CN106127191A - 基于小波包分解及逻辑回归的脑电分类方法 - Google Patents

Abstract

本发明公开了基于小波包分解及逻辑回归的脑电分类方法，主要采用小波包分解获取运动感知节律信号，并提取节律信号能量均值特征，最后建立逻辑回归判别模型进行运动想象脑电模式分类。本发明包括脑电信号采集及预处理、小波包分解及重构、重构信号能量均值特征提取、逻辑回归判别模型建立及运动想象脑电模式分类。实验结果表明：小波包分解能准确提取运动感知节律信号，在此基础上建立的逻辑回归模型能有效判别运动想象脑电模式，达到较好的分类效果。

Description

基于小波包分解及逻辑回归的脑电分类方法

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模式分类，特别涉及一种基于小波包分解及逻辑回归的脑电分类方法。

背景技术

脑机接口使用脑电或者大脑活动的其他电生理测试量为人与外部设备建立了一个不依靠传统神经肌肉输出的通信管道。目前，从人体头皮采集的运动想象脑电经常被用于无创脑机接口控制。基于运动想象的脑机接口主要利用运动感知节律的幅度调制来反映人体的运动意图。运动感知节律的幅度调制通常以事件相关去同步和事件相关同步的形式出现。近十年以来，基于事件相关去同步和事件相关同步的脑机接口技术由于其在残疾人康复训练中的良好应用前景而受到广泛关注。

小波包分析作为良好的信号时频分析工具，由于它不仅将频带进行多层次划分，而且对高频部分也进行进一步的分解，具有比小波分析更好的时频特性，对于提高运动想象脑电分析的精度而言更具有优势。此外，逻辑回归是一种重要的分类方法，它使用输入变量的系数加权线性组合来分类，自某一给定的类上，能给出相应的类分布估计，具有较高的分类精度。

发明内容

本发明的目的是提供一种运动想象脑电模式分类方法，基于小波包分解及逻辑回归，涉及神经科学、数字信号处理、机器学习、模式识别等领域，通过小波包分解能有效获取运动感知节律相关信号并由逻辑回归模型进行准确分类。为了实现上述目的，本发明提供了一种基于小波包分解及逻辑回归的脑电分类方法。具体包括以下几个步骤：

步骤一、脑电信号采集及预处理：采用电极导联C3和C4多次采集被试者大脑左右两侧脑电信号，并对每一次电极导联C3和C4采集的脑电信号进行带通滤波，将其中若干次采集样本作为训练样本集，剩余样本作为测试样本集；

步骤二、小波包分解及重构：针对每一个样本，将步骤一预处理后的电极导联C3和C4采集的脑电信号分别采用小波包分解进行3层分解，得到各自的分解系数S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，抽取与μ节律和部分β节律相关的分解系数S(3,1)进行信号重构；

步骤三、重构信号能量均值特征提取：对步骤二得到的S(3,1)重构信号计算其能量均值特征E₃和E₄，其中E₃对应电极导联C3，E₄对应电极导联C4，分别得到各样本的一个二维特征向量(E₃,E₄)；

步骤四、逻辑回归判别模型建立：基于步骤一得到的训练样本集，建立基于Sigmoid函数的逻辑回归分类器；

步骤五、运动想象脑电模式分类：对于步骤一得到的测试样本集中的每一个样本，将其二维特征向量代入逻辑回归分类器，得到具体的分类结果。

进一步地，步骤一中一次采集的样本同时包含C3和C4电极导联信号，电极导联C3和C4分别以128Hz的采样频率采集被试者左右两侧脑电信号，并对C3和C4采集的脑电信号进行0.5Hz～30Hz带通滤波去除低频基线漂移及无效的高频信号成分；

进一步地，步骤一中训练样本集和测试样本集中均包含左手运动想象和右手运动想象两类样本，其中训练样本集类标签已知，一类标为1，另一类标为0，测试样本集类标签需要预测，将预测结果和真实类标签进行对比得到分类正确率。；

进一步地，步骤二所述的与μ节律和部分β节律相关的分解系数S(3,1)对应的频段范围为8～16Hz；

进一步地，所述步骤三中能量均值E，计算如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\left|x_i\right|}^2$

其中E代表E₃或E₄，i＝1,2,…,m，m为一次采集信号周期中所截取的事件相关去同步/同步现象最明显时间段的采样点数，x_i为采样点脑电信号幅值；

进一步地，所述步骤四中Sigmoid函数具体的计算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此处X₁及X₂为分类器所需输入的特征，ω₀、ω₁、ω₂为回归系数，

最优回归系数的寻找过程如下：

1)初始化步长alpha及迭代次数maxCycles；

2)初始化回归系数，得到一个N×3维的回归系数矩阵dataMatrix，其中N为训练样本集中的样本个数；

3)将训练样本集中每一个样本的二维特征向量(E₃,E₄)作为输入求取Sigmoid函数值，得到一个N维向量h，向量h中的每一个元素即为某一个样本对应的Sigmoid函数值；

4)将向量h与训练样本集的真实类标签向量label相减，得到偏差向量error，具体公式如下：

error＝label-h

5)更新回归系数，具体公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T为dataMatrix的转置矩阵；

6)判别迭代终止，若迭代次数小于maxCycles，则返回步骤2)，否则输出weights；

进一步地，所述步骤五中，将测试样本集中的每一个样本的二维特征向量代入逻辑回归判别模型，若输出大于0.5则分入一类，小于0.5则分入另一类。

与现有技术相比，本发明的有益效果是：

1)本发明根据运动感知节律相关频带范围内的事件相关去同步/同步现象分段内的脑电信号能有效反映不同运动想象模式的基本生理规律，提取能量均值特征，能有效反映脑电特性。

2)本发明采用小波包分解抽取运动感知节律相关信号分解系数，能有效重构特征成分。

3)本发明利用逻辑回归建立分类模型对运动想象脑电信号进行分类，大大提高了分类的准确性和便利性。

附图说明

图1为本发明整体流程示意图；

图2为小波包3层分解示意图；

图3为Sigmoid函数示意图；

图4为基于训练样本集的分类决策边界示意图；

图5为测试样本集的逻辑回归判别模型输出值分布图；

具体实施方式

下面结合附图和具体实施例对本发明做进一步的描述。

如图1所示，本发明基于小波包分解及逻辑回归的脑电分类方法具体包括以下几个步骤：

步骤一、脑电信号采集及预滤波：采用电极导联C3和C4多次采集被试者大脑左右两侧脑电信号，并对每一次采集的C3和C4导联脑电信号进行带通滤波，将其中二分之一的采集样本作为训练样本集，剩余的二分之一样本作为测试样本集。具体为：

通过多通道采集器上的电极导联C3，Cz和C4采集脑电运动想象脑电信号，电极导联C3，Cz和C4从左到右放置，采样频率为128Hz，并进行滤波处理，带通滤波频段为0.5Hz～30Hz；由于Cz通道的脑电信号对想象左右手运动任务无关，故本发明只考虑C3和C4二个通道的脑电信号。每次运动想象实验持续时间为9秒，0到2秒为休息时间；2秒后在屏幕中央出现一个“+”提示符表明实验即将开始，持续1秒；在3秒后屏幕中央出现一个箭头，随机地指示向左或向右，要求受试者根据箭头方向进行左手或右手的运动想象。一共采集280组样本，随机抽取140组样本作为训练样本集，另外140组样本作为测试样本集，训练样本集和测试样本集中均包含两类样本：70组左手运动想象样本及70组右手运动想象样本。训练样本集中样本类标签已知，一类标为1，另一类标为0，测试样本集类标签需要预测，将预测结果和真实类标签进行对比可以得到分类正确率。

步骤二、小波包分解及重构：对于经步骤一预处理后的C3和C4电极导联采集的两路脑电信号数据进行并行处理，两路信号处理的方法完全相同：均采用‘db5’小波进行3层小波包分解，分解示意图如图2所示，分别得到C3和C4两路脑电数据的分解系数S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，其频带范围分别是0～8Hz，8～16Hz，16～24Hz，24～32Hz，32～40Hz，40～48Hz，48～56Hz，56～64Hz，由于μ节律频段范围为8～12Hz，β节律频段范围为14～35Hz，所以8～16Hz频带包含了部分μ节律和部分β节律，因此分别提取与μ节律和部分β节律相关的C3和C4两路脑电数据的S(3,1)系数进行信号重构。

步骤三、重构信号能量均值特征提取：对步骤二得到的S(3,1)重构信号计算其能量均值特征E₃和E₄(E₃针对C3导联，E₄针对C4导联)，能量均值特征计算公式如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\left|x_i\right|}^2$

其中i＝1,2,…,m，m为所截取的事件相关去同步/同步现象部分的采样点数，x_i为采样点脑电信号幅值，所截取的事件相关去同步/同步现象部分为一次采集信号的某一局部分段[t₁,t₂]，此处t₁设为4秒，t₂设为6秒，这个时间段事件相关去同步/同步现象最明显。

步骤四、逻辑回归判别模型建立：基于步骤一得到的训练样本集(其中的每一个样本均具有一个二维特征向量(E₃,E₄))，建立基于Sigmoid函数的逻辑回归分类器，Sigmoid函数具体的计算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此处X₁及X₂为分类器所需输入的特征，ω₀、ω₁、ω₂为回归系数，图3所示为Sigmoid函数示意图。最优回归系数的寻找过程如下：

1.初始化步长alpha为0.001，迭代次数maxCycles为500；

2.初始化回归系数ω₀＝1，ω₁＝1，ω₂＝1，得到一个N×3维的回归系数矩阵dataMatrix，其中N为训练样本集中的样本个数，此处为140；

3.将训练样本集中每一个样本的二维特征向量(E₃,E₄)作为输入求取Sigmoid函数值，得到一个140维向量h，h向量中的每一个元素即为某一个样本对应的Sigmoid函数值；

4.将h向量与训练样本集的真实类标签向量label相减，得到偏差向量error，具体公式如下：

error＝label-h

5.更新回归系数，具体公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T为dataMatrix的转置矩阵；

6.判别迭代终止，若迭代次数小于maxCycles，则返回步骤2，否则输出weights。根据最优回归系数构建的分类决策边界示意图如图4所示。

步骤五、运动想象脑电模式分类：对于步骤一得到的测试样本集中的每一个样本，将其二维特征向量代入逻辑回归分类器，得到具体的分类结果，具体如图5所示，若输出大于0.5则分入标签为1的一类，小于0.5则分入标签为0的另一类。结果表明，分类准确率达到了较为理想的89.29％。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.基于小波包分解及逻辑回归的脑电分类方法，其特征在于，该方法包含以下几个步骤：

步骤一、脑电信号采集及预处理：采用电极导联C3和C4多次采集被试者大脑左右两侧脑电信号，并对每一次电极导联C3和C4采集的脑电信号进行带通滤波，将其中若干次采集样本作为训练样本集，剩余样本作为测试样本集；

步骤二、小波包分解及重构：针对每一个样本，将步骤一预处理后的电极导联C3和C4采集的脑电信号分别采用小波包分解进行3层分解，得到各自的分解系数S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，抽取与μ节律和部分β节律相关的分解系数S(3,1)进行信号重构；

步骤三、重构信号能量均值特征提取：对步骤二得到的S(3,1)重构信号计算其能量均值特征E₃和E₄，其中E₃对应电极导联C3，E₄对应电极导联C4，分别得到各样本的一个二维特征向量(E₃,E₄)；

步骤四、逻辑回归判别模型建立：基于步骤一得到的训练样本集，建立基于Sigmoid函数的逻辑回归分类器；

步骤五、运动想象脑电模式分类：对于步骤一得到的测试样本集中的每一个样本，将其二维特征向量代入逻辑回归分类器，得到具体的分类结果。

2.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：步骤一中一次采集的样本同时包含电极导联C3和C4采集的脑电信号，电极导联C3和C4的采样频率为128Hz，且带通滤波频段为0.5Hz～30Hz。

3.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：步骤一中训练样本集和测试样本集中均包含左手运动想象和右手运动想象两类样本，其中训练样本集类标签已知，一类标为1，另一类标为0，测试样本集类标签需要预测，将预测结果和真实类标签进行对比得到分类正确率。

4.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：步骤二所述的与μ节律和部分β节律相关的分解系数S(3,1)对应的频段范围为8～16Hz。

5.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：所述步骤三中能量均值特征计算如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}|x_i{|}^2$

其中E代表E₃或E₄，i＝1,2,…,m，m为一次采集信号周期中所截取的事件相关去同步/同步现象最明显时间段的采样点数，x_i为采样点脑电信号幅值。

6.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：所述步骤四中Sigmoid函数具体的计算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此处X₁及X₂为分类器所需输入的特征，ω₀、ω₁、ω₂为回归系数，

最优回归系数的寻找过程如下：

1)初始化步长alpha及迭代次数maxCycles；

2)初始化回归系数，得到一个N×3维的回归系数矩阵dataMatrix，其中N为训练样本集中的样本个数；

3)将训练样本集中每一个样本的二维特征向量(E₃,E₄)作为输入求取Sigmoid函数值，得到一个N维向量h，向量h中的每一个元素即为某一个样本对应的Sigmoid函数值；

4)将向量h与训练样本集的真实类标签向量label相减，得到偏差向量error，具体公式如下：

error＝label-h

5)更新回归系数，具体公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T为dataMatrix的转置矩阵；

6)判别迭代终止，若迭代次数小于maxCycles，则返回步骤2)，否则输出weights。

7.根据权利要求1所述的基于小波包分解及逻辑回归的脑电分类方法，其特征在于：所述步骤五中，将测试样本集中的每一个样本的二维特征向量代入逻辑回归判别模型，若输出大于0.5则分入一类，小于0.5则分入另一类。