CN105654063B - 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 - Google Patents

基于人工蜂群时频参数优化的运动想象脑电模式识别方法 Download PDF

Info

Publication number
CN105654063B
CN105654063B CN201610012818.4A CN201610012818A CN105654063B CN 105654063 B CN105654063 B CN 105654063B CN 201610012818 A CN201610012818 A CN 201610012818A CN 105654063 B CN105654063 B CN 105654063B
Authority
CN
China
Prior art keywords
class
sample
training set
eeg signals
solution
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.)
Active
Application number
CN201610012818.4A
Other languages
English (en)
Other versions
CN105654063A (zh
Inventor
王爱民
苗敏敏
刘飞翔
陈安然
戴志勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610012818.4A priority Critical patent/CN105654063B/zh
Publication of CN105654063A publication Critical patent/CN105654063A/zh
Application granted granted Critical
Publication of CN105654063B publication Critical patent/CN105654063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

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

本发明公开了一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，该方法根据线性判别准则进行导联选择，通过人工蜂群算法进行时域及频域最优参数的选择，采用共空间模式算法进行特征提取，最后由线性判别分析算法进行特征分类。结果表明：导联选择算法能有效选择类间区分度较大的导联通道，同时基于人工蜂群的时频参数优化算法能自动选择类间区分度较大的时间窗口及频带，得到了较好分类结果，能够有效识别不同的运动想象模式。与传统的参数人工选择方法及频域参数自动选择算法相比，本发明的方法能同时在时域及频域上进行全局最优参数的自动搜寻，更有利于提升运动想象脑电信号的特征提取及特征分类效果。

