CN110969108B - 一种基于自主运动想象脑电的肢体动作识别方法 - Google Patents

一种基于自主运动想象脑电的肢体动作识别方法 Download PDF

Info

Publication number
CN110969108B
CN110969108B CN201911168627.7A CN201911168627A CN110969108B CN 110969108 B CN110969108 B CN 110969108B CN 201911168627 A CN201911168627 A CN 201911168627A CN 110969108 B CN110969108 B CN 110969108B
Authority
CN
China
Prior art keywords
node
signals
brain
value
matrix
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
CN201911168627.7A
Other languages
English (en)
Other versions
CN110969108A (zh
Inventor
宋超
周易之
张启忠
谢翠
高云园
席旭刚
马玉良
罗志增
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 CN201911168627.7A priority Critical patent/CN110969108B/zh
Publication of CN110969108A publication Critical patent/CN110969108A/zh
Application granted granted Critical
Publication of CN110969108B publication Critical patent/CN110969108B/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
    • A61B5/316—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
    • A61B5/7235—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明是一种基于自主运动想象脑电的肢体动作识别方法，调查数据表明，当人做同一个动作时，大脑会产生类似的脑电信号，因此可以提取这些特征信号来实现机械臂的运动，进而辅助残疾人运动。本发明通过建立脑网络进行动作的分类，这种方法加强了大脑各个区域之间相关性的考虑，展现了EEG信号及其相关节律特征背后的工作机制。之后通过一种全新的基于非线性部分定向相干方法的脑因效性网络分析法，利用随机森林进行进行上肢运动分类，分类准确度高，根据脑电信号判断相应的动作，从而使得机械臂运动，达到残疾人辅助运动的目的。

