CN109558863A - 脑电信号特征表示与提取方法、装置及存储介质 - Google Patents

脑电信号特征表示与提取方法、装置及存储介质 Download PDF

Info

Publication number
CN109558863A
CN109558863A CN201910013383.9A CN201910013383A CN109558863A CN 109558863 A CN109558863 A CN 109558863A CN 201910013383 A CN201910013383 A CN 201910013383A CN 109558863 A CN109558863 A CN 109558863A
Authority
CN
China
Prior art keywords
eeg signals
unusual spectral
signal
sample entropy
length
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.)
Granted
Application number
CN201910013383.9A
Other languages
English (en)
Other versions
CN109558863B (zh
Inventor
陆云
王明江
韩宇菲
张啟权
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910013383.9A priority Critical patent/CN109558863B/zh
Publication of CN109558863A publication Critical patent/CN109558863A/zh
Application granted granted Critical
Publication of CN109558863B publication Critical patent/CN109558863B/zh
Expired - Fee Related 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (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奇异谱分解和样本熵的脑电信号特征表示与提取方法、装置及存储介质。通过获取脑电信号并对所述脑电信号进行预处理，得到预处理后的脑电信号；对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。本发明方法非常适合非线性、非平稳的脑电信号特征表示与提取，提取到的特征信息能有效地直接表征出不同生理状态的生理信息，可高效地应用于脑电信号的分类、模式识别，以及能够作为一种诊断标记在临床脑电信号分析中具有重要参考价值。

Description

脑电信号特征表示与提取方法、装置及存储介质
技术领域
本发明属于脑电信号处理技术领域，涉及一种脑电信号特征提取方法，尤其涉及一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法、装置及存储介质。
背景技术
脑电信号，是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。大脑的电荷是由数十亿个神经元共同维护的，神经元的极化过程由神经元的膜转运蛋白来完成。神经元不断完成细胞内外环境中的离子交换，同一种类的离子之间相互排斥，在大量离子从神经元的内部被交换到外部时，就会对神经元外部的同类离子产生排斥力，被排斥的离子又会像从神经元交换出来的离子那样产生排斥效应，如此传递下去就有波的出现；当离子波传递到达头皮上的电极时，它们会对头皮上的电子形成或退或拉的作用力，最终使得放置在头皮不同位置上两个电极之间形成了电压其可以检测出来的电压变化，并随着时间的推移记录的电压就形成了我们所使用的脑电信号。
脑电信号是一种非常微弱的生理电信号(微伏数量级)，主要的特性包含四点特征：(1)信噪比很低，脑电信号常指采集自脑部皮层的电信号，这样的采集方式使得非皮层的信号很容易混入到我们真正需要的信号中，统一称之为噪声。噪声一般分为三种：眼电、心电、肌电以及来自外部环境的干扰，其中，眨眼动作造成的干扰尤为明显，想要减少这类干扰，只有当眼睛和眼睛周围组织完全保持不动的情况下才可以，而眨眼动作总会在一分钟内总会出现几次，眼部转动同样不可避免，严重影响了脑电信号的质量；(2)具备高时间分辨率和低空间分辨率，脑电信号对于不同类型的神经元能够检测到毫秒级别的变化，因此它最大可能的考虑到需要0.5-130毫秒的时间段内来传递单个神经元因动作电位带来的影响；于此相反，脑电信号的空间分辨率却十分低下，只有常用的功能磁共振成像可以很直接向我们展示脑部的空间活动情况，而脑电信号想要做到这样十分困难，我们还只能假设哪个脑部区域是由某个特定的活动激活；(3)非平稳性以及随机性，非平稳性源自于脑电信号来源多且不能从数学的角度由脑电信号唯一重建的颅内信号源，所以说我们采集的脑电信号是混合信号，非平稳性就很容易理解；随机性源于对脑电信号运作机制和模式没有一个明确的认识，采集到的脑电信号呈现明显的随机性；(4)节律性，脑电信号通常表现出一定的节律性的活动和瞬变，节律性的活动成分以波段的频率来划分，通常划分为Delta、Theta、Alpha、Beta和Gamma 5个频带，脑电信号除节律性活动还会有些瞬态特征。由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的特征提取一直是非常吸引人但又是具有相当难度的研究课题。
脑电信号中包含了大量的生理与疾病信息，在工程应用方面，人们也尝试利用脑电信号实现脑—计算机接口，利用人对不同的感觉、运动或认知活动的脑电的不同，通过对脑电信号的有效的提取和分类达到某种控制目的。脑电信号通常都不是平稳的生理信号且蕴含了丰富的非线性生理信息。现有的脑电信号的表征与特征提取方法：一方面，难以有效提取到脑电信号中的非线性特征；另一方面，尤其对于非平稳的脑电信号来说，依然具有很多局限性，信号越不平稳，提取的有效的特征模式越有限。
发明内容
本发明提供一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法、装置及存储介质，以实现非线性、非平稳的脑电信号特征表示与提取，提取的特征信息能有效地直接表征出不同生理状态的生理信息，可高效地应用于脑电信号的分类、模式识别，以及能够作为一种诊断标记在临床脑电信号分析中具有重要参考价值。
为实现上述目的，本发明提供一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法，包括以下步骤：
获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
基于所述脑电信号各阶奇异谱分量的样本熵提取脑电信号特征信息。
其中，所述对所述脑电信号进行预处理的步骤包括：对所述脑电信号进行滤波、伪差去除、趋势消除。
其中，所述对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量的步骤包括：
采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
对轨迹矩阵X，进行奇异值分解；
将轨迹矩阵X，按照奇异值从大到小，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
其中，所述采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w的步骤包括：
假定w的初始化值为1；
根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
确定信号x(n)所有的局部极大值和极小值；
利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值进行拟合，形成下包络线env_min(n)；
计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
提取细节信号h(n)＝t(n)–m(n)；
检查h(n)是否满足本征模函数的迭代终止条件；
在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；
判断剩余信号r(n)是否满足停止条件；
若最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件；
在满足迭代停止条件后，则实现了窗口长度参数w的最终确定，窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
本发明还提出一种基于奇异谱分解和样本熵的脑电信号特征表示与提取装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如下操作：
获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。
其中，所述计算机程序被所述处理器运行时还实现如下操作：
采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
对轨迹矩阵X，进行奇异值分解；
将轨迹矩阵X，按照奇异值从大到小，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
其中，所述计算机程序被所述处理器运行时还实现如下操作：
假定w的初始化值为1；
根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
确定信号x(n)所有的局部极大值和极小值；
利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值进行拟合，形成下包络线env_min(n)；
计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
提取细节信号h(n)＝t(n)–m(n)；
检查h(n)是否满足本征模函数的迭代终止条件；
在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；
判断剩余信号r(n)是否满足停止条件；
若最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件；
在满足迭代停止条件后，则实现了窗口长度参数w的最终确定，窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。
