CN113536882B - 一种多类运动想象脑电信号特征提取及分类方法 - Google Patents

一种多类运动想象脑电信号特征提取及分类方法 Download PDF

Info

Publication number
CN113536882B
CN113536882B CN202110252049.6A CN202110252049A CN113536882B CN 113536882 B CN113536882 B CN 113536882B CN 202110252049 A CN202110252049 A CN 202110252049A CN 113536882 B CN113536882 B CN 113536882B
Authority
CN
China
Prior art keywords
motor imagery
class
signal
matrix
electroencephalogram
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
Application number
CN202110252049.6A
Other languages
English (en)
Other versions
CN113536882A (zh
Inventor
关山
李吉献
崔金栋
宋伟杰
王福旺
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli 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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202110252049.6A priority Critical patent/CN113536882B/zh
Publication of CN113536882A publication Critical patent/CN113536882A/zh
Application granted granted Critical
Publication of CN113536882B publication Critical patent/CN113536882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多类运动想象脑电信号特征提取及分类方法，首先使用脑电采集设备采集多导联运动想象脑电信号，利用巴特沃斯滤波器和共平均参考对脑电信号进行预处理；然后采用局部均值分解算法将预处理后的信号分解为一系列PF分量，并根据云理论的熵和超熵两个特征参数选取有效PF分量；随后将各导联的有效PF分量依次排列，构成新的信号矩阵，进而通过共空间模式提取脑电信号特征；最后将特征向量输入多目标灰狼优化的孪生支持向量机，完成对多类运动想象脑电信号的识别。本发明的方法提高了多类运动想象脑电信号的识别准确率。

