CN113780162A - 一种结合多时段多频段csp算法的运动想象脑电解码方法 - Google Patents
一种结合多时段多频段csp算法的运动想象脑电解码方法 Download PDFInfo
- Publication number
- CN113780162A CN113780162A CN202111054623.3A CN202111054623A CN113780162A CN 113780162 A CN113780162 A CN 113780162A CN 202111054623 A CN202111054623 A CN 202111054623A CN 113780162 A CN113780162 A CN 113780162A
- Authority
- CN
- China
- Prior art keywords
- matrix
- motor imagery
- csp
- band
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 22
- 230000002087 whitening effect Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 20
- 210000004556 brain Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000033764 rhythmic process Effects 0.000 description 6
- 238000000537 electroencephalography Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种结合多时段多频段CSP算法的运动想象脑电解码方法,属于神经信息解码领域。本发明在频率特征基础上,采用多个时段和多个频段的特征提取策略,对原始的运动想象脑电信号进行滑动窗口截取,并分离出多个频段的子带信号,结合CSP算法,能够获取到信号在频率域和时间域的全局特征和局部特征。将提取到的多个时间窗的多频段CSP特征作为SVM分类器的输入,得到的识别结果用于参与最终的决策。本发明提出的提取多频段特征的策略可以细化频带信息,提取多时段特征的策略能捕捉到整个运动想象时段中的有效特征,从而显著提高解码精度。本发明提出的脑电解码方法为在线脑机接口系统的实现提供了新的思路。
Description
技术领域
本发明属于神经信息解码领域,具体涉及从低信噪比,非平稳的运动想象脑电中提取到有效特征,进行准确的识别分类。
背景技术
脑科学是以大脑为研究对象的多学科汇聚的新兴研究领域,是公认的科技前沿。脑电(Electroencephalogram,EEG)用于记录来自大脑皮层的电信息,从而反映部分大脑活动。通过分析EEG信号可以识别出被试的情绪,运动意图,健康状况等信息。脑机接口(BrainComputer Interface,BCI)技术是指在人脑与外界设备之间建立起一条不依赖于传统神经中枢网络的信息传输通道,从而通过人脑控制外界设备。目前,脑机接口已经越来越多的被应用于运动康复、神经干预、游戏娱乐等诸多领域。然而,EEG信号也存在局限性,即低空间分辨特性,低信噪比,非平稳。加之采集到的脑电信号常伴伪迹信息,采集过程困难,可用的公共数据有限。运动想象(Motor Imagery,MI)脑电解码任务通过正确分析大脑信号模式(左手和右手等),为在线脑机接口的实现做出了铺垫。
在运动想象实验范式中,选取有效的运动想象时间段是一个关键的步骤,在很多运动想象数据实验范式中,被试进行运动想象的时间在3-5s,然而,一方面,实验过程中被试的注意力和想象能力并不一定是持续集中的,另一方面,收到指令后不同被试的反应时间不同,同一被试在每次运动想象的反应时间也不同。因此,在对数据进行解码前如何截取最大效益的运动想象时间段是一个关键的问题。提取有效的运动想象特征对进一步识别脑电信号有着至关重要的作用,有效时间窗的选择以及多频段的脑电分析可以最大化运动想象脑电信号在时间和频率上的特征。其次,在分类决策方面,如何提高分类的准确性也是阻碍脑机接口系统发展的困难之一。科学的分类决策保证了信息的利用率,同时也提高了分类器的性能。围绕这两个问题,相关领域的研究人员展开了大量的工作。目前大部分研究致力于在频域上找出单侧肢体运动想象时,对侧大脑产生的事件相关去同步特征,通过短时傅里叶变换为解码提供更具辨识度的特征信息。目前基于MI-EEG解码的主要挑战有以下两个方面:1、如何从低信噪比,非平稳的脑电信号中提取到有效的辨识特征;2、如何设计科学的解码模型,使其能够高效地利用有限数据量进行正确的脑电解码。传统的特征分析方法通过分析脑电信号的功率谱密度,或者叠加事件相关电位求平均来获得需要的数据特征。这类方法在辨识特征提取上表现地并不理想,有很多深层特征和时间相关信息丢失。
发明内容
为了解决上述问题,本发明提供了结合多时段多频段的CSP运动想象脑电特征提取方法。
