CN107016355A - 一种低误触发率运动想象双层分类识别方法 - Google Patents

Abstract

本发明公开了一种低误触发率运动想象双层分类识别方法，所述识别方法包括以下步骤：采集同一名受试者在不同任务条件下的64导联脑电信号；对64导联脑电信号进行带通滤波、降采样以及数据长度截取，获取预处理后的脑电信号；通过CSP算法并配合滑动时间窗的方法对脑电信号进行处理，获得了用于后期建模的脑电信号特征；使用不同类别的脑电信号特征构建双层分类器，将同一样本通过两次判别后完成识别以提高整体分类识别能力。本发明可有效地降低MI‑BCI系统的误触发率，提高系统的整体识别性能，改进了目前MI‑BCI系统研究中的关键问题，若将算法推向应用，可获得可观的社会效益和经济效益。

Description

一种低误触发率运动想象双层分类识别方法

技术领域

本发明涉及分类识别领域，尤其涉及一种低误触发率运动想象双层分类识别方法。本 发明提出了一种提高运动想象脑-机接口(Motor Imagery Brain ComputerInterface，MI-BCI) 系统整体分类识别能力的新型方法。

背景技术

脑-机接口(Brain Computer Interface，BCI)技术是目前神经工程领域研究中较为热门 的方向，已有近50年的发展历史。其中MI-BCI是BCI研究中的后起之秀，是当前用于控 制外部神经假体的技术中最为有意义的一种。

人类在肢体完成实际动作或者进行动作想象时，大脑皮层感觉运动区的活动状态会发 生改变，某些特定频率(主要集中于α频段与β频段)的脑电信号会发生同步增强或衰减， 这一现象被称为事件相关同步/去同步现象(Event Related Synchronization/Desynchronization,ERS/ERD)现象。ERS/ERD是人类的主观意识诱发出的现象，能作为 判断人类是否产生主观意识的标准。ERS/ERD现象的产生为使用想象动作控制BCI系统 提供了可能。1991年，Wolpaw等人以μ(与α频段相似)节律振幅变化为控制信号，开 发了一套鼠标控制系统，这是早期MI-BCI比较成功的范例。

目前，MI-BCI系统多面向运动功能有障碍的人群。其主要目的是辅助、替代缺失的运 动功能从而帮助该类人群完成某些必要活动，力争提高此部分人群的生活质量。配合外部 控制设备，如功能性电刺激器、鼠标控制器、字符拼写器等，部分残障人群已可以实现简单的肢体动作、控制某些设备或者通过字符拼写器完成交流。同时，由于MI-BCI系统工 作时可以有效激活脑部受损患者的受损脑区而带来良好的康复效果，部分针对中风等中枢系统疾病的MI-BCI系统也开始应用于临床康复领域。

MI-BCI系统在使用过程中，可以实时的为使用者提供各种方式的反馈。而通过多种模 式的外部反馈可以帮助使用者完成更多的任务。但是，在MI-BCI系统的应用过程中，有 部分系统操作者和使用者反应系统出现了错误指令触发现象，即“误触发”现象。现以双指令MI-BCI系统为例解释误触发现象的具体定义。以右手运动想象任务为指定任务，当 使用者进行右手运动想象时，MI-BCI系统将输出控制指令以操作外部设备。但某些情况下，当使用者处于静息状态，或者错误的进行了左手运动想象甚至想象了与肢体无关的一些动作时，系统也作出了输出指令的判断，此时将该错误称为假阳性(False Positive，FP)错误，也被称为第一类错误。当认为右手运动想象为目标任务动作时，静息状态、对侧肢体 行为干扰、外部环境干扰及对特殊无关场景的想象都被归属为非目标任务动作。当非目标 任务触发了目标任务指令，即为“误触发”。

误触发问题的频繁出现是MI-BCI技术应用过程中所面临的较严峻的阻碍之一，其不 良影响如下：

1、目标任务达成率低，无法实现正确指令输出以控制外部设备完成预设任务；

2、影响操作者判断系统使用者的参与程度，进而无法有效的评价系统的表现；

3、使用者容易形成错误的运动想象习惯，为未来其使用其他同类型设备带来隐患；

4、当应用于康复领域时，会浪费患者宝贵的康复治疗时间，耽误康复进程。

综上所述，有效的解决MI-BCI系统的误触发问题，提高其在各领域中的使用效果是 十分有必要的。目前大多数MI-BCI研究主要关注系统对目标任务分类正确率的提高，但是并未发现有研究将误触发(第一类错误)问题明确提出并对其加以克服。

发明内容

本发明提供了一种低误触发率运动想象双层分类识别方法，本发明可有效地降低MI-BCI系统的误触发率，提高系统的整体识别性能，改进了目前MI-BCI系统研究中的关 键问题，若将算法推向应用，可获得可观的社会效益和经济效益，详见下文描述：

一种低误触发率运动想象双层分类识别方法，所述识别方法包括以下步骤：

采集同一名受试者在不同任务条件下的64导联脑电信号；

对64导联脑电信号进行带通滤波、降采样以及数据长度截取，获取预处理后的脑电 信号；

通过CSP算法并配合滑动时间窗的方法对脑电信号进行处理，获得了用于后期建模的 脑电信号特征；

使用不同类别的脑电信号特征构建双层分类器，将同一样本通过两次判别后完成识别 以提高整体分类识别能力。

其中，所述滑动时间窗的方法具体为：

从任务执行时刻开始为起点截取数据，截取时间窗长度为2s，时间窗逐渐向后滑动， 每隔0.2s截取一段数据，直到数据末尾结束，截取后将数据按照各自的类别排列起来。

其中，所述用于后期建模的脑电信号特征具体为：

构建CSP空间滤波器P'：

P′＝U′W

X_CSP＝P'*X

其中，X_CSP是经过CSP空间滤波器处理过后的信号，X为原始EEG信号；U'运算 过程中所得的相似变换矩阵U的转置；W为白化矩阵。

可以得到用于构建分类器的特征：

其中，即为所得特征，var表示求取方差运算，m为需要留下的特征值数量，i表示特征的类别。

其中，所述使用不同类别的脑电信号特征构建双层分类器的步骤具体为：

第一层分类器为基础分类器，建模数据分别为右侧手部运动想象数据和静息态数据； 通过第一层分类器可以将静息态样本有效的分离出来，以防止将静息态判断为运动想象状 态的情况出现；

将标识为运动想象状态的特征数据送入第二层分类器，构成第二层分类器的数据为右 侧手部运动想象数据和干扰态数据。

本发明提供的技术方案的有益效果是：

1、本发明使用CSP(Common Spatial Patterns,共空间模式)算法提取脑电信号中的特 征，降低了样本的特征维度，然后引入干扰态数据构建双层分类模型，对同一样本进行两 步分类以获得分类器整体性能的提升；

2、该发明有效的降低了误触发现象的产生。表1是19名受试者者不同建模条件下分 类测试的平均结果，该结果说明，采用双层分类策略并引入干扰态数据后，可以有效抑制 误触发现象的产生，提高了MI-BCI系统的整体稳定程度，为MI-BCI系统更好的走向应用提供了技术支持。

附图说明

图1为一种低误触发率运动想象双层分类识别方法的流程图；

图2为60导电极帽导联分布图；

图3为CSP算法特征提取流程图；

图4为时间窗滑动数据截取方法示意图；

图5为双层分类策略整体数据处理流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详 细描述。

本发明实施例针对背景技术中存在的问题提出了一种新型的降低MI-BCI系统误触发 率的分类识别方法，本发明实施例中的MI-BCI系统也是应用ERS/ERD现象原理设计的。

即通过采集部分可造成误触发现象的典型行为的数据样本融合到分类识别算法中以 达到抑制误触发现象的效果。该方法有效降低了误触发现象的产生，提高了分类器的整体 性能，满足实际应用中的要求。

实施例1

本发明实施例所采用的技术方案是：首先采集受试者不同任务状态下的原始脑电数据， 然后对原始脑电数据进行预处理，接着通过CSP算法提取特征，并将属于不同类别的特征 进行组合，通过支持向量机算法(Support Vector Machine，SVM)构建分类识别模型，最 后通过对同一样本进行双层分类识别以达到提高系统的整体分类识别能力的目的。图1是 本方法的流程图，包括如下阶段：

101：采集同一名受试者在不同任务条件下的64导联脑电信号；

其中，不同任务条件可以为目标任务、静息任务、或干扰任务等，具体实现时，本发明实施例对此不做限制。该64导联脑电信号作为原始脑电数据。

102：对64导联脑电信号进行带通滤波、降采样以及数据长度截取，获取预处理后的 脑电信号；

具体实现时，步骤101中采集获得的原始脑电数据并不能满足后期处理要求，需要对 其进行预处理。包括8-30Hz带通滤波，降采样到200Hz，数据长度截取，最终得到60导 联的预处理后的脑电信号。

其中，本发明实施例对带通滤波的频率范围、降采样的频率范围、截取的数据长度不 做限制，还可以为其他的数值范围，具体实现时，根据实际应用中的需要进行设定。

103：通过CSP算法从预处理后的脑电信号中获取用于后期建模的脑电信号特征；

其中，预处理后的脑电信号中包含了过多的冗余信息且维度过大，需要通过特征提取 算法完成降低特征维度的任务。本发明实施例中通过CSP算法并配合滑动时间窗的方法对 脑电信号进行处理，获得了用于后期建模的脑电信号特征。

104：根据脑电信号特征，采用SVM算法建模并完成识别。

其中，上述脑电信号特征提取后，使用SVM算法建模并完成识别。建模时使用不同类别的脑电特征构建双层分类器，将同一样本通过两次判别后完成识别以提高系统的整体分类识别能力。

综上所述，本发明实施例通过上述步骤101-步骤104可有效地降低MI-BCI系统的误 触发率，提高系统的整体识别性能，改进了目前MI-BCI系统研究中的关键问题。若将算法推向应用，可获得可观的社会效益和经济效益。

实施例2

下面结合图2-图5、计算公式、以及表格对实施例1中的方案进行进一步地介绍，详见下文描述：

201：脑电信号采集阶段；

本发明实施例中使用Neuroscan公司生产的64导联脑电放大器和Scan 4.5采集系统， 其配备的电极帽遵循国际10-20系统通用标准，图2中展示的为不包含眼电及参考电极在 内的其它电极的位置分布。本发明实施例中进行脑电采集时将鼻尖位置作为参考，脑部前 额顶侧中央处接地。采集数据时要求所有导联电极与头皮间的阻抗保持在5k欧以下，采样频率为1 000Hz。

所有受试者进行脑电采集前并未进行预先训练以更好的证明该方法的普适性。每名受 试者者需采集不同任务条件下的脑电数据用以验证方法的可行性。这里使用右手运动想象 任务脑电数据(目标任务)和静息态任务脑电数据作为构建基础分类模型的数据，并采集 部分左手相关任务数据(左手运动想象任务、左手实际动作执行任务、左侧手臂肌肉运动 任务)作为干扰态任务参与建模。

202：数据预处理；

采集到的原始脑电无法满足后续处理需要，因此要对采集到的脑电进行前期预处理。 本发明实施例中对原始脑电数据进行的主要预处理有：降采样、带通滤波、数据截取。

本发明实施例中使用的脑电采集设备的采样频率为1000Hz，可以有效的采集到变化迅 速的脑电信号。但过大的数据量会导致后期处理效率的降低。因此，通过软件将1000Hz的 脑电信号降采样到200Hz。

本发明实施例中所关注的有效脑电特征信息的频率多集中于8Hz-30Hz，因此通过8Hz-30Hz带通滤波器对脑电信号进行了滤波处理。通过带通滤波处理可以有效的剔除掉低频的肌电信号以及高频的噪声干扰(如50Hz工频干扰)，将大量有效信息保留，提高了信 号的信噪比。

脑电数据采集时，时间的微弱差异会导致采集到的多试次脑电数据的数据长度不同， 因此需要配合脑电采集时记录的用于标识位置的标签完成数据的统一截取，以确保数据长 度达到统一，方便后期处理计算。

203：CSP脑电特征提取；

预处理后的脑电信号中仍然包含了过多的冗余信息，过大的数据维度会降低分类识别 算法的运行速度，不利于分类模型的构建，因此需要通过特征提取算法完成脑电特征的提 取，从而降低特征的维度。

共空间模式(CSP)是目前运动想象脑电信号处理中使用的主流特征提取方法。其主 要思想就是通过线性变换矩阵(矩阵中每一行都是各导联的权重系数)将多导联的脑电数 据转化到低维度子空间中。变换矩阵中的每一行都是一个空间滤波器，可以有效的探测ERD或ERS，提取两类脑电特征信号之间的差异性最大的特征，用于后期分类器的构建。

CSP算法[1]的基本表达式为：

X_CSP＝P'*X (1)

其中，X_CSP是经过CSP空间滤波器处理过后的信号，X为原始EEG信号，P为 CSP滤波矩阵，P'为P的转置矩阵。CSP滤波矩阵P中的每一个列向量 p_j∈P^N×N(j＝1…N)都是一个空间滤波器。而空间模式矩阵A＝(P-¹)'中的每一个列向量 a_j∈A^N×N(j＝1…N)都被称为一个空间模式，P-¹为P的逆矩阵。

CSP具体构造流程如下：

1)将原始EEG数据整理成如下形式：其中i代表数据的第i个试次。a为数 据的类别标识，这里认为所处理的数据由两类样本组成。整体代表一个N×T维的 数据矩阵，N代表导联通道的数量，T代表时间尺度上的样本点个数。

2)求取和两类样本数据的协方差矩阵，并进行归一化：

其中，为b类别第i个试次的数据；为的转置；为的转置；分 别代表a、b两类样本归一化后所得结果，归一化的目的是为了消除各试次数据之间的 样本差异。代表求取的迹，同理。

3)对单一类别中所有试次的数据进行平均：

4)构建复合协方差矩阵R_c：

R_c＝R_a+R_b (6)

对R_c进行分解：

R_c＝B_cλB_c' (7)

其中，B_c为N×N维归一化特征向量矩阵，B_c'为B_c的转置，B_cB_c'＝1_N×N。λ是N×N维的特征值对角矩阵。

5)构建白化矩阵：

W＝λ^-1/2B'_c (8)

白化矩阵W可以将一个矩阵转化为各项同性矩阵，使用白化矩阵分别处理两组不同矩 阵，则两组矩阵的特征值矩阵相加将等于I。

6)通过白化矩阵重构两个类别的协方差矩阵：

S_a＝WR_aW' (9)

S_b＝WR_bW' (10)

其中，W'为W的转置。

7)将S_a和S_b进行分解：

S_a＝Uψ_aU' (11)

S_b＝Uψ_bU' (12)

ψ_a+ψ_b＝I (13)

其中，U为相似变换矩阵；ψ_a为S_a的特征值；U'为U的转置；ψ_b为S_b的特征值。

通过上述变换后，当其中一组矩阵拥有最大特征值时，另外一组矩阵将拥有最小的特 征值，反之亦然。因此，若选取一个矩阵中最大的m个特征值，则可对应另外一组矩阵中 的m个最小的特征值，通过此方法可将两矩阵的最大差异特征提取出来。

8)构建CSP空间滤波器P'：

P'＝U'W (14)

得到滤波器后即可通过公式(1)对EEG数据进行处理。

通过公式(15)，可以得到用于构建分类器的特征。

其中，即为所得特征，var表示求取方差运算，m为需要留下的特征值数量，i表示特征的类别。

使用CSP算法进行特征提取时具体流程如图所示。如图3中所示，获得原始脑电数据 后首先要进行预处理，提高数据的信号质量。由于数据采集过程中，各类任务是随机出现 的，因此需要将各类样本数据逐一提取出来排列在一起。接下来根据处理需求对数据进行 截取，同时挑选出用于后期建模的两类样本备用。由于受到数据采集时间和受试者舒适程 度限制，可获得的各类任务脑电数据样本的数量是十分有限的，为了提高数据的利用率并 尽量增加样本的数量，本发明实施例中采用了滑动时间窗的方法，如图4所示。从任务执行时刻开始为起点截取数据，截取时间窗长度为2s，时间窗逐渐向后滑动，每隔0.2s截取一段数据，直到数据末尾结束，截取后将数据按照各自的类别排列起来。此种方法有效的扩充了样本的数量，使后期训练的分类模型更加可靠。

当完成了数据样本的扩充以及数据排列后，即可构建基于该样本的CSP空间滤波器 (按上文中方法)并得到两类样本的特征。获得训练样本后，即可将样本随机分开，一部分用于构建分类器，另外一部分用于测试分类器的性能。

204：运动想象双层分类识别模型构建；

双层分类策略的主要思想是使用不同类别的训练样本构建双层分类器，通过将测试样 本进行两步分类提高双层分类器的整体识别能力。图5为双层分类策略的整体数据处理流 程。

前期所需的各种处理步骤已经在前文中提及。通过CSP算法获得各类样本的特征后， 即可开始构建双层分类器。其中，第一层分类器为基础分类器(右手运动想象与静息分类 器)，其建模数据分别为右侧手部运动想象数据和静息态数据。根据前人研究成果可知，目前对于运动想象状态和静息状态两种状态的分类识别效果已经达到了极高的程度，通过第一层分类器可以将静息态样本有效的分离出来，以防止将静息态判断为运动想象状态的情况出现。当完成第一步分类后，可将标识为运动想象状态(此类数据中应该已经包含有误判数据在内)的特征数据送入第二层分类器，进行二次分类。构成第二层分类器的数据为右侧手部运动想象数据和干扰态数据。

本发明实施例对第二层分类器的构成进行了多种情况的尝试，如第一类别数据为右侧 手部运动想象数据，第二类别数据为干扰态数据中任意一种。当进行完两次分类后，需要 对两次分类的结果进行整理以形成最终的分类结果。通过对比分类器的整体评价指标可验 证本方法的优势所在。

205：算法应用结果展示。

该部分对本方法通过实验进行了测试。为提升测试结果的可信度，使用了十折交叉验 证方法。分类器的整体性能通过双层分类器的受试者工作特征(Receiver OperatingCharacteristic,ROC)曲线下面积(Area Under Curve,AUC)评估。AUC是目前用于评价分类器 性能的常见指标，当不同类别测试样本数量比例不均时，AUC可忽略样本比例不平衡所带 来的结果偏差，更为科学。

表1展示了基于CSP特征提取方法的双层分类模型与单层分类模型之间的分类结果对 比，表格为15名受试者人员，19人次的实验数据的平均结果。

现对表格中的各项内容进行说明：“单层分类器”(仅使用右侧手部运动想象数据与 静息态数据进行建模)一行为使用传统方法建模后，各测试样本的分类结果；“+LHI、+LHE、 +LHM”各行则为使用双层分类模型后的分类结果，每一行都代表混入一种干扰数据的情 况，双层分类模型中，第一层分类器使用右侧手部运动想象数据与静息态数据进行建模， 第二层分类器则引入干扰态数据，使用右侧手部运动想象数据与干扰态数据中的一种进行 建模；RHI、Relax、LHI、LHE、LHM分别代表不同的测试样本类型；AUC可评价单层 或双层分类器的整体性能。表格中标灰部分表示误触发率。

表1 基于CSP特征的双层分类模型分类结果

其中，a.RHI：右侧手部运动想象任务测试样本(Right Hand Imagery，RHI)；b.LHI： 左侧手部运动想象任务测试样本(Left Hand Imagery，LHI)；c.LHE：左侧手部实际运动执 行任务测试样本(Left Hand Movement Execution，LHE)；d.LHM：左侧手臂肌肉运动测试 样本(Left Hand Muscle Movement，LHM)；e.Relax：静息任务测试样本(Relax)。

从表格中可以看出，当干扰态测试样本送入传统的单层分类器后，LHI、LHE、LHM三种干扰态测试样本的触发率分别为73％、81％和73％，误触发率极高，而使用双层分类策略后干扰态样本的误触发率下降了30％-65％，极大的抑制了误触发现象的产生。同时，对于静息测试样本，双层分类策略也在一定程度上降低了其出现误触发现象的概率。

通过AUC指标对比传统单层分类模型与双层分类模型之间的优劣可以看出，三种建 模情况下的双层分类器的AUC指标都要高于单层分类器。其中，CSP单层分类器初始AUC为0.69，改进后双层分类器AUC最大值为0.77，涨幅11.5％且除+LHI条件下的AUC与 对应单层分类器之间的性能提高没有显著差异外，其它两种建模条件下构建的分类器整体 性能的提高都具有显著性差异(p<0.05)。从统计学数据上再次证明了，将双层策略应用于 MI-BCI系统中以降低误触发现象的方法是有效的。通过以上结果可以看出，本发明实施例 中提出的新型算法是切实可行的。

本方法的主旨是提出有效降低MI-BCI系统产生误触发现象的方法，通过引入干扰态 数据并配合双层分类策略的方法提高分类器的整体分类性能，继而提高对干扰态数据的识 别能力以有效抑制误触发现象的产生，提高MI-BCI系统的可靠程度。该项发明可有效地 降低MI-BCI系统的误触发率，使MI-BCI系统在使用过程中更为可靠，可获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

参考文献

[1]Müller-Gerking J,Pfurtscheller G,Flyvbjerg H.Designing optimalspatial filters for single-trial EEG classification in a movement task[J].Clinical neurophysiology,1999,110(5): 787-798.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要 能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号 仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种低误触发率运动想象双层分类识别方法，其特征在于，所述识别方法包括以下步骤：

采集同一名受试者在不同任务条件下的64导联脑电信号；

对64导联脑电信号进行带通滤波、降采样以及数据长度截取，获取预处理后的脑电信号；

通过CSP算法并配合滑动时间窗的方法对脑电信号进行处理，获得了用于后期建模的脑电信号特征；

使用不同类别的脑电信号特征构建双层分类器，将同一样本通过两次判别后完成识别以提高整体分类识别能力。

2.根据权利要求1所述的一种低误触发率运动想象双层分类识别方法，其特征在于，所述滑动时间窗的方法具体为：

从任务执行时刻开始为起点截取数据，截取时间窗长度为2s，时间窗逐渐向后滑动，每隔0.2s截取一段数据，直到数据末尾结束，截取后将数据按照各自的类别排列起来。

3.根据权利要求1所述的一种低误触发率运动想象双层分类识别方法，其特征在于，所述用于后期建模的脑电信号特征具体为：

构建CSP空间滤波器P'：

P′＝U′W

X_CSP＝P'*X

其中，X_CSP是经过CSP空间滤波器处理过后的信号，X为原始EEG信号；U'为运算过程中所得的相似变换矩阵U的转置；W为白化矩阵。

可以得到用于构建分类器的特征：

其中，即为所得特征，var表示求取方差运算，m为需要留下的特征值数量，i表示特征的类别。

4.根据权利要求1所述的一种低误触发率运动想象双层分类识别方法，其特征在于，所述使用不同类别的脑电信号特征构建双层分类器的步骤具体为：

第一层分类器为基础分类器，建模数据分别为右侧手部运动想象数据和静息态数据；通过第一层分类器可以将静息态样本有效的分离出来，以防止将静息态判断为运动想象状态的情况出现；

将标识为运动想象状态的特征数据送入第二层分类器，构成第二层分类器的数据为右侧手部运动想象数据和干扰态数据。