CN113143291B - 一种快速序列视觉呈现下的脑电特征提取方法 - Google Patents
一种快速序列视觉呈现下的脑电特征提取方法 Download PDFInfo
- Publication number
- CN113143291B CN113143291B CN202110513371.XA CN202110513371A CN113143291B CN 113143291 B CN113143291 B CN 113143291B CN 202110513371 A CN202110513371 A CN 202110513371A CN 113143291 B CN113143291 B CN 113143291B
- Authority
- CN
- China
- Prior art keywords
- sub
- electroencephalogram
- time
- frequency
- space
- 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
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Abstract
本发明公开了一种基于快速序列视觉呈现下的脑电信号特征提取方法,该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时‑频‑空能量特征,将gamma节律脑电信号分解为多个时、频子成分,采用共空间模式方法对每个子成分的多通道信号进行空间滤波,采用线性判别分析算法分别对各个子成分进行加权整合,从而得到RSVP脑电信号gamma节律的时‑空‑频特征集来实现RSVP范式下的目标图像识别,能有效提高RSVP范式下图像识别的准确率。
Description
技术领域
本发明涉及脑-机接口技术领域,尤其涉及一种快速序列视觉呈现下的脑电特征提取方法。
背景技术
快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)实验范式是一类心理学实验范式,可以结合脑-机接口(Brian Computer Interface,BCI)进行目标图像检测,该系统通过检测脑电信号(Electroencephalogram,EEG)中的P300成分来实现目标脑电的识别分类,继而锁定目标图像的位置。该系统依赖于人类视觉系统的高分辨率,鲁棒性高以及可靠性强等特点,能够实现目标图像的高精度识别,可应用于目标搜索,医学影像分析,人脸识别以及卫星图像筛选等领域。然而,在RSVP范式下的脑电实验中,目标图像并不是重复出现的,因此RSVP-EEG属于单试次脑电,相较于使用叠加试次信号的P300脑机接口,RSVP脑电信号信噪比更低,因此如何从EEG信号中提取出包含有效的目标图像的特征,对提高图像识别的准确率至关重要。
RSVP-BCI图像识别通常需要三个部分:信号预处理、特征提取、分类器分类。脑电信号特征提取是所有BCI系统中非常重要的部分,提取特征的质量直接影响到系统解码脑电信号的精确度。
在实际中,脑电信号本质是神经尖峰的多个节律性神经电活动,在对RSVP脑电信号进行时域、频域、空间域联合分析时发现,RSVP范式除了能够诱发出delta和theta节律上的P300和N200成分响应外,还在gamma节律上诱发出了显著的时-频-空能量特征。在RSVP-EEG特征提取方法中,多数方法只考虑了delta和theta节律的脑电响应,忽略了在gamma节律上所诱发的显著的时-频-空能量特征,这导致提取出的脑电特征质量不高,影响了系统解码脑电信号的精确度,进而导致图像识别的准确率不高。
发明内容
针对RSVP范式下如何从EEG信号中提取出有效的图像目标的特征,提高图像识别的准确率的技术问题,本发明提出了一种快速序列视觉呈现的脑电特征提取方法,该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时-频-空能量特征,能有效利用gamma节律上所诱发出了特定时-频-空分布的能量特征,提高RSVP范式下图像识别的准确率。
为此,本发明提供了以下技术方案:
本发明提供了一种快速序列视觉呈现的脑电特征提取方法,该方法包括:
针对基于快速序列视觉呈现实验范式的脑电信号,根据所述脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时频能量特征,将gamma节律脑电信号分解为多个时-频-空子成分;
采用共空间模式算法对每个子成分的多通道信号进行空间滤波;
采用线性判别分析算法分别对各个子成分进行加权整合,从而得到所述脑电信号gamma节律的时-频-空特征集。
进一步地,将gamma节律脑电信号分解为多个时-频-空子成分,包括:
利用不同带宽的滤波器将原始脑电信号X分解为Nf个子频带信号Xf,f=1,2,…,Nf;每个脑电信号都是从刺激开始后0-1s时间内的脑电通道中提取;频率范围覆盖整个gamma频带,通过带通滤波器划分为30-40Hz,40-50Hz,50-60Hz,60-70Hz,70-80Hz五个子频带;得到子频带后,对每个子频带Xf进行时间窗划分,各子频带数据等分为Nt个子时间窗信号Xft。
进一步地,所述Nf设为5。
进一步地,所述滤波器是零相位Chebyshev I型IIR低通数字滤波器。
进一步地,所述时间窗为滑动时间窗,窗宽为样本时间长度的十分之一,无重叠移动。
进一步地,采用共空间模式算法对每个子成分的多通道信号进行空间滤波,包括:利用CSP算法计算子频带f的子时间窗t脑电数据的空间滤波器的每一行表示一个空间滤波映射向量;对预处理后的每个子频带Xf的每个子时间窗的脑电数据的脑电数据进行空间滤波处理,然后计算每个共空间成分的均方值并使用线性判别分析方法求内的均方值的空间权重然后对内的均方值进行空间加权得到子频带每个子时间窗对应的空间特征