Description

一种基于自主运动想象脑电的肢体动作识别方法
技术领域
本发明属于信号特征分析领域，涉及一种基于非线性部分定向相干法的脑网络特征进行动作识别的方法。
背景技术
目前世界上有超过10亿的残疾人，占比高达15％，他们每天被自身残疾所困扰，给日常生活造成极大不便，有些甚至做不到日常的基本动作，如曲腕、曲肘、握拳、展拳等动作，他们的生活更是因为残疾而遭到破坏；另一方面，通过已有调查研究表明，大脑控制机体运动，而大脑所产生特定的脑电信号会通过神经传播，进而控制肌肉收缩来实现特定的机体运动。而通过提取这些特有的脑电信号，然后控制机械手臂运动，从而达到残疾人辅助运动或辅助治疗的目的。
因此，我们可以通过一个系统，将脑电信号的特征分析并提取出来，然后将信号进行处理，接着通过一系列传输，最终实现机械臂的运动，这个系统就是脑计算机接口(BCI)，也称为脑机接口(BMI)，是一个在大脑和外界(计算机或其他设备及外部环境)之间传递信息的硬件及软件按通讯系统，该系统不依赖于外围神经和肌肉组成的大脑正常输出通路，根据脑电信号的产生原理以及神经生理学现象划分，BCI的输入信号可以分为自发型电位与诱发型电位。BCI可以通过上述输入信号在大脑和输出装置之间建立无肌肉的通道来提供以及增强通信，可以有效的改善由于脊髓损伤(SCI)、感觉运动功能不全者或肢体残障所造成的运动障碍问题。
一般来说，BCI运动辅助系统的主要工作过程包括：脑电信号的采集、预处理、特征提取以及模式识别，其中特征提取以及模式识别是MI-BCI系统的核心部分。目前，信号采集包括植入式与非植入式两种方式。非植入式方式包括脑磁图成像(magnetoencephalography,MEG),功能性近红外成像(functional near-infraredspectroscopy,fNIRS),功能性磁共振成像(functional magnetic resonance imaging,fMRI)，脑电图(electroencephalographic,EEG)等；植入性方式包括脑皮层电位图(electrocorticogram)、皮质内植入电极(intracortical recording devices)等。与植入式相比，非植入式对于用户没有损害，时间分辨率较高，因而成为近十几年来研究的热点。其中，基于脑电信号EEG的脑机接口是患者易于接受的方式，也是将脑机接口延伸到日常生活应用，成为扩展普通人日常人机交互的最佳方式。然而，EEG信号的获取也面临着很多问题：采集到的信号十分微弱、易受到噪声与伪迹(肌电EMG信号，眼电EOG信号等)干扰、脑电原信号经过脑脊液，颅骨和头皮的传导后存在交叉串扰(cross talk)、空间分辨率大大下降等。为了提高EEG信号解码的准确性以及实时性，需要改进EEG信号的特征提取以及分类方法。
目前从EEG信号中提取的相关特征主要分为：时域特征、频域特征、时频域特征、非线性动力学特征等。上述特征分析方法的共性是通过处理、分析EEG信号得到信号的最优特征，虽然已经取得了一定的研究成果，很大程度上提高了EEG信号分类的准确性，但却缺乏对大脑各个区域之间相关性的考虑，无法展现EEG信号及其相关节律特征背后的工作机制。随着认知神经科学研究的不断深入，越来越多的研究者开始关注不同脑区之间的信息交流问题，而脑网络的方法通过功能整合以及定位综合的分析模式，可以深入的分析人脑的组织结构以及认知基础。随着复杂网络理论的不断发展，这一理论已经为人脑连接组的相关研究奠定了基础，被称为基于图论的脑网络研究。目前脑网络的主要研究集中于功能性网络，利用线性方法，包括线性Pearson相关分析方法，偏相关分析法等，以及非线性方法:希尔伯特变换、似然同步法、非线性斯皮尔曼(Spearman)等方法进行构建。然而，功能性网络主要关注大脑节点信号在特定时间节点的统计学关系，无法有效的反映节点间的因果关系。为了深入研究人体肢体运动时相关脑区的信息流向，需要构建因效性网络。基于格兰杰因果性(Granger causality,GC)的因效性网络分析方法很好的解决了这个问题，其中部分定向相干法发展较为成熟，因此，通过该方法建立脑网络具有很强的理论基础以及应用优势。