具体技术方案为:
先利用MTF-CSP算法对运动想象脑电信号进行特征提取,再通过SVM分类器对提取到的特征进行分类识别,并对识别结果进行最终决策,具体步骤如下:
步骤一 在运动想象脑电数据上截取n个滑动时间窗信号,对每个时间窗信号分离出若干频段的子带信号;
步骤二 对步骤一中的n个滑动时间窗信号按时间顺序进行特征提取得到n组特征值,具体利用CSP算法对每个时间窗信号的多个子带信号进行特征提取;
步骤三 使用SVM分类器对步骤一和步骤二中MTF-CSP算法提取到的运动想象特征进行分类识别,并结合对应的决策方法得到最终识别结果。
其中CSP算法能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。其基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量,两类信号X1和X2归一化后的协方差矩阵如下:
根据式(3)得到的混合空间协方差矩阵进行特征值分解:
R=UλUT (4)
其中,U是矩阵λ的特征向量矩阵,λ是矩阵R特征值构成的对角阵,特征值按降序排序,计算白化值矩阵:
由式(5)求得的白化矩阵和式(1),式(2)的归一化协方差矩阵求出公共特征向量矩阵:
S1=PR1PT (6)
S2=PR2PT (7)
然后对S1,S2进行主分量分解:
(8),(9)式中,矩阵S1,S2的特征向量矩阵相等,即:
B1=B2=B (10)
与此同时,特征值对应的对角矩阵λ1和λ2之和为单位矩阵I:
λ1+λ2=I (11)
投影矩阵由式(5)计算出的白化矩阵和式(10)的公共特征向量矩阵决定,得到投影矩阵:
W=BTP (12)
最终的CSP滤波器WCSP由从投影矩阵中选出的m个最大值和m个最小值组成,最终提取到长度为2m的特征向量,即单频段单时段信号的CSP特征向量为:XCSP=[x1,…,x2m]。
CSP算法在一定程度上提取出原始信号的空域特征,为发挥其最大的效益,在CSP算法的基础上,加入多时段多频段策略形成MTF-CSP(多时段多频段共空间模式),对原始的运动想象脑电信号截取n个长度为w的时间窗,截取步长为s,对于单个时间窗的信号,分离出7个频段(8-13Hz,8-10Hz,10-13Hz,13-30Hz,13-18Hz,18-23Hz,23-30Hz)的子带信号,这7个频段包括了拥有运动想象显著特征的μ节律频段和β节律频段,以及对两个频段进行细化的频段,从而同时捕捉到信号在频率域的全局特征和局部特征。每一个频段的信号经过CSP算法提取得到一组特征值,将7个频段的特征值首尾相连形成一组向量,作为一个时间窗的单次运动想象脑电特征,7个频段的特征组合成一个长度为2m×7的向量。
使用SVM(支持向量机)分类器对MTF-CSP算法提取到的运动想象特征进行分类识别,SVM分类器试图找到一个最优的超平面从而最大限度的区分两个类别,优化目标就是找到距离支持向量最远的超平面,其目标函数为:
式(13)中,w和b为需要优化寻找的决策面参数,xi和yi分别表示第i个样本及其标签,Φ为核函数,本方法使用的核函数为高斯核函数(Radial Basis Function,RBF)。
SVM输出n个识别值参与最终决策得到最终识别结果,采用有效时段算法和平均得分两种算法来获取。
有效时段算法通过找出一列数字中最长连续出现相同值的序列作为有效序列时段,该连续出现的值作为最终决策值。决策输出值有两个特点,即连续和出现次数最多,决策值不仅要按照时间先后顺序连续出现,且连续出现的次数相比其他值是最多的。在3s内截取的多个连续时间窗中,连续出现多次的相同识别结果更能代表该时间段内被试注意力集中地的进行持续有效的运动想象。在基于MTF-CSP的特征提取过程中,n个窗口数据对应得到n组维度为2m×7的特征向量,将这些特征向量,分别输入n个相同参数的SVM分类器中,得到n个分类识别结果,这n个结果按照时间的先后顺序排列,我们将连续决策为相同结果次数最多的时段视为单次运动想象中包含更多运动想象特征信息的时段(有效时段),将该时段连续得到的相同的预测值作为最终的决策输出值。即在n个时间窗口中,如果连续识别为右手运动想象的次数最多,则模型判断该次运动想象为右手运动想象。
平均得分算法不以每个时间窗最终的识别结果作为判断依据,而是以它们在SVM中输出的得分值作为依据,得分的高低可以更具体的衡量样本的类别性质,将11个得分值求平均值以后,再取阈值,对大于该阈值的结果,最终判决为1,反之判决为0。设第j个窗口经过SVM得到的得分结果为scorej,h为选取的阈值,该算法得到的最终决策P为:
有益效果为:本申请提出基于运动想象脑电信号下结合多时段多频段的CSP特征提取方法用于从低信噪比,低空间分辨的原始脑电信号中得到时间域和频率域的全局特征和局部特征。通过滑动窗口操作处理,从滤波后原始脑电信号中截取多个时间窗信号。同时,将单个时间窗信号按照预设频段划分成多个子频带,这样经过CSP提取后的特征包含了时间,频率和空间的信息,提高了特征提取部分的性能。为了充分利用MTF-CSP所提取到的特征,提出了有效时段和平均得分两种评估算法,用于SVM输出识别值/得分值后的最终类别评估。最后,根据模型的输出结果判定该次运动想象信号的所属类别。实验结果表明,本申请提出的提取多频段特征的策略可以细化频带信息,提取多时段特征的策略能捕捉到整个运动想象时段中的有效特征,从而显著提高解码精度。
