CN112084879A - 一种运动想象脑电的块选择共空间模式特征提取方法 - Google Patents

Abstract

本发明公开了一种运动想象脑电的块选择共空间模式特征提取方法，本发明首先以每个通道划分频带来构建数据块的方式对原始数据进行预处理，其次对每个块进行块的相关性计算以得到表征分类性能的指标Fisher比，然后根据该指标及合理阈值实现对数据块的选择，最后用CSP和SVM对最优块组成的数据进行特征提取与分类。本发明选出来的块能有效地避免不同个体以及不同通道间的差异性，且块所属的通道分布合理，数量适中，一定程度上提高了BCI系统的分类性能，我脑电信号的特征提取提供了新的思路。

Description

一种运动想象脑电的块选择共空间模式特征提取方法

技术领域

本发明属于模式识别领域，提出一种块选择-共空间模型特征提取方法(Block-selection for CSP,BS-CSP)，用于基于运动想象的BCI系统的任务分类。通过对每个通道划分频带来构建数据块，利用每个块的时频特征计算得到的Fisher比选出最优块，实现了对通道和频带的同时选择，减少了通道间和频带间的冗余信息，然后分别用共空间模式(Common Space Pattern,CSP)和支持向量机(Support vector machine,SVM)对最优块组成的数据进行特征提取与分类。

背景技术

作为人类与计算机通信的桥梁，脑机接口(Brain-computer interface,BCI)可以通过对脑部神经活动信号的识别产生控制命令，帮助有运动障碍的患者对轮椅，外骨骼等外部设备进行控制，从而改善日常生活质量。脑电信号(Electroencephalogram,EEG)因具有高时间分辨率，低成本和高便捷等优点而被广泛应用，在当前BCI控制系统中广泛使用的EEG范式包括事件相关电位(Event related potential,ERP)，稳态视觉诱发电位(Steady-state visually evoked potential,SSVEP)和运动想象(Motor imagery,MI)；与其它范式相比，MI因无需外界的刺激信号，更贴近自然，更具实用性等优点得到关注。它通过对四肢或身体不同部位的运动想象引起大脑皮层相关区域活动的变化。例如，当想象左手或右手运动时，大脑对侧的运动感知区域代谢和血流变强，出现alpha和Beta频段信号的振幅降低的情况，即出现事件相关去同步(Event related desynchronization,ERD)现象；大脑同侧的运动感知区域呈静息或惰性状态，出现alpha和Beta频段信号的振幅增加的情况，即出现事件相关同步(Event related synchronization,ERS)现象。根据这一规律，可以通过对想象不同的肢体运动所得到的EEG信号进行分类从而产生不同的控制命令。

由于EEG是一种非平稳，低幅值，低信噪比的生物电信号，并且运动想象系统的稳定性较差，易受干扰，特征不明显，给正确识别运动想象意图带来很大挑战，因此采用恰当的方法来提取有效的特征在EEG的识别中显得尤为关键。CSP作为一种空间滤波方法，在基于MI的BCI系统研究中被广泛使用，但因为其具有对噪声高度敏感和泛化能力低的缺点，研究者提出了许多改进的CSP方法。为了去除通道之间的冗余信息和噪声干扰，提出了基于通道选择的CSP改进方法，比如通过时域特征和相关系数进行通道选择的滤波器组共空间模式方法(Channel selection for Filter-Bank-CSP,SFBCSP)，基于多频带的滤波器排序进行通道选择的共空间模式方法(CSP-Rank channel selection for multifrequencyband,CSP-R-MF)和基于皮尔逊相关系数进行通道选择的正则化共空间模式方法(Correlation based channel selection for Regularized CSP,CCS-RCSP)。这些方法在通道选择后的滤波中对所选择的通道进行了相同的频带划分与选择，未针对不同个体的不同通道选择最佳频带。但是不同的个体进行运动想象时，ERD/ERS现象较为明显的最佳频带往往是不尽相同的，即使同一个体，不同通道的最佳频带也未必相同。又如TANG提出了一种利用巴氏距离分别选择每个通道最佳频带的共空间模式方法(Bhattacharyya distance-based frequency selection for CSP,B-CSP)。但是这个方法的频带选择是对所有通道进行的，未针对不同的个体进行通道选择，仍然存在通道间的冗余信息和噪声影响分类性能。

