CN104700119B - 一种基于卷积盲源分离的脑电信号独立分量提取方法 - Google Patents

Abstract

本发明公开了一种基于卷积盲源分离的脑电信号独立分量提取方法，其具体步骤为：搭建包括AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块的基于卷积盲源分离的脑电信号独立分量提取系统；AD采样模块对脑电信号进行采样；短时傅里叶变换模块将时域脑电信号变换到频域；频域瞬时盲源分离模块对频域瞬时混合信号进行分离；顺序调整模块对每个频域段上向量中的独立分量进行顺序调整；短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量。本发明基于更真实的卷积混合模型提取脑电信号独立分量，采用卷积盲源分离的频域算法，实现简单、分离效果好、计算复杂度低。

Description

一种基于卷积盲源分离的脑电信号独立分量提取方法

技术领域

本发明涉及一种脑电信号独立分量提取方法，特别是一种基于卷积盲源分离的脑电信号独立分量提取方法。

背景技术

脑电信号特征提取是脑机接口的关键步骤之一。从多通道脑电信号中分离出独立分量，再从独立分量中提取特征信号，是被广泛采用的脑电信号特征提取流程。脑电信号独立分量提取方法通过对多路脑电混合过程进行建模，基于该模型对脑电混合信号进行盲源分离，得到统计上独立的多个分量。当前，脑电信号独立分量的提取方法一般是基于瞬时混合模型的，即假定多通道脑电信号是瞬时线性混合的；而在严格意义上，多通道脑电信号是卷积混合的；瞬时混合模型忽略了脑电信号传播过程的时空动态性，从而影响了独立分量提取的实际效果，进而制约了脑电信号特征提取与分类识别准确率的提高。

发明内容

本发明的目的在于提供一种基于卷积盲源分离的脑电信号独立分量提取方法，解决基于瞬时混合模型的独立分量提取方法不能真实描述脑电信号混合过程从而影响脑电信号特征提取与分类识别准确率的问题。

一种基于卷积盲源分离的脑电信号独立分量提取方法，其具体步骤为：

第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统

基于卷积盲源分离的脑电信号独立分量提取系统，包括：AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样，使脑电信号离散化；短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号；频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离；顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整；短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。

第二步 AD采样模块对脑电信号进行采样

AD采样模块分别对采集到的n路脑电信号x _j 进行AD采样，使脑电信号离散化，其中j=1,2,…,n。

第三步 短时傅里叶变换模块将时域脑电信号变换到频域

短时傅里叶变换模块对脑电信号x _j 进行m点的离散傅里叶变换，得到X _i ，其中i=1,2,…,m。X _i =[X _i1, X _i2,…, X _in ] ^T , X _ij 是脑电信号x _j 经过离散傅里叶变换后第i个频域段的成分组成的横向量，通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。

第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离

频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号X _i ，分别采用复数自然梯度算法进行分离，即求得解混矩阵W _i ，使得：

y _i = W _i X _i （1）

各分量之间的统计独立性最强。式中，y _i 是第i个频率段上的独立分量组成的向量，y _i =[y _i1, y _i2，…，y _in ] ^T 。

W _i 的学习规则为：

（2）

式中，△W _i 表示W _i 的增量，(·) ^H 表示共轭转置，η是学习速率，I是单位矩阵，f(y _i )是非线性函数：

（3）

式中，K为对角矩阵，其中的元素k _i 为：

（4）

最终得到m个频域段上的独立分量组成的向量y _i 。公式（4）中，E(·)表示期望。

第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整

顺序调整模块根据脑电信号独立分量的特点：来源于同一独立分量的相邻频率段的信号之间存在相关性，通过相邻频率段信号之间的幅值相关性进行顺序调整。

对于i=1,2,…,m-1的每种情况：

当i保持不变，对于k=1,2,…,n-1的每种情况：

相关系数为：

（5）

公式（5）中，表示|y _ik |和|y _(i+1)j |的相关系数，j=k,k+1,…,n，寻找到中的最大值，将最大值对应的下标记为j_max，即；交换y _{(i+1)j_max}和y _(i+1)k ；

最终得到调整顺序后的y _i ，y _i =[y _i1, y _i2，…，y _in ] ^T 。

第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量

短时傅里叶逆变换模块对调整顺序的结果进行组合，并作短时傅里叶逆变换：将y _1j , y _2j ,…, y _mj 组合成向量z _j , z _j =[y _1j , y _2j ，…，y _mj ] ^T ；然后对z _j 分别作m点的短时傅里叶逆变换，得到n个脑电信号的独立分量s _j 。

本发明基于更真实的卷积混合模型提取脑电信号独立分量，可以有效的提高后续的脑电信号特征提取与分类识别准确率，并且采用卷积盲源分离的频域算法，具有实现简单、分离效果好、计算复杂度低等优点。

具体实施方式

一种基于卷积盲源分离的脑电信号独立分量提取方法，其具体步骤为：

第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统

基于卷积盲源分离的脑电信号独立分量提取系统，包括：AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样，使脑电信号离散化；短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号；频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离；顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整；短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。

第二步 AD采样模块对脑电信号进行采样

AD采样模块分别对采集到的n路脑电信号x _j 进行AD采样，使脑电信号离散化，其中j=1,2,…,n。

第三步 短时傅里叶变换模块将时域脑电信号变换到频域

短时傅里叶变换模块对脑电信号x _j 进行m点的离散傅里叶变换，得到X _i ，其中i=1,2,…,m。X _i =[X _i1, X _i2,…, X _in ] ^T , X _ij 是脑电信号x _j 经过离散傅里叶变换后第i个频域段的成分组成的横向量，通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。

