CN113159205A - 一种基于最佳通道的稀疏时频块共空间模式特征提取方法 - Google Patents

一种基于最佳通道的稀疏时频块共空间模式特征提取方法 Download PDF

Info

Publication number
CN113159205A
CN113159205A CN202110468258.4A CN202110468258A CN113159205A CN 113159205 A CN113159205 A CN 113159205A CN 202110468258 A CN202110468258 A CN 202110468258A CN 113159205 A CN113159205 A CN 113159205A
Authority
CN
China
Prior art keywords
time
channel
frequency block
channels
selection
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.)
Pending
Application number
CN202110468258.4A
Other languages
English (en)
Inventor
尹旭
孟明
胡家豪
戴橹洋
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 CN202110468258.4A priority Critical patent/CN113159205A/zh
Publication of CN113159205A publication Critical patent/CN113159205A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (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最佳通道的稀疏时频块共空间模式特征提取方法，本发明首先通过基于相关性的方法进行通道选择，以去除通道间冗余信息并标记最佳通道；然后提出一种基于最佳通道的稀疏时频块共空间模式特征提取方法，通过使用最佳通道的一维数据并定义相应指标，对划分的时频块进行高效地选择，并对分别提取的CSP特征进行融合；最后使用LASSO进行特征选择，SVM进行分类。在公共数据集上进行对比实验，结果表明本发明不但可以快速进行时频块的稀疏化，以减小计算时间，还一定程度上提高了分类精度，这为在线BCI的开展与应用提供了新思路。

Description

一种基于最佳通道的稀疏时频块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，首先通过基于相关性的方法对通道进行选择，以减少通道间冗余信息，并标注最佳通道；然后提出一种基于最佳通道的稀疏时频块方法，高效快速地选择时频块，以减少分时间窗、分频带所带来的计算负担，并分别提取共空间模式(Common Spatial Pattern,CSP)特征；最后用最小绝对收缩和选择算子(Least AbsoluteShrinkage and Selection Operator,LASSO)进行特征选择，支持向量机(Support VectorMachine,SVM)进行分类，以提高系统分类性能。
背景技术
作为神经康复领域的新兴技术之一，脑机接口(Brain-Computer Interface,BCI)旨在为瘫痪的人群提供一种崭新的与外界沟通的非肌肉渠道。脑电(Electroencephalogram,EEG)信号由于其便利性、低成本和高时间分辨率而被广泛应用于BCI系统中。目前，常用的实验范式包括稳态视觉诱发电位(Steady-State Visual EvokedPotentials,SSVEPs)、事件相关电位(Event-Related Potentials,ERP)和运动想象(MotorImagery,MI)，与依靠外部被动刺激的实验范式相比，基于MI的BCI系统更易于实施，其原理为：在想象不同肢体运动时，大脑感觉运动区域的特定频带内会发生相应的功率变化。例如，当想象左右手运动时，大脑对侧的新陈代谢和血液流动会加强，α和β频带信号的幅值变小，即出现事件相关去同步(Event Related Desynchronization,ERD)现象；同侧运动感知区域处于静止或惰性状态，且α和β频带信号的幅值增加，即出现事件相关同步(eventrelated synchronization,ERS)现象。因此，可以通过对来自不同肢体运动想象的EEG信号进行分类，从而生成不同的控制命令。另外，由于EEG是非平稳，低振幅和低信噪比的生物电信号，而MI是易受噪音干扰的，且没有明显特征的范式，这为正确识别MI意图带来了巨大挑战。因此，使用适当的方法来提取高质量特征对于MI-EEG识别尤为关键。
CSP被广泛应用于MI相关任务的特征提取当中。然而，CSP在特定受试者上的性能与具体时间窗和频带的选择密切相关，因此前人提出了一些针对具体时间窗和频带的改进CSP方法，以提高其鲁棒性和分类性能。模型。Zhang等人在2019年提出了一种TSGSP方法，通过同时优化滤波器带和时间窗来提高MI-EEG的分类精度；Peterson等人在2019年提出一种GSDA方法，通过从划分的时频块中提取相应的CSP特征并同步进行特征选择，以提高分类精度；Li等人在2020年提出一种WTFS-SD方法，通过应用加权最小范数估计和基于CSP的多频带特征提取方法来解码MI任务。以上算法均通过从多个时频块中提取、融合并选择CSP特征来提高分类精度，但均未考虑由于时频块划分所带来的数据量和特征维度的急剧增加。这些负面影响将导致分类准确性和计算效率的降低。
发明内容
针对现有基于多时频块的CSP特征提取方法均存在计算负担较大的问题，本发明提出一种基于最佳通道的稀疏时频块公共空间模式(Optimal Channel-based SparseTime-frequency Blocks Common Spatial Pattern,OCSB-CSP)特征提取方法，以减少计算量，提高模型的分类精度。首先，使用基于相关性的方法来选择通道并标记最佳频道。其次，根据标记的最佳通道数据计算每个时频块的分类能力指标，并依照此指标进行块选择。然后，分别在稀疏的时频块上进行特征提取、融合并选择。最后，使用SVM进行分类。
本发明包括以下步骤：
步骤(1)：EEG信号采集及预处理；
步骤(2)：基于相关性的通道选择；
步骤(3)：基于最佳通道的稀疏时频块选择；
具体为：首先通过F个重叠的滤波带将K个通道的EEG数据分解为多个特定子频带的数据，然后利用T个重叠的滑动时间窗将每个特定子频带的信号进一步分割为多个子序列，最后形成F×T个时频块；
从每个时频块中取出最佳通道的时间序列，提取其时域功率特征和频域功率谱密度特征，对于来自每个时频块的第i次实验的最佳通道k*的时间序列
Figure BDA0003044202680000021
