CN109241879A - 基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法 - Google Patents

Abstract

本发明公开了基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法，首先，计算MI‑EEG的复合多尺度模糊熵时间序列，根据每个运动想像任务T不同导联的CMFE熵值差异和变化情况确定最优时间段，并将该时间段内的MI‑EEG信号进一步用于特征提取；然后，对CMFE粗粒化过程中不同采样点引入权重因子以获取τ个加权粗粒化序列，再求各粗粒化序列的模糊熵，并将其平均值定义为WCMFE；针对各种运动想像任务T任意导联C_i计算单尺度τ下的WCMFE；确定尺度因子τ的变化范围，计算多个尺度下的WCMFE，依次构造各尺度τ下的特征向量和各类运动想像任务T的特征向量F_T，并进一步融合为MI‑EEG的特征向量F，进一步提高了分类准确率。

Description

基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取 方法

技术领域

本发明属于脑电信号处理技术领域，应用于脑-机接口(Brain-ComputerInterface,BCI)系统中对运动想象脑电信号的特征提取，具体采用加权复合多尺度模糊熵(Weighted Composite Multiscale Fuzzy Entropy,WCMFE)的方法对运动想象脑电信号进行非线性动力学特征提取。

背景技术

人们在进行运动想象时，大脑皮层会产生带有节律性活动的运动想象脑电信号(Motor Imagery Electroencephalography,MI-EEG)。基于运动想象的脑机接口技术(Brain Computer Interface，BCI)可用于运动神经功能障碍患者的训练与康复。由于MI-EEG对噪声敏感，具有时变和模糊特性，其特征提取已成为基于BCI的康复工程研究的关键问题。

随着非线性动力学的发展，很多研究表明大脑是一个非线性动力学系统。其中，熵是用于量化时间序列的复杂性和不规律性的一种常用方法，很多基于熵的方法已成功的应用于脑电信号的特征提取。复合多尺度模糊熵(Composite Multiscale Fuzzy Entropy,CMFE)能够综合同一尺度下多个粗粒化序列的信息，在故障诊断领域得到了一定的应用。

但是，从信号处理的角度来看，CMFE粗粒化的过程相当于均值滤波，它为不同的采样点赋予了相同的权重。若将CMFE用于处理时变的MI-EEG，显然是不合理的，这必然会影响模式分类的准确率。

发明内容

针对现有CMFE方法存在的不足，本发明提出一种加权复合多尺度模糊熵(Weighted Composite Multiscale Fuzzy Entropy,WCMFE)，并用于运动想象脑电信号的特征提取。该方法能够获取多个尺度下更深层次的非线性动力学特征，更加吻合MI-EEG的非线性和时变特性，有利于提高模式分类的精度。

本发明采用如下的技术方案：基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法，具体包括以下步骤：

(1)脑电信号的预处理

对于二类运动想象任务的MI-EEG信号，假设为第T类运动想象任务下第i个导联C_i的原始MI-EEG时间序列，其中，T∈{1,2}，i∈[1,n_c]，n_c为导联总数，e为总采样点数。首先，针对第1类运动想象任务，在τ尺度下，依次去掉的起始j个点，0≤j≤e-τ，再分别计算剩余点的CMFE，并将其构成CMFE时间序列，记作将多个同类样本的CMFE时间序列曲线叠加平均，得到

其次，按上述类似步骤，求得第2类运动想象任务下导联C_i的叠加平均复合多尺度模糊熵进而，对于每个想象任务T，综合考虑和的变化情况，i,j∈[1,n_c]，且i≠j，选取其变化突出且差异最明显的采样区域[a,b]为最优时间段，并将该时段的MI-EEG原始时间序列重新记作N＝b-a+1为预处理后MI-EEG的采样点数。

(2)加权复合多尺度模糊熵的定义

1)加权复合多尺度模糊熵的粗粒化

在CMFE粗粒化过程中，对不同采样点引入权重因子以获得加权复合多尺度模糊熵，即WCMFE。这里，τ表示尺度因子，h∈{1,2,3,4}为权重因子的选取模式，且当尺度因子为τ时，第T类运动想象任务下任意导联C_i的第k个加权粗粒化过程表示为：

其中，T∈{1,2}，i∈[1,n_c]，n_c为总导联数，是预处理后第T类任务导联C_i的脑电信号，N代表预处理后的MI-EEG的采样点数，为加权粗粒化序列的采样点数。从而获得τ个加权粗粒化序列如下：

2)加权复合多尺度模糊熵的定义

针对上述τ个多尺度加权粗粒化序列假设其模糊熵为这里，1≤k≤τ。并定义这τ个模糊熵值的平均值为T类任务下导联C_i的加权复合多尺度模糊熵即

其中，m表示嵌入维数，n为边界梯度，r为相似容限。

(3)单尺度下加权复合多尺度模糊熵的计算

对任意尺度τ∈[1,τ_max]，计算第T∈{1,2}类任务所有导联的并将其串行融合构成该尺度下的特征向量如式(3)：

其中，τ_max表示尺度因子的最大值，n_c表示导联总数。

(4)尺度因子τ变化范围的确定

随着尺度因子τ的增加，加权粗粒化序列越平滑；当尺度因子过大时，不同尺度下的加权粗粒化序列的差异越来越小，且序列过于平滑，会抹去部分有用信息，造成特征信息遗漏和分类准确率下降。为此，要综合考虑τ对序列平滑性和分类精度的影响，确定其最大值τ_max。

(5)特征向量的构造

将第T类任务任意尺度τ∈[1,τ_max]时的特征向量进行串行融合，获得T类任务下MI-EEG的特征向量如下：

再将二类任务的特征向量并行融合，得到MI-EEG的特征向量为：

与现有技术相比，本发明具有以下优点：

本发明针对CMFE在提取MI-EEG的特征时忽略信号时变特性的缺陷，提出一种加权复合多尺度模糊熵，即WCMFE，并用于MI-EEG的特征提取。具体体现在：在粗粒化的过程中引入了权重因子，为不同的采样点赋予不同的权值来改变MI-EEG的粗粒化序列，从而获得WCMFE。将每类运动想像任务下任意尺度的WCMFE相融合构成MI-EEG的特征向量，更有利于表征其非线性和时变特性。采用BP神经网络分类这些特征时，其10次十折交叉验证的平均分类准确率达到93.86％，相比于以CMFE为特征提高了0.68％。本发明适用于非线性、时变的MI-EEG的特征提取，有利于提高分类精度。

附图说明

图1 MI-EEG采集时序图。

图2 本发明的实施流程图。

图3(a) C3、C4导联想象左手运动的平均CMFE时间序列曲线图。

图3(b) C3、C4导联想象右手运动的平均CMFE时间序列曲线图。

图4 多尺度下权重因子模式对平均分类准确率的影响。

具体实施方式

本发明采用的实验数据来自于“BCI Competition 2003”竞赛数据库。记录了C3、Cz、C4三导的脑电信号，采样频率为128Hz，并经过0.5～30Hz的带通滤波。采集时序图如图1所示，单次实验持续9s，前两秒受试者处于放松状态，t＝2s时屏幕上出现一个“+”字光标，t＝3～9s，受试者根据提示完成想象左手或右手运动。训练集和测试集均含140次实验数据，其中，想象左右手运动想像各70次。

如图2所示，本发明的具体实施步骤为：

(1)脑电信号的预处理

对于想象左右手运动的MI-EEG信号，在第T类运动想象任务下，假设为第i个导联C_i第t次训练集实验的原始MI-EEG时间序列，其中，T∈{1,2}，T＝1时，代表想象左手运动，T＝2为想象右手运动，i∈[1,n_c]，n_c＝3为导联总数，C₁、C₂和C₃分别代表C3、C4和Cz导联，1≤t≤70，e＝128×9为总采样点数。针对想象左手运动C3导联的MI-EEG信号，在τ尺度上，依次去掉的起始j个采样点，再分别计算剩余点的CMFE。其中，0≤j≤e-τ。由此得到该次实验的CMFE时间序列，记作其相关参数取值为：尺度因子τ＝2，嵌入维数m＝2，边界梯度n＝2，相似容限r＝0.15SD，其中SD表示为原始MI-EEG时间序列的标准差。再将70次想象左手运动叠加平均求得C3导联的平均CMFE，即其次，按上述类似步骤，可以求出想象左手运动C4导联的平均CMFE时间序列并将其绘制成如图3(a)所示的曲线。再根据上述过程求取想象右手运动C3、C4导联的平均CMFE时间序列和并绘制成如图3(b)所示的曲线。

当采样区间为[450,900]时，对每个想象任务T，和变化突出且差异最明显，因此，本发明所需的最优时间段为[450,900]，并将该时段的MI-EEG原始时间序列重新记作N＝451为预处理后MI-EEG的采样点数。

(2)加权复合多尺度模糊熵的定义

1)加权复合多尺度模糊熵的粗粒化

由于线性相位FIR(Finite Impulse Response)滤波器的单位脉冲响应具有对称特性，故定义权重因子为这里，τ＞2表示尺度因子，h∈{1,2,3,4}为权重因子的选取模式。当h＝1时，W^τ,1表示权重因子的首尾点取值均为0.1，h＝2时，W^τ,2表示首尾点取值均为0.2，并以此类推。且中间τ-2个点取值相等，权重因子的和为1。

当尺度因子τ＝1时，即表示原始MI-EEG时间序列；τ＝2时，权重因子均为0.5；τ＞2时，根据公式(1)计算MI-EEG信号在τ尺度下第T类运动想象任务导联C_i的τ个加权粗粒化序列 这里，为加权粗粒化序列的采样点数。

2)加权复合多尺度模糊熵的定义

针对上述τ个多尺度加权粗粒化序列假设其模糊熵为这里，1≤k≤τ。并依公式(2)定义T类任务下导联C_i的加权复合多尺度模糊熵相关参数选取为m＝2，n＝2，r＝0.15。

(3)单尺度下加权复合多尺度模糊熵的计算

对任意尺度τ∈[1,τ_max]，计算想象左手运动各导联的并构造该尺度下的特征向量类似地，获得想象右手运动的特征向量其中，τ_max表示最大尺度因子。

(4)尺度因子τ变化范围的确定

随着尺度因子τ的增加，加权粗粒化序列的平滑性更好；当5≤τ≤7时，不同尺度下的加权粗粒化序列间的差异会越来越小。若τ继续增加，序列过于平滑，会抹去部分有用信息，造成特征信息遗漏和分类准确率下降。因此，选取其最大值为τ_max＝7。

(5)特征向量的构造

首先，选取不同模式的权重因子W^τ,1,W^τ,2,W^τ,3,W^τ,4，并按公式(4)，将想象左手运动任务时1-7个尺度上的特征向量串行融合，构成想象左手运动MI-EEG的特征F₁；类似地，获得想象右手运动的特征向量F₂。进而，按公式(5)将其并行融合得到MI-EEG的特征向量F。

采用BP神经网络进行特征分类，并将10次十折交叉验证的平均值作为平均分类准确率。图4为前3-7尺度上四种权重因子模式下的平均分类准确率。在h＝3模式下，权重因子为W^5,3的识别率最高为93.18％，与以CMFE为特征时相比平均识别率提高了0.68％，且显著性检验的结果表明了WCMFE的优越性。这说明WCMFE更适合提取非线性和时变的MI-EEG的特征，证明了WCMFE的有效性。

Claims (1)

1.基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法，其特征在于，包括以下步骤：

(1)脑电信号的预处理

对于二类运动想象任务的MI-EEG信号，假设为第T类运动想象任务下第i个导联C_i的原始MI-EEG时间序列，其中，T∈{1,2}，i∈[1,n_c]，n_c为导联总数，e为总采样点数；首先，针对第1类运动想象任务，在τ尺度下，依次去掉的起始j(0≤j≤e-τ)个点，再分别计算剩余点的CMFE，并将其构成CMFE时间序列，记作将多个同类样本的CMFE时间序列曲线叠加平均得到其次，按上述类似步骤，可求得第2类运动想象任务下导联C_i的叠加平均复合多尺度模糊熵进而，对于每个想象任务T，综合考虑和的变化情况，i,j∈[1,n_c]，且i≠j，选取其变化突出且差异最明显的采样区域[a,b]为最优时间段，并将该时段的MI-EEG原始时间序列重新记作N＝b-a+1为预处理后MI-EEG的采样点数；

(2)加权复合多尺度模糊熵的定义

1)加权复合多尺度模糊熵的粗粒化

在CMFE粗粒化过程中，对不同采样点引入权重因子W^τ,h＝[W^τ,h(1),W^τ,h(2),···,W^τ,h(τ)]∈R^1×τ，以获得加权复合多尺度模糊熵，即WCMFE；这里，τ表示尺度因子，h∈{1,2,3,4}为权重因子的选取模式，且当尺度因子为τ时，第T类运动想象任务下任意导联C_i的第k个加权粗粒化过程表示为：

其中，T∈{1,2}，i∈[1,n_c]，n_c为总导联数，是预处理后第T类任务导联C_i的脑电信号，N代表预处理后的MI-EEG的采样点数，为加权粗粒化序列的采样点数；从而获得τ个加权粗粒化序列如下：

2)加权复合多尺度模糊熵的定义

针对上述τ个多尺度加权粗粒化序列假设其模糊熵为这里，1≤k≤τ；并定义这τ个模糊熵值的平均值为T类任务下导联C_i的加权复合多尺度模糊熵即

其中，m表示嵌入维数，n为边界梯度，r为相似容限；

(3)单尺度下加权复合多尺度模糊熵的计算

对任意尺度τ∈[1,τ_max]，计算第T∈{1,2}类任务所有导联的并将其串行融合构成该尺度下的特征向量如式(3)：

其中，τ_max表示尺度因子的最大值，n_c表示导联总数；

(4)尺度因子τ变化范围的确定

随着尺度因子τ的增加，加权粗粒化序列越平滑；当尺度因子过大时，不同尺度下的加权粗粒化序列的差异越来越小，且序列过于平滑，会抹去部分有用信息，造成特征信息遗漏和分类准确率下降；为此，要综合考虑τ对序列平滑性和分类精度的影响，确定其最大值τ_max；

(5)特征向量的构造

将第T类任务任意尺度τ∈[1,τ_max]时的特征向量进行串行融合，获得T类任务下MI-EEG的特征向量如下：

再将二类任务的特征向量并行融合，得到MI-EEG的特征向量为：