CN108542383B - 基于运动想象的脑电信号识别方法、系统、介质及设备 - Google Patents

Abstract

基于运动想象的脑电信号识别方法、系统、介质及设备，包括：从脑电信号传感器获取多通道的原始脑电信号；对原始脑电信号滤波并筛除无关信号获取脑电滤波信号；根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量；根据参考导联计算每一通道中的信号分量获取分量筛选值，根据分量筛选值筛选信号分量并将筛选的各个通道的信号分量相加得每一通道的重组信号；根据共空间模式提取重组信号中的特征信息；利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出，本发明筛选出不同个体脑电信号中跟任务相关信号，去除掉任务不相关的信号，提高脑机接口中脑电信号的识别准确。

Description

基于运动想象的脑电信号识别方法、系统、介质及设备

技术领域

本发明涉及一种脑电信号识别方法，特别是涉及一种基于运动想象的脑电信号识别方法、系统、介质及设备。

背景技术

随着机器学习、心理学、认知神经科学、信号处理、通信与控制等不同学科的不断发展和融合，脑机接口(Brain Computer Interface，BCI)技术在过去的40年里得到了飞速发展。脑机接口旨在在大脑和外接设备之间搭建一座桥梁，是一种能够为人类提供新颖的交流方式的通讯系统。通过脑机接口，人类可以直接用人体的生理信号如脑电信号(Electrocephalogram，EEG)来控制外接设备，因此这种系统可以为残障人士的生活提供便利。

尽管目前有很多生理信号可以用于脑机接口的控制，如脑电信号、基于血氧信息的功能性近红外信号(functional Near Infrared Signal，fNIRS)、脑磁图(Megnetoencephalography,MEG)、功能性磁共振成像信号(functional MagneticResonance Imaging,fMRI)等，但是出于时间分辨率、空间分辨率和设备成本等诸多方面的考虑，脑电信号一直是脑机接口的主要控制信号。而在可用于控制脑机接口的多种脑电信号中，基于运动想象(Motor Imagery，MI)的脑电信号是非常常用的。MI信号的主要神经学基础是在大脑受到运动想象(即想象自己的肢体运动)任务的刺激时，某些区域的脑电节律会增强，叫做事件相关同步，与此同时，另一些区域的脑电节律会减弱。并且这些节律的变化范围在8-30Hz。很多研究表明运动想象信号可以产生易于分辨的信号种类，并且成功用于BCI的控制，

现有技术的脑电信号识别方法存在因人脑电信号的差异性导致用统一的信号识别方法信号识别准确度不高的技术问题。

发明内容

鉴于以上现有技术存在因人脑电信号的差异性导致用统一的信号识别方法信号识别准确度不高的技术问题，本发明的目的在于提供一种基于运动想象的脑电信号识别方法，包括：从脑电信号传感器获取多通道的原始脑电信号；对原始脑电信号滤波并筛除无关信号获取脑电滤波信号；根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量；根据参考导联计算每一通道中的信号分量获取分量筛选值，根据分量筛选值筛选信号分量并将筛选的各个通道的信号分量相加得每一通道的重组信号；根据共空间模式提取重组信号中的特征信息；利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出。

于本发明的一实施方式中，根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量步骤具体包括：接收脑电滤波信号，将脑电滤波信号作为输入；根据多元经验模式分解方法将每一通道中的脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量，i为通道编号。

于本发明的一实施方式中，据参考导联计算每一通道中的信号分量得分量筛选值，根据分量筛选值筛选信号分量并相加得每一通道的重组信号的步骤具体包括：根据信号分量的震荡模式选取参考导联C3及参考导联C4；以参考导联C3及参考导联C4对应的信号分量IMF^C3 _j,IMF^C4 _j计算分类筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目；判断分量筛选值δ是否大于预设阈值；若是，则保留所有导联中的第j个信号分量IMF；若否，则筛除第j个信号分量IMF；将保留的信号分量IMF相加得重组信号。

