CN111368884A - 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 - Google Patents

一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 Download PDF

Info

Publication number
CN111368884A
CN111368884A CN202010109597.9A CN202010109597A CN111368884A CN 111368884 A CN111368884 A CN 111368884A CN 202010109597 A CN202010109597 A CN 202010109597A CN 111368884 A CN111368884 A CN 111368884A
Authority
CN
China
Prior art keywords
matrix
electroencephalogram
sample set
motor imagery
training
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
CN202010109597.9A
Other languages
English (en)
Other versions
CN111368884B (zh
Inventor
祝磊
杨君婷
胡奇峰
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 CN202010109597.9A priority Critical patent/CN111368884B/zh
Publication of CN111368884A publication Critical patent/CN111368884A/zh
Application granted granted Critical
Publication of CN111368884B publication Critical patent/CN111368884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

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

Abstract

本发明公开了一种基于矩阵变量高斯模型的运动想象脑电特征提取方法。现有技术中运动想象脑电特征提取方法精度不足。本发明如下：一、进行脑电测试建立样本集。二、将训练样本集x进行滤波器组共空间模态运算；三、构建类间权重矩阵和类内权重矩阵；四、计算类内空间协方差矩阵和类内频率协方差矩阵；五、拆分类间散布矩阵。六、建立投影矩阵。七、计算特征数对；八、获取用于训练的d维特征。九、训练SVM模型。十、对被测人员的运动想象进行检测和识别。常规处理方法忽略了脑电信号中的空间信息。本发明使用矩阵化降维处理，并引入了矩阵变量高斯模型的思想，进一步提高了空间信息的利用率。

Description

一种基于矩阵变量高斯模型的运动想象脑电特征提取方法
技术领域
本发明属于脑电信号分类技术领域，具体涉及一种基于矩阵变量高斯模型和二维判别局部保留的运动想象脑电特征提取方法。
背景技术
脑电图生物电信号是可穿戴诊疗系统中的一种重要输入信号源。深入研究脑电信号的处理对认识病理学机理，探索疾病诊断与治疗的新方法具有重要意义。运动想象脑电信号的分类处理，可以辅助患者进行运动损伤的恢复，甚至是利用人脑控制外部设备来进行运动的实现，弥补身体的遗憾。
如何准确地分类不同运动想象的脑电信号，目前研究者们提出了很多的方法，但仍有诸多问题需要优化，如标记的样本数量少、噪声大、数据冗余和个体差异性大等。这些问题会造成训练得到的分类模型很不理想，分类识别准确率低。想要提高运动想象脑电信号的分类准确率，关键一步在于分类之前的特征提取环节。特征提取不仅能减少数据维度，去除大量冗余信息，而且能保留有效信息，从而提高分类精度。
基于运动想象的脑电信号的特征提取方法一般分为两个部分。第一个部分是时间域、空间域和频域的特征提取，如短时傅里叶变换(STFT)、小波包变换(WPT)、空间滤波共空间模式算法(CSP)及其衍生算法如滤波器组共空间模态(FBCSP)等。第二个部分是常规特征提取方法，如线性判别分析(LDA)、判别局部保留投影(DLPP)等。脑电信号不同采集通道之间存在重要相关信息，若第一步使用空间域的特征提取，后续采用如DLPP等常规特征提取方法会忽略这个信息，这在很大程度上影响着分类的准确率。
发明内容
本发明的目的在于克服现有技术中运动想象脑电特征提取方法精度不足的缺陷，提供一种基于矩阵变量高斯模型和二维判别局部保留的运动想象脑电特征提取方法。
本发明具体步骤如下：
步骤一、进行脑电测试建立拟定样本集；各测试者在测试的过程中进行运动想象。运动想象共有Z种。将拟定样本集分为训练样本集和测试样本集。训练样本集表示为x＝(x1,x2,…,xn)，n为训练样本数。设定参数t、维度d，并设定SVM模型中参数c和g的范围。
步骤二、将训练样本集x进行滤波器组共空间模态运算，xi为L×Ng的矩阵，i＝1,2,…,n。L为单次脑电数据采集的数据长度；Ng为脑电信号通道数。
2-1.构建滤波器组，让训练样本集通过滤波器组进行滤波。
2-2.将训练样本集在经过滤波器组滤波后进行共空间模式运算，得到训练空间频率矩阵集X＝{X1,X2....Xn}；将训练空间频率矩阵集X根据类别不同分为Z组，得到Z个类别对应的矩阵集
Figure BDA0002389506970000021
s＝1,2,…Z；ns为第s个类别中的样本个数。
Figure BDA0002389506970000022
为Nf行M×Z列的矩阵，Nf为滤波器组内滤波器的数量；M为共空间模式运算后输出特征的特征维数。
步骤三、分别构建类间权重矩阵B和Z个类内权重矩阵Ws。类内权重矩阵Ws的第i行第j列元素为
Figure BDA0002389506970000023
其表达式如式(1)所示；类间权重矩阵B的第a行第b列元素为Bab，其表达式如式(2)所示。
Figure BDA0002389506970000024
Figure BDA0002389506970000025
式(1)和式(2)中，‖·‖2为矩阵的二范数计算；i＝1,2,…,ns；j＝1,2,…,ns。Fa为第a个类别内所有空间频率矩阵的均值矩阵；Fb为第b个类别内所有空间频率矩阵的均值矩阵；a＝1,2,…,Z；b＝1,2,…,Z。
步骤四、计算类内空间协方差矩阵Ψ和类内频率协方差矩阵φ，表达式如式(3)和式(4)所示：
Figure BDA0002389506970000026
Figure BDA0002389506970000027
式(3)和式(4)中，Ng为脑电信号的通道数；Nf为滤波器组内滤波器的数量；(·)T为矩阵的转置运算。
步骤五、将类间散布矩阵拆分为两部分：
Figure BDA0002389506970000028
SBL、SBR的计算分别如式(5)、式(6)所示：
Figure BDA0002389506970000031
Figure BDA0002389506970000032
式(6)中，tr-1(SBL)为矩阵SBL的迹所对应的倒数。
步骤六、计算矩阵P＝φ-1SBL和矩阵P′＝Ψ-1SBR；将矩阵P进行特征分解，得到从大到小排列的Nu个特征值λu；特征向量λu对应特征向量Uu，u＝1,2,…,Nu。将矩阵P′进行特征分解，得到从大到小排列的Nv个特征值γv；特征向量γv对应特征向量Vv，v＝1,2,…,Nv。Nu为SBL的列数；Nv为SBR的列数。建立投影矩阵
Figure BDA0002389506970000033
步骤七、将Nu个特征值λu与Nv个特征值γu两两为一组相乘，得到Nu·Nv个乘积；将Nu·Nv个乘积按照从大到小排序，并取最大的前d个乘积所对应的u值、v值，作为d个特征数对(uk，vk)，k＝1,2,…,d。
步骤八、分别计算训练空间频率矩阵集X内各个空间频率矩阵Xi所对应的投影后矩阵Yi＝UTXiV，i＝1,2,…,n。投影后矩阵Y中与d个特征数对(uk，vk)对应的d个元素作为d维特征。
步骤九、训练SVM模型，并验证投影矩阵U和V是否可靠。
9-1.利用步骤八得到的n组d维特征训练SVM模型，得到训练好的SVM模型。
9-2.根据步骤二中方法对测试样本集进行处理，得到测试样本集对应的测试空间频率矩阵集。根据步骤八中的方法，利用投影矩阵U和V，计算测试样本集内各个样本矩阵对应的d维特征。
9-3.将测试样本集内各个样本矩阵对应的d维特征分别输入SVM模型中进行分类识别。将分类结果与测试样本集各样本矩阵的真实类别进行对比，得到分类精度。若分类精度小于阈值，则修改参数t、M和维度d的值，并重复步骤二至八；否则进入步骤十。
步骤十、对被测人员的运动想象进行检测和识别。
10-1.在被测人员进行运动想象的采集脑电数据；将所得脑电数据根据步骤二中方法对测试样本集进行处理，得到检测矩阵；根据步骤八中的方法，利用投影矩阵U和V，计算脑电数据对应的d维特征。
10-2.将步骤10-1的d维特征输入SVM模型中进行分类识别，得到被测人员的运动想象类别。
作为优选，步骤一中，SVM模型的参数c和g的初始范围均设定为2-6～28，步长设定为2。
作为优选，类别数Z＝4；四种运动想象分别为动左手、动右手、动脚、动舌头。
作为优选，步骤一中，t的值预设为1。
作为优选，步骤2-1中，滤波器组内滤波器的频带均在4～40Hz范围内。
作为优选，步骤2-1中，滤波器组的个数设为9个，频率范围在4hz-40hz中每4hz大小进行分隔，滤波器选择为6阶切比雪夫滤波器。
作为优选，所述的共空间模式运算后输出特征的特征维数M的取值在2、4、6、8中选择。
作为优选，步骤9-1中，SVM模型的参数c和g通过5折交叉验证法或网格参数寻优法确定。
本发明具有的有益效果是：
1、本发明利用了常规处理方法忽略了脑电信号中的空间信息，对特征提取方法进行矩阵化降维处理。
2、本发明对用于非脑电识别领域的2DDLPP的基础上进行了改进，引入了矩阵变量高斯模型的思想，进一步提高了空间信息的利用率，使得运动想象脑电信号的分类准确率进一步提高。
附图说明
图1为本发明验证时使用的BCI competitionⅣ，Data set 2a数据的脑电采集通道图；
图2为本发明验证时使用的BCI competitionⅣ，Data set 2a数据的眼电采集通道图；
图3为本发明验证时使用的BCI competitionⅣ，Data set 2a数据单次实验过程图。
具体实施方式
以下结合附图对本发明作进一步说明。
一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，具体步骤如下：
步骤一、对多个测试者进行脑电测试，建立拟定样本集和拓展样本集；各测试者在测试的过程中进行运动想象。运动想象共有Z种。本实施例中Z＝4；四种运动想象分别为动左手、动右手、动脚、动舌头。对拟定样本集的各个样本根据运动想象的不同，分为Z个类别。将拟定样本集分为训练样本集和测试样本集。训练样本集表示为x＝(x1,x2,…,xn)。训练样本集内共有n个样本。设定参数t的值为1。设定维度d。设定SVM模型中参数c和g的范围和步长，c和g的初始范围均设定为2-6～28，步长设定为2。
步骤二、将训练样本集x＝(x1,x2,…,xn)进行滤波器组共空间模态(FBCSP)运算，n为训练样本数，xi为L×Ng的矩阵，i＝1,2,…,n。L为单次脑电数据采集的数据长度(一次采集中的采样次数)；Ng为脑电信号通道数。
2-1.构建滤波器组，让训练样本集通过不同频带范围滤波器进行滤波。滤波器组内滤波器的频带均在4～40Hz范围内。
2-2.将训练样本集在经过滤波器组滤波后进行共空间模式(CSP)运算，得到训练空间频率矩阵集X＝{X1,X2....Xn}；将训练空间频率矩阵集X根据不同类别分为Z组，得到Z个类别对应的矩阵集
Figure BDA0002389506970000051
s＝1,2,…Z；ns为第s个类别中的样本个数。
Figure BDA0002389506970000052
为Nf行(M×Z)列的矩阵，i＝1,2,…,ns，Nf为滤波器组内滤波器的数量；M为共空间模式运算后输出特征的特征维数，在2、4、6、8中选择；Z为类别数。
步骤三、分别构建类间权重矩阵B和Z个类内权重矩阵Ws。类内权重矩阵Ws的第i行第j列元素为
Figure BDA0002389506970000053
其表达式如式(1)所示；类间权重矩阵B的第a行第b列元素为Bab，其表达式如式(2)所示。
Figure BDA0002389506970000054
Figure BDA0002389506970000055
式(1)和式(2)中，‖·‖2为矩阵的二范数计算；
Figure BDA0002389506970000056
为第s个类别中的第i个样本对应的训练空间频率矩阵；
Figure BDA0002389506970000057
为类别s中的第j个样本对应的训练空间频率矩阵；i＝1,2,…,ns；j＝1,2,…,ns。Fa为第a个类别内所有空间频率矩阵的均值矩阵；Fb为第b个类别内所有空间频率矩阵的均值矩阵；a＝1,2,…,Z；b＝1,2,…,Z。
步骤四、计算类内空间协方差矩阵Ψ和类内频率协方差矩阵φ，表达式如式(3)和式(4)所示：
Figure BDA0002389506970000058
Figure BDA0002389506970000059
式(3)和式(4)中，Ng为脑电信号的通道数；Nf为滤波器组内滤波器的数量；(·)T为矩阵的转置运算。
步骤五、将类间散布矩阵拆分为两部分：
Figure BDA0002389506970000061
(
Figure BDA0002389506970000062
为克罗内克积运算)。
SBL、SBR的计算分别如式(5)、式(6)所示：
Figure BDA0002389506970000063
Figure BDA0002389506970000064
式(5)和式(6)中，Z为总类别数；(Fi-Fj)T为第a个类别的均值与第b个类别的均值的差的转置；Bab为类间权重矩阵B第a行第b列的元素；tr-1(SBL)为矩阵SBL的迹所对应的倒数。
步骤六、计算矩阵P＝φ-1SBL和矩阵P′＝Ψ-1SBR；将矩阵P进行特征分解，得到从大到小排列的Nu个特征值λu；特征向量λu对应特征向量Nu，u＝1,2,…,Nu。将矩阵P′进行特征分解，得到从大到小排列的Nv个特征值γv；特征向量γv对应特征向量Vv，v＝1,2,…,Nv。Nu为SBL的列数；Nv为SBR的列数。建立投影矩阵
Figure BDA0002389506970000065
步骤七、将Nu个特征值λu与Nv个特征值γv两两为一组相乘，得到Nu·Nv个乘积；将Nu·Nv个乘积按照从大到小排序，并取最大的前d个乘积所对应的u值、v值，作为d个特征数对(uk，vk)，k＝1,2,…,d。
步骤八、分别计算训练空间频率矩阵集X内各个空间频率矩阵Xi所对应的投影后矩阵Yi＝UTXiV，i＝1,2,…,n。投影后矩阵Y中与d个特征数对(uk，vk)对应的d个元素作为d维特征(即投影后矩阵Y第uk行第vk列的元素
Figure BDA0002389506970000066
)。
步骤九、训练SVM模型，并验证投影矩阵U和V是否可靠。
9-1.利用步骤八得到的n组d维特征训练SVM模型，通过5折交叉验证法或网格参数寻优法确定SVM模型的最佳参数c和g，得到训练好的SVM模型。
9-2.根据步骤二中方法对测试样本集进行处理，得到测试样本集对应的测试空间频率矩阵集。根据步骤八中的方法，利用投影矩阵U和V，计算测试样本集内各个样本矩阵对应的d维特征。
9-3.将测试样本集内各个样本矩阵对应的d维特征分别输入步骤9-1训练好的SVM模型中进行分类识别。将分类结果与测试样本集各样本矩阵的真实类别进行对比，得到分类精度。若分类精度小于阈值，则修改参数t、M和维度d的值，t取1、2或3，M取2、4、6或8，d取1～M·Z中任意整数，并重复步骤二至八；否则进入步骤十。
步骤十、对被测人员的运动想象进行检测和识别。
10-1.在被测人员进行运动想象的采集脑电数据；将所得脑电数据根据步骤二中方法对测试样本集进行处理，得到检测矩阵；根据步骤八中的方法，利用投影矩阵U和V，计算脑电数据对应的d维特征。
10-2.将步骤10-1的d维特征输入步骤九所得的SVM模型中进行分类识别，得到被测人员的运动想象类别。
为证明上述方法的可行性，下面采用具体的基于运动想象的脑电信号进行举例说明。
BCI competitionⅣ，Data set 2a是国际BCI比赛公开数据集，数据采集自9名实验者，进行左手、右手、脚、舌头四种运动想象任务。数据的采集通道布置共有25个通道，其中22个脑电通道，3个眼电通道。22个脑电通道如图1所示；3个眼电通道如图2所示。
每名实验者进行576次实验，其中288次作为训练样本集，另外288次实验数据作为测试样本集。每288次实验中，4种运动想象任务各执行72次。每次实验的流程如图3所示，在实验开始的第二秒结束时为实验者提供运动想象标志提示，实验者在第三秒结束时进行相应的运动想象任务，持续3s。脑电采集设备在第3至6s持续采集脑电数据，并对脑电数据进行预处理，去除基线和工频干扰。
实验过程设置如下：将预处理后的BCI competitionⅣ，Data set 2a数据的288个训练样本集通过前述步骤二的运算得到空间频率矩阵样本集，之后分别进行以下四种处理：不进行处理、DLPP特征提取、2DDLPP特征提取、本发明特征提取。分别得到投影矩阵，并利用投影矩阵将高维度的测试样本集映射到低维空间中。用降维后的训练样本集训练SVM分类器模型，最后将测试样本集放入训练好的分类器模型中进行分类识别，得到分类精度。这里需要指出的是，对此数据的实验中，前述步骤二的运算中滤波器组的个数设为9个，频率范围在4hz-40hz中每4hz大小进行分隔，滤波器选择为6阶切比雪夫滤波器，特征维数选择通过5折交叉验证选择最优维数。
表格1为本发明处理时BCI competitionⅣ，Data set 2a数据中不同特征提取方法在训练样本集中各实验者5折交叉验证的最优分类精度表。
表格1
Figure BDA0002389506970000071
Figure BDA0002389506970000081
表格2为本发明处理BCI competitionⅣ，Data set 2a数据使用训练最优参数时，不同特征提取方法在测试样本集各实验者中的分类精度表。
表格2
Figure BDA0002389506970000082
从实例结果来看：训练样本集中，本发明与FBCSP降维的结果比较，9个实验者中有7名实验者的分类精度得到了提高，另2名实验者的结果也相差无几；测试样本集中9名实验者的平均分类精度也有了提高；这说明本发明在FBCSP的基础上进一步提取了有效的空间信息，并且较实验中例举的DLPP和2DDLPP的基础上作了优化，在2DDLPP上添加了矩阵变量高斯模型的思想，充分利用了脑电信号中的有用信息，使得提取的特征更为有效，提高了分类精度。另外，实验中只给出了一种脑电信号数据集，该算法也同样适用于其他脑电信号数据集。

Claims (8)

1.一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一、进行脑电测试建立拟定样本集；各测试者在测试的过程中进行运动想象；运动想象共有Z种；将拟定样本集分为训练样本集和测试样本集；训练样本集表示为x＝(x1,x2,…,xn)，n为训练样本数；设定参数t、维度d，并设定SVM模型中参数c和g的范围；
步骤二、将训练样本集x进行滤波器组共空间模态运算，xi为L×Ng的矩阵，i＝1,2,…,n；L为单次脑电数据采集的数据长度；Ng为脑电信号通道数；
2-1.构建滤波器组，让训练样本集通过滤波器组进行滤波；
2-2.将训练样本集在经过滤波器组滤波后进行共空间模式运算，得到训练空间频率矩阵集X＝{X1,X2....Xn}；将训练空间频率矩阵集X根据类别不同分为Z组，得到Z个类别对应的矩阵集
Figure FDA0002389506960000011
ns为第s个类别中的样本个数；
Figure FDA0002389506960000012
为Nf行M×Z列的矩阵，Nf为滤波器组内滤波器的数量；M为共空间模式运算后输出特征的特征维数；
步骤三、分别构建类间权重矩阵B和Z个类内权重矩阵Ws；类内权重矩阵Ws的第i行第j列元素为
Figure FDA0002389506960000013
其表达式如式(1)所示；类间权重矩阵B的第a行第b列元素为Bab，其表达式如式(2)所示；
Figure FDA0002389506960000014
Figure FDA0002389506960000015
式(1)和式(2)中，||·||2为矩阵的二范数计算；i＝1,2,…,ns；j＝1,2,…,ns；Fa为第a个类别内所有空间频率矩阵的均值矩阵；Fb为第b个类别内所有空间频率矩阵的均值矩阵；a＝1,2,…,Z；b＝1,2,…,Z；
步骤四、计算类内空间协方差矩阵Ψ和类内频率协方差矩阵φ，表达式如式(3)和式(4)所示：
Figure FDA0002389506960000021
Figure FDA0002389506960000022
式(3)和式(4)中，Ng为脑电信号的通道数；Nf为滤波器组内滤波器的数量；(·)T为矩阵的转置运算；
步骤五、将类间散布矩阵拆分为两部分：
Figure FDA0002389506960000023
SBL、SBR的计算分别如式(5)、式(6)所示：
Figure FDA0002389506960000024
Figure FDA0002389506960000025
式(6)中，tr-1(SBL)为矩阵SBL的迹所对应的倒数；
步骤六、计算矩阵P＝φ-1SBL和矩阵P′＝Ψ-1SBR；将矩阵P进行特征分解，得到从大到小排列的Nu个特征值λu；特征向量λu对应特征向量Uu，u＝1，2，...，Nu；将矩阵P′进行特征分解，得到从大到小排列的Nv个特征值γv；特征向量γv对应特征向量Vv，v＝1，2，...，Nv；Nu为SBL的列数；Nv为SBR的列数；建立投影矩阵
Figure FDA0002389506960000026
步骤七、将Nu个特征值λu与Nv个特征值γv两两为一组相乘，得到Nu·Nv个乘积；将Nu·Nv个乘积按照从大到小排序，并取最大的前d个乘积所对应的u值、v值，作为d个特征数对(uk，vk)，k＝1，2，...，d；
步骤八、分别计算训练空间频率矩阵集X内各个空间频率矩阵Xi所对应的投影后矩阵Yi＝UTXiV，i＝1，2，...，n；投影后矩阵Y中与d个特征数对(uk，vk)对应的d个元素作为d维特征；
步骤九、训练SVM模型，并验证投影矩阵U和V是否可靠；
9-1.利用步骤八得到的n组d维特征训练SVM模型，得到训练好的SVM模型；
9-2.根据步骤二中方法对测试样本集进行处理，得到测试样本集对应的测试空间频率矩阵集；根据步骤八中的方法，利用投影矩阵U和V，计算测试样本集内各个样本矩阵对应的d维特征；
9-3.将测试样本集内各个样本矩阵对应的d维特征分别输入SVM模型中进行分类识别；将分类结果与测试样本集各样本矩阵的真实类别进行对比，得到分类精度；若分类精度小于阈值，则修改参数t、M和维度d的值，并重复步骤二至八；否则进入步骤十；
步骤十、对被测人员的运动想象进行检测和识别；
10-1.在被测人员进行运动想象的采集脑电数据；将所得脑电数据根据步骤二中方法对测试样本集进行处理，得到检测矩阵；根据步骤八中的方法，利用投影矩阵U和V，计算脑电数据对应的d维特征；
10-2.将步骤10-1的d维特征输入SVM模型中进行分类识别，得到被测人员的运动想象类别。
2.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一中，SVM模型的参数c和g的初始范围均设定为2-6～28，步长设定为2。
3.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：类别数Z＝4；四种运动想象分别为动左手、动右手、动脚、动舌头。
4.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤一中，t的值预设为1。
5.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤2-1中，滤波器组内滤波器的频带均在4～40Hz范围内。
6.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤2-1中，滤波器组的个数设为9个，频率范围在4hz-40hz中每4hz大小进行分隔，滤波器选择为6阶切比雪夫滤波器。
7.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：所述的共空间模式运算后输出特征的特征维数M的取值在2、4、6、8中选择。
8.根据权利要求1所述的一种基于矩阵变量高斯模型的运动想象脑电特征提取方法，其特征在于：步骤9-1中，SVM模型的参数c和g通过5折交叉验证法或网格参数寻优法确定。
CN202010109597.9A 2020-02-22 2020-02-22 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法 Active CN111368884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010109597.9A CN111368884B (zh) 2020-02-22 2020-02-22 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010109597.9A CN111368884B (zh) 2020-02-22 2020-02-22 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法

Publications (2)

Publication Number Publication Date
CN111368884A true CN111368884A (zh) 2020-07-03
CN111368884B CN111368884B (zh) 2023-04-07

Family

ID=71210109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010109597.9A Active CN111368884B (zh) 2020-02-22 2020-02-22 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法

Country Status (1)

Country Link
CN (1) CN111368884B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270255A (zh) * 2020-10-27 2021-01-26 广州大学 一种脑电信号识别方法、装置、电子设备及存储介质
CN113143291A (zh) * 2021-05-11 2021-07-23 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法
CN114383834A (zh) * 2020-09-14 2022-04-22 中国海洋大学 一种海洋工程结构微小损伤判定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072290A (ko) * 2010-12-23 2012-07-03 전남대학교산학협력단 점진적 비가우시간 분석 방법
US20150269336A1 (en) * 2014-03-24 2015-09-24 Beijing University Of Technology method for selecting features of EEG signals based on decision tree
CN105809124A (zh) * 2016-03-06 2016-07-27 北京工业大学 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法
CN106943140A (zh) * 2017-03-08 2017-07-14 重庆邮电大学 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072290A (ko) * 2010-12-23 2012-07-03 전남대학교산학협력단 점진적 비가우시간 분석 방법
US20150269336A1 (en) * 2014-03-24 2015-09-24 Beijing University Of Technology method for selecting features of EEG signals based on decision tree
CN105809124A (zh) * 2016-03-06 2016-07-27 北京工业大学 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法
CN106943140A (zh) * 2017-03-08 2017-07-14 重庆邮电大学 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHI-CHUAN TANG等: "Classification of EEG-based single-trial motor imagery tasks using a B-CSP method for BCI" *
佘青山;陈希豪;席旭刚;张启忠;: "基于DTCWT和CSP的脑电信号特征提取" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114383834A (zh) * 2020-09-14 2022-04-22 中国海洋大学 一种海洋工程结构微小损伤判定方法
CN112270255A (zh) * 2020-10-27 2021-01-26 广州大学 一种脑电信号识别方法、装置、电子设备及存储介质
CN112270255B (zh) * 2020-10-27 2023-09-26 广州大学 一种脑电信号识别方法、装置、电子设备及存储介质
CN113143291A (zh) * 2021-05-11 2021-07-23 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法
CN113143291B (zh) * 2021-05-11 2023-02-03 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法

Also Published As

Publication number Publication date
CN111368884B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Izci et al. Cardiac arrhythmia detection from 2d ecg images by using deep learning technique
Li et al. Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques
CN111368884B (zh) 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法
CN104586387B (zh) 一种时、频、空域多参数脑电特征提取与融合方法
CN106529476B (zh) 一种基于深层堆叠网络的脑电信号特征提取及分类方法
US8862581B2 (en) Method and system for concentration detection
Xu et al. High accuracy classification of EEG signal
Rejer EEG feature selection for BCI based on motor imaginary task
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
CN113967022B (zh) 一种基于个体自适应的运动想象脑电特征表征方法
Prasanth et al. Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands
Refahi et al. Ecg arrhythmia classification using least squares twin support vector machines
CN109858537A (zh) 改进的eemd与csp结合的脑电信号特征提取方法
AU2013100576A4 (en) Human Identification with Electroencephalogram (EEG) for the Future Network Security
Kumar et al. Formulating divergence framework for multiclass motor imagery EEG brain computer interface
Aljalal et al. Feature extraction of EEG based motor imagery using CSP based on logarithmic band power, entropy and energy
Roy et al. Cross spectrum aided deep feature extraction based neuromuscular disease detection framework
Nakra et al. Feature Extraction and Dimensionality Reduction Techniques with Their Advantages and Disadvantages for EEG-Based BCI System: A Review.
Yu et al. Combining independent component analysis and backpropagation neural network for ECG beat classification
Azami et al. Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm
Kumari et al. Optimization of multi-layer perceptron neural network using genetic algorithm for arrhythmia classification
Oliveira et al. A novel arrhythmia classification method based on convolutional neural networks interpretation of electrocardiogram images
CN109144277B (zh) 一种基于机器学习实现脑控智能小车的构建方法
Shoker et al. Distinguishing between left and right finger movement from EEG using SVM
CN114861738A (zh) 一种基于脑电溯源和偶极子选择的运动想象分类方法

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