CN108875799A - 一种基于改进s变换的运动想象分类识别方法 - Google Patents

Abstract

本发明公开一种基于改进S变换的运动想象分类识别方法，采用改进S变换的方法在脑电信号特征最显著的频率范围内提取信号的PSD特征，筛选出尺度因子p和q的最优值，准确地提取出信号特征。提取出有效特征后，筛选出SVM分类器中惩罚因子c与核函数参数g的最优值，以及确定最佳核函数，训练出分类模型并测试，获得了最高96％的分类正确率，优于目前所有方法的分类正确率。本发明采用信道选择方法，在保证性能的前提下降低数据维度，大大减轻了算法复杂度，并剔除了信道中的噪音信道以及相互干扰的信道，筛选出了噪音小，干扰少的几个相对较好的信道。

Description

一种基于改进S变换的运动想象分类识别方法

技术领域

本发明涉及脑机接口领域，具体涉及一种基于改进S变换的运动想象分类识别方法。

背景技术

脑-机接口(Brain-Computer Interface，BCI)是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道，通过这种通道，人就可以直接通过脑来表达想法或操纵设备，而不需要语言或动作，这可以有效增强由于严重神经系统混乱而导致肌无力的残障患者与外界交流和通信的能力，以提高患者的生活质量。

脑电信号记录大脑活动时的脑波变化，脑波是脑神经细胞电生理活动在大脑皮层的总体反映，大脑皮层处于不同生理状态，相应的脑电波形也不同。包含运动想象的脑电信号的相关研究是脑机接口技术研究领域的一个重要组成部分。运动想象是指患者在不能进行正常肢体运动的状态下，凭借大脑想象支配其肢体进行正常运动的思维过程。基于运动想象的BCI系统主要包括信号采集，信号处理和应用三个功能模块。运动想象能够在想象动作发生的同时激发大脑运动皮层脑电节律的变化，脑电节律的变化与事件相关去同步/同步(Event-Ralated Desynchronization/Event-Related Synchronization，ERD/ERS)有关。当大脑皮层某区域受到动作指令或想象运动等刺激而处于活跃状态时，可以导致特定频带范围的节律性活动的能量明显衰减，这种电生理现象称作事件相关去同步化；与之相反，导致特定频带范围的节律性活动能量明显升高的电生理现象称为事件相关同步化。我们提取包含这种变化的脑电信号作为BCI系统的输入信号，然后由BCI系统的信号处理部分判断出运动想象种类，再由计算机将运动想象种类翻译成控制命令，最终实现人脑与外部设备的通信以及控制功能。

信号处理是基于运动想象的BCI系统的核心部分，主要包括预处理、特征提取和分类识别等步骤。特征提取是信号处理的一个关键环节，目的是获取一些表征大脑活动的特征量。有效地提取代表大脑活动的特征向量，可以为后续的分类识别打下坚实的基础。

大量的脑电数据的采集一般都不是在同一天完成的，受试者的意志和疲倦度可能处于不同的状态，他的大脑会显示出不同的电波活动。另外，记录系统的电极位置和阻抗等方面也会发生轻微的变化。这些都给BCI系统分类器的设计带来很大的难度。脑电信号还具有幅度微弱、信噪比低、非平稳性、非线性的特点。因此脑电信号的分析和处理一直是具有相当难度的研究课题。目前，对于脑电信号，大家在特征提取部分的处理还不够完善：无法有效地提取代表大脑活动的特征向量，难以获得较好的分类效果；提取的信号特征过多，影响分类效率；选取的信道数目太大，造成信道之间相互干扰。另外，由于选择不同的特征提取方法和分类器对分类准确率的贡献不同，提取到的特征未能匹配合适的分类器，也会导致分类准确率不高以及难以提高的问题。所以，如何有效地提取脑电信号的特征信息，以及匹配出最佳分类器是运动想象分类识别部分研究中必须解决的一个关键问题。

发明内容

为解决上述问题，本发明提供一种基于改进S变换的运动想象分类识别方法，可以有效提取脑电信号特征，并极大地提高分类准确率。

本发明的技术方案是：一种基于改进S变换的运动想象分类识别方法，包括以下步骤：

S1：获取脑电信号，并对脑电信号进行预处理；所述脑电信号包括训练集、测试集、训练集标签和测试集标签；

S2：采用改进S变换对预处理后的脑电信号的每一个信道提取功率谱密度(PowerSpectral Density，PSD)特征数据(以下简称PSD特征数据)；

S3：将所有训练集特征数据和训练集标签放入采用径向基函数(Radial BasisFunction，RBF，以下简称RBF基函数)的支持向量机(Support Vector Machine，SVM)分类器(以下简称SVM分类器)中进行训练得到训练模型，根据训练模型预测出测试集预测标签，并将测试集预测标签与实际的测试集标签进行比较，得到分类正确率；