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作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1为基于MTF-CSP的多频段特征融合方法;
图2为基于有效时段(ED)算法的多窗口识别结果决策示意图;
图3为基于平均得分(AS)算法的多窗口识别结果决策示意图;
图4为6个时间窗特征上得到的平均精度,标准差和平均AUC值对比柱状图;
图5为11个时间窗特征上得到的平均精度,标准差和平均AUC值对比柱状图。
具体实施方式
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,都属于本发明保护的范围。
实施例
在MI-EEG数据中,μ节律和β节律在不同的运动想象状态下会在相关电极的能量增减上表现出不同。通过不同的分析方法分析数据所携带的辨识度信息,可以获得局部特征和全局特征。本方法的关键目的在于设计一个特征提取模型,即利用MTF-CSP算法对运动想象脑电信号进行特征提取,该方法能够从短暂的运动想象时间内获取到包含时间,频率,空间的局部特征和全局特征。一次想象任务中截取多时段的信号,划分多个子频带以此来提高解码模型的准确性和鲁棒性。为了获得多时段多频段的运动想象脑电特征,采用了滑动窗口截取信号,先在3s的运动想象脑电数据上截取n个滑动时间窗信号,对每个时间窗信号分离出若干与运动想象相关的频段即子带信号;通过这种方式处理数据可以获得包含时间和频率相关的特征,而CSP算法能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。
其基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量,两类信号X1和X2归一化后的协方差矩阵如下:
根据式(3)得到的混合空间协方差矩阵进行特征值分解:
R=UλUT (4)
其中,U是矩阵λ的特征向量矩阵,λ是矩阵R特征值构成的对角阵,特征值按降序排序,计算白化值矩阵:
由式(5)求得的白化矩阵和式(1),式(2)的归一化协方差矩阵求出公共特征向量矩阵:
S1=PR1PT (6)
S2=PR2PT (7)
然后对S1,S2进行主分量分解:
(8),(9)式中,矩阵S1,S2的特征向量矩阵相等,即:
B1=B2=B (10)
与此同时,特征值对应的对角矩阵λ1和λ2之和为单位矩阵I:
λ1+λ2=I (11)
投影矩阵由式(5)计算出的白化矩阵和式(10)的公共特征向量矩阵决定,得到投影矩阵:
W=BTP (12)
最终的CSP滤波器WCSP由从投影矩阵中选出的m个最大值和m个最小值组成,最终提取到长度为2m的特征向量,即单频段单时段信号的CSP特征向量为:XCSP=[x1,…,x2m]。
原始脑电信号经过预处理得到目标频段8-30Hz后,对3s的数据截取n个长度为w的时间窗,滑动窗口步长为s,按时间顺序依次获得单个8-30Hz的时间窗信号。对于单个时间窗的信号,分离出7个频段(8-13Hz,8-10Hz,10-13Hz,13-30Hz,13-18Hz,18-23Hz,23-30Hz)的子带信号,这7个频段包括了拥有运动想象显著特征的μ节律频段和β节律频段,以及对两个频段进行细化的频段。每一个频段的信号经过CSP算法提取得到一组特征值,将7个频段的特征值首尾相连形成一组向量,作为一个时间窗的单次运动想象脑电特征。7个频段的特征组合成一个长度为2m×7的向量。至此,我们获得了包含时频空三个信息的局部特征和全局特征,为提高分类性能做好了铺垫。
使用SVM分类器对MTF-CSP算法提取到的运动想象特征进行分类识别,SVM分类器试图找到一个最优的超平面从而最大限度的区分两个类别,优化目标就是找到距离支持向量最远的超平面,其目标函数为:
(13)式中,w和b为需要优化寻找的决策面参数,xi和yi分别表示第i个样本及其标签,Φ为核函数,本实施例中采用高斯核函数(Radial Basis Function,RBF)。
在SVM架构的基础上,利用MTF-CSP提取到的特征作为输入数据,SVM输出得到n个识别值/得分值,对不同模式下得到的输出分别使用有效时段算法和平均得分算法来获得最终分类结果。