发明内容

本发明针对以上问题，提出一种对所有通道划分频带，形成众多块，并结合时-频特征与统计量进行块选择，从而实现同时选择通道和频带的BS-CSP方法。

大多数改进CSP方法的基本思想都是通过EEG的频域信息来选择最佳频带，形成新的输入矩阵后用共空间模式进行特征提取。由于EEG本质上是一个高度非平稳的时间序列信号，仅结合频域信息的共空间模型仍存在不能充分利用时间信息的不足，本发明通过构造同时考虑时域和频域信息的选择指标，来改善后续共空间模式特征在表征运动想象任务中的准确性和可靠性。本发明包括以下步骤：

步骤(1)：多通道脑电信号采集与预处理。

首先采集受试者的多通道运动想象脑电信号；接着利用带通滤波器针对每个通道的脑电信号进行8-32Hz带通滤波，用于块的构建；然后结合相关谱扰动(event-relatedspectral perturbation,ERSP)截取合适的时间窗；

步骤(2)：通过块的相关性计算，计算每个块的功率(Power)和功率谱密度(PowerSpectral Density,PSD)，进而得出每个块的Fisher比来表征区分运动想象任务的能力。

定义块

的功率T_i ^(ks)，功率谱密度P_i ^(ks)，Fisher比F^(ks)：

其中I₁、I₂分别为两类运动想象的实验次数，I为总实验次数，即I₁∪I₂＝{1,2,…,I}；N为采样点个数；

步骤(3)：通过块的选择

根据Fisher比设置阈值选出M个块，从而构造新的矩阵作为CSP模型的输入；

步骤(4)：对每个块分别进行空间滤波，并提取CSP特征，并用SVM进行分类。

CSP特征提取具体为：

记X₁和X₂为两类运动想象任务下的信号矩阵，构造空间滤波器；首先求信号矩阵协方差，并归一化，得到：

其中，trace(·)为矩阵的迹，然后求出混合空间的协方差矩阵R，并进行特征值分解：

其中，

为两类任务实验的平均协方差矩阵，i＝1,2，U为矩阵R的特征向量，Λ为对应的特征值矩阵；进一步求出白化矩阵P：

接着对R₁与R₂做白化处理以及主成分分解：

则矩阵S₁与矩阵S₂的特征向量相等，即B₁＝B₂，且Λ₁+Λ₂＝I，其中，I为单位矩阵；两类矩阵的特征值之和为1，因此当一类的特征值最大时另一类最小，从而可以实现分类的作用；则构造空间滤波器：

W＝B^TP (9)

将上述原始运动想象信号矩阵X经W滤波，得到特征矩阵Z：

Z＝WX (10)

接着取其前m个和后m个特征值构成空间滤波信号Z_p，P＝1,…,2m，求取特征向量：

其中

为空间滤波信号Z_p的第j₀行信号，log(·)为对数运算符。

本发明的有益效果：本发明通过BS-CSP方法选出来的块能有效地避免不同个体以及不同通道间的差异性，且块所属的通道分布合理，数量适中，并一定程度上提高了BCI系统的分类性能。另外，与其他先通道选择后分频带的改进CSP方法想比，该方法选出来的通道均带有不同的权重，即每个通道所包含的块的个数不同，这也为后续通道选择方法的改进提供了思路。

