CN113367705A - 基于改进的微状态分析的运动想象脑电信号分类方法 - Google Patents
基于改进的微状态分析的运动想象脑电信号分类方法 Download PDFInfo
- Publication number
- CN113367705A CN113367705A CN202110380225.4A CN202110380225A CN113367705A CN 113367705 A CN113367705 A CN 113367705A CN 202110380225 A CN202110380225 A CN 202110380225A CN 113367705 A CN113367705 A CN 113367705A
- Authority
- CN
- China
- Prior art keywords
- micro
- microstate
- state
- electroencephalogram signal
- potential
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 3
- 210000004556 brain Anatomy 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/7235—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于改进的微状态分析的运动想象脑电信号分类方法，考虑到运动想象这一特定任务状态下微状态分析步骤是否可以优化的问题。首先计算预处理后的多通道脑电信号全局场功率，去除数值较高和较低的点，将剩余局部峰值点时刻对应的电势地形图进行聚类分析；将聚类得到的四种微状态分别与原始脑电信号的电势地形图进行空间相关性计算，构建出微状态时间序列，并计算出每个微状态对应的持续时间、出现频率等参数；将训练集数据的微状态时间序列参数作为特征输入到SVM分类器中训练出分类模型，对测试集特征进行分类得到测试结果。本发明创新性地将微状态分析法应用在运动想象脑电信号上以达到分类的目的，并取得了较好的分类结果。
Description
技术领域
本发明属于脑科学、机器学习交叉研究领域。
背景技术
脑-机接口(Brain Computer Interface，BCI)技术在人脑思维与外部设备之间构建了直接的通路，使得大脑可以在无需神经、肌肉等的参与下便可直接与外界进行通讯，对残疾人、老年人的生活质量的提高有重大意义。脑电图(Electroencephalogram，EEG)是目前检测大脑功能活动的常用手段，具有操作简便、时间分辨率高、记录无损等优点。由运动想象任务产生的脑电信号无需外界刺激，不易引起被试疲劳，容易被残障人群所接受，因此如何识别出运动想象脑电信号的特征对BCI的实现尤为重要。
1987年，Lehmann等人证明了多通道静息状态脑电信号的α频带可以解析为有限数量的不同的准稳态，这种准稳态就是微状态。微状态由记录在头皮上的多通道阵列中的电势地形拓扑图定义，具有以下两个特点。第一，一个微观状态在快速转变为另一个不同微观状态之前大约保持80-120ms的稳定状态。第二，尽管在多通道脑电信号中存在许多类型的电势地形图拓扑图，但是大部分信号可以由少量电势地形图来表示。值得注意的是，通过交叉验证准则，得出微状态的最佳数目为四，且四种微状态可以代表所有数据70％～80％的特征。
提取脑电信号在不同运动想象任务中存在的差异，并将这些差异作为脑电分类的依据便是脑功能特征提取中关键的一步。传统的脑电特征提取方法往往是基于少数电极的脑电数据进行的，存在忽略时空信息、分类准确率低等问题，而脑电信号微状态分析法是通过考虑来自所有电极的信号来建立功能状态的全局表示，解决了传统方法很难处理多通道脑电信号的问题，并且在保留时空信息的基础上对脑电信号进行分析处理。目前已经存在将脑电信号微状态分析法应用到运动想象任务中的例子，但只是按照经典的微状态分析算法步骤进行处理，并没有考虑到运动想象这一特定任务状态下EEG微状态分析步骤是否可以优化的问题。
发明内容
本发明提供了一种基于改进的微状态分析的运动想象脑电信号分类方法，对于微状态分析步骤的改进主要体现在需要进行聚类的电势地形图的选取方式上。将数值较高和较低的全局场功率(Global field power,GFP)对应的采样点分别称为“高GFP”和“低GFP”，而分析表明，“高GFP”和“低GFP”与四类微状态的空间相关度是相似的，也就是说“高GFP”和“低GFP”的空间相关度的可分性较差，这些采样点对于后续步骤中提取特征的贡献不大。因此，本发明在电势地形图的选取方式上进行改进，先将“高GFP”和“低GFP”进行去除再将剩余GFP局部峰值点时刻所对应的电势地形图进行聚类分析。发明内容整体框图如附图1所示。
本发明包括以下步骤：
(1)计算脑电信号全局场功率(Global field power,GFP)，去除数值较高和较低的点，将剩余GFP局部峰值点时刻对应的电势地形图进行聚类分析，获得四种微状态；
(2)将聚类得到的四种微状态分别与原始脑电信号的电势地形图进行空间相关度计算，构建出微状态时间序列，并计算出每个微状态对应的持续时间、出现频率、所占时间比率、转换概率等参数；
(3)将训练集数据的微状态时间序列参数作为特征输入到支持向量机(SupportVector Machine，SVM)分类器中训练出分类模型，对测试集特征进行分类得到测试结果。
本发明与现有的运动想象脑电信号分类方法相比，具有以下创新点：
(1)将脑电信号微状态分析法运用到运动想象脑电信号分类中，并对运动想象这一特定任务状态下EEG微状态分析步骤进行了改进。具体改进步骤为去除掉在空间相关度上的可分性较差“高GFP”和“低GFP”。
(2)将“高GFP”和“低GFP”对应的电势地形图与四种微状态电势地形图的空间相关度进行统计分析，通过经验统计和Wilcoxon秩和检验分析出可分性，为改进步骤提供依据。
附图说明
附图1为发明内容整体框图
附图2为一个被试四种微状态电势地形图
具体实现方式
下面结合附图对本发明做详细叙述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明是一种基于微状态分析的运动想象脑电信号分类方法，该方法包括以下步骤：
(1)数据包含了九个被试四种运动想象思维任务，即左手想象运动、右手想象运动、舌头想象运动和双脚想象运动。每个被试在两个不同日期进行了两次运动想象脑电数据采集，每次采集可以分成若干个时间段，每个时间段进行4N次单次的运动想象实验任务，其中每个类别各N次。所有实验均使用22个电极记录，电极位置采用国际10/20系统。本实验选用其中的左手和右手的EEG信号进行二分类任务，截取了每位被试在视觉提示后的2s时间窗内运动想象脑电信号数据。
(2)计算脑电信号全局场功率(Global field power,GFP)局部峰值点，其计算公式如下：
其中vi(t)是在时间t的电极i处的电压，
是在时间t的所以电极上的平均电压，N表示电极的数目。
对GFP进行统计分析，按数值大小排列，去除前15％和后15％的点，将剩余GFP局部峰值点时刻对应的电势地形图通过Modified k-means算法进行聚类分析，获得四种微状态电势地形图。
(3)全局电势图差异(Global Map Dissimilarity，GMD)是一种空间距离度量值，它不受信号强度的影响，而只考虑电势地形图的相似程度，其计算公式如下：
其中，xn和xn'分别代表两个时刻的脑电数据，GFPn和GFPn'是对应时刻的全局场功率，N表示电极的数目。因此用GMD来表示四种微状态分别与原始脑电信号的电势地形图空间相关度，取每个时刻最高空间相关度的微状态电势地形图作为这个时刻的微状态，即标记此时刻的脑电为该微状态的序号(即1、2、3和4)，那么脑电信号就被表示成四种微状态交替出现的时间序列，也就是微状态时间序列。
计算出每个微状态对应微状态时间参数，包括：
1)平均持续时间：每种微状态稳定时，所占时间长度的均值。
2)每秒出现的频率：每种微状态每秒出现的次数。
3)所占时间比：每种微状态持续时间总和与脑电信号持续时间的比值。
4)不同微状态之间的转换概率：从当前微状态转换成另一种微状态的概率。
(4)采用十折交叉验证的方法进行验证。对于10组数据的左手运动想象和右手运动想象两类脑电信号二分类任务的平均正确率为84.35％。与未进行改进的微状态分析算法的平均正确率相比，有2.38％的提高，表现出本发明所给出的方法的优越性。
Claims (3)
1.基于改进的微状态分析的运动想象脑电信号分类方法，其特征在于计算脑电信号全局场功率(Global field power,GFP)，去除数值较高和较低的点，将剩余GFP局部峰值点时刻对应的电势地形图进行聚类分析获取微状态，将微状态分别与原始脑电信号的电势地形图进行空间相关性计算，构建出微状态时间序列并计算出每个微状态对应的时间参数，将训练集数据的微状态时间序列参数作为特征输入到SVM分类器中训练出分类模型，对测试集特征进行分类得到测试结果。
2.根据权利要求1所述的基于改进的微状态分析的运动想象脑电信号分类方法，其特征在于改进的GFP的选取方式，具体包括：计算脑电信号全局场功率局部峰值点，对其进行统计分析，按数值大小排列，去除前15％和后15％的点，将剩余GFP局部峰值点时刻对应的电势地形图通过Modified k-means算法进行聚类分析，获得四种微状态电势地形图。
3.根据权利要求1所述的基于改进的微状态分析的运动想象脑电信号分类方法，其特征在于计算全局电势图差异(global map dissimilarity，GMD)，用GMD来表示四种微状态分别与原始脑电信号的电势地形图空间相关性，取每个时刻最高空间相关性的微状态电势地形图作为这个时刻的微状态，即标记此时刻的脑电为该微状态的序号(即1、2、3和4)，那么脑电信号就被表示成四种微状态交替出现的时间序列，也就是微状态时间序列，之后计算出每个微状态对应微状态时间参数，包括：
1)平均持续时间：每种微状态稳定时，所占时间长度的均值；
2)每秒出现的频率：每种微状态每秒出现的次数；
3)所占时间比：每种微状态持续时间总和与脑电信号持续时间的比值；
4)不同微状态之间的转换概率：从当前微状态转换成另一种微状态的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380225.4A CN113367705A (zh) | 2021-04-07 | 2021-04-07 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380225.4A CN113367705A (zh) | 2021-04-07 | 2021-04-07 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113367705A true CN113367705A (zh) | 2021-09-10 |
Family