Description

一种多类运动想象脑电信号特征提取及分类方法
技术领域
本发明涉及脑电信号分类识别，具体涉及一种多类运动想象脑电信号特征提取及分类方法。
背景技术
目前，脑-机接口（Brain Computer Interface，BCI）技术作为一种可以直接在人脑和计算机设备建立通讯和控制的技术。该技术在医疗康复、智能家居、大众娱乐和军事领域有着广泛的应用前景。目前脑-机接口技术的研究方向主要为以下几个方面：感知运动节律、P300时间相关电位、慢皮层电位、稳态视觉诱发电位。其中基于运动想象的感知运动节律被广泛的用来进行BCI控制。
运动想象脑电信号的特征提取算法主要有自回归模型、小波变换、经验模态分解和共空间模式等。自回归模型是利用AR谱特征来反应脑电信号的时变特性，但是该方法适合分析平稳信号，不适于脑电信号这种非线性非平稳信号。小波变换作为一种处理非平稳信号的有力工具受到众多研究人员的青睐，但是由于脑电信号的复杂机理，导致小波基函数选择困难，对于不同个体缺乏自适应能力。经验模态分解作为一种处理非线性非平稳信号的自适应分解算法在特征提取方面展现出巨大优势，但是由于端点效应和模态混叠等现象的存在，会导致分解结果严重失真。共空间模式作为一种提取运动想象脑电信号特征的有效方法，是根据矩阵同时对角化的理论去寻找一个空间滤波器，从而完成脑电信号空域特征的提取，但是其需要大量的输入通道，并且缺乏频率信息。模式识别方法主要有极限学习机、K近邻、支持向量机、最小二乘法支持向量机和孪生支持向量机等。研究人员根据样本大小、特征维数和分类复杂度等来选择分类器，并通过遗传算法、网格优化算法和粒子群优化算法等确定分类器参数，实现对运动想象状态的识别。
因此，提供一种特征提取能力强、分类性能高的多类运动想象脑电信号识别方法已成为本领域研究人员亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种多类运动想象脑电信号特征提取及分类方法，实现对多类运动想象脑电信号的高精度识别。
本发明采用的技术方案是：一种多类运动想象脑电信号特征提取及分类方法，包括以下步骤：
第一步，使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号，并划分为训练集和测试集；
第二步，信号预处理，采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声，并对降噪后的信号进行镜像延拓处理；
第三步，将镜像延拓后的脑电信号进行局部均值分解，得到一系列PF分量，截去各PF分量的延拓部分，获得原脑电信号的PF分量；
第四步，根据云理论中的熵和超熵两个特征参数确定阈值，通过阈值来筛选有效PF分量，并将各导联PF分量依次排列构成新的信号矩阵；
第五步，利用共空间模式对不同运动想象任务的信号矩阵进行特征提取，构造特征向量；
第六步，运用多目标灰狼优化算法优化孪生支持向量机参数，并进行训练学习，得到分类器模型；
第七步，提取测试集运动想象脑电信号特征，并通过第六步得到的孪生支持向量机进行分类，完成对多类运动想象脑电信号的识别。
进一步地，所述第二步的具体步骤如下：
步骤1：选取运动想象相关的多导联脑电信号
Figure SMS_1
，其中
Figure SMS_2
为采样点数，
Figure SMS_3
为所选取的导联数量,
Figure SMS_4
表示第
Figure SMS_5
导联的脑电信号
（
Figure SMS_6
，
Figure SMS_7
）；
步骤2：通过巴特沃斯滤波器对
Figure SMS_8
进行带通滤波，得到带通滤波后信号
Figure SMS_9
；
步骤3：利用共平均参考对滤波后的信号
Figure SMS_10
进行降噪处理，得到降噪后信号
Figure SMS_11
：
Figure SMS_12
步骤4：对降噪后信号
Figure SMS_13
执行镜像扩展，扩展序列
Figure SMS_14
定义为：
Figure SMS_15
式中：
Figure SMS_16
为镜像延拓后的脑电信号，其中
Figure SMS_17
。
更进一步地，所述第三步的具体步骤如下：
步骤1：对
Figure SMS_18
执行局部均值分解，得到若干个PF分量：
Figure SMS_19
式中：
Figure SMS_20
表示第
Figure SMS_21
个导联第
Figure SMS_22
次筛选得到的PF分量，
Figure SMS_23
为残余分量；
步骤2：截取
Figure SMS_24
分量中
Figure SMS_25
片段的样本点，得到原脑电信号的PF分量
Figure SMS_26
，其中
Figure SMS_27
。
更进一步地，所述第四步的具体步骤如下：
步骤1：根据云理论计算
Figure SMS_28
的熵En和超熵He两个特征参数来确定阈值，通过阈值选取有效PF分量：
Figure SMS_29
Figure SMS_30
式中：
Figure SMS_32
和
Figure SMS_34
分别表示第
Figure SMS_36
个导联第
Figure SMS_33
个PF分量的熵和超熵，
Figure SMS_35
为
Figure SMS_37
的均值，
Figure SMS_38
为
Figure SMS_31
的二阶中心矩；
步骤2：将
Figure SMS_39
中的有效PF分量依次排列，构成
Figure SMS_40
，其中
Figure SMS_41
。
更进一步地，所述第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选等操作得到，记为
Figure SMS_42
，其中
Figure SMS_43
为有效PF分量的总个数。
更进一步地，所述第五步的具体步骤如下：
步骤1：针对第1类和第2类运动想象任务的信号矩阵
Figure SMS_50
和
Figure SMS_47
，首先分别计算
Figure SMS_55
和
Figure SMS_46
的平均协方差矩阵
