CN105956624B - 基于空时频优化特征稀疏表示的运动想象脑电分类方法 - Google Patents

基于空时频优化特征稀疏表示的运动想象脑电分类方法 Download PDF

Info

Publication number
CN105956624B
CN105956624B CN201610298002.2A CN201610298002A CN105956624B CN 105956624 B CN105956624 B CN 105956624B CN 201610298002 A CN201610298002 A CN 201610298002A CN 105956624 B CN105956624 B CN 105956624B
Authority
CN
China
Prior art keywords
eeg signals
training set
select
sample
lead
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
CN201610298002.2A
Other languages
English (en)
Other versions
CN105956624A (zh
Inventor
王爱民
苗敏敏
陈安然
戴志勇
刘飞翔
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 CN201610298002.2A priority Critical patent/CN105956624B/zh
Publication of CN105956624A publication Critical patent/CN105956624A/zh
Application granted granted Critical
Publication of CN105956624B publication Critical patent/CN105956624B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于空时频优化特征稀疏表示的运动想象脑电分类方法，主要采用线性判别准则选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征，最后根据特征稀疏表示进行分类。本发明包括脑电信号预处理、导联选择、时频块选择、特征提取及特征分类。结果表明，本发明方法能有效选择最有利于分类的导联、时间段及频段，对由共空间模式算法提取的特征进行稀疏表示能取得较好的分类效果。与现有的算法相比，本方法能自动选择最有利于分类的空时频参数，并对最优时频块内的特征进行组合，有利于提高运动想象脑电信号分类的准确性。

Description

基于空时频优化特征稀疏表示的运动想象脑电分类方法
技术领域
本发明属于脑电信号处理及模式识别领域，涉及脑机接口中运动想象脑电信号分类，特别涉及一种基于空时频域优化特征稀疏表示的运动想象脑电信号分类方法。
背景技术
脑机接口为人的大脑和外部设备提供了一种新的交流和控制通道，比如电脑或假肢等。通过将放置在头部的电极采集的脑电信号映射为不同的控制指令，人类可以通过不同的运动想象模式来控制外部设备动作。在基于脑电的多种脑机接口系统中，基于运动想象的脑机接口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。
为了有效区分不同的运动想象模式，脑电特征的提取和分类至关重要。一方面，ERD和ERS现象均显著发生在特定的导联、频段及时间区间内，因此需要通过导联选择、带通滤波及设置时间窗口进行抽取。特定的导联、频段及时间区间参数将直接影响后续特征提取及特征分类的效果。另一方面，近年来基于稀疏表示的分类方法在模式识别领域获得了较多的关注，其中稀疏表示方法的核心在于寻求超完备字典矩阵。
发明内容
针对现有技术中，在特征提取阶段均无法综合考虑空时频域的不足，提出一种基于空时频优化特征稀疏表示的运动想象脑电分类方法，采用线性判别准则自动选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征构建超完备字典矩阵，最后根据线性稀疏表示进行分类。具体包含以下步骤：
步骤一、脑电信号预处理：对脑电信号进行升采样及带通滤波等处理，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为导联数，M为每一导联的采样点数，P1为训练集的样本数，P2为测试集的样本数；
步骤二、导联选择：对于经步骤一处理后得到的脑电信号训练集(N×M×P1)，采用线性判别准则量化每个导联的类间(右手、右脚两类运动想象模式)区分能力，并对各个导联的类间区分能力进行降序排序，选择前NSelect个导联，抽取所选择的导联的脑电信号，得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2)；
步骤三、时频块选择：对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，针对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在E个频段内对其进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)，针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在T个时间段内进行分割，得到处理后的脑电信号集(NSelect×MSeg×P1×E×T)，其中MSeg为单个时间段内的采样点数，采用线性判别准则量化每个时频块内脑电信号的类间区分能力，并对各个时频块内脑电信号的类间区分能力进行降序排序，选择前Q个时频块，抽取所选择的时频块内的脑电信号，得到新的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)；
步骤四、特征提取：对于经过步骤三处理后得到的脑电信号集(NSelect×MSeg×(P1+P2)×Q)，针对每一个时频块i(i＝1,…,Q)内的脑电信号训练集(NSelect×MSeg×P1)，采用共空间模式(Common Spatial Pattern,CSP)算法求取滤波器组，根据该滤波器组对含有P1个样本的脑电信号训练集中的每个样本(NSelect×MSeg)和含有P2个样本的脑电信号测试集中的每个样本(NSelect×MSeg)进行滤波，并计算滤波后信号的方差作为特征，得到训练集的特征集合和测试集的特征集合其中Ftrainj,i,j＝1,…,P1为第i个时频块内脑电信号训练集的第j个样本的特征向量，Ftestj,i,j＝1,…,P2为第i个时频块内脑电信号测试集的第j个样本的特征向量，最后针对训练集和测试集中的每个样本，将Q个时频块内的特征向量进行拼接，得到脑电信号训练集和测试集的特征集合和其中Ftrainj＝{Ftrainj,1；…；Ftrainj,Q}且Ftestj＝{Ftestj,1；…；Ftestj,Q}；
步骤五、特征分类：对于步骤四得到的脑电信号训练集的特征集合按照右手、右脚两类运动想象模式将其分成两类，即和其中NH和NF分别为右手、右脚的样本数，组成字典针对步骤四中得到的脑电信号测试集的特征集合中的每一个特征向量，采用线性稀疏表示模型将其表示为字典中各个向量的线性组合，最后通过比较系数的能量进行右手、右脚运动想象脑电信号分类。
进一步地，所述步骤一中升采样前的脑电信号的采样频率为100Hz，升采样后其采样频率为250Hz，且带通滤波频带为6～40Hz。
进一步地，所述步骤二包含如下几个步骤：
(1)针对步骤一处理后得到的脑电信号训练集(N×M×P1)内的每个样本，对脑电信号进行滑动窗口处理，时间窗口长度单位为秒，在每个导联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ch的每一个滑动时间窗口t内，针对训练集中的右手、右脚两类运动想象模式，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，按类间区分度指标进行降序排序，选取前NSelect个导联通道脑电信号。
进一步地，所述步骤三包含如下几个步骤：
(1)针对步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在设定频带范围内进行滑窗处理，子频带窗口长度单位为赫兹，滑动步长设为子频带窗口长度的一半，共得到E个频段，在E个频段内对脑电信号进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)；
(2)针对步骤(1)得到的脑电信号训练集(NSelect×M×P1×E)，对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在设定时间范围内进行滑窗处理，窗口长度单位为秒，滑动步长设为窗口长度的五分之二，共得到T个时间段，在T个时间段内对脑电信号进行截取，得到处理后的脑电信号训练集(NSelect×MSeg×P1×E×T)；
(3)针对每个时频块内的脑电信号训练集(NSelect×MSeg×P1)，依据训练集中的右手、右脚两类运动想象模式样本，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NSelect维能量向量的平均值，γ1和γ2为训练集中两类运动想象模式样本的NSelect维能量向量的方差，|| ||2为求取向量2范数处理；
(4)针对所有时频块，按类间区分度指标进行降序排序，选取前Q个时频块内的脑电信号进行后续处理，得到处理后的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)。
进一步地，所述步骤四中采用共空间模式算法提取特征的具体过程如下：
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λi(i＝1,2,…,NSelect)为S1的NSelect(对应于所选的导联数)个特征值且分别取Σ1中最大和最小的1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)，分别提取其每一行方差作为特征值。
进一步地，步骤五中脑电信号测试集的特征集合中的某一个特征向量可由脑电信号训练集的特征字典线性表示也可表示为Ftestj＝Ftrain·x,j＝1,…,P2，其中x为系数向量，Ftrain为字典矩阵，采用向量1范数最小化的准则求取系数向量，即min||x||1使得Ftestj＝Ftrain·x，其中min代表取最小值，最后根据下式进行特征分类：
与现有技术相比，本发明的有益效果是：
1)本发明与现有技术相比，能自动选择最有利于运动想象脑电信号分类的导联、频段和时间段，从空、时、频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。
2)本发明最优空时频参数的选择属于数据驱动型，无需任何先验知识，具有较强的鲁棒性和适应性。
3)本发明选择最有利于分类的若干导联，有效降低了数据冗余，减少了计算负担。
4)本发明选择最有利于分类的若干时频块，针对每个时频块内的信号采用共空间模式算法提取特征，将组合后的特征向量作为超完备字典元素，并利用线性稀疏表示模型进行分类，算法简单有效。
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类间区分度脑部地形图；
图3为本发明实施例提供的导联选择脑部分布图；
图4为本发明实施例提供的类间区分能力时频分布图；
图5为本发明实施例提供的时频块选择分布图；
图6为本发明实施例提供的右手运动想象脑电信号的特征向量；
图7为本发明实施例提供的右脚运动想象脑电信号的特征向量；
图8为本发明实施例提供的右手运动想象脑电信号的稀疏表示系数；
图9为本发明实施例提供的右脚运动想象脑电信号的稀疏表示系数；
具体实施方式
下面结合附图对本发明做进一步的描述。
如图1-9所示，本发明包括脑电信号预处理、导联选择、时频块选择、特征提取、特征分类。本发明的运动想象脑电数据来源于BCI competition 2005的标准MI-EEG数据库(DatasetⅣa)。数据通过118导联的Neuroscan脑电放大器采集获得，采样频率为100Hz，本发明采用受试者aa的右手及右脚运动想象脑电数据，其中训练集中包含80组右手运动想象样本和88组右脚运动想象样本，测试集中包含60组右手运动想象样本和52组右脚运动想象样本，单次试验的时间长度为3.5秒。本发明具体步骤如下：
步骤一：脑电信号预处理：将脑电信号升采样为250Hz并进行6～40Hz带通滤波，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为118，M为875，P1为168，P2为112。
步骤二：导联选择：对于经步骤一处理后得到的脑电信号训练集(118×875×168)，采用线性判别准则量化每个导联的类间(右手、右脚两类运动想象模式)区分能力，对脑电信号进行滑动窗口处理，时间窗口长度设为0.5秒，在每个导联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，在每个导联ch的每一个滑动时间窗口t内，针对训练集中的右手、右脚两类运动想象模式，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，在每个导联上，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，导联类间区分度脑部地形图如图2所示。针对所有导联，按类间区分度指标进行降序排序，选取前16个导联内的脑电信号，所选的导联分布如图3所示。
步骤三：时频块选择：对于经步骤二处理后得到的脑电信号训练集，针对每一个样本中的每一个导联内的包含875个采样点的脑电信号，在6～40Hz的频段内进行滑窗处理，窗口长度设为4Hz，滑动步长设为2Hz，共得到16个频段，在16个频段内对脑电信号进行带通滤波，得到处理后的脑电信号训练集(16×875×168×16)，针对每一个频段内的每一个样本中的每一个导联内的包含875个采样点的脑电信号，在0～3.5秒的时间内进行滑窗处理，窗口长度设为0.5秒，滑动步长设为0.2秒，共得到16个时间段，在16个时间段内对脑电信号进行截取，得到处理后的脑电信号集(16×125×168×16×16)，其中125为单个时间段内的采样点数，采用线性判别准则量化每个时频块内脑电信号的类间区分能力，针对每个时频块内的脑电信号训练集，依据训练集中的右手、右脚两类运动想象模式样本，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NSelect维能量向量的平均值，γ1和γ2为训练集中两类运动想象模式样本的16维能量向量的方差，|| ||2为求取向量2范数处理，类间区分能力时频分布图如图4所示。对各个时频块内脑电信号的类间区分能力进行降序排序，选择前10个时频块，时频块选择分布图如图5所示，抽取所选择的时频块内的脑电信号，得到新的脑电信号训练集(16×125×168×10)和脑电信号测试集(16×125×112×10)。
步骤四：特征选择：对于经过步骤三处理后得到的脑电信号集(16×125×(168+112)×10)，针对每一个时频块i(i＝1,…,10)内的脑电信号训练集(16×125×168)，采用共空间模式(Common Spatial Pattern,CSP)算法求取滤波器组，分别取最大和最小的1个特征值对应的特征向量构成空间滤波器，根据该滤波器组对含有168个样本的脑电信号训练集中的每个样本(16×125)和含有112个样本的脑电信号测试集中的每个样本(16×125)进行滤波，并计算滤波后信号的方差作为特征，得到训练集的特征集合{Ftrain1,i,…,Ftrain168,i}和测试集的特征集合{Ftest1,i,…,Ftest112,i}，其中Ftrainj,i,j＝1,…,168为第i个时频块内脑电信号训练集的第j个样本的特征向量，Ftestj,i,j＝1,…,112为第i个时频块内脑电信号测试集的第j个样本的特征向量，最后针对训练集和测试集中的每个样本，将10个时频块内的特征向量进行拼接，得到脑电信号训练集和测试集的特征集合{Ftrain1,…,Ftrainj,…,Ftrain168}和{Ftest1,…,Ftestj,…,Ftest112}，其中Ftrainj＝{Ftrainj,1；…；Ftrainj,10}且Ftestj＝{Ftestj,1；…；Ftestj,10}，并且每一个样本的特征向量均为20维，图6所示为右手运动想象脑电信号的特征向量，图7所示为右脚运动想象脑电信号的特征向量，由上述两图可见，针对右手特征向量，绝大部分奇数特征点的幅值均大于偶数特征点的幅值，右脚特征向量则表现出相反的特性，两类模式区分较为明显。
步骤五：特征分类：对于步骤四得到的脑电信号训练集的特征集合{Ftrain1,…,Ftrainj,…,Ftrain168}，按照右手、右脚两类运动想象模式将其分成两类，即{Ftrainh1,…,Ftrainh80}和{Ftrainf1,…,Ftrainf88}，其中80和88分别为右手、右脚的样本数，组成字典Ftrain＝{Ftrainh1,…,Ftrainh80,Ftrainf1,…,Ftrainf88}，针对步骤四中得到的脑电信号测试集的特征集合{Ftest1,…,Ftestj,…,Ftest112}中的每一个特征向量，采用线性稀疏表示模型将其表示为字典中各个向量的线性组合，某一个特征向量可由脑电信号训练集的特征字典线性表示Ftestj＝x1Ftrainh1+…+x80Ftrainh80+x80+1Ftrainf1+…+x80+ 88Ftrainf88,j＝1,…,112，也可表示为Ftestj＝Ftrain·x,j＝1,…,112，其中x为系数向量，Ftrain为字典矩阵，采用向量1范数最小化的准则求取系数向量，即min||x||1使得Ftestj＝Ftrain·x，其中min代表取最小值，图8所示为右手运动想象脑电信号的稀疏表示系数，图9所示为右脚运动想象脑电信号的稀疏表示系数，由上述两图可见，针对右手特征向量，绝大部分非零系数集中在训练集中的右手特征向量集部分，右脚特征向量非零系数则大多集中在右脚特征向量集部分。最后根据下式进行特征分类：
对于测试集中的60组右手运动想象样本和52组右脚运动想象样本，分类准确率达到了83.9％。

Claims (6)

1.基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于，该方法包含以下几个步骤：
步骤一、脑电信号预处理：对脑电信号进行升采样及带通滤波处理，得到处理后的脑电信号集(N×M×(P1+P2))，其中N为导联数，M为每一导联的采样点数，P1为训练集的样本数，P2为测试集的样本数；
步骤二、导联选择：对于经步骤一处理后得到的脑电信号训练集(N×M×P1)，采用线性判别准则量化每个导联的类间区分能力，并对各个导联的类间区分能力进行降序排序，选择前NSelect个导联，抽取所选择的导联的脑电信号，得到新的脑电信号训练集(NSelect×M×P1)和测试集(NSelect×M×P2)；
步骤三、时频块选择：对于经步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，针对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在E个频段内对其进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)，再针对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在T个时间段内进行分割，得到处理后的脑电信号集(NSelect×MSeg×P1×E×T)，其中MSeg为单个时间段内的采样点数，采用线性判别准则量化每个时频块内脑电信号的类间区分能力，并对各个时频块内脑电信号的类间区分能力进行降序排序，选择前Q个时频块，抽取所选择的时频块内的脑电信号，得到新的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)；
步骤四、特征提取：对于经过步骤三处理后得到的脑电信号集(NSelect×MSeg×(P1+P2)×Q)，针对每一个时频块i,i＝1,…,Q内的脑电信号训练集(NSelect×MSeg×P1)，采用共空间模式算法求取滤波器组，根据该滤波器组对含有P1个样本的脑电信号训练集中的每个样本(NSelect×MSeg)和含有P2个样本的脑电信号测试集中的每个样本(NSelect×MSeg)进行滤波，并计算滤波后信号的方差作为特征，得到训练集的特征集合和测试集的特征集合其中Ftrainj,i,j＝1,…,P1为第i个时频块内脑电信号训练集的第j个样本的特征向量，Ftestj,i,j＝1,…,P2为第i个时频块内脑电信号测试集的第j个样本的特征向量，最后针对训练集和测试集中的每个样本，将Q个时频块内的特征向量进行拼接，得到脑电信号训练集和测试集的特征集合和其中Ftrainj＝{Ftrainj,1；…；Ftrainj,Q}且Ftestj＝{Ftestj,1；…；Ftestj,Q}；
步骤五、特征分类：对于步骤四得到的脑电信号训练集的特征集合按照右手、右脚两类运动想象模式将其分成两类，即和其中NH和NF分别为右手、右脚的样本数，组成字典针对步骤四中得到的脑电信号测试集的特征集合中的每一个特征向量，采用线性稀疏表示模型将其表示为字典中各个向量的线性组合，最后通过比较系数的能量进行右手、右脚运动想象脑电信号分类。
2.根据权利要求1所述的基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于：步骤一中升采样前的脑电信号的采样频率为100Hz，升采样后其采样频率为250Hz，且带通滤波频带为6～40Hz。
3.根据权利要求1所述的基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于：步骤二包含如下几个步骤：
(1)针对步骤一处理后得到的脑电信号训练集(N×M×P1)内的每个样本，对脑电信号进行滑动窗口处理，时间窗口长度单位为秒，在每个导联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ch的每一个滑动时间窗口t内，针对训练集中的右手、右脚两类运动想象模式，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，按类间区分度指标进行降序排序，选取前NSelect个导联通道脑电信号。
4.根据权利要求1所述的基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于：步骤三包含如下几个步骤：
(1)针对步骤二处理后得到的脑电信号训练集(NSelect×M×P1)，对每一个样本中的每一个导联内的包含M个采样点的脑电信号，在设定频带范围内进行滑动窗口处理，子频带窗口长度单位为赫兹，滑动步长设为子频带窗口长度的一半，共得到E个频段，在E个频段内对脑电信号进行带通滤波，得到处理后的脑电信号训练集(NSelect×M×P1×E)；
(2)针对步骤(1)得到的脑电信号训练集(NSelect×M×P1×E)，对每一个频段内的每一个样本中的每一个导联内的包含M个采样点的脑电信号，在设定时间范围内进行滑动窗口处理，时间窗口长度单位为秒，滑动步长设为时间窗口长度的五分之二，共得到T个时间段，在T个时间段内对脑电信号进行截取，得到处理后的脑电信号训练集(NSelect×MSeg×P1×E×T)；
(3)针对每个时频块内的脑电信号训练集(NSelect×MSeg×P1)，依据训练集中的右手、右脚两类运动想象模式样本，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NSelect维能量向量的平均值，γ1和γ2为训练集中两类运动想象模式样本的NSelect维能量向量的方差，||||2为求取向量2范数处理；
(4)针对所有时频块，按类间区分度指标进行降序排序，选取前Q个时频块内的脑电信号进行后续处理，得到处理后的脑电信号训练集(NSelect×MSeg×P1×Q)和脑电信号测试集(NSelect×MSeg×P2×Q)。
5.根据权利要求1所述的基于空时频优化特征稀疏表示的运动想象脑电分类方法，其特征在于：步骤四中采用共空间模式算法提取特征的具体过程如下：
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λi,i＝1,2,…,NSelect为S1的NSelect个特征值且分别取Σ1中最大和最小的1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Xi',i＝1,2，分别提取其每一行方差作为特征值。
6.根据权利要求1所述的基于空时频优化特征稀疏表示的运动想象脑电信号分类方法，其特征在于：
步骤五中脑电信号测试集的特征集合中的某一个特征向量可由脑电信号训练集的特征字典线性表示也可表示为Ftestj＝Ftrain·x,j＝1,…,P2，其中x为系数向量，Ftrain为字典矩阵，采用向量1范数最小化的准则求取系数向量，即min||x||1使得Ftestj＝Ftrain·x，其中min代表取最小值，最后根据下式进行特征分类：
CN201610298002.2A 2016-05-06 2016-05-06 基于空时频优化特征稀疏表示的运动想象脑电分类方法 Active CN105956624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610298002.2A CN105956624B (zh) 2016-05-06 2016-05-06 基于空时频优化特征稀疏表示的运动想象脑电分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610298002.2A CN105956624B (zh) 2016-05-06 2016-05-06 基于空时频优化特征稀疏表示的运动想象脑电分类方法

Publications (2)

Publication Number Publication Date
CN105956624A CN105956624A (zh) 2016-09-21
CN105956624B true CN105956624B (zh) 2019-05-21

Family

ID=56914312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610298002.2A Active CN105956624B (zh) 2016-05-06 2016-05-06 基于空时频优化特征稀疏表示的运动想象脑电分类方法

Country Status (1)

Country Link
CN (1) CN105956624B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106527732B (zh) * 2016-11-30 2019-04-19 中国医学科学院生物医学工程研究所 体感电刺激脑机接口中特征信号的选择和优化方法
CN106991409B (zh) * 2017-04-14 2020-03-27 山东建筑大学 一种运动想象脑电信号特征提取与分类系统及方法
CN107423668B (zh) * 2017-04-14 2022-09-27 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN107292329B (zh) * 2017-04-19 2020-10-16 西北工业大学 基于ci-csp算法的事件想象分类方法
CN108109673A (zh) * 2018-01-22 2018-06-01 阿呆科技（北京）有限公司 一种人体感官数据测量系统及方法
CN108937968B (zh) * 2018-06-04 2021-11-19 安徽大学 基于独立分量分析的情感脑电信号的导联选择方法
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
CN109144277B (zh) * 2018-10-19 2021-04-27 东南大学 一种基于机器学习实现脑控智能小车的构建方法
CN109685071A (zh) * 2018-11-30 2019-04-26 杭州电子科技大学 基于共同空间模式特征宽度学习的脑电分类方法
CN109512442A (zh) * 2018-12-21 2019-03-26 杭州电子科技大学 一种基于LightGBM的EEG疲劳状态分类方法
CN109657646B (zh) * 2019-01-07 2023-04-07 哈尔滨工业大学（深圳） 生理时间序列的特征表示与提取方法、装置及存储介质
CN111259776B (zh) * 2020-01-13 2023-04-18 浙江大学 一种基于同步平均主成分时频分析的确定性信号提取方法
CN111310656A (zh) * 2020-02-13 2020-06-19 燕山大学 基于多线性主成分分析的单次运动想象脑电信号识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488189A (zh) * 2009-02-04 2009-07-22 天津大学 基于独立分量自动聚类处理的脑电信号处理方法
CN103735262A (zh) * 2013-09-22 2014-04-23 杭州电子科技大学 一种双树复小波与共空间模式结合的脑电特征提取方法
CN103793058A (zh) * 2014-02-13 2014-05-14 山西大学 一种主动式脑机交互系统运动想象任务分类方法及装置
CN102940490B (zh) * 2012-10-19 2014-06-18 西安电子科技大学 基于非线性动力学的运动想象脑电信号特征提取方法
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
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
CN104951797A (zh) * 2015-06-09 2015-09-30 福州大学 一种基于ar系数空间的elm运动想象脑电分类方法
CN105468143A (zh) * 2015-11-17 2016-04-06 天津大学 一种基于运动想象脑-机接口的反馈系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11096619B2 (en) * 2013-07-12 2021-08-24 Innara Health, Inc. Neural analysis and treatment system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488189A (zh) * 2009-02-04 2009-07-22 天津大学 基于独立分量自动聚类处理的脑电信号处理方法
CN102940490B (zh) * 2012-10-19 2014-06-18 西安电子科技大学 基于非线性动力学的运动想象脑电信号特征提取方法
CN103735262A (zh) * 2013-09-22 2014-04-23 杭州电子科技大学 一种双树复小波与共空间模式结合的脑电特征提取方法
CN103793058A (zh) * 2014-02-13 2014-05-14 山西大学 一种主动式脑机交互系统运动想象任务分类方法及装置
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
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
CN104951797A (zh) * 2015-06-09 2015-09-30 福州大学 一种基于ar系数空间的elm运动想象脑电分类方法
CN105468143A (zh) * 2015-11-17 2016-04-06 天津大学 一种基于运动想象脑-机接口的反馈系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An enhanced time-frequency-spatial approach for motor imagery classification;Nobuyuki Yamawaki 等;《IEEE Transactions on Neural Systems and Rehabilitation Engineering》;20060619;第14卷(第2期);第250-254页
Time-Dependent Common Spatial Patterns optimization for EEG signal classification;Tae-Eui Kam 等;《The First Asian Conference on Pattern Recognition》;20120312;第643-646页
基于小波包和熵准则的最优频段提取方法;李明爱 等;《仪器仪表学报》;20120831;第33卷(第8期);第1721-1728页
基于小波包能量的脑电信号特征提取方法;徐宝国 等;《基于小波包能量的脑电信号特征提取方法》;20101130;第40卷(第6期);第1203-1206页
运动想象脑机接口的特征提取与模式分类研究;侯秉文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315;第2013年卷(第3期);第I137-75页

Also Published As

Publication number Publication date
CN105956624A (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
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
CN107361766B (zh) 一种基于emd域多维信息的情绪脑电信号识别方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
Kachenoura et al. ICA: a potential tool for BCI systems
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN106569604B (zh) 视听双模态语义匹配和语义失配协同刺激脑机接口方法
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
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
CN107981997B (zh) 一种基于人脑运动意图的智能轮椅控制方法及系统
CN102200833B (zh) 一种Speller BCI系统及其控制方法
WO2019144776A1 (zh) 一种基于非对称脑电特征的脑-机接口系统编解码方法
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN106725452A (zh) 基于情感诱发的脑电信号识别方法
Shi et al. Feature extraction of brain–computer interface electroencephalogram based on motor imagery
KR20170061317A (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN112137616B (zh) 一种多感觉脑-体联合刺激的意识检测装置
CN106446762A (zh) 一种基于稀疏表征分类算法的运动想象脑电分类处理方法
CN113967022B (zh) 一种基于个体自适应的运动想象脑电特征表征方法
Mustafa et al. The analysis of eeg spectrogram image for brainwave balancing application using ann
CN109325586A (zh) 基于组合目标函数的深度神经网络系统
CN107292296A (zh) 一种使用脑电信号的人类情感唤醒度分类识别方法
CN108875799A (zh) 一种基于改进s变换的运动想象分类识别方法
CN104571504A (zh) 一种基于想象动作的在线脑-机接口方法
CN101433460B (zh) 下肢想象动作电位空间滤波方法

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