进一步地,采用线性判别分析算法分别对各个子成分进行加权整合,包括:使用线性判别分析计算每个子频带的时间窗权重对每个子频带内的子时间窗的空间特征乘以对应的窗权重系数求和,得到每个子频带的时空联合特征rf;最终的分类特征由Nf个子频带的时空特征串联而成,作为目标识别特征r。
本发明的优点和积极效果:本发明提供了一种基于快速序列视觉呈现范式下的脑电信号特征提取方法,首先利用滤波器将原始脑电数据划分为5个子频带,对每个子频带进行时间窗划分,然后利用共空间模式算法对每个子频带的子时间窗进行空间滤波处理,最终利用线性判别分析算法得到每个子频带的时空联合特征rf,将子频带的时空特征串联得到作为目标识别的特征。该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时-频-空能量特征,将gamma节律脑电信号分解为多个时、频子成分,采用共空间模式方法对每个子成分的多通道信号进行空间滤波,采用线性判别分析算法分别对各个子成分进行加权整合,从而得到RSVP脑电信号gamma节律的时-空-频特征集来实现RSVP范式下的目标图像识别,能有效提高RSVP范式下图像识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于快速序列视觉呈现范式下的脑电信号特征提取方法的流程图;
图2为本发明实施例中RSVP试验图像展示流程;
图3本发明实施例提供的十名被试的平均AUC值。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
参见图1,其示出了本发明实施例中一种基于快速序列视觉呈现范式下的脑电信号特征提取方法的流程图。该方法主要包括以下步骤:
步骤1、采集多通道脑电信号,对脑电信号进行预处理;具体是基于快速序列图像呈现(RSVP)的实验范式,采集受试者头皮脑电信号。
步骤2、对脑电信号提取子频段;具体是将gamma节律脑电信号分解为多个时、频子成分。
在具体实施时,利用不同带宽的滤波器将原始RSVP-脑电数据X分解为Nf个子频带信号Xf,f=1,2,…,Nf,本发明实施例中设置的子频带数Nf设为5。每个试次数据都是从刺激开始后0-1s时间内的脑电通道中提取。频率范围覆盖整个gamma频带,通过带通滤波器划分为30-40Hz,40-50Hz,50-60Hz,60-70Hz,70-80Hz五个子频带。优选地,各子带信号划分采用零相位Chebyshev I型IIR数字低通滤波器进行滤波处理。
步骤3、对每个子频带进行时间窗划分;
步骤4、对每个子频带的每个时间窗(即多通道信号)进行共空间模式(CommonSpatial Pattern,CSP)空间滤波;
步骤5、串联子频带时空特征;具体为采用线性判别分析算法(LinearDiscriminant Analysis,LDA)分别对各个子成分进行加权整合;从而得到RSVP脑电信号gamma节律的时-空-频特征集,用于实现RSVP范式下的目标图像识别。
同样使用LDA算法计算每个子频带的时间窗权重对每个子频带内的子时间窗的空间特征乘以对应的窗权重系数求和,得到每个子频带的时空联合特征rf。最终的分类特征由Nf个子频带的时空特征串联而成,作为目标识别特征r:
步骤6、对时空特征进行线性判别得到分类结果。图2示出了本发明实施例所应用的RSVP实验图像展示流程,基于Matlab搭建实验平台,将收集到的图像按顺序以每秒10张左右的速度呈现给被试,为了防止注意瞬脱,整个试验过程中保证了两个目标图像之间的时间间隔大于500ms,图2中的观察图像为目标图像和非目标图像的示意图。一次实验有100个试次,首先在屏幕中央呈现一个白色‘+’注视点,提醒实验人员需要注视屏幕中心,然后屏幕呈现3,2,1倒计时,随后图片在屏幕中央随机呈现,每张图片的持续时间为100ms。屏幕上倒计时一结束就开始同步记录脑电数据,直到实验最后一张图片显示结束记录,同时记录每张图片的出现时刻。其中目标刺激随机出现4-7次,非目标刺激出现93-96次。
为验证本发明在RSVP实验中脑电信号特征提取及分类研究中的真实分类性能,图3是本发明实施例提供的十名被试的平均AUC(Area Under Curve,ROC曲线下方的面积大小)值,平均AUC值均达到0.9以上,表明本发明所述方法可以用来进行RSVP脑电信号的特征提取,能有效识别目标图像、区分非目标图像。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种快速序列视觉呈现下的脑电特征提取方法,其特征在于,包括:针对基于快速序列视觉呈现实验范式的脑电信号,根据所述脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时频能量特征,将gamma节律脑电信号分解为多个时-频-空子成分;
采用共空间模式算法对每个子成分的多通道信号进行空间滤波;
采用线性判别分析算法分别对各个子成分进行加权整合,从而得到所述脑电信号gamma节律的时-频-空特征集;将gamma节律脑电信号分解为多个时-频-空子成分,包括:
利用不同带宽的滤波器将原始脑电信号X分解为Nf个子频带信号Xf,f=1,2,…,Nf;每个脑电信号都是从刺激开始后0-1s时间内的脑电通道中提取;频率范围覆盖整个gamma频带,通过带通滤波器划分为30-40Hz,40-50Hz,50-60Hz,60-70Hz,70-80Hz五个子频带;得到子频带后,对每个子频带Xf进行时间窗划分,各子频带数据等分为Nt个子时间窗信号
其中,采用共空间模式算法对每个子成分的多通道信号进行空间滤波,包括:利用共空间模式算法计算子频带f的子时间窗t脑电数据的空间滤波器 的每一行表示一个空间滤波映射向量;对预处理后的每个子频带Xf的每个子时间窗的脑电数据的脑电数据进行空间滤波处理,然后计算每个共空间成分的均方值并使用线性判别分析方法求内的均方值的空间权重然后对Mft内的均方值进行空间加权得到子频带每个子时间窗对应的空间特征
2.根据权利要求1所述的一种快速序列视觉呈现下的脑电特征提取方法,其特征在于,所述Nf设为5。
3.根据权利要求1所述的一种快速序列视觉呈现下的脑电特征提取方法,其特征在于,所述滤波器是零相位Chebyshev I型IIR低通数字滤波器。
4.根据权利要求1所述的一种快速序列视觉呈现下的脑电特征提取方法,其特征在于,所述时间窗为滑动时间窗,窗宽为样本时间长度的十分之一,无重叠移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513371.XA CN113143291B (zh) | 2021-05-11 | 2021-05-11 | 一种快速序列视觉呈现下的脑电特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513371.XA CN113143291B (zh) | 2021-05-11 | 2021-05-11 | 一种快速序列视觉呈现下的脑电特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113143291A CN113143291A (zh) | 2021-07-23 |
CN113143291B true CN113143291B (zh) | 2023-02-03 |
Family
ID=76874523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513371.XA Active CN113143291B (zh) | 2021-05-11 | 2021-05-11 | 一种快速序列视觉呈现下的脑电特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113143291B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169366B (zh) * | 2021-11-19 | 2023-10-20 | 北京师范大学 | 神经反馈训练系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573619A (zh) * | 2008-12-19 | 2012-07-11 | 新加坡科技研究局 | 用于生成注意力水平表示的设备和方法 |
KR20120082689A (ko) * | 2011-01-14 | 2012-07-24 | 한국과학기술원 | 뇌파 신호 동기화 수준을 이용한 정신분열병 고위험군 진단의 정량화 방법, 장치, 및 컴퓨터로 읽을 수 있는 매체 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN107562191A (zh) * | 2017-08-03 | 2018-01-09 | 天津大学 | 基于混合特征的精细想象动作在线脑‑机接口方法 |
CN111368884A (zh) * | 2020-02-22 | 2020-07-03 | 杭州电子科技大学 | 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 |
CN112617863A (zh) * | 2020-12-30 | 2021-04-09 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103110418B (zh) * | 2013-01-24 | 2015-04-08 | 天津大学 | 一种脑电信号特征提取方法 |
EP2986203B1 (en) * | 2013-04-14 | 2022-12-07 | Yissum Research Development Company of the Hebrew University of Jerusalem Ltd. | Classifying eeg signals in response to visual stimulus |
US20150216468A1 (en) * | 2014-01-31 | 2015-08-06 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for real-time insight detection using eeg signals |
CN106805968A (zh) * | 2016-12-20 | 2017-06-09 | 广州视源电子科技股份有限公司 | 一种脑电放松度识别方法及装置 |
CN106923824B (zh) * | 2017-03-27 | 2019-12-20 | 广州视源电子科技股份有限公司 | 基于多空间信号特征的脑电放松度识别方法及装置 |
WO2019144776A1 (zh) * | 2018-01-23 | 2019-08-01 | 天津大学 | 一种基于非对称脑电特征的脑-机接口系统编解码方法 |
CN110991406B (zh) * | 2019-12-19 | 2023-04-18 | 燕山大学 | 一种基于rsvp脑电特征的弱小目标检测方法及系统 |
CN111110230A (zh) * | 2020-01-09 | 2020-05-08 | 燕山大学 | 一种运动想象脑电特征增强方法及系统 |
-
2021
- 2021-05-11 CN CN202110513371.XA patent/CN113143291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573619A (zh) * | 2008-12-19 | 2012-07-11 | 新加坡科技研究局 | 用于生成注意力水平表示的设备和方法 |
