CN113499087A - 一种基于itd模态参数识别的脑电信号特征提取方法 - Google Patents
一种基于itd模态参数识别的脑电信号特征提取方法 Download PDFInfo
- Publication number
- CN113499087A CN113499087A CN202110637841.3A CN202110637841A CN113499087A CN 113499087 A CN113499087 A CN 113499087A CN 202110637841 A CN202110637841 A CN 202110637841A CN 113499087 A CN113499087 A CN 113499087A
- Authority
- CN
- China
- Prior art keywords
- signals
- del
- fea
- signal
- itd
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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ITD模态参数识别的脑电信号特征提取方法,其根据脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自的频率范围,设计各自对应的有限脉冲响应带通滤波器,再利用各自对应的有限脉冲响应带通滤波器对脑电信号进行滤波处理,提取得到δ波节律信号、θ波节律信号、α波节律信号、β波节律信号;对四个节律信号分别进行ITD模态参数识别,提取得到各自的四个ITD模态参数,进而得到四个节律信号各自的特征向量;将四个节律信号的特征向量构成脑电信号的特征向量;优点是其能够从运动想象的脑电信号中提取出有效的特征,从而能够极大地提高后续特征分类的正确率。
Description
技术领域
本发明涉及一种信号特征提取技术,尤其是涉及一种基于ITD(Ibrahim TimeDomain)模态参数识别的脑电信号特征提取方法。
背景技术
脑-机接口(Brain-Computer Interface,BCI)是一种能够实现人类大脑与外部环境直接进行交流的通讯控制系统,这种通讯控制系统能够使人类大脑脱离对脑部外周神经和肌肉组成的大脑正常输出通路的依赖。近些年来,由于计算机科学、生物医学、信号处理以及人工智能等众多技术的广泛发展,因此人们也逐渐的开始关注作为其交叉学科的脑-机接口技术。
脑-机接口技术包括五个主要部分:脑电信号采集、预处理、特征提取、特征分类与识别以及控制设备。其中,如何有效地提取脑电信号的特征以及提高脑电信号分类的正确率是目前技术研究的重点。至今,人们利用众多信号处理技术的方法如CSP(CommonSpatial Pattern,共空间模式)算法、稀疏自编码方法等来提取脑电信号的特征,使脑电信号的定量分析取得了重大进展,然而对于大脑中是否存在动力学行为一直是热门话题。以动力学的观点来看,人类大脑的神经元网络系统是由许多神经元连接形成的极度错综复杂的一种超高维的非线性系统。鉴于生命现象的多重耦合性质,连同生物材料的活性、大阻尼特性等多种非线性特性,这使得生命系统具有强烈的非线性,因而可以从这种非线性特性深入研究,这将对信号处理技术和生命现象研究都具有深远意义。
发明内容
本发明所要解决的技术问题是基于脑电信号的非线性振动理论,提供一种基于ITD模态参数识别的脑电信号特征提取方法,其能够从运动想象的脑电信号中提取出有效的特征,从而能够极大地提高后续特征分类的正确率。
本发明解决上述技术问题所采用的技术方案为:一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于包括以下步骤:
步骤1:按给定的采样频率在一个通道一次随机采集脑电信号;然后将脑电信号以向量形式进行表示,记为Y,Y=[y1…yn…yN];其中,给定的采样频率为F赫兹,Y的维数为1×N,Y中的每个元素为一个样本值,N表示Y中的样本值的总个数,N≥5,N=F×t,t表示采集一个通道的一条脑电信号的采集时间,t的单位为秒,n为正整数,n的初始值为1,1≤n≤N,y1表示Y中的第1个样本值,yn表示Y中的第n个样本值,yN表示Y中的第N个样本值,符号“[]”为向量或矩阵的表示符号;
步骤2:根据脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自的频率范围,设计各自对应的有限脉冲响应带通滤波器;然后利用脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自对应的有限脉冲响应带通滤波器分别对Y进行滤波处理,对应提取得到Y中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号,以向量形式对应表示为Yδ、Yθ、Yα、Yβ,Yδ=[yδ,1…yδ,n…yδ,N],Yθ=[yθ,1…yθ,n…yθ,N],Yα=[yα,1…yα,n…yα,N],Yβ=[yβ,1…yβ,n…yβ,N];其中,脑电信号中的δ波节律信号的频率范围为0.78~3.90赫兹,脑电信号中的θ波节律信号的频率范围为3.91~7.80赫兹,脑电信号中的α波节律信号的频率范围为7.81~13.28赫兹,脑电信号中的β波节律信号的频率范围为13.29~30.47赫兹,Yδ、Yθ、Yα、Yβ的维数均为1×N,Yδ中的每个元素为一个样本值,yδ,1表示Yδ中的第1个样本值,yδ,n表示Yδ中的第n个样本值,yδ,N表示Yδ中的第N个样本值,Yθ中的每个元素为一个样本值,yθ,1表示Yθ中的第1个样本值,yθ,n表示Yθ中的第n个样本值,yθ,N表示Yθ中的第N个样本值,Yα中的每个元素为一个样本值,yα,1表示Yα中的第1个样本值,yα,n表示Yα中的第n个样本值,yα,N表示Yα中的第N个样本值,Yβ中的每个元素为一个样本值,yβ,1表示Yβ中的第1个样本值,yβ,n表示Yβ中的第n个样本值,yβ,N表示Yβ中的第N个样本值;
步骤3:对Yδ进行ITD模态参数识别,提取得到Yδ的四个ITD模态参数,将Yδ的四个ITD模态参数按序排列构成的向量作为Yδ的特征向量,记为feaδ;以相同的方法对Yθ进行ITD模态参数识别,提取得到Yθ的四个ITD模态参数,将Yθ的四个ITD模态参数按序排列构成的向量作为Yθ的特征向量,记为feaθ;以相同的方法对Yα进行ITD模态参数识别,提取得到Yα的四个ITD模态参数,将Yα的四个ITD模态参数按序排列构成的向量作为Yα的特征向量,记为feaα;以相同的方法对Yβ进行ITD模态参数识别,提取得到Yβ的四个ITD模态参数,将Yβ的四个ITD模态参数按序排列构成的向量作为Yβ的特征向量,记为feaβ;其中,feaδ、feaθ、feaα、feaβ的维数均为1×4;
步骤4:将feaδ、feaθ、feaα、feaβ按序排列构成的向量作为Y的特征向量,记为fea,fea=[feaδfeaθfeaαfeaβ];其中,fea的维数为1×16。
所述的步骤2的具体过程为:
根据脑电信号中的δ波节律信号的频率范围,设计第一有限脉冲响应带通滤波器,记为H1,H1的采样频率为F赫兹,H1的阶数为10,H1的阻带上边缘频率为0.7赫兹、阻带下边缘频率为4赫兹、通带上边缘频率为0.8赫兹、通带下边缘频率为3.5赫兹;然后利用H1对Y进行滤波处理,提取得到Y中的δ波节律信号;
同样,根据脑电信号中的θ波节律信号的频率范围,设计第二有限脉冲响应带通滤波器,记为H2,H2的采样频率为F赫兹,H2的阶数为10,H2的阻带上边缘频率为3.9赫兹、阻带下边缘频率为8赫兹、通带上边缘频率为4赫兹、通带下边缘频率为7.5赫兹;然后利用H2对Y进行滤波处理,提取得到Y中的θ波节律信号;
根据脑电信号中的α波节律信号的频率范围,设计第三有限脉冲响应带通滤波器,记为H3,H3的采样频率为F赫兹,H3的阶数为10,H3的阻带上边缘频率为7.8赫兹、阻带下边缘频率为13赫兹、通带上边缘频率为7.9赫兹、通带下边缘频率为12赫兹;然后利用H3对Y进行滤波处理,提取得到Y中的α波节律信号;
根据脑电信号中的β波节律信号的频率范围,设计第四有限脉冲响应带通滤波器,记为H4,H4的采样频率为F赫兹,H4的阶数为10,H4的阻带上边缘频率为13赫兹、阻带下边缘频率为31赫兹、通带上边缘频率为14赫兹、通带下边缘频率为30赫兹;然后利用H4对Y进行滤波处理,提取得到Y中的β波节律信号。
所述的步骤3中,feaδ的获取过程为:
步骤3_1:将Yδ=[yδ,1…yδ,n…yδ,N]离散信号看作自由响应振动信号,对Yδ=[yδ,1…yδ,n…yδ,N]依次进行正常采样、d延时釆样、2d延时釆样,依次得到正常采样自由响应数据向量、d延时釆样自由响应数据向量、2d延时釆样自由响应数据向量,对应记为Xnor、Xdel_1、Xdel_2,Xnor=[yδ,1…yδ,n…yδ,m],Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m],Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m];然后将Xnor=[yδ,1…yδ,n…yδ,m]重新表示为Xnor=[xnor,1…xnor,n…xnor,m],将Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m]重新表示为Xdel_1=[xdel_1,1…xdel_1,n…xdel_1,m],将Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m]重新表示为Xdel_2=[xdel_2,1…xdel_2,n…xdel_2,m];其中,d为正整数,d表示采样间隔,m为正整数,m表示Xnor、Xdel_1、Xdel_2的长度,1≤m≤N-2d,Xnor、Xdel_1、Xdel_2的维数均为1×m,yδ,m、yδ,d+1、yδ,d+n、yδ,d+m、yδ,2d+1、yδ,2d+n、yδ,2d+m对应表示Yδ中的第m个样本值、第d+1个样本值、第d+n个样本值、第d+m个样本值、第2d+1个样本值、第2d+n个样本值、第2d+m个样本值,xnor,1、xnor,n、xnor,m对应表示Xnor中的第1个元素、第n个元素、第m个元素,xdel_1,1、xdel_1,n、xdel_1,m对应表示Xdel_1中的第1个元素、第n个元素、第m个元素,xdel_2,1、xdel_2,n、xdel_2,m对应表示Xdel_2中的第1个元素、第n个元素、第m个元素;
步骤3_2:根据Xnor和Xdel_1构建第一增广矩阵,记为Xzg1,并根据Xdel_1和Xdel_2构建第二增广矩阵,记为Xzg2,然后令A=Xzg2(Xzg1)-1,并利用QR分解法对A=Xzg2(Xzg1)-1进行处理,得到A的特征值矩阵,记为Δ;其中,Xzg1和Xzg2的维数均为2×m,A表示系统特征矩阵,(Xzg1)-1为Xzg1的伪逆,A的维数为2×2,Δ的维数为2×2;
步骤3_3:根据Δ计算Yδ的固有频率和衰减系数,对应记为fδ和λδ,其中,表示的虚数部分,表示的实数部分,Δ1,1表示Δ的第1行第1列元素,t'表示在Yδ=[yδ,1…yδ,n…yδ,N]中采样d个样本值的时间间隔,
步骤3_4:应用自由响应理论将Xnor描述为:Xnor=ψnorEnor,其中,ψnor表示Xnor的模态矢量,ψnor的维数为1×2,Enor为引入的中间变量,Enor的维数为2×m,e表示自然基数,μ=-λδ+j2πfδ,μ*为μ的共轭,μ*=-λδ-j2πfδ,j表示虚数单位,然后利用最小二乘法求解Xnor=ψnorEnor,得到ψnor,ψnor=XnorEnor T(EnorEnor T)-1,其中,上标“T”表示向量或矩阵的转置,(EnorEnor T)-1为EnorEnor T的逆;再计算ψnor的幅度和相位,对应记为ξnor和ξnor=abs(ψnor(1))+abs(ψnor(2)),其中,abs()为取绝对值函数,ψnor(1)表示ψnor的第1个元素,ψnor(2)表示ψnor的第2个元素,表示的实数部分;最后将ξnor作为Yδ的幅度,重新记为ξδ,将作为Yδ的相位,重新记为
所述的步骤3中,feaθ、feaα、feaβ的获取为按照步骤3_1至步骤3_5的过程以相同的方式获取, 其中,fθ、λθ、ξθ、对应为Yθ的固有频率、衰减系数、幅度、相位,fα、λα、ξα、对应为Yα的固有频率、衰减系数、幅度、相位,fβ、λβ、ξβ、对应为Yβ的固有频率、衰减系数、幅度、相位。
按给定的采样频率在同一个通道多次随机采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在同一个通道每次采集的脑电信号的特征向量,将在同一个通道多次随机采集的脑电信号的特征向量构成一个特征矩阵,该特征矩阵中的每行向量代表一次随机采集的脑电信号的特征向量;然后对该特征矩阵进行分类,得到每次随机采集的脑电信号对应的运动想象类型。
针对多个不同通道,按给定的采样频率同时在多个通道采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在每个通道采集的脑电信号的特征向量,将同时在多个通道采集的脑电信号的特征向量按序排列构成行向量;在进行多次采集后,得到多个行向量,将多个行向量按序排列构成一个特征矩阵,该特征矩阵中的每行向量代表同时在多个通道单次采集的脑电信号的特征向量按序排列构成的行向量;然后对该特征矩阵进行分类,得到每次采集的脑电信号对应的运动想象类型。
与现有技术相比,本发明的优点在于:
1)本发明方法从非线性振动理论出发,对脑电信号动力学模型进行分析,从振动利用工程学的角度对脑电信号加以研究,具有重要的科学理论价值,对于脑电信号特征提取具有重要意义。
2)利用本发明方法提取的脑电信号的特征用于分类,在现有的运动想象脑电信号数据库上进行仿真对比表明,本发明方法获取的振动模态特征具有更高的分类准确性,更好的稳定性。
附图说明
图1为本发明方法的总体实现框图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于ITD模态参数识别的脑电信号特征提取方法,其总体实现框图如图1所示,其包括以下步骤:
步骤1:按给定的采样频率在一个通道一次随机采集脑电信号;然后将脑电信号以向量形式进行表示,记为Y,Y=[y1…yn…yN];其中,给定的采样频率为F赫兹,给定的采样频率即采集系统的采样频率参数,Y的维数为1×N,Y中的每个元素为一个样本值,N表示Y中的样本值的总个数,N≥5,N=F×t,t表示采集一个通道的一条脑电信号的采集时间,t的单位为秒,n为正整数,n的初始值为1,1≤n≤N,y1表示Y中的第1个样本值,yn表示Y中的第n个样本值,yN表示Y中的第N个样本值,符号“[]”为向量或矩阵的表示符号。
步骤2:根据脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自的频率范围(即频带),设计各自对应的有限脉冲响应(FIR)带通滤波器;然后利用脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自对应的有限脉冲响应带通滤波器分别对Y进行滤波处理,对应提取得到Y中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号,以向量形式对应表示为Yδ、Yθ、Yα、Yβ,Yδ=[yδ,1…yδ,n…yδ,N],Yθ=[yθ,1…yθ,n…yθ,N],Yα=[yα,1…yα,n…yα,N],Yβ=[yβ,1…yβ,n…yβ,N];其中,脑电信号中的δ波节律信号的频率范围为0.78~3.90赫兹,脑电信号中的θ波节律信号的频率范围为3.91~7.80赫兹,脑电信号中的α波节律信号的频率范围为7.81~13.28赫兹,脑电信号中的β波节律信号的频率范围为13.29~30.47赫兹,Yδ、Yθ、Yα、Yβ的维数均为1×N,Yδ中的每个元素为一个样本值,yδ,1表示Yδ中的第1个样本值,yδ,n表示Yδ中的第n个样本值,yδ,N表示Yδ中的第N个样本值,Yθ中的每个元素为一个样本值,yθ,1表示Yθ中的第1个样本值,yθ,n表示Yθ中的第n个样本值,yθ,N表示Yθ中的第N个样本值,Yα中的每个元素为一个样本值,yα,1表示Yα中的第1个样本值,yα,n表示Yα中的第n个样本值,yα,N表示Yα中的第N个样本值,Yβ中的每个元素为一个样本值,yβ,1表示Yβ中的第1个样本值,yβ,n表示Yβ中的第n个样本值,yβ,N表示Yβ中的第N个样本值。
在本实施例中,步骤2的具体过程为:
根据脑电信号中的δ波节律信号的频率范围,设计第一有限脉冲响应带通滤波器,记为H1,H1的采样频率为F赫兹,H1的阶数为10,H1的阻带上边缘频率为0.7赫兹、阻带下边缘频率为4赫兹、通带上边缘频率为0.8赫兹、通带下边缘频率为3.5赫兹;然后利用H1对Y进行滤波处理,提取得到Y中的δ波节律信号。
