CN102542283A - 脑机接口的最优电极组自动选取方法 - Google Patents

Abstract

脑机接口的最优电极组自动选取方法涉及脑机接口领域。本发明实现最优电极的自动选取，具体涉及共空间模式(common special pattern，CSP)与支持向量机(support vector machine，SVM)相结合的方法实现想象运动脑机接口的最优电极组自动选取。脑机接口中最优电极组的自动选取对于简化脑机接口系统，提高系统分类识别率以及数据传输速率具有重要的影响，利用最优支持向量机SVM线性核函数的相关性质作为最优电极筛选的指标，可以有效地删除冗余电极，显著地降低电极的数目，保留有用电极，提高系统性能，为提高脑机接口技术的普及创造了前提条件。

Description

脑机接口的最优电极组自动选取方法

技术领域：

本发明涉及脑机接口(brain-computer interface，BCI)领域，实现最优电极组的自动选取，具体涉及利用支持向量机(support vector machine，SVM)方法实现想象运动脑机接口的最优电极组自动选取。

背景技术

目前，有多种疾病可以损坏脑与外部环境进行交流和控制的神经通路，如脑卒中、帕金森、运动神经元损伤等，从而使人部分或全部失去自主的肌肉控制，进而失去部分部位的运动能力。当今的康复治疗技术可以使患者存活，但患者生活质量低下，给家庭和社会造成了沉重的负担。

脑机接口是在人脑和计算机或其它电子设备之间建立的一种直接的信息交流和控制通道，是一种不依赖常规大脑输出通道(外周神经和肌肉组织)的全新的信息交流系统。BCI系统原理图如图1，即脑电信号采集装置通过电极帽采集相关脑电信号，经过信号预处理部分滤波降噪，进行相关特征提取，再经过模式识别方法分类，从而转化为控制信号实现对外设的控制或与外界的交流。

据研究，不同的肢体部位运动所激活的大脑皮层区域各不相同。单边的肢体运动或想象运动主要激活感觉运动皮层，当人进行某种意识活动时，大脑皮层的对应区域处于活动状态，这些区域产生的μ节律和β节律的低频部分将出现幅度衰减，即事件相关去同步(event-related desynchronization，ERD)。在某一时刻，大脑皮层的局部区域没有受到意识模式的激励，该区域内的EEG局部成分将出现幅度的增强，即事件相关同步(event-relatedsynchronization，ERS)。因此，通过分析记录响应的脑电信号特征以及分布特征，可以预测出相应的想象运动(如想象右手运动或想象左手运动)。

图2为2005年BCI竞赛中由GRAZ大学提供的脑电数据据进行经过6-28HZ滤波，并平均140次实验数据后所得的功率图。第三秒开始想象单侧运动，在第三秒后，C3，C4两个电极功率明显的变化印证了ERD这一生理特征，本方法主要就是基于此生理特征进行的。

目前BCI技术采取的一般是根据遵循标准10-20电极系统的放置电极，电极选取方法是基于先验知识人为地选定某些特定电极(比如选取C3、C4、CZ电极等)，进而利用相关特征提取和分类识别算法对脑电信号进行分类识别。然而，先验知识的不全面性和人与人之间的差异性导致该电极不足以作为该区域脑电信号特征的最佳代表，直接影响了脑电信号分类准确率，制约了BCI系统的现实应用与推广。

发明内容

本发明针将支持向量机SVM的分类准确率作为电极选择的评估标准，利用每个电极采集的脑电信号特征在支持向量机SVM分类识别中的贡献得分，实现最优电极组的自动选择，克服了电极组选取的随意性、主观性，简化了BCI系统，提高了系统传输速率。

本发明采取的技术方案是：脑波仪通过电极帽采集脑电信号EEG，电极的放置遵循国际10-20系统。脑电信号经过脑波仪放大及A/D转换，由USB口输入计算机中，并以信号电压幅值形式在存储器中存储。利用计算机对脑电信号进行预处理、提取特征向量，结合支持向量机SVM，实现脑电信号的分类，然后计算每个电极对支持向量机SVM分类识别的贡献得分，并将所有的贡献得分降序排列，从排序最后的一个电极开始，依次判断每个电极对分类准确率的影响，若排除该电极后，分类准确率下降，则保留该电极，反之，则排除该电极，用剩余电极组成的数据集重新训练分类器，并计算分类准确率。一轮循环结束后，保留贡献得分不低于该电极的所有电极，将这些电极作为新的数据训练器，重新进行电极排除保留工作，如此循环，直至电极组数目不再变化，即找到最优电极组合为止。

参照流程图3，该方法包括的步骤如下：

(1)脑电信号采集

遵循国际10-20系统标准放置电极，利用脑波仪从m个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储。