其功率特征被定义为
Figure BDA0003044202680000035
PSD特征被定义为
Figure BDA0003044202680000036
Figure BDA0003044202680000031
Figure BDA0003044202680000032
其中N是序列中采样点的数量，ω表示信号频率，n表示信号采样点；然后，利用Fisher比将二维特征投影到一维，以表征每个时频块的MI分类能力并以此选择时频块；Fisher比作为一种统计参数，通过将高维特征投影到一维来测量类的判别能力，其定义式为：
Figure BDA0003044202680000033
其中F-和F+为来自两个不同类的特征向量；根据上述对Fisher比和两个特征的定义，计算类间欧氏距离与类内方差的比值，以此作为每个时频块的二分类能力值scoreF；具体公式为：
Figure BDA0003044202680000034
其中，N1和N2分别为类别1和类别2的实验次数；通过上述公式得到所有F×T个时频块的scoreF，并设置阈值选择高质量的M个时频块；
步骤(4)：CSP特征提取、融合和选择；
步骤(5)：SVM分类。
作为优选，基于相关性的通道选择；具体为：基于相关性的通道选择；具体为：
首先，为了减少个体变异或外界干扰引起的误差，对原始宽频带脑电数据进行Z分数标准化，使各通道数据的均值为0，方差为1：
Sk＝(Xk-mean(Xk))/std(Xk),k＝1,…,K， (1)
其中Xk和Sk是标准化前后的第k个通道的时间序列，并且K是通道总数；
其次，通过以下公式计算两两通道间的皮尔逊相关系数：
Figure BDA0003044202680000041
其中Si和Sj是经公式(1)标准化后的第i和j个通道的时间序列，N是序列中采样点的数量；
然后，计算相关系数矩阵
Figure BDA0003044202680000042
Figure BDA0003044202680000043
通过平均R中的每一行来得到每个通道与剩余所有通道间的平均公共信息，其中最大平均值对应的通道作为此次实验的选择结果；如上所述重复所有次实验，以获得所有通道的累积选择结果；
最后，统计所有次实验的选择结果，将选择次数较多的K个通道作为最终的通道选择结果，并将获得次数最大的通道标记为最佳通道k*。
作为优选，步骤(3)中的阈值通过5折交叉验证进行确定。
作为优选，CSP特征提取、融合和选择；具体为：
针对第i次实验的EEG数据
Figure BDA0003044202680000044
i∈Ni,l＝1,2，K为经步骤(1)通道选择后的通道数量，T为采样点数量，并且Nl为l类的实验次数；l类的平均空间协方差矩阵为：
Figure BDA0003044202680000045
其中T表示转置运算符；CSP旨在是找到最佳的空间滤波器以最大化两类数据之间的方差比：
Figure BDA0003044202680000046
其中
Figure BDA0003044202680000051
为空间过滤器，||·||2为l2范数；这个最大化解等价于求解广义特征值问题∑1w＝λ∑2w，λ表示拉格朗日数乘法中约束项的参数，将P个最大的和P个最小的广义特征值和P最小广义特征值对应的特征向量相结合，得到一组空间滤波器W＝[w1,…,w2P]；最后，通过下述公式提取第m个时频块的特征向量
Figure BDA0003044202680000052
Figure BDA0003044202680000053
根据上述步骤，从所有选定的M个时频块中提取CSP特征，得到融合特征
Figure BDA0003044202680000054
Z＝[z(1),…,z(M)]. (11)
将LASSO作为一种过滤式的特征选择方法，令残差的平方和最小，且受约束于系数向量的绝对值之和小于给定的常数；具体函数如下：
Figure BDA0003044202680000055
其中Zi和yi是对应于第i次实验的融合特征和标签，且λ'是控制系数向量g稀疏性的非负超参数，通过5折交叉验证确定；选择g中与Zi非零项位置相对应的特征，从而形成优化的特征向量。
本发明的有益效果：本发明在不影响分类精度的同时，来减少因划分时间窗和频带并提取各自特征所带来的计算负担。本发明首先通过基于相关性的方法进行通道选择，以去除通道间冗余信息并标记最佳通道；然后提出一种基于最佳通道的稀疏时频块共空间模式特征提取方法，通过使用最佳通道的一维数据并定义相应指标，对划分的时频块进行高效地选择，并对分别提取的CSP特征进行融合；最后使用LASSO进行特征选择，SVM进行分类。在公共数据集上进行对比实验，结果表明本发明不但可以快速进行时频块的稀疏化，以减小计算时间，还一定程度上提高了分类精度，这为在线BCI的开展与应用提供了新思路。
附图说明
图1为本发明的流程图；
图2为通道选择分布的脑地形图；
图3为稀疏时频块可视化；
图4为系数权重及最佳空间滤波器对应的脑地形图；
图5为四种算法在所有受试者上的分类精度(％)；
图6为四种算法在训练和测试上所花的计算时间。
具体实施方式
下面结合附图详细描述本发明基于最佳通道的稀疏时频块共空间模式特征提取方法。如图1所示，本发明的实施主要包括以下5个步骤：(1)EEG信号采集及预处理，(2)基于相关性的通道选择，(3)基于最佳通道的稀疏时频块选择，(4)CSP特征提取、融合和选择，(5)SVM分类。
下面逐一对各步骤进行详细说明。
步骤(1)：本发明采用BCI Competition IV dataset 1数据集进行验证，该数据集记录了4名健康受试者(a、b、f、g)的59个通道的脑电图数据，并要求每个受试者完成100次左手和双脚运动想象任务。在每次任务的前6秒，电脑屏幕中央会显示一个固定的十字。带有方向的箭头(左：左手运动想象；下：双脚运动想象)将在2-6秒内叠加到十字上作为提示，受试者在此期间根据提示执行相应的运动想象任务。然后屏幕在6-8秒内显示为黑色。
数据预处理：对所有的数据集进行相同的预处理步骤。每位受试者分别截取视觉提示后的0-4秒脑电信号作为原始数据，然后利用4阶巴特沃斯滤波器对原始数据进行4-40HZ的带通滤波处理以滤除不相关的低频和工频噪声。
步骤(2)：随着记录脑电数据的电极数目的增加，采用有效的通道选择算法来降低计算复杂度和通道间的冗余信息显得尤为重要。随着定义的准则函数的不同，行成了不同的通道选择评估算法，如Park等人提出了一种利用协方差矩阵和交叉组合区域选择有效通道的过滤式方法；Wei等人提出了一种通过遗传算法选择重要通道并根据费舍尔判别分析(Fisher Discriminant Analysis,FDA)的分类结果进行调整的嵌入式方法；Onay等人提出了一种两阶段通道选择的混合式方法。第一阶段，根据神经生理学认知，将多通道数据平均从而形成单一通道；第二阶段，基于CSP-LDA算法进行通道选择。
本发明旨在提出一种快速选择时频块的方法，以减少计算负担，提高分类精度，因此采用基于相关性的过滤式方法来选择高质量通道，并为后续的时频块选择标记最佳通道。由于当具体受试者执行同一MI任务时，相关通道应包含公共信息，而其余通道包含较少的公共信息。基于这一原理，本发明使用一种经典的量化两个或多个变量之间统计关系的统计值，即皮尔逊相关系数，来度量任意两个通道之间的相似性。必要步骤如下：
首先，为了减少个体变异或外界干扰引起的误差，对原始宽频带(1-42Hz)脑电数据进行Z分数标准化，使各通道数据的均值为0，方差为1：
Sk＝(Xk-mean(Xk))/std(Xk),k＝1,…,K， (1)
其中Xk和Sk是标准化前后的第k个通道的时间序列，并且K是通道总数。
其次，通过以下公式计算两两通道间的皮尔逊相关系数：
Figure BDA0003044202680000071
其中Si和Sj是经公式(1)标准化后的第i和j个通道的时间序列，N是序列中采样点的数量。
然后，计算相关系数矩阵
Figure BDA0003044202680000072
Figure BDA0003044202680000073
通过平均R中的每一行来得到每个通道与剩余所有通道间的平均公共信息，其中最大平均值对应的通道作为此次实验的选择结果。如上所述重复所有次实验，以获得所有通道的累积选择结果。
最后，统计所有次实验的选择结果，将选择次数较多的K个通道作为最终的通道选择结果，并将获得次数最大的通道标记为最佳通道k*。
步骤(3)：为提高MI-EEG的分类精度，本发明对CSP中的滤波带和时间窗同时进行优化。具体而言，首先通过F个重叠的滤波带将K个通道的EEG数据分解为多个特定子频带的数据，然后利用T个重叠的滑动时间窗将每个特定子频带的信号进一步分割为多个子序列，最后形成F×T个时频块。本发明中对经步骤(1)处理后的数据进行4-8Hz，6-10Hz，8-12Hz，10-14Hz，12-16Hz，14-18Hz，16-20Hz，18-22Hz，20-24Hz，22-26Hz，24-28Hz，26-30Hz，28-32Hz，30-34Hz，32-36Hz，34-38Hz，36-40Hz的频带划分(F＝17)；同时进行0-2s，0.5-2.5s，1-3s，1.5-3.5s，2-4s的时间窗的划分(T＝5)。