同样,根据脑电信号中的θ波节律信号的频率范围,设计第二有限脉冲响应带通滤波器,记为H2,H2的采样频率为F赫兹,H2的阶数为10,H2的阻带上边缘频率为3.9赫兹、阻带下边缘频率为8赫兹、通带上边缘频率为4赫兹、通带下边缘频率为7.5赫兹;然后利用H2对Y进行滤波处理,提取得到Y中的θ波节律信号。
根据脑电信号中的α波节律信号的频率范围,设计第三有限脉冲响应带通滤波器,记为H3,H3的采样频率为F赫兹,H3的阶数为10,H3的阻带上边缘频率为7.8赫兹、阻带下边缘频率为13赫兹、通带上边缘频率为7.9赫兹、通带下边缘频率为12赫兹;然后利用H3对Y进行滤波处理,提取得到Y中的α波节律信号。
根据脑电信号中的β波节律信号的频率范围,设计第四有限脉冲响应带通滤波器,记为H4,H4的采样频率为F赫兹,H4的阶数为10,H4的阻带上边缘频率为13赫兹、阻带下边缘频率为31赫兹、通带上边缘频率为14赫兹、通带下边缘频率为30赫兹;然后利用H4对Y进行滤波处理,提取得到Y中的β波节律信号。
步骤3:对Yδ进行ITD模态参数识别,提取得到Yδ的四个ITD模态参数,将Yδ的四个ITD模态参数按序排列构成的向量作为Yδ的特征向量,记为feaδ;以相同的方法对Yθ进行ITD模态参数识别,提取得到Yθ的四个ITD模态参数,将Yθ的四个ITD模态参数按序排列构成的向量作为Yθ的特征向量,记为feaθ;以相同的方法对Yα进行ITD模态参数识别,提取得到Yα的四个ITD模态参数,将Yα的四个ITD模态参数按序排列构成的向量作为Yα的特征向量,记为feaα;以相同的方法对Yβ进行ITD模态参数识别,提取得到Yβ的四个ITD模态参数,将Yβ的四个ITD模态参数按序排列构成的向量作为Yβ的特征向量,记为feaβ;其中,feaδ、feaθ、feaα、feaβ的维数均为1×4。
在本实施例中,步骤3中,feaδ的获取过程为:
步骤3_1:从运动想象的脑电信号的诱发过程来分析,当出现运动想象诱导信号刺激时,大脑开始响应这时大脑神经元突触传递信号总数急剧增加,对应的动力学方程表现为强非线性,这段时间采集到的脑电信号为瞬态非线性信号,具有混沌特性,非常难以分类处理;然后在适应了诱发刺激信号后,大脑神经元进入抑制阶段突触传递信号总数下降,对应的动力学方程中,不断减小,这段时间采集到的脑电信号为自由响应振动信号,动力学方程退化为弱非线性的振动方程。因此将Yδ=[yδ,1…yδ,n…yδ,N]离散信号看作自由响应振动信号,对Yδ=[yδ,1…yδ,n…yδ,N]依次进行正常采样、d延时釆样、2d延时釆样,依次得到正常采样自由响应数据向量、d延时釆样自由响应数据向量、2d延时釆样自由响应数据向量,对应记为Xnor、Xdel_1、Xdel_2,Xnor=[yδ,1…yδ,n…yδ,m],Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m],Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m];然后将Xnor=[yδ,1…yδ,n…yδ,m]重新表示为Xnor=[xnor,1…xnor,n…xnor,m],将Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m]重新表示为Xdel_1=[xdel_1,1…xdel_1,n…xdel_1,m],将Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m]重新表示为Xdel_2=[xdel_2,1…xdel_2,n…xdel_2,m];其中,d为正整数,d表示采样间隔,m为正整数,m表示Xnor、Xdel_1、Xdel_2的长度,1≤m≤N-2d,Xnor、Xdel_1、Xdel_2的维数均为1×m,yδ,m、yδ,d+1、yδ,d+n、yδ,d+m、yδ,2d+1、yδ,2d+n、yδ,2d+m对应表示Yδ中的第m个样本值、第d+1个样本值、第d+n个样本值、第d+m个样本值、第2d+1个样本值、第2d+n个样本值、第2d+m个样本值,xnor,1、xnor,n、xnor,m对应表示Xnor中的第1个元素、第n个元素、第m个元素,xdel_1,1、xdel_1,n、xdel_1,m对应表示Xdel_1中的第1个元素、第n个元素、第m个元素,xdel_2,1、xdel_2,n、xdel_2,m对应表示Xdel_2中的第1个元素、第n个元素、第m个元素。
步骤3_2:根据Xnor和Xdel_1构建第一增广矩阵,记为Xzg1,并根据Xdel_1和Xdel_2构建第二增广矩阵,记为Xzg2,然后令A=Xzg2(Xzg1)-1,并利用QR(正交三角)分解法对A=Xzg2(Xzg1)-1进行处理,得到A的特征值矩阵,记为Δ;其中,Xzg1和Xzg2的维数均为2×m,A表示系统特征矩阵,(Xzg1)-1为Xzg1的伪逆,A的维数为2×2,Δ的维数为2×2。
步骤3_3:根据Δ计算Yδ的固有频率和衰减系数,对应记为fδ和λδ,其中,表示的虚数部分,表示的实数部分,Δ1,1表示Δ的第1行第1列元素,t'表示在Yδ=[yδ,1…yδ,n…yδ,N]中采样d个样本值的时间间隔,
步骤3_4:应用自由响应理论将Xnor描述为:Xnor=ψnorEnor,其中,ψnor表示Xnor的模态矢量,ψnor的维数为1×2,Enor为引入的中间变量,Enor的维数为2×m,e表示自然基数,e=2.17…,μ=-λδ+j2πfδ,μ*为μ的共轭,μ*=-λδ-j2πfδ,j表示虚数单位, 然后利用最小二乘法求解Xnor=ψnorEnor,得到ψnor,ψnor=XnorEnor T(EnorEnor T)-1,其中,上标“T”表示向量或矩阵的转置,(EnorEnor T)-1为EnorEnor T的逆;再计算ψnor的幅度和相位,对应记为ξnor和ξnor=abs(ψnor(1))+abs(ψnor(2)),其中,abs()为取绝对值函数,ψnor(1)表示ψnor的第1个元素,ψnor(2)表示ψnor的第2个元素,表示的实数部分;最后将ξnor作为Yδ的幅度,重新记为ξδ,将作为Yδ的相位,重新记为
在本实施例中,步骤3中,feaθ、feaα、feaβ的获取为按照步骤3_1至步骤3_5的过程以相同的方式获取, 其中,fθ、λθ、ξθ、对应为Yθ的固有频率、衰减系数、幅度、相位,fα、λα、ξα、对应为Yα的固有频率、衰减系数、幅度、相位,fβ、λβ、ξβ、对应为Yβ的固有频率、衰减系数、幅度、相位。
步骤4:将feaδ、feaθ、feaα、feaβ按序排列构成的向量作为Y的特征向量,记为fea,fea=[feaδ feaθ feaα feaβ];其中,fea的维数为1×16。
在上述步骤1至步骤4的基础上,可进行后续的分类,如:按给定的采样频率在同一个通道多次随机采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在同一个通道每次采集的脑电信号的特征向量,将在同一个通道多次随机采集的脑电信号的特征向量构成一个特征矩阵,该特征矩阵中的每行向量代表一次随机采集的脑电信号的特征向量;然后对该特征矩阵进行分类,得到每次随机采集的脑电信号对应的运动想象类型。
又如:针对多个不同通道,按给定的采样频率同时在多个通道采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在每个通道采集的脑电信号的特征向量,将同时在多个通道采集的脑电信号的特征向量按序排列构成行向量;在进行多次采集后,得到多个行向量,将多个行向量按序排列构成一个特征矩阵,该特征矩阵中的每行向量代表同时在多个通道单次采集的脑电信号的特征向量按序排列构成的行向量;然后对该特征矩阵进行分类,得到每次采集的脑电信号对应的运动想象类型。
在本实施例中,多处涉及的按序排列在未给出具体的排列方式的情况下,表示在获取同类信息时按同一种自行定义的顺序排列即可,一般情况下可按先后顺序来排列。
令Y=[9.72 9.38 6.01 7.46 7.23 5.07 7.92 5.73 5.18 5.71],F为200,那么Yδ=[0.7029 1.4001 1.8677 2.4437 3.0069 3.4138 4.0195 4.4626 4.8542 5.2688],Yθ=[0.5803 1.2786 1.8847 2.6101 3.3521 3.9654 4.6916 5.2505 5.6846 6.0344],Yα=[-0.0364 0.3748 1.1926 2.1650 3.2642 4.3742 5.2636 5.9892 6.3732 6.3498],Yβ=[-1.2230 -2.5862 -2.9156 -2.1651 -0.4555 1.6578 2.6811 2.5778 1.55360.1579];并令d等于2时,fδ=2.3755,λδ=0.0828,ξδ=7.8459,fθ=5.4966,λθ=-14.5290,ξθ=3.2526,fα=8.7462,λα=-32.9419,ξα=-1.9559,fβ=21.3646,λβ=2.9961,ξβ=-3.1203,
为验证本发明方法的可行性和有效性,对本发明方法进行实验。
利用本发明方法对国际标准脑电信号数据库目前最大的慢皮层电位(SlowCortical Potential,SCP)数据集中的CLA左右手运动想象数据集进行特征提取,将提取的特征矩阵通过adaboost算法进行分类,其分类准确率高达92.7%,与CSP(Common SpatialPattern,共空间模式)算法和稀疏自编码方法等大多数特征提取算法相比,其准确率明显提高了,这充分说明了本发明方法的可行性和有效性。
Claims (5)
1.一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于包括以下步骤:
步骤1:按给定的采样频率在一个通道一次随机采集脑电信号;然后将脑电信号以向量形式进行表示,记为Y,Y=[y1…yn…yN];其中,给定的采样频率为F赫兹,Y的维数为1×N,Y中的每个元素为一个样本值,N表示Y中的样本值的总个数,N≥5,N=F×t,t表示采集一个通道的一条脑电信号的采集时间,t的单位为秒,n为正整数,n的初始值为1,1≤n≤N,y1表示Y中的第1个样本值,yn表示Y中的第n个样本值,yN表示Y中的第N个样本值,符号“[]”为向量或矩阵的表示符号;
步骤2:根据脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自的频率范围,设计各自对应的有限脉冲响应带通滤波器;然后利用脑电信号中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号各自对应的有限脉冲响应带通滤波器分别对Y进行滤波处理,对应提取得到Y中的δ波节律信号、θ波节律信号、α波节律信号、β波节律信号,以向量形式对应表示为Yδ、Yθ、Yα、Yβ,Yδ=[yδ,1…yδ,n…yδ,N],Yθ=[yθ,1…yθ,n…yθ,N],Yα=[yα,1…yα,n…yα,N],Yβ=[yβ,1…yβ,n…yβ,N];其中,脑电信号中的δ波节律信号的频率范围为0.78~3.90赫兹,脑电信号中的θ波节律信号的频率范围为3.91~7.80赫兹,脑电信号中的α波节律信号的频率范围为7.81~13.28赫兹,脑电信号中的β波节律信号的频率范围为13.29~30.47赫兹,Yδ、Yθ、Yα、Yβ的维数均为1×N,Yδ中的每个元素为一个样本值,yδ,1表示Yδ中的第1个样本值,yδ,n表示Yδ中的第n个样本值,yδ,N表示Yδ中的第N个样本值,Yθ中的每个元素为一个样本值,yθ,1表示Yθ中的第1个样本值,yθ,n表示Yθ中的第n个样本值,yθ,N表示Yθ中的第N个样本值,Yα中的每个元素为一个样本值,yα,1表示Yα中的第1个样本值,yα,n表示Yα中的第n个样本值,yα,N表示Yα中的第N个样本值,Yβ中的每个元素为一个样本值,yβ,1表示Yβ中的第1个样本值,yβ,n表示Yβ中的第n个样本值,yβ,N表示Yβ中的第N个样本值;
