CN105069440A - 基于na-memd和互信息的脑电imf分量选择方法 - Google Patents
基于na-memd和互信息的脑电imf分量选择方法 Download PDFInfo
- Publication number
- CN105069440A CN105069440A CN201510511801.9A CN201510511801A CN105069440A CN 105069440 A CN105069440 A CN 105069440A CN 201510511801 A CN201510511801 A CN 201510511801A CN 105069440 A CN105069440 A CN 105069440A
- Authority
- CN
- China
- Prior art keywords
- imf component
- signal
- imf
- noise
- aid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于NA-MEMD和互信息的选择IMF分量的方法。在脑电信号处理中,NA-MEMD方法是一种有效的自适应性的非线性时频域分解方法,但该方法存在分解结果包含大量虚假的IMF分量问题,而现有的方法选取有用IMF分量多依赖于先验信息。利用二维互信息计算出各通道信号及其IMF分量、噪声及其IMF,分量、信号IMF分量与噪声IMF分量的相关性。然后,根据相关性得到的敏感因子筛选出有用的IMF分量并重构,使用CSP对重构信号进行特征提取。本发明方法降低了直接选用IMF分量作为特征值导致的高的特征维数,使用二维互信息减少了算法的处理时间,加强了特征区分度,是一种有效的选取有用信息的方法。
Description
技术领域
本发明属于脑-机接口领域,涉及一种基于NA-MEMD和互信息的脑电IMF分量选择方法。
背景技术
脑电信号(electroencephalogram,EEG)是大脑内部的神经细胞活动在大脑皮层的综合反映,包含着与大脑状况,思维过程等方面的相关信息,因而对脑电信号进行处理并提取有用信息已经成为脑科学研究的重要内容。
噪声辅助的多变量经验模式分解(noise-assistedmultivariateempiricalmodedecomposition,NA-MEMD)方法,是一种非线性的时频域分析方法,可以自适应地将多变量数据同时分解成对应多通道的具有不同特征尺度的多组本征模态函数(intrinsicmodefunction,IMF)。但该方法存在分解结果包含大量虚假的IMF分量问题,这会对后续的分类产生不良影响。因此,从分解得到的各阶IMF分量中选取包含有用信息的成分显得尤为重要。但现有的选取方法依赖于先验信息,具有主观性。
互信息方法广泛应用于量化两个随机变量间共有的线性和非线性信息以衡量变量的相关程度,可以用于IMF的选取。但传统互信息方法用于脑电信号时,一次只能处理两个通道的信号。当用于多通道处理时,运算复杂,不能充分利用多通道间的有效信息。
发明内容
本发明的目的就是针对现有的选取有用分量的方法存在的依赖于先验信息,运算复杂度高,有效信息利用不充分的问题,提出基于NA-MEMD和互信息的提取脑电信号有用分量的方法。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1)使用NA-MEMD同时对多通道的EEG和辅助噪声共同组成的信号进行分解,得到数量和频率一致的IMF分量;
步骤(2)分别计算出多通道的EEG与多通道的EEG的IMF分量、辅助噪声与辅助噪声的IMF分量、多通道的EEG的IMF分量与辅助噪声的IMF分量的相关性;
步骤(3)根据相关性得到的敏感因子筛选出有用的IMF分量并重构,使用共空间模式(commonspatialpattern,CSP)对重构信号进行特征提取,并使用支持向量机(SupportVectorMachine,SVM)对特征向量进行分类。
本发明具有如下有益效果:
1、减少运算量,提高特征提取效率
本发明对传统的互信息进行改进,将单通道脑电信号看成是一个向量,将多通道的信号组合成矩阵,然后对矩阵进行二维互信息分析。可以一次性揭示多通道的相关性,降低了计算复杂度。
2、不依赖于先验信息,提高特征区分度
本发明根据二维互信息计算相关性得到的敏感因子选取有用分量,且加入不相关的噪声通道辅助选取,选取依据客观充分,且不需要预先明确脑电信号的有用频带信息。
图1为本发明的实施流程图。
下面结合附图详细描述本发明基于NA-MEMD和二维互信息的提取脑电信号有用分量的方法。
下面逐一对各步骤进行详细说明。
步骤一:使用NA-MEMD同时对多通道的EEG和辅助噪声共同组成的信号进行分解,得到数量和频率一致的IMF分量:
(1)引入s通道不相关高斯白噪声信号n(t),其长度与v通道的待处理信号x(t)等长,假设都为L;
(2)将生成的s通道噪声信号n(t)加入到v通道待处理信号x(t)中,构成q通道的多元信号z(t),其中q=s+v;
(3)在一个球面上,选择q-1个采样点集,即得到q维空间的方向向量
(4)计算信号z(t)沿着方向向量的投影,记作
(5)找出投影信号的局部极值(包括极大值和极小值)所对应的瞬时时间j表示极值点位置,j∈[1,L];
(6)对利用样条插值法获得多变量包络曲线
(7)对于K个方向向量,包络曲线的均值m(t)为:
(8)求取ci(t):计算z(t)与m(t)之差,则ci(t)=z(t)-m(t),i表示第i阶IMF分量。如果ci(t)满足多变量IMF的停止条件,则ri(t)=z(t)-ci(t);
