CN110584660B - 基于脑源成像与相关性分析的电极选择方法 - Google Patents

基于脑源成像与相关性分析的电极选择方法 Download PDF

Info

Publication number
CN110584660B
CN110584660B CN201910838431.8A CN201910838431A CN110584660B CN 110584660 B CN110584660 B CN 110584660B CN 201910838431 A CN201910838431 A CN 201910838431A CN 110584660 B CN110584660 B CN 110584660B
Authority
CN
China
Prior art keywords
electrode
dipole
brain
electrodes
amplitude
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
CN201910838431.8A
Other languages
English (en)
Other versions
CN110584660A (zh
Inventor
李明爱
董宇欣
张娜
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.)
Beijing University of Technology
Original Assignee
Beijing University 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910838431.8A priority Critical patent/CN110584660B/zh
Publication of CN110584660A publication Critical patent/CN110584660A/zh
Application granted granted Critical
Publication of CN110584660B publication Critical patent/CN110584660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于脑源成像与相关性分析的电极选择方法，根据电极帽的初始电极配置确定基础电极组；然后，对采集到的运动想象脑电信号进行带通滤波预处理；接着，使用标准化低分辨率脑电磁断层扫描成像算法对MI‑EEG进行脑源成像，得到脑源域偶极子幅值时间序列；进而，根据每次实验的偶极子幅值峰值确定脑皮层激活区域，计算激活区域内偶极子幅值时间序列与各电极MI‑EEG信号的皮尔逊相关系数并降序排列；最后，选择相关系数较大的电极与基础电极组结合组成最优电极组。本发明排除了与想象任务相关性弱且不利于分类的电极，对于提高计算效率和实验便捷性具有重要意义。