从每个时频块中取出最佳通道的时间序列，提取其时域功率特征和频域功率谱密度(Power Spectral Density,PSD)特征。然后，利用Fisher比将二维特征投影到一维，以表征每个时频块的MI分类能力并以此选择时频块。Fisher比作为一种统计参数，可通过将高维特征投影到一维来测量类的判别能力，其定义式为：
Figure BDA0003044202680000081
其中F-和F+为来自两个不同类的特征向量。
对于来自每个时频块的第i次实验的最佳通道时间序列
Figure BDA0003044202680000082
其功率特征被定义为
Figure BDA0003044202680000083
PSD特征被定义为
Figure BDA0003044202680000084
Figure BDA0003044202680000085
Figure BDA0003044202680000086
根据上述对Fisher比和两个特征的定义，计算类间欧氏距离与类内方差的比值，以此作为每个时频块的二分类能力值scoreF。具体公式为：
Figure BDA0003044202680000087
其中，N1和N2分别为类别1和类别2的实验次数。通过上述公式得到所有F×T个时频块的scoreF，并设置合理的阈值选择高质量的M个时频块。合理的阈值设置将对后续CSP性能产生重大影响。如果阈值设置太大，所选时频块的数量会太少，导致大量有效信息的丢失；反之，如果阈值设置太小，则选择的时频块数量会太多，导致大量无效信息的冗余，所以本发明中通过5折交叉验证对合理阈值进行确定。
步骤(4)：众所周知，CSP对噪声非常敏感，来自多个时频块CSP特征的提取与融合易使模型过拟合，为此也产生了许多改进的CSP特征提取和选择方法。对通过上述所求的M个时频块进行CSP特征提取、融合与选择。针对第i次实验的EEG数据
Figure BDA0003044202680000091
i∈Ni,l＝1,2，K为经步骤(1)通道选择后的通道数量，T为采样点数量，并且Nl为l类的实验次数。l类的平均空间协方差矩阵为：
Figure BDA0003044202680000092
其中T表示转置运算符。CSP旨在是找到最佳的空间滤波器以最大化两类数据之间的方差比：
Figure BDA0003044202680000093
其中
Figure BDA0003044202680000094
为空间过滤器，||·||2为l2范数；这个最大化解等价于求解广义特征值问题∑1w＝λ∑2w；将P个最大的和P个最小的广义特征值和P最小广义特征值对应的特征向量相结合，得到一组空间滤波器W＝[w1,…,w2P]。最后，通过下述公式提取第m个时频块的特征向量
Figure BDA0003044202680000095
Figure BDA0003044202680000096
根据上述步骤，从所有选定的M个时频块中提取CSP特征，得到融合特征
Figure BDA0003044202680000097
Z＝[z(1),…,z(M)]. (11)
LASSO作为一种过滤式的特征选择方法，使用特定的统计准则来选择特征而不依赖于任何分类器，在基于MI的BCI系统中得到了广泛的应用。Lasso的目标是使残差的平方和最小，且受约束于系数向量的绝对值之和小于给定的常数。具体函数如下：
Figure BDA0003044202680000101
其中Zi和yi是对应于第i次实验的融合特征和标签，且λ是控制系数向量g稀疏性的非负超参数，通过5折交叉验证确定。选择g中与Zi非零项位置相对应的特征，从而形成优化的特征向量。
步骤(5)：
在经上述步骤提取、融合与选择CSP特征后，采用基于径向基(Radial BasisFunction,RBF)核函数的支持向量机进行分类，同理，超参数C通过5折交叉验证确定。
为验证本发明在运动想象任务分类中的合理性与优越性，做如下实验与分析：
本发明使用基于皮尔逊相关系数的通道选择方法来统计数据集中每个受试者的所有160个训练实验的通道选择结果，如表1所示。可以看到，对于特定的受试者来说通道选择的结果是不同的，即选择的通道不同、选择的通道数量不同、每个通道选择的次数不同，且被标记的最佳通道也不同，因此针对特定被试来选择通道显得很有必要。
表1数据集中四个受试者的具体通道选择结果和相应的统计次数，以及标记的最佳通道
Figure BDA0003044202680000102
Figure BDA0003044202680000111
为了更为直观地反映通道选择的分布结果及每个通道的选择次数。将每个受试者的统计结果归一化化，并绘制脑地形图，如图2所示。可以看出，通道选择的结果确实与具体受试有关，但无一例外，每个受试者选择的通道均位于大脑皮层的运动感知区，且最佳通道(脑地形图中颜色最暖的通道)均出现在CCP3或CCP4通道附近，这也与前人的研究结论相符。
为了提高时频块选择的性能和效率，本发明提出一种利用最佳通道的一维数据来计算每个时频块的Fisher比并以此作为块选择标准的方法。对于数据集中的四个受试者，设置不同的阈值以确保均选择45个时频块进行同步比较，如图3所示。蓝色块为选定的时频块，且颜色越深，Fisher比越大，说明它越具MI分类的能力。结果表明，从特定被试中选择的时频块是不同的，高质量时频块的位置也是不同的。由于不同受试者间的MI任务通常是未知的、有差异的，因此确定固定的时频块不能捕获最显著的特征，从而导致次优精度，这进一步证实了选择时频块的必要性。此外，认为相邻时间窗之间的EEG信号不会存在较大的差异，相应的CSP特征也不会有较大的差异，因此相邻时间窗的块选择也应该保证一定的一致性，图3给出的结果也与之相符。
另外，正则化参数λ在基于LASSO回归的CSP特征选择中起着重要的作用。λ过大可能会丢失有效的特征，而λ过小则无法消除冗余的特征。本发明通过5折交叉验证确定合理的、针对具体被试的λ，并最终从公式(12)中学习到最佳的稀疏系数向量g，以选取有意义的CSP特征。图4反映了数据集中每个受试者的稀疏系数向量和最重要的空间滤波器。可以看到所选择的特征是稀疏的、特定的，并且最佳空间滤波器对应的脑地形图也进一步表明了所提出的方法在捕捉SMR动态变化上的有效性。
为体现本方法的合理性和优越性，本发明还做了如下的比较实验：首先均采用步骤(1)对原始数据进行预处理，步骤(2)对通道进行选择，然后分别采用以下算法：
(1)滤波器带CSP(Filter band CSP,FBCSP)：从不同的频带中提取并融合CSP特征。具体而言，通过四阶巴特沃斯带通滤波器将4-40Hz宽频带原始数据分解为同步骤(3)的17个重叠子频带；
(2)B-CSP1(Blocks-CSP1)：从通过划分时间窗和频带而构造的每个时频块中提取和融合CSP特征。具体来说，划分同步骤(3)的17个重叠子频带和5个时间窗；
(3)B-CSP2(Blocks-CSP2)：在B-CSP1算法的基础上加上LASSO进行CSP特征的选择。具体来说，通过5折交叉验证确定LASSO回归中的惩罚参数λ；
(4)OCSB-CSP：本发明的方法。
通过上述四种算法分别提取和选择CSP特征后，采用基于RBF核函数的支持向量机进行分类，且通过5折交叉验证确定超参数C。
图5显示了数据集中所有受试者的分类精度，与FBCSP、B-CSP1和B-CSP2相比，OCSB-CSP算法在该数据集上的平均分类精度分别提高了4.37％、2.90％和1.29％。另外，还比较了每种算法的计算时间，图6显示了在2.80GHz CPU(i5-8400，8GB RAM)的台式机上、Python3.7.3环境下模型训练和测试阶段分别所花的时间。从图6(a)可以看出，本发明具有相对较多的超参数，因此需要花费大部分时间进行内循环交叉验证,但内部循环交叉验证仅用于训练模型中的超参数，对于模型测试来说是非必要的，测试计算时间如图6(b)所示。本发明提出的OCSB-CSP算法不仅提高了分类精度，而且减少了计算量，对BCI应用的开发和改进具有重要意义。
为了证明本发明的优越性，还与现有优胜的方法进行比较，包括Park等人2019年提出的LRFCSP方法和2020年提出的OCS-CSP方法、Jiao等人2019年提出的SGRM方法、Jin等人2019年提出的CCS-RCSP方法和2020年提出的BCS-CSP方法。表2显示了上述各种方法的分类准确性。如表中所示，提出的方法获得了最高的平均分类精度。
表2所提的OCSB-CSP算法与现有优胜算法的分类精度比较
Figure BDA0003044202680000131

Claims (4)

1.一种基于最佳通道的稀疏时频块共空间模式特征提取方法，其特征在于：
步骤(1)：EEG信号采集及预处理；
步骤(2)：基于相关性的通道选择；
步骤(3)：基于最佳通道的稀疏时频块选择；
具体为：首先通过F个重叠的滤波带将K个通道的EEG数据分解为多个特定子频带的数据，然后利用T个重叠的滑动时间窗将每个特定子频带的信号进一步分割为多个子序列，最后形成F×T个时频块；
从每个时频块中取出最佳通道的时间序列，提取其时域功率特征和频域功率谱密度特征，对于来自每个时频块的第i次实验的最佳通道k*的时间序列
Figure FDA0003044202670000011
其功率特征被定义为
Figure FDA0003044202670000012
PSD特征被定义为
Figure FDA0003044202670000013
Figure FDA0003044202670000014
Figure FDA0003044202670000015
其中N是序列中采样点的数量，ω表示信号频率，n表示信号采样点；然后，利用Fisher比将二维特征投影到一维，以表征每个时频块的MI分类能力并以此选择时频块；Fisher比作为一种统计参数，通过将高维特征投影到一维来测量类的判别能力，其定义式为：
Figure FDA0003044202670000016
其中F-和F+为来自两个不同类的特征向量；根据上述对Fisher比和两个特征的定义，计算类间欧氏距离与类内方差的比值，以此作为每个时频块的二分类能力值scoreF；具体公式为：
Figure FDA0003044202670000017
其中，N1和N2分别为类别1和类别2的实验次数；通过上述公式得到所有F×T个时频块的scoreF，并设置阈值选择高质量的M个时频块；
步骤(4)：CSP特征提取、融合和选择；
步骤(5)：SVM分类。
2.根据权利要求1所述的一种基于最佳通道的稀疏时频块共空间模式特征提取方法，其特征在于：基于相关性的通道选择；具体为：
首先，为了减少个体变异或外界干扰引起的误差，对原始宽频带脑电数据进行Z分数标准化，使各通道数据的均值为0，方差为1：
Sk＝(Xk-mean(Xk))/std(Xk),k＝1,…,K， (1)
其中Xk和Sk是标准化前后的第k个通道的时间序列，并且K是通道总数；
其次，通过以下公式计算两两通道间的皮尔逊相关系数：
Figure FDA0003044202670000021
其中Si和Sj是经公式(1)标准化后的第i和j个通道的时间序列，N是序列中采样点的数量；
然后，计算相关系数矩阵
Figure FDA0003044202670000022
Figure FDA0003044202670000023
通过平均R中的每一行来得到每个通道与剩余所有通道间的平均公共信息，其中最大平均值对应的通道作为此次实验的选择结果；如上所述重复所有次实验，以获得所有通道的累积选择结果；
最后，统计所有次实验的选择结果，将选择次数较多的K个通道作为最终的通道选择结果，并将获得次数最大的通道标记为最佳通道k*。
3.根据权利要求1所述的一种基于最佳通道的稀疏时频块共空间模式特征提取方法，其特征在于：步骤(3)中的阈值通过5折交叉验证进行确定。
4.根据权利要求1所述的一种基于最佳通道的稀疏时频块共空间模式特征提取方法，其特征在于：CSP特征提取、融合和选择；具体为：
针对第i次实验的EEG数据
Figure FDA0003044202670000031
K为经步骤(1)通道选择后的通道数量，T为采样点数量，并且Nl为l类的实验次数；l类的平均空间协方差矩阵为：
Figure FDA0003044202670000032
其中T表示转置运算符；CSP旨在是找到最佳的空间滤波器以最大化两类数据之间的方差比：
Figure FDA0003044202670000033
其中
Figure FDA0003044202670000034
为空间过滤器，||·||2为l2范数；这个最大化解等价于求解广义特征值问题∑1w＝λ∑2w，λ表示拉格朗日数乘法中约束项的参数，将P个最大的和P个最小的广义特征值和P最小广义特征值对应的特征向量相结合，得到一组空间滤波器W＝[w1,…,w2P]；最后，通过下述公式提取第m个时频块的特征向量
Figure FDA0003044202670000035
Figure FDA0003044202670000036
根据上述步骤，从所有选定的M个时频块中提取CSP特征，得到融合特征
Figure FDA0003044202670000037
Z＝[z(1),…,z(M)]. (11)
将LASSO作为一种过滤式的特征选择方法，令残差的平方和最小，且受约束于系数向量的绝对值之和小于给定的常数；具体函数如下：
Figure FDA0003044202670000038
其中Zi和yi是对应于第i次实验的融合特征和标签，且λ'是控制系数向量g稀疏性的非负超参数，通过5折交叉验证确定；选择g中与Zi非零项位置相对应的特征，从而形成优化的特征向量。
CN202110468258.4A 2021-04-28 2021-04-28 一种基于最佳通道的稀疏时频块共空间模式特征提取方法 Pending CN113159205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110468258.4A CN113159205A (zh) 2021-04-28 2021-04-28 一种基于最佳通道的稀疏时频块共空间模式特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110468258.4A CN113159205A (zh) 2021-04-28 2021-04-28 一种基于最佳通道的稀疏时频块共空间模式特征提取方法