(9)对ri(t)重复上述(4)~(8)步进行w次,当rw(t)变成一个单调函数,则停止筛分,否则对ci(t)重复上述步骤。
如此,便将多通道组合信号z(t)分解成对应的IMF分量,ci(t)即为分解得到的IMF分量,如下公式所示:
步骤二:分别计算出多通道的EEG与多通道的EEG的IMF分量、辅助噪声与辅助噪声的IMF分量、多通道的EEG的IMF分量与辅助噪声的IMF分量的相关性:
(1)计算互信息AMI:即计算多通道的脑电信号x(t)的第i阶IMF分量与多通道的脑电信号x(t)本身的相关度。
AMI=I(cxi(t);x(t))(3)其中,cxi(t)={cx1i(t),cx2i(t),…,cxsi(t)},i=1,2,…,w。
(2)计算互信息BMI:即计算辅助噪声信号n(t)的第i阶IMF分量与辅助噪声信号n(t)本身的相关度。
BMI=I(cni(t);n(t))(4)其中,cni(t)={cn1i(t),cn2i(t),…,cnti(t)},i=1,2,…,w。
(3)计算EMI:即计算多通道的脑电信号x(t)的第i阶IMF分量与辅助噪声信号n(t)的对应阶IMF分量的相关度。
EMI=I(cxi(t);cni(t))(5)
(4)计算敏感因子R:
R=(AMI+BMI)/2-EMI(6)
步骤三:根据相关性得到的敏感因子筛选出有用的IMF分量并重构,再对重构信号进行特征提取和分类。
下面以两类脑电信号分类为例进行说明。
a、重构分量并使用CSP提取特征向量
比较各阶IMF分量对应的敏感因子R,其值越大,说明该阶的IMF分量越敏感,特征区分度越大,包含的有用信息越多。根据R的大小选取包含有用信息的IMF分量。为了避免直接使用选取的IMF分量进行计算导致高的特征维数,则先重构所选分量,然后对重构后的信号进行特征提取,具体求解算法如下:
(1)将选取的包含有用信息的IMF分量累加得到重构后的多通道脑电信号为矩阵X,X为v×t维,v表示脑电采集时的通道数,t表示脑电采集时每次任务各通道的采样点数。
(2)将脑电信号X归一化处理后可得到协方差矩阵:
其中Xd表示类别d样本的脑电信号,d∈{1,2},Xd T表示Xd的转置,trace(…)表示矩阵的迹,即矩阵对角元素之和。
(3)合成的空间协方差矩阵分解:
COVd=COV1+COV2=U0ΣU0 T(8)
其中,Σ为特征值对角矩阵,U0为其对应的特征向量矩阵,在这一变换中,将Σ特征值按降序排列,其相对应的U0也重新排列。
(4)求白化矩阵,定义白化矩阵p如下:
(5)白化变换协方差矩阵COV1和COV2:
WM1=PCOV1PT,WM2=PCOV2PT(10)
(6)主成分分解:
WM1=U1Σ1U1 T,WM2=U2Σ2U2 T所以取Σ1和Σ2中最大的E个特征值对应的特征向量组成投影矩阵U,U=[U′1U′2],其中U′1、U'2分别为最大的个特征值对应的特征向量。
b、使用SVM对特征向量分类
为了凸显本发明的有效性,并方便与其它方法做比较,将所提取特征向量送入SVM中分类:
(1)在使用SVM分类前,训练样本和测试样本按140:60的固定比例随机选择数据,并将训练数据和测试数据都归一化到[0,1]区间。
(2)SVM的核函数选择分类效果较稳定的RBF核函数。
(3)在训练时使用5倍交叉验证,并使用网格搜索(Girdsearch)法寻找最佳惩罚系数C和RBF参数gamma。
(4)通过训练建立支持向量机模型,并使用该模型对测试集进行预测。
(5)重复上次分类过程100次,得出平均分类准确度。
Claims (2)
1.基于NA-MEMD和互信息的脑电IMF分量选择方法,其特征在于,该方法具体包括以下步骤:
步骤一:使用NA-MEMD同时对多通道的EEG和辅助噪声共同组成的信号进行分解,得到数量和频率一致的IMF分量;
步骤二:分别计算出多通道的EEG与多通道的EEG的IMF分量、辅助噪声与辅助噪声的IMF分量、多通道的EEG的IMF分量与辅助噪声的IMF分量的相关性:
(1)计算互信息AMI:即计算多通道的脑电信号x(t)的第i阶IMF分量与多通道的脑电信号x(t)本身的相关度;
AMI=I(cxi(t);x(t))(1)
其中,cxi(t)={cx1i(t),cx2i(t),…,cxsi(t)},i=1,2,...,w;其中w为IMF分量的分解总阶数;
(2)计算互信息BMI:即计算辅助噪声信号n(t)的第i阶IMF分量与辅助噪声信号n(t)本身的相关度;
BMI=I(cni(t);n(t))(2)
其中,cni(t)={cn1i(t),cn2i(t),…,cnti(t)},i=1,2,...,w;
(3)计算EMI:即计算多通道的脑电信号x(t)的第i阶IMF分量与辅助噪声信号n(t)的对应阶IMF分量的相关度;
EMI=I(cxi(t);cni(t))(3)
(4)计算敏感因子R:
R=(AMI+BMI)/2-EMI(4)
步骤三:根据相关性得到的敏感因子筛选出有用的IMF分量并重构,再对重构信号进行特征提取和分类。
2.根据权利要求1所述的基于NA-MEMD和互信息的脑电IMF分量选择方法,其特征在于,步骤一具体包括以下步骤:
步骤(1):引入s通道不相关高斯白噪声信号n(t),其长度与v通道的待处理信号x(t)等长,假设都为L;
步骤(2):将生成的s通道噪声信号n(t)加入到v通道待处理信号x(t)中,构成q通道的多元信号z(t),其中q=s+v;
步骤(3):在一个球面上,选择q-1个采样点集,即得到q维空间的方向向量
步骤(4):计算信号z(t)沿着方向向量的投影,记作
步骤(5):找出投影信号的局部极值(包括极大值和极小值)所对应的瞬时时间j表示极值点位置,j∈[1,L];
步骤(6):对利用样条插值法获得多变量包络曲线
步骤(7):对于K个方向向量,包络曲线的均值m(t)为:
步骤(8):求取ci(t):计算z(t)与m(t)之差,则ci(t)=z(t)-m(t),i表示第i阶IMF分量;如果ci(t)满足多变量IMF的停止条件,则ri(t)=z(t)-ci(t);
步骤(9):对ri(t)重复上述步骤(4)~(8)步进行w次,当rw(t)变成一个单调函数,则停止筛分,否则对ci(t)重复上述步骤;
如此,便将多通道组合信号z(t)分解成对应的IMF分量,ci(t)即为分解得到的IMF分量,如下公式所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510511801.9A CN105069440A (zh) | 2015-08-19 | 2015-08-19 | 基于na-memd和互信息的脑电imf分量选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510511801.9A CN105069440A (zh) | 2015-08-19 | 2015-08-19 | 基于na-memd和互信息的脑电imf分量选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105069440A true CN105069440A (zh) | 2015-11-18 |
Family
ID=54498802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510511801.9A Pending CN105069440A (zh) | 2015-08-19 | 2015-08-19 | 基于na-memd和互信息的脑电imf分量选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069440A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038429A (zh) * | 2017-11-30 | 2018-05-15 | 西安交通大学 | 一种运动执行的单次脑电特征提取分类方法 |
CN108542383A (zh) * | 2017-09-25 | 2018-09-18 | 同济大学 | 基于运动想象的脑电信号识别方法、系统、介质及设备 |
CN109009091A (zh) * | 2018-05-15 | 2018-12-18 | 杭州电子科技大学 | 基于EEMD与DSS-ApEn的脑电信号消噪方法 |
CN109669440A (zh) * | 2018-12-18 | 2019-04-23 | 浙江大学 | 一种基于噪声辅助的工业控制回路间歇振荡检测方法 |
CN110353673A (zh) * | 2019-07-16 | 2019-10-22 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
CN110376002A (zh) * | 2019-07-24 | 2019-10-25 | 西南交通大学 | 一种高速列车转向架故障诊断方法 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN113662564A (zh) * | 2021-09-24 | 2021-11-19 | 电子科技大学 | 一种基于本征模函数相干分析的事件诱发电位提取装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
-
2015
- 2015-08-19 CN CN201510511801.9A patent/CN105069440A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
Non-Patent Citations (4)
Title |
---|
NAVEED UR REHMAN 等: "Filter Bank Property of Multivariate Empirical Mode Decomposition", 《IEEE TRANSCATIONS ON SIGNAL PROCESSING》 * |
WOJCIECH SAMEK 等: "Divergence-Based Framework for Common Spatial", 《IEEE REVIEWS IN BIOMEDICAL ENGINEERING》 * |
佘青山 等: "基于NA-MEMD 和二维互信息的脑电特征提取方法", 《第26届中国过程控制会议(CPCC2015)论文集》 * |
熊炘 等: "齿轮点蚀的多通道数据融合识别方法", 《振动、测试与诊断》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108542383A (zh) * | 2017-09-25 | 2018-09-18 | 同济大学 | 基于运动想象的脑电信号识别方法、系统、介质及设备 |
CN108542383B (zh) * | 2017-09-25 | 2020-07-14 | 同济大学 | 基于运动想象的脑电信号识别方法、系统、介质及设备 |
CN108038429A (zh) * | 2017-11-30 | 2018-05-15 | 西安交通大学 | 一种运动执行的单次脑电特征提取分类方法 |
CN109009091A (zh) * | 2018-05-15 | 2018-12-18 | 杭州电子科技大学 | 基于EEMD与DSS-ApEn的脑电信号消噪方法 |
CN109009091B (zh) * | 2018-05-15 | 2021-02-19 | 杭州电子科技大学 | 基于EEMD与DSS-ApEn的脑电信号消噪方法 |
CN109669440A (zh) * | 2018-12-18 | 2019-04-23 | 浙江大学 | 一种基于噪声辅助的工业控制回路间歇振荡检测方法 |
CN110353673A (zh) * | 2019-07-16 | 2019-10-22 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
CN110353673B (zh) * | 2019-07-16 | 2021-08-31 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
CN110376002A (zh) * | 2019-07-24 | 2019-10-25 | 西南交通大学 | 一种高速列车转向架故障诊断方法 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN113662564A (zh) * | 2021-09-24 | 2021-11-19 | 电子科技大学 | 一种基于本征模函数相干分析的事件诱发电位提取装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069440A (zh) | 基于na-memd和互信息的脑电imf分量选择方法 | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
Leblanc et al. | A global diatom database–abundance, biovolume and biomass in the world ocean | |
CN107239142A (zh) | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 | |
CN108888264A (zh) | Emd和csp融合功率谱密度脑电特征提取方法 | |
CN107688120A (zh) | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 | |
Mimilakis et al. | A recurrent encoder-decoder approach with skip-filtering connections for monaural singing voice separation | |
CN105572501B (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN104887224A (zh) | 面向癫痫脑电信号的特征提取与自动识别方法 | |
CN105677035A (zh) | 基于eemd和小波阈值的运动想象脑电信号消噪方法 | |
Guo et al. | Single-mixture source separation using dimensionality reduction of ensemble empirical mode decomposition and independent component analysis | |
CN110163128A (zh) | 改进的emd算法结合小波包变换及csp算法的脑电信号分类方法 | |
CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
CN108387887A (zh) | 一种水声信号的混合降噪方法 | |
CN110514921A (zh) | 一种电力电子变换器非平稳信号中非线性现象的识别方法 | |
CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
CN104463808A (zh) | 基于空间相关性的高光谱数据降噪方法及系统 | |
CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
CN115429289B (zh) | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 | |
CN108280464A (zh) | Dwt和emd融合近似熵的脑电特征提取方法 | |
CN103500421B (zh) | 一种基于频率特征的耕地复种指数提取方法 | |
CN106859641A (zh) | 一种基于自动ica去除eeg信号中核磁伪迹的方法 | |
CN109308491A (zh) | 一种用于多工位冷镦机状态检测的改进多分类支持向量机方法 | |
CN114139586A (zh) | 基于多尺度分析二维特征提取的电能质量复合扰动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |