，将所得到的所有分量构成一个大的分量样本集Y，计算各分量之间的互信息，最后使用总类内距离最小准则对互信息距离矩阵进行聚类处理，得到所有分量的类别标签。

ICAC方法的基本思路是针对重复刺激信号中，每次刺激的诱发信号之间存在良好的序间相似性特点来设计的。所谓序间相似性，主要是指由于神经系统应激反应的相对稳定性，两次相同或同类型刺激所诱发的信号成份之间具有良好的相似性，而两次相同或同类型刺激信号中的干扰成份和自发成份则明显不具有这种相似性。

为了有效利用诱发成份的序间相似性，在使用ICA分解时要对每一次刺激的多导信号进行一次ICA分解，得到的独立分量构成一个子分量样本集y，y中的分量个数即等于导联数n，而总的分量样本集Y是由m个子分量集y构成，这里m即是重复刺激的个数。在Y上使用基于互信息距离度量的聚类处理时，具有序间相似性的诱发分量就可以被聚类到一个分量类中，而由于其它分量，例如干扰分量、自发分量等之间在两次刺激之间的相似性较小，聚类后将散布在其它类中。这样将造成诱发分量类和其它之间显著的分量数目差别，诱发分量类的数目远大于其它类，ICAC中即是利用这一特点来进行分量类的标定，也即利用类中样本的数目即可简单的识别出哪一类属于诱发分量类，这也是ICAC方法用于重复刺激诱发脑电信号的优势所在。

5 实验及数据

本发明选取目前在脑-机接口与神经电生理学研究中常用的想象动作诱发脑电信号对上述的ICAC方法进行测试，想象动作诱发脑电信号的采集选择预设外部节奏、固定时间间隔和视觉提示的诱发实验模式。实验开始前受试者坐在计算机屏幕前的舒适座椅上，双臂自然放置腿上，躯干靠紧椅背并保持自然放松。实验中受试者在看到屏幕显示出提示信号后，按照提示进行想象上肢动作任务，每个单次任务时间为10s，共分为准备期2秒、提示期1秒、动作期5秒和恢复期2秒四个阶段，上肢动作的想象只在动作期内执行。

二、有益效果

不同侧向性的上肢想象动作可以引起大脑皮层对侧初级感觉运动区上mu节律的事件相关去同步化现象(Event Related Desynchronization，ERD)，所谓ERD现象即相应频段上功率谱密度的降低。如想象左手动作时，右侧大脑皮层初级感觉运动区上的脑电信号中mu节律成份的功率谱密度表现出远强于左侧的下降现象，而想象右手动作时则相反。如图3所示，其中C4导联为右侧初级感觉运动区的特征导联，图中可见动作期内(3秒-8秒)C4上的mu节律成份在想象左手动作时远低于想象右手动作时。

上肢想象动作任务诱发脑电信号的信噪比可以采用统计参数来衡量，即对两种不同任务(左侧上肢和右侧上肢想象动作任务)所引起的诱发脑电信号的差异进行评价。本发明采用Fisher系数来描述两种任务引起的诱发脑电信号的差异性强度，Fisher系数的定义为：

(1)当用单一特征x进行分类时

$F=\frac{S_b}{S_w}=\frac{{({\mathrm{\μ}}_{\mathrm{xA}}-{\mathrm{\μ}}_{\mathrm{xB}})}^2}{{\mathrm{\σ}}_{\mathrm{xA}}^2+{\mathrm{\σ}}_{\mathrm{xB}}^2}$

式中，μxA和μxB分别表示A类和B类中各样本特征参数x的平均值；σ_xA ²和σ_xB ²分别表示A类和B类中各样本特征的参数x的均方差。

(2)当用N个特征进行分类时

$F=\frac{S_b}{S_w}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\μ}}_{\mathrm{iA}}-{\mathrm{\μ}}_{\mathrm{iB}})}^2}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\σ}}_{\mathrm{iA}}^2+{\mathrm{\σ}}_{\mathrm{iB}}^2)},$

式中，μiA和μiB分别表示A类和B类类内样本i特征值的平均值；σ_iA ²和σ_iB ²分别表示A类和B类类内样本i特征值的均方差。

Fisher系数越大则表明两类想象动作任务引起的诱发脑电的差别越大，也即靶刺激诱发脑电信号的信噪比越高。图4中给出了对原始信号直接提取和通过ICAC方式提取的诱发脑电信号的Fisher系数变化曲线，图中可见，在动作期内两种任务的诱发脑电具有较大的Fisher系数，表明两类任务的诱发成份之间有着明显的差异，而由于预备期的脑电信号内不含诱发成份，所以其Fisher系数基本为0，在动作期内ICAC方式提取得诱发脑电信号具有明显更高的Fisher系数，表明ICAC方式可以有效提高诱发脑电的信噪比。

由于重复刺激产生的诱发分量之间具有良好的序间相似性，而作为背景噪声的自发分量和干扰分量在每次刺激时均有所不同，所以在以互信息度量作为距离测度的情况下诱发分量的聚集效应非常显著。图5给出了聚类之后每类中所含有的分量数目占总分量个数的百分比，可见经过Kmeans聚类处理之后分量样本在各类中的分布有较大的差异，其中近50％的分量被分在第13类中，而且该类中的平均互信息值也较高，而其它类含有的分量数目明显较少(＜20％)且类中的平均互信息值也较低，因此可以初步判定第13类为诱发分量类。

ICAC方法中所使用的Kmeans聚类算法要求预先确定将样本集聚类到多少个类中，预设类别数的确定是Kmeans算法的关键问题之一，由于ICAC方法的目标是提高诱发脑电信号的信噪比，因此可以使用动作期内平均Fisher系数来完成预设类别数的选取。逐渐增大预设类别数K，对每一个K通过前面所述的方法对信号进行分解、聚类和诱发分量类识别的处理，然后单独使用诱发分量类中的分量进行重构获得初级感觉运动区上的诱发脑电信号，最后计算其动作期内的平均Fisher系数。图8所示为预设类别数K和上述平均Fisher系数的关系曲线，可见当K为20～25时可以得到最大的Fisher系数，也即此时ICAC的处理可以获得最大的信噪比。

为了验证诱发分量类中是否包含足够的诱发脑电特征信息，我们单独使用各类分量进行信号的重构，然后对感觉运动区上重构信号的Fisher系数进行测量。结果显示第13类分量的重构信号具有显著高于其它类信号的Fisher系数，而且其随时间变化的基本特性与原始信号相近但幅度有明显增高(图4所示)；各类的重构信号动作期内的平均Fisher系数与使用ICAC处理之前的原始信号Fisher系数的比较如图7所示，除第13类具有超过原始信号的Fisher系数外，其它各类的Fisher系数均远远小于原始信号。这表明第13类分量中包含有绝大部分的诱发脑电特征信息，而且由于大量自发分量和干扰分量被屏蔽在外的原因，单独使用第13类分量进行重构所得到的信号具有明显更高的信噪比。

本发明将独立分量分解和聚类分析技术相结合，建立了重复刺激诱发脑电信号处理的ICAC方法，并使用该方法处理了不同侧向性上肢想象动作诱发脑电实验的数据，结果表明本方法可以有效提高上肢想象动作诱发脑电信号的信噪比，使得动作期内的脑电信号在不同任务刺激下的可分性得到明显提高，有利于信号特征的提取分析或者任务模式的识别。

Claims (3)

1.一种基于独立分量自动聚类处理的脑电信号处理方法，其特征在于，包括以下步骤：首先采用基于信息极大准则的在线最大信息算法Informax算法依次对刺激诱发的多导信号进行独立分量分析ICA分解，将所得到的所有分量构成一个大的分量样本集Y，计算各分量之间的互信息，最后使用总类内距离最小准则对互信息距离矩阵进行聚类处理，得到所有分量的类别标签。

2.根据权利要求1所述的一种基于独立分量自动聚类处理的脑电信号处理方法，其特征在于，聚类处理是采用K聚类平均聚类方法Kmeans聚类方法，即：若经ICA分解得到的分量y_i共有N个，即i＝1，2，…，N，它们分别属于类c_k，即k＝1，2，…，K，以作为各分量的类别标签，描述各分量归属何类，对于每类分量定义其类中心为

表示y_i和

的互信息距离，第k类的类内距离定义为：

$D_k=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2,$

使用总的类内距离作为算法的代价函数，

$\hat{D}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{D}_k=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i,k}I{(y_i,{\stackrel{\‾}{y}}_k)}^2,$

采用梯度下降法使总的类内距离

达到最小，即可以得到最优的λ_i，k，从而完成对整个分量集的自动分类，前述中的K、N为正整数，∈表示属于该类，

表示不属于该类。

3.一种基于独立分量自动聚类处理的脑电信号处理方法，其特征在于，包括以下步骤：首先采用基于信息极大准则的在线最大信息算法Informax算法依次对刺激诱发的多导信号进行独立分量分析ICA分解，在使用独立分量分析ICA分解时对每一次刺激的多导信号进行一次ICA分解，得到的独立分量构成一个子分量样本集y，y中的分量个数即等于导联数n，而总的分量样本集Y是由m个子分量集y构成，m是重复刺激的个数，在Y上使用基于互信息距离度量的聚类处理时，将具有序间相似性的诱发分量聚类到一个分量类中。

Images