CN106073767A - Eeg信号的相位同步度量、耦合特征提取及信号识别方法 - Google Patents

Abstract

本发明公开了一种EEG信号的相位同步度量方法，从统计学的角度进行EEG信号相位同步特征的提取，进一步公开了一种EEG信号耦合特征的提取方法，使用CSP算法提取的幅值特征和PLSR算法提取的相位特征，得到超向量串行耦合的幅值‑相位特征，更进一步公开了一种基于耦合特征的EEG信号识别方法，使用这种耦合特征作为EEG信号特征分类识别的依据，从而得到更稳定和高识别率的运动想象分类识别结果。在神经活动过程中，大脑各个区域间存在相互耦合的现象，本发明方法具有削弱小相位差样本点的影响来抑制噪声影响的作用。

Description

EEG信号的相位同步度量、耦合特征提取及信号识别方法

技术领域

本发明涉及运动想象脑电信号的特征提取和分类识别领域，具体来说，涉及EEG信号的相位同步度量方法、EEG信号耦合特征的提取方法以及基于耦合特征的EEG信号识别方法。

背景技术

大脑是人类一切高级行为的物质基础，由大量神经细胞、突触和胶质细胞构成，这些大脑神经细胞无时无刻不在进行着自发的、节律性的、综合性的电活动，产生的电场经容积导体传导后在头皮上形成电位分布，这种以时间特征为轴的电位信号即为脑电(electroencephalograph，EEG)信号。使用一定的特征提取方法，可以将复杂EEG信号中特定任务相关的特征(features)提取出来，进而对相关的脑电模式(patterns)进行判别和应用。

人的意识、行为、认知等活动并非是由某个大脑区域单独完成的，往往存在全脑多个区域的共同协作。大多数现存的特征提取方法主要基于对分离信号的动态特征提取，没有考虑到不同脑区间信号的关联信息。近年来的研究发现，脑电信号的相位同步(phasesynchronization，PS)现象是一种大脑不同神经元集群间相互作用的表现。通过研究大脑某些区域的相位同步现象，也可以探测到大脑的不同活动。目前已有许多度量脑电信号同步性的方法，如文献《Functional coupling of human cortical sensorimotor areasduring bimanual skill acquisition》提出的谱相干性(spectral coherence，SC)方法、文献《Measuring phase synchrony in brain signals》提出的锁相值(phase lockingvalue，PLV)方法以及文献《Phase lag index:assessment of functional connectivityfrom multichannel EEG and MEG with diminished bias from common sources》提出的相位滞后指数(phase lag index，PLI)方法等。已有的相位同步方法可能在某些方面存在一些不足，如SC对信号的幅值和相位不加区分地赋予相同的重要性；PLV容易受到容积传导效应的影响，在2个共源信号上得到非零的PLV指标；PLI对噪声敏感，一个幅值很小的扰动可能会改变相位差的符号函数值。

针对以上问题，我们提出了一种新的相位同步度量方法——符号秩加权的相位延迟(phase lag weighted by signed-rank，PLSR)算法。作为PLI算法的改进，PLSR算法采用符号秩检验的框架来度量信号间相位同步的稳定性。

此外，在某种程度上，EEG信号的周期和波形幅值特征反映了生命体心理、生理和病理等状态的神经冲动发放强度，相位特征则提供了神经冲动产生的可能部位的信息。目前已有的特征提取方法大多提取单一的EEG信号幅值或者相位的特征，没有综合考虑多种特征。针对这个问题，我们提出了超向量串行的耦合特征提取框架，该框架使用共同空间模式(common spatial patterns，CSP)算法提取EEG信号幅值特征，使用PLSR算法提取相位特征，将得到的CSP特征和PLSR特征串行排列，组成一个高维的融合特征向量，以此作为脑电信号分类识别的依据。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种EEG信号的相位同步度量方法，采用符号秩检验的框架来度量信号间相位同步的稳定性；本发明还提供了一种提取EEG信号耦合特征的方法以及基于耦合特征的信号识别方法，有利于得到更稳定及高识别率的运动想象分类识别结果。

技术方案：为实现上述目的，本发明的EEG信号的相位同步度量方法，包括以下步骤：

(1)对于EEG信号的两个时间序列x和y，设在第k个采样点上两个时间序列的瞬时相位差为Δθ_k，获取所有相位差的正弦函数值的绝对值，并对绝对值中的非零值按升序进行排序，得到对应任意k采样点的秩R(|sin(Δθ_k)|)，R(|sin(Δθ_k)|)表示非零值|sin(Δθ_k)|在升序序列中的顺序；

(2)使用符号秩检验构造统计量T⁺和T^-：

$T^{+}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\Δ\θ}}_k\left)\right)>0}{\Σ}R\left(\right|sin\left({\mathrm{\Δ\θ}}_k\right)\left|\right)$

$T^{-}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\&Delta;\&theta;}}_k\left)\right)<0}{\&Sigma;}R\left(\right|sin\left({\mathrm{\&Delta;\&theta;}}_k\right)\left|\right)$

(3)计算时间序列x和y的PLSR相位特征值

${\mathrm{PLSR}}_{xy}\left(f\right)=\frac{|T^{+}-T^{-}|}{T^{+}+T^{-}}.$

进一步地，本发明还提供了一种EEG信号耦合特征的提取方法，包括以下步骤：

(1)使用CSP算法提取单个实验试次EEG信号的幅值特征，得到幅值特征向量：

$F_{CSP}={(f_{CSP}^1,f_{CSP}^2,...,f_{CSP}^{2nf})}^T\&Element;R^{2nf}$

其中，为对应第i个CSP滤波向量ω_i的对数特征，nf为选取的CSP滤波器对数；

(2)选择位于左右两侧半球的初级运动感觉皮层SM1区域和辅助运动区域SMA的电极进行电极耦合配对，按照上述EEG信号的相位同步度量方法计算第i个电极对的PLSR相位特征值

(3)得到所有电极对的PLSR相位特征值组成该实验试次的相位特征向量：

$F_{PLSR}={(f_{PLSR}^1,f_{PLSR}^2,...,f_{PLSR}^n)}^T\&Element;R^n,$

其中，n为相位特征向量的维度，即选取的耦合电极对数；

(4)将F_CSP和F_PLSR串行组合成一个更高维度的特征向量F_CSP+PLSR，作为超向量串行耦合特征，F_CSP+PLSR的表达式如下：

$\begin{array}{c}{F}_{CSP+PLSR}=\&lsqb;F_{CSP};F_{PLSR}\&rsqb;\\ =(f_{CSP}^1,f_{CSP}^2,\mathrm{...},f_{CSP}^{2nf},f_{PLSR}^1,f_{PLSR}^2,\mathrm{...},f_{PLSR}^n)\&Element;R^{2nf+n}\end{array}.$

更进一步地，本发明中基于耦合特征的EEG信号识别方法，包括以下步骤：

(1)对EEG信号进行样本采集，并将所采集的样本分为训练数据和测试数据，所述训练数据是指带有类别信息的样本，所述测试数据是指不带有类别信息的样本；

(2)对训练数据和测试数据分别进行第一带通滤波和第二带通滤波，所述第一带通滤波和第二带通滤波的频段不同；

(3)利用上述提取EEG耦合特征的方法分别对经过带通滤波处理的训练数据和测试数据进行超向量串行耦合特征的提取；所述CSP算法分别提取经过第一带通滤波处理的训练数据和测试数据的幅值特征，所述相位同步度量方法分别提取经过第二带通滤波处理的训练数据和测试数据的相位特征；

(4)将训练数据的超向量串行耦合特征作为LDA分类器的输入来训练分类面，再使用训练得到的LDA分类器对测试数据的超向量串行耦合特征进行分类识别并输出分类标签。

其中，步骤(2)中第一带通滤波器的频段为8-35Hz，第二带通滤波的频段为9-11Hz。

有益效果：本发明中EEG信号的相位同步度量方法，采用符号秩加权的相位延迟算法，从符号秩检验的统计学角度出发度量EEG信号间的相位同步特性，仅使用2个信号间相位差的信息，利用相位差的正弦函数值作为在某个时间点相位的度量，使用相位滞后的度量方法而非严格的锁相值，能够削弱小相位差样本点的作用从而抑制其不良影响。

本发明中EEG信号耦合特征的提取方法，提取EEG信号的识别特征形成超向量串行的耦合特征，首先使用CSP算法和PLSR算法，分别提取EEG信号的幅值特征和相位特征，然后将得到的CSP幅值特征向量与PLSR得到的相位特征向量串行，组成一个高维的超向量，作为EEG信号分类识别的基础；超向量串行的耦合特征提取框架融合了CSP提取的EEG信号幅值特征和PLSR提取的相位特征，能够充分使用脑电数据幅值反映的神经冲动强度特征，以及相位反映的神经冲动发放区域的特征，得到更有利于识别的耦合特征。

本发明中基于耦合特征的EEG信号识别方法，对预处理后的训练数据和测试数据分别进行超向量串行的耦合特征提取，使用训练数据得到的超向量特征来训练LDA分类器，并使用该分类器对测试集提取的超向量特征进行分类识别。

附图说明

图1是超向量串行的耦合特征提取框架原理图；

图2是实施例中BCI competition IV IIa数据集在数据采集时使用电极帽的电极分布示意图；

图3是本发明中提取EEG信号耦合特征的方法的流程图；

图4是在BCI competition IV IIa数据集上进行相位特征提取时使用的电极耦合列表；

图5是EEG信号耦合特征的方法和现有特征提取算法对BCI competition IV IIa数据集进行识别的结果对比图。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

设两个EEG信号时间序列x和y在第k个时间点上的瞬时相位差为Δθ_k，其中k＝1,...,d，d为单个实验试次采集EEG信号的采样点数。本发明中EEG信号的相位同步度量方法，又称为PLSR算法，包括以下步骤：

a)将|sin(Δθ_k)|(k＝1,...,d)中的非零值按升序进行排序，得到对应不同采样点的|sin(Δθ_k)|的秩，记为R(|sin(Δθ_k)|)。R(|sin(Δθ_k)|)表示非零值|sin(Δθ_k)|在这个升序序列中的顺序，如|sin(Δθ_k)|的顺序为i，则R(|sin(Δθ_k)|)＝i；

b)使用符号秩检验构造统计量T⁺和T^-：

$T^{+}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\&Delta;\&theta;}}_k\left)\right)>0}{\&Sigma;}R\left(\right|sin\left({\mathrm{\&Delta;\&theta;}}_k\right)\left|\right)$

$T^{-}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\&Delta;\&theta;}}_k\left)\right)<0}{\&Sigma;}R\left(\right|sin\left({\mathrm{\&Delta;\&theta;}}_k\right)\left|\right)$

c)计算时间序列x和y的PLSR值：

${\mathrm{PLSR}}_{xy}\left(f\right)=\frac{|T^{+}-T^{-}|}{T^{+}+T^{-}}$

得到的PLSR值为一个小于等于1的正实数，值越大表明信号的相位同步越明显。

将单试次采集的EEG信号矩阵表示为E∈R^c×d，其中c为电极数，d为采样点数。本发明中的EEG信号耦合特征的提取方法，用于提取超向量串行的耦合特征，包括以下步骤：

a)使用CSP算法提取单个实验试次EEG信号的幅值特征，得到幅值特征向量：

$F_{CSP}={(f_{CSP}^1,f_{CSP}^2,...,f_{CSP}^{2nf})}^T\&Element;R^{2nf}$

其中，为对应第i个CSP滤波向量ω_i的对数特征，nf为选取的CSP滤波器对数；

b)选择位于两侧半球SM1区域和位于SMA区域的电极进行电极耦合配对，按照PLSR算法计算第i个电极对的PLSR相位特征值

c)得到所有电极对的PLSR值，组成该实验试次的相位特征向量：

$F_{PLSR}={(f_{PLSR}^1,f_{PLSR}^2,...,f_{PLSR}^n)}^T\&Element;R^n,$

其中，n为相位特征向量的维度，即选取的耦合电极对数；

d)如图1所示，将F_CSP和F_PLSR串行组合成一个更高维度的特征向量F_CSP+PLSR：

$\begin{array}{c}{F}_{CSP+PLSR}=\&lsqb;F_{CSP};F_{PLSR}\&rsqb;\\ =(f_{CSP}^1,f_{CSP}^2,\mathrm{...},f_{CSP}^{2nf},f_{PLSR}^1,f_{PLSR}^2,\mathrm{...},f_{PLSR}^n)\&Element;R^{2nf+n}\end{array}.$

本实施例中采用BCI competition IV IIa数据集，该数据集由M.Fatourechi、A.Bashashati、R.K.Ward和G.E.Birch在《EMG and EOG artifacts in brain computerinterface systems:a survey》(Clinical Neurophysiology 118,480–494,2007)中提出。该数据集由格拉茨技术大学的脑机接口实验室提供，共包含9个被试的左手、右手、脚部和舌头的运动想象脑电数据。该数据集的EEG信号采集装置使用22个电极，编号1-22对应的电极名称分别为：Fz、FC3、FC1、FCz、FC2、FC4、C5、C3、C1、Cz、C2、C4、C6、CP3、CP1、CPz、CP2、CP4、P1、Pz、P2和POz，按图2所示分别分布在左右两侧半球的初级运动感觉皮层(primarysensorimotor cortex，SM1)区域和辅助运动区域(supplementary motor area，SMA)。在执行运动想象任务时，被试坐在带有扶手的椅子上，面前的显示器屏幕上首先出现一个“+”图标，提示被试即将开始一次运动想象，此过程持续2s，之后出现箭头(指向左、右、上、下这几个方向的某一个)提示信息，被试根据提示开始进行相应的左手/右手/脚部/舌头的运动想象，这一过程持续到第6s结束。本实施例仅使用“左手”和“右手”的运动想象数据：每个被试共采集288个实验试次的样本(每类144个)，其中一半为带有类别信息的样本，作为训练集，这部分数据用于训练空间滤波器和线性判别分析(linear discriminant analysis，LDA)分类器，剩余没有类别信息的样本作为测试集，用来评价基于耦合特征的信号识别方法的性能。

如图3所示，本实施例中基于耦合特征的信号识别方法，对于采集到的训练数据和测试数据进行以下处理：

(1)数据预处理：对训练数据和测试数据分别进行第一带通滤波和第二带通滤波。

由于与实际运动/运动想象相关的Mu节律为8-12Hz，通常Mu节律又与14-26Hz的beta节律相关，因此在使用CSP提取幅值特征前，先对所有的EEG信号进行第一带通滤波，即8-35Hz的带通滤波。

而一些事件相关电位活动的相干性研究发现，当进行运动想象时，不同感觉运动区的相位耦合现象在频率为10Hz左右的信号上更为明显，因此在进行相位特征提取前进行第二带通滤波，即使用经过9-11Hz滤波的带通滤波器对原始EEG数据进行带通滤波。

(2)利用CSP算法对经过第一带通滤波后的数据进行幅值特征提取，对经过第二带通滤波后的数据进行相位特征提取，得到超向量串行耦合特征，具体为：

a)使用CSP算法提取EEG信号的幅值特征向量，选择空间滤波器对数nf＝3；

b)电极耦合方式选择：根据图2显示的电极分布示意图，选择位于被试左右两侧半球SM1的10个电极和SMA区域的1个电极进行电极耦合配对，电极耦合配对如图4所示，第一行为特征的标号，第二到四行分别对应三种电极耦合方式：a)分别将位于大脑两侧半球SM1区域的电极进行两两耦合，记为CW方式；b)将位于左侧半球SM1区域的电极与右侧SM1椭圆内的电极进行两两耦合，记为CB1方式；c)将SMA区域的Fz电极(图2中编号为1的电极)分别与位于两侧SM1区域的所有电极两两耦合，记为CB2方式；

c)使用上述PLSR算法提取相位特征，能够分别得到20维(CW方式)、25维(CB1方式)或10维(CB2方式)的相位特征向量；

d)将幅值特征向量和相位特征向量进行耦合得到耦合的幅值-相位特征向量。

(3)将得到的幅值-相位特征向量作为LDA分类器的输入来训练分类面，再使用训练得到的LDA分类器对测试集样本提取的耦合特征进行分类识别。

图5展示了使用CW、CB1和CB2电极耦合方式利用相位同步度量方法进行PLSR的相位特征提取，并利用提取EEG信号耦合特征的方法将相位特征与CSP幅值特征进行耦合和分类，所得到的分类识别率。为了研究PLSR算法在提取相位特征方面的性能，图中还列出了PLI和WPLI算法的结果；此外，为了显示超向量串行耦合特征提取的识别效果，表格第一行展示了仅使用CSP提取的幅值特征进行分类识别的正确率。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (4)

1.一种EEG信号的相位同步度量方法，其特征在于，该方法包括以下步骤：

(1)对于EEG信号的两个时间序列x和y，设在第k个采样点上两个时间序列的瞬时相位差为Δθ_k，获取所有相位差的正弦函数值的绝对值，并对绝对值中的非零值按升序进行排序，得到对应任意k采样点的秩R(|sin(Δθ_k)|)，R(sin(Δθ_k)|)表示非零正弦函数值的绝对值|sin(Δθ_k)|在升序序列中的顺序；

(2)使用符号秩检验构造统计量T⁺和T^-：

$T^{+}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\&Delta;\&theta;}}_k\left)\right)>0}{\&Sigma;}R\left(\right|sin\left({\mathrm{\&Delta;\&theta;}}_k\right)\left|\right)$

$T^{-}=\underset{\mathrm{sgn}\left(sin\right({\mathrm{\&Delta;\&theta;}}_k\left)\right)<0}{\&Sigma;}R\left(\right|sin\left({\mathrm{\&Delta;\&theta;}}_k\right)\left|\right)$

(3)计算时间序列x和y的PLSR相位特征值PLSR_xy(f)：

${\mathrm{PLSR}}_{xy}\left(f\right)=\frac{|T^{+}-T^{-}|}{T^{+}+T^{-}}.$

2.一种EEG信号耦合特征提取的方法，其特征在于，包括以下步骤：

(1)使用CSP算法提取单个实验试次EEG信号的幅值特征，得到幅值特征向量：

$F_{CSP}={(f_{CSP}^1,f_{CSP}^2,...,f_{CSP}^{2nf})}^T\&Element;R^{2nf}$

其中，为对应第i个CSP滤波向量ω_i的对数特征，nf为选取的CSP滤波器对数；

(2)选择位于左右两侧半球的初级运动感觉皮层SM1区域和辅助运动区域SMA的电极进行电极耦合配对，按照权利要求1所述EEG信号的相位同步度量方法计算第i个电极对的PLSR相位特征值

(3)得到所有电极对的PLSR相位特征值组成该实验试次的相位特征向量：

$F_{PLSR}={(f_{PLSR}^1,f_{PLSR}^2,...,f_{PLSR}^n)}^T\&Element;R^n,$

其中，n为相位特征向量的维度，即选取的耦合电极对数；

(4)将F_CSP和F_PLSR串行组合成一个更高维度的特征向量F_CSP+PLSR，作为超向量串行耦合特征，F_CSP+PLSR的表达式如下：

$\begin{array}{c}{F}_{CSP+PLSR}=\&lsqb;F_{CSP};F_{PLSR}\&rsqb;\\ =\left(f_{CSP}^1,f_{CSP}^2,...,f_{CSP}^{2nf},f_{PLSR}^1,f_{PLSR}^2,...,f_{PLSR}^n\right)\&Element;R^{2nf+n}\end{array}.$

3.一种基于耦合特征的EEG信号识别方法，其特征在于，包括以下步骤：

(1)对EEG信号进行样本采集，并将所采集的样本分为训练数据和测试数据，所述训练数据是指带有类别信息的样本，所述测试数据是指不带有类别信息的样本；

(2)对训练数据和测试数据分别进行第一带通滤波和第二带通滤波，所述第一带通滤波和第二带通滤波的频段不同；

(3)利用权利要求2所述的提取EEG耦合特征的方法分别对经过带通滤波处理的训练数据和测试数据进行超向量串行耦合特征的提取；所述CSP算法分别提取经过第一带通滤波处理的训练数据和测试数据的幅值特征，所述相位同步度量方法分别提取经过第二带通滤波处理的训练数据和测试数据的相位特征；

(4)将训练数据的超向量串行耦合特征作为LDA分类器的输入来训练分类面，再使用训练得到的LDA分类器对测试数据的超向量串行耦合特征进行分类识别并输出分类标签。

4.根据权利要求3所述的基于耦合特征的EEG信号识别方法，其特征在于，步骤(2)中第一带通滤波器的频段为8-35Hz，第二带通滤波的频段为9-11Hz。