于本发明的一实施方式中，根据共空间模式提取重组信号中的特征信息的步骤具体包括：获取每一通道的重组信号并将重组信号作为信号样本；根据共空间模式算法增益各重组信号间差异性；根据差异性将信号样本分类得样本分类信息；组合样本分类信息得多类别样本的特征信息。

于本发明的一实施方式中，利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出的步骤具体包括：根据特征信息获取信号样本的多维特征信息；线性支持向量机对多维特征信息中的每一维特征信息赋予预设权重数据；获取信号样本的实际类别信息并根据实际类别信息训练权重数据；根据权重数据得到重组信号的类别信息；将类别信息作为输出控制信息发出。

于本发明的一实施方式中，一种基于运动想象的脑电信号识别系统，包括：脑电采集模块、滤波模块、信号分解模块、信号重组模块、特征提取模块与信号识别发出模块；脑电采集模块，用于从脑电信号传感器获取多通道的原始脑电信号；滤波模块，用于对原始脑电信号滤波并筛除无关信号获取脑电滤波信号，滤波模块与脑电采集模块连接；信号分解模块，用于根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量，信号分解模块与滤波模块连接；信号重组模块，用于根据参考导联计算每一通道中的信号分量获取分量筛选值，根据分量筛选值筛选信号分量并将筛选的各个通道的信号分量相加得每一通道的重组信号，信号重组模块与信号分解模块连接；特征提取模块，用于根据共空间模式提取重组信号中的特征信息，特征提取模块与信号重组模块连接；信号识别发出模块，用于利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出，信号识别发出模块与特征提取模块连接。

于本发明的一实施方式中，信号分解模块包括：滤波信号接收模块和多元模式分解模块；滤波信号接收模块，用于接收脑电滤波信号，将脑电滤波信号作为输入；多元模式分解模块，用于根据多元经验模式分解方法将每一通道中的脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量，多元模式分解模块与滤波信号接收模块连接。

于本发明的一实施方式中，信号重组模块，包括：导联选取模块、分量计算模块、筛选值判断模块、分量保留模块、分量筛除模块和分量相加模块；导联选取模块，用于根据信号分量的震荡模式选取参考导联C3及参考导联C4；分量计算模块，用于以参考导联C3及参考导联C4对应的信号分量IMF^C3 _j,IMF^C4 _j计算分类筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目，分量计算模块与导联选取模块连接；筛选值判断模块，用于判断分量筛选值δ是否大于预设阈值，筛选值判断模块与分量计算模块连接；分量保留模块，用于在分量筛选值δ大于预设阈值时，保留所有导联中的第j个信号分量IMF，分量保留模块与筛选值判断模块连接；分量筛除模块，用于在分量筛选值δ不大于预设阈值时，则筛除第j个信号分量IMF，分量筛除模块与筛选值判断模块连接；分量相加模块，用于将保留的信号分量IMF相加得重组信号，分类想加模块与分量保留模块连接。

于本发明的一实施方式中，特征提取模块，包括：重组信号获取模块、分类准备模块、样本分类信息模块和特征信息获取模块；重组信号获取模块，用于获取每一通道的重组信号并将重组信号作为信号样本；分类准备模块，用于根据共空间模式算法增益各重组信号间差异性，分类准备模块与重组信号获取模块连接；样本分类信息模块，用于根据差异性将信号样本分类得样本分类信息，样本分类信息模块与分类准备模块连接；特征信息获取模块，用于组合样本分类信息得多类别样本的特征信息，特征信息获取模块与样本分类信息模块连接。

于本发明的一实施方式中，信号识别发出模块，包括：多维特征获取模块、特征权重模块、类别训练模块、类别信息模块和类别信息发出模块；多维特征获取模块，用于根据特征信息获取信号样本的多维特征信息；特征权重模块，用于线性支持向量机对多维特征信息中的每一维特征信息赋予预设权重数据，特征权重模块与多维特征获取模块连接；类别训练模块，用于获取信号样本的实际类别信息并根据实际类别信息训练权重数据，类别训练模块与特征权重模块连接；类别信息模块，用于根据权重数据得到重组信号的类别信息，类别信息模块与类别训练模块连接；类别信息发出模块，用于将类别信息作为输出控制信息发出，类别信息发出模块与类别信息模块连接。