步骤3:对Yδ进行ITD模态参数识别,提取得到Yδ的四个ITD模态参数,将Yδ的四个ITD模态参数按序排列构成的向量作为Yδ的特征向量,记为feaδ;以相同的方法对Yθ进行ITD模态参数识别,提取得到Yθ的四个ITD模态参数,将Yθ的四个ITD模态参数按序排列构成的向量作为Yθ的特征向量,记为feaθ;以相同的方法对Yα进行ITD模态参数识别,提取得到Yα的四个ITD模态参数,将Yα的四个ITD模态参数按序排列构成的向量作为Yα的特征向量,记为feaα;以相同的方法对Yβ进行ITD模态参数识别,提取得到Yβ的四个ITD模态参数,将Yβ的四个ITD模态参数按序排列构成的向量作为Yβ的特征向量,记为feaβ;其中,feaδ、feaθ、feaα、feaβ的维数均为1×4;
步骤4:将feaδ、feaθ、feaα、feaβ按序排列构成的向量作为Y的特征向量,记为fea,fea=[feaδ feaθ feaα feaβ];其中,fea的维数为1×16。
2.根据权利要求1所述的一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于所述的步骤2的具体过程为:
根据脑电信号中的δ波节律信号的频率范围,设计第一有限脉冲响应带通滤波器,记为H1,H1的采样频率为F赫兹,H1的阶数为10,H1的阻带上边缘频率为0.7赫兹、阻带下边缘频率为4赫兹、通带上边缘频率为0.8赫兹、通带下边缘频率为3.5赫兹;然后利用H1对Y进行滤波处理,提取得到Y中的δ波节律信号;
同样,根据脑电信号中的θ波节律信号的频率范围,设计第二有限脉冲响应带通滤波器,记为H2,H2的采样频率为F赫兹,H2的阶数为10,H2的阻带上边缘频率为3.9赫兹、阻带下边缘频率为8赫兹、通带上边缘频率为4赫兹、通带下边缘频率为7.5赫兹;然后利用H2对Y进行滤波处理,提取得到Y中的θ波节律信号;
根据脑电信号中的α波节律信号的频率范围,设计第三有限脉冲响应带通滤波器,记为H3,H3的采样频率为F赫兹,H3的阶数为10,H3的阻带上边缘频率为7.8赫兹、阻带下边缘频率为13赫兹、通带上边缘频率为7.9赫兹、通带下边缘频率为12赫兹;然后利用H3对Y进行滤波处理,提取得到Y中的α波节律信号;
根据脑电信号中的β波节律信号的频率范围,设计第四有限脉冲响应带通滤波器,记为H4,H4的采样频率为F赫兹,H4的阶数为10,H4的阻带上边缘频率为13赫兹、阻带下边缘频率为31赫兹、通带上边缘频率为14赫兹、通带下边缘频率为30赫兹;然后利用H4对Y进行滤波处理,提取得到Y中的β波节律信号。
3.根据权利要求1或2所述的一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于所述的步骤3中,feaδ的获取过程为:
步骤3_1:将Yδ=[yδ,1…yδ,n…yδ,N]离散信号看作自由响应振动信号,对Yδ=[yδ,1…yδ,n…yδ,N]依次进行正常采样、d延时釆样、2d延时釆样,依次得到正常采样自由响应数据向量、d延时釆样自由响应数据向量、2d延时釆样自由响应数据向量,对应记为Xnor、Xdel_1、Xdel_2,Xnor=[yδ,1…yδ,n…yδ,m],Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m],Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m];然后将Xnor=[yδ,1…yδ,n…yδ,m]重新表示为Xnor=[xnor,1…xnor,n…xnor,m],将Xdel_1=[yδ,d+1…yδ,d+n…yδ,d+m]重新表示为Xdel_1=[xdel_1,1…xdel_1,n…xdel_1,m],将Xdel_2=[yδ,2d+1…yδ,2d+n…yδ,2d+m]重新表示为Xdel_2=[xdel_2,1…xdel_2,n…xdel_2,m];其中,d为正整数,d表示采样间隔,m为正整数,m表示Xnor、Xdel_1、Xdel_2的长度,1≤m≤N-2d,Xnor、Xdel_1、Xdel_2的维数均为1×m,yδ,m、yδ,d+1、yδ,d+n、yδ,d+m、yδ,2d+1、yδ,2d+n、yδ,2d+m对应表示Yδ中的第m个样本值、第d+1个样本值、第d+n个样本值、第d+m个样本值、第2d+1个样本值、第2d+n个样本值、第2d+m个样本值,xnor,1、xnor,n、xnor,m对应表示Xnor中的第1个元素、第n个元素、第m个元素,xdel_1,1、xdel_1,n、xdel_1,m对应表示Xdel_1中的第1个元素、第n个元素、第m个元素,xdel_2,1、xdel_2,n、xdel_2,m对应表示Xdel_2中的第1个元素、第n个元素、第m个元素;
步骤3_2:根据Xnor和Xdel_1构建第一增广矩阵,记为Xzg1,并根据Xdel_1和Xdel_2构建第二增广矩阵,记为Xzg2,然后令A=Xzg2(Xzg1)-1,并利用QR分解法对A=Xzg2(Xzg1)-1进行处理,得到A的特征值矩阵,记为Δ;其中,Xzg1和Xzg2的维数均为2×m,A表示系统特征矩阵,(Xzg1)-1为Xzg1的伪逆,A的维数为2×2,Δ的维数为2×2;
步骤3_3:根据Δ计算Yδ的固有频率和衰减系数,对应记为fδ和λδ,其中,表示的虚数部分,表示的实数部分,Δ1,1表示Δ的第1行第1列元素,t'表示在Yδ=[yδ,1…yδ,n…yδ,N]中采样d个样本值的时间间隔,
步骤3_4:应用自由响应理论将Xnor描述为:Xnor=ψnorEnor,其中,ψnor表示Xnor的模态矢量,ψnor的维数为1×2,Enor为引入的中间变量,Enor的维数为2×m,e表示自然基数,μ=-λδ+j2πfδ,μ*为μ的共轭,μ*=-λδ-j2πfδ,j表示虚数单位,然后利用最小二乘法求解Xnor=ψnorEnor,得到ψnor,ψnor=XnorEnor T(EnorEnor T)-1,其中,上标“T”表示向量或矩阵的转置,(EnorEnor T)-1为EnorEnor T的逆;再计算ψnor的幅度和相位,对应记为ξnor和ξnor=abs(ψnor(1))+abs(ψnor(2)),其中,abs()为取绝对值函数,ψnor(1)表示ψnor的第1个元素,ψnor(2)表示ψnor的第2个元素,表示的实数部分;最后将ξnor作为Yδ的幅度,重新记为ξδ,将作为Yδ的相位,重新记为
4.根据权利要求3所述的一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于按给定的采样频率在同一个通道多次随机采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在同一个通道每次采集的脑电信号的特征向量,将在同一个通道多次随机采集的脑电信号的特征向量构成一个特征矩阵,该特征矩阵中的每行向量代表一次随机采集的脑电信号的特征向量;然后对该特征矩阵进行分类,得到每次随机采集的脑电信号对应的运动想象类型。
5.根据权利要求4所述的一种基于ITD模态参数识别的脑电信号特征提取方法,其特征在于针对多个不同通道,按给定的采样频率同时在多个通道采集脑电信号,并按照步骤1至步骤4的过程以相同的方式获取在每个通道采集的脑电信号的特征向量,将同时在多个通道采集的脑电信号的特征向量按序排列构成行向量;在进行多次采集后,得到多个行向量,将多个行向量按序排列构成一个特征矩阵,该特征矩阵中的每行向量代表同时在多个通道单次采集的脑电信号的特征向量按序排列构成的行向量;然后对该特征矩阵进行分类,得到每次采集的脑电信号对应的运动想象类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637841.3A CN113499087B (zh) | 2021-06-08 | 2021-06-08 | 一种基于itd模态参数识别的脑电信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637841.3A CN113499087B (zh) | 2021-06-08 | 2021-06-08 | 一种基于itd模态参数识别的脑电信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113499087A true CN113499087A (zh) | 2021-10-15 |
CN113499087B CN113499087B (zh) | 2023-06-06 |
Family
ID=78009142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637841.3A Active CN113499087B (zh) | 2021-06-08 | 2021-06-08 | 一种基于itd模态参数识别的脑电信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113499087B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120200A1 (en) * | 1997-10-14 | 2002-08-29 | Brian Brockway | Devices, systems and methods for endocardial pressure measurement |
WO2011109734A1 (en) * | 2010-03-04 | 2011-09-09 | The Regents Of The University Of Colorado | Active physical perturbations to enhance intelligent medical monitoring |
US20160374625A1 (en) * | 2008-10-29 | 2016-12-29 | Flashback Technologies, Inc. | Estimating Physiological States Based on Changes in CRI |
CN110037696A (zh) * | 2019-04-24 | 2019-07-23 | 广州贝方医疗设备有限公司 | 基于眼电开关的脑电生物反馈系统 |
CN111387975A (zh) * | 2020-03-20 | 2020-07-10 | 徐州市健康研究院有限公司 | 基于机器学习的脑电信号识别方法 |
-
2021