附图说明

图1为本发明的流程图；

图2为单次实验时间轴；

图3为单个通道的ERSP时频分布图；

图4(a)为aa受试者的块选择比较；

图4(b)为av受试者的块选择比较；

图5为验证集分类精度随通道个数的变化趋势图；

图6为块所属通道的标记图。

具体实施方式

下面结合附图详细描述本发明基于运动想象脑电的块选择共空间模式特征提取方法。如图1，本发明的实施主要包括4个步骤：(1)多通道脑电信号采集与预处理；(2)块的相关性计算；(3)块的选择；(4)CSP特征提取与SVM分类。假设实验采集的EEG数据具有K个通道，把每个通道EEG进行频段划分得到的数据称为块。每个通道都分成S个等带宽频带，则生成K×S个块。记第k个通道的第s个频带所对应块的数据为x^(ks)(n),k＝1,2,…,K,s＝1,2,…,S,n＝1,2,…,N，其中N为每个块的采样点个数。假设受试者共进行I次实验，则第i次实验的第ks个块为

在本发明中，暂且考虑二分类运动想象(I₁,I₂)，即I₁∪I₂＝{1,2,…,I}。

下面逐一对各步骤进行详细说明。

步骤(1)：本发明采用BCI Competition III Datesate Iva公共数据集进行说明。该数据集记录了5名健康受试者(aa,al,av,aw,ay)的118通道EEG数据，每个受试者被要求完成右手、双脚两类运动想象各140次实验，每次实验的前3.5秒在电脑屏幕中央持续显示带有方向的箭头(向左：左手运动；向右：右手运动；向下：双脚运动)作为提示，在此期间受试者根据提示来执行相应的运动想象任务，然后放松1.75至2.25秒，具体时间轴如图2所示。

数据预处理：1)频带处理：由于脑电信号中通常会出现不同形式的干扰和噪声，有些可以在EEG数据采集时尽量避免甚至消除掉，而有些只能在后续的预处理中去除，如工频干扰等。而运动想象实验中的ERD/ERS现象又主要出现在alpha频段(8-13Hz)和Beta频段(14-30Hz)，因此采用有限长单位冲激响应滤波器(Finite impulse response,FIR)对EEG信号进行8-32Hz带通滤波，并划分为12个带宽为2Hz的频带(8-10Hz,10-12Hz,12-14Hz,14-16Hz,16-18Hz,18-20Hz,20-22Hz,22-24Hz,24-26Hz,26-28Hz,28-30Hz,30-32Hz)用于块的构建。2)时间窗处理：原始数据中包含了实验从开始到结束所有的脑电数据，需要根据实验要求选取合适的时间窗对原始数据进行截取，以便后续处理。在一次运动想象中提示出现后的0-1s内被普遍称作想象的准备阶段，而3.5-4s内被称作后想象阶段。本发明通过分析与运动想象相关的大脑区域信号的事件ERSP来确定截取数据的时间窗。图3是av受试者CCP5通道的ERSP时频分布图，可以看出在0时刻视觉提示出现后会有一小段长短因人而异的运动想象反应时间，所以为考虑数据质量，将时间窗设置为视觉提示后的0.5～2.5s。

步骤(2)：块的相关性计算。Fisher比是一种将高维参数投影成一维来测量类判别属性的统计量参数：

其中X^-和X⁺为两个不同类别的参数集合，mean(.)为均值，var(.)为方差。

本发明通过计算块的时域Power特征和频域PSD特征构建二维参数，然后通过Fisher比投影成一维参数来表征每个块运动想象分类能力，且以此作为后续阈值设置的根据。定义块

的功率

功率谱密度

Fisher比F^(ks)：

以aa、av受试者为例，对划分的12*118个块进行运动想象相关性计算，并用色差表示块的Fisher比。由于该数据集原始通道个数过多，为便于显示挑选包含最优块所属通道的20个运动感知区通道，如图4(a)、(b)所示。可以看出，对于aa受试者第三个频段(12-14Hz)和第九个频段(24-26Hz)的块具有较高的Fisher比，即具有较好的运动想象二分类能力，而对于av受试者第二个频段(10-12Hz)和第七个频段(20-22Hz)具有较高的Fisher比，即具有较好的运动想象二分类能力。由此说明通过此发明提出的方法可以很好地减少个体间和通道间的差异性对分类性能的不利影响。