于本发明的一实施方式中，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于运动想象的脑电信号识别方法。

于本发明的一实施方式中，一种基于运动想象的脑电信号识别设备，包括：处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使基于运动想象的脑电信号识别设备执行基于运动想象的脑电信号识别方法。

如上所述，本发明提供的基于运动想象的脑电信号识别方法、系统、介质及设备，具有以下有益效果：本发明目的在于充分考虑脑电信号的个体差异性，筛选出不同个体脑电信号中跟任务相关的信号，去除掉任务不相关的信号，提高脑机接口中脑电信号的识别准确率。原始的多通道脑电信号首先经过滤波去除噪声，接着将过滤后的每个通道的信号分解成若干包含不同频率信息的子成分，对不同通道对应序号的子成分根据任务的相关程度进行筛选，剔除与任务相干相关程度较低的子成分，并用剩余信息组建新的脑电信号样本。然后对样本进行特征提取和模式分类，得到每个脑电信号样本的类别。

综上所述，本发明提供一种基于运动想象的脑电信号识别方法、系统、介质及设备，实现了一种个性化的基于运动想象的脑电信号识别方法，考虑到脑电信号存在的个体差异问题，筛选出对于每个人来说与运动想象任务最相关的信号，有利于提高共空间模式特征提取算法的性能，有利于提高脑电信号的识别准确率，对于脑机接口的实际应用有积极作用，解决了现有技术因人脑电信号的差异性导致用统一的信号识别方法信号识别准确度不高的技术问题。

附图说明

图1显示为本发明的一种基于运动想象的脑电信号识别方法步骤示意图。

图2显示为图1中步骤S3在一实施例中的具体流程图。

图3显示为图1中步骤S4在一实施例中的具体流程图。

图4显示为图1中步骤S5在一实施例中的具体流程图。

图5显示为图1中步骤S6在一实施例中的具体流程图。

图6显示为本发明的一种基于运动想象的脑电信号识别系统模块示意图。

图7显示为显示为图6中信号分解模块3在一实施例中的具体模块示意图。

图8显示为图6中信号重组模块4在一实施例中的具体模块示意图。

图9显示为图6中特征提取模块5在一实施例中的具体模块示意图。

图10显示为图6中信号识别发出模块6在一实施例中的具体模块示意图。

元件标号说明

1 脑电采集模块

2 滤波模块

3 信号分解模块

4 信号重组模块

5 特征提取模块

6 信号识别发出模块

31 滤波信号接收模块

32 多元模式分解模块

41 导联选取模块

42 分量计算模块

43 筛选值判断模块

44 分量保留模块

45 分量筛除模块

46 分量相加模块

51 重组信号获取模块

52 分类准备模块

53 样本分类信息模块

54 特征信息获取模块

61 多维特征获取模块

62 特征权重模块

63 类别训练模块

64 类别信息模块

65 类别信息发出模块

步骤标号说明

S1～S6 方法步骤

S31～S32 方法步骤

S41～S46 方法步骤

S51～S54 方法步骤

S61～S65 方法步骤

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图10，须知，本说明书所附图式所绘示的结构，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本实用新型所能产生的功效及所能达成的目的下，均应仍落在本实用新型所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如”上”、”下”、”左”、”右”、”中间”及”一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，显示为本发明的一种基于运动想象的脑电信号识别方法步骤示意图，如图1所示，一种基于运动想象的脑电信号识别方法，包括：

步骤S1、从脑电信号传感器获取多通道的原始脑电信号，本脑电信号识别系统的输入为从实验采集设备采集到的原始脑电信号，其中包含若干样本，每个样本为从多个采集通道采集到的脑电信号，每个通道信号由多个采样点组成；

步骤S2、对原始脑电信号滤波并筛除无关信号获取脑电滤波信号，对采集到的原始多通道运动想象信号，首先用带通滤波进行预处理，根据运动想象信号的神经学原理，只有8-30Hz的频带上才会出现稳定的跟运动想象任务相关的信号，因此首先对输入信号进行滤波，去除无关噪声。所选滤波器为5阶Butterworth带通滤波，滤波范围为8-30Hz。记滤波后的信号为

步骤S3、根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量，用多元经验模式分解(Multivariate Empirical Mode Decomposition)方法将每个通道的信号分解成若干子成分；

步骤S4、根据参考导联计算每一通道中的信号分量获取分量筛选值，根据分量筛选值筛选信号分量并将筛选的各个通道的信号分量相加得每一通道的重组信号，对不同通道相对应的子成分进行筛选，组成新的信号；

步骤S5、根据共空间模式提取重组信号中的特征信息，对重新构建的信号用共空间模式(Common Spatial Pattern，CSP)方法进行特征提取；

步骤S6、利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出，根据样本的特征用支持向量机(Support Vector Machine，SVM)进行分类，每个信号样本对应一个所属类别，类别的种类以及数目由实验的刺激范式决定，识别系统是一个信号分析模型，可以根据输入信号的特点判断出其所属类别。信号经由系统分析之后得到的输出即为每个信号样本的类别信息，这些不同类别的信息将由控制系统转化为不同的命令，用于控制外界设备。

请参阅图2，显示为图1中步骤S3在一实施例中的具体流程图，具体包括：

步骤S31、接收脑电滤波信号，将脑电滤波信号作为输入，首先用户u从信号采集设备采集得到原始的多通道脑电信号作为系统输入，每个信号样本由多个通道的采样信号组成，记每个信号样本为

其中N为通道数，T为每个通道的采样点数；

步骤S32、根据多元经验模式分解方法将每一通道中的脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量，i为通道编号，每个分量均代表了一种震荡模式，单个样本中，各个通道对应的第j个IMF分量的震荡模式基本类似。

请参阅图3，显示为图1中步骤S4在一实施例中的具体流程图，具体包括：

步骤S41、根据信号分量的震荡模式选取参考导联C3及参考导联C4，可以选取少量参考导联，根据参考导联的IMF分量对所有导联的数据进行操作；

步骤S42、以参考导联C3及参考导联C4对应的信号分量IMF^C3 _j,IMF^C4 _j计算分类筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目，以两个导联对应位置的I分量IMF^C3 _j,IMF^C4 _j的计算结果作为该位置IMF成分是否保留的依据；

步骤S43、判断分量筛选值δ是否大于预设阈值，如果δ大于30％，则所有导联的第j个IMF分量予以保留。将保留的各个通道的IMF分量相加得到新的信号样本；

步骤S44、若是，则保留所有导联中的第j个信号分量IMF，将该通道的所有被保留的信号分量IMF放入保留分量信号集中，各个通道的分量生成流程相同；

步骤S45、若否，则筛除第j个信号分量IMF，如果δ不大于30％，则所有导联的第j个IMF分量被系统自动筛除；

步骤S46、将保留的信号分量IMF相加得重组信号，将每个通道的信号分解成若干子成分并筛选后再相加重组得到重组信号，各个通道的被保留信号重组流程相同。

请参阅图4，显示为图1中步骤S5在一实施例中的具体流程图，具体包括：

步骤S51、获取每一通道的重组信号并将重组信号作为信号样本，各个通道的脑电信号分量重组，每个通道都重组出其自身对应的重组信号；

步骤S52、根据共空间模式算法增益各重组信号间差异性，假设信号样本的所属类别有两类，CSP方法将扩大其中一类信号成分，同时缩小另一类信号成分，提取到的特征是两类信号在同一个样本里的能量信息，由于两类信号的差异性被最大化，因此得到的特征可以很好的用于区分样本类别；

步骤S53、根据差异性将信号样本分类得样本分类信息，对重新组建后的信号样本，用共空间模式(Common Spatial Pattern，CSP)算法进行特征提取；

步骤S54、组合样本分类信息得多类别样本的特征信息，而如果信号样本的信号类别有多个，CSP将每次最大化一种类别信号与其他类别成分，两两组合得到多类别样本的特征。

请参阅图5，显示为图1中步骤S6在一实施例中的具体流程图，具体包括：

步骤S61、根据特征信息获取信号样本的多维特征信息，系统对所有通道的经过分解和重组脑电信号进行接收和分析，不同的特征对应不同的特征信息，根据不同的特征信息从信号样本中分析出各种脑电控制项目的特征信息；