(2)脑电信号预处理

利用滤波器对存储器中的脑电信号数据进行6-28Hz带通滤波，选择这个频带是因为它覆盖了μ节律(8～12Hz)和β节律(18～25Hz)，去除工频噪声及相关噪声，将得到的脑电信号数据集记为S，S为m×n×k的矩阵，m表示电极数，n表示每个事件采样点数，k表示事件数，并将每个事件分类，分类标签记为{-1，1}，-1代表想象右手运动，1代表想象左手运动，将分类标签集记为L，L为m×1的矩阵。

(3)特征提取

对预处理的脑电信号利用共空间模式CSP进行特征提取，将n个事件采样点数提取为1个特征，得到特征集设为S₁，S₁为m×k的矩阵，将S₁和L构成特征x集，任意取特征集中的

作为训练样本，剩余的作为测试样本，设训练样本为T₁，为

的矩阵，设测试样本为T₂，为

的矩阵。

(4)分类识别

支持向量机SVM是一种具有很好泛化能力的分类方法，是基于统计学习理论的一种机器学习方法，它通过适当的非线性映射将输入向量映射到一个高维的特征空间，使得数据总能被一个超平面分割。所谓最优分类面就是要求分类面不但能将两类数据正确分开，而且使分类间隔最大，即利用Lagrange乘子算法求解最优分类超平面，得到Lagrange乘子a_i。

本方法中支持向量机SVM选用线性核，用训练样本T₁训练分类器，并对测试样本T₂进行分类。

即支持向量机SVM的判别函数式f(x)为：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_k{a}_{i}K\left(x,x_i\right)+b,---\left(1\right)$

y_k∈L，x_i∈T₁，i为电极的序号，i＝1，2，3，…，m，x为特征向量，b是分类的阈值，可以初始化为满足分类条件的任何值。

训练后得到支持向量机SVM决策函数：

$f^{*}\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i^{*}{y}_k{x}_{i}x+b^{*})---\left(2\right)$

a_i ^*，b^*为支持向量机SVM训练后的Lagrange乘子和分类的阈值。

(5)最优电极的选取

A、计算每个电极的平均特征

具体方法如下：

I、将训练样本T₁按照事件分为

和

为m×c矩阵，c为想象左手运动的样本数，为m×d矩阵，d为想象右手运动的样本数。

II、利用公式(3)计算各类事件对应的每个电极特征：

$\stackrel{\‾}{x_{\mathrm{ic}}}=\frac{1}{c}\underset{j=0}{\overset{c-1}{\mathrm{\Σ}}}{X}_{i,j},$ $\stackrel{\‾}{x_{\mathrm{id}}}=\frac{1}{d}\underset{j=0}{\overset{d-1}{\mathrm{\Σ}}}{X}_{i,j}---\left(3\right)$

其中，

i为电极的序号，i＝1，2，3，…，m

III、将按照升序排列，并将每个电极排列序号记为l_ic，将

按照升序排列，并将每个电极排列序号记为l_id。

IV、利用公式(4)计算每个电极的平均特征

$\stackrel{\‾}{x_i}=\frac{l_{\mathrm{ic}}}{m}\stackrel{\‾}{x_{\mathrm{ic}}}+\frac{l_{\mathrm{id}}}{m}\stackrel{\‾}{x_{\mathrm{id}}}---\left(4\right)$

其中i为电极的序号，i＝1，2，3，…，m，m表示总电极数

B、根据支持向量机SVM决策函数形式

令权重不难发现，w_i的取值决定了特征

对分类准确率的贡献程度。|w_i|越小，特征

对数据x分类识别作用就越小，反之则大。换言之，如果去除某一特征后，剩余数据集的分类准确率保持不变或者升高，说明这电极是冗余的，可以去除，反之，如果某一特征取出后，剩余数据集的分类准确率降低，说明电极是有贡献的，应该予以保留。而各个电极的平均特征

恰恰能表征该电极的贡献程度。利用以上的电极优选方法，我们进行所有电极的优选。首先，计算每个电极的贡献程度，即计算每个电极提取特征的权重绝对值，并用其表征该电极的贡献程度，即

$M_i=\left|a_i^{*}\stackrel{\‾}{x_i}\right|---\left(5\right)$

M_i越大，其对应电极对分类的贡献越大，该电极就应该保留。然后，对M_i按降序排列，从贡献度最小的电极开始，依次判断每个电极对分类准确率的影响，如果排除电极后，新的数据集的分类准确率有所降低，则说明该电极应该予以保留，反之，说明该电极是多余的，应予以去除，然后获得该电极去除后的新数据集的分类准确率，依次对其余电极进行验证。第一轮验证结束后，重新从第三步开始计算新数据集的分类准确率，进行第二循环的电极选取工作，如此循环，直到电极个数没有变化为止，这样我们就得到了最优电极组。

参照流程图5，具体算法如下：

(1)初始化数据集为T₁、T₂，循环次数p初始化为0。

(2)用T₁训练支持向量机SVM，计算支持向量机SVM分类准确率，记为Rate_old，利用

计算每个电极的贡献得分，并将Mi按降序排列，并将p加1。

(3)电极个数G初始化为m，依次从贡献得分最低的电极开始，将所有的电极依次执行如下过程：实验电极i，排除该电极后进行特征提取后训练分类器，得到支持向量机SVM的分类准确率，记为Rate_new，若Rate_new＜Rate_old，则保留该电极i，否则，则排除该电极i，并将电极个数G减1，将Rate_new的值赋给Rate_old。

(4)将所有的电极实验完毕，如果电极个数G不再变小，则剩余的电极组即为最优电极组，反之，转步骤(2)，直至得到最优电极组。

本发明具有以下优点：1、采用脑电信号EEG分类准确率作为电极选择的评估标准，从而保证了脑电信号分类准确率不会因电极选取而下降。2、利用每个电极对分类识别的贡献得分作为电极取舍的重要依据，即将所有电极的贡献得分进行降序排列，从贡献得分最小的电极开始验证，尽可能保留有益电极。3、通过电极的多次循环筛选，自动得到最优电极组，极大的简化系统，提高处理速率。

附图说明

图1BCI系统基本结构示意图

图2功率变化图图3最优电极组选取流程图

图4电极平均特征计算流程图

图5最优电极选取流程图

图6分类准确率图

具体实施方式

本发明利用的电极帽以及脑波仪是市售的，主要用来采集脑电信号，并将采集的脑电信号经过A/D转换成电压幅值形式在存储在计算机中，便于后期处理与利用。

第一步：遵循国际10-20系统标准放置电极，利用脑波仪从118个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储。

第二步：设计48阶，512采样点的FIR滤波器对存储器中的脑电信号数据进行6-28Hz带通滤波，将得到的脑电信号数据集记为S，将每个事件分类，分类标签记为{-1，1}，-1代表想象右手运动，1代表想象左手运动，分类标签集记为L。

第三步：对预处理的脑电信号利用共空间模式CSP进行特征提取，得到特征集设为S₁，取特征集中的

作为训练样本T1，剩余的作为测试样本T₂。

第四步：利用Lagrange乘子算法求解最优分类超平面，得到Lagrange乘子。选用线性核支持向量机SVM，用训练样本T1训练分类器，并对测试样本T2进行分类。

第五步：按照流程图5进行最优电极选取，首先按照流程图4计算每个电极的平均特征其次计算每个电极的贡献程度

并进行电极优选过程，即：(1)初始化数据集T1，电极个数为118，循环次数p初始化为零。

(2)用T₁训练支持向量机SVM，计算支持向量机SVM分类识别正确率，记为Rate_old，利用

计算每个电极的贡献得分，并将M_i按降序排列，并将p加1。

(3)电极个数G初始化为118，依次从贡献得分最低的电极开始，将所有的电极依次执行如下过程：实验电极i，排除该电极后进行特征提取后训练分类器，分类器的分类准确率记为Rate_new，若Rate_new＜Rate_old，则保留该电极i，否则，则排除该电极i，并将Rate_new的值赋给Rate_old。

(4)将所有的电极实验完毕，得到电极数目G为62，分类准确率为92.7％，由于电极数目G较以前变小，转步骤(2)进行第2循环电极优选，得到电极数目G为48，分类准确率为94.8％，由于电极数目G较以前变小，转步骤(2)进行第3循环电极优选，如此循环筛选，当进行完第7次循环电极优选后，得到电极数目G为20，分类准确率为99.0％，见图6所示，由于电极数目跟第6次循环后的电极数目相同，因此我们得到了最优电极组。

实验结果如表1所示，充分说明了该发明能够自动获取最优电极组，一定程度上简化了系统，并在一定程度上提高分类准确率，这为提高脑机接口技术的自适应性、实时性提供了条件，从而使脑机接口技术早日走出实验室，在日常生活中服务于人类成为可能。

表1最优电极组自动选取方法的实验结果

保留的电极数目	分类准确率％	循环次数
			118	90.2	0
62	92.7	1
			48	94.8	2
32	95.3	3
			26	96.4	4
22	98.1	5
			20	99.0	6
20	99.0	7

Claims (1)