- 2021-06-08 CN CN202110637841.3A patent/CN113499087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120200A1 (en) * | 1997-10-14 | 2002-08-29 | Brian Brockway | Devices, systems and methods for endocardial pressure measurement |
US20160374625A1 (en) * | 2008-10-29 | 2016-12-29 | Flashback Technologies, Inc. | Estimating Physiological States Based on Changes in CRI |
WO2011109734A1 (en) * | 2010-03-04 | 2011-09-09 | The Regents Of The University Of Colorado | Active physical perturbations to enhance intelligent medical monitoring |
CN110037696A (zh) * | 2019-04-24 | 2019-07-23 | 广州贝方医疗设备有限公司 | 基于眼电开关的脑电生物反馈系统 |
CN111387975A (zh) * | 2020-03-20 | 2020-07-10 | 徐州市健康研究院有限公司 | 基于机器学习的脑电信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113499087B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111067514B (zh) | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 | |
Xu et al. | High accuracy classification of EEG signal | |
CN103961091B (zh) | 基于双树复小波样本熵的运动想象脑电信号特征提取方法 | |
Tan et al. | Dimensionality reduction in evolutionary algorithms-based feature selection for motor imagery brain-computer interface | |
CN104809434A (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
CN104035563B (zh) | 基于w‑pca和无监督ghsom的脑电信号识别方法 | |
CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
CN111000555B (zh) | 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 | |
CN110192864B (zh) | 一种跨域心电图生物特征身份识别方法 | |
Heidari et al. | SSVEP extraction applying wavelet transform and decision tree with bays classification | |
CN101703405A (zh) | 基于小波分析和Welch算法的身份识别方法 | |
CN113499087B (zh) | 一种基于itd模态参数识别的脑电信号特征提取方法 | |
CN114492500A (zh) | 基于一维卷积核的运动想象脑电信号分类方法 | |
CN112244880B (zh) | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
CN110738093B (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
CN108573207A (zh) | Emd和csp融合最优波长空间滤波脑电特征提取方法 | |
Hindarto et al. | Feature Extraction ElectroEncephaloGram (EEG) using wavelet transform for cursor movement | |
Esfahani et al. | Using brain computer interfaces for geometry selection in cad systems: P300 detection approach | |
CN104000587A (zh) | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 | |
Guo et al. | EEG signal analysis based on fixed-value shift compression algorithm | |
CN112381124A (zh) | 一种基于动态逆学习网络的提高脑机接口性能的方法 | |
El Sayeid et al. | Statistical analysis of EEG signals in wavelet domain for efficient seizure prediction |
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 |