ID=77569817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110380225.4A Pending CN113367705A (zh) | 2021-04-07 | 2021-04-07 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113367705A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113827256A (zh) * | 2021-09-23 | 2021-12-24 | 河北省科学院应用数学研究所 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析系统 |
| CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
| CN109497996A (zh) * | 2018-11-07 | 2019-03-22 | 太原理工大学 | 一种微状态eeg时域特征的复杂网络构建及分析方法 |
| CN110811557A (zh) * | 2019-11-15 | 2020-02-21 | 西安交通大学 | 一种基于微状态功率谱分析的麻醉深度监测系统及方法 |
| CN110811556A (zh) * | 2019-11-15 | 2020-02-21 | 西安交通大学 | 一种基于脑电微状态分析的麻醉深度监测系统及方法 |
| US20200164218A1 (en) * | 2016-09-27 | 2020-05-28 | Mor Research Applications Ltd. | Eeg microstates for controlling neurological treatment |
| CN111227829A (zh) * | 2020-02-14 | 2020-06-05 | 广东司法警官职业学院 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
| CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
| CN111643075A (zh) * | 2020-01-17 | 2020-09-11 | 天津大学 | 基于微状态分析方法的eeg实时检测分析平台 |
| CN112614539A (zh) * | 2020-12-31 | 2021-04-06 | 西安邮电大学 | 基于teo-mic算法的运动想象检测方法 |
| CN112603335A (zh) * | 2020-12-29 | 2021-04-06 | 深圳航天科技创新研究院 | 脑电情感识别方法、系统、设备及存储介质 |
-
2021
- 2021-04-07 CN CN202110380225.4A patent/CN113367705A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200164218A1 (en) * | 2016-09-27 | 2020-05-28 | Mor Research Applications Ltd. | Eeg microstates for controlling neurological treatment |
| CN108143411A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 一种面向孤独症诊断的静息态脑电分析系统 |
| CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
| CN109497996A (zh) * | 2018-11-07 | 2019-03-22 | 太原理工大学 | 一种微状态eeg时域特征的复杂网络构建及分析方法 |
| CN110811557A (zh) * | 2019-11-15 | 2020-02-21 | 西安交通大学 | 一种基于微状态功率谱分析的麻醉深度监测系统及方法 |
| CN110811556A (zh) * | 2019-11-15 | 2020-02-21 | 西安交通大学 | 一种基于脑电微状态分析的麻醉深度监测系统及方法 |
| CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
| CN111643075A (zh) * | 2020-01-17 | 2020-09-11 | 天津大学 | 基于微状态分析方法的eeg实时检测分析平台 |
| CN111227829A (zh) * | 2020-02-14 | 2020-06-05 | 广东司法警官职业学院 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
| CN112603335A (zh) * | 2020-12-29 | 2021-04-06 | 深圳航天科技创新研究院 | 脑电情感识别方法、系统、设备及存储介质 |
| CN112614539A (zh) * | 2020-12-31 | 2021-04-06 | 西安邮电大学 | 基于teo-mic算法的运动想象检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| GIANNINA R. IANNOTTI • FRANCESCA PITTAU: "Pulse Artifact Detection in Simultaneous EEG–fMRI Recording Based on EEG Map Topography", 《BRAIN TOPOGR》, 12 December 2014 (2014-12-12), pages 1 - 7 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113827256A (zh) * | 2021-09-23 | 2021-12-24 | 河北省科学院应用数学研究所 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