步骤(3)：块的选择。根据块的Fisher比进行选择，由大于阈值的块组成新的数据，作为后续CSP空间滤波的输入矩阵。阈值设置的是否合理将对CSP性能产生显著影响，若阈值设置过大，会导致选择块的个数偏少，从而导致模型欠拟合；若阈值设置过小，会导致选择块的个数偏多，从而导致模型过拟合。本发明采用交叉验证方法，通过验证集的分类精度来确定最优阈值，块的选择步骤如表1所示：

表1块的选择步骤

根据上述的具体流程，找出使验证集分类精度最高的阈值进行设置，从而选出最优的块及这些块所属的通道。以av受试者为例，得到验证集分类精度随所选通道个数的变化趋势图，如图5所示。随着阈值设置逐渐变小，所选的块个数增多，即相应的通道选择个数也增多，验证集分类精度随之增大，但当阈值设置超过一定大小后，系统出现了过拟合，验证集分类精度开始降低。所以由此可设置使验证集分类精度达到最大值的阈值，选出此时大于阈值的所有块，即得到这些块所属的通道，用于后期的测试集，最终得到分类精度，对系统进行性能评估。

根据ERD/ERS现象，当在做右手运动想象时，大脑左侧运动皮层区域出现明显的ERD现象；相反当在做左手运动想象时，大脑右侧运动皮层区域出现明显的ERD现象；当在做双脚运动想象时，大脑中央运动皮层区域出现明显的ERD现象。本发明提出一种验证最优块选择是否合理的方法，即对最优块所属的通道进行标记显示，图6是aa受试者对应的最优块所属通道的标记图。可以看出,对于做右手和双脚运动想象的aa受试者，对应的最优块所属通道分布在左侧和中央运动皮层区域，这一现象与传统的认知神经知识相符，说明了该验证方法的合理性。

步骤(4)：CSP特征提取与SVM分类。

1)CSP特征提取：记X₁和X₂为两类运动想象任务下的信号矩阵，构造空间滤波器。首先求信号矩阵协方差，并归一化，得到：

其中，trace(·)为矩阵的迹，然后求出混合空间的协方差矩阵R，并进行特征值分解：

其中，

为两类任务实验的平均协方差矩阵，U为矩阵R的特征向量，Λ为对应的特征值矩阵。进一步可求出白化矩阵P：

接着对R₁与R₂做白化处理以及主成分分解：

则矩阵S₁与矩阵S₂的特征向量相等，即B₁＝B₂，且Λ₁+Λ₂＝I其中，I为单位矩阵。两类矩阵的特征值之和为1，因此当一类的特征值最大时另一类最小，从而可以实现分类的作用。则构造空间滤波器：

W＝B^TP

(9)

将上述原始运动想象信号矩阵X经W滤波，得到特征矩阵Z：

Z＝WX

(10)

接着取其前m个和后m个特征值构成空间滤波信号Z_p(P＝1,…,2m)，求取特征向量：

其中Z_j0为空间滤波信号Z_p的第j₀行信号，log(·)为对数运算符。

2)SVM分类：

用提取的CSP特征训练SVM模型，并在选择最优阈值的步骤中一并确定核函数C，交叉验证得到分类精度等性能指标，并与背景技术中所述的SFBCSP，CSP-R-MF和CCS-RCSP三种方法进行比较，实验精度和方差如表2所示：