Description

基于脑源成像与相关性分析的电极选择方法
技术领域
本发明属于脑-机接口(brain-computer interface，BCI)系统中的电极选择领域，具体涉及基于脑电源成像(EEG Source Imaging，ESI)和相关性分析相结合的电极选择方法，采用标准化低分辨率脑电磁断层扫描成像(sLORETA)算法将传感器域脑电信号变换至脑源域，基于数据驱动(Data-driven)确定脑皮层激活区域，计算各电极与激活区域内偶极子幅值时间序列的相关性系数实现最优电极组的选择。
背景技术
脑-机接口(brain-computer interface，BCI)系统是一种基于脑电信号的人机接口新模式。BCI不依赖于人体周围神经和肌肉组织的正常输出通道，而是直接建立起大脑与外界通讯设备之间的控制通路。随着世界范围内脑卒中和偏瘫发病率的不断上升和年轻化，BCI系统为这些身体残疾患者提供了一种新的康复治疗手段，在脑卒中偏瘫康复领域具有重要意义和广阔的应用前景。BCI设备可输入多种脑电信号，包括P300诱发电位、慢皮层电位、稳态视觉诱发电位、视觉诱发电位等。运动想象脑电信号(MI-EEG)是最常用的BCI系统输入信号之一。
受试者大脑和BCI之间的接口可以使用侵入式或非侵入式电极来实现。针对非侵入式电极，国际脑电图与临床神经生理学联合会(IFSECN)共同制定了头皮电极放置方案，称为国际10/20系统，包括放置在头皮上的19个电极和2个参考电极。1998年，研究者将10/20系统扩展至65个电极，并将其命名为国际10/10系统。然而，对于一些高精度要求的BCI系统，研究人员选择使用更高密度的电极配置标准。2001年，研究者将10/10系统扩展为10/5系统，将电极的数量扩展到300多个。在10-5系统的基础上开发的128导电极配置和256导电极配置是目前常见的商用电极帽。
但是，在解码多类运动想象任务中，并不是所有的电极都能发挥关键作用。由于个体差异，不同受试者的最佳电极组合也有所不同。使用大量的电极无疑会增加采集成本，增加噪声干扰，不利于BCI系统的实际应用。近年来，研究者们在传感器域提出了多种电极选择方法，常用的有滤波技术、包装技术、混合技术。滤波技术指的是使用独立的电极评估标准，如距离度量、信息度量、相关性度量来评估和选择电极。其优点是：计算速度快、独立于分类器、可扩展性强；缺点是：由于滤波技术没有考虑到不同电极的组合，所以具有较低的分类识别率。包装技术指的是利用算法搜索电极，通过分类识别率作为目标函数来评估电极的优劣程度进而选择电极。其优点是：能够有效地提高分类正确率；缺点是：计算时间较长，计算复杂度高，容易产生过拟合现象。混合技术是上述两种技术的结合，即利用独立的电极评估度量和分类算法来共同选择电极。其优点是：实现了电极选择与模式分类的交互，但同样存在计算时间长和容易过拟合的缺点。
由于体积传导效应和信噪比低的影响，传感器域MI-EEG没有考虑脑源分布特性，不能很好的反应脑皮层神经元的真实电活动。脑电源成像(ESI)指的是利用头皮层记录的脑电数据对其在脑皮层源信号进行估计的一种常用技术，能够改善在传感器域脑电信号的不足之处，因此近年来有研究者将脑源成像技术运用到导联选择中，人为选择激活区域周围的电极作为最优电极进行复杂想象任务的解码，在分类正确率上取得了一定的提升。
然而，采用基于ESI的电极选择方法仍存在以下问题：根据神经生理学理论，头皮电极采集的脑电图信号是多簇偶极子(神经元)相互作用的结果，根据先验知识人为选定的皮层激活区周围的电极与运动想象任务的相关性未必是最强的，即对分类精度的贡献可能不是最大的。因此，从激活区域偶极子与各电极相关性的角度出发，才能真正从源头上探究MI-EEG信号的传导机制，寻找电极的最佳组合。
发明内容
针对上述不足之处，本发明提出了一种基于ESI与相关性分析的电极选择方法，即sLRC方法，借助脑源成像和相关性分析进行电极的选择，将均匀分布的基础电极组与高相关性的电极结合组成最优电极组，在保证电极均匀分布的基础上，增加与激活区域偶极子相关性强的电极，有效将脑源信息最大程度的保留的同时，排除了相关性弱、不利于分类的电极，提高了运算效率与实验便捷性，改善了传感器域电极选择不能很好的反应脑皮层神经元的真实电活动以及脑源域电极选择随意性、主观性的缺点。
因此，本发明采用的技术方案为：基于ESI与相关性分析的电极选择方法，首先根据初始脑电采集帽的电极配置确定均匀分布的基础电极组。然后对全部电极采集到的脑电信号进行8-32Hz的预处理，获得与运动想象节律相关的MI-EEG；利用sLORETA源成像算法将预处理后的MI-EEG逆变换到脑源域，得到偶极子幅值时间序列；根据每次实验的偶极子幅值峰值计算平均激活阈值，将幅值超过平均激活阈值的偶极子集合确定为为激活区域；进而，计算各个电极的MI-EEG信号与激活区域内偶极子幅值时间序列的皮尔逊相关系数并降序排列；对于两类想象任务，交替取相关系数最大的电极组成电极排序，选择排序前N名的电极与基础电极组结合组成最优电极组。
基于上述分析，本发明的具体实现步骤如下：
S1脑电信号的采集；
