CN109199376B - 基于oa-wmne脑源成像的运动想象脑电信号的解码方法 - Google Patents

Abstract

本发明基于OA‑WMNE脑源成像的运动想象脑电信号的解码方法，首先采用基线校正和时域上的叠加平均进行脑电信号的预处理，得到每种运动想象任务的叠加平均信号；进而，采用WMNE脑源成像算法将之逆变换到脑源空间，得到偶极子估计，并根据两种运动想象偶极子波形变化差异确定感兴趣时段区间(TOI)；再对所有单次运动想象脑电信号进行逆变换，并将TOI中每个采样点上所有的偶极子幅值构成特征向量，获得该采样点上的一组特征；然后将所有采样点上的特征构成特征样本集，对其进行零均值标准化处理，并采用单变量特征选择方法进行特征降维；最后利用支持向量机进行特征分类，获得最高平均解码精度，提高了脑电空间分辨率，有利于提高运动想象任务的解码精度。

Description

基于OA-WMNE脑源成像的运动想象脑电信号的解码方法

技术领域

本发明属于脑电信号的脑源空间解码技术领域，尤其涉及脑机接口(BrainComputer Interface,BCI)系统中从大脑偶极子源空间对运动想象脑电信号的解码方法，采用时域上的叠加平均(Overlapping Averaging,OA)和加权最小范数估计(WeightedMinimum Norm Estimates,WMNE)脑源成像技术相结合的方法(记为OA-WMNE)对运动想象脑电信号在脑源空间域进行解码。

背景技术

运动想象脑电信号(Motor Imagery Electroencephalography,MI-EEG)隐藏着大脑运动感知皮层大量的生物学信息，头皮非侵入式记录的MI-EEG信号在传感器领域为大脑活动提供了重要参考，因具有较高的时频分辨率广泛应用于BCI系统研究和临床康复评价等领域，因此EEG信号的显著特征主要反应在信号的时频分析中。然而，为了研究更复杂的大脑神经活动，提高大脑运动感知皮层的空间可分性，基于传统传感器领域的EEG分析已经逐渐不能满足认知神经科学的需要，如何挖掘和利用脑源空间信息尤为重要。

随着认知神经科学的发展，一种求解脑电逆问题的空间分析技术——脑源成像(EEG Source Imaging,ESI)应运而生，其能够将头皮层测量的脑电信号逆变换到大脑虚拟皮质模型上，进而用等效电流偶极子重塑大脑源活动。这种逆变换方法将脑电信号从低维空间映射到高维空间，不仅可以降低脑电在颅骨传导过程中噪声信号的干扰，而且弥补了EEG的空间分辨率不足的缺点，扩大了其在脑皮层所包含的更丰富的特征信息。

ESI涉及到大量的空间逆变换技术，然而大部分算法都适用于研究大脑病变定位、功能源定位和脑网络连通性分析等领域，对于利用脑源成像技术解码运动想象脑电信号的研究还是处于初级阶段。另外，在MI-EEG逆变换和解码过程中，通常利用独立成分分析(Independent ComponentAnalysis,ICA)分解原始脑电信号，然后将运动想象任务最相关的独立成分运用WMNE算法进行源成像(记为ICA-WMNE)，得到激活区域后进一步实现源分类。但是该方法在实际应用中存在以下问题：(1)ICA分解脑电信号的预处理过程会造成原始MI-EEG部分有效信息的缺失,这与脑电逆变换扩大头皮层信号特征信息的目的存在冲突。(2)单一独立成分的逆变换仅仅将头皮层电极的一个主源信号进行映射，没有充分利用蕴藏在MI-EEG中的全部生理信息，一定程度上造成了对脑皮层偶极子源估计不均匀的现象，影响解码的准确性。(3)脑源空间激活区域(Region ofInterest)的选取受限于事件相关去同步化效应(Event Related Desynchronization,ERD)较为明显的单侧肢体运动想象，对于更加复杂的运动想象任务相关性分析中，最相关独立成分源成像的结果难以反应脑皮层真实活动的信息，造成解码精度降低。