BCI运动辅助的另一个重要问题就是如何寻找一个具有较强泛化能力的分类器。在过去的研究中，不同的分类器被广泛运用于MI-EEG特征的分类，例如学习矢量量化(LVQ)、多层神经网络(MLNN)、深度信念网络和人工神经网络(ANN)、K近邻算法、基于马氏距离的分类器等。有关ELM和SVM都已经被证明是非常有效的分类方法。近年来，与ELM以及SVM相关的改进方法也不断涌现。
发明内容
本发明针对现有技术的不足，提出了一种基于自主运动想象脑电的肢体动作识别方法，本发明首先通过建立脑网络实施动作的分类，这种方法加强了大脑各个区域之间的相关性，展现了EEG信号及其相关节律特征背后的工作机制；之后通过一种全新的基于非线性部分定向相干方法：脑因效性网络分析法，利用随机森林进行上肢运动分类，获得高准确度的分类，然后根据脑电信号判断相应的动作，从而使得机械臂运动，达到残疾人辅助运动的目的。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤一、脑电信号的采集；在实验过程中，使用的仪器是Brain Products公司所研制的脑电配套采集设备，能够方便精准地采集实验所需数据，也可以进行EEG信号的后期处理；
步骤二、信号预处理；对步骤一采集到的脑电信号进行小波阈值去噪，选取软阈值法对脑电信号进行消噪处理，可有效消除噪音，从而获取更加纯净的脑电信号，具体操作步骤如下：
2-1、确定小波的基函数以及分解尺度h；通过小波分解将脑电信号分解至各层，每层系数记为wh,k，其中k指分解的层数；
2-2、确定分解系数阈值λ；
2-3、计算各层的系数wh,k，计算公式如下：
Figure BDA0002288122190000031
其中w为小波系数，[sgn(w)]表示单位阶跃函数。
步骤三、脑功能网络的构建；通过多通道自动回归模式(Multi-channel Auto-regressive Mode)可描述通道间的相互作用，之后通过非线性部分定向相干分析法，用于计算多通道信号之间的相干性及其方向。
3-1、多通道自动回归模式；
根据格兰杰因果性原理，假设存在两个信号X、Y，若利用X在n时间之前的数据预测X在第q步的数据时预测误差为e1，利用X、Y在n时间之前的数据预测X在第q步的数据时预测误差为e2，在e1＞e2时则认为Y有效改善了对X的预测。现讨论多通道下的格兰杰因果性，构建MVAR模型：
定义d通道n时刻的脑电信号为：
X(t)＝[X(1,n),X(2,n),......,X(d,n)] (2)
则其MVAR模型可表示为如下自回归过程：
Figure BDA0002288122190000041
其中r表示模型阶数，r＝1,2,....,p，xl(n)表示n时刻l通道状态变量值，l＝1,2,...,d，el表示l通道偏差。
以矩阵形式可表示为
Figure BDA0002288122190000042
即
Figure BDA0002288122190000043
其中矩阵A(r)表示模型的预测系数，矩阵E(n)表示模型的预测误差，即为模型的噪声，p是MVAR的最大预测阶数，依靠AIC(Akaike information criterion)准则来确定，通常情况下，AIC(p)＝-2L/m+2M/m，其中L是对数似然值，m是观测值数目，M是被估计的参数个数，AIC准则要求其越小越好。因为，AIC的大小取决于L和M。M值越小，则AIC值越小；同样，L值越大，则AIC值越小。而M值小意味着模型简洁，L大意味着模型精确。因此只需选取最小的AIC值即可，AIC准则兼顾了模型的简洁性和精确性。
3-2、非线性部分定向相干
非线性部分定向相干分析法是2001年由Luiz A.Baccala和Koichi Sameshima提出的一种基于格兰杰因果的新方法，用于研究多路信号之间的相干性及其方向，该方法的理论依据如下：
基于MVAR模型的系数矩阵A(n)，对其进行变换
Figure BDA0002288122190000051
其中f表示频率，fs表示抽样频率，A(f)是频域下的系数矩阵。
定义
Figure BDA0002288122190000052
其中I表示与A(f)系数矩阵同等大小的单元矩阵，因此
Figure BDA0002288122190000053
中的每一个元素可表示为：