S4：进行信道选择，获得最终的分类正确率。

进一步地，

步骤S1中所述对脑电信号进行预处理是指对脑电信号进行降采样处理和滤波处理。

进一步地，步骤S2还包括：

不断调整改进S变换的尺度因子p和q，获得不同尺度因子p和q下的训练集特征数据和测试集特征数据，并保存；

其中改进S变换的表达式为

其中高斯窗函数

高斯窗函数标准差为

其中，τ为平移因子，f为频率，t为时间，i为虚函数；p和q为尺度因子。

进一步地，步骤S3中所述将所有训练集特征数据和训练集标签放入采用RBF核函数的SVM分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签具体包括：

不断调整SVM分类器的惩罚参数c和核函数参数g，训练出不同惩罚参数c和核函数参数g的分类模型，利用分类模型对测试集特征数据进行预测，得到测试集预测标签。

进一步地，所述分类模型具体为：

如果训练集特征数据线性可分，-SVM分类器所对应的分类模型为：

f(x)＝W^T*X+b

如果训练集特征数据不能线性可分，SVM分类器所对应的分类模型为：

其中，表示X映射后的特征向量，X表示训练集，W是权重向量，W^T表示W的转置，b为偏置。

进一步地，步骤S3中将测试集预测标签与实际的测试集标签进行比较，得到分类正确率具体通过以下公式得到分类正确率：

进一步地，步骤S4所述进行信道选择，获得最终的分类正确率具体包括：

S4-1：根据分类正确率筛选出最优尺度因子p和q；

S4-2：对最优尺度因子p和q下提取的训练集特征数据利用交叉验证法得到每个信道的交叉验证准确率；

S4-3：根据交叉验证准确率剔除不合格信道，对剩余信道使用排除法和穷举法进行信道选择，剔除干扰信道和噪声信道，对最终剩余信道进行测试获得最终分类正确率。

进一步地，步骤S4-2中每个信道的交叉验证准确率由下式求得：

其中每次交叉验证准确率由下式求得：

本发明提供的基于改进S变换的运动想象分类识别方法，采用改进S变换提取PSD特征，并用采用了RBF核函数的SVM分类器训练出最优分类模型，然后采用信道选择方法，在保证性能的前提下降低数据维度，从而在选择较少信道的情况下，得到非常高的分类准确率。具体地采用改进S变换的方法在脑电信号特征最显著的频率范围内提取信号的PSD特征时，筛选出尺度因子p和q的最优值，准确地提取出信号特征。提取出有效特征后，筛选出基于RBF核函数的SVM分类器中惩罚因子c与核函数参数g的最优值，训练出分类模型并测试，获得了最高94％的分类正确率。还采用信道选择方法，在保证性能的前提下降低数据维度，大大减轻了算法复杂度，并剔除了信道中的噪音信道以及相互干扰的信道，筛选出了噪音小、干扰少的几个相对较好的信道。最终在仅选择一小部分信道(十二个信道以内)的情况下就得到96％的分类准确率，优于目前所有方法的分类正确率。

附图说明

图1为本发明的整体流程框图。

图2是本发明具体方法流程图。

图3为一次实验特征提取过程的简图。

图4是将惩罚参数c和核函数参数g设置在一个小范围内得到的分类准确率折线图。

图5为测试集的实际分类与预测分类对比图。

具体实施方式

下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。

如图1和2所示，本实施例提供的基于改进S变换的运动想象分类识别方法，包括以下步骤：

(1)获取脑电信号，并对脑电信号进行预处理。脑电信号包括训练集、测试集、训练集标签和测试集标签。

需要说明的是，本实施例以通过BCI竞赛官网下载的dataset I原始数据为例说明。Dataset I属于基于运动想象的脑电数据，来源于一个癫痫患者。在患者大脑右半球运动皮层表面放置一个8×8的网格状铂电极，尺寸为8×8cm，包括64个用来记录脑电数据的信道。所有记录都以1000Hz的采样率进行。实验过程中，受试者根据图像提示重复想象伸舌头和左小指的运动，这两类运动想象分别标记为1和-1，结果存储于类别标签数据中。数据集I(Dataset I)包括一个数据格式为278×64×3000的训练集、一个数据格式为100×64×3000的测试集以及一个数据格式为278×1的训练集标签、一个数据格式为100×1的测试集标签。为了避免视觉激发电位，脑电信号从图像提示结束后0.5秒开始记录。数据集的训练数据和测试数据虽然记录于同样的受试者和相同的任务，但收集这两个数据的时间却间隔了大约1周，采集设备、记录系统和受试者的状态都发生了轻微变化，加大了分类难度。