Figure SMS_53
和
Figure SMS_49
，并求出混合协方差矩阵
Figure SMS_59
，然后计算白化矩阵
Figure SMS_57
，并对
Figure SMS_61
和
Figure SMS_44
进行白化处理，得到白化后矩阵
Figure SMS_52
和
Figure SMS_54
，最后对
Figure SMS_63
和
Figure SMS_56
进行特征分解，得到共同特征向量矩阵
Figure SMS_62
，并选取
Figure SMS_48
前
Figure SMS_60
行和后
Figure SMS_51
行组成矩阵
Figure SMS_58
,从而构造出空间滤波器
Figure SMS_45
；
步骤2：同理对每两类运动想象任务进行步骤1处理，共构造
Figure SMS_64
个空间滤波器，其中
Figure SMS_65
为运动想象任务的类别数目，并将属于第
Figure SMS_66
类空间滤波器进行纵向拼接,构造第
Figure SMS_67
类运动想象任务的总体空间滤波器
Figure SMS_68
；
步骤3：首先对第
Figure SMS_69
类运动想象任务单次样本进行空间滤波：
Figure SMS_70
式中,
Figure SMS_71
表示第
Figure SMS_72
类运动想象任务单个样本的特征矩阵；
然后对矩阵
Figure SMS_73
进行特征提取，计算公式如下：
Figure SMS_74
式中：
Figure SMS_75
表示方差，
Figure SMS_76
，其中
Figure SMS_77
，则第
Figure SMS_78
类运动想象脑电信号特征向量
Figure SMS_79
，同理构造出每类运动想象任务的特征向量。
更进一步地，所述第六步的具体步骤如下：
步骤1：通过总体识别准确率和单类识别准确率构造目标函数，目标函数定义如下：
Figure SMS_80
Figure SMS_81
式中：
Figure SMS_82
代表总体识别准确率，
Figure SMS_83
代表第
Figure SMS_84
类识别准确率，
Figure SMS_85
是第
Figure SMS_86
类正确分类个数，
Figure SMS_87
是第
Figure SMS_88
类错误分类个数；
步骤2：根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数，即多目标灰狼优化算法中的初始种群；
步骤3：计算初始化种群中各灰狼的目标函数值，找出非支配解构成初始档案库，并从中选出三个最优解作为头狼，即
Figure SMS_89
狼、
Figure SMS_90
狼和
Figure SMS_91
狼，其余狼则作为
Figure SMS_92
狼；
步骤4：根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库；
步骤5：重复步骤4直至最大迭代次数，输出帕累托解集，即孪生支持向量机惩罚因子和径向基核函数参数解集。
更进一步地，所述第七步具体步骤如下：
步骤1：将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合
Figure SMS_93
;
步骤2：通过第四步确定的阈值筛选出有效PF分量，构造新的信号矩阵
Figure SMS_94
;
步骤3：利用第五步所求的空间滤波器对信号矩阵
Figure SMS_95
进行空间滤波，得到测试集特征；
步骤4：最后将测试集特征输入第六步训练好的孪生支持向量机中，实现对多类运动想象脑电信号的识别。
本发明的优点：
本发明的方法使用镜像扩展技术抑制局部均值分解的端点效应，并通过云理论中熵和超熵两个特征参数确定阈值，以此筛选输入共空间模式的有效PF分量，消除不相干频段的影响，增强共空间模式的特征提取能力；其次通过多目标灰狼优化孪生支持向量机的惩罚参数以及核函数参数，改善了分类器性能，提高了多类运动想象脑电信号的识别准确率。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的方法流程框图；
图2是本发明实施例的实验时序图；
图3是本发明实施例的PF分量和频谱图；
图4是本发明实施例的被试者2的三类运动F3通道的PF分量的云理论特征参数；
图5是本发明实施例所提取的最重要两个特征分布图；
图6是本发明实施例的多目标灰狼算法流程框图；
图7是本发明实施例的不同方法识别率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，一种多类运动想象脑电信号特征提取及分类方法，包括以下
步骤：
第一步，使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号，并划分为训练集和测试集；
第二步，信号预处理，采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声，并对降噪后的信号进行镜像延拓处理；
第三步，将镜像延拓后的脑电信号进行局部均值分解，得到一系列PF分量，截去各PF分量的延拓部分，获得原脑电信号的PF分量；
第四步，根据云理论中的熵和超熵两个特征参数确定阈值，通过阈值来筛选有效PF分量，并将各导联PF分量依次排列构成新的信号矩阵；
第五步，利用共空间模式对不同运动想象任务的信号矩阵进行特征提取，构造特征向量；
第六步，运用多目标灰狼优化算法优化孪生支持向量机参数，并进行训练学习，得到分类器模型；
第七步，提取测试集运动想象脑电信号特征，并通过第六步得到的孪生支持向量机进行分类，完成对多类运动想象脑电信号的识别。
第二步的具体步骤如下：
步骤1：选取运动想象相关的多导联脑电信号
Figure SMS_96
，其中
Figure SMS_97
为采样点数，
Figure SMS_98
为所选取的导联数量,
Figure SMS_99
表示第
Figure SMS_100
导联的脑电信号
（
Figure SMS_101
，
Figure SMS_102
）；
步骤2：通过巴特沃斯滤波器对
Figure SMS_103
进行带通滤波（8Hz～30Hz），得到带通滤波后信号
Figure SMS_104
；
步骤3：利用共平均参考对滤波后的信号
Figure SMS_105
进行降噪处理，得到降噪后信号
Figure SMS_106
：
Figure SMS_107
步骤4：对降噪后信号
Figure SMS_108
执行镜像扩展，扩展序列
Figure SMS_109
定义为：
Figure SMS_110
式中：
Figure SMS_111
为镜像延拓后的脑电信号，其中
Figure SMS_112
。
第三步的具体步骤如下：
步骤1：对
Figure SMS_113
执行局部均值分解，得到若干个PF分量：
Figure SMS_114
式中：
Figure SMS_115
表示第
Figure SMS_116
个导联第
Figure SMS_117
次筛选得到的PF分量，
Figure SMS_118
为残余分量；
步骤2：截取
Figure SMS_119
分量中
Figure SMS_120
片段的样本点，得到原脑电信号的PF分量
Figure SMS_121
，其中
Figure SMS_122
。
第四步的具体步骤如下：
步骤1：根据云理论计算
Figure SMS_123
的熵En和超熵He两个特征参数来确定阈值，通过阈值选取有效PF分量：
Figure SMS_124
Figure SMS_125
式中：
Figure SMS_127
和
Figure SMS_130
分别表示第
Figure SMS_131
个导联第
Figure SMS_128
个PF分量的熵和超熵，
Figure SMS_129
为
Figure SMS_132
的均值，
Figure SMS_133
为
Figure SMS_126
的二阶中心矩；
步骤2：将
Figure SMS_134
中的有效PF分量依次排列，构成
Figure SMS_135
，其中
Figure SMS_136
（
Figure SMS_137
为有效PF分量阶数）。
第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选等操作得到，记为
Figure SMS_138
，其中
Figure SMS_139
为有效PF分量的总个数。
第五步的具体步骤如下：
步骤1：针对第1类和第2类运动想象任务的信号矩阵
Figure SMS_155
和
Figure SMS_142
，首先分别计算
Figure SMS_159
和
Figure SMS_145
的平均协方差矩阵
Figure SMS_153
和
Figure SMS_147
，并求出混合协方差矩阵
Figure SMS_152
，然后计算白化矩阵
Figure SMS_144
，并对
Figure SMS_148
和
Figure SMS_140
进行白化处理，得到白化后矩阵
Figure SMS_150
和
Figure SMS_141
，最后对
Figure SMS_149
和
Figure SMS_146
进行特征分解，得到共同特征向量矩阵
Figure SMS_151
，并选取
Figure SMS_154
前
Figure SMS_157
行和后
Figure SMS_156
行组成矩阵
Figure SMS_158
,从而构造出空间滤波器
Figure SMS_143
；
步骤2：同理对每两类运动想象任务进行步骤1处理，共构造
Figure SMS_160
个空间滤波器，其中
Figure SMS_161
为运动想象任务的类别数目，并将属于第
Figure SMS_162
类空间滤波器进行纵向拼接,构造第
Figure SMS_163
类运动想象任务的总体空间滤波器
Figure SMS_164
；
步骤3：首先对第
Figure SMS_165
类运动想象任务单次样本进行空间滤波：
Figure SMS_166
式中,
Figure SMS_167
表示第
Figure SMS_168
类运动想象任务单个样本的特征矩阵；
然后对矩阵
Figure SMS_169
进行特征提取，计算公式如下：
Figure SMS_170
式中：
Figure SMS_171
表示方差，
Figure SMS_172
，其中
Figure SMS_173
，则第
Figure SMS_174
类运动想象脑电信号特征向量
Figure SMS_175
，同理构造出每类运动想象任务的特征向量。
第六步的具体步骤如下：
步骤1：通过总体识别准确率和单类识别准确率构造目标函数，目标函数定义如下：
Figure SMS_176
Figure SMS_177
式中：
Figure SMS_178
代表总体识别准确率，
Figure SMS_179
代表第
Figure SMS_180
类识别准确率，
Figure SMS_181
是第
Figure SMS_182
类正确分类个数，
Figure SMS_183
是第
Figure SMS_184
类错误分类个数；
步骤2：根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数，即多目标灰狼优化算法中的初始种群；
步骤3：计算初始化种群中各灰狼的目标函数值，找出非支配解构成初始档案库，并从中选出三个最优解作为头狼，即
Figure SMS_185
狼、
Figure SMS_186
狼和
Figure SMS_187
狼，其余狼则作为
Figure SMS_188
狼；
步骤4：根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库；
步骤5：重复步骤4直至最大迭代次数，输出帕累托解集，即孪生支持向量机惩罚因子和径向基核函数参数解集。
第七步具体步骤如下：
步骤1：将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合
Figure SMS_189