1.脑机接口的最优电极组自动选取方法，其特征在于，该方法步骤如下：

(1)脑电信号采集

遵循国际10-20系统标准放置电极，利用脑波仪从m个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储；

(2)脑电信号预处理

利用滤波器对存储器中的脑电信号数据进行6-28Hz带通滤波，去除工频噪声及相关噪声，将得到的脑电信号数据集记为S，S为m×n×k的矩阵，m表示电极数，n表示每个事件采样点数，k表示事件数，并将每个事件分类，分类标签记为{-1，1}，-1代表想象右手运动，1代表想象左手运动，将分类标签集记为L，L为m×1的矩阵；

(3)特征提取

对预处理的脑电信号利用共空间模式CSP进行特征提取，将n个事件采样点数提取为1个特征，得到特征集设为S₁，S₁为m×k的矩阵，将S₁和L构成特征集，任意取特征集中的

作为训练样本，剩余的作为测试样本，设训练样本为T₁，为

的矩阵，设测试样本为T₂，为的矩阵；

(4)分类识别

利用Lagrange乘子算法求解最优分类超平面，得到Lagrange乘子a_i；

支持向量机SVM选用线性核，用训练样本T₁训练分类器，并对测试样本T₂进行分类；

即支持向量机SVM的判别函数式f(x)为：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_k{a}_{i}K\left(x,x_i\right)+b,---\left(1\right)$

y_k∈L，x_i∈T₁，i为电极的序号，i＝1，2，3，…，m，x为特征向量，b是分类的阈值，初始化为满足分类条件的任何值；

训练后得到支持向量机SVM决策函数：

$f^{*}\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{a}_i^{*}{y}_k{x}_{i}x+b^{*})---\left(2\right)$

a_i ^*，b^*为支持向量机SVM训练后的Lagrange乘子和分类的阈值；

(5)最优电极的选取

A、计算每个电极的平均特征

具体方法如下：

I、将训练样本T₁按照事件分为和

为m×c矩阵，c为想象左手运动的样本数，为m×d矩阵，d为想象右手运动的样本数；

II、利用公式(3)计算各类事件对应的每个电极特征：

$\stackrel{\‾}{x_{\mathrm{ic}}}=\frac{1}{c}\underset{j=0}{\overset{c-1}{\mathrm{\Σ}}}{X}_{i,j},$ $\stackrel{\‾}{x_{\mathrm{id}}}=\frac{1}{d}\underset{j=0}{\overset{d-1}{\mathrm{\Σ}}}{X}_{i,j}---\left(3\right)$

其中，

i为电极的序号，i＝1，2，3，…，m

III、将

按照升序排列，并将每个电极排列序号记为l_ic，将

按照升序排列，并将每个电极排列序号记为l_id；

IV、利用公式(4)计算每个电极的平均特征

$\stackrel{\‾}{x_i}=\frac{l_{\mathrm{ic}}}{m}\stackrel{\‾}{x_{\mathrm{ic}}}+\frac{l_{\mathrm{id}}}{m}\stackrel{\‾}{x_{\mathrm{id}}}---\left(4\right)$

其中i为电极的序号，i＝1，2，3，…，m，m表示总电极数

B、计算每个电极的贡献程度，即计算每个电极提取特征的权重绝对值，并用其表征该电极的贡献程度，即

M_i越大，其对应电极对分类的贡献越大，该电极就应该保留。然后，对M_i按降序排列，从贡献度最小的电极开始，依次判断每个电极对分类准确率的影响，如果排除电极后，新的数据集的分类准确率有所降低，则说明该电极应该予以保留，反之，说明该电极是多余的，应予以去除，然后获得该电极去除后的新数据集的分类准确率，依次对其余电极进行验证。第一轮验证结束后，重新从第三步开始计算新数据集的分类准确率，进行第二循环的电极选取工作，如此循环，直到电极个数没有变化为止，得到了最优电极组；

(5.1)初始化数据集为T₁、T₂，循环次数p初始化为0；

(5.2)用T₁训练支持向量机SVM，计算支持向量机SVM分类准确率，记为Rate_old，利用

计算每个电极的贡献得分，并将M_i按降序排列，并将p加1；

(5.3)电极个数G初始化为m，依次从贡献得分最低的电极开始，将所有的电极依次执行如下过程：实验电极i，排除该电极后进行特征提取后训练分类器，得到支持向量机SVM的分类准确率，记为Rate_new，若Rate_new＜Rate_old，则保留该电极i，否则，则排除该电极i，并将电极个数G减1，将Rate_new的值赋给Rate_old；

(5.4)将所有的电极实验完毕，如果电极个数G不再变小，则剩余的电极组即为最优电极组，反之，转步骤(5.2)，直至得到最优电极组。

Images