对脑电信号进行预处理包括降采样和滤波处理，降采样就是在原始采样序列中等间隔地取出一些采样点，得到新采样序列。原始的测试集和训练集是三维数据，每次实验中的每一个信道有3000个采样点，对这些采样点每隔十个点进行一次抽样，最终将数据集每次实验每个信道中的采样点降为300个。把降采样后的脑电信号用一个带通滤波器进行滤波，滤除噪音和干扰频率。

(2)采用改进S变换对预处理后的脑电信号的每一个信道提取PSD特征数据，并不断调整改进S变换的尺度因子p和q，获得不同尺度因子p和q下的训练集特征数据和测试集特征数据，并保存。

改进S变换的表达式为：

其中高斯窗函数

高斯窗函数标准差为

其中，τ为平移因子，f为频率，t为时间，i为虚函数；p和q为尺度因子。

高斯窗口标准差中的p和q是改进S变换算法中的两个尺度因子，他们决定了高斯窗口的宽度。提取脑电信号的PSD特征数据，如图3所示，每次实验包括64个信道，每个信道内有300个降采样后的采样点，利用改进S变换算法，对每一个信道提取PSD特征数据。不断调整尺度因子的值，提取不同尺度因子下的特征数据，并保存。

本步骤中提取PSD特征数据指选择信号的PSD作为信号的提取特征。PSD特征数据可以描述信号的功率如何随频率分布，针对功率有限信号，所表现的是单位频带内信号功率随频率的变换情况，提取信号的PSD特征数据可以获得比较好的分类结果，改进S变换的PSD特征数据为信号的MST与其共轭的乘积的数学期望：

P表示时频范围的一个局部的功率测度。

(3)将所有训练集特征数据和训练集标签放入SVM分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签，并将测试集预测标签与实际的测试集标签进行比较，得到分类正确率。

其中将所有训练集特征数据和训练集标签放入SVM分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签具体包括：不断调整SVM分类器的惩罚参数c和核函数参数g，训练出不同惩罚参数c和核函数参数g的分类模型，利用分类模型对测试集特征数据进行预测，得到测试集预测标签。

将训练集和训练集类别标签放入SVM分类器中，SVM分类器通过分析学习训练集的分类情况，训练出分类模型。

SVM分类器基于结构风险最小化理论之上，在特征空间中构建最优超平面，SVM分类器的分类超平面可以用线性方程表述：W^T*X+b＝0。此时，样本空间中任一样本到超平面的距离为：

SVM分类器的核心思想是尽最大努力使分开的两个类别有最大间隔，这样才使得分隔具有更高的可信度。

若样本的训练集为X，训练标签为Y，假设Y包含两个类别(-1和1)，则：

当Y＝+1时，W^T*X+b＞0；

当Y＝-1时，W^T*X+b＜0；

可得Y(W^T*X+b)-1≥0

如果训练样本线性可分，最大间隔划分超平面所对应的分类模型为：

f(x)＝W^T*X+b

如果训练样本不能线性可分，可将样本从原始空间映射到更高维的特征空间，使得样本在这个特征空间内线性可分。在特征空间中最大间隔划分超平面所对应的模型可表示为：

其中，表示X映射后的特征向量，X表示训练集，W是权重向量，W^T表示W的转置，b为偏置。

训练出分类模型后，利用分类模型对测试集的数据类别进行预测，得到预测标签，预测标签与实际测试集的标签对比可以求出测试集的分类正确率。SVM分类器做分类预测时，需不断调节惩罚参数c和核函数参数g的值，训练出最佳分类模型，从而得到比较理想的分类准确率，图4是将惩罚参数c和核函数参数g设置到一个小范围时的分类准确率情况。

SVM分类器引入核函数解决线性不可分问题，解决了在高维空间中的内积运算，从而很好地解决了非线性分类问题。本实施例SVM分类器采用RBF核函数，结合改进S变换特征提取，获得了非常好的分类效果。

SVM分类器分类结果的准确率表示为：

(4)在保证分类性能的前提下，进行信道选择，降低算法复杂度并获得最终的分类正确率。具体包括以下步骤：

(4.1)根据分类正确率筛选出最优尺度因子p和q。

尺度因子p和q取值不同，提取到的特征数据也不同，步骤(2)中已经提取出不同尺度因子下的特征数据。根据步骤(3)，利用SVM分类器分别对它们进行分类处理，分类正确率最高的情况下对应的尺度因子就是最佳尺度因子。

本方法中，对最优尺度因子下的特征数据进行分类，可以得到94％的分类准确率。

(4.2)对最优尺度因子p和q下提取的训练集特征数据进行若干次K折交叉验证，得到每个信道的交叉验证准确率。

脑电信号包含的64个信道中，某些信道是噪音信道，还有一部分信道之间会相互干扰。采用交叉验证的方法，可以剔除一部分噪音信道。K折交叉验证是将数据集分成K份，轮流将其中K-1份做训练1份做测试，若干次K折交叉验证则是重复若干次K折交叉验证求均值。对每一个信道的特征数据进行交叉验证，计算出每一个信道交叉验证准确率的均值并记录下来。

一次交叉验证准确率由下式求得：

每个信道的交叉验证准确率由下式求得：

(4.3)根据交叉验证准确率剔除部分不合格信道，对剩余信道使用排除法和穷举法挨个进行筛选，剔除干扰信道和噪声信道，对最终剩余信道进行测试获得最终分类正确率。

根据步骤(4.2)中信道的交叉验证准确率情况剔除若干信道，剔除后测试剩余信道数据的分类正确率，实验结果表明剩余信道分类的准确率仍不低于94％。

根据交叉验证准确率剔除部分信道后用排除法和穷举法对信道挨个进行筛选，在不影响准确率的情况下实现对剩余信道的选择。由此剔除掉所有相互干扰的信道和噪声信道，从而获得更好的分类结果。

最终在仅选择一小部分信道(十二个信道以内)的情况下，得到96％的分类准确率。图5是测试集的实际分类与预测分类对比图，图中，圆圈“O”代表实际测试集的分类情况，点“·”代表预测情况，可以明显看出几乎所有的点和圆圈都是重合的，也就说明本方法中对100次测试数据预测出的类别标签与实际标签所差无几，由此可以看出本方法分类的准确性。在信道选择的过程中，去掉某些有干扰的信道后，分类准确率提高至96％，提高了分类精度的同时又大大减小了算法复杂度，且分类准确率优于现有技术的准确率。

以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (8)

1.一种基于改进S变换的运动想象分类识别方法，其特征在于，包括以下步骤：

S1：获取脑电信号，并对脑电信号进行预处理；所述脑电信号包括训练集、测试集、训练集标签和测试集标签；

S2：采用改进S变换对预处理后的脑电信号的每一个信道提取功率谱密度特征数据；

S3：将所有训练集特征数据和训练集标签放入采用径向基函数的支持向量机分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签，并将测试集预测标签与实际的测试集标签进行比较，得到分类正确率；

S4：进行信道选择，获得最终的分类正确率。

2.根据权利要求1所述的基于改进S变换的运动想象分类识别方法，其特征在于，

步骤S1中所述对脑电信号进行预处理是指对脑电信号进行降采样处理和滤波处理。

3.根据权利要求2所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S2还包括：

不断调整改进S变换的尺度因子p和q，获得不同尺度因子p和q下的训练集特征数据和测试集特征数据，并保存；

其中改进S变换的表达式为

其中高斯窗函数

高斯窗函数标准差为

其中，τ为平移因子，f为频率，t为时间，i为虚函数；p和q为尺度因子。

4.根据权利要求3所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S3中所述将所有训练集特征数据和训练集标签放入采用径向基函数的支持向量机分类器中进行训练得到训练模型，根据训练模型预测出测试集预测标签具体包括：

不断调整支持向量机分类器的惩罚参数c和核函数参数g，训练出不同惩罚参数c和核函数参数g的分类模型，利用分类模型对测试集特征数据进行预测，得到测试集预测标签。

5.根据权利要求4所述的基于改进S变换的运动想象分类识别方法，其特征在于，所述分类模型具体为：

如果训练集特征数据线性可分，支持向量机分类器所对应的分类模型为：

f(x)＝W^T*X+b；

如果训练集特征数据不能线性可分，支持向量机分类器所对应的分类模型为：

其中，表示X映射后的特征向量，X表示训练集，W是权重向量，W^T表示W的转置，b为偏置。

6.根据权利要求5所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S3中将测试集预测标签与实际的测试集标签进行比较，得到分类正确率具体通过以下公式得到分类正确率：

7.根据权利要求4、5或6所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S4所述进行信道选择，获得最终的分类正确率具体包括：

S4-1：根据分类正确率筛选出最优尺度因子p和q；

S4-2：对最优尺度因子p和q下提取的训练集特征数据利用交叉验证法得到每个信道的交叉验证准确率；

S4-3：根据交叉验证准确率剔除不合格信道，对剩余信道使用排除法和穷举法进行信道选择，剔除干扰信道和噪声信道，对最终剩余信道进行测试获得最终分类正确率。

8.根据权利要求7所述的基于改进S变换的运动想象分类识别方法，其特征在于，步骤S4-2中每个信道的交叉验证准确率由下式求得：

其中每次交叉验证准确率由下式求得：