| CN113827256B (zh) * | 2021-09-23 | 2023-07-14 | 河北省科学院应用数学研究所 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | EEG-based emotion recognition in music listening | |
| Issa et al. | Emotion classification using EEG brain signals and the broad learning system | |
| Blankertz et al. | Single-trial analysis and classification of ERP components—a tutorial | |
| CN111329474B (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
| Wagh et al. | Performance evaluation of multi-channel electroencephalogram signal (EEG) based time frequency analysis for human emotion recognition | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| Lotte et al. | EEG feature extraction | |
| Li et al. | Spatial–temporal discriminative restricted Boltzmann machine for event-related potential detection and analysis | |
| Gao et al. | Real-time removal of ocular artifacts from EEG based on independent component analysis and manifold learning | |
| CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
| Hasan et al. | Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn | |
| Tian et al. | Study on classification of left-right hands motor imagery EEG signals based on CNN | |
| CN113367705A (zh) | 基于改进的微状态分析的运动想象脑电信号分类方法 | |
| Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
| Michalopoulos et al. | Classification of EEG single trial microstates using local global graphs and discrete hidden Markov models | |
| Abbaspour et al. | Identifying motor imagery activities in brain computer interfaces based on the intelligent selection of most informative timeframe | |
| CN114027840A (zh) | 基于变分模态分解的情绪脑电识别方法 | |
| Ferariu et al. | Using Hand-Crafted and Learned EEG Features for the Detection of Epileptic Seizures | |
| Ilyas et al. | An efficient emotion recognition frameworks for affective computing | |
| Chikara et al. | Classification of EEG-P300 signals using phase locking value and pattern recognition classifiers | |
| Reaj et al. | Emotion recognition using EEG-based brain computer interface | |
| Sun et al. | MEEG-Transformer: Transformer Network based on Multi-domain EEG for Emotion Recognition | |
| Nguyen et al. | Multi-sphere support vector data description for brain-computer interface | |
| CN112650386B (zh) | 一种基于pca-pcn的脑机接口字符输出系统 |
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 |