第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离

频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号X _i ，分别采用复数自然梯度算法进行分离，即求得解混矩阵W _i ，使得：

y _i = W _i X _i （1）

各分量之间的统计独立性最强。式中，y _i 是第i个频率段上的独立分量组成的向量，y _i =[y _i1, y _i2，…，y _in ] ^T 。

W _i 的学习规则为：

（2）

式中，△W _i 表示W _i 的增量，(·) ^H 表示共轭转置，η是学习速率，I是单位矩阵，f(y _i )是非线性函数：

（3）

式中，K为对角矩阵，其中的元素k _i 为：

（4）

最终得到m个频域段上的独立分量组成的向量y _i 。公式（4）中，E(·)表示期望。

第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整

顺序调整模块根据脑电信号独立分量的特点：来源于同一独立分量的相邻频率段的信号之间存在相关性，通过相邻频率段信号之间的幅值相关性进行顺序调整。

对于i=1,2,…,m-1的每种情况：

当i保持不变，对于k=1,2,…,n-1的每种情况：

相关系数为：

（5）

公式（5）中，表示|y _ik |和|y _(i+1)j |的相关系数，j=k,k+1,…,n，寻找到中的最大值，将最大值对应的下标记为j_max，即；交换y _{(i+1)j_max}和y _(i+1)k ；

最终得到调整顺序后的y _i ，y _i =[y _i1, y _i2，…，y _in ] ^T 。

第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量

短时傅里叶逆变换模块对调整顺序的结果进行组合，并作短时傅里叶逆变换：将y _1j , y _2j ,…, y _mj 组合成向量z _j , z _j =[y _1j , y _2j ，…，y _mj ] ^T ；然后对z _j 分别作m点的短时傅里叶逆变换，得到n个脑电信号的独立分量s _j 。

Claims (1)

1.一种基于卷积盲源分离的脑电信号独立分量提取方法，其特征在于具体步骤为：

第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统

基于卷积盲源分离的脑电信号独立分量提取系统，包括：AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块；AD采样模块用于对脑电信号进行采样，使脑电信号离散化；短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号；频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离；顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整；短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量；

第二步 AD采样模块对脑电信号进行采样

AD采样模块分别对采集到的n路脑电信号x_j进行AD采样，使脑电信号离散化，其中j＝1,2,…,n；

第三步 短时傅里叶变换模块将时域脑电信号变换到频域

短时傅里叶变换模块对脑电信号x_j进行m点的离散傅里叶变换，得到X_i，其中i＝1,2,…,m；X_i＝[X_i1,X_i2,…,X_in]^T,X_ij是脑电信号x_j经过离散傅里叶变换后第i个频域段的成分组成的横向量，通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合；

第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离

频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号X_i，分别采用复数自然梯度方式进行分离，即求得解混矩阵W_i，使得：

y_i＝W_iX_i (1)

各分量之间的统计独立性最强；式中，y_i是第i个频率段上的独立分量组成的向量，y_i＝[y_i1,y_i2，…，y_in]^T；

W_i的学习规则为：

ΔW_i＝η[I-f(y_i)y_i ^H]W_i (2)

式中，△Wi表示Wi的增量，(·)^H表示共轭转置，η是学习速率，I是单位矩阵，f(y_i)是非线性函数：

f(y_i)＝K(tanh(Re(y_i))+tanh(Im(y_i))i)+y_i (3)

式中，K为对角矩阵，其中的元素k_i为：

<mrow> <msub> <mi>k</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>E</mi> <mo>{</mo> <msup> <mi>sech</mi> <mn>2</mn> </msup> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mi>E</mi> <mo>{</mo> <msubsup> <mi>y</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>}</mo> <mo>-</mo> <mi>E</mi> <mo>{</mo> <mo>&amp;lsqb;</mo> <mi>tanh</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>}</mo> <mo>)</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

最终得到m个频域段上的独立分量组成的向量y_i；公式(4)中，E(·)表示期望；

第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整

顺序调整模块根据脑电信号独立分量的特点：来源于同一独立分量的相邻频率段的信号之间存在相关性，通过相邻频率段信号之间的幅值相关性进行顺序调整；

对于i＝1,2,…,m-1的每种情况：

当i保持不变，对于k＝1,2,…,n-1的每种情况：

相关系数为：

ρ_ij＝ρ(|y_ik|,|y_(i+1)j|) (5)

公式(5)中，ρ_ij表示|y_ik|和|y_(i+1)j|的相关系数，j＝k,k+1,…,n，寻找到ρ_ij中的最大值，将最大值对应的下标记为j_max，即交换y_{(i+1)j_max}和y_(i+1)k；

最终得到调整顺序后的y_i，y_i＝[y_i1,y_i2，…，y_in]^T；

第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量

短时傅里叶逆变换模块对调整顺序的结果进行组合，并作短时傅里叶逆变换：将y_1j,y_2j,…,y_mj组合成向量z_j,z_j＝[y_1j,y_2j，…，y_mj]^T；然后对z_j分别作m点的短时傅里叶逆变换，得到n个脑电信号的独立分量s_j。