遵循国际系统标准放置电极，利用脑电帽和脑电采集仪从Nc个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储。
S2基础电极组的确定
对电极帽所有Nc个电极进行空间降采样，均匀选取其中的Nb导为基础电极组，选择规则如下：首先隔列选取中线上的电极，然后由中线上至前额、下至枕骨区域分别隔行再隔列选择电极，保证电极位置分布均匀，行列交错。
S3头皮层MI-EEG信号预处理；
S3.1将第i次实验采集的MI-EEG记为
Figure BDA0002192925100000031
R代表实数集，其中，m∈{1，-1}表示运动想象任务的类别标签，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nc代表初始所有电极数；Ns代表采样点数。
S3.2根据神经生理学理论，对脑电信号Mm，i进行8-32Hz带通滤波，获得与μ、β节律相关的运动想象脑电信号，记为
Figure BDA0002192925100000032
μ节律为8-12Hz，β节律为13-30Hz。
S4脑源成像；
S4.1零导域矩阵的求解；
脑源成像技术分为两个步骤。首先通过脑电正问题求得零导域矩阵。脑电正问题指的是人受到外部环境的刺激或进行特定的思维活动时，大脑皮层中的神经元细胞群兴奋进而产生突触后电位，经过大脑皮层到头皮的多层介质传导，产生了头皮层所测量得到的脑电信号，该脑电信号的数学模型建立如下：
E＝LS+e (1)
式中，S表示脑皮层电流偶极子幅值，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况；L表示零导域矩阵，代表了脑皮层源域偶极子与头皮层脑电信号的一种传递关系；E表示头皮层脑电信号；e为传导噪声。零导域矩阵L通过边界元素算法(BEM)在IBM152头模型上计算得到。
S4.2基于sLORETA算法的脑电逆变换；
假设偶极子源模型为分布式偶极子模型，方向垂直于脑皮层，数量为Nd，位置已知且固定；令E＝Em，i，采用sLORETA算法计算公式(1)的逆解，求得Nd个偶极子幅值序列
Figure BDA0002192925100000033
Figure BDA0002192925100000034
其中，第k个偶极子在t时刻的偶极子幅值
Figure BDA0002192925100000035
依下式计算：
Figure BDA0002192925100000036
式中，T(k，t)为由最小范数估计算法(MNE)求得的偶极子幅值时间序列
Figure BDA0002192925100000037
中第k个偶极子在t时刻的幅值，T由下式给出：
Figure BDA0002192925100000041
式中，α为正则化参数，
Figure BDA0002192925100000042
为Nc×Nc的单位矩阵，
Figure BDA0002192925100000043
为零导域矩阵；
Figure BDA0002192925100000044
为偶极子电流密度方差矩阵
Figure BDA0002192925100000045
的第k个对角元素，
Figure BDA0002192925100000046
的计算公式如下：
Figure BDA0002192925100000047
S5脑皮层激活区域的确定；
对Nd个偶极子源估计序列
Figure BDA0002192925100000048
绘制偶极子幅值时间序列曲线，找到运动想象期间偶极子幅值峰值发生的时刻
Figure BDA0002192925100000049
看作运动想象“激活时刻”，获得该时刻下的Nd个偶极子幅值，记为
Figure BDA00021929251000000410
对每类想象任务m所有样本，i＝{1，2，3，…，Nm}，按照下式求取各自“激活时刻”偶极子幅值的平均值：
Figure BDA00021929251000000411
其中，
Figure BDA00021929251000000412
代表对第m类想象任务Nm次试验求平均之后第q个偶极子幅值，q＝{1，2，3，…，Nd}；
Figure BDA00021929251000000413
为平均偶极子幅值序列。找到
Figure BDA00021929251000000414
的最大值并记为Smax；令平均激活阈值THm＝0.8×Smax。对于
Figure BDA00021929251000000415
选择偶极子幅值超过THmm的偶极子，其数量记为
Figure BDA00021929251000000416
则该
Figure BDA00021929251000000417
个偶极子构成第m类想象任务的激活区域，记为Am；进而，可求得所有想象任务的激活区域A＝A1∪A2，A内偶极子即为激活偶极子，其数量记为
Figure BDA00021929251000000418
S6基于激活偶极子和相关性的电极选择；
S6.1对于第m类想象任务的第i次试验，m∈{1，-1}，i＝{1，2，3，…，Nm}，提取激活区域A内的激活偶极子时间序列，记为
Figure BDA00021929251000000419
将其第b个偶极子幅值时间序列记为
Figure BDA00021929251000000420
Figure BDA00021929251000000421
将经过预处理的MI-EEG信号
Figure BDA00021929251000000422
中第a个电极的MI-EEG信号记为
Figure BDA00021929251000000423
a＝{1，2，3，…，Nc}；由下式计算Xa与Yb之间的皮尔逊相关系数Cm，i(a，b)，
Figure BDA00021929251000000424
则各个电极与各激活偶极子幅值时间序列之间的皮尔逊相关系数矩阵为
Figure BDA00021929251000000425
m∈{1，-1}，i＝{1，2，3，…，Nm}。
S6.2对于所有类别的想象任务，依照下式对Cm，i各行进行平均，得到各电极与激活偶极子整体的相关性系数
Figure BDA0002192925100000051
m∈{1，2}，i＝{1，2，3，…，Nm}：
Figure BDA0002192925100000052
式中，a＝{1，2，3，…，Nc}；
S6.3对每类想象任务m的所有样本，i＝{1，2，3，…，Nm}，依照下式计算两类运动想象任务的平均相关性系数
Figure BDA0002192925100000053
m∈{1，-1}：
Figure BDA0002192925100000054
S6.4对两类运动想象任务的平均相关性系数
Figure BDA0002192925100000055
m∈{1，-1}分别进行降序排列，得到
Figure BDA0002192925100000056
然后交替从两列排序中取相关系数最大的电极组成电极排序，若取出的电极已出现在基础电极组中，则顺次后延取下一个电极。
S6.5取电极排序的前Nr个电极与基础电极组Nb组成最优电极组，即最优电极组Nbest＝Nb+Nr。Nr以步长为5取值验证分类结果；
S7验证最优电极过程
将最优电极组下的MI-EEG信号记为
Figure BDA0002192925100000057
m∈{1，-1}，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nbest代表选出的最优电极数，Nbest＝Nb+Nr，Ns代表采样点数；对M′m，i进行信号预处理，步骤同S3；采用sLORETA算法对预处理后的MI-EEG进行脑电逆变换，对激活区域内偶极子进行连续小波变换，提取8-12Hz小波系数功率作为共空间模式算法(Common Spatial Pattems，CSP)的输入对其进行特征提取，采用SVM算法对特征进行分类，比较不同Nbest下的分类正确率，确定最高分类正确率下的Nbest为该受试者的最优电极组。
与现有技术相比，本发明具有以下优点：
(1)针对运动想象脑电信号在头皮层具有低空间分辨率、低信噪比的缺点，本发明基于神经生理学理论基础，利用sLORETA算法将头皮层脑电信号映射到脑皮层高维空间，结合偶极子信息对电极进行选择，使深层次脑电传导信息得到充分挖掘，改善了传感器域电极选择方法因没有考虑脑源分布特点而造成信息丢失的不足之处。
(2)针对基于脑源成像技术选择最优电极主观性、随意性强的缺点，本发明根据每次实验的激活时刻和偶极子幅值选择激活区域，大量排除了与运动想象任务无关的偶极子冗余信息；然后根据各个电极与激活区域偶极子的相关性系数选择电极，确保选出的电极对激活区域贡献度最大，排除了相关性弱的电极，能够减小计算量，同时增强了对受试者的自适应性。
本发明适合多导联、复杂运动想象任务的BCI系统，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为拓展的10-20导联系统电极分布图；
图3为MI-EEG采集实验时序图；
图4为从118电极帽选择的35导基础电极在头皮层的分布图
图5受试者aa想象右手和脚时脑皮层激活区域与各电极相关性系数直方图；
图6受试者al想象右手和脚时脑皮层激活区域与各电极相关性系数直方图；
图7受试者av想象右手和脚时脑皮层激活区域与各电极相关性系数直方图；
图8受试者aw想象右手和脚时脑皮层激活区域与各电极相关性系数直方图；
图9受试者ay想象右手和脚时脑皮层激活区域与各电极相关性系数直方图；
图10至14为受试者aa、al、av、aw、ay使用本发明方法选择的电极在头皮层的分布图；
具体实施方式
本发明具体实验是在Windows 8(64位)操作系统下的Matlab R2017a仿真环境中进行的。
本发明采用的MI-EEG数据集来源于BCI Competition III的Data sets IVa公开数据库，由开发者使用国际标准的拓展的10-20电极系统下均匀分布的118个电极采集完成，采样频率为100Hz，经过0.05-200Hz的带通滤波。头皮层电极位置分布如图2所示。