KR20120082689A (ko) * | 2011-01-14 | 2012-07-24 | 한국과학기술원 | 뇌파 신호 동기화 수준을 이용한 정신분열병 고위험군 진단의 정량화 방법, 장치, 및 컴퓨터로 읽을 수 있는 매체 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN107562191A (zh) * | 2017-08-03 | 2018-01-09 | 天津大学 | 基于混合特征的精细想象动作在线脑‑机接口方法 |
CN111368884A (zh) * | 2020-02-22 | 2020-07-03 | 杭州电子科技大学 | 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 |
CN112617863A (zh) * | 2020-12-30 | 2021-04-09 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 |
Non-Patent Citations (2)
Title |
---|
EEG gamma-band activity in rapid serial visual presentation;Kranczioch C; Debener S; Herrmann C; Engel A;《Experimental Brain Research》;20051118;第169卷(第2期);正文第1-3页 * |
面向RSVP-BCI 的时空频多域滤波结构化判别算法研究;郝慎才;张宁宁;赵靖;江国乾;陈晓玲;谢平;《2020中国自动化大会(CAC2020)论文集》;20210129;正文第2-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113143291A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fathima et al. | Wavelet based features for epileptic seizure detection | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
Mirzaei et al. | EEG analysis based on wavelet-spectral entropy for epileptic seizures detection | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
WO2006072150A1 (en) | Muscle artifact removal from encephalograms | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及系统 | |
Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN113143291B (zh) | 一种快速序列视觉呈现下的脑电特征提取方法 | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
Xu et al. | An adaptive graph spectral analysis method for feature extraction of an EEG signal | |
CN112861625A (zh) | 一种堆叠去噪自编码器模型确定方法 | |
Gu et al. | AOAR: an automatic ocular artifact removal approach for multi-channel electroencephalogram data based on non-negative matrix factorization and empirical mode decomposition | |
CN113967022B (zh) | 一种基于个体自适应的运动想象脑电特征表征方法 | |
Ladekar et al. | EEG based visual cognitive workload analysis using multirate IIR filters | |
CN114098765A (zh) | 多通道高频脑电波耦合的脑网络参数特征提取方法及装置 | |
CN114557708A (zh) | 基于脑电双特征融合的体感刺激意识检测装置和方法 | |
CN112450949A (zh) | 一种用于认知康复训练的脑电信号处理方法及系统 | |
CN113208613A (zh) | 基于fhls特征选择的多模态bci时序优化方法 | |
CN109117790B (zh) | 一种基于频空指标的脑纹识别方法 | |
Mirzaei et al. | Spectral entropy for epileptic seizures detection | |
Zhang et al. | Multi-resolution dyadic wavelet denoising approach for extraction of visual evoked potentials in the brain | |
CN110613446A (zh) | 一种信号处理方法及装置 | |
CN115686208A (zh) | 基于eeg的音乐诱发情绪识别方法及系统 |
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 |