表2 5名受试者分类精确度比较

针对上述公共数据集，BS-CSP方法表现出了最佳的分类性能。来自数据集的五位受试者：BS-CSP方法在aa，av，aw和ay四位受试者上获得了最高的分类精度，而SFBCSP方法在al受试者上获得了最高的分类精度。SFBCSP作为一种通过时域特征及Fisher比来选择通道并用FBCSP作特征提取的方法在个别受试者上表现出了一定的优越性，但通过此方法选出来的通道并不像BS-CSP方法选出来的通道那样带有权重，即在不同的通道获得不同数量的块。而CSP-R-MF方法缺少对通道的选择，CCS-RCSP方法缺少对频带的选择，这都导致了部分分类精度的损失。综上所述，本发明提出的BS-CSP方法具有一定的可行性和优越性。

从整体上看，本发明提出了一种块选择-共空间模型特征提取方法，用于基于运动想象的BCI系统的任务分类。通过对每个通道划分频带来构建数据块，利用每个块的时频特征计算得到的Fisher比选出最优块，实现了对通道和频带的同时选择，减少了通道间和频带间的冗余信息，然后分别用CSP和SVM对最优块组成的数据进行特征提取与分类。对BCI竞赛数据集的分类实验结果表明BS-CSP方法选出来的块能有效地避免不同个体以及不同通道间的差异性，且块所属的通道分布合理，数量适中，该方法一定程度上提高了BCI系统的分类性能。另外，与其他先通道选择后分频带的改进CSP方法想比,，该方法选出来的通道均带有不同的权重，即每个通道所包含的块的个数不同，这也为后续通道选择方法的改进提供了思路。

Claims (3)

1.一种运动想象脑电的块选择共空间模式特征提取方法，其特征在于，该方法具体包括以下步骤：

步骤(1)：多通道脑电信号采集与预处理

首先采集受试者的多通道运动想象脑电信号；接着利用带通滤波器针对每个通道的脑电信号进行带通滤波，用于块的构建；然后结合事件相关频谱扰动截取合适的时间窗；

步骤(2)：通过块的相关性计算

计算每个块的功率和功率谱密度，进而得出每个块的Fisher比来表征区分运动想象任务的能力；

定义块

的功率T_i ^(ks)，功率谱密度P_i ^(ks)，Fisher比F^(ks)：

其中I₁、I₂分别为两类运动想象的实验次数，I为总实验次数，即I₁∪I₂＝{1,2,…,I}；N为采样点个数；

步骤(3)：通过块的选择

根据Fisher比设置阈值选出M个块，从而构造新的矩阵作为CSP模型的输入；

步骤(4)：对每个块分别进行空间滤波，并提取CSP特征，并用SVM进行分类。

2.根据权利要求1所述的一种运动想象脑电的块选择共空间模式特征提取方法，其特征在于：利用带通滤波器针对每个通道的脑电信号进行带通滤波的频率为8-32Hz。

3.根据权利要求1所述的一种运动想象脑电的块选择共空间模式特征提取方法，其特征在于：CSP特征提取具体为：

记X₁和X₂为两类运动想象任务下的信号矩阵，构造空间滤波器；首先求信号矩阵协方差，并归一化，得到：

其中，trace(·)为矩阵的迹，然后求出混合空间的协方差矩阵R，并进行特征值分解：

其中，

为两类任务实验的平均协方差矩阵，i＝1,2，U为矩阵R的特征向量，Λ为对应的特征值矩阵；进一步求出白化矩阵P：

接着对R₁与R₂做白化处理以及主成分分解：

则矩阵S₁与矩阵S₂的特征向量相等，即B₁＝B₂，且Λ₁+Λ₂＝I，其中，I为单位矩阵；两类矩阵的特征值之和为1，因此当一类的特征值最大时另一类最小，从而可以实现分类的作用；则构造空间滤波器：

W＝B^TP (9)

将上述原始运动想象信号矩阵X经W滤波，得到特征矩阵Z：

Z＝WX (10)

接着取其前m个和后m个特征值构成空间滤波信号Z_p，P＝1,…,2m，求取特征向量：

其中Z_j0为空间滤波信号Z_p的第j₀行信号，log(·)为对数运算符。

Images