发明内容

针对ICA-WMNE方法的不足，本发明提出了一种采用时域上的叠加平均和加权最小范数估计相结合的OA-WMNE脑源成像解码运动想象脑电信号的方法。此方法在提升MI-EEG空间分辨率的同时，能够充分利用其整个时域上的有效信息，而且能够克服ICA-WMNE方法对于ERD现象较明显的单侧运动想象任务解码的依赖，为更多类的运动想象任务在脑源空间具有较高的识别精度提供了保障。

因此，本发明设计的技术方案为基于OA-WMNE脑源成像的运动想象脑电信号的解码方法，该方法首先对脑电信号进行预处理，利用基线校正降低原始信号的基线漂移现象，并将同一类运动想象任务的脑电信号(Epoch)进行时域上的叠加平均，得到每种运动想象任务的叠加平均(Evoked)信号；然后，基于WMNE脑电逆变换算法将Evoked信号转换到脑源空间，得到偶极子源估计，并根据两种运动想象偶极子波形变化差异确定感兴趣的时段区间(Time ofInterest，TOI)；进而，将所有单次Epoch信号逆变换，将TOI中每个采样点所有的偶极子幅值构成特征向量，获得该类任务的一组特征；再将这些特征进行零均值标准化，并采用单变量特征选择方法对偶极子特征进行降维；最后，利用支持向量机进行特征分类，获得最高平均解码精度，验证OA-WMNE方法的正确性和有效性。

脑源成像解码运动想象任务的神经生理学依据是：在人类对应外部环境的刺激和特定的思维活动时，大脑皮层中的神经元细胞发生突触后电位，经过容积效应和颅骨的传导，产生了头皮层所测量得到的脑电信号，这称为脑电正问题。脑源成像(ESI)能够根据颅骨脑脊液等容积传导效应、大脑生理学结构，通过虚拟头模型搭建头皮电极和皮质神经元之间的对应关系，再使用相关脑电逆变换算法将头皮层测量的脑电信号映射到大脑虚拟皮质模型上，用等效电流偶极子来重塑真实大脑神经元的放点活动和分布状况，这就是所谓的脑电逆问题。脑电逆问题的研究让人们得到了仅从头皮电位分布所看不到的深层脑源信息，因此，ESI技术可以扩大运动想象脑电信号在高空间分辨率的脑源域下特征信息，为运动想象任务的解码提供了重要的理论基础。

基于上述分析，本发明的具体实现步骤如下：

步骤1，运动想象脑电信号预处理。

步骤1.1，根据运动想象任务类别的标签ID，选取每种任务同一时间段的多导脑电信号作为一次Epoch信号，记为

其中，T＝{a,b}表示任务类别，n＝{1,2,…,n_T}，n_T代表T类任务Epoch信号的数量；j表示导联数量，k为采样点数，t＝{t₁，t₂…t_k}。

步骤1.2，截取运动想象前1s的脑电信号对MI-EEG信号进行基线校正，以克服原始脑电信号采集过程中因采集设备、外部环境噪音的干扰所引起的基线漂移问题，实现基线校正。

步骤1.3，对基线校正后同类运动想象任务的所有Epoch信号

进行时域上的叠加平均得到相应的Evoked信号

表示为下式：

步骤2，由于覆盖在脑皮层上的离散等效电流偶极子有7498个，远远大于头皮层电极数量，为解决不适定性的脑电逆问题，采用WMNE源成像方法进行脑电逆变换，公式如下：

式中，

表示得到的7498个偶极子源估计；G∈R^7498×j为导联场矩阵，通过多层头模型的体积传导效应和头皮电极位置分布计算得到；λ代表正则化参数，利用吉洪诺夫正则化的L曲线方法求得；W为权值矩阵，是通过导联场矩阵G构建起来的一个对角矩阵，定义为(3)式：

W＝diag(||g₁||，||g₂||…||g_i||，…||g₇₄₉₈||) (3)

其中，||g_i||是导联场矩阵G中第i列向量的欧几里得范数，1≤i≤7498。

步骤3，对步骤1.3中两类任务的Evoked信号

和

采用步骤2中的WMNE脑源成像方法进行逆变换即式(2)，得到相应运动想象任务下脑电时间序列的偶极子估计，分别记作

和

再依式(4)计算偶极子差值

以选取两类任务偶极子波形差异最明显的感兴趣时段区间TOI，感兴趣时段区间TOI包含的采样点数用h表示。

步骤4，对预处理后的每个Epoch信号

进行脑电逆变换，得到相应运动想象脑电信号的偶极子估计

其中n＝{1,2,…,n_a+n_b}。再将

在感兴趣时段区间TOI中第τ个采样点处的7498个偶极子源估值构成特征向量，得到该第τ个采样点上的一组特征

其中，n＝{1，2，…，n_a+n_b}，1≤τ≤h。从而，获得两类运动想象任务在脑源空间的特征集

特征集样本总数d＝N_T×h，N_T＝n_a+n_b；n_a代表a类任务的数量，n_b代表b类任务的数量，n_a+n_b是两种任务的总数。

步骤5，将步骤4中的所有偶极子特征向量

进行零均值标准化，满足标准正态分布，在特征选择和分类中加快寻找最优解速度，以克服两类运动想象偶极子幅值的不均衡影响解码精度问题。

步骤6，利用基于方差分析的单变量特征选择方法(Univariate FeatureSelection，UFS)对两类任务标准化后的偶极子特征进行降维，通过调整SelectKBest函数参数K，来保留评分最高(即特征显著性最高)的前K个偶极子特征。初始化K＝1，获得该参数下的特征集

步骤7，选用支持向量机对上述特征集F′∈R^K×d中两类所有偶极子特征进行训练与分类，采用交叉验证法得出平均解码精度。定义参数K的最大值为K_max，并设置参数K从1到K_max迭代，获取迭代过程中最高平均解码精度，此时感兴趣时段区间TOI下的参数K为最优。

与现有技术相比，本发明具有以下优点：

(1)考虑到运动想象脑电信号在传统的传感器域下空间分辨率较低的特点，本发明基于神经生理学理论基础，运用先进的脑源成像ESI技术将头皮信号转换到脑源空间进行解码，不仅降低了脑电传导过程中颅骨和容积效应等噪音的干扰，而且在高维脑源空间扩大了MI-EEG的空域特征信息。

(2)本发明克服了一般ICA-WMNE脑源成像方法在预处理过程中，分解原始信号会造成部分有用信息丢失的缺点，采用时域上的叠加平均方法，最大限度的保留了运动想象脑电信号在传感器域上的全部有效信息。

(3)针对采用独立成分逆变换获取脑源空间激活区域ROI对于ERD现象高度依赖问题，本发明提出脑源域感兴趣时段区间TOI的选择方法，能更有效结合偶极子源的时-空域特征信息，一定程度上增加了运用脑源成像技术解码复杂肢体运动想象任务的普适性。

本发明最后采用10折交叉验证，达到了81.32％的平均解码精度，进一步体现了本方法的优势。本发明适合多导联、复杂运动想象任务脑电的解码，将为BCI技术提供更加广阔的应用前景。

附图说明

图1为本发明采用的算法流程图；

图2.1为10-10导联系统电极分布图；

图2.2为MI-EEG采集实验时序图；

图3为脑源空间偶极子时变图；

具体实施方式

本发明具体实验是在Windows 10(64位)操作系统下的Python 2.7仿真环境中进行的。

本发明采用的MI-EEG数据集来源于“BCI2000Instrumentation”系统的公开数据库，由开发者使用国际标准的10-10导联系统采集完成，该系统采集的脑电信号为64导，采样频率为160Hz，电极位置分布如图2.1所示。单次运动想象任务持续4s，具体采集实验时序如图2.2所示。当t＝-1～0s时，受试者处于静息状态；当t＝0s时，屏幕上的目标出现，同时触发Beep声，如果受试者观察到目标在屏幕顶部，则在0～4s想象双手的张开闭合运动直到目标消失，如果目标出现在屏幕底部，则对应想象双脚运动，从-1～4s采集的脑电被称作为第一个Epoch信号。每个受试者整个实验持续2分钟，其中包含了7次双手与8次双脚的交替运动想象任务。本次发明共选取了5个受试者的运动想象脑电信号进行仿真。

基于上述的运动想象脑电数据集，如图1的算法流程所示，本发明具体的实施步骤如下：

步骤1，双手双脚64导MI-EEG信号预处理。

步骤1.1，根据每类任务的标签ID(双手ID＝a，双脚ID＝b)，将受试者整个实验时间线(2分钟)上的所有64导Epochs信号提取出来，得到7组想象双手运动的Epoch信号和8组想象双脚运动的Epoch信号。

步骤1.2，与此同时，截取运动想象前1s的静息状态下的Epoch信号对MI-EEG进行基线校正，以减弱采集设备、外部环境等噪音的干扰所引起的基线漂移现象。

步骤1.3，基线校正后，将7组双手和8组双脚的所有64导Epoch信号按类别分别进行时域上的叠加平均，由(1)式得到整个时间序列上想象双手和双脚运动的64导诱发响应Evoked信号

步骤2，对步骤1.3中求出的两类Evoked信号使用WMNE脑源成像算法分别进行脑电逆变换，由(2)式得到相应想象双手和双脚运动在脑源空间随时间变化的7498个偶极子估计，分别记作

步骤3，为了选出两类想象任务在脑源域差异性最明显的时段区间TOI，所以利用公式(4)将双手和双脚偶极子源估计

做差，得到两种想象任务的差值偶极子波形

图3展示了双手双脚运动想象的偶极子估计

以及它们的差值波形

不同的颜色代表了不同的偶极子估值变化，从差值波形可以看出，两类运动想象任务差异较明显的时间段为2～3s，而差异性最明显的时刻为2.363s。因此，选取2～3s为初始TOI区间，以2.363s为TOI中心时刻逐步缩小TOI范围，后续的TOI范围依次选取为2.3～2.5s，2.35～2.4s，2.35～2.38s，2.35～2.37s并进行迭代，根据最后的分类正确率来确定最终差异最明显的脑源空间时段区间TOI。

步骤4，再次使用(2)式的WMNE脑源成像算法对步骤1.1和1.2中的所有64导Epochs信号(总数N_T＝15)分别进行脑电逆变换，得到所有双手和双脚运动想象任务在脑源域的时变偶极子估计

其中n＝{1,2,…,15}。再将

在TOI区间(包含h个采样点)每个采样点处的7498个偶极子估值构成一组特征向量

因此得到两类运动想象任务在脑源空间的特征集

特征集总数d＝15×h，其中想象双手的特征集数为7×h，双脚的特征集数为8×h，特征维度为7498。

步骤5，采用零均值标准化对步骤4中的所有偶极子特征向量进行零均值标准化处理，经过处理后的特征量将满足标准的正态分布，将为特征选择和模式分类加快寻优速度。

步骤6，利用单变量特征选择方法UFS对步骤5标准化后的偶极子特征进行降维。初始化K＝1，获得该参数下的特征集

步骤7，将步骤6中特征集F′∈R^K×d中两类所有偶极子特征利用支持向量机进行训练分类，并采用十折交叉验证计得到平均解码精度。定义参数K的最大值K_max＝50，并设置K从1到50迭代，迭代步长为1，对于第一个受试者，当选取TOI区间为2.35～2.38s(此时h＝6)，参数K＝30时，即特征集总数为d＝15×6＝90(双手42，双脚48)，每个特征的偶极子维度为30时，解码精度达到最高82.50％。

为了证明本发明的优越性，实验最终选取了5个受试者的双手双脚运动想象脑电信号运用本发明中的OA-WMNE方法得到了最优参数下的最高解码精度，并在相同数据集下与一般的ICA-WMNE方法下最高解码精度进行了对比，对比结果如表1所示。

表1两种解码方法解码精度对比

从表1可以看出，5个受试者采用本发明中的OA-WMNE方法最高解码精度均值达到了81.32％，明显高于一般的ICA-WMNE的方法。另外，本发明在脑源空间按照TOI中的采样点重新划分样本集，这样的处理不仅取得了较高的源领域解码精度，而且为BCI系统的实时性奠定了基础，进一步表明了本发明具有的显著性优势。

Claims (1)

1.基于OA-WMNE脑源成像的运动想象脑电信号的解码方法，其特征在于：

步骤1，运动想象脑电信号预处理；

步骤1.1，根据运动想象任务类别的标签ID，选取每种任务同一时间段的多导脑电信号作为一次Epoch信号，记为

其中，T＝{a，b}表示任务类别，n＝{1，2，…，n_T}，n_T代表T类任务Epoch信号的数量；j表示导联数量，k为采样点数，t＝{t₁，t₂…t_k}；

步骤1.2，截取运动想象前1s的脑电信号对MI-EEG信号进行基线校正，以克服原始脑电信号采集过程中因采集设备、外部环境噪音的干扰所引起的基线漂移问题，实现基线校正；

步骤1.3，对基线校正后同类运动想象任务的所有Epoch信号

进行时域上的叠加平均得到相应的Evoked信号

表示为下式：

步骤2，由于覆盖在脑皮层上的离散等效电流偶极子有7498个，远远大于头皮层电极数量，采用WMNE源成像方法进行脑电逆变换，公式如下：

式中，

表示得到的7498个偶极子源估计；G∈R^7498×j为导联场矩阵，通过多层头模型的体积传导效应和头皮电极位置分布计算得到；λ代表正则化参数，利用吉洪诺夫正则化的L曲线方法求得；W为权值矩阵，是通过导联场矩阵G构建起来的一个对角矩阵，定义为(3)式：

W＝diag(||g₁||，||g₂||…||g_i||，…||g₇₄₉₈||) (3)

其中，||g_i||是导联场矩阵G中第i列向量的欧几里得范数，1≤i≤7498；

步骤3，对步骤1.3中两类任务的Evoked信号

和

采用步骤2中的WMNE脑源成像方法进行逆变换即式(2)，得到相应运动想象任务下脑电时间序列的偶极子估计，分别记作

和

再依式(4)计算偶极子差值

以选取两类任务偶极子波形差异最明显的感兴趣时段区间TOI，感兴趣时段区间TOI包含的采样点数用h表示；

步骤4，使用(2)式的WMNE脑源成像算法对步骤1.1和1.2中的所有64导Epochs信号分别进行脑电逆变换，得到所有双手和双脚运动想象任务在脑源域的时变偶极子估计；对预处理后的每个Epoch信号

进行脑电逆变换，得到相应运动想象脑电信号的偶极子估计

其中n＝{1，2，…，n_a+n_b}；再将

在感兴趣时段区间TOI中第τ个采样点处的7498个偶极子源估值构成特征向量，得到该第τ个采样点上的一组特征

其中，n＝{1，2，…，n_a+n_b}，1≤τ≤h；从而，获得两类运动想象任务在脑源空间的特征集

特征集样本总数d＝N_T×h，N_T＝n_a+n_b；n_a代表a类任务的数量，n_b代表b类任务的数量，n_a+n_b是两种任务的总数；

步骤5，将步骤4中的所有偶极子特征向量

进行零均值标准化，满足标准正态分布，在特征选择和分类中加快寻找最优解速度，以克服两类运动想象偶极子幅值的不均衡影响解码精度问题；

步骤6，利用基于方差分析的单变量特征选择方法(Univariate Feature Selection，UFS)对两类任务标准化后的偶极子特征进行降维，通过调整SelectKBest函数参数K，来保留评分最高即特征显著性最高的前K个偶极子特征；初始化K＝1，获得该参数下的特征集

步骤7，选用支持向量机对上述特征集F′∈R^K×d中两类所有偶极子特征进行训练与分类，采用交叉验证法得出平均解码精度；定义参数K的最大值为K_max，并设置参数K从1到K_max迭代，获取迭代过程中最高平均解码精度，此时感兴趣时段区间TOI下的参数K为最优。

Images