如图2所示,有效时段算法(the Effective Duration,ED)通过找出一列数字中最长连续出现相同值的序列作为有效序列时段,该连续出现的值作为最终决策值。决策输出值有两个特点,即连续和出现次数最多,决策值不仅要按照时间先后顺序连续出现,且连续出现的次数相比其他值是最多的。在3s内截取的多个连续时间窗中,连续出现多次的相同识别结果更能代表该时间段内被试注意力集中地的进行持续有效的运动想象。在基于CSP的特征提取过程中,n个窗口数据对应得到n组维度为2m×7的特征向量,将这些特征向量,分别输入n个相同参数的SVM分类器中,得到n个分类识别结果,这n个结果按照时间的先后顺序排列,我们将连续决策为相同结果次数最多的时段视为单次运动想象中包含更多运动想象特征信息的时段(有效时段),将该时段连续得到的相同的预测值作为最终的决策输出值。即在n个时间窗口中,如果连续识别为右手运动想象的次数最多,则模型判断该次运动想象为右手运动想象。
如图3所示,平均得分算法(the Average Score,AS)不以每个时间窗最终的识别结果作为判断依据,而是以它们在SVM中输出的得分值作为依据,得分的高低可以更具体的衡量样本的类别性质,将11个得分值求平均值以后,再取阈值,对大于该阈值的结果,最终判决为1,反之判决为0。设第j个窗口经过SVM得到的得分结果为scorej,h为选取的阈值,该算法得到的最终决策P为:
本实施例中使用的实验数据集为2008年脑机接口竞赛数据IV2a,用该数据来进行实验结果评估。数据集记录了9个被试的四类运动想象信号(包括左手,右手,双脚和舌头运动想象),一次记录脑电实验分为6个阶段进行运动想象脑电数据获取,每个阶段进行48次运动想象,因此,每个被试在一次实验中共进行了288次运动想象,即捕获了288条运动想象脑电时序信号,其中包括了4类的运动想象信号。通过标签选取左右手的运动想象信号,用于后续的二分类运动想象解码工作。使用5阶巴特沃斯FIR带通滤波器对8-30Hz的原始数据滤波。
为了验证所提出的方法在运动想象脑电数据上的解码性能,首先对模型训练中的一些重要参数变化情况进行分析,然后把所提出的方法与其他方法进行比较。整个实验平台基于Python3.7版本,使用机器学习工具箱Scikit-learn以及脑电分析工具箱MNE。
窗体个数(n)、滑动窗口的步长(s)和每个窗口的长度(w)是MTF-CSP算法的重要可变参数,为探讨截取滑动窗口的步长(窗口数量)和每个窗口的长度对最终特征表现的影响,以匹配最佳的参数,我们截取了不同窗口长度(1s,1.5s,2s,2.5s)和不同窗口数量(6个窗口,11个窗口)的信号应用到MTF-CSP算法和基于两种决策算法的SVM识别中,对比9个被试平均分类准确率和标准差,图4和图5分别给出了窗口数量为6和11时的平均分类准确率,标准差和平均AUC值柱状对比图。实验结果表明,在进行最终决策时,对于有效时段算法(ED),截取较长时间窗特征的性能要优于较短时间窗特征的性能;对于平均得分算法(AS),则相反,截取较短时间窗特征的性能要优于较长时间窗特征的性能。总体来看,使用AS算法得到的平均准确率要显著优于使用ED算法得到的平均准确率,通过对6个1s时间窗使用平均得分算法进行最终决策得到了0.787的最优平均准确率,且标准差为较稳定值(0.127)。
表1为基于SVM,LDA分类器在输入原始时序信号与输入多时频段特征的准确率对比。虽然数据都经过了8-30Hz的带通滤波器处理,但可以看见多时段多频段的策略在解码运动想象信号时是有效的。9个受试者之间因为存在个体差异,所以解码结果并不相同。通过对每组受试者的解码准确率求取平均,相较于原始信号下分类器获得68.1%的准确率,可见MTF-CSP方案的准确率能够达到78.7%,且标准差较为稳定。以此证明了所提方案的有效性和鲁棒性。
表1原始时序信号和MTF-CSP特征分类准确率对比
本发明提出了一种结合多个时段多个频段的CSP运动想象脑电解码方法,用于从原始的脑电信号中获得含有时间,频率,空间信息的局部特征和全局特征。使用SVM分类器对其进行分类识别,引入ED算法和AS算法对得到的多个时段识别结果进行最终决策,经过实验验证,提取多频段特征的策略可以细化频带信息,提取多时段特征的策略能捕捉到整个运动想象时段中的有效特征,从而显著提高解码精度。在脑电图分析中的应用可能为生物电信号中经典谱特征分析提供新的替代方法。此外,这项工作还可以为MI-EEG识别的进一步研究和实际应用做出贡献。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (6)
1.一种结合多时段多频段CSP算法的运动想象脑电解码方法,其特征在于:先利用MTF-CSP算法对运动想象脑电信号进行特征提取,再通过SVM分类器对提取到的特征进行分类识别,并对识别结果进行最终决策,具体步骤如下:
步骤一在运动想象脑电数据上截取n个滑动时间窗信号,对每个时间窗信号分离出若干频段的子带信号;
步骤二对步骤一中的n个滑动时间窗信号按时间顺序进行特征提取得到n组特征值,具体利用CSP算法对每个时间窗信号的多个子带信号进行特征提取;
步骤三使用SVM分类器对步骤一和步骤二中MTF-CSP算法提取到的运动想象特征进行分类识别,并结合对应的决策方法得到最终识别结果。
2.根据权利要求1所述的结合多时段多频段CSP算法的运动想象脑电解码方法,其特征在于:
所述步骤一中截取n个长度为w的时间窗,截取步长为s,对于每个时间窗信号,分离出7个频段的子带信号,7个频段分别为8-13Hz,8-10Hz,10-13Hz,13-30Hz,13-18Hz,18-23Hz,23-30Hz,再经过所述步骤二利用CSP算法对单个时间窗信号的每个频段的子带信号提取得到一组特征值,将7个频段的特征值首尾相连形成一个长度为2m×7的特征向量,作为单个时间窗信号的单次运动想象脑电特征,总计得到n组2m×7的特征向量。
3.根据权利要求2所述的结合多时段多频段CSP算法的运动想象脑电解码方法,其特征在于:
所述步骤二中CSP算法是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量,两类信号X1和X2归一化后的协方差矩阵如下:
根据式(3)得到的混合空间协方差矩阵进行特征值分解:
R=UλUT (4)
其中,U是矩阵λ的特征向量矩阵,λ是矩阵R特征值构成的对角阵,特征值按降序排序,计算白化值矩阵:
由式(5)求得的白化矩阵和式(1),式(2)的归一化协方差矩阵求出公共特征向量矩阵:
S1=PR1PT (6)
S2=PR2PT (7)
然后对S1,S2进行主分量分解:
(8),(9)式中,矩阵S1,S2的特征向量矩阵相等,即:
B1=B2=B (10)
与此同时,特征值对应的对角矩阵λ1和λ2之和为单位矩阵I:
λ1+λ2=I (11)
投影矩阵由式(5)计算出的白化矩阵和式(10)的公共特征向量矩阵决定,得到投影矩阵:
W=BTP (12)
最终的CSP滤波器WCSP由从投影矩阵中选出的m个最大值和m个最小值组成,最终提取到长度为2m的特征向量,即单频段单时段信号的CSP特征向量为:XCSP=[x1,...,x2m]。
5.根据权利要求4所述的结合多时段多频段CSP算法的运动想象脑电解码方法,其特征在于:所述最终决策采用有效时段算法,具体为:将提取出的n组特征值分别输入n个相同参数的SVM分类器中,得到n个分类识别结果,这n个结果按照时间的先后顺序排列,将连续决策为相同结果次数最多的时段视为单次运动想象中包含更多运动想象特征信息的时段即有效时段,将该时段连续得到的相同的预测值作为最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054623.3A CN113780162A (zh) | 2021-09-09 | 2021-09-09 | 一种结合多时段多频段csp算法的运动想象脑电解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054623.3A CN113780162A (zh) | 2021-09-09 | 2021-09-09 | 一种结合多时段多频段csp算法的运动想象脑电解码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780162A true CN113780162A (zh) | 2021-12-10 |
Family
ID=78841972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111054623.3A Pending CN113780162A (zh) | 2021-09-09 | 2021-09-09 | 一种结合多时段多频段csp算法的运动想象脑电解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780162A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114533086A (zh) * | 2022-02-21 | 2022-05-27 | 昆明理工大学 | 一种基于空域特征时频变换的运动想象脑电解码方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2552304A1 (en) * | 2010-03-31 | 2013-02-06 | Agency For Science, Technology And Research | Brain- computer interface system and method |
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 |
-
2021
- 2021-09-09 CN CN202111054623.3A patent/CN113780162A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2552304A1 (en) * | 2010-03-31 | 2013-02-06 | Agency For Science, Technology And Research | Brain- computer interface system and method |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114533086A (zh) * | 2022-02-21 | 2022-05-27 | 昆明理工大学 | 一种基于空域特征时频变换的运动想象脑电解码方法 |