Figure BDA0002288122190000054
其中i,j1＝1,2,....,d，则得到当频率为f时，第i个通道对第j1个通道的PDC值为
Figure BDA0002288122190000055
其中，
Figure BDA0002288122190000056
为
Figure BDA0002288122190000057
第i行，第j1列的元素，而
Figure BDA0002288122190000058
为
Figure BDA0002288122190000059
第j1列，上标T表示转置。
计算某频段下的PDC平均值：
Figure BDA00022881221900000510
其中
Figure BDA00022881221900000511
就是第i路信号对第j1路信号的相干性，其中频率区间用▽f表示。
用上述PDC方法计算出40个通道之间的相干性系数。采用显著性水平的方法计算阈值T，当PDC值大于阈值T时，认为两个通道之间是具有相关性，用1表示；当PDC值小于阈值T时，则认为这两通道间不具有相关性用0表示，这样就得到二值化的矩阵。
步骤四、特征提取；基于PDC方法的脑功能网络模型是描述大脑神经活动的有效方法。它是一个复杂的动态系统，由节点代表的动态单元的相互作用组成。本发明从步骤三获得的矩阵中提取连通性特征度，用来描述由EEG信号表示的网络节点之间的关系。
节点vi的度ui定义为与该节点连接的边数，其中，一个节点的度越大，这个节点在网络中就越重要。网络中节点度分布的情况可用分布函数P(u)描述，表示网络中度为u的节点在整个网络中所占的比例。
步骤五、分类方法；对于提取出的特征度，利用随机森林分类器进行分类。随机森林通过Bootstrap方法从原始训练样本集N中有放回且随机的抽取g个样本生成g个新的训练样本集合，然后根据这g个训练样本集生成g棵决策树生成随机森林，其基本单元为决策树。决策树是一种树状的模型，每棵树中都包含根节点、内部节点和叶子节点，决策树中的每一个节点代表训练集的属性，节点之间的路径表示特征属性的可能取值，决策树的决策过程就是通过待分类数据的特征属性，选择输出分支，依次从根节点到达叶子节点的过程。具体步骤如下：
5-1、采用Bootstrap方法在原始训练样本集N中有放回的抽取t个新的训练样本集。
5-2、根据这g个样本集生成g棵决策树，假设输入参数的总数为T，从中随机选择t个参数，那么该决策树根据这t个特征变量选择最优的方式分割数据，并且在随机森林的生成过程中t值恒定。
5-3、根据分类问题，将g个决策树的分类结果以服从多数投票的方式产生。
本发明与已有的诸多脑电信号的提取与分析相比，具有如下特点：
本文采用小波去噪的方法，将含噪声的源信号进行小波分解，得到不同频段的小波分解系数，同时设定阈值将噪声信号与脑电信号分离。
本文采用构建脑网络来进行脑电信号特征的提取，基于格兰杰因果性的因效性网络分析方法很好的反映节点间的因果关系，其中部分定向相干法发展较为成熟，因此，通过该方法建立脑网络具有很强的理论基础以及应用优势。
另外，本文采用随机森林的方法将产生特定动作的脑电信号进行分类，可以有效地辨别动作。
附图说明
图1为本发明方法的实现框图；
图2为本发明的脑电信号采集设备；
图3为本发明采集脑电信号过程的示意图；
图4为本发明中新型AatiCap 128导测量帽的布局图；
图5为本发明中随机森林流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，这个实例是根据本发明技术方案来实施的，给出了详细的实施方式和具体的操作过程，但是本发明方案却不限于这一个实例。
本发明提出了一种全新的基于非线性部分定向相干方法的脑因效性网络分析法，利用随机森林进行上肢运动分类。主要过程如下：对于采集到42通道EEG信号进行滤波处理，利用非线性部分定向相干法构建有向建脑功能网络，并提取了度、度分布、聚类系数等特征。利用随机森林对曲轴、曲腕、握拳、展拳等四个动作进行分类，发现基于部分定向相干性构建的脑功能网络的随机森林分类方法对于上肢动作的识别率较高，并证明了该方法是鲁棒的。
如图1所示，本实例包括以下步骤：