Description

基于人工蜂群时频参数优化的运动想象脑电模式识别方法
技术领域
本发明属于脑电信号模式识别领域，特别涉及一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法。
背景技术
经过多年的探索和发展，基于脑电(electroencephalography，EEG)的脑机接口(Brain Computer Interface,BCI)技术已经在神经康复领域显示了它特殊的价值，BCI为人和机器提供了另外一条消息及控制命令传输通道。在基于EEG的多种BCI系统中，基于运动想象的BCI系统因为运动想象任务和人类自然行为的潜在联系而被广泛研究。研究表明，与人体执行实际的动作相类似，想象人体某一部位的运动也会激活人脑运动感知皮层的某一区域，运动感知皮层的激活会引发皮层电位变化，进而造成事件相关去同步(event-related desynchronization,ERD)及事件相关同步(event-related synchronization,ERS)现象，因此通过对运动感知节律(Sensory Motor Rhythms,SMR)的幅度调制信息进行分析就可以推测人体运动意图。对于中风瘫痪病人，运动想象脑电可以反映其运动意图，进而控制外骨骼、功能性电刺激等设备辅助其完成特定动作或进行功能康复训练。更为重要的是，由于人脑具有可塑性，对运动感知回路及初级运动皮层的激活可以进一步促进神经再连，这对于中风病人的运动功能恢复而言具有十分重要的意义。
研究表明，ERD和ERS现象均只发生在特定的频段及时间区间内，因此需要通过带通滤波及设置时间窗口进行抽取。特定频段及时间区间的参数确定将直接影响后续特征提取及特征分类的效果，而现有的方法无法同时在时间区间及频带范围上进行全局最优参数的自动选择。人工蜂群算法作为群体智能算法的一种，与其他算法(如遗传算法、粒子群算法)相比，其突出的优点是在每次迭代中都进行全局和局部搜索，找到最优解的概率大大增加，并在较大程度上避免了局部最优，同时收敛速度较快。
发明内容
针对现有技术的不足，本发明提供了一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，能够自动选择具有最大类间区分度的特定频带及特定时间窗口，并获得更高的分类正确率。
本发明基于人工蜂群时频参数优化的运动想象脑电模式识别方法，采用线性判别准则量化导联通道的类间区分能力，并对各个导联的区分能力进行排序，选择区分能力较高的导联通道脑电信号。将运动想象脑电信号特征提取前的频带及时间窗口参数优化问题中的优化变量对应于人工蜂群算法中蜜源的位置，蜜源的花蜜量对应于优化问题所确定的适应度函数值，采蜜蜂或观察蜂的数量等于解的数目。从一个随机产生的初始种群开始，在每一次迭代中采蜜蜂根据记忆信息在原有蜜源的领域内进行搜索并产生新的蜜源，若新蜜源处的花蜜量比旧蜜源处的多，则根据贪婪准则，用新的蜜源代替旧的蜜源，否则保持旧的蜜源不变，若经过规定次数后依然保持在旧蜜源处，则该采蜜蜂成为侦查蜂。在所有采蜜蜂完成搜索后，返回跳舞区与观察蜂分享蜜源信息及蜜源花蜜量信息，观察蜂根据蜜源花蜜量信息以一定的概率选择蜜源。在每一次迭代后，记录当前最多的花蜜量及其蜜源。当迭代次数达到最大迭代次数或花蜜量达到最大容忍误差时，当前最多的花蜜量即为全局最优适应度函数值，其蜜源位置即为最优参数变量。对于经过步骤一和步骤二得到的特定导联、频带及时间窗口内的原始脑电信号，首先进行去均值化处理，然后针对两类运动想象模式的脑电信号，采用共空间模式(Common Spatial Pattern,CSP)算法进行空滤滤波，并提取滤波后信号的方差作为特征。采用线性判别分析(Linear Discriminant Analysis,LDA)算法对特征进行两类分类。具体包含以下步骤：
步骤一、脑电信号导联通道选择：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为训练集中的样本，采用线性判别准则量化每个导联通道的类间(两类运动想象模式)区分能力，并对各个导联通道的类间区分能力进行降序排序，选择前若干个导联通道，抽取所选择的导联通道内的脑电信号；
步骤二、最优频带及最优时间窗口选择：针对步骤一选择的训练集中的若干个导联通道内的脑电信号，采用人工蜂群算法进行最优频带和最优时间窗口的选择；
步骤三、运动想象脑电信号特征提取：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为测试集中的样本，抽取测试集中与步骤一所选择的导联通道相对应的脑电信号，并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取；
将经过上述处理后的训练集和测试集中的脑电信号，均采用共空间模式(CommonSpatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征；
步骤四、特征分类：根据步骤三中得到的训练集的特征构建线性判别分析(LinearDiscriminant Analysis,LDA)分类器，然后根据所述的分类器对测试集中的特征进行分类，获得分类准确率。
进一步地，步骤一包含如下几个步骤：
(1)将一组包含左右手两类运动想象模式多导联通道脑电信号对应一个样本，针对训练集内的每个样本，对脑电信号进行滑动窗口处理，时间窗口长度设为1秒，在每个导联通道的每一个时间窗口内计算能量Pch,t＝log(var(xch,t))，其中xch,t为导联通道ch上在滑动时间窗口t内的脑电信号，var( )为方差函数，log( )为log函数；
(2)在每个导联通道ch的每一个滑动时间窗口t内，针对训练集中的左右手两类运动想象模式，采用线性判别准则量化类间区分度其中m1和m2分别为训练集中两类运动想象模式样本的Pch,t的平均值，和为训练集中两类运动想象模式样本的Pch,t的方差；
(3)在每个导联通道上，针对所有滑动时间窗口内的chS求取其最大值作为该导联的类间区分度指标；
(4)针对所有导联通道，按类间区分度指标进行降序排序，选取前若干个导联通道脑电信号。
进一步地，步骤二中采用人工蜂群算法进行最优频带和最优时间窗口的选择具体包括以下步骤：
(1)种群初始化：包括蜜蜂总数NP，采蜜蜂数量FoodNumber，控制参数Limit，最大迭代次数maxIter以及容忍误差toleranceTh，初始化迭代次数Iter＝1,随机生成一个含有NP个解的初始种群，每个解xi是一个4维矢量，其中i＝1,2,...,NP，xi(1)代表频带起始端点，xi(2)代表频带宽度，xi(3)代表时间窗口起始端点，xi(4)代表时间窗口长度；
(2)计算步骤(1)中每个解xi(i＝1,2,...,NP)的适应度值，此处的适应度值为左右手两类运动想象模式的5折交叉验证的平均分类准确率；
(3)采蜜蜂搜索领域内的蜜源，产生新解xnew(Param)＝xold(Param)+fix(rand(xold(Param)-xneighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，xneighbour是任一采蜜蜂且xneighbour≠xold，xold为采蜜蜂初始解，xnew为采蜜蜂新解，fix( )代表取整数；
(4)利用贪婪选择策略，从步骤(3)中产生的新解和原来的解中选择适应度值更高的解，并根据适应度值计算当前采蜜蜂对应的选择概率，概率计算公式为其中fiti是采蜜蜂i的适应度值；
(5)观察蜂xLook根据步骤(4)中得到的概率选择解，并搜索领域内的解，产生新解xLookNew(Param)＝xFood(Param)+fix(rand(xFood(Param)-xLookNeighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，xFood是该观察蜂xLook选择的采蜜蜂，xLookNeighbour是观察蜂且xLookNeighbour≠xLook，fix( )代表取整数，并计算适应度值，利用贪婪选择策略从新解和原来的解中选择适应度值更高的解；
(6)判断是否有要放弃的解，如果某个解经过Limit次循环之后其适应度值没有提高，此时对应的采蜜蜂就变成侦察蜂，根据式随机产生一个新解来代替该解，其中和分别代表各个参数的上下边界，fix( )代表取整数；
(7)一次迭代结束后，记录当前最好的解及适应度值；
(8)判断迭代次数τ是否达到最大迭代次数maxIter或最好的适应度值是否达到了最大容忍误差toleranceTh，若达到，输出全局最优适应度值OptimalValue及最好的解GBest，GBest中的4个分量分别对应于频带起始端点、频带宽度、时间窗口起始端点及时间窗口长度；否则迭代次数τ＝τ+1，重复步骤(3)到步骤(8)。
进一步地，所述步骤三中经过上述处理后的训练集和测试集中的脑电信号，均采用共空间模式(Common Spatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征，具体步骤如下：
(1)去均值化处理：其中xch,n是训练集和测试集中所选择的导联通道ch上某一个采样点处的脑电信号值，x'ch,n为转化后的值，N为采样点总数；
(2)采用共空间模式(Common Spatial Pattern,CSP)算法对训练集中的左右手两类样本进行空滤滤波及特征提取：依据不同的运动想象模式，将训练集分为两类，设X1和X2分别是每一类的一个样本，它们对应的归一化的空间协方差矩阵R1和R2为和其中T上标代表矩阵的转置，trace( )代表矩阵的迹；将所有样本的协方差矩阵按类别计算均值得到：和其中N1和N2分别为两类样本的个数；得到混合协方差矩阵对R进行特征值分解：R＝UΣUT，其中U是特征向量矩阵，Σ是特征值的对角矩阵；得到白化变换矩阵：P＝Σ-1/2UT；对进行白化处理得到S1，再对S1做特征值分解其中U1是特征向量矩阵，Σ1是特征值的对角矩阵，设λi(i＝1,2,...,40)为S1的40(对应于所选的导联数为40)个特征值且λ1≥λ2≥...≥λ40，分别取Σ1中最大和最小的3个特征值对应的特征向量构成空间滤波器W1，滤波后的信号分别为和对于滤波后的信号X'i(i＝1,2)，分别提取其第一行和最后一行数据的方差作为特征值；对于训练集中的每一个样本，均进行上述操作得到训练集的特征集；
(3)对测试集中的左右手两类样本进行空滤滤波及特征提取：利用步骤(2)中得到的空间滤波器组W1对测试集中的每一个样本进行空域滤波，同样提取滤波后的信号第一行和最后一行数据的方差作为特征值，最终得到测试集的特征集。
进一步地，所述步骤四包括如下步骤：