CN114533086B (zh) * | 2022-02-21 | 2023-10-24 | 昆明理工大学 | 一种基于空域特征时频变换的运动想象脑电解码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oikonomou et al. | A comparison study on EEG signal processing techniques using motor imagery EEG data | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
Lu et al. | Regularized common spatial patterns with generic learning for EEG signal classification | |
Lu et al. | Regularized common spatial pattern with aggregation for EEG classification in small-sample setting | |
Xu et al. | High accuracy classification of EEG signal | |
CN111265212A (zh) | 一种运动想象脑电信号分类方法及闭环训练测试交互系统 | |
CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
Zhang et al. | An Algorithm for Idle‐State Detection in Motor‐Imagery‐Based Brain‐Computer Interface | |
CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
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 | |
Wang et al. | An information fusion scheme based common spatial pattern method for classification of motor imagery tasks | |
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 | |
Park et al. | Optimal channel selection using covariance matrix and cross-combining region in EEG-based BCI | |
CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
CN113780162A (zh) | 一种结合多时段多频段csp算法的运动想象脑电解码方法 | |
Tang et al. | Research on extraction and classification of EEG features for multi-class motor imagery | |
Ghumman et al. | An optimized SWCSP technique for feature extraction in EEG-based BCI system | |
Azab et al. | Robust common spatial patterns estimation using dynamic time warping to improve bci systems | |
CN109117790B (zh) | 一种基于频空指标的脑纹识别方法 | |
CN109144277B (zh) | 一种基于机器学习实现脑控智能小车的构建方法 | |
CN114358090B (zh) | 一种基于psd和csp的运动想象脑电信号分类方法 | |
CN112861629B (zh) | 一种多窗口判别典型模式匹配方法及脑-机接口应用 | |
Tiwari et al. | Higher-order dynamic mode decomposition and multichannel singular spectrum decomposition hybridization for bci feature extraction | |
CN111012335B (zh) | 基于非负cp分解模型的脑电意图解码方法 |
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 |