步骤S62、线性支持向量机对多维特征信息中的每一维特征信息赋予预设权重数据，线性支持向量机对样本的每一维特征数赋予一个权重；

步骤S63、获取信号样本的实际类别信息并根据实际类别信息训练权重数据，根据样本的真实类别对权重进行训练，得到的最佳权重组成一个分类平面，将各个样本分离开来；

步骤S64、根据权重数据得到重组信号的类别信息，根据权重数据判断每一通道的重组信号的所属类别；

步骤S65、将类别信息作为输出控制信息发出，信号经由系统分析之后得到的输出即为每个信号样本的类别信息。这些不同类别的信息将由控制系统转化为不同的命令，用于控制外界设备。

请参阅图6，显示为本发明的一种基于运动想象的脑电信号识别系统模块示意图，如图6所示，一种基于运动想象的脑电信号识别系统，包括：脑电采集模块1、滤波模块2、信号分解模块3、信号重组模块4、特征提取模块5与信号识别发出模块6；脑电采集模块1，用于从脑电信号传感器获取多通道的原始脑电信号，本脑电信号识别系统的输入为从实验采集设备采集到的原始脑电信号，其中包含若干样本，每个样本为从多个采集通道采集到的脑电信号，每个通道信号由多个采样点组成；滤波模块2，用于对原始脑电信号滤波并筛除无关信号获取脑电滤波信号，对采集到的原始多通道运动想象信号，首先用带通滤波进行预处理，根据运动想象信号的神经学原理，只有8-30Hz的频带上才会出现稳定的跟运动想象任务相关的信号，因此首先对输入信号进行滤波，去除无关噪声。所选滤波器为5阶Butterworth带通滤波，滤波范围为8-30Hz。记滤波后的信号为

滤波模块2与脑电采集模块1连接；信号分解模块3，用于根据预设分解方法将每一通道中的脑电滤波信号分解为预设数目的信号分量，用多元经验模式分解(Multivariate Empirical ModeDecomposition)方法将每个通道的信号分解成若干子成分，信号分解模块3与滤波模块2连接；信号重组模块4，用于根据参考导联计算每一通道中的信号分量获取分量筛选值，根据分量筛选值筛选信号分量并将筛选的各个通道的信号分量相加得每一通道的重组信号，对不同通道相对应的子成分进行筛选，组成新的信号，信号重组模块4与信号分解模块3连接；特征提取模块5，用于根据共空间模式提取重组信号中的特征信息，对重新构建的信号用共空间模式(Common Spatial Pattern，CSP)方法进行特征提取，特征提取模块5与信号重组模块4连接；信号识别发出模块6，用于利用线性支持向量机对特征信息得信号样本进行分类，根据信号样本的类别识别每一通道中的重组信号的类别信息并发出，根据样本的特征用支持向量机(Support Vector Machine，SVM)进行分类，每个信号样本对应一个所属类别，类别的种类以及数目由实验的刺激范式决定，识别系统是一个信号分析模型，可以根据输入信号的特点判断出其所属类别。信号经由系统分析之后得到的输出即为每个信号样本的类别信息，这些不同类别的信息将由控制系统转化为不同的命令，用于控制外界设备，信号识别发出模块6与特征提取模块5连接。

请参阅图7，显示为图6中信号分解模块3在一实施例中的具体模块示意图，如图7所示，信号分解模块3包括：滤波信号接收模块31和多元模式分解模块32；滤波信号接收模块31，用于接收脑电滤波信号，将脑电滤波信号作为输入，首先用户u从信号采集设备采集得到原始的多通道脑电信号作为系统输入，每个信号样本由多个通道的采样信号组成，记每个信号样本为

其中N为通道数，T为每个通道的采样点数；多元模式分解模块32，用于根据多元经验模式分解方法将每一通道中的脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量，每个分量均代表了一种震荡模式，单个样本中，各个通道对应的第j个IMF分量的震荡模式基本类似，多元模式分解模块32与滤波信号接收模块31连接。

请参阅图8，显示为图6中信号重组模块4在一实施例中的具体模块示意图，如图8所示，信号重组模块4，包括：导联选取模块41、分量计算模块42、筛选值判断模块43、分量保留模块44、分量筛除模块45和分量相加模块46；导联选取模块41，用于根据信号分量的震荡模式选取参考导联C3及参考导联C4，可以选取少量参考导联，根据参考导联的IMF分量对所有导联的数据进行操作；分量计算模块42，用于以参考导联C3及参考导联C4对应的信号分量IMF^C3 _j,IMF^C4 _j计算分类筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目，以两个导联对应位置的I分量IMF^C3 _j,IMF^C4 _j的计算结果作为该位置IMF成分是否保留的依据，分量计算模块42与导联选取模块41连接；筛选值判断模块43，用于判断分量筛选值δ是否大于预设阈值，如果δ大于30％，则所有导联的第j个IMF分量予以保留。将保留的各个通道的IMF分量相加得到新的信号样本，筛选值判断模块43与分量计算模块42连接；分量保留模块44，用于在分量筛选值δ大于预设阈值时，保留所有导联中的第j个信号分量IMF，将该通道的所有被保留的信号分量IMF放入保留分量信号集中，各个通道的分量生成流程相同，分量保留模块44与筛选值判断模块43连接；分量筛除模块45，用于在分量筛选值δ不大于预设阈值时，则筛除第j个信号分量IMF，如果δ不大于30％，则所有导联的第j个IMF分量被系统自动筛除，分量筛除模块45与筛选值判断模块43连接；分量相加模块46，用于将保留的信号分量IMF相加得重组信号，各个通道的被保留信号重组流程相同，分类想加模块46与分量保留模块44连接。

请参阅图9，显示为图6中特征提取模块5在一实施例中的具体模块示意图，如图9所示，特征提取模块5，包括：重组信号获取模块51、分类准备模块52、样本分类信息模块53和特征信息获取模块54；重组信号获取模块51，用于获取每一通道的重组信号并将重组信号作为信号样本，各个通道的脑电信号分量重组，每个通道都重组出其自身对应的重组信号；分类准备模块52，用于根据共空间模式算法增益各重组信号间差异性，假设信号样本的所属类别有两类，CSP方法将扩大其中一类信号成分，同时缩小另一类信号成分，提取到的特征是两类信号在同一个样本里的能量信息，由于两类信号的差异性被最大化，因此得到的特征可以很好的用于区分样本类别，分类准备模块52与重组信号获取模块51连接；样本分类信息模块53，用于根据差异性将信号样本分类得样本分类信息，对重新组建后的信号样本，用共空间模式(Common Spatial Pattern，CSP)算法进行特征提取，样本分类信息模块53与分类准备模块52连接；特征信息获取模块54，用于组合样本分类信息得多类别样本的特征信息，而如果信号样本的信号类别有多个，CSP将每次最大化一种类别信号与其他类别成分，两两组合得到多类别样本的特征，特征信息获取模块54与样本分类信息模块53连接。

请参阅图10，显示为图6中信号识别发出模块6在一实施例中的具体模块示意图，如图10所示，信号识别发出模块6，包括：多维特征获取模块61、特征权重模块62、类别训练模块63、类别信息模块64和类别信息发出模块65；多维特征获取模块61，用于根据特征信息获取信号样本的多维特征信息，系统对所有通道的经过分解和重组脑电信号进行接收和分析，不同的特征对应不同的特征信息，根据不同的特征信息从信号样本中分析出各种脑电控制项目的特征信息；特征权重模块62，用于线性支持向量机对多维特征信息中的每一维特征信息赋予预设权重数据，线性支持向量机对样本的每一维特征数赋予一个权重，特征权重模块62与多维特征获取模块61连接；类别训练模块63，用于获取信号样本的实际类别信息并根据实际类别信息训练权重数据，根据样本的真实类别对权重进行训练，得到的最佳权重组成一个分类平面，将各个样本分离开来，类别训练模块63与特征权重模块62连接；类别信息模块64，用于根据权重数据得到重组信号的类别信息，类别信息模块64与类别训练模块63连接；类别信息发出模块65，用于将类别信息作为输出控制信息发出，信号经由系统分析之后得到的输出即为每个信号样本的类别信息。这些不同类别的信息将由控制系统转化为不同的命令，用于控制外界设备，类别信息发出模块65与类别信息模块64连接。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于运动想象的脑电信号识别方法，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

一种基于运动想象的脑电信号识别设备，包括：处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使基于运动想象的脑电信号识别设备执行基于运动想象的脑电信号识别方法，存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

综上所述，本发明提供的一种基于运动想象的脑电信号识别方法、系统、介质及设备，具有以下有益效果：实现了一种个性化的基于运动想象的脑电信号识别方法，考虑到脑电信号存在的个体差异问题，筛选出对于每个人来说与运动想象任务最相关的信号，有利于提高共空间模式特征提取算法的性能，有利于提高脑电信号的识别准确率，对于脑机接口的实际应用有积极作用，本发明对采集到的原始多通道运动想象信号，首先用带通滤波进行预处理。接着用多元经验模式分解(Multivariate Empirical Mode Decomposition)方法将每个通道的信号分解成若干子成分，对不同通道相对应的子成分进行筛选，组成新的信号。然后对重新构建的信号用共空间模式(Common Spatial Pattern，CSP)方法进行特征提取，根据样本的特征用支持向量机(Support Vector Machine，SVM)进行分类，本发明提供一种基于运动想象的脑电信号识别方法、系统、介质及设备，解决了现有技术因人脑电信号的差异性导致用统一的信号识别方法信号识别准确度不高的技术问题，具有很高的商业价值和实用性。

Claims (8)

1.一种基于运动想象的脑电信号识别方法，其特征在于，包括：

从脑电信号传感器获取多通道的原始脑电信号；

对所述原始脑电信号滤波并筛除无关信号获取脑电滤波信号；

根据预设分解方法将每一通道中的所述脑电滤波信号分解为预设数目的信号分量；

根据参考导联计算每一通道中的所述信号分量获取分量筛选值，根据所述分量筛选值筛选所述信号分量并将筛选的各个通道的所述信号分量相加得到每一通道的重组信号，具体包括：

根据所述信号分量的震荡模式选取参考导联C3及参考导联C4；

以所述参考导联C3及所述参考导联C4对应的所述信号分量IMF^C3 _j,IMF^C4 _j计算所述分量筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为所述信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目；

判断所述分量筛选值δ是否大于预设阈值；

若是，则保留所有导联中的第j个所述信号分量IMF；

若否，则筛除第j个所述信号分量IMF；

将保留的所述信号分量IMF相加得到所述重组信号；

根据共空间模式提取所述重组信号中的特征信息；

利用线性支持向量机对所述特征信息的信号样本进行分类，根据所述信号样本的类别识别每一通道中的所述重组信号的类别信息并发出，具体包括：

根据所述特征信息获取信号样本的多维特征信息；

所述线性支持向量机对所述多维特征信息中的每一维特征信息赋予预设权重数据；

获取所述信号样本的实际类别信息并根据所述实际类别信息训练所述权重数据；

根据所述权重数据得到所述重组信号的所述类别信息；

将所述类别信息作为输出控制信息发出。

2.根据权利要求1所述的方法，其特征在于，所述根据预设分解方法将每一通道中的所述脑电滤波信号分解为预设数目的信号分量具体包括：

接收所述脑电滤波信号，将所述脑电滤波信号作为输入；

根据多元经验模式分解方法将每一通道中的所述脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量，i为通道编号。

3.根据权利要求1所述的方法，其特征在于，所述根据共空间模式提取所述重组信号中的特征信息具体包括：

获取每一通道的所述重组信号并将所述重组信号作为信号样本；

根据共空间模式算法增益各重组信号间差异性；

根据所述差异性将所述信号样本分类得到样本分类信息；

组合所述样本分类信息得到多类别样本的特征信息。

4.一种基于运动想象的脑电信号识别系统，其特征在于，包括：脑电采集模块、滤波模块、信号分解模块、信号重组模块、特征提取模块与信号识别发出模块；

所述脑电采集模块，用于从脑电信号传感器获取多通道的原始脑电信号；

所述滤波模块，用于对所述原始脑电信号滤波并筛除无关信号获取脑电滤波信号；

所述信号分解模块，用于根据预设分解方法将每一通道中的所述脑电滤波信号分解为预设数目的信号分量；

所述信号重组模块，包括：导联选取模块、分量计算模块、筛选值判断模块、分量保留模块、分量筛除模块和分量相加模块，用于根据参考导联计算每一通道中的所述信号分量获取分量筛选值，根据所述分量筛选值筛选所述信号分量并将筛选的各个通道的所述信号分量相加得到每一通道的重组信号，具体包括：

所述导联选取模块，用于根据所述信号分量的震荡模式选取参考导联C3及参考导联C4；

所述分量计算模块，用于以所述参考导联C3及所述参考导联C4对应的所述信号分量IMF^C3 _j,IMF^C4 _j计算所述分量筛选值，具体计算方式为：

其中δ为分量筛选值，IMF为所述信号分量，C3、C4为参考导联，j为信号分量序号，n为单个通道的信号分量数目；

所述筛选值判断模块，用于判断所述分量筛选值δ是否大于预设阈值；

所述分量保留模块，用于在所述分量筛选值δ大于所述预设阈值时，保留所有导联中的第j个所述信号分量IMF；

所述分量筛除模块，用于在所述分量筛选值δ不大于所述预设阈值时，则筛除第j个所述信号分量IMF；将保留的所述信号分量IMF相加得到所述重组信号；

所述分量相加模块，用于将保留的所述信号分量IMF相加得到所述重组信号；

所述特征提取模块，用于根据共空间模式提取所述重组信号中的特征信息；

所述信号识别发出模块，包括：多维特征获取模块、特征权重模块、类别训练模块、类别信息模块和类别信息发出模块，用于利用线性支持向量机对所述特征信息的信号样本进行分类，根据所述信号样本的类别识别每一通道中的所述重组信号的类别信息并发出，具体包括：

所述多维特征获取模块，用于根据所述特征信息获取信号样本的多维特征信息；

所述特征权重模块，用于所述线性支持向量机对所述多维特征信息中的每一维特征信息赋予预设权重数据；

所述类别训练模块，用于获取所述信号样本的实际类别信息并根据所述实际类别信息训练所述权重数据；

所述类别信息模块，用于根据所述权重数据得到所述重组信号的所述类别信息；

所述类别信息发出模块，用于将所述类别信息作为输出控制信息发出。

5.根据权利要求4所述的系统，其特征在于，所述信号分解模块包括：滤波信号接收模块和多元模式分解模块；

所述滤波信号接收模块，用于接收所述脑电滤波信号，将所述脑电滤波信号作为输入；

所述多元模式分解模块，用于根据多元经验模式分解方法将每一通道中的所述脑电滤波信号分解为分量{IMFⁱ ₁,IMFⁱ ₂,…,IMFⁱ _j,…,IMFⁱ _n},i＝1,…,N，其中n为单个通道的IMF数目，IMF为固有模态函数分量。

6.根据权利要求4所述的系统，其特征在于，所述特征提取模块，包括：重组信号获取模块、分类准备模块、样本分类信息模块和特征信息获取模块；

所述重组信号获取模块，用于获取每一通道的所述重组信号并将所述重组信号作为信号样本；

所述分类准备模块，用于根据共空间模式算法增益各重组信号间差异性；

所述样本分类信息模块，用于根据所述差异性将所述信号样本分类得到样本分类信息；

所述特征信息获取模块，用于组合所述样本分类信息得到多类别样本的特征信息。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至2中任一项所述基于运动想象的脑电信号识别方法。

8.一种基于运动想象的脑电信号识别设备，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述基于运动想象的脑电信号识别设备执行如权利要求1至2中任一项所述基于运动想象的脑电信号识别方法。

Images