;
步骤2：通过第四步确定的阈值筛选出有效PF分量，构造新的信号矩阵
Figure SMS_190
;
步骤3：利用第五步所求的空间滤波器对信号矩阵
Figure SMS_191
进行空间滤波，得到测试集特征；
步骤4：最后将测试集特征输入第六步训练好的孪生支持向量机中，实现对多类运动想象脑电信号的识别。
为证实本发明的有效性，本实施例设计了上肢单关节三类运动想象实验范式。Emotiv Epoc+设备用于脑电实验数据采集，该设备包括14个通道和2个参考电极，采样频率128Hz，遵循国际10-20标准布置电极。实验执行肩部前屈、后伸和外展三种运动想象任务，共有7名被试者参加。
实验时被试者双手自然放置，保持放松状态，在外界提示下作三类运动想象。实验时序图如图2所示，实验开始时，被试者注视白色空屏；在t=1s时，出现一个短暂的蜂鸣声，屏幕上出现一个“+”，提示被试者进行准备；在t=3s时，出现一个持续1.25s箭头，指向上边、下边和右边，这个箭头提示被试者想象肩部前屈、后伸和外展；在t=7s时，结束运动想象；下一次试验在休息2s后继续进行。每名受试者每类动作各采集80组数据，共计240组，其中训练数据与测试数据各120组（三种运动想象任务各40组）。
首先进行导联选取和预处理，由于F3、F4、FC5、FC6导联位于运动想象最敏感的大脑中央区，故本实施例选用上述四个导联4～7s的脑电信号进行运动想象分析；采用5阶巴特沃斯滤波器对原始信号进行8～30Hz的带通滤波，之后通过共平均参考对带通滤波后的脑电信号进行降噪处理，得到降噪后的脑电信号；随后对脑电信号执行镜像扩展，扩展序列
Figure SMS_192
。
然后对扩展序列
Figure SMS_193
执行局部均值分解，得到不同个数的PF分量，并截取各PF分量延拓部分的样本点（即
Figure SMS_194
中的第385～第768个点，共384个数据点），得到原始脑电信号的PF分量。以被试者2肩部外展运动想象脑电数据为例，执行局部均值分解得到的前四阶PF分量如图3（a）所示，对应频谱图如图3（b）所示。随之根据云理论计算各PF分量的熵En和超熵He两个特征参数来确定阈值，筛选出有效PF分量。图4为被试者2的三类运动F3通道的PF分量的熵和超熵两个特征参数。通过大量数据分析，本实施例选择第一阶PF分量作为有效PF分量。即选取所有通道第一阶PF分量组成新的信号矩阵
Figure SMS_195
。同理对不同运动想象任务的训练集数据重复上述操作，得到肩部外展运动的信号矩阵
Figure SMS_196
，肩部后伸运动的信号矩阵
Figure SMS_197
,肩部前屈运动的信号矩阵
Figure SMS_198
。
接着分别计算
Figure SMS_201
类和
Figure SMS_204
类运动想象任务信号矩阵的平均协方差矩阵
Figure SMS_209
和
Figure SMS_200
，进而求得混合协方差矩阵
Figure SMS_203
,求得特征向量矩阵
Figure SMS_207
和特征值对角矩阵
Figure SMS_211
,求出白化矩阵
Figure SMS_199
,接着分别对
Figure SMS_205
和
Figure SMS_208
进行白化处理，得到相应白化后矩阵
Figure SMS_212
和
Figure SMS_202
，经特征值分解后，得到公共特征向量
Figure SMS_206
,选取前2行和后2行组成矩阵
Figure SMS_210
,求得空间滤波器
Figure SMS_213
。同理在每两类间构造空间滤波器，共构造6个空间滤波器，并将属于每一类空间滤波器进行纵向拼接，构造C出每类的总体空间滤波器：
Figure SMS_214
将A类的单次样本
Figure SMS_215
通过
Figure SMS_216
空间滤波得到
Figure SMS_217
，并进行特征提取,得到A类运动想象脑电信号8维特征向量
Figure SMS_218
。同理对A类其余样本进行空间滤波，得到A类运动想象任务的训练集特征
Figure SMS_219
。按照上述方式对E类和F类运动想象任务进行处理，得到训练集特征
Figure SMS_220
和
Figure SMS_221
。图5为所提取的最重要两个特征分布图。
最后，通过多目标灰狼优化算法优化孪生支持向量机的惩罚参数
Figure SMS_222
、
Figure SMS_223
和核函数参数
Figure SMS_224
，并进行训练学习，建立最终分类器模型。多目标灰狼算法流程框图如图6所示。
同理按照上述方式提取测试数据特征，但是在有效PF分量筛选和空间滤波时，直接采用训练数据所确定的阈值和所构造的空间滤波器，完成测试数据的特征提取过程。将测试特征输入训练好的孪生支持向量机分类器中，实现对三类运动想象信号的分类识别，并与现有几种方法进行比较，证明了所提出的方法具有优越性。图7为不同方法识别率对比图。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种多类运动想象脑电信号特征提取及分类方法，其特征在于，包括以下步骤：
第一步，使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号，并划分为训练集和测试集；
第二步，信号预处理，采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移这些噪声，并对降噪后的信号进行镜像延拓处理；
第三步，将镜像延拓后的脑电信号进行局部均值分解，得到一系列PF分量，截去各PF分量的延拓部分，获得原脑电信号的PF分量；
第四步，根据云理论中的熵和超熵两个特征参数确定阈值，通过阈值来筛选有效PF分量，并将各导联PF分量依次排列构成新的信号矩阵；
第五步，利用共空间模式对不同运动想象任务的信号矩阵进行特征提取，构造特征向量；
第六步，运用多目标灰狼优化算法优化孪生支持向量机参数，并进行训练学习，得到分类器模型；
第七步，提取测试集运动想象脑电信号特征，并通过第六步得到的孪生支持向量机进行分类，完成对多类运动想象脑电信号的识别。
2.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第二步的具体步骤如下：
步骤1：选取运动想象相关的多导联脑电信号
Figure 389601DEST_PATH_IMAGE001
，其中
Figure 427964DEST_PATH_IMAGE002
为采样点数，
Figure 437509DEST_PATH_IMAGE003
为所选取的导联数量,
Figure 487504DEST_PATH_IMAGE004
表示第
Figure 619408DEST_PATH_IMAGE005
导联的脑电信号
（
Figure 82751DEST_PATH_IMAGE006
，
Figure 82937DEST_PATH_IMAGE007
）；
步骤2：通过巴特沃斯滤波器对
Figure 112072DEST_PATH_IMAGE008
进行带通滤波，得到带通滤波后信号
Figure 618140DEST_PATH_IMAGE009
；
步骤3：利用共平均参考对滤波后的信号
Figure 240882DEST_PATH_IMAGE010
进行降噪处理，得到降噪后信号
Figure 857809DEST_PATH_IMAGE011
：
Figure 741451DEST_PATH_IMAGE012
步骤4：对降噪后信号
Figure 622949DEST_PATH_IMAGE013
执行镜像扩展，扩展序列
Figure 795304DEST_PATH_IMAGE014
定义为：
Figure 747080DEST_PATH_IMAGE015
式中：
Figure 891753DEST_PATH_IMAGE016
为镜像延拓后的脑电信号，其中
Figure 739623DEST_PATH_IMAGE017
。
3.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第三步的具体步骤如下：
步骤1：对
Figure 461592DEST_PATH_IMAGE018
执行局部均值分解，得到若干个PF分量：
Figure 341692DEST_PATH_IMAGE019
式中：
Figure 137610DEST_PATH_IMAGE020
表示第
Figure 218698DEST_PATH_IMAGE021
个导联第
Figure 37750DEST_PATH_IMAGE022
次筛选得到的PF分量，
Figure 800169DEST_PATH_IMAGE023
为残余分量；
步骤2：截取
Figure 778490DEST_PATH_IMAGE024
分量中
Figure 623955DEST_PATH_IMAGE025
片段的样本点，得到原脑电信号的PF分量
Figure 258198DEST_PATH_IMAGE026
，其中
Figure 621047DEST_PATH_IMAGE027
。
4.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第四步的具体步骤如下：
步骤1：根据云理论计算
Figure 657136DEST_PATH_IMAGE028
的熵En和超熵He两个特征参数来确定阈值，通过阈值选取有效PF分量：
Figure 689814DEST_PATH_IMAGE029
Figure 608091DEST_PATH_IMAGE030
式中：
Figure 712313DEST_PATH_IMAGE031
和
Figure 524280DEST_PATH_IMAGE032
分别表示第
Figure 55756DEST_PATH_IMAGE033
个导联第
Figure 461330DEST_PATH_IMAGE034
个PF分量的熵和超熵，
Figure 41347DEST_PATH_IMAGE035
为
Figure 786449DEST_PATH_IMAGE036
的均值，
Figure 551142DEST_PATH_IMAGE037
为
Figure 381695DEST_PATH_IMAGE038
的二阶中心矩；
步骤2：将
Figure 14671DEST_PATH_IMAGE039
中的有效PF分量依次排列，构成
Figure 411017DEST_PATH_IMAGE040
，其中
Figure 284295DEST_PATH_IMAGE041
。
5.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选这些操作得到，记为
Figure 539827DEST_PATH_IMAGE042
，其中
Figure 523963DEST_PATH_IMAGE043
为有效PF分量的总个数。
6.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第五步的具体步骤如下：
步骤1：针对第1类和第2类运动想象任务的信号矩阵
Figure 305975DEST_PATH_IMAGE044
和
Figure 271526DEST_PATH_IMAGE045
，首先分别计算
Figure 76670DEST_PATH_IMAGE046
和
Figure 926815DEST_PATH_IMAGE047
的平均协方差矩阵
Figure 501016DEST_PATH_IMAGE048
和
Figure 653779DEST_PATH_IMAGE049
，并求出混合协方差矩阵
Figure 477379DEST_PATH_IMAGE050
，然后计算白化矩阵
Figure 68897DEST_PATH_IMAGE051
，并对
Figure 684555DEST_PATH_IMAGE052
和
Figure 70537DEST_PATH_IMAGE049
进行白化处理，得到白化后矩阵
Figure 912591DEST_PATH_IMAGE053
和
Figure 714325DEST_PATH_IMAGE054
，最后对
Figure 997539DEST_PATH_IMAGE055
和
Figure 882318DEST_PATH_IMAGE056
进行特征分解，得到共同特征向量矩阵
Figure 883772DEST_PATH_IMAGE057
，并选取
Figure 738465DEST_PATH_IMAGE057
前
Figure 938502DEST_PATH_IMAGE058
行和后
Figure 931866DEST_PATH_IMAGE058
行组成矩阵
Figure 358299DEST_PATH_IMAGE059
,从而构造出空间滤波器
Figure 829732DEST_PATH_IMAGE060
；
步骤2：同理对每两类运动想象任务进行步骤1处理，共构造
Figure 884275DEST_PATH_IMAGE061
个空间滤波器，其中
Figure 241351DEST_PATH_IMAGE062
为运动想象任务的类别数目，并将属于第
Figure 748555DEST_PATH_IMAGE063
类空间滤波器进行纵向拼接,构造第
Figure 23679DEST_PATH_IMAGE063
类运动想象任务的总体空间滤波器
Figure 339254DEST_PATH_IMAGE064
；
步骤3：首先对第
Figure 408841DEST_PATH_IMAGE063
类运动想象任务单次样本进行空间滤波：
Figure 934500DEST_PATH_IMAGE065
式中,
Figure 669107DEST_PATH_IMAGE066
表示第
Figure 901505DEST_PATH_IMAGE063
类运动想象任务单个样本的特征矩阵；
然后对矩阵
Figure 204310DEST_PATH_IMAGE066
进行特征提取，计算公式如下：
Figure 154949DEST_PATH_IMAGE067
式中：
Figure 443979DEST_PATH_IMAGE068
表示方差，
Figure 593200DEST_PATH_IMAGE069
，其中
Figure 191541DEST_PATH_IMAGE070
，则第
Figure 363896DEST_PATH_IMAGE063
类运动想象脑电信号特征向量
Figure 581251DEST_PATH_IMAGE071
，同理构造出每类运动想象任务的特征向量。
7.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第六步的具体步骤如下：
步骤1：通过总体识别准确率和单类识别准确率构造目标函数，目标函数定义如下：
Figure 788241DEST_PATH_IMAGE072
Figure 308215DEST_PATH_IMAGE073
式中：
Figure 764605DEST_PATH_IMAGE074
代表总体识别准确率，
Figure 723333DEST_PATH_IMAGE075
代表第
Figure 971781DEST_PATH_IMAGE076
类识别准确率，
Figure 990553DEST_PATH_IMAGE077
是第
Figure 199817DEST_PATH_IMAGE076
类正确分类个数，
Figure 368761DEST_PATH_IMAGE078
是第
Figure 284765DEST_PATH_IMAGE076
类错误分类个数；
步骤2：根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数，即多目标灰狼优化算法中的初始种群；
步骤3：计算初始化种群中各灰狼的目标函数值，找出非支配解构成初始档案库，并从中选出三个最优解作为头狼，即
Figure 536754DEST_PATH_IMAGE079
狼、
Figure 170998DEST_PATH_IMAGE080
狼和
Figure 392901DEST_PATH_IMAGE081
狼，其余狼则作为
Figure 225728DEST_PATH_IMAGE082
狼；
步骤4：根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库；
步骤5：重复步骤4直至最大迭代次数，输出帕累托解集，即孪生支持向量机惩罚因子和径向基核函数参数解集。
8.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法，其特征在于，所述第七步具体步骤如下：
步骤1：将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合
Figure 586302DEST_PATH_IMAGE083
;
步骤2：通过第四步确定的阈值筛选出有效PF分量，构造新的信号矩阵
Figure 645525DEST_PATH_IMAGE084
;
步骤3：利用第五步所求的空间滤波器对信号矩阵
Figure 484168DEST_PATH_IMAGE085
进行空间滤波，得到测试集特征；
步骤4：最后将测试集特征输入第六步训练好的孪生支持向量机中，实现对多类运动想象脑电信号的识别。
CN202110252049.6A 2021-03-08 2021-03-08 一种多类运动想象脑电信号特征提取及分类方法 Active CN113536882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110252049.6A CN113536882B (zh) 2021-03-08 2021-03-08 一种多类运动想象脑电信号特征提取及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110252049.6A CN113536882B (zh) 2021-03-08 2021-03-08 一种多类运动想象脑电信号特征提取及分类方法

Publications (2)

Publication Number Publication Date
CN113536882A CN113536882A (zh) 2021-10-22
CN113536882B true CN113536882B (zh) 2023-04-07

Family

ID=78124290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110252049.6A Active CN113536882B (zh) 2021-03-08 2021-03-08 一种多类运动想象脑电信号特征提取及分类方法

Country Status (1)

Country Link
CN (1) CN113536882B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114129175A (zh) * 2021-11-19 2022-03-04 江苏科技大学 基于lstm和bp的运动想象脑电信号的分类方法
CN114118175A (zh) * 2021-12-21 2022-03-01 中元汇吉生物技术股份有限公司 Maldi-tof质谱信号的预处理方法、设备及介质
CN116522103A (zh) * 2022-11-21 2023-08-01 杭州电力设备制造有限公司 基于itd分解和麻雀优化的孪生支持向量机的电能质量扰动分类方法
CN116509337B (zh) * 2023-06-27 2024-07-26 安徽星辰智跃科技有限责任公司 基于局部分解的睡眠周期性检测及调节方法、系统和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN108573207A (zh) * 2017-12-22 2018-09-25 南京邮电大学 Emd和csp融合最优波长空间滤波脑电特征提取方法
CN108960299A (zh) * 2018-06-15 2018-12-07 东华大学 一种多类运动想象脑电信号的识别方法
CN109480834A (zh) * 2018-12-20 2019-03-19 浙江大学 一种基于快速多维经验模态分解的脑电信号分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101741739B1 (ko) * 2016-02-19 2017-05-31 광주과학기술원 브레인 컴퓨터 인터페이스를 위한 장치 및 방법
WO2019068200A1 (en) * 2017-10-06 2019-04-11 Holland Bloorview Kids Rehabilitation Hospital BRAIN INTERFACES PLATFORM AND METHOD FOR INNER SPEECH CLASSIFICATION

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091172A (zh) * 2014-07-04 2014-10-08 北京工业大学 一种运动想象脑电信号的特征提取方法
CN108573207A (zh) * 2017-12-22 2018-09-25 南京邮电大学 Emd和csp融合最优波长空间滤波脑电特征提取方法
CN108960299A (zh) * 2018-06-15 2018-12-07 东华大学 一种多类运动想象脑电信号的识别方法
CN109480834A (zh) * 2018-12-20 2019-03-19 浙江大学 一种基于快速多维经验模态分解的脑电信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SJ-GDA和DT-KNN的人工智能多类运动设计与研究;林福，等;《机械设计》;20200731;第37卷(第7期);第110-115页 *

Also Published As

Publication number Publication date
CN113536882A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113536882B (zh) 一种多类运动想象脑电信号特征提取及分类方法
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
CN107961007A (zh) 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN109598222B (zh) 基于eemd数据增强的小波神经网络运动想象脑电分类方法
Xu et al. High accuracy classification of EEG signal
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN101596101A (zh) 依据脑电信号判定疲劳状态的方法
CN109480834A (zh) 一种基于快速多维经验模态分解的脑电信号分类方法
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN108038429A (zh) 一种运动执行的单次脑电特征提取分类方法
CN109657646B (zh) 生理时间序列的特征表示与提取方法、装置及存储介质
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
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
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
CN112674782B (zh) 癫痫患者发作间期痫样电活动检测装置和方法
CN113191395A (zh) 一种基于双脑的多层次信息融合的目标检测方法
CN111067517B (zh) 基于静息态脑电特征的运动想象响应能力筛选方法
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
CN107016355A (zh) 一种低误触发率运动想象双层分类识别方法
CN114218986A (zh) 基于eeg脑电信号数据的状态分类方法
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
Imran et al. Motor imagery EEG signal classification scheme based on wavelet domain statistical features
CN116796267A (zh) 基于EEGNet和LSTM并行网络的脑电信号多分类方法及系统
CN114721514B (zh) 一种基于脑电信号的几何模型选择意图判别方法及系统
Guo et al. EEG signal analysis based on fixed-value shift compression algorithm

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