CN105069440A - 基于na-memd和互信息的脑电imf分量选择方法 - Google Patents

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

基于NA-MEMD和互信息的脑电IMF分量选择方法

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：

$m\left(t\right)=1/K{\Σ}_{k=1}^K{e}^{{\mathrm{\θ}}_k}\left(t\right)---\left(1\right)$

(8)求取c_i(t)：计算z(t)与m(t)之差，则c_i(t)＝z(t)-m(t)，i表示第i阶IMF分量。如果c_i(t)满足多变量IMF的停止条件，则r_i(t)＝z(t)-c_i(t)；

(9)对r_i(t)重复上述(4)～(8)步进行w次，当r_w(t)变成一个单调函数，则停止筛分，否则对c_i(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，c_i(t)即为分解得到的IMF分量，如下公式所示：

$z\left(t\right)=\underset{i=1}{\overset{w}{\Σ}}{c}_i\left(t\right)+r_w\left(t\right)---\left(2\right)$

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A_MI：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。

A_MI＝I(cx_i(t)；x(t))(3)其中，cx_i(t)＝{cx_1i(t),cx_2i(t),…,cx_si(t)}，i＝1,2,…,w。

(2)计算互信息B_MI：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。

B_MI＝I(cn_i(t)；n(t))(4)其中，cn_i(t)＝{cn_1i(t),cn_2i(t),…,cn_ti(t)}，i＝1,2,…,w。

(3)计算E_MI：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。

E_MI＝I(cx_i(t)；cn_i(t))(5)

(4)计算敏感因子R：

R＝(A_MI+B_MI)/2-E_MI(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：

${\mathrm{COV}}_d=\frac{X_d{X_d}^T}{trace\left(X_d{X_d}^T\right)}---\left(7\right)$

其中X_d表示类别d样本的脑电信号，d∈{1,2}，X_d ^T表示X_d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：

COV_d＝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：

$p=\sqrt{{\mathrm{\Σ}}^{-1}}{U}_0^T---\left(9\right)$

(5)白化变换协方差矩阵COV1和COV2：

WM₁＝PCOV₁P^T,WM₂＝PCOV₂P^T(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A_MI：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；

A_MI＝I(cx_i(t)；x(t))(1)

其中，cx_i(t)＝{cx_1i(t),cx_2i(t),…,cx_si(t)}，i＝1,2,...,w；其中w为IMF分量的分解总阶数；

(2)计算互信息B_MI：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；

B_MI＝I(cn_i(t)；n(t))(2)

其中，cn_i(t)＝{cn_1i(t),cn_2i(t),…,cn_ti(t)}，i＝1,2,...,w；

(3)计算E_MI：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；

E_MI＝I(cx_i(t)；cn_i(t))(3)

(4)计算敏感因子R：

R＝(A_MI+B_MI)/2-E_MI(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：

$m\left(t\right)=1/K{\Σ}_{k=1}^K{e}^{{\mathrm{\θ}}_k}\left(t\right)---\left(5\right)$

步骤(8)：求取c_i(t)：计算z(t)与m(t)之差，则c_i(t)＝z(t)-m(t)，i表示第i阶IMF分量；如果c_i(t)满足多变量IMF的停止条件，则r_i(t)＝z(t)-c_i(t)；

步骤(9)：对r_i(t)重复上述步骤(4)～(8)步进行w次，当r_w(t)变成一个单调函数，则停止筛分，否则对c_i(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，c_i(t)即为分解得到的IMF分量，如下公式所示：

$z\left(t\right)=\underset{i=1}{\overset{w}{\Σ}}{c}_i\left(t\right)+r_w\left(t\right)---\left(6\right).$