采集试验时序图如图3所示，每次实验持续5.25s。0～3.5s为为运动想象期，在t＝0s时屏幕出现箭头指示，分别代表右手和脚两种运动想象任务，受试者根据屏幕上的指示进行运动想象；3.5s～5.25s为休息期，屏幕处于黑屏状态，受试者休息；随后进行下一次实验。Data sets IVa数据集共采集了aa、al、av、aw、ay五个受试者的运动想象脑电信号，每个受试者共280次实验(两种运动想象任务各140次)，一次实验共525个采样点。
基于上述的运动想象脑电数据集，采用图1所示算法流程，以受试者aa为例，本发明具体的实施步骤如下：
S1脑电信号的采集
利用118导Ag/AgCl电极帽和BrainAmp放大器对脑电信号进行采集，并以电压幅值形式存储在计算机中。
S2基础电极组的确定
根据头皮层电极位置分布图从完整的118导电极中均匀选择35导作为基础电极组，基础电极组位置分布图如图4所示。
S3头皮层MI-EEG信号预处理
S3.1根据两类想象任务任务类别标签(右手m＝1、脚m＝-1)提取受试者aa每类运动想象单次实验Mm，i∈R118×525，其中i＝{1，2，3，…，140}，共获得280组MI-EEG。
S3.2对280组MI-EEG信号进行8-32Hz带通滤波，得到预处理后的运动想象脑电信号，记为Em，i∈R118×525。
S4基于sLORETA算法的脑源成像
S4.1选择IBM152模板头模型，采用边界元素算法(BEM)计算零导域矩阵L∈R118 ×15002。
S4.2采用sLORETA算法对预处理后的MI-EEG信号Em，i∈R118×525进行脑电逆变换，由式(2)、(3)、(4)求得15002个偶极子幅值时间序列估计
Figure BDA0002192925100000071
S5脑皮层激活区域的确定
对于某类想象任务m，绘制每次实验的偶极子幅值时间序列曲线，找到运动想象期即第0到第350个采样点之间偶极子矩幅值最大值发生的时刻
Figure BDA0002192925100000072
将此激活时刻的偶极子幅值记为
Figure BDA0002192925100000073
对每类想象任务所有140次试验进行依照公式(5)进行平均，得到平均激活偶极子幅值序列
Figure BDA0002192925100000074
并将其最大值记为Smax。计算激活阈值THm＝0.8×Smax。选择
Figure BDA0002192925100000075
中幅值超过THmm的偶极子作为该类想象任务激活的偶极子并构成第m类想象任务的激活区域，记为Am；进而，可求得所有想象任务的激活区域A＝A1∪A2。对于受试者aa，激活偶极子数量
Figure BDA0002192925100000076
S6基于激活偶极子和相关性系数的电极选择
S6.1提取受试者aa的激活偶极子幅值时间序列
Figure BDA0002192925100000077
和预处理后的118导MI-EEG信号Em，i∈R118×525；依照公式(6)计算各电极与个激活偶极子的皮尔逊相关系数矩阵Cm，i∈R118×528，m∈{1，-1}，i＝{1，2，3，…，140}。
S6.2依照公式(7)对Cm，i各行进行平均，得到各电极与激活偶极子整体的相关性系数向量
Figure BDA0002192925100000078
m∈{1，-1}，i＝{1，2，3，…，140}。
S6.3依照公式(8)对每类想象任务各140次试验进行平均，计算两类运动想象任务的平均相关性系数向量
Figure BDA0002192925100000079
m∈{1，-1}。图5至图9展示了想象右手和脚时五个受试者脑皮层激活区域与各电极相关性系数直方图
S6.4对
Figure BDA00021929251000000710
和
Figure BDA00021929251000000711
进行降序排列，从两个排列好的相关性系数向量中交替取相关性系数最大的电极组成最优电极排序。
S6.5取电极排序的前Nr个电极与基础电极组组成最优电极组，即最优电极组Nbest＝35+Nr。
S7验证最优电极组
令Nr＝{5，10，15，20}，则Nbest＝{40，45，50，55}。提取最优电极组下的MI-EEG信号
Figure BDA0002192925100000081
Figure BDA0002192925100000082
m∈{1，-1}，i＝{1，2，3，…，140}。对M′m，i依照步骤S3进行信号预处理，然后依照步骤S7进行特征提取和特征分类，比较不同Nbest下的分类正确率，确定最高分类正确率下的Nbest为该受试者的最优电极组。
针对其他受试者，即al、av、aw、ay的MI-EEG，采用以上类似的过程进行处理，获得他们各自不同Nbest下的分类正确率(单位：％)如表1所示。
表1不同Nbest下的分类正确率比较
Figure BDA0002192925100000083
从表1可以看出，5个受试者采用本发明中的基于脑源成像与相关性分析的电极选择方法选择的最优电极个数分别为45、40、55、40和45，其在头皮层上的电极分布图如图10至14所示。使用本方法选择少量电极与使用所有电极时得到的分类准确率十分接近且受试者al和aw得到的分类准确率有略微提升，显示了本发明能够在计算量大大降低的情况下保证分类准确率的稳定的显著优势，这为提高脑机接口技术的自适应性、实时性提供了条件。

Claims (3)

1.基于脑源成像与相关性分析的电极选择方法，其特征在于：首先根据初始脑电采集帽的电极配置确定均匀分布的基础电极组；然后对全部电极采集到的脑电信号进行8-32Hz的预处理，获得与运动想象节律相关的MI-EEG；利用sLORETA源成像算法将预处理后的MI-EEG逆变换到脑源域，得到偶极子幅值时间序列；根据每次实验的偶极子幅值峰值计算平均激活阈值，将幅值超过平均激活阈值的偶极子集合确定为激活区域；进而，计算各个电极的MI-EEG信号与激活区域内偶极子幅值时间序列的皮尔逊相关系数并降序排列；对于两类想象任务，交替取相关系数最大的电极组成电极排序，选择排序前N名的电极与基础电极组结合组成最优电极组；
S1脑电信号的采集；
遵循国际系统标准放置电极，利用脑电帽和脑电采集仪从Nc个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储；
S2基础电极组的确定；
对电极帽所有Nc个电极进行空间降采样，均匀选取其中的Nb导为基础电极组，选择规则如下：首先隔列选取中线上的电极，然后由中线上至前额、下至枕骨区域分别隔行再隔列选择电极，保证电极位置分布均匀，行列交错；
S3头皮层MI-EEG信号预处理；
S3.1将第i次实验采集的MI-EEG记为
Figure FDA0003426966390000011
R代表实数集，其中，m∈{1，-1}表示运动想象任务的类别标签，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nc代表初始所有电极数；Ns代表采样点数；
S3.2根据神经生理学理论，对脑电信号Mm，i进行8-32Hz带通滤波，获得与μ、β节律相关的运动想象脑电信号，记为
Figure FDA0003426966390000012
μ节律为8-12Hz，β节律为13-30Hz；
S4脑源成像；
S4.1零导域矩阵的求解；
脑源成像技术分为两个步骤；首先通过脑电正问题求得零导域矩阵；脑电正问题指的是人受到外部环境的刺激或进行特定的思维活动时，大脑皮层中的神经元细胞群兴奋进而产生突触后电位，经过大脑皮层到头皮的多层介质传导，产生了头皮层所测量得到的脑电信号，该脑电信号的数学模型建立如下：
E＝LS+e (1)
式中，S表示脑皮层电流偶极子幅值，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况；L表示零导域矩阵，代表了脑皮层源域偶极子与头皮层脑电信号的一种传递关系；E表示头皮层脑电信号；e为传导噪声；零导域矩阵L通过边界元素算法(BEM)在IBM152头模型上计算得到；
S4.2基于sLORETA算法的脑电逆变换；
假设偶极子源模型为分布式偶极子模型，方向垂直于脑皮层，数量为Nd，位置已知且固定；令E＝Em，i，采用sLORETA算法计算公式(1)的逆解，求得Nd个偶极子幅值序列
Figure FDA0003426966390000021
Figure FDA0003426966390000022
其中，第k个偶极子在t时刻的偶极子幅值
Figure FDA0003426966390000023
依下式计算：
Figure FDA0003426966390000024
式中，T(k，t)为由最小范数估计算法(MNE)求得的偶极子幅值时间序列
Figure FDA0003426966390000025
中第k个偶极子在t时刻的幅值，T由下式给出：
Figure FDA0003426966390000026
式中，α为正则化参数，
Figure FDA0003426966390000027
为Nc×Nc的单位矩阵，
Figure FDA0003426966390000028
为零导域矩阵；
Figure FDA0003426966390000029
为偶极子电流密度方差矩阵
Figure FDA00034269663900000210
的第k个对角元素，
Figure FDA00034269663900000211
的计算公式如下：
Figure FDA00034269663900000212
S5脑皮层激活区域的确定；
对Nd个偶极子源估计序列
Figure FDA00034269663900000213
绘制偶极子幅值时间序列曲线，找到运动想象期间偶极子幅值峰值发生的时刻
Figure FDA00034269663900000214
看作运动想象“激活时刻”，获得该时刻下的Nd个偶极子幅值，记为
Figure FDA00034269663900000215
对每类想象任务m所有样本，i＝{1，2，3，…，Nm}，按照下式求取各自“激活时刻”偶极子幅值的平均值：
Figure FDA00034269663900000216
其中，
Figure FDA00034269663900000217
代表对第m类想象任务Nm次试验求平均之后第q个偶极子幅值，q＝{1，2，3，…，Nd}；
Figure FDA00034269663900000218
为平均偶极子幅值序列；找到
Figure FDA00034269663900000219
的最大值并记为Smax；令平均激活阈值THm＝0.8×Smax；对于
Figure FDA00034269663900000220
选择偶极子幅值超过THm的偶极子，其数量记为
Figure FDA00034269663900000221
则该
Figure FDA00034269663900000222
个偶极子构成第m类想象任务的激活区域，记为Am；进而，可求得所有想象任务的激活区域A＝A1∪A2，A内偶极子即为激活偶极子，其数量记为
Figure FDA00034269663900000223
2.根据权利要求1所述的基于脑源成像与相关性分析的电极选择方法，其特征在于：S6基于激活偶极子和相关性的电极选择；
S6.1对于第m类想象任务的第i次试验，m∈{1，-1}，i＝{1，2，3，…，Nm}，提取激活区域A内的激活偶极子时间序列，记为
Figure FDA0003426966390000031
将其第b个偶极子幅值时间序列记为
Figure FDA0003426966390000032
Figure FDA0003426966390000033
将经过预处理的MI-EEG信号
Figure FDA0003426966390000034
中第a个电极的MI-EEG信号记为
Figure FDA0003426966390000035
a＝{1，2，3，…，Nc}；由下式计算Xa与Yb之间的皮尔逊相关系数Cm，i(a，b)，
Figure FDA0003426966390000036
则各个电极与各激活偶极子幅值时间序列之间的皮尔逊相关系数矩阵为
Figure FDA0003426966390000037
m∈{1，-1}，i＝{1，2，3，…，Nm}；
S6.2对于所有类别的想象任务，依照下式对Cm，i各行进行平均，得到各电极与激活偶极子整体的相关性系数
Figure FDA0003426966390000038
m∈{1，2}，i＝{1，2，3，…，Nm}：
Figure FDA0003426966390000039
式中，a＝{1，2，3，…，Nc}；
S6.3对每类想象任务m的所有样本，i＝{1，2，3，…，Nm}，依照下式计算两类运动想象任务的平均相关性系数
Figure FDA00034269663900000310
m∈{1，-1}：
Figure FDA00034269663900000311
S6.4对两类运动想象任务的平均相关性系数
Figure FDA00034269663900000312
m∈{1，-1}分别进行降序排列，得到
Figure FDA00034269663900000313
然后交替从两列排序中取相关系数最大的电极组成电极排序，若取出的电极已出现在基础电极组中，则顺次后延取下一个电极；
S6.5取电极排序的前Nr个电极与基础电极组Nb组成最优电极组，即最优电极组Nbest＝Nb+Nr；Nr以步长为5取值验证分类结果。
3.根据权利要求2所述的基于脑源成像与相关性分析的电极选择方法，其特征在于：S7验证最优电极过程；
将最优电极组下的MI-EEG信号记为
Figure FDA00034269663900000314
m∈{1，-1}，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nbest代表选出的最优电极数，Nbest＝Nb+Nr，Ns代表采样点数；对M′m，i进行信号预处理，步骤同S3；采用sLORETA算法对预处理后的MI-EEG进行脑电逆变换，对激活区域内偶极子进行连续小波变换，提取8-12Hz小波系数功率作为共空间模式算法的输入对其进行特征提取，采用SVM算法对特征进行分类，比较不同Nbest下的分类正确率，确定最高分类正确率下的Nbest为受试者的最优电极组。
CN201910838431.8A 2019-09-05 2019-09-05 基于脑源成像与相关性分析的电极选择方法 Active CN110584660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910838431.8A CN110584660B (zh) 2019-09-05 2019-09-05 基于脑源成像与相关性分析的电极选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910838431.8A CN110584660B (zh) 2019-09-05 2019-09-05 基于脑源成像与相关性分析的电极选择方法

