CN109241836B - 一种脑电信号实时特征提取方法 - Google Patents

一种脑电信号实时特征提取方法 Download PDF

Info

Publication number
CN109241836B
CN109241836B CN201810844880.9A CN201810844880A CN109241836B CN 109241836 B CN109241836 B CN 109241836B CN 201810844880 A CN201810844880 A CN 201810844880A CN 109241836 B CN109241836 B CN 109241836B
Authority
CN
China
Prior art keywords
electroencephalogram signal
electroencephalogram
feature extraction
extraction method
time
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
Application number
CN201810844880.9A
Other languages
English (en)
Other versions
CN109241836A (zh
Inventor
吴占雄
吴东南
徐东
曾毓
高明煜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810844880.9A priority Critical patent/CN109241836B/zh
Publication of CN109241836A publication Critical patent/CN109241836A/zh
Application granted granted Critical
Publication of CN109241836B publication Critical patent/CN109241836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明一种脑电信号实时特征提取方法，本发明假设N为脑电信号采样点数，Q为脑电信号采样通道数目，脑电信号时间序列为S＝{s1,s2,…,sQ}N×Q，M为正整数，保证脑电采样点数为2的整数次幂，分别计算系数
Figure RE-DDA0001839150160000011
与

Description

一种脑电信号实时特征提取方法
技术领域
本发明涉及一种特征提取方法，具体涉及一种脑电信号实时特征提取 方法。
背景技术
在脑机接口(Brain computer interface,BCI)系统中，需通过实 时特征提取来从头皮脑电位中得到输出命令。而脑电位信号复杂且易受噪 音干扰，很多特征提取算法实现复杂、计算耗时、不易于在嵌入式设备中 实现(微型化)。
发明内容
本发明针对现有技术的不足，提出了一种脑电信号实时特征提取方 法。
本发明一种脑电信号实时特征提取方法，该方法具体如下：
假设N为脑电信号采样点数，N＝2M。Q为脑电信号采样通道数目，脑 电信号时间序列为S＝{s1,s2,…,sQ}N×Q，M为正整数，保证脑电采样点数为2 的整数次幂，且大于7。
步骤1：设置k＝M-1。对于i＝1,2,…,Q，分别计算系数
Figure BDA0001746406930000011
与
Figure BDA0001746406930000012
Figure BDA0001746406930000013
Figure BDA0001746406930000014
Figure BDA0001746406930000021
表示相邻采样点脑电信号和的
Figure BDA0001746406930000022
倍，
Figure BDA0001746406930000023
表示相邻采样点信号差 的
Figure BDA0001746406930000024
倍。
步骤2：对脑电信号序列计算能量值E(BM-1)：
Figure BDA0001746406930000025
步骤3：使k＝k-1
步骤3.1：计算
Figure BDA0001746406930000026
及E(Bk)：
Figure BDA0001746406930000027
Figure BDA0001746406930000028
Figure BDA0001746406930000029
其中
Figure BDA00017464069300000210
上一次
Figure BDA00017464069300000211
系数迭代的和值分量，
Figure BDA00017464069300000212
为上一次
Figure BDA00017464069300000213
系数迭代的差 值分量。E(Bk)为当前迭代的能量值。
步骤3.2：
如果E(Bk)＞E(Bk+1)，则认为
Figure BDA00017464069300000214
为S的特征集，运行结束。在 E(Bk)≤E(Bk+1)情况下，如果k＝0，则认为
Figure BDA00017464069300000215
为S的特征集，运行结束；否 则，跳转到步骤3继续迭代执行。
本发明的有益效果：本发明能自动识别特征维度，不需要预先设置， 提高了识别精度。同时本发明方便用硬件编程语言如VHDL，Verilog等来 实现，计算效率高，对计算资源要求低，便于在FPGA中实现。
具体实施方式
本发明一种脑电信号实时特征提取方法，该方法具体如下：
假设N为脑电信号采样点数，N＝2M。Q为脑电信号采样通道数目，脑 电信号时间序列为S＝{s1,s2,…,sQ}N×Q，M为正整数(保证脑电采样点数为2 的整数次幂，一般要大于7)。
步骤1：设置k＝M-1。对于i＝1,2,…,Q，分别计算系数
Figure BDA0001746406930000031
与
Figure BDA0001746406930000032
Figure BDA0001746406930000033
Figure BDA0001746406930000034
Figure BDA0001746406930000035
表示相邻采样点脑电信号和的
Figure BDA0001746406930000036
倍，
Figure BDA0001746406930000037
表示相邻采样点信号差 的
Figure BDA0001746406930000038
倍。
步骤2：对脑电信号序列计算能量值E(BM-1)：
Figure BDA0001746406930000039
步骤3：使k＝k-1
步骤3.1：计算
Figure BDA00017464069300000310
及E(Bk)：
Figure BDA00017464069300000311
Figure BDA00017464069300000312
Figure BDA00017464069300000313
其中
Figure BDA00017464069300000314
上一次
Figure BDA00017464069300000315
系数迭代的和值分量，
Figure BDA00017464069300000316
为上一次
Figure BDA00017464069300000317
系数迭代的差 值分量。E(Bk)为当前迭代的能量值。
步骤3.2：
如果E(Bk)＞E(Bk+1)，则认为
Figure BDA0001746406930000041
为S的特征集，运行结束。在 E(Bk)≤E(Bk+1)情况下，如果k＝0，则认为
Figure BDA0001746406930000042
为S的特征集，运行结束；否 则，跳转到步骤3继续迭代执行。

Claims (1)

1.一种脑电信号实时特征提取方法，其特征在于，该方法具体如下：
假设N为脑电信号采样点数，N＝2M；Q为脑电信号采样通道数目，脑电信号时间序列为S＝{s1,s2,…,sQ}N×Q，M为正整数，保证脑电采样点数为2的整数次幂，且大于7；
步骤1：设置k＝M-1；对于i＝1,2,…,Q，分别计算系数
Figure FDA0003459541040000011
与
Figure FDA0003459541040000012
Figure FDA0003459541040000013
Figure FDA0003459541040000014
Figure FDA0003459541040000015
表示相邻采样点脑电信号和的
Figure FDA0003459541040000016
倍，
Figure FDA0003459541040000017
表示相邻采样点信号差的
Figure FDA0003459541040000018
倍；
步骤2：对脑电信号序列计算能量值E(BM-1)：
Figure FDA0003459541040000019
步骤3：令k＝k-1；
步骤3.1：计算
Figure FDA00034595410400000110
及E(Bk)：
Figure FDA00034595410400000111
Figure FDA00034595410400000112
Figure FDA00034595410400000113
其中
Figure FDA00034595410400000114
为上一次
Figure FDA00034595410400000115
系数迭代的和值分量，
Figure FDA00034595410400000116
为上一次
Figure FDA00034595410400000117
系数迭代的差值分量；E(Bk)为当前迭代的能量值；步骤3.2：
如果E(Bk)>E(Bk+1)，则认为
Figure FDA0003459541040000021
为S的特征集，运行结束；在E(Bk)≤E(Bk+1)情况下，如果k＝0，则认为
Figure FDA0003459541040000022
为S的特征集，运行结束；否则，跳转到步骤3继续迭代执行。
CN201810844880.9A 2018-07-27 2018-07-27 一种脑电信号实时特征提取方法 Active CN109241836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810844880.9A CN109241836B (zh) 2018-07-27 2018-07-27 一种脑电信号实时特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810844880.9A CN109241836B (zh) 2018-07-27 2018-07-27 一种脑电信号实时特征提取方法

Publications (2)

Publication Number Publication Date
CN109241836A CN109241836A (zh) 2019-01-18
CN109241836B true CN109241836B (zh) 2022-03-01

Family

ID=65073123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810844880.9A Active CN109241836B (zh) 2018-07-27 2018-07-27 一种脑电信号实时特征提取方法

Country Status (1)

Country Link
CN (1) CN109241836B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN106108893A (zh) * 2016-06-20 2016-11-16 杭州电子科技大学 基于眼电、脑电的运动想象训练人机交互系统设计方法
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统
CN107239142A (zh) * 2017-06-01 2017-10-10 南京邮电大学 一种结合公共空间模式算法和emd的脑电信号特征提取方法
CN107961005A (zh) * 2017-11-07 2018-04-27 东南大学 少通道脑机接口eeg信号的特征提取方法
CN108038429A (zh) * 2017-11-30 2018-05-15 西安交通大学 一种运动执行的单次脑电特征提取分类方法
CN108175401A (zh) * 2017-12-08 2018-06-19 浙江大学 一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9792823B2 (en) * 2014-09-15 2017-10-17 Raytheon Bbn Technologies Corp. Multi-view learning in detection of psychological states

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN106108893A (zh) * 2016-06-20 2016-11-16 杭州电子科技大学 基于眼电、脑电的运动想象训练人机交互系统设计方法
CN107239142A (zh) * 2017-06-01 2017-10-10 南京邮电大学 一种结合公共空间模式算法和emd的脑电信号特征提取方法
CN107219927A (zh) * 2017-06-02 2017-09-29 辽宁工业大学 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统
CN107961005A (zh) * 2017-11-07 2018-04-27 东南大学 少通道脑机接口eeg信号的特征提取方法
CN108038429A (zh) * 2017-11-30 2018-05-15 西安交通大学 一种运动执行的单次脑电特征提取分类方法
CN108175401A (zh) * 2017-12-08 2018-06-19 浙江大学 一种非接触非侵入无损伤的癫痫对偶互补方式监测预警干预系统及获取干扰脑电分布的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EEG feature extraction for classification of sleep stages;E. Estrada 等;《The 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20050314;第196-199页 *
Kernel Nonnegative Matrix Factorization with Constraint Increasing the Discriminability of Two Classes for the EEG Feature Extraction;Motoki Sakai 等;《2013 International Conference on Signal-Image Technology & Internet-Based Systems》;20140130;第996-970页 *
基于能量特征的脑电信号特征提取与分类;黄思娟 等;《传感技术学报》;20101231;第23卷(第6期);第782-785页 *
基于运动想象脑电信号的机器人控制研究;满海涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;第2014年卷(第9期);I140-239 *
脑白质电导率各向异性及非均质对头皮脑电分布的影响;吴占雄 等;《传感技术学报》;20101231;第23卷(第11期);第1523-1527页 *

Also Published As

Publication number Publication date
CN109241836A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN107024711B (zh) 一种闪烁脉冲数字化信号的拟合方法
Deng et al. SVD-based design and new structures for variable fractional-delay digital filters
CN107147397B (zh) 面向可穿戴设备的快速压缩感知重构方法
CN108852348A (zh) 头皮脑电的采集位点排序方法及系统
CN116049639B (zh) 脑电图信号的选择性迁移学习方法、装置及存储介质
CN104055512A (zh) 一种心电数据快速重采样方法
CN103860167A (zh) 基于非负矩阵分解的j波提取和分析方法
CN111580654A (zh) 一种基于emd的脑电信号的短时特征提取方法
CN111191509B (zh) 基于scsp-lda的脑电信号特征提取与分类方法
CN109241836B (zh) 一种脑电信号实时特征提取方法
CN114492500A (zh) 基于一维卷积核的运动想象脑电信号分类方法
CN107961005B (zh) 少通道脑机接口eeg信号的特征提取方法
CN109063782B (zh) 一种自适应泵站故障智能诊断方法
CN107037262B (zh) 一种大数据频谱分析系统及其方法
CN115097196A (zh) 一种数字化弧焊电源的输出电压采集方法和模数转换电路
CN110558969B (zh) 基于静态和动态联合符号化的心率时间不可逆分析方法
Yang et al. Motor imagery EEG recognition based on FBCSP and PCA
CN105974283B (zh) 基于小波包生存指数奇异熵的电缆局放特征提取方法
Bhardwaj et al. Low complexity hardware accelerator for nD FastICA based on coordinate rotation
CN111008356A (zh) 一种基于WTSVD算法扣除背景的γ能谱集分析方法
CN110464345B (zh) 一种独立头部生物电源信号干扰剔除方法及系统
Li et al. An effective way of J wave separation based on multilayer NMF
CN112998646B (zh) 无特征描述的多通道表面肌电动作意图识别法
CN103337246B (zh) 基于预分离的盲信号分离方法
US9268745B2 (en) Method for fast wavelet transform of a signal

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