CN108710895B - 基于独立分量分析的运动想象脑电信号分类方法 - Google Patents
基于独立分量分析的运动想象脑电信号分类方法 Download PDFInfo
- Publication number
- CN108710895B CN108710895B CN201810366834.2A CN201810366834A CN108710895B CN 108710895 B CN108710895 B CN 108710895B CN 201810366834 A CN201810366834 A CN 201810366834A CN 108710895 B CN108710895 B CN 108710895B
- Authority
- CN
- China
- Prior art keywords
- motor imagery
- main
- independent component
- component analysis
- electrodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 210000000337 motor cortex Anatomy 0.000 claims description 4
- 210000004761 scalp Anatomy 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于独立分量分析的运动想象脑电信号分类方法,包括以下步骤:S1:采集脑电信号并对脑电信号进行预处理,将预处理后的脑电信号随机分为训练集和测试集;S2:将训练集数据依次选择单次试验样本数据进行独立分量分析计算,并基于源的空间分布模式实现运动相关分量的自动识别获取;S3:基于零训练分类器的运动想象分类识别;S4:使用训练集数据进行导联的优化选择,将优化后的导联代入测试集,循环步骤S2和S3,得到最终的分类识别率。本发明可以减少由采集的EEG数据之间的差异性所带来的空域模型匹配问题产生,对运动想象EEG信号具有较高的识别正确率。
Description
技术领域
本发明涉及脑-机接口技术领域,特别是涉及一种基于独立分量分析的运动想象脑电信号分类方法。
背景技术
脑-机接口(Brain Computer Interaction,BCI)是一种新型的人机交互方式,通过读取和分析受试者的大脑神经电生理信号,来实现人脑对外部设备的直接控制。脑电(Electroencephalography,EEG)信号利用头皮电极记录了大脑神经元的同步电生理活动,由于其具有较高的时间分辨率,易操作等优点,被广泛应用于脑-机接口系统中。
研究表明,肢体的真实运动和大脑想象运动均会造成大脑运动皮层特定区域的血流量和脑代谢的改变,表现为不同区域的EEG信号mu节律和beta节律的能量衰减和增加,这种现象称之为事件相关同步化/去同步化(Event Related Synchronization/Desynchronization,ERS/ERD)。运动想象BCI(motor imagery BCI,MIBCI)是一种自发的脑-机接口系统,它基于人脑在进行肢体运动想象过程中所产生的ERS/ERD现象来实现不同运动想象模式的分类判别,从而产生各种控制命令。目前,MIBCI系统主要应用于帮助肢体残疾群体控制轮椅,运动功能的康复训练以及游戏开发等领域。
然而,由于大脑的容积传导效应,使得采集到的EEG信号中不可避免的存在各种噪声干扰,如眼电、心电、肌电等。独立分量分析(Independent ComponentAnalysis,ICA)是一种盲源分离方法,可以从多导EEG信号中分离出任务相关的神经源和各种伪迹干扰,因此,被广泛的应用于EEG信号的去噪和任务相关源的提取。
ICA算法在MIBCI系统实施过程中主要存在以下不足:(1)对导联的选择比较敏感,使用不同导联数据设计ICA空域滤波器,得到的分类性能差距较大。使用较多的导联会增加引入噪声干扰的可能性,而较少的导联则不能提供足够的信息分离出任务相关的神经源;(2)对数据质量的敏感,ICA算法可以从多导原始EEG信号中分离出空间位置固定而时域上独立的信号源,但是一些突发伪迹干扰(如:由身体的突然移动或电极脱落等引起的)由于持续时间较短,不能从原始EEG信号中分离出来,因此,数据质量的好坏也是影响ICA算法的关键因素之一;(3)不同受试者之间或同一受试者不同时期采集的数据之间模型匹配困难。由于个体差异性,使得不同受试者之间的脑电信号差异较大,即使是同一受试者,由于不同时期受试者的精神状态和环境等诸多因素的变化,使得空域滤波器在受试者之间(Subject-to-Subject)以及组间(Sesssion-to-Session)交叉验证时,所获得的分类性能较低。
因此亟需提供一种新型的基于独立分量分析的运动想象脑电信号分类方法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于独立分量分析的运动想象脑电信号分类方法,能够提高分类识别率和改善BCI系统的实用性。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于独立分量分析的运动想象脑电信号分类方法,包括以下步骤:
S1:实验数据的采集:采集脑电信号并对脑电信号进行预处理,将预处理后的脑电信号随机分为训练集和测试集;
S2:基于单次试验样本的空域滤波器训练:将训练集数据依次选择单次试验样本数据进行独立分量分析计算,并基于源的空间分布模式实现运动相关分量的自动识别获取;
S3:基于零训练分类器的运动想象分类识别;
S4:导联的优化选择:使用训练集数据进行导联的优化选择,将优化后的导联代入测试集,循环步骤S2和S3,得到最终的分类识别率。
在本发明一个较佳实施例中,步骤S1的具体步骤包括:
根据标准10-20系统,使用14个头皮电极{Fp1,Fp2,FC3,FCz,FC4,C3,Cz,C4,CP3,CPz,CP4,O1,Oz,O2}记录左手、右手和脚三类运动想象数据X=[x1,x2,...,xN]T(N=1,2...,14),并对采集的原始脑电数据进行带通滤波和归一化处理,然后将归一化后的脑电信号随机分为训练集和测试集。
进一步的,对脑电信号进行带通滤波的截止频率为8-30Hz。
在本发明一个较佳实施例中,所述步骤S2的具体步骤包括:
S21:基于单次试验样本数据的ICA算法设计:从训练集中依次选择单次实验数据设计ICA空域滤波器W,并计算分离后的独立源S和源的空间分布模式A;
S22:运动相关独立分量的自动获取:依据源的空间分布模式A,从分离出的独立源S中自动识别出和左手、右手和脚三类运动想象相关的独立分量{sl,sr,sf},并得到对应的空域滤波器{wl,wr,wf}。
进一步的,在步骤S21中,独立分量分析算法包括以下步骤:
S211:输入EEG信号X、学习率lrate和迭代次数Num;
S212:初始化分离矩阵W,迭代次数i;
W=eye(N)/100;i=0
S213:分离矩阵W的迭代公式如下:
i=i+1;s=w x
ΔW={I-E[sign(S)ST+ssT]}W
W←W+1rate*ΔW
S214:重复步骤S213,直到i<Num,输出分离矩阵W;
S215:计算源信号S,并进行方差归一化处理:
S←S/diag[std(S)]
W←W/diag[std(S)]
S216:计算混合矩阵A。
A=W-1
进一步的,在步骤S22中,对应于左手、右手和脚三类运动想象相关的独立源{sl,sr,sf}的自动识别算法,包括以下步骤:
S221:从{FC4,C4,CP4},{FC3,C3,CP3}和{FCz,Cz,CPz}三组电极中分别选择1个电极作为运动相关的主电极,记录三个主电极{main_l,main_r,main_f}在原始EEG信号X=[x1,x2,...,xM]T中的排列位置Pi,Pj,Pk;
S222:计算绝对值混合矩阵|A|的每一列的最大值,并记录每列|ai|中最大值的位置imax(i):如果imax(i)=Pi,则分离出的源S中第i个源si即为sl;依次类推,如果imax(i)=Pj,则分离出的源S中第i个源si即为sr;如果imax(i)=Pk,则分离出的源S中第i个源si即为sf;
S223:如果在混合矩阵|A|同时存在三列|ai|,|aj|,|ak|,这三列中最大值的元素分别为|aPi,i|,|aPj,j|,|aPk,k|,则判定此次计算为有效计算,否则,判定此次计算为无效计算,并将该单次实验样本从训练集中剔除。
在本发明一个较佳实施例中,所述步骤S3的具体步骤包括:
将步骤S2中识别出的三个运动相关独立分量{sl,sr,sf}进行带通滤波,得到事件相关同步化和去同步化现象较明显的频带范围内的运动相关独立分量信号{s11,s1r,s1f},并计算其运动想象时间段内的能量,作为特征代入零训练分类器进行分类,分类结果和真实的运动想象标签对比,得到相应的分类识别率。
进一步的,所述步骤S3中滤波后的三个运动相关独立分量信号{s11,s1r,s1f}在运动想象时间段(T1:T2)的能量El、Er、Ef计算如下:
El=var(s1l(T1:T2));Er=var(s1r(T1:T2)),Ef=var(s1f(T1:T2))
其中,T1和T2为运动想象的起始和终止时间点。
进一步的,所述步骤S3中根据三类运动想象的分类判别依据如下:
[V,class_MI]=min([El,Er,Ef])
其中,class_MI∈{“1”、“2”、“3”}分别代表左手、右手和脚运动想象;将class_MI和真实的运动想象标签进行比对,将正确分类的标签个数除以总的标签个数,得到分类识别率。
在本发明一个较佳实施例中,所述步骤S4中导联优化选择方法如下:
S41:主电极的选择:将运动皮层的9个电极{FC3,C3,CP3,FC4,C4,CP4,FCz,Cz,CPz}分为三组{FC3,C3,CP3},{FC4,C4,CP4}和{FCz,Cz,CPz},并从这三组电极中分别选择1个电极作为运动相关主电极{main_1,main_2,main_3},在9组导联组合中,计算出三类运动想象的分类识别率最高的一组将作为三个主电极{main_r,main_l,main_f};
S42:辅助电极的选择:除去三个主电极,从余下的11个电极中选择一个电极作为辅助电极sub_1,并组成新的电极组合{main_l,main_r,main_f,sub_1},在11组4导联组合中,计算出三类运动想象的分类识别率最高的一组作为导联组合,并将选择的辅助电极作为第一辅助电极;依次类推,再从余下的电极中依次选择第二辅助电极,第三辅助电极,直到三类运动想象的分类识别率达到最大值,记录此时的导联组合和电极个数M,并将选择的导联用于测试集样本的分类识别中。
本发明的有益效果是:
(1)本发明可以减少由采集的EEG数据之间的差异性所带来的空域模型匹配问题产生:
ICA空域滤波器的计算采用了基于单次实验样本的自测试方法,即训练ICA的数据和测试数据是同一个单次试验数据,这样可以避免在不同受试者之间以及同一受试者不同组间交叉测试时,由低质量数据设计ICA滤波器引起的识别率的大幅下降;同时,也避免了由受试者之间的个体差异性和同一受试者不同时期采集的EEG数据之间的模型匹配问题,具有更好的实用性和可操作性;
(2)本发明对运动想象EEG信号具有较高的识别正确率:
通常情况下,基于ICA算法的导联选择需要根据经验和不断的反复尝试,本发明提出了一种基于ICA的导联自动优化选择方案,可以用较少的导联获得较高的分类识别率。经过多个受试者不同时期采集的多次试验数据的分析结果,相较于使用全部14导联,和根据经验选择的9导联方案{FC3,FCz,FC4,C3,Cz,C4,CP3,CPz,CP4}以及8导联方案{Fp1,Fp2,FC3,FCz,FC4,C3,Cz,C4,O1,Oz,O2},本发明中优化选择的M导联可以得到更高的分类识别率,同时优化的最优导联个数通常情况下也低于9个导联。
附图说明
图1是本发明基于独立分量分析的运动想象脑电信号分类方法一较佳实施例的流程图;
图2是所述脑电信号采集过程中的电极分布图;
图3是本发明中单次实验范式示意图;
图4是步骤S2和S3的算法流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于独立分量分析的运动想象脑电信号分类方法,包括以下步骤:
S1:实验数据的采集:受试者带上电极帽,电极分布如图2所示,根据标准10-20系统,使用14个头皮电极{Fp1,Fp2,FC3,FCz,FC4,C3,Cz,C4,CP3,CPz,CP4,O1,Oz,O2}记录左手、右手和脚三类运动想象数据X=[x1,x2,...,xN]T(N=1,2...,14)。受试者坐在电脑前,根据图3的实验范式进行相应的三类运动想象实验。单次实验持续10s,实验开始时,系统提示“滴”的声音,提醒受试者准备开始实验,1s后在屏幕上随机出现向左、向右或向下的箭头,要求受试者根据箭头的方向分别进行左手、右手和脚运动相象。运动想象时间持续到6s,然后受试者休息,等待下一次实验的开始。
采集的原始脑电信号经过NeuroScan软件进行预处理:设置系统的采样频率为250Hz,0.1-100Hz的带通滤波以及50Hz的陷波滤波以消除工频干扰。
对预处理后的脑电数据进行8-30Hz的带通滤波,该频率范围包含运动想象相关的mu节律和beta节律。然后将滤波后的各导脑电信号分别进行去均值和归一化处理,归一化方法如下:
Z=(X-mean(X))/std(X)
其中,mean和std分别代表均值和标准差函数。并将处理后的数据随机的分为训练集和测试集两部分。
S2:基于单次试验样本的空域滤波器训练:
S21:基于单次试验样本数据的ICA算法设计:从训练集中依次选择单次实验数据设计ICA空域滤波器W,并计算分离后的独立源S和源的空间分布模式A;
S22:运动相关独立分量的自动获取:依据源的空间分布模式A,从分离出的独立源S中自动识别出和左手、右手和脚三类运动想象相关的独立分量{sl,sr,sf},并得到对应的空域滤波器{wl,wr,wf}。
依次选择训练集中的单次试验脑电数据,并从运动皮层的9个电极{FC3,C3,CP3},{FC4,C4,CP4}和{FCz,Cz,CPz}三组电极中分别选择1个电极作为运动相关的主电极{main_1,main_2,main_3}。下面结合图4对步骤S21和S22的具体步骤进行详细描述。
在步骤S21中,ICA空域滤波器的计算,具体算法如下:
S211:输入EEG信号X、学习率lrate和迭代次数Num;
S212:初始化分离矩阵W,迭代次数i;
w=eye(N)/100;i=0
S213:分离矩阵W的迭代公式如下:
i=i+1;s=w x
ΔW={I-E[sign(s)sT+SST]}W
W←W+lrate*ΔW
其中,E[·]代表统计平均。和标准Infomax算法不同,本ICA算法为简化版的Infomax算法,采用的是单边高斯概率模型(亚高斯概率模型)。
S214:重复步骤S213,直到i>Num,输出分离矩阵W;
S215:计算源信号S,并进行方差归一化处理:
S←S/diag[std(S)]
W←W/diag[std(S)]
S216:计算混合矩阵A。
A=W-1
其中,A为混合矩阵,混合矩阵的每一列ai(i=1,2,...,M)称为每个源的空间混合模式,反映了源si(i=1,2,...,M)在构建原始EEG信号中的投影权重。
在步骤S22中,对应于左手、右手和脚三类运动想象相关的独立源{sl,sr,sf}的自动识别算法,包括以下步骤:
S221:记录三个主电极{main_l,main_r,main_f}在原始EEG信号X=[x1,x2,...,xM]T中的排列位置Pi,Pj,Pk;
S222:计算绝对值混合矩阵|A|的每一列的最大值,并记录每列|ai|中最大值的位置imax(i):如果imax(i)=Pi,则分离出的源S中第i个源si即为sl;依次类推,如果imax(i)=Pj,则分离出的源S中第i个源si即为sr;如果imax(i)=Pk,则分离出的源S中第i个源si即为sf;
S223:如果在混合矩阵|A|同时存在三列|ai|,|aj|,|ak|,这三列中最大值的元素分别为|aPi,i|,|aPj,j|,|aPk,k|,则判定此次计算为有效计算,否则,判定此次计算为无效计算,并将该单次实验样本从训练集中剔除。
S3:基于零训练分类器的运动想象分类识别;具体步骤如下:
S31:对步骤S2中分离出的三个运动相关分量{sl,sr,sf}进行带通滤波,得到滤波后的三个分量{s1l,s1r,s1f}。通常情况下,带通滤波的截止频率默认为10-14Hz,但针对不同的受试者,带通滤波器的截止频率不完全一样,需要对三个运动相关源信号进行时/频分析,选择ERD/ERS现象最明显的频段(f1:f2);
S32:提取步骤S31中滤波后的三个运动相关分量{s1l,s1r,s1f}在运动想象时间段的信号,并计算在运动想象时间段(T1:T2)的能量El,Er,Ef:
El=var(s1l(T1:T2));Er=var(s1r(T1:T2));Ef=var(s1f(T1:T2))
如图3所示,这里的运动想象时间段(T1:T2)为提示“cue”开始后的0.5-5s。
S33:根据运动想象ERD/ERS现象,本发明中的三类运动想象的分类采用了零训练分类器,具体分类判据如下:
[V,class_MI]=min(El,Er,Ef)
这里class_MI∈{“1”、“2”、“3”},分别代表左手、右手和脚运动想象。将class_MI和真实的运动想象标签进行比对,将正确分类的标签个数除以总的标签个数,得到分类识别率。
S4:导联的优化选择:使用训练集数据进行导联的优化选择,将优化后的导联代入测试集,循环步骤S2和S3,得到最终的分类识别率。具体包括如下步骤:
S41:主电极的选择:分别使用步骤3中选择的3个主电极{main_1,main_2,main_3},共有9种组合方式。从14导预处理后EEG数据中提取3导联主电极EEG数据,并依据步骤S2和步骤S3中基于单次试验样本的空域滤波器训练和基于零训练分类器的运动想象分类识别方法,计算出三类运动想象的分类识别率。在9组导联组合中,识别率最高的一组将作为三个主电极{main_l,main_r,main_f};
S42:辅助电极的选择:除去三个主电极,从余下的11个电极中选择一个电极作为辅助电极sub_1,并组成新的电极组合{main_1,main_r,main_f,sub_1},因此,4导联电极组合共有11种。从14导预处理后EEG数据中提取4导联{main_l,main_r,main_f,sub_1}EEG数据,并依据步骤2和步骤3中基于单次试验样本的空域滤波器训练和基于零训练分类器的运动想象分类识别方法,计算出三类运动想象的分类识别率。在11组4导联组合中,选择识别率最高的一组导联组合,并将选择的辅助电极作为第一辅助电极。依次类推,再从余下10组的电极中依次选择第二辅助电极,第三辅助电极,...,直到三类运动想象的分类识别率达到最大值,如果有多个导联组合获得的识别率相同,则选择导联个数最少的一组作为最优导联集,并记录此时的导联组合和电极个数M。
从测试集14导联EEG数据中,提取步骤S4中优化选择的M导联EEG数据,并代入步骤S2和步骤S3进行三类运动想象的分类识别,并得到最终的分类识别率。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于独立分量分析的运动想象脑电信号分类方法,包括以下步骤:
S1:实验数据的采集:采集脑电信号并对脑电信号进行预处理,将预处理后的脑电信号随机分为训练集和测试集;
S2:基于单次试验样本的空域滤波器训练:将训练集数据依次选择单次试验样本数据进行独立分量分析计算,并基于源的空间分布模式实现运动相关分量的自动识别获取;
S3:基于零训练分类器的运动想象分类识别;
S4:导联的优化选择:使用训练集数据进行导联的优化选择,将优化后的导联代入测试集,循环步骤S2和S3,得到最终的分类识别率;
其中,导联优化选择方法如下:
S41:主电极的选择:将运动皮层的9个电极{FC3,C3,CP3,FC4,C4,CP4,FCz,Cz,CPz}分为三组{FC3,C3,CP3},{FC4,C4,CP4}和{FCz,Cz,CPz},并从这三组电极中分别选择1个电极作为运动相关主电极{main_1,main_2,main_3},在9组导联组合中,计算出三类运动想象的分类识别率最高的一组将作为三个主电极{main_r,main_l,main_f};
S42:辅助电极的选择:除去三个主电极,从余下的11个电极中选择一个电极作为辅助电极sub_1,并组成新的电极组合{main_l,main_r,main_f,sub_1},在11组4导联组合中,计算出三类运动想象的分类识别率最高的一组作为导联组合,并将选择的辅助电极作为第一辅助电极;依次类推,再从余下的电极中依次选择第二辅助电极,第三辅助电极,直到三类运动想象的分类识别率达到最大值,记录此时的导联组合和电极个数M,并将选择的导联用于测试集样本的分类识别中。
2.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,步骤S1的具体步骤包括:
根据标准10-20系统,使用14个头皮电极{Fp1,Fp2,FC3,FCz,FC4,C3,Cz,C4,CP3,CPz,CP4,O1,Oz,O2}记录左手、右手和脚三类运动想象数据X=[x1,x2,...,xN]T(N=1,2...,14),并对采集的原始脑电数据进行带通滤波和归一化处理,然后将归一化后的脑电信号随机分为训练集和测试集。
3.根据权利要求2所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,对脑电信号进行带通滤波的截止频率为8-30Hz。
4.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S2的具体步骤包括:
S21:基于单次试验样本数据的ICA算法设计:从训练集中依次选择单次实验数据设计ICA空域滤波器W,并计算分离后的独立源S和源的空间分布模式A;
S22:运动相关独立分量的自动获取:依据源的空间分布模式A,从分离出的独立源S中自动识别出和左手、右手和脚三类运动想象相关的独立分量{sl,sr,sf},并得到对应的空域滤波器{wl,wr,wf}。
6.根据权利要求4所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,在步骤S22中,对应于左手、右手和脚三类运动想象相关的独立源{sl,sr,sf}的自动识别算法,包括以下步骤:
S221:从{FC4,C4,CP4},{FC3,C3,CP3}和{FCz,Cz,CPz}三组电极中分别选择1个电极作为运动相关的主电极,记录三个主电极{main_l,main_r,main_f}在原始EEG信号X=[x1,x2,...,xM]T中的排列位置Pi,Pj,Pk;
S222:计算绝对值混合矩阵|A|的每一列的最大值,并记录每列|ai|中最大值的位置imax(i):如果imax(i)=Pi,则分离出的源S中第i个源si即为sl;依次类推,如果imax(i)=Pj,则分离出的源S中第i个源si即为sr;如果imax(i)=Pk,则分离出的源S中第i个源si即为sf;
S223:如果在混合矩阵|A|同时存在三列|ai|,|aj|,|ak|,这三列中最大值的元素分别为|aPi,i|,|aPj,j|,|aPk,k|,则判定此次计算为有效计算,否则,判定此次计算为无效计算,并将该单次实验样本从训练集中剔除。
7.根据权利要求1所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3的具体步骤包括:
将步骤S2中识别出的三个运动相关独立分量{sl,sr,sf}进行带通滤波,得到事件相关同步化和去同步化现象较明显的频带范围内的运动相关独立分量信号{s1l,s1r,s1f},并计算其运动想象时间段内的能量,作为特征代入零训练分类器进行分类,分类结果和真实的运动想象标签对比,得到相应的分类识别率。
8.根据权利要求7所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3中滤波后的三个运动相关独立分量信号{s1l,s1r,s1f}在运动想象时间段(T1:T2)的能量El、Er、Ef计算如下:
El=var(s1l(T1:T2));Er=var(s1r(T1:T2));Ef=var(s1f(T1:T2))
其中,T1和T2为运动想象的起始和终止时间点。
9.根据权利要求7所述的基于独立分量分析的运动想象脑电信号分类方法,其特征在于,所述步骤S3中根据三类运动想象的分类判别依据如下:
[V,class_MI]=min([El,Er,Ef])
其中,class_MI∈{“1”、“2”、“3”}分别代表左手、右手和脚运动想象;将class_MI和真实的运动想象标签进行比对,将正确分类的标签个数除以总的标签个数,得到分类识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366834.2A CN108710895B (zh) | 2018-04-23 | 2018-04-23 | 基于独立分量分析的运动想象脑电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366834.2A CN108710895B (zh) | 2018-04-23 | 2018-04-23 | 基于独立分量分析的运动想象脑电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710895A CN108710895A (zh) | 2018-10-26 |
CN108710895B true CN108710895B (zh) | 2022-03-22 |
Family
ID=63867416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366834.2A Active CN108710895B (zh) | 2018-04-23 | 2018-04-23 | 基于独立分量分析的运动想象脑电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710895B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516711B (zh) * | 2019-07-25 | 2022-10-21 | 安徽大学 | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 |
CN112006682B (zh) * | 2020-06-02 | 2022-09-30 | 东南大学 | 一种基于多通道频率特征定制的左右手运动想象脑电信号分类方法 |
CN112016415B (zh) * | 2020-08-14 | 2022-11-29 | 安徽大学 | 结合集成学习与独立分量分析的运动想象分类方法 |
CN113616218A (zh) * | 2021-07-28 | 2021-11-09 | 山东师范大学 | 一种基于同步压缩变换的致痫区脑电识别系统 |
CN113812964B (zh) * | 2021-08-02 | 2023-08-04 | 杭州航弈生物科技有限责任公司 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184017A (zh) * | 2011-05-13 | 2011-09-14 | 天津大学 | 一种p300脑-机接口导联优化方法 |
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN106529421A (zh) * | 2016-10-21 | 2017-03-22 | 燕山大学 | 基于混合脑机接口技术的情绪及疲劳检测辅助驾驶系统 |
CN107661099A (zh) * | 2017-08-03 | 2018-02-06 | 天津大学 | 一种检测不同脑力负荷水平下运动状态的脑电分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110028827A1 (en) * | 2009-07-28 | 2011-02-03 | Ranganatha Sitaram | Spatiotemporal pattern classification of brain states |
-
2018
- 2018-04-23 CN CN201810366834.2A patent/CN108710895B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184017A (zh) * | 2011-05-13 | 2011-09-14 | 天津大学 | 一种p300脑-机接口导联优化方法 |
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN106529421A (zh) * | 2016-10-21 | 2017-03-22 | 燕山大学 | 基于混合脑机接口技术的情绪及疲劳检测辅助驾驶系统 |
CN107661099A (zh) * | 2017-08-03 | 2018-02-06 | 天津大学 | 一种检测不同脑力负荷水平下运动状态的脑电分析方法 |
Non-Patent Citations (1)
Title |
---|
基于独立分量分析的在线脑-机接口系统;胡盼 等;《生物医学工程学杂志》;20170225;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108710895A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710895B (zh) | 基于独立分量分析的运动想象脑电信号分类方法 | |
Wei et al. | A subject-transfer framework for obviating inter-and intra-subject variability in EEG-based drowsiness detection | |
Ghaemi et al. | Automatic channel selection in EEG signals for classification of left or right hand movement in Brain Computer Interfaces using improved binary gravitation search algorithm | |
Qiu et al. | Improved SFFS method for channel selection in motor imagery based BCI | |
Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
Ebrahimi et al. | Brain-computer interface in multimedia communication | |
Kirar et al. | Composite kernel support vector machine based performance enhancement of brain computer interface in conjunction with spatial filter | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
Gupta et al. | Detecting eye movements in EEG for controlling devices | |
Roy et al. | Assessing impact of channel selection on decoding of motor and cognitive imagery from MEG data | |
Gao et al. | Multi-ganglion ANN based feature learning with application to P300-BCI signal classification | |
Malekmohammadi et al. | An efficient hardware implementation for a motor imagery brain computer interface system | |
Zhou et al. | How many channels are suitable for independent component analysis in motor imagery brain-computer interface | |
CN106648087B (zh) | 一种基于意识任务的特征eeg处理方法 | |
Wang et al. | Improvement of mental tasks with relevant speech imagery for brain-computer interfaces | |
Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
Shukla et al. | Performance improvement of P300-based home appliances control classification using convolution neural network | |
Padmavathi et al. | A review on EEG based brain computer interface systems | |
CN111772629A (zh) | 一种脑认知技能移植的方法 | |
Tang et al. | EEG channel selection based on sequential backward floating search for motor imagery classification | |
Xie et al. | A spatio-temporal method for extracting gamma-band features to enhance classification in a rapid serial visual presentation task | |
Liu et al. | Detection of lower-limb movement intention from EEG signals | |
Dai et al. | Electrode channel selection based on backtracking search optimization in motor imagery brain–computer interfaces | |
Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
Huang et al. | Decoding Subject-Driven Cognitive States from EEG Signals for Cognitive Brain–Computer Interface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |