CN111820876A - 一种脑电空间滤波器的动态构建方法 - Google Patents
一种脑电空间滤波器的动态构建方法 Download PDFInfo
- Publication number
- CN111820876A CN111820876A CN202010728201.9A CN202010728201A CN111820876A CN 111820876 A CN111820876 A CN 111820876A CN 202010728201 A CN202010728201 A CN 202010728201A CN 111820876 A CN111820876 A CN 111820876A
- Authority
- CN
- China
- Prior art keywords
- lead
- leads
- target
- spatial filter
- electroencephalogram
- 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
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (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
本发明公开了一种脑电空间滤波器的动态构建方法,包括:1)输入训练集数据之后按设定时间点划分前后数据段,从前后数据段中选定目标导联;2)对剩余导联进行抽选,抽选出一部分导联,分别确定两个时间段下的目标导联与抽选导联集合的信号,然后利用上述四部分信号求解目标函数,构建统一模型;3)判断目标函数的输出是否满足终止条件,如果是,执行步骤4),如果否,重新执行步骤2);4)输入当前的测试数据并按照步骤1)进行预处理,通过统一模型训练得出的导联集合从预处理后的测试数据中抽选导联信号;5)结合步骤4)抽选的导联信号对测试目标导联应用统一模型,动态求解适用于当前环境的空间滤波器并对测试数据进行空间滤波。本发明能够改善单试次脑电特征,从而提高分类识别效率。
Description
技术领域
本发明涉及脑机接口、脑功能认知状态评估、脑状态检测等多个领域,尤其涉及一种脑电空间滤波器的动态构建方法。
背景技术
脑电信号(EEG signal)是神经细胞电生理活动通过容积导体效应在大脑皮层或头皮表面的总体反映。脑电信号包含了大量的生理信息,在工程应用方面,EEG信号可以用来设计实现脑-机接口(Brain-Computer Interface,BCI)。脑-机接口是一种能够获取并解码人脑产生的生理信号来控制计算机或外部设备的新型人-机交互系统,可以脱离大脑正常的指令输出通路,无需经由外周神经和相关肌肉组织的传统运动控制途径。按照刺激范式的不同,BCI系统可以分为主动式、被动式和反应式三种。主动式BCI的特点是用户主动输出指令控制外部设备,以基于运动想象(Motor Imagery,MI)信号的系统为主;被动式BCI多用于检测大脑状态,如精神状态和注意力水平等;反应式BCI主要用于检测大脑基于外部刺激的响应并间接输出控制指令,刺激诱发信号种类众多,如事件相关电位(Event-RelatedPotential,ERP)、稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)、错误相关电位(Error-Related Potential,ErrP)、事件相关去同步(Event-RelatedDesynchronization,ERD)等。BCI系统尤其适用于以下两种应用场景:(1)基本肢体运动功能受损、但思维正常的患者;(2)工作空间狭窄,不方便进行肢体运动(如航天环境等)。因此,BCI技术在当下越来越受到重视。
EEG信号是非平稳、时变的随机信号,而且容易受到背景活动噪声、运动伪迹、电磁噪声等的干扰。为了降低噪声干扰,提高有效信号的信噪比,大多数采集到的脑电信号通常都需要经过各种预处理之后才能进行下一步的分析:例如降采样可以减少存储压力,提高实时运算速度,同时在一定程度上抑制高频噪声的干扰;数字滤波常用来滤除或保留特定频段的信号,主要种类有低通滤波、高通滤波、带通滤波和陷波等;信号空间投影(Signal-Space Projection,SSP)常用来消除设备产生的电磁噪声和眼电干扰;独立成分分析(Independent Component Analysis,ICA)常用于分离多个非高斯的统计独立的源信号;主成分分析(Principle Component Analysis,PCA)常用于数据降维提取信号的主要特征;麦克斯韦滤波(Maxwell Filtering)与信号空间分离(Signal-Space Separation,SSS)常用于分离并去除外部源的电磁噪声(环境噪声)等等。
最近几年,脑电信号及其应用得到了愈发广泛和深入的研究,脑-机接口系统的指令集数量不断加大,信息传输率(Information Transfer Rate,ITR)逐步提高。然而目前相关研究和发展在更快响应时间和更高准确率两个方向上似乎都达到了瓶颈,其中一个很重要的原因在于前述常规的脑电数据预处理手段不足以进一步提升特征信号的质量,且现有空间滤波器的具体参数大多由训练集数据或相应的先验知识提前固定,因此无法很好地处理具有强随机性、非线性和非平稳性的各类非目标特征的脑电噪声。
发明内容
本发明提供了一种脑电空间滤波器的动态构建方法,本发明根据当前脑电环境的特性,动态求解参数并构建空间滤波器,改善单试次脑电特征,从而提高分类识别效率,进一步研究可以在现有脑-机接口系统的基础上提升性能,或者提高脑电分析的效率和精准度,有望获得可观的社会效益和经济效益,详见下文描述:
一种脑电空间滤波器的动态构建方法,所述方法包括以下步骤:
1)输入训练集数据之后按设定时间点划分前后数据段,并从前后数据段中选定目标导联;
2)对剩余导联进行抽选,抽选出一部分导联,分别确定两个时间段下的目标导联与抽选导联集合的信号,然后利用上述四部分信号求解目标函数,构建统一模型;
3)判断目标函数的输出是否满足终止条件,如果是,执行步骤4),如果否,重新执行步骤2);
4)输入当前的测试数据并按照步骤1)进行预处理,通过模型训练得出的导联集合从预处理后的测试数据中抽选导联信号;
5)结合步骤4)抽选的信号对测试目标导联应用统一模型,动态求解适用于当前环境的空间滤波器并对测试数据进行空间滤波。
其中,所述按设定时间点划分前后数据段具体为:
本发明提供的技术方案的有益效果是:
1、本发明可在脑电信号预处理过程中动态设计空间滤波器,抑制多种非目标特征的脑电噪声,应用范围广泛;
2、本发明对脑机接口的实验数据分析显示,对于单试次脑电特征信号的信噪比提升显著,并能有效提高后续特征分类的识别准确率,能进一步完善脑电信号的预处理技术,促进该技术向应用成果转化;
3、本发明可用于脑电信号的数据预处理,能有效改善采集信号的质量,改进脑机接口系统性能,有望获得可观的社会效益和经济效益。
附图说明
图1为一种脑电空间滤波器的动态构建方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
一种脑电空间滤波器的动态构建方法,参见图1,该方法包括以下步骤:
步骤101:输入训练集数据之后按设定时间点划分前后数据段,从前后数据段中选定目标导联;
即通过上述步骤101实现对训练集数据的预处理。
步骤102:对剩余导联进行抽选,抽选出一部分导联,分别确定两个时间段下的目标导联与抽选导联集合的信号,然后利用上述四部分信号求解目标函数,构建统一模型;例如:目标导联选为Oz,在初始阶段抽选POz、Pz和FCz三个导联组成导联集合{POz、Pz、FCz},该集合元素为导联名称。在前后两个时间段均分别抽选导联Oz的信号与导联集合{POz、Pz、FCz}的信号,以上共计四部分信号;
步骤103:判断目标函数的输出是否满足终止条件,如果是,执行步骤104,如果否,重新执行步骤102;
即,通过上述步骤102和103实现了统一模型的建立,如果否,则重新进行导联抽选。
步骤104:输入当前的测试数据并按照步骤101进行预处理,通过统一模型训练得出的导联集合从预处理后的测试数据中抽选导联信号;例如:若目标导联选为Oz,且模型训练得出的导联集合为{POz、Pz、FCz},则在测试数据中,同样地抽取POz、Pz和FCz这三个导联的信号作为导联集合信号;
步骤105:结合步骤104抽选的信号对目标导联应用统一模型,动态求解适用于当前环境的空间滤波器并对测试数据进行空间滤波,至此滤波完成。
综上所述,通过上述步骤101-步骤105实现了对脑电空间滤波器的动态构建,满足了实际应用中的多种需要。
下面结合具体的计算公式、实例、图1对上述方案进行进一步地扩展、细化,详见下文描述:
训练数据中某一刺激条件下所有试次的信号可以表示为一个三维张量
Nc表示采集数据包含的导联个数,Ns表示总试次数,Nt表示该段数据的采样点数。根据人为设定的起始时刻(t=t0)将张量φ划分为t<t0的脑电片段和t>t0的脑电片段m和n分别为数据点数且均为常数,R表示常数集。
本发明即利用X、Y两个脑电片段之间的关系来建模与设计空间滤波器,针对t>t0的脑电片段进行滤波降噪处理,主要包括以下三个部分:
(1)由训练数据建立求解动态滤波器的统一模型G,详见式(1)-(4)。
其中,X(k)(i,:)∈R1×m与Y(k)(i,:)∈R1×n分别表示t<t0和t>t0两个时段内,目标导联i的第k个试次的信号;表示从除目标导联i以外的剩余导联中抽选的个导联组成的导联集合(的数值不固定),分别表示t0前后两个时段内导联集合的第k个试次的信号。
式(1)为空间滤波器的约束条件,||*||p表示向量的p-范数。argmin表示寻找使得目标函数取最小值时的变量值;与之相对地,argmax表示寻找使得目标函数取最大值时的变量值。式(2)为求解导联集合的目标函数f,其输出是与信号质量相关的量化指标,具体形式多样,包括但不限于特征信号的频谱、能量、信噪比等等。目标函数的输入χ(k)∈R1 ×m和γ(k)∈R1×n由式(3)、(4)求解得到。
利用模型G中的公式(1)动态求解适用于当前脑电环境的空间滤波器Wi,见式(5)。
理论上训练数据中包含的所有导联都可以作为目标导联执行上述步骤并建模,最终可以实现测试数据的全导联空间滤波。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种脑电空间滤波器的动态构建方法,其特征在于,所述方法包括以下步骤:
1)输入训练集数据之后按设定时间点划分前后数据段,并从前后数据段中选定目标导联;
2)对剩余导联进行抽选,抽选出一部分导联,分别确定两个时间段下的目标导联与抽选导联集合的信号,然后利用上述四部分信号求解目标函数,构建统一模型;
3)判断目标函数的输出是否满足终止条件,如果是,执行步骤4),如果否,重新执行步骤2);
4)输入当前的测试数据并按照步骤1)进行预处理,根据模型训练得出的导联集合从预处理后的测试数据中抽选导联信号;
5)结合步骤4)抽选的信号对测试目标导联应用统一模型,动态求解适用于当前环境的空间滤波器并对测试数据进行空间滤波。
3.根据权利要求2所述的一种脑电空间滤波器的动态构建方法,其特征在于,
所述统一模型具体为:
其中,X(k)(i,:)∈R1×m与Y(k)(i,:)∈R1×n分别表示t<t0和t>t0两个时段内,目标导联i的第k个试次的信号;表示从除目标导联i以外的剩余导联中抽选的个导联组成的导联集合,与分别表示t0前后两个时段内导联集合的第k个试次的信号;为使得函数f输出值最大的导联集合估计;
式(1)为空间滤波器的约束条件,||*||p表示向量的p-范数,argmin表示寻找使得目标函数取最小值时的变量值;与之相对地,argmax表示寻找使得目标函数取最大值时的变量值;为使得对应p-范数输出值最小的空间滤波器估计;
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010728201.9A CN111820876B (zh) | 2020-07-24 | 2020-07-24 | 一种脑电空间滤波器的动态构建方法 |
PCT/CN2021/105590 WO2022017202A1 (zh) | 2020-07-24 | 2021-07-09 | 脑电信号的动态空间滤波与扩增方法、装置、电子设备以及存储介质 |
US17/904,790 US20230055867A1 (en) | 2020-07-24 | 2021-07-09 | Method and apparatus for performing spatial filtering and augmenting electroencephalogram signal, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010728201.9A CN111820876B (zh) | 2020-07-24 | 2020-07-24 | 一种脑电空间滤波器的动态构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111820876A true CN111820876A (zh) | 2020-10-27 |
CN111820876B CN111820876B (zh) | 2023-04-28 |
Family
ID=72925852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010728201.9A Active CN111820876B (zh) | 2020-07-24 | 2020-07-24 | 一种脑电空间滤波器的动态构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111820876B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113509188A (zh) * | 2021-04-20 | 2021-10-19 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
WO2022017202A1 (zh) * | 2020-07-24 | 2022-01-27 | 天津大学 | 脑电信号的动态空间滤波与扩增方法、装置、电子设备以及存储介质 |
CN115251909A (zh) * | 2022-07-15 | 2022-11-01 | 山东大学 | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 |
WO2022241578A1 (en) * | 2021-05-21 | 2022-11-24 | Interaxon Inc. | Systems and methods for neural networks and dynamic spatial filters to reweigh channels |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383832A (zh) * | 2016-08-26 | 2017-02-08 | 用友网络科技股份有限公司 | 一种数据挖掘训练模型的生成方法 |
CN107184207A (zh) * | 2017-05-12 | 2017-09-22 | 河海大学常州校区 | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 |
CN109144266A (zh) * | 2018-08-29 | 2019-01-04 | 安徽大学 | 一种基于独立分量分析的脑机接口导联优化方法 |
KR20190067069A (ko) * | 2017-12-06 | 2019-06-14 | 광주과학기술원 | Bci 시스템의 신뢰성 향상 방법 |
CN110728189A (zh) * | 2019-09-12 | 2020-01-24 | 东南大学 | 一种基于Lp/q-混合范数的空间滤波方法及装置 |
-
2020
- 2020-07-24 CN CN202010728201.9A patent/CN111820876B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383832A (zh) * | 2016-08-26 | 2017-02-08 | 用友网络科技股份有限公司 | 一种数据挖掘训练模型的生成方法 |
CN107184207A (zh) * | 2017-05-12 | 2017-09-22 | 河海大学常州校区 | 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法 |
KR20190067069A (ko) * | 2017-12-06 | 2019-06-14 | 광주과학기술원 | Bci 시스템의 신뢰성 향상 방법 |
CN109144266A (zh) * | 2018-08-29 | 2019-01-04 | 安徽大学 | 一种基于独立分量分析的脑机接口导联优化方法 |
CN110728189A (zh) * | 2019-09-12 | 2020-01-24 | 东南大学 | 一种基于Lp/q-混合范数的空间滤波方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022017202A1 (zh) * | 2020-07-24 | 2022-01-27 | 天津大学 | 脑电信号的动态空间滤波与扩增方法、装置、电子设备以及存储介质 |
CN113509188A (zh) * | 2021-04-20 | 2021-10-19 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
CN113509188B (zh) * | 2021-04-20 | 2022-08-26 | 天津大学 | 脑电信号的扩增方法、装置、电子设备以及存储介质 |
WO2022241578A1 (en) * | 2021-05-21 | 2022-11-24 | Interaxon Inc. | Systems and methods for neural networks and dynamic spatial filters to reweigh channels |
CN115251909A (zh) * | 2022-07-15 | 2022-11-01 | 山东大学 | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 |
CN115251909B (zh) * | 2022-07-15 | 2024-04-30 | 山东大学 | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111820876B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG | |
CN111820876B (zh) | 一种脑电空间滤波器的动态构建方法 | |
Wang et al. | BCI competition 2003-data set IV: an algorithm based on CSSD and FDA for classifying single-trial EEG | |
Barbosa et al. | Activation of a mobile robot through a brain computer interface | |
Lee et al. | A brain-wave-actuated small robot car using ensemble empirical mode decomposition-based approach | |
Yong et al. | Sparse spatial filter optimization for EEG channel reduction in brain-computer interface | |
Saa et al. | A latent discriminative model-based approach for classification of imaginary motor tasks from EEG data | |
Zhang et al. | Improving mental task classification by adding high frequency band information | |
Yang et al. | Removal of electrooculogram artifacts from electroencephalogram using canonical correlation analysis with ensemble empirical mode decomposition | |
Chan et al. | The removal of ocular artifacts from EEG signals using adaptive filters based on ocular source components | |
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 | |
CN106648087B (zh) | 一种基于意识任务的特征eeg处理方法 | |
Gao et al. | Multi-ganglion ANN based feature learning with application to P300-BCI signal classification | |
Malekmohammadi et al. | An efficient hardware implementation for a motor imagery brain computer interface system | |
Li et al. | Spatial fusion of maximum signal fraction analysis for frequency recognition in SSVEP-based BCI | |
Chen et al. | A hybrid method for muscle artifact removal from EEG signals | |
Figueiredo et al. | SSA of biomedical signals: A linear invariant systems approach | |
Deng et al. | TRCA-Net: using TRCA filters to boost the SSVEP classification with convolutional neural network | |
CN116226624A (zh) | 一种基于张量分解的运动想象脑机接口的通道选择方法 | |
Xu et al. | Feature extraction and classification of EEG for imaging left-right hands movement | |
CN111144450A (zh) | 一种构建基于不同长度名字刺激的erp范式的方法 | |
Ming et al. | Feature extraction method of motor imagery EEG based on DTCWT sample entropy | |
Hong et al. | Signal processing algorithms for motor imagery brain-computer interface: State of the art | |
Yong et al. | Automatic artefact detection in a self-paced brain-computer interface system | |
Nakanishi et al. | Transferring shared responses across electrode montages for facilitating calibration in high-speed brain spellers |
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 |