(1)对于已知左右手两类类别Ki(i＝1,2)的训练集中的样本，分别计算样本均值向量mi，其中X为经步骤三提取的训练集样本的特征值向量，Ni为某一类的样本数；
(2)计算训练样本类内离散度矩阵
(3)计算总类内离散度矩阵Eω＝E1+E2；
(4)求最佳向量
(5)计算阈值ω0＝(ω*)T(m1+m2)/2；
(6)构建分类器判别式y＝ω*·X-ω0，采用判别式对未知类别的测试集中的样本进行两类分类，若y＞0则属于第一类(左手)，反之则属于第二类(右手)；将分类结果与测试集中的样本特征向量的实际类别进行比较，得到分类准确率。
与现有技术相比，本发明的有益效果是：
1)本发明将运动想象脑电模式识别中的时频参数优化策略对应于自然界中蜂群搜寻最优蜜源的策略，利用仿生群智能算法进行求解，易于并行实现，具有较强的通用性。
2)本发明利用观察蜂按概率选择采蜜蜂进行跟随，有利于算法资源合理分配，加快迭代速度，同时利用侦察蜂帮助算法跳出局部最优解，增强了解的多样性，克服过早停滞的现象。
3)本发明在每次迭代时都进行全局和局部搜索，从而在较大程度上避免了局部最优，使得算法具有很强的全局收敛性。
4)本发明不需要先验知识，结合随机性选择和概率规则进行最优频带及最优时间窗口的搜寻，具有较强的鲁棒性和适应性。
5)本发明结合了优化导联选择、最优频带选择和最优时间窗口选择，从时、频、空三个方面对脑电信号特征进行综合优化，能有效提高运动想象脑电模式分类识别的准确率。
附图说明
图1为本发明实施例提供的结构框图；
图2为本发明实施例提供的导联通道区分度脑部地形图；
图3为本发明实施例提供的最优适应度函数值进化图；
图4为本发明实施例提供的最优频带起始端点进化图；
图5为本发明实施例提供的最优频带宽度进化图；
图6为本发明实施例提供的最优时间窗口起始端点进化图；
图7为本发明实施例提供的最优时间窗口进化图；
图8为本发明实施例提供的左、右手运动想象脑电特征分布图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述。
如图1‐8所示，本发明包括脑电信号导联通道选择、最优频带及时间窗口选择、运动想象脑电信号特征提取及特征分类。本发明的运动想象脑电数据来源于BCIcompetition 2005的标准MI-EEG数据库(DatasetⅢa)。数据通过64导的Neuroscan脑电放大器采集获得，采样频率为250Hz，并对数据进行了1～50Hz的带通滤波处理，记录了其中60个导联的EEG数据，本发明采用受试者K3B的左手及右手运动想象脑电数据，其中针对每一类，训练集和测试集均包含45次单次试验。单次试验的时间长度为8秒，其中前2秒为准备期，计算机显示黑屏，2秒时计算机语言提示实验开始，屏幕中出现“十”字，持续1秒，3秒时屏幕出现向左、向右的指示箭头，提示受试者进行左手或右手的运动想象，指示箭头持续到7秒结束。具体步骤如下：
步骤一：脑电信号导联通道选择：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为训练集中的样本，采用线性判别准则量化每个导联通道的类间(两类运动想象模式)区分能力，并对各个导联通道的类间区分能力进行降序排序，选择前若干个导联通道，抽取所选择的导联通道内的脑电信号。具体为：
针对训练集内的每个样本，对原始脑电信号进行滑动窗口处理，窗口长度设为1秒(即250个采样数据点)，在每个导联通道的每一个窗口内计算能量Pch,t＝log(var(xch,t))，其中xch,t为导联通道ch上在滑动窗口t内的信号。在每个导联通道的每一个窗口内，针对左手、右手两类运动想象模式训练集，采用线性判别准则量化类间区分度其中m1和m2分别为两类训练集Pch,t的平均值，和为对应的方差。在每个导联通道上，对所有时间窗口内的chS求取最大值作为该导联的类间区分度指标，60个导联通道的类间区分度脑部地形图如图2所示。针对所有导联通道，按类间区分度指标进行降序排序，选取前40个导联通道脑电信号用于后续特征提取及分类。
步骤二：最优频带及最优时间窗口选择：针对步骤一选择的训练集中的若干个导联通道内的脑电信号，采用人工蜂群算法进行最优频带和最优时间窗口的选择。具体为：
(1)种群初始化：包括蜜蜂总数NP，采蜜蜂数量FoodNumber，控制参数Limit，最大迭代次数maxIter以及容忍误差toleranceTh；初始化迭代次数Iter＝1,随机生成一个含有NP个解的初始种群，每个解xi是一个4维矢量，其中i＝1,2,...,NP，xi(1)代表频带下端点，xi(2)代表频带宽度，xi(3)代表时间窗口下端点，xi(4)代表时间窗口长度。初始化参数的具体设置如表1所示，4个参数的范围设置如表2所示，其中若xi(1)+xi(2)>50则xi(2)＝50-xi(1)，若xi(3)+xi(4)>8，则xi(4)＝8-xi(3)；
表1 初始化参数设置
参数 NP FoodNumber Limit maxIter toleranceTh
取值 30 15 5 10 0.005
表2 解参数范围设置
参数 x(1) x(2) x(3) x(4)
取值范围 5～30Hz 5～30Hz 3～5s 0～5s
(2)计算(1)中每个解的适应度值，此处的适应度值为两类运动想象模式的5折交叉验证的平均分类识别率，将训练集全部数据随机分成5份，轮流选择其中的的1/5数据作为测试集，其余的4/5数据作为训练集，采用CSP算法提取训练集及训练集特征，利用LDA算法进行分类识别，求取5次识别的正确率均值作为适应度值，根据所有的适应度值记录当前最好的适应度值以及最好的解；
(3)采蜜蜂搜索领域内的蜜源，产生新解xnew(Param)＝xold(Param)+fix(rand(xold(Param)-xneighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，xneighbour是任一采蜜蜂且xneighbour≠xold，fix( )代表取整数；
(4)利用贪婪选择策略，从(3)中产生的新解和原来的解中选择适应度值更高的解，并根据适应度值计算当前采蜜蜂对应的选择概率，概率计算公式为其中fiti是采蜜蜂i的适应度值；
(5)观察蜂xLook根据(4)中得到的概率选择解，并搜索领域内的解，产生新解xLookNew(Param)＝xFood(Param)+fix(rand(xFood(Param)-xLookNeighbour(Param)))，其中Param是1，2，3，4四个数中的一个随机数，xFood是该观察蜂选择的采蜜蜂，xLookNeighbour是观察蜂且xLookNeighbour≠xLook，fix( )代表取整数，并计算适应度值；利用利用贪婪选择策略从新解和原来的解中选择适应度值更高的解；
(6)判断是否有要放弃的解，即如果某个解经过Limit次循环之后仍然没有得到改善，此时对应的采蜜蜂就变成侦察蜂，根据式随机产生一个新解来代替该解，其中和分别代表各个参数的上下边界，fix( )代表取整数；
(7)一次迭代结束后，记录当前最好的解及适应度值；
(8)判断迭代次数τ是否达到最到迭代次数maxIter或最好的适应度值是否达到了最大容忍误差toleranceTh，若达到，输出全局最优适应度值OptimalValue及最好的解GBest；否则迭代次数τ＝τ+1，重复(3)到(8)。全局最优适应度值OptimalValue进化图如图3所示，最优频带下端点、频带宽度、时间窗口下端点及时间窗口长度进化图本别如图4-7所示。由图3可见，当经过5次迭代后，OptimalValue已收敛且达到了99.2％，收敛速度快且收敛精度较高。由图4-7可见，当达到收敛后，最优的时频参数分别如下：频带下端点16Hz，频带宽度20Hz，时间窗口下端点4.2秒，时间窗口长度2.9秒。
步骤三：运动想象脑电信号特征提取：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为测试集中的样本，抽取测试集中与步骤一所选择的导联通道相对应的脑电信号，并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取；将经过上述处理后的训练集和测试集中的脑电信号，均采用共空间模式(CommonSpatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征。具体为：
首先进行去均值化处理：其中xch,n是训练集和测试集中所选择的导联通道ch上某一个采样点处的值，x'ch,n为转化后的值，N为采样点总数。采用共空间模式(Common Spatial Pattern,CSP)算法对训练集中的左右手两类样本进行空滤滤波：依据不同的运动想象模式，将训练集分为两类，设X1和X2分别是每一类的一个样本，它们对应的归一化的空间协方差矩阵R1和R2为和其中T上标代表矩阵的转置，trace( )代表矩阵的迹。将所有样本的协方差矩阵按类别计算均值得到：和其中N1和N2分别为两类样本的个数。得到混合协方差矩阵对R进行特征值分解：R＝UΣUT，其中U是特征向量，Σ是特征值的对角矩阵。得到白化变换矩阵：P＝Σ-1/2UT。对进行白化处理得到S1，再对S1做特征值分解设λi(i＝1,2,...,40)为S1的40(对应于所选的导联数为40)个特征值且λ1≥λ2≥...≥λ40，分别取Σ1中最大和最小的3个特征值对应的特征向量构成空间滤波器W1，滤波后的信号分别为和对于滤波后的信号X'i(i＝1,2)，分别提取其第一行和最后一行数据的方差作为特征值。针对训练集中的45次左手和45次右手运动想象脑电数据，特征分布如图8所示。由图可见，特征类间区分度较大。利用上述空间滤波器组W1对测试集中的每一个样本进行空域滤波，同样提取滤波后的信号第一行和最后一行数据的方差作为特征值，最终得到测试集的特征集。
步骤四：根据步骤三中得到的训练集的特征构建线性判别分析(LinearDiscriminant Analysis,LDA)分类器，然后根据所述的分类器对测试集中的特征进行分类，获得分类准确率。具体为：
对于已知类别Ki(i＝1,2)的左右手两类训练样本，分别计算训练集样本均值向量mi，其中X为样本的特征向量，Ni为某一类的样本数；计算样本类内离散度矩阵计算总类内离散度矩阵Eω＝E1+E2；求最佳向量计算阈值ω0＝(ω*)T(m1+m2)/2；根据判别式y＝ω*·X-ω0对未知类别的测试集样本进行两类分类，若y＞0则属于第一类，反之则属于第二类。最后将分类结果与测试集样本的特征向量的实际类别进行比较，得到分类准确率。对于测试集中的45次左手和45次右手运动想象脑电数据进行分类识别，分类准确率达到了98.9％。

Claims (4)

1.一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，其特征在于，该方法包含以下几个步骤：
步骤一、脑电信号导联通道选择：将采集的包含左右手两类运动想象模式多导联通道脑电信号作为训练集中的样本，采用线性判别准则量化每个导联通道的类间区分能力，并对各个导联通道的类间区分能力进行降序排序，选择前若干个导联通道，抽取所选择的导联通道内的脑电信号；
步骤二、最优频带及最优时间窗口选择：针对步骤一选择的训练集中的若干个导联通道内的脑电信号，采用人工蜂群算法进行最优频带和最优时间窗口的选择；
步骤三、运动想象脑电信号特征提取：
(1)将采集的包含左右手两类运动想象模式多导联通道脑电信号作为测试集中的样本，抽取测试集中与步骤一所选择的导联通道相对应的脑电信号，并根据步骤二得到的最优频带对其进行带通滤波和最优时间窗口对其进行截取；
(2)将经过步骤二处理后的训练集和步骤三第(1)步处理后的测试集中的脑电信号，均采用共空间模式(Common Spatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征；
步骤四、特征分类：根据步骤三中得到的训练集的特征构建线性判别分析(LinearDiscriminant Analysis,LDA)分类器，然后根据所述的分类器对测试集中的特征进行分类，获得分类准确率；
步骤二中采用人工蜂群算法进行最优频带和最优时间窗口的选择具体包括以下步骤：
(1)种群初始化：包括蜜蜂总数NP，采蜜蜂数量FoodNumber，控制参数Limit，最大迭代次数maxIter以及容忍误差toleranceTh，初始化迭代次数Iter＝1,随机生成一个含有NP个解的初始种群，每个解xi是一个4维矢量，其中i＝1,2,…,NP，xi(1)代表频带起始端点，xi(2)代表频带宽度，xi(3)代表时间窗口起始端点，xi(4)代表时间窗口长度；
(2)计算步骤(1)中每个解xi的适应度值，其中i＝1,2,…,NP，此处的适应度值为左右手两类运动想象模式的5折交叉验证的平均分类准确率；
(3)采蜜蜂搜索领域内的蜜源，产生新解xnew(Param)＝xold(Param)+fix(rand(xold(Param)-xneighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，xneighbour是任一采蜜蜂且xneighbour≠xold，xold为采蜜蜂初始解，xnew为采蜜蜂新解，fix()代表取整数；
(4)利用贪婪选择策略，从步骤(3)中产生的新解和原来的解中选择适应度值更高的解，并根据适应度值计算当前采蜜蜂对应的选择概率，概率计算公式为其中fiti是采蜜蜂i的适应度值；
(5)观察蜂xLook根据步骤(4)中得到的概率选择解，并搜索领域内的解，产生新解xLookNew(Param)＝xFood(Param)+fix(rand(xFood(Param)-xLookNeighbour(Param)))，其中Param是1,2,3,4四个数中的一个随机数，xFood是该观察蜂xLook选择的采蜜蜂，xLookNeighbour是观察蜂且xLookNeighbour≠xLook，fix()代表取整数，并计算适应度值，利用贪婪选择策略从新解和原来的解中选择适应度值更高的解；
(6)判断是否有要放弃的解，如果某个解经过Limit次循环之后其适应度值没有提高，此时对应的采蜜蜂就变成侦察蜂，根据式随机产生一个新解来代替该解，其中和分别代表各个参数的上下边界，fix()代表取整数；
(7)一次迭代结束后，记录当前最好的解及适应度值；
(8)判断迭代次数τ是否达到最大迭代次数maxIter或最好的适应度值是否达到了最大容忍误差toleranceTh，若达到，输出全局最优适应度值OptimalValue及最好的解GBest，GBest中的4个分量分别对应于频带起始端点、频带宽度、时间窗口起始端点及时间窗口长度；否则迭代次数τ＝τ+1，重复步骤(3)到步骤(8)。
2.根据权利要求1所述的基于人工蜂群时频参数优化的运动想象脑电模式识别方法，其特征在于：步骤一包含如下几个步骤：
(1)将一组包含左右手两类运动想象模式多导联通道脑电信号对应一个样本，针对训练集内的每个样本，对脑电信号进行滑动窗口处理，时间窗口长度设为1秒，在每个导联通道的每一个时间窗口内计算能量Pch,t＝log(var(xch,t))，其中xch,t为导联通道ch上在滑动时间窗口t内的脑电信号，var()为方差函数，log()为log函数；
(2)在每个导联通道ch的每一个滑动时间窗口t内，针对训练集中的左右手两类运动想象模式，采用线性判别准则量化类间区分度其中m1和m2分别为训练集中两类运动想象模式样本的Pch,t的平均值，和为训练集中两类运动想象模式样本的Pch,t的方差；
(3)在每个导联通道上，针对所有滑动时间窗口内的chS求取其最大值作为该导联的类间区分度指标；
(4)针对所有导联通道，按类间区分度指标进行降序排序，选取前若干个导联通道脑电信号。
3.根据权利要求1所述的基于人工蜂群时频参数优化的运动想象脑电模式识别方法，其特征在于：步骤三中经过步骤二处理后的训练集和步骤三第(1)步处理后的测试集中的脑电信号，均采用共空间模式(Common Spatial Pattern,CSP)算法进行空域滤波，并分别提取滤波后训练集和测试集中的脑电信号的方差作为特征，具体步骤如下：
(1)去均值化处理：其中xch,n是训练集和测试集中所选择的导联通道ch上某一个采样点处的脑电信号值，x'ch,n为转化后的值，N为采样点总数；
(2)采用共空间模式(Common Spatial Pattern,CSP)算法对训练集中的左右手两类样本进行空滤滤波及特征提取：依据不同的运动想象模式，将训练集分为两类，设X1和X2分别是每一类的一个样本，它们对应的归一化的空间协方差矩阵R1和R2为和其中T上标代表矩阵的转置，trace()代表矩阵的迹；将所有样本的协方差矩阵按类别计算均值得到：和其中N1和N2分别为两类样本的个数；得到混合协方差矩阵对R进行特征值分解：R＝UΣUT，其中U是特征向量矩阵，Σ是特征值的对角矩阵；得到白化变换矩阵：P＝Σ-1/2UT；对进行白化处理得到S1，再对S1做特征值分解S1＝U1Σ1U1 T，其中U1是特征向量矩阵，Σ1是特征值的对角矩阵，设λf为S1的40个特征值且λ1≥λ2≥…≥λ40，f＝1,2,…,40，分别取Σ1中最大和最小的3个特征值对应的特征向量构成空间滤波器W1，滤波后的信号分别为和对于滤波后的信号X'1和X'2，分别提取其第一行和最后一行数据的方差作为特征值；对于训练集中的每一个样本，均进行上述操作得到训练集的特征集；
(3)对测试集中的左右手两类样本进行空滤滤波及特征提取：利用步骤(2)中得到的空间滤波器组W1对测试集中的每一个样本进行空域滤波，同样提取滤波后的信号第一行和最后一行数据的方差作为特征值，最终得到测试集的特征集。
4.根据权利要求1所述的基于人工蜂群时频参数优化的运动想象脑电模式识别方法，其特征在于：所述步骤四具体如下：
(1)对于已知左右手两类类别K1和K2的训练集中的样本，分别计算样本均值向量m1和m2，其中X为经步骤三提取的训练集样本的特征值向量，N1、N2分别为左右手两类的样本数；
(2)计算训练样本类内离散度矩阵和
(3)计算总类内离散度矩阵Eω＝E1+E2；
(4)求最佳向量
(5)计算阈值ω0＝(ω*)T(m1+m2)/2；
(6)构建分类器判别式y＝ω*·X-ω0；
采用判别式对未知类别的测试集中的样本进行两类分类，若y＞0则属于第一类左手，反之则属于第二类右手；将分类结果与测试集中的样本特征向量的实际类别进行比较，得到分类准确率。
CN201610012818.4A 2016-01-08 2016-01-08 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 Active CN105654063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610012818.4A CN105654063B (zh) 2016-01-08 2016-01-08 基于人工蜂群时频参数优化的运动想象脑电模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610012818.4A CN105654063B (zh) 2016-01-08 2016-01-08 基于人工蜂群时频参数优化的运动想象脑电模式识别方法

Publications (2)

Publication Number Publication Date
CN105654063A CN105654063A (zh) 2016-06-08
CN105654063B true CN105654063B (zh) 2019-04-19

Family

ID=56484349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610012818.4A Active CN105654063B (zh) 2016-01-08 2016-01-08 基于人工蜂群时频参数优化的运动想象脑电模式识别方法

Country Status (1)

Country Link
CN (1) CN105654063B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106648087B (zh) * 2016-12-12 2020-08-25 西北工业大学 一种基于意识任务的特征eeg处理方法
CN108960299B (zh) * 2018-06-15 2021-05-14 东华大学 一种多类运动想象脑电信号的识别方法
CN109152174B (zh) * 2018-09-13 2019-10-25 杭州睿医科技有限公司 基于呼吸及心率变异性和微动敏感坐垫的智能灯控制方法
CN109152173B (zh) * 2018-09-13 2019-10-25 杭州睿医科技有限公司 基于微动敏感坐垫和心率变异性的智能灯光色彩控制方法
CN109195282B (zh) * 2018-09-13 2019-10-18 杭州睿医科技有限公司 基于微动敏感坐垫和敲击信号的智能灯色彩控制方法
CN110111373A (zh) * 2019-04-24 2019-08-09 天津大学 一种基于曲率选点及重选点的人工蜂群点云配准算法
CN110321856B (zh) * 2019-07-08 2023-01-10 山东大学 一种时频多尺度散度csp的脑机接口方法及装置
CN110728189A (zh) * 2019-09-12 2020-01-24 东南大学 一种基于Lp/q-混合范数的空间滤波方法及装置
CN111428580A (zh) * 2020-03-04 2020-07-17 威海北洋电气集团股份有限公司 基于深度学习的个体信号识别算法及系统
CN111582082B (zh) * 2020-04-24 2022-04-01 燕山大学 基于可解释聚类模型的二分类运动想象脑电信号识别方法
CN111543988B (zh) * 2020-05-25 2021-06-08 五邑大学 一种自适应认知活动识别方法、装置及存储介质
CN112036229B (zh) * 2020-06-24 2024-04-19 宿州小马电子商务有限公司 一种具备需求感知功能的智能童车脑电信号通道配置方法
CN113967022B (zh) * 2021-11-16 2023-10-31 常州大学 一种基于个体自适应的运动想象脑电特征表征方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660322B2 (en) * 2011-08-25 2014-02-25 King Saud University Passive continuous authentication method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法

Also Published As

Publication number Publication date
CN105654063A (zh) 2016-06-08

Similar Documents

Publication Publication Date Title
CN105654063B (zh) 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
CN104586387B (zh) 一种时、频、空域多参数脑电特征提取与融合方法
CN109199414B (zh) 一种基于脑电信号的视听诱发情绪识别方法及系统
CN105956624B (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN109480833A (zh) 基于人工智能的癫痫患者脑电信号的预处理和识别方法
CN107577343B (zh) 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置
CN109645990A (zh) 一种癫痫患者脑电信号的计算机模式识别方法
CN104035563B (zh) 基于w‑pca和无监督ghsom的脑电信号识别方法
CN106529476A (zh) 一种基于深层堆叠网络的脑电信号特征提取及分类方法
Kołodziej et al. Linear discriminant analysis as EEG features reduction technique for brain-computer interfaces
CN103955270A (zh) 一种基于p300的脑机接口系统的字符高速输入方法
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
Li et al. EEG signal classification method based on feature priority analysis and CNN
Rejer Genetic algorithms for feature selection for brain–computer interface
Zhang et al. An Algorithm for Idle‐State Detection in Motor‐Imagery‐Based Brain‐Computer Interface
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
CN113274037B (zh) 一种动态脑功能网络的生成方法、系统及设备
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
CN105528072A (zh) 一种动态停止策略下的脑-机接口拼写系统
CN112732090A (zh) 基于肌肉协同的用户无关实时手势识别方法
CN111368884B (zh) 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法
CN106073767B (zh) Eeg信号的相位同步度量、耦合特征提取及信号识别方法
CN116595437B (zh) 零校准迁移学习分类模型的训练方法、设备和存储介质
Bhalerao et al. Automatic detection of motor imagery EEG signals using swarm decomposition for robust BCI systems
CN107423668A (zh) 基于小波变换和稀疏表达的脑电信号分类系统与方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant