CN108280414A - 一种基于能量特征的运动想象脑电信号的识别方法 - Google Patents

Abstract

本发明涉及一种基于能量特征的运动想象脑电信号的识别方法，首先采集受试者完全放松时和运动想象时的脑电信号作为样本集；对这些样本集的脑电信号进行去噪处理，并求得脑电信号的平均功率；基于傅里叶变换，使用能量谱密度函数，求得脑电信号在运动想象状态和完全放松态时，Mu(8‑12Hz)频段和Beta(18‑25Hz)频段的能量值作为特征值；以这些特征量为输入，采用基于径向基核函数的支持向量机分类方法，并使用改进的网格寻优算法，对分类方法的参数进行在线寻优，实现运动想象脑电信号的识别。本发明的基于能量特征的运动想象脑电信号的识别方法耗时短且准确率高，为实时BCI的实现提供了一种新思路。

Description

一种基于能量特征的运动想象脑电信号的识别方法

技术领域

本发明涉及脑电信号处理领域，具体涉及一种基于能量特征的运动想象脑电信号的识别方法。

背景技术

脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动得方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。受试者想象执行某一动作，而没有产生任何肢体运动，此过程称为运动想象。功能成像的研究结果表明，自身运动和运动想象之间存在着功能性关联，想象运动能激活参与自身运动相应的脑区。

当大脑皮质层某区域受到想象运动的刺激时，该区域代谢加快，进行信息加工导致特定频段的脑电信号的振幅减低，这种电生理现象称为事件相关去同步化 (event-related desynchronization,ERD)；当某一活动在一定时刻没有使相关皮层区域明显地活跃起来，特定频段的脑电信号就表现为振幅升高，这种电生理学现象称为事件相关同步(event-related synchronization,ERS)。大量研究表明，受试者执行运动想象时，感觉运动皮层和大脑顶区的Mu(8-12Hz)和Beta (18-25Hz)频段会出现能量衰减(ERD)。

脑机接口(brain computer interface，BCI)系统是一种连接大脑和外部设备的实时通信系统.该系统可以把大脑发出的信息直接转换成能够驱动外部设备的命令，代替人的肢体或语言器官实现人与外界的交流以及对外部环境的控制。换言之，该系统在不依赖于脑的正常神经通路(外围神经系统及肌肉组织) 的情况下，在人脑和计算机或其他电子设备之间建立了直接的交流和控制通道。用这种先进的交流技术，患有严重脊髓损伤、脑干损伤，或是由于车祸等不幸事件而失去行为能力但思维正常的人就能像看护人员表达它们的意愿，甚至可以控制外界辅助设备完成日常活动。利用大脑皮层不同区域不同能量的这些ERD/ERS 现象，采用合适的特征提取方式和适当的分类算法，很容易实现对受试者发生想象运动肢体部位的正确分类和识别，进而生成控制指令应用于BCI系统中完成用意念对外设的操控。

常用的特征提取方式主要有基于傅里叶变换和小波变换的时频域能量特征提取等，常用的分类算法主要有支持向量机。

支持向量机(SVM)模型常被用于脑电信号的二分类。实践证明，核参数和惩罚系数对SVM性能有着很大的影响，只有选择合适的核参数和惩罚系数才能得到具有良好推广能力的SVM分类器。当前国际上对核参数的选择还未形成统一模式，主要靠经验和试算来解决，包括实验法、网格搜索法、双线性搜索法、遗传算法和粒子群算法等。其中，实验法耗时且难以获得最优参数，网格搜索法精度高但非常耗时，双线性搜索法效率高但精度一般，遗传算法和粒子群算法较为复杂且容易陷入局部最优。

发明内容

本发明提出了一种基于能量特征的运动想象脑电信号的识别方法。综合考虑支持向量机常用参数寻优算法的优缺点后，使用了一种改进的参数寻优方法，它能在大幅度减少参数寻优时间的同时，使SVM获取较高的学习精度，使得脑电信号的分类结果更精确。

本发明所述的一种基于能量特征的运动想象脑电信号的识别方法，包括以下步骤：

(1)采集训练阶段原始脑电信号：

受试者头戴电极帽,按照国际标准10-20导联法安放电极,在屏幕上出现“+”符号提示以及“-”符号提示下,采集受试者的脑电信号；包括完全放松状态的脑电信号以及运动想象的脑电信号；出现“-”符号时,大脑处于完全放松状态；出现“+”符号时,大脑处于运动想象状态；一个完全放松状态或一个运动想象状态组成一次事件；一次事件持续时间4秒；每次事件结束后，会黑屏2秒，此时受试者处于空闲状态，不再采集此状态的脑电信号；对于每次事件可以采集到C3 导联的一组脑电数据和C4导联的一组脑电数据,一次事件每个导联的脑电信号采样点为1000*4个；

(2)脑电信号的预处理：

采用脑电功率叠加平均方法对采集到的脑电信号预处理,获得纯净的脑电信号。其计算公式为：

式中，i代表采样点，为1000*4个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表时第几次事件，n为事件的总数，为各采样点对应的脑电平均功率，为1000*8的一个数组；分别得到一组C3导联运动想象脑电信号的平均功率一组C4导联运动想象脑电信号的平均功率一组C3导联完全放松状态脑电信号的平均功率一组C4导联完全放松状态脑电信号的平均功率

(3)脑电信号的特征提取：

使用能量谱密度函数分别求得C3导联和C4导联，运动想象状态和完全放松的脑电信号在Mu(8-12Hz)频段和Beta(18-25Hz)频段的能量值。该能量值组成了支持向量机的数据集。

(4)脑电信号特征的分类：

对步骤(3)中得到的运动想象和完全放松的脑电信号的特征值进行分类。采用基于径向基核函数的支持向量机分类方法，分别对C3导联中运动想象状态和完全放松的脑电信号的Mu(8-12Hz)频段的能量值、C4导联中运动想象状态和完全放松的脑电信号的Mu(8-12Hz)频段的能量值、C3导联中运动想象状态和完全放松的脑电信号的Beta(18-25Hz)频段的能量值、以及C4导联中运动想象状态和完全放松的脑电信号的Beta(18-25Hz)频段的能量值，构造了四个支持向量机的决策函数。

并且在构造支持向量机时，使用改进的网格寻优算法和交叉验证方法搜索惩罚因子C和核参数g的最优解。改进的网格寻优算法具体如下：

i.粗估计SVM模型的惩罚因子C和核参数g的范围，作为惩罚因子C和核参数g的初始搜索范围，并根据搜索范围确定搜索步长L；

ii.以惩罚因子和核参数为坐标系的坐标，根据选定的C和g的初始搜索范围构成一个二维网格，每个格点表示一个参数组合(C，g)。对所有参数组合用SVM进行训练，按照十折交叉验证的方法计算样本预测准确率，预测准确率最高的那组惩罚因子和核参数作为当前最优参数组合(C₁,g₁)。

iii.根据最优参数组合(C₁,g₁)，以其为中心，扩展±L范围，得到新的搜索范围，进行进一步网格搜索，根据新的搜索范围调整搜索步长。

iv.以惩罚因子和核参数为坐标系的坐标，根据新的搜索范围构成了一个新的二维网格，每个格点表示一个参数组合(C，g)。对所有参数组合用SVM进行训练，按照十折交叉验证的方法计算样本预测准确率。

v.从步骤iv.得到的结果中，选择一组使得预测准确率最高的惩罚因子和核参数值作为最优的C、g。

(5)对比验证

采用普通的网格寻优算法，基于四个数据集，分别建立了四个支持向量机模型。对比两种算法的准确率和耗时。

本发明基于运动想象信号的去同步化现象，训练了支持向量机模型，对运动想象和完全放松状态的脑电信号进行分类。并且使用了改进的网格寻优算法和交叉验证训练SVM模型，不仅提升了SVM模型的分类精度，还缩短了训练所需时间。因此，本发明的有益结果可推广至实时BCI系统。

附图说明

图1是本发明实现方式的流程图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，本发明方法步骤包括EEG信号采集阶段、信号预处理阶段、信号频率特征提取阶段、信号分类阶段和对比验证阶段。

步骤1EEG信号采集阶段：

(1.1)本实施例采用美国Neuroscan公司生产的128导EEG采集分析系统。采集C3、C4两导联脑电数据。脑电信号采样频率为1000Hz，并进行0.5-30Hz的带通滤波。

(1.2)受试者根据屏幕提示完成实验。出现“-”符号时,大脑处于完全放松状态；出现“+”符号时,大脑处于运动想象状态。

(1.3)一个完全放松状态或一个运动想象状态组成一次事件；一次事件持续时间4秒；每次事件结束后，会黑屏2秒，此时受试者处于空闲状态，不再采集此状态下的脑电信号。

(1.4)一次实验包括30个事件，其中15个事件中受试者为完全放松状态，另15个事件中，受试者为运动想象状态。

(1.5)对于每次事件可以采集到C3导联的一组脑电数据和C4导联的一组脑电数据,一次事件每个导联的脑电信号采样点为1000*4个。

(1.6)十二位受试者进行了实验。最终得到180组数据为受试者完全放松状态时的脑电信号，和180组数据为受试者运动想象时的脑电信号。每组数据均包括:C3和C4导联处，时长为4秒的脑电信号。每组数据均为一个2*4000的矩阵。

步骤2脑电信号的预处理：

采用脑电功率叠加平均方法，对采集到的完全放松状态和运动想象状态的脑电信号分别进行预处理,其计算公式为：

式中，i代表采样点，为1000*4个采样点；x(i)为一次事件的脑电信号采样点对应的脑电幅值；j代表时第几次事件；n为完全放松状态或运动想象事件的总数，即180；为各采样点对应的脑电平均功率，为1000*4的一个数组。

最后分别得到一组C3导联运动想象脑电信号的平均功率一组C4 导联运动想象脑电信号的平均功率一组C3导联完全放松脑电信号的平均功率一组C4导联完全放松脑电信号的平均功率

步骤3.脑电信号频率特征的提取

当人们准备运动或想象肢体运动时,大脑感觉运动皮层的代谢和血流增加，同时进行信息加工，导致相应频段的脑电信号振荡的幅度降低或者阻滞，这种电生理现象称为“事件相关去同步”。大脑皮层这种工作模式反映了大脑可以通过抑制周围皮层区域的活动来提高焦点功能皮层区的激活程度。而大脑处于完全放松状态时,不具有此特性。这种现象通常用于区分运动现象状态和完全放松状态。

提取信号的频域特征最常用的方法就是傅立叶变换。傅立叶变换是最早研究频率的信号分析理论，也是目前发展最成熟的信号分析理论。傅立叶变换将时域与频域联系起来，使在时域内难以发现的特征在频域中得以显现。同样，经过傅立叶逆变换，频域信号可以变换到时域。傅立叶变换为信号架起了时域与频域间的桥梁。

傅立叶变换：

傅里叶逆变换：

能量谱密度描述的是信号或者时间序列的能量如何随着频率分布。如果信号 f(t)是一个有限能量信号，那么信号的能量谱密度Φ(ω)就是信号傅立叶变换幅值的平方：

通过对能量谱密度函数Φ(ω)进行积分，可求得信号在频率f₁到f₂之间的能量：

使用能量谱密度函数分别求得每组脑电信号在C3导联和C4导联处，运动想象状态和完全放松的脑电信号在Mu(8-12Hz)频段和Beta(18-25Hz)频段的能量值。

C3导联处，运动想象状态和完全放松的脑电信号在Mu(8-12Hz)频段的能量值组成一数据集。C4导联处，运动想象状态和完全放松的脑电信号在Mu(8-12Hz) 频段的能量值组成一数据集。C3导联处，运动想象状态和完全放松的脑电信号在Beta(12-25Hz)频段的能量值组成一数据集。C4导联处，运动想象状态和完全放松的脑电信号在Beta(12-25Hz)频段的能量值组成一数据集。这四个数据集将分别用于构建支持向量机模型。

步骤4.脑电信号分类

支持向量机(SVM)是基于小样本统计理论提出的一种新的机器学习方法，在处理小样本、非线性及高维向量上展现出其独特的优势，已成为机器学习、模式识别、信息提取等领域的研究热点，受到众多研究者的广泛关注。

本实施例中使用步骤三所得的四个数据集构建了四个支持向量机模型。

对支持向量机的定义为：假设一组样本集{((x_i,y_i)|x_i∈R^d,i＝1,2,…,n)}，其中x_i是d维的特征向量，y_i表示样本类别，二分类问题有两个类别标识{+1,-1}， +1为正类，-1为负类。通常情况下，样本数据是线性不可分的，SVM通过将样本数据从原始的不可分空间映射到一个高维可分空间，将原来线性不可分的样本数据转化成了线性可分的，然后建立了一个最大间隔超平面，这个最大间隔超平面通过一个决策函数表示，就是SVM训练得到的模型，使得两边的样本数据到超平面的距离最大化。

求解最大间隔超平面(即得到模型，算法本质是解如下的二次规划问题)：

s.t y_i(ω^TΦ(x_i)+b)≥1-ξ_i

ξ_i≥0,i＝1,2…,n

其中，ω表示垂直于超平面的法向量，b表示偏移，松弛变量ξ_i用于衡量实际指示值y_i与SVM输出之间的距离。C为惩罚因子，控制对错分样本惩罚的程度，实现错分样本的比例与算法复杂度之间的折中。此外，本实施例中，采用径向基核函数，把数据从原空间映射到高维空间。

K(X_i,X_j)＝exp(-g||x_i-x_j||²),g>0

核参数g直接影响着SVM分类算法的复杂程度。本发明使用改进的网格寻优算法对SVM模型的惩罚因子C和核参数g进行优化选择。它能在大幅度减少参数寻优时间的同时，仍使SVM获取较高的学习精度。所述改进的网格寻优算法如下：

4.1粗估计SVM模型的惩罚因子C和核参数g的范围，作为惩罚因子C和核参数g的初始搜索范围，并根据搜索范围确定搜索步长L，如：C∈[2^-8,2⁸]，g∈ [2^-8,2⁸]，搜索步长L均为2²。

4.2本发明采用十折交叉验证的精度测试方法来得到一个可靠稳定的模型。所述10折交叉验证包括：将一个数据及集分成大小相同的10个子集，每一轮将其中 9个子集作为训练集生成SVM模型，将剩下的一个子集作为测试集，将训练得到的SVM模型在测试集上进行性能验证，以准确度作为验证指标。总共进行10 轮，每一轮分别取不同的子集进行验证，10次的平均性能，作为交叉验证的输出结果。

4.3以惩罚因子C和核参数g为坐标系的坐标，根据步骤(2.4.1)选定的C和g 初始搜索范围构成一个二维网格，在每个网格节点上，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率，即根据构成二维网格中的每一组惩罚因子和核参数的值，计算得到对应的预测准确率，预测准确率最高的那组惩罚参数和核参数的值作为当前最优参数组合(C₁,g₁)，设为(2²,2^-2)。如果有多组的C和 g对应于最高的验证分类准确率，就选取能够达到最高验证分类准确率的组合中参数C最小的那组C和g作为最佳的参数，如果对应最小的C有多组g，就选取搜索到的第一组C和g作为最佳的参数。

4.4根据当前最优参数组合(C₁,g₁)，以其为中心，扩展±L范围，得到新的搜索范围，进行进一步网格搜索，根据新的搜索范围调整步长，此时搜索步长对应缩小，即在(2²,2^-2)附近±2²的范围内进行更精密的网格搜索，新的搜索范围为：C∈ [2⁰,2⁴]，g∈[2^-4,2⁰]，搜索步长L均为2^0.5。

4.5以惩罚因子和核参数为坐标系的坐标，根据步骤(2.4.4)确定新的搜索范围构成一个新的二维网格，对应新的二维网格上每一组的惩罚因子和核参数的值，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率。

4.6从步骤4.5中计算得到的结果中，选择一组使得使得预测准确率最高的惩罚因子和核参数值作为最优的C和g。

4.7这里两次搜索基本可以确定参数的大小，而且已经能够达到很高的分类准确率。

步骤5对比验证

采用普通的网格寻优算法，基于四个数据集，分别建立了四个支持向量机模型。对比两种算法的准确率和耗时。结果表明：基于改良的网格寻优算法的支持向量机模型，能在保证准确率的情况下，缩短建模耗时，说明本发明提出的基于能量特征的运动想象脑电信号的识别方法，有利于实时BCI的实现。

Claims (9)

1.一种基于能量特征的运动想象脑电信号的识别方法，其特征在于包括EEG信号采集阶段、信号预处理阶段、信号频率特征提取阶段、信号分类阶段和对比验证阶段。

2.如权利要求1所述EEG信号采集阶段，采集了受试者运动想象时和完全放松时的脑电信号。

3.如权利要求1所述EEG信号预处理阶段，采用脑电功率叠加平均方法获得纯净的脑电信号。

4.如权利要求1所述EEG信号频率特征提取阶段，使用能量谱密度函数分别求得C3导联和C4导联，运动想象状态和完全放松的脑电信号在Mu(8-12Hz)频段和Beta(18-25Hz)频段的能量值。得到了四个数据集

。

5.如权利要求4所述的四个数据集，分别包括：C3导联中运动想象状态和完全放松的脑电信号的Mu(8-12Hz)频段的能量值、C4导联中运动想象状态和完全放松的脑电信号的Mu(8-12Hz)频段的能量值、C3导联中运动想象状态和完全放松的脑电信号的Beta(18-25Hz)频段的能量值、以及C4导联中运动想象状态和完全放松的脑电信号的Beta(18-25Hz)频段的能量值。

6.如权利要求1所述的信号分类阶段，基于权利要求5所述的四个数据集，分别构造了四个支持向量机的决策函数。其中，支持向量机采用了径向基核函数。

7.如权利要求6所述的支持向量机模型的惩罚因子C和核参数g，使用一种改进的网格寻优算法对其进行优化。

8.如权利要求7所述的改进的网格寻优算法步骤如下：

(1)粗估计SVM模型的惩罚因子C和核参数g的范围，作为惩罚因子C和核参数g的初始搜索范围，并根据搜索范围确定搜索步长L；

(2)以惩罚因子和核参数为坐标系的坐标，根据选定的C、g初始搜索范围构成一个二维网格，每个格点表示一个参数组合(C,g)。对所有参数组合用SVM进行训练，按照十折交叉验证的方法计算样本预测准确率，预测准确率最高的那组惩罚因子和核参数作为当前最优参数组合(C₁,g₁)。

(3)根据最优参数组合(C₁,g₁)，以其为中心，扩展±L范围，得到新的搜索范围，进行进一步网格搜索，根据新的搜索范围调整搜索步长。

(4)以惩罚因子和核参数为坐标系的坐标，根据新的搜索范围构成了一个新的二维网格，每个格点表示一个参数组合(C,g)。对所有参数组合用SVM进行训练，按照十折交叉验证的方法计算样本预测准确率。

(5)从步骤(4)得到的结果中，选择一组使得预测准确率最高的惩罚因子和核参数值作为最优的C、g。

9.如权利要求1所述的对比验证阶段包括：基于权利要求5所述的四个数据集，分别构造了四个支持向量机的决策函数。使用普通的网格寻优算法对每个支持向量机的惩罚因子C和核参数g进行优化。然后对比使用改良的网格寻优算法和使用普通的网格寻优算法时，得到的支持向量机模型的准确率和耗时。