步骤一、脑电信号的采集；在实验过程中，使用的仪器是Brain Products公司所研制的脑肌电配套采集设备，如图2所示，这套系统中主要包括对种软硬件设备：放大器、电极以及电极帽、采集记录软件及后期处理软件。通过这套设备能够方便精准地采集实验所需数据，也可以进行EEG信号的后期处理。
实验室周围使用遮光窗帘隔绝过强的光线，并保证没有大幅度的光线强弱变化。房间具备很强的隔音能力，尽可能隔绝外界不必要的干扰。在数据采集过程中，实验室的温度一直稳定为25℃。在进行数据采集的过程里，采集人员不能随意走动或出声。数据采集过程由5名男性受试者和3名女性受试者参与完成，其年龄都处于23-30岁间，平均年龄为26岁。脑部功能健全，无其他神经系统疾病。在进行采集前向其告知了整个数据采集过程，之后征得了所有受试者的同意，脑电信号采集过程示意图如图3所示。
实验采用的是新型AatiCap 128导测量帽来采集EEG信号，其布局图如图4所示。在本次采集过程中，使用了其中40个EEG通道来覆盖目标研究区域,另外使用乳突EAR为参考电极。采样电极具体布局如表1所示。
表1采样电极布局
Figure BDA0002288122190000081
在进行采集之前将完整的实验流程和细节告知受试者，让其熟悉整个流程。告知受试者在正式进行实验采集时尽可能避免所有不在实验计划中的肢体动作，特别要避免身体和头部的晃动，尽可能降低对数据的干扰使采集的数据更加准确。在进行正式数据采集前，给受试者戴上安装完毕的电极帽，并向电极中注入导电胶来降低阻抗，调整电极接触情况直到阻抗降到阈值以下来保证采集到的信号的质量。
实验采集频率设定为5000HZ，同步记录脑电信号。受试者需按照以下步骤并根据要求作出指定的握拳、展拳、屈腕及屈肘动作：
a)开始时受试者保持静坐状态15s。在此过程中要求被试者正坐在靠椅上，放松手部肌肉，平静心情，尽量减少干扰。
b)被试者根据要求依序进行握拳、展拳、屈腕及屈肘4组动作，每组保持该动作持续5s，然后进行休息状态，休息15s后进行下一次动作。
c)一组动作需要将该动作进行10次，从左手开始，做完一组换到右手进行下一组。左右手分别完成一组动作之后，开始换到下一个动作进行，直至左右手分别做完所有4组动作。
数据采集的过程控制在30分钟以内，避免受试者出现疲劳或者注意力分散的情况。采集结束后及时关闭设备，清洗电极、电极帽，整理仪器。
步骤二、信号预处理；对步骤一采集到的脑电信号进行小波阈值去噪，小波阈值去噪方法的基本思想是将含噪声的源信号进行小波分解，得到不同频段的小波分解系数，同时设定阈值，如果该系数小于设定的临界阈值，则说明此时的小波系数主要由噪声引起，可予以舍去；若该系数大于临界阈值，则说明此时的小波系数主要源于信号，此时，通过软阈值法对该系数进行收缩处理。具体操作步骤如下：
2-1、确定小波的基函数以及分解尺度h。通过小波分解将脑、肌信号分解至各层，每层系数记为wh,k，其中k指分解的层数。
2-2、确定分解系数阈值λ；
2-3、计算各层的系数wh,k，计算公式如下：
Figure BDA0002288122190000091
其中w为小波系数，[sgn(w)]表示单位阶跃函数。
步骤三、脑功能网络的构建；首先通过多通道自动回归模式Multi-channel Auto-regressive Mode描述通道间的相互作用，之后通过非线性部分定向相干分析法，用于计算多通道信号之间的相干性及其方向。
3-1、多通道自动回归模式；
根据格兰杰因果性原理，假设存在两个信号X、Y，若利用X在n时间之前的数据预测X在第q步的数据时预测误差为e1，利用X、Y在n时间之前的数据预测X在第q步的数据时预测误差为e2，在e1＞e2时则认为Y有效改善了对X的预测。现讨论多通道下的格兰杰因果性，构建MVAR模型：
定义d通道n时刻的脑电信号为：
X(t)＝[X(1,n),X(2,n),......,X(d,n)] (2)
则其MVAR模型可表示为如下自回归过程：
Figure BDA0002288122190000101
其中r表示模型阶数，r＝1,2,....,p，xl(n)表示n时刻l通道状态变量值，l＝1,2,...,d，el表示l通道偏差。
以矩阵形式可表示为
Figure BDA0002288122190000102
即
Figure BDA0002288122190000103
其中矩阵A(r)表示模型的预测系数，矩阵E(n)表示模型的预测误差，即为模型的噪声，p是MVAR的最大预测阶数，依靠AIC(Akaike information criterion)准则来确定，通常情况下，AIC(p)＝-2L/m+2M/m，其中L是对数似然值，m是观测值数目，M是被估计的参数个数，AIC准则要求其越小越好。因为，AIC的大小取决于L和M。M值越小，则AIC值越小；同样，L值越大，则AIC值越小。而M值小意味着模型简洁，L大意味着模型精确。因此只需选取最小的AIC值即可，AIC准则兼顾了模型的简洁性和精确性。
3-2、非线性部分定向相干
非线性部分定向相干分析法是2001年由Luiz A.Baccala和Koichi Sameshima提出的一种基于格兰杰因果的新方法，用于研究多路信号之间的相干性及其方向，该方法的理论依据如下：
基于MVAR模型的系数矩阵A(n)，对其进行变换
Figure BDA0002288122190000111
其中f表示频率，fs表示抽样频率，A(f)是频域下的系数矩阵。
定义
Figure BDA0002288122190000112
其中I表示与A(f)系数矩阵同等大小的单元矩阵，因此
Figure BDA0002288122190000113
中的每一个元素可表示为：
Figure BDA0002288122190000114
其中i,j1＝1,2,....,d，则得到当频率为f时，第i个通道对第j1个通道的PDC值为
Figure BDA0002288122190000115
其中，
Figure BDA0002288122190000116
为
Figure BDA0002288122190000117
第i行，第j1列的元素，而
Figure BDA0002288122190000118
为
Figure BDA0002288122190000119
第j1列，上标T表示转置。
计算某频段下的PDC平均值：
Figure BDA00022881221900001110
其中
Figure BDA00022881221900001111
就是第i路信号对第j1路信号的相干性，其中频率区间用
Figure BDA00022881221900001112
表示。
用上述PDC方法计算出40个通道之间的相干性系数。采用显著性水平的方法计算阈值T，当PDC值大于阈值T时，认为两个通道之间是具有相关性，用1表示；当PDC值小于阈值T时，则认为这两通道间不具有相关性用0表示，这样就得到二值化的矩阵。
步骤四、特征提取；
通过脑网络的节点度和节点分布来进行特征提取，节点vi的度ui定义为与该节点连接的边数，一个节点的度越大，这个节点在网络中就越重要。网络中节点度分布的情况可用分布函数P(u)描述，表示网络中度为u的节点在整个网络中所占的比例。
步骤五、分类方法；
对于提取出的特征度，利用随机森林分类器进行分类，如图5所示。随机森林通过Bootstrap方法从原始训练样本集N中有放回且随机的抽取g个样本生成g个新的训练样本集合，然后根据这g个训练样本集生成g棵决策树生成随机森林，其基本单元为决策树。决策树是一种树状的模型，每棵树中都包含根节点、内部节点和叶子节点，决策树中的每一个节点代表训练集的属性，节点之间的路径表示特征属性的可能取值，决策树的决策过程就是通过待分类数据的特征属性，选择输出分支，依次从根节点到达叶子节点的过程。具体步骤如下：
5-1、采用Bootstrap方法在原始训练样本集N中有放回的抽取t个新的训练样本集。
5-2、根据这g个样本集生成g棵决策树，假设输入参数的总数为T，从中随机选择t个参数，那么该决策树根据这t个特征变量选择最优的方式分割数据，并且在随机森林的生成过程中t值恒定。
5-3、根据分类问题，将g个决策树的分类结果以服从多数投票的方式产生。其结果在Alpha段预测的准确率如表2所示。
表2在Alpha段预测的准确率(％)
动作 曲腕 曲肘 展拳 握拳 平均值
右手 78.3±5.4 72.9±5.2 80.0±4.7 78.8±5.8 76.4±5.3
左手 78.2±6.1 77.5±5.4 80.7±5.8 79.1±5.2 78.8±5.5

Claims (1)

1.一种基于自主运动想象脑电的肢体动作识别方法，其特征在于该方法包括如下步骤：
步骤一、脑电信号的采集；
步骤二、信号预处理；对步骤一采集到的脑电信号进行小波阈值去噪，选取软阈值法对脑电信号进行消噪处理，可有效消除噪音，从而获取更加纯净的脑电信号，具体操作步骤如下：
2-1、确定小波的基函数以及分解尺度h；通过小波分解将脑电信号分解至各层，每层系数记为wh,k，其中k指分解的层数；
2-2、确定分解系数阈值λ；
2-3、计算各层的系数wh,k，计算公式如下：
Figure FDA0004063984840000011
其中w为小波系数，[sgn(w)]表示单位阶跃函数；
步骤三、脑功能网络的构建；通过多通道自动回归模式Multi-channel Auto-regressive Mode可描述通道间的相互作用，之后通过非线性部分定向相干分析法，用于计算多通道信号之间的相干性及其方向；
3-1、多通道自动回归模式；
根据格兰杰因果性原理，假设存在两个信号X、Y，若利用X在n时间之前的数据预测X在第q步的数据时预测误差为e1，利用X、Y在n时间之前的数据预测X在第q步的数据时预测误差为e2，在e1>e2时则认为Y有效改善了对X的预测；现讨论多通道下的格兰杰因果性，构建MVAR模型：
定义d通道n时刻的脑电信号为：
X(t)＝[X(1,n),X(2,n),......,X(d,n)] (2)
则其MVAR模型表示为如下自回归过程：
Figure FDA0004063984840000021
其中r表示模型阶数，r＝1,2,....,p，xl(n)表示n时刻l通道状态变量值，l＝1,2,...,d，el表示l通道偏差；
以矩阵形式表示为
Figure FDA0004063984840000022
即
Figure FDA0004063984840000023
其中矩阵A(r)表示模型的预测系数，矩阵E(n)表示模型的预测误差，即为模型的噪声，p是MVAR的最大预测阶数，依靠AIC准则来确定，通常情况下，AIC(p)＝-2L/m+2M/m，其中L是对数似然值，m是观测值数目，M是被估计的参数个数，AIC准则要求其越小越好；
3-2、非线性部分定向相干
非线性部分定向相干分析法用于研究多路信号之间的相干性及其方向，该方法的理论依据如下：
基于MVAR模型的系数矩阵A(n)，对其进行变换
Figure FDA0004063984840000024
其中f表示频率，fs表示抽样频率，A(f)是频域下的系数矩阵；
定义
Figure FDA0004063984840000031
其中I表示与A(f)系数矩阵同等大小的单元矩阵，因此
Figure FDA0004063984840000032
中的每一个元素表示为：
Figure FDA0004063984840000033
其中i,j1＝1,2,....,d，则得到当频率为f时，第i个通道对第j1个通道的PDC值为
Figure FDA0004063984840000034
其中，
Figure FDA0004063984840000035
为
Figure FDA0004063984840000036
第i行，第j1列的元素，而
Figure FDA0004063984840000037
为
Figure FDA0004063984840000038
第j1列，上标T表示转置；
计算某频段下的PDC平均值：
Figure FDA0004063984840000039
其中
Figure FDA00040639848400000310
就是第i路信号对第j1路信号的相干性，其中频率区间用
Figure FDA00040639848400000311
表示；
使用PDC平均值计算公式计算出40个通道之间的相干性系数；采用显著性水平的方法计算阈值T，当PDC值大于阈值T时，认为两个通道之间是具有相关性，用1表示；当PDC值小于阈值T时，则认为这两通道间不具有相关性用0表示，这样就得到二值化的矩阵；
步骤四、特征提取；基于PDC方法的脑功能网络模型是描述大脑神经活动的有效方法；从步骤三获得的矩阵中提取连通性特征度，用来描述由EEG信号表示的网络节点之间的关系；
节点vi的度ui定义为与该节点连接的边数，一个节点的度越大，这个节点在网络中就越重要；网络中节点度分布的情况可用分布函数P(u)描述，表示网络中度为u的节点在整个网络中所占的比例；
步骤五、分类方法；对于提取出的特征度，利用随机森林分类器进行分类；随机森林通过Bootstrap方法从原始训练样本集N中有放回且随机的抽取g个样本生成g个新的训练样本集合，然后根据这g个训练样本集生成g棵决策树生成随机森林，其基本单元为决策树；决策树是一种树状的模型，每棵树中都包含根节点、内部节点和叶子节点，决策树中的每一个节点代表训练集的属性，节点之间的路径表示特征属性的可能取值，决策树的决策过程就是通过待分类数据的特征属性，选择输出分支，依次从根节点到达叶子节点的过程；具体步骤如下：
5-1、采用Bootstrap方法在原始训练样本集N中有放回的抽取t个新的训练样本集；
5-2、根据这g个样本集生成g棵决策树，假设输入参数的总数为T，从中随机选择t个参数，那么该决策树根据这t个特征变量选择最优的方式分割数据，并且在随机森林的生成过程中t值恒定；
5-3、根据分类问题，将g个决策树的分类结果以服从多数投票的方式产生。
CN201911168627.7A 2019-11-25 2019-11-25 一种基于自主运动想象脑电的肢体动作识别方法 Active CN110969108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911168627.7A CN110969108B (zh) 2019-11-25 2019-11-25 一种基于自主运动想象脑电的肢体动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911168627.7A CN110969108B (zh) 2019-11-25 2019-11-25 一种基于自主运动想象脑电的肢体动作识别方法

Publications (2)

Publication Number Publication Date
CN110969108A CN110969108A (zh) 2020-04-07
CN110969108B true CN110969108B (zh) 2023-04-07

Family

ID=70031549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911168627.7A Active CN110969108B (zh) 2019-11-25 2019-11-25 一种基于自主运动想象脑电的肢体动作识别方法

Country Status (1)

Country Link
CN (1) CN110969108B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111616704A (zh) * 2020-06-24 2020-09-04 天津大学 针对句子听力任务大脑动态功能网络交互模式的研究方法
CN113456078B (zh) * 2020-11-17 2024-06-11 西安邮电大学 一种基于pdc密集图传播的疲劳驾驶识别方法
CN112560931B (zh) * 2020-12-09 2021-11-05 中南民族大学 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统
CN112932508B (zh) * 2021-01-29 2022-10-14 电子科技大学 一种基于手臂肌电网络的手指活动识别系统
CN113397567B (zh) * 2021-05-19 2023-03-21 中国航天科工集团第二研究院 一种人类行为脑电信号分类方法及系统
CN113558639A (zh) * 2021-07-05 2021-10-29 杭州电子科技大学 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法
CN113741691A (zh) * 2021-08-27 2021-12-03 西安交通大学 一种运动意图精准捕捉的脑肌电信息同步系统及方法
CN113729733B (zh) * 2021-09-10 2023-11-07 天津大学 基于行为测试的运动想象神经响应能力检测装置
CN114587385B (zh) * 2022-02-25 2022-11-01 之江实验室 一种基于脑肌网络图论特征的卒中后康复评估深度学习模型构建方法
CN114831627A (zh) * 2022-03-17 2022-08-02 吉林大学 一种基于三棵决策树的下肢假肢运动识别方法
CN114997295B (zh) * 2022-05-25 2024-09-10 吉林大学 一种基于lr-elm的下肢假肢运动识别方法
CN115227504B (zh) * 2022-07-18 2023-05-26 浙江师范大学 一种基于脑电眼电信号的自动升降病床系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN103908361A (zh) * 2014-04-02 2014-07-09 韩晓新 一种假肢关节运动耦合驱动信号的采集运算方法
CN108875580A (zh) * 2018-05-15 2018-11-23 杭州电子科技大学 一种基于因效网络的多类运动想象脑电信号识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9730628B2 (en) * 2013-03-12 2017-08-15 The Cleveland Clinic Foundation System and method for identifying a focal area of abnormal network interactions in the brain

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN103908361A (zh) * 2014-04-02 2014-07-09 韩晓新 一种假肢关节运动耦合驱动信号的采集运算方法
CN108875580A (zh) * 2018-05-15 2018-11-23 杭州电子科技大学 一种基于因效网络的多类运动想象脑电信号识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Multivariate Granger Causality and Generalized Variance";Adam B. Barrett et al.;《arXiv》;20100413;第1213-1225页 *
"Robust Nonlinear Causality Analysis of Nonstationary Multivariate Physiological Time Series";Tim Schäck et al.;《IEEE Transactions on Biomedical Engineering》;20180630;第65卷(第6期);第1-28页 *
"基于PDC的注意相关脑电因效网络分析";黄登凤;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第01期);第23-46页 *
格兰杰因果分析研究体感电刺激对脑网络活动的影响;柯丽萍等;《生物医学工程与临床》;20180911(第05期);第487-492页 *

Also Published As

Publication number Publication date
CN110969108A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
Liu et al. Electroencephalogram emotion recognition based on empirical mode decomposition and optimal feature selection
CN112244873B (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
Islam et al. Wavelet analysis based classification of emotion from EEG signal
CN107961007A (zh) 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN101828921A (zh) 基于视觉诱发脑电vep的身份识别方法
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN109871831B (zh) 一种情感识别方法及系统
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
CN111544256A (zh) 基于图卷积和迁移学习的脑控智能全肢体康复方法
Dan et al. An identification system based on portable EEG acquisition equipment
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
Guo et al. EEG classification by filter band component regularized common spatial pattern for motor imagery
Yang et al. Mlp with riemannian covariance for motor imagery based eeg analysis
Wang et al. Identification of Depression with a Semi-supervised GCN based on EEG Data
CN116400800B (zh) 一种基于脑机接口和人工智能算法的als患者人机交互系统及方法
CN114732409A (zh) 一种基于脑电信号的情绪识别方法
Sun et al. A novel complex network-based graph convolutional network in major depressive disorder detection
Geng et al. [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface
Ghonchi et al. Spatio-temporal deep learning for EEG-fNIRS brain computer interface
CN113128384B (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
CN117883082A (zh) 一种异常情绪识别方法、系统、设备及介质
CN108814593B (zh) 一种基于复杂网络的脑电信号特征提取方法

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