Publications (1)

Publication Number Publication Date
CN113159205A true CN113159205A (zh) 2021-07-23

Family

ID=76872023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110468258.4A Pending CN113159205A (zh) 2021-04-28 2021-04-28 一种基于最佳通道的稀疏时频块共空间模式特征提取方法

Country Status (1)

Country Link
CN (1) CN113159205A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113545789A (zh) * 2021-08-24 2021-10-26 南京邮电大学 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191509A (zh) * 2019-11-28 2020-05-22 燕山大学 基于scsp-lda的脑电信号特征提取与分类方法
CN112084879A (zh) * 2020-08-14 2020-12-15 杭州电子科技大学 一种运动想象脑电的块选择共空间模式特征提取方法
CN112215057A (zh) * 2020-08-24 2021-01-12 天津大学 基于立体深度运动的脑电信号分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191509A (zh) * 2019-11-28 2020-05-22 燕山大学 基于scsp-lda的脑电信号特征提取与分类方法
CN112084879A (zh) * 2020-08-14 2020-12-15 杭州电子科技大学 一种运动想象脑电的块选择共空间模式特征提取方法
CN112215057A (zh) * 2020-08-24 2021-01-12 天津大学 基于立体深度运动的脑电信号分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JING JIN等: "Correlation based channel selection and regularized feature optimization for MI-based BCI", 《ELSEVIE》, pages 1 - 9 *
SHIU KUMAR等: "CSP-TSM: Optimizing the performance of Riemannian tangent space mapping using common spatial pattern for MI-BCI", 《ELSEVIE》, pages 1 - 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113545789A (zh) * 2021-08-24 2021-10-26 南京邮电大学 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和系统

Similar Documents

Publication Publication Date Title
Ko et al. Multi-scale neural network for EEG representation learning in BCI
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
CN114266276B (zh) 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
Bentlemsan et al. Random forest and filter bank common spatial patterns for EEG-based motor imagery classification
Singh et al. Small sample motor imagery classification using regularized Riemannian features
Miao et al. A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition
Melissant et al. A method for detection of Alzheimer's disease using ICA-enhanced EEG measurements
Duan et al. Recognition of motor imagery tasks for BCI using CSP and chaotic PSO twin SVM
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
CN108875799A (zh) 一种基于改进s变换的运动想象分类识别方法
Zhang et al. Fused group lasso: A new EEG classification model with spatial smooth constraint for motor imagery-based brain–computer interface
Ramos-Aguilar et al. Analysis of EEG signal processing techniques based on spectrograms
CN111310656A (zh) 基于多线性主成分分析的单次运动想象脑电信号识别方法
CN115795346A (zh) 一种人体脑电信号的分类识别方法
CN115414051A (zh) 一种脑电信号自适应窗口的情绪分类识别方法
Chen et al. Channel selection based similarity measurement for motor imagery classification
CN113159205A (zh) 一种基于最佳通道的稀疏时频块共空间模式特征提取方法
CN117332259A (zh) 基于信息融合的运动想象脑机接口时频组合优化方法
CN116595434A (zh) 一种基于维度和分类算法的测谎方法
CN114358090B (zh) 一种基于psd和csp的运动想象脑电信号分类方法
Yamamoto et al. Class-distinctiveness-based frequency band selection on the Riemannian manifold for oscillatory activity-based BCIs: preliminary results
CN110888526A (zh) 基于集成支持向量学习的脑机接口技术
Behrouzi et al. Understanding power of graph convolutional neural network on discriminating human EEG signal
Kingphai et al. On channel selection for EEG-based mental workload classification
Farooq et al. Motor imagery based multivariate EEG signal classification for brain controlled interface applications

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