相比现有技术，本发明提出的一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法、装置及存储介质，通过获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取，本发明方法非常适合非线性、非平稳的脑电信号特征表示与提取，提取的特征信息能有效地直接对应出不同生理状态的生理信息，可高效地应用于脑电信号的分类与模式识别。
附图说明
图1是本发明基于奇异谱分解和样本熵的脑电信号特征表示与提取方法的流程示意图；
图2是本发明所述的脑电信号奇异谱分解的流程图；
图3是本发明所述的脑电信号奇异谱分解的窗口长度w的计算流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
具体地，请参照图1，图1是本发明提出的基于奇异谱分解和样本熵的脑电信号特征表示与提取方法实施例的流程示意图。
如图1所示，本发明实施例提出一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法，包括以下步骤：
步骤S10，获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
其中，所述对所述脑电信号进行预处理包括但不限于：对所述脑电信号进行滤波、伪差去除、趋势消除。
步骤S20，对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
具体地，所述对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量的步骤包括：
首先，采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
然后，对长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
然后，对轨迹矩阵X，进行奇异值分解；
然后，将轨迹矩阵X，按照奇异值从大到小，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
最后，采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
步骤S30，使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
步骤S40，基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。
本发明提出的一种基于奇异谱分解和样本熵的脑电信号的特征表示与提取方法，非常适合非线性、非平稳的脑电信号特征表示与提取，提取的特征信息能有效地直接表征出不同生理状态的生理信息，可高效地应用于脑电信号的分类、模式识别，以及能够作为一种诊断标记在临床脑电信号分析中具有重要参考价值。
以下对本发明实施例方案进行详细阐述：
图1是本发明所述的脑电信号特征提取方法框图，主要由四个步骤组成，具体为：
步骤一，脑电信号的预处理。生理时间序列的预处理，主要涉及：滤波，伪差去除，趋势消除等常见的预处理方法。
步骤二，脑电信号的奇异谱分解，主要算法流程，如图2所示。脑电信号的奇异谱分解的主要实现过程，主要由以下流程组成：
(1)长度为N一维脑电时间序列信号t(n)，n＝1,2,3,···,N；
(2)确定脑电信号相空间重构的窗口长度w。窗口长度w的确定，主要是基于集合经验模态分解方法，窗口长度w的计算流程，如图3所示。更具体一点说，参数w的选取，等于脑电信号集合经验模态分解所能形成本征模函数分量的数量，其主要的计算过程，如下：
第一步，参数w的初始化值，首先假定为1；
第二步，根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
第三步，确定信号x(n)所有的局部极大值和极小值；
第四步，利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值点进行拟合，形成下包络线env_min(n)；
第五步，计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
第六步，提取细节信号h(n)＝t(n)–m(n)；
第七步，检查h(n)是否满足本征模函数的迭代终止条件：
其中，h1,k(i)表示第1个细节信号的第k次迭代的值，SD为迭代筛选门限值(一般取0.2-0.3)，m1,1为上下包络的均值，细节信号h1,k(i)的初始值为x(n)减去上下包络线均值得到。本发明实施例取值0.2，当SD小于0.2时，本轮本征模函数分量的筛选迭代终止。
第八步，满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)。
第九步，判断剩余信号r(n)是否满足停止条件。
如果最终得到剩余信号r(n)为一常量或变化足够小，终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件。
第九步，满足迭代停止条件后，则实现了窗口长度参数w的最终确定。窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
(3)长度为N的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
轨迹矩阵X维度为，w×L，L＝N–w+1。
(4)对轨迹矩阵X，进行奇异值分解。
首先，先对其协方差矩阵XXT进行特征分解，得到特征向量和特征值分别为：Uj和λj，且j＝1,2,···,w。于是，轨迹矩阵X的奇异值分解，可表示如下：
其中，根据矩阵分解的基本原理，轨迹矩阵X可以表示成表示成w个与奇异值值相关联的矩阵累加形式，即
进一步，根据对角平均的计算方法，可以将每个矩阵Xi转换成一个一维的时间序列y(n)，具体的转换方法如下：
每个矩阵Xi，按照元素的形式，重新表示如下，
接着，根据上述的矩阵元素，依据下述的规则，生成一个一维的时间序列y(n)，即
因此，根据上述的对角平均的计算方法，将w个矩阵Xi转换成w个一维的时间序列y(n)，从而，实现了长度为N的一维生理时间序列t(n)，以窗口长度为w的奇异谱分解，得到了w个生理时间序列的奇异谱分量(长度也为N)。
步骤三，脑电信号奇异谱分量的样本熵计算，其主要的计算流程，介绍如下：
第一步，确定样本熵的计算参数。样本熵的计算，需输入两个参数m和r(其中，m称为嵌入维数，常见取值范围为2-3；r称为相似容限，常见取值范围为0.10-0.25)。我们算法实施例，采用的参数值分别为：m＝2；r＝0.15；脑电信号长度，N＝1000。
第二步，数据长度为N的脑电信号t(n)(n＝1,2,3,···,N)，按照顺序组成N-m+1个m维矢量Ti (m)表示如下，
Ti (m)＝(t(i),t(i+1),···,t(i+m-1)),1≤i≤N-m+1； (7)
第三步，对每个向量T(i)，计算T(i)与其余向量T(j)的最大距离 定义为两个项量对应元素中差值的最大。
第四步，根据给定的相似容限参数r和任意两个向量之间最大距离，定义C(i,j,r)如下，
第五步，对于向量T(i)和T(j)，如果C(i,j,r)＝1，则向量两个向量相似。统计向量T(i)与其他向量相似的总数目C(i,r)，
第六步，对于所有的向量T(i)，统计向量相似的平均数，记为Φm(r)，
第七步，将嵌入维度参数m变成m+1，重复计算流程中的第二步到第六步，得到Φm+1(r)，
第八步，根据Φm(r)和Φm+1(r)，利用对数函数，可以计算得到样本熵为，
SampEn(m,r)＝ln(Φm(r))-ln(ΨΦm+1(r))； (12)。
此外，本发明还提出一种基于奇异谱分解和样本熵的脑电信号特征表示与提取装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如下操作：
获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。
进一步地，所述计算机程序被所述处理器运行时还实现如下操作：
采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
对轨迹矩阵X，进行奇异值分解；
将轨迹矩阵X，按照奇异值从大到小，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
进一步地，所述计算机程序被所述处理器运行时还实现如下操作：
假定w的初始化值为1；
根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
确定信号x(n)所有的局部极大值和极小值；
利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值进行拟合，形成下包络线env_min(n)；
计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
提取细节信号h(n)＝t(n)–m(n)；
检查h(n)是否满足本征模函数的迭代终止条件；
在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；
判断剩余信号r(n)是否满足停止条件；
若最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件；
在满足迭代停止条件后，则实现了窗口长度参数w的最终确定，窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如上所述的方法的步骤。
与现有技术相比，本发明有以下优点：
本发明方法非常适合非线性、非平稳的脑电信号特征表示与提取，提取的特征信息能有效地直接表征出出不同生理状态的生理信息，可高效地应用于脑电信号的分类、模式识别，以及能够作为一种诊断标记在临床脑电信号分析中具有重要参考价值。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，电视机，电脑等)执行本发明各个实施例的方法。
以上所述仅为本发明的优选实施例，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流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于奇异谱分解和样本熵的脑电信号特征表示与提取方法，其特征在于，包括以下步骤：
获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。
2.根据权利要求1所述的方法，其特征在于，所述对所述脑电信号进行预处理的步骤包括：对所述脑电信号进行滤波、伪差去除、趋势消除。
3.根据权利要求1所述的方法，其特征在于，所述对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量的步骤包括：
采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
对轨迹矩阵X，进行奇异值分解；
将轨迹矩阵X，按照奇异值从大到小的顺序，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
4.根据权利要求3所述的方法，其特征在于，所述采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w的步骤包括：
假定w的初始化值为1；
根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
确定信号x(n)所有的局部极大值和极小值；
利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值进行拟合，形成下包络线env_min(n)；
计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
提取细节信号h(n)＝t(n)–m(n)；
检查h(n)是否满足本征模函数的迭代终止条件；
在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；
判断剩余信号r(n)是否满足停止条件；
若最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件；
在满足迭代停止条件后，则实现了窗口长度参数w的最终确定，窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
5.一种基于奇异谱分解和样本熵的脑电信号特征表示与提取装置，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如下操作：
获取脑电信号，并对所述脑电信号进行预处理，得到预处理后的脑电信号；
对预处理后的脑电信号进行奇异谱分解，得到脑电信号的各阶奇异谱分量；
使用样本熵算法计算脑电信号各阶奇异谱分量的样本熵；
基于所述脑电信号各阶奇异谱分量的样本熵实现脑电信号特征信息的表征与提取。
6.根据权利要求5所述的基于奇异谱分解和样本熵的脑电信号特征表示与提取装置，其特征在于，所述计算机程序被所述处理器运行时还实现如下操作：
采用集合经验模态分解方法确定脑电信号进行奇异谱分解的窗口长度w；
长度为N的预处理后的脑电信号，以窗口长度为w进行相空间重构，得到脑电信号的轨迹矩阵X：
对轨迹矩阵X，进行奇异值分解；
将轨迹矩阵X，按照奇异值从大到小，组合成矩阵加和形式，X＝X1+X2+Xi…+Xw；
采用对角平均的计算方法，将每个矩阵Xi重构出脑电信号的奇异谱分量，得到脑电信号的w个奇异谱分量。
7.根据权利要求6所述的基于奇异谱分解和样本熵的脑电信号特征表示与提取装置，其特征在于，所述计算机程序被所述处理器运行时还实现如下操作：
假定w的初始化值为1；
根据已预处理的脑电信号t(n)，添加白噪声和零均值化处理，得到信号x(n)；
确定信号x(n)所有的局部极大值和极小值；
利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值进行拟合，形成下包络线env_min(n)；
计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；
提取细节信号h(n)＝t(n)–m(n)；
检查h(n)是否满足本征模函数的迭代终止条件；
在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；
判断剩余信号r(n)是否满足停止条件；
若最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的流程第三步到第七步，进入下一轮迭代，直到满足迭代停止的条件；
在满足迭代停止条件后，则实现了窗口长度参数w的最终确定，窗口长度参数w的取值，等于脑电信号集合经验模态分解所能得到的本征模函数分量的数目。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1-4中任一项所述的方法的步骤。
CN201910013383.9A 2019-01-07 2019-01-07 脑电信号特征表示与提取方法、装置及存储介质 Expired - Fee Related CN109558863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910013383.9A CN109558863B (zh) 2019-01-07 2019-01-07 脑电信号特征表示与提取方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910013383.9A CN109558863B (zh) 2019-01-07 2019-01-07 脑电信号特征表示与提取方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN109558863A true CN109558863A (zh) 2019-04-02
CN109558863B CN109558863B (zh) 2020-11-06

Family

ID=65872572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910013383.9A Expired - Fee Related CN109558863B (zh) 2019-01-07 2019-01-07 脑电信号特征表示与提取方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN109558863B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN111990992A (zh) * 2020-09-03 2020-11-27 山东中科先进技术研究院有限公司 一种基于脑电的自主运动意图识别方法及系统
CN113229829A (zh) * 2021-04-15 2021-08-10 广东工业大学 一种四元数脑电信号提取方法及系统
CN114098763A (zh) * 2021-12-13 2022-03-01 清华大学深圳国际研究生院 一种脑电去噪方法
CN116491960A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203382A (zh) * 2016-07-20 2016-12-07 河海大学 一种基于核函数极限学习机的励磁涌流和故障电流识别方法
CN106991409A (zh) * 2017-04-14 2017-07-28 山东建筑大学 一种运动想象脑电信号特征提取与分类系统及方法
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
CN108009122A (zh) * 2017-11-06 2018-05-08 天津大学 一种改进的hht方法
CN108042130A (zh) * 2017-11-03 2018-05-18 南京邮电大学 一种基于经验模式分解（emd）的脑电信号预处理方法
CN108309290A (zh) * 2018-02-24 2018-07-24 华南理工大学 单通道脑电信号中肌电伪迹的自动去除方法
CN108596043A (zh) * 2018-03-29 2018-09-28 中国药科大学 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203382A (zh) * 2016-07-20 2016-12-07 河海大学 一种基于核函数极限学习机的励磁涌流和故障电流识别方法
CN106991409A (zh) * 2017-04-14 2017-07-28 山东建筑大学 一种运动想象脑电信号特征提取与分类系统及方法
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
CN108042130A (zh) * 2017-11-03 2018-05-18 南京邮电大学 一种基于经验模式分解（emd）的脑电信号预处理方法
CN108009122A (zh) * 2017-11-06 2018-05-08 天津大学 一种改进的hht方法
CN108309290A (zh) * 2018-02-24 2018-07-24 华南理工大学 单通道脑电信号中肌电伪迹的自动去除方法
CN108596043A (zh) * 2018-03-29 2018-09-28 中国药科大学 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法
CN108888264A (zh) * 2018-05-03 2018-11-27 南京邮电大学 Emd和csp融合功率谱密度脑电特征提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RAJEEV SHARMA等: "Application of Entropy Measures on Intrinsic Mode Functions for the Automated Identification of Focal Electroencephalogram Signals", 《ENTROPY》 *
YUN LU等: "Identification of Auditory Object-Specific Attention from Single-Trial Electroencephalogram Signals via Entropy Measures and Machine Learning", 《ENTROPY》 *
张小鹏等: "《基于奇异谱熵的脑电意识任务识别方法的研究》", 《计算机工程与科学》 *
肖小兵等: "基于奇异谱分析的经验模态分解去噪方法", 《计算机工程与科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN111990992A (zh) * 2020-09-03 2020-11-27 山东中科先进技术研究院有限公司 一种基于脑电的自主运动意图识别方法及系统
CN113229829A (zh) * 2021-04-15 2021-08-10 广东工业大学 一种四元数脑电信号提取方法及系统
CN113229829B (zh) * 2021-04-15 2023-09-01 广东工业大学 一种四元数脑电信号提取方法及系统
CN114098763A (zh) * 2021-12-13 2022-03-01 清华大学深圳国际研究生院 一种脑电去噪方法
CN114098763B (zh) * 2021-12-13 2023-05-19 清华大学深圳国际研究生院 一种脑电去噪方法
CN116491960A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质
CN116491960B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 脑瞬态监测设备、电子设备及存储介质

Also Published As

Publication number Publication date
CN109558863B (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN109558863A (zh) 脑电信号特征表示与提取方法、装置及存储介质
Zhou et al. Classifying mental tasks based on features of higher-order statistics from EEG signals in brain–computer interface
Ikeda et al. Independent component analysis for noisy data—MEG data analysis
Sameni et al. A deflation procedure for subspace decomposition
US11221672B2 (en) Asymmetric EEG-based coding and decoding method for brain-computer interfaces
Vigário et al. Independence: A new criterion for the analysis of the electromagnetic fields in the global brain?
CN108520239B (zh) 一种脑电信号分类方法及系统
CN112890827B (zh) 一种基于图卷积和门控循环单元的脑电识别方法及系统
CN112861625B (zh) 一种堆叠去噪自编码器模型确定方法
CN109657646B (zh) 生理时间序列的特征表示与提取方法、装置及存储介质
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
Shi et al. Feature extraction of brain–computer interface electroencephalogram based on motor imagery
CN108042132A (zh) 基于dwt和emd融合csp的脑电特征提取方法
Mohamed et al. Towards automated quality assessment measure for EEG signals
Saini et al. Effective automated method for detection and suppression of muscle artefacts from single‐channel EEG signal
Kalantar et al. Adaptive dimensionality reduction method using graph-based spectral decomposition for motor imagery-based brain-computer interfaces
Chan et al. Systematic analysis of machine learning algorithms on EEG data for brain state intelligence
Placidi et al. A fast and scalable framework for automated artifact recognition from EEG signals represented in scalp topographies of independent components
CN117064409A (zh) 经颅直流电干预刺激效果实时评估方法、装置及终端
Gómez-Herrero Brain connectivity analysis with EEG
Sun et al. MEEG-Transformer: Transformer Network based on Multi-domain EEG for Emotion Recognition
Tangermann et al. Classification of artifactual ICA components
Vigário et al. Searching for independence in electromagnetic brain waves
Li et al. Optimization of EEG Signal Processing
Zhang et al. The Research of the feature extraction and classification algorithm Based on EEG signal of motor imagery

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201106

Termination date: 20220107

CF01 Termination of patent right due to non-payment of annual fee