Publications (2)

Publication Number Publication Date
CN110584660A CN110584660A (zh) 2019-12-20
CN110584660B true CN110584660B (zh) 2022-02-15

Family

ID=68857779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910838431.8A Active CN110584660B (zh) 2019-09-05 2019-09-05 基于脑源成像与相关性分析的电极选择方法

Country Status (1)

Country Link
CN (1) CN110584660B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932503B (zh) * 2021-01-16 2023-05-02 北京工业大学 基于4d数据表达和3dcnn的运动想象任务解码方法
CN112932504B (zh) * 2021-01-16 2022-08-02 北京工业大学 偶极子成像与识别方法
CN112861798B (zh) * 2021-03-12 2023-07-21 中国科学院计算技术研究所 基于生理信号的分类识别方法、介质及电子设备
CN113017650B (zh) * 2021-03-12 2022-06-28 南昌航空大学 一种基于功率谱密度图像的脑电特征提取方法和系统
CN113679394B (zh) * 2021-09-26 2022-09-27 华东理工大学 基于相关性的运动想象的导联选择方法及装置
CN113855023B (zh) * 2021-10-26 2023-07-04 深圳大学 一种基于迭代溯源的下肢运动bci电极选择方法及系统
CN115105095B (zh) * 2022-08-29 2022-11-18 成都体育学院 一种基于脑电信号的运动意图识别方法、系统和设备
CN117462148B (zh) * 2023-12-28 2024-05-14 慧创科仪(北京)科技有限公司 一种用于脑电检测设备的导联配置装置、方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542283A (zh) * 2010-12-31 2012-07-04 北京工业大学 脑机接口的最优电极组自动选取方法
US9116835B1 (en) * 2014-09-29 2015-08-25 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for estimating cerebral cortical source activations from electroencephalograms
CN108681394A (zh) * 2018-04-19 2018-10-19 北京工业大学 一种基于脑源成像技术的电极优选方法
CN109965869A (zh) * 2018-12-16 2019-07-05 北京工业大学 基于脑源域空间的mi-eeg识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10314509B2 (en) * 2012-12-31 2019-06-11 Tosense, Inc. Body-worn sensor for characterizing patients with heart failure

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542283A (zh) * 2010-12-31 2012-07-04 北京工业大学 脑机接口的最优电极组自动选取方法
US9116835B1 (en) * 2014-09-29 2015-08-25 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for estimating cerebral cortical source activations from electroencephalograms
CN108681394A (zh) * 2018-04-19 2018-10-19 北京工业大学 一种基于脑源成像技术的电极优选方法
CN109965869A (zh) * 2018-12-16 2019-07-05 北京工业大学 基于脑源域空间的mi-eeg识别方法

Also Published As

Publication number Publication date
CN110584660A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110584660B (zh) 基于脑源成像与相关性分析的电极选择方法
US11234629B2 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN110876626B (zh) 基于多导联脑电最优导联选择的抑郁检测系统
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
CN109965869B (zh) 基于脑源域空间的mi-eeg识别方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN112656427A (zh) 一种基于维度模型的脑电信号情绪识别方法
CN108309290A (zh) 单通道脑电信号中肌电伪迹的自动去除方法
CN106805945B (zh) 一种少数通道的脑电信号中肌电伪迹的消除方法
Karlsson et al. Signal processing of the surface electromyogram to gain insight into neuromuscular physiology
CN109199376B (zh) 基于oa-wmne脑源成像的运动想象脑电信号的解码方法
CN109770900B (zh) 基于卷积神经网络的脑机接口指令下发方法、系统、装置
Liu et al. Removal of EMG artifacts from multichannel EEG signals using combined singular spectrum analysis and canonical correlation analysis
Shi et al. Feature extraction of brain–computer interface electroencephalogram based on motor imagery
CN109893118A (zh) 一种基于深度学习的心电信号分类诊断方法
WO2022135449A1 (zh) 癫痫患者发作间期痫样电活动检测装置和方法
CN112426162A (zh) 一种基于脑电信号节律熵的疲劳检测方法
CN106073767B (zh) Eeg信号的相位同步度量、耦合特征提取及信号识别方法
Liu et al. Motor imagery tasks EEG signals classification using ResNet with multi-time-frequency representation
CN111671421A (zh) 一种基于脑电图的儿童需求感知方法
Zeng et al. Deep arrhythmia classification based on SENet and lightweight context transform
CN111931578A (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN115251845B (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
JP3933568B2 (ja) 脳機能計測装置
CN112735595B (zh) 一种工作记忆能力的综合评定方法

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