CN113780392A - 一种运动想象脑电识别的通道选择方法 - Google Patents
一种运动想象脑电识别的通道选择方法 Download PDFInfo
- Publication number
- CN113780392A CN113780392A CN202111012213.2A CN202111012213A CN113780392A CN 113780392 A CN113780392 A CN 113780392A CN 202111012213 A CN202111012213 A CN 202111012213A CN 113780392 A CN113780392 A CN 113780392A
- Authority
- CN
- China
- Prior art keywords
- channel
- channels
- matrix
- significant
- motor imagery
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000002474 experimental method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 210000003710 cerebral cortex Anatomy 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002087 whitening effect Effects 0.000 claims description 3
- 230000001054 cortical effect Effects 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 abstract description 21
- 238000012706 support-vector machine Methods 0.000 abstract description 10
- 239000000835 fiber Substances 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 23
- 230000000007 visual effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 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
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (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
本发明公开了一种运动想象脑电识别的通道选择方法，本发明首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道，然后提取显著通道所在区域的FBCSP特征拼接成字典，利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力，选出显著区域所包含的显著通道作为最优通道，最后采用CSP和SVM分别进行特征提取和分类。本发明选出来的最优通道可以充分考虑到通道间的整体性和大脑区域内电极的相互联系，一定程度上提高了BCI系统的分类性能，对运动想象脑电信号的通道选择提供了新的思路。
Description
技术领域
本发明属于模式识别领域，提出一种利用相关性和稀疏表示选择脑电通道方法(Correlation and Sparse Representation based Channel Selection,CSR-CS)，用于基于运动想象的BCI系统的任务分类。
背景技术
作为人类与计算机通信的桥梁，脑机接口(Brain-computer interface,BCI)可以通过对脑部神经活动信号的识别产生控制命令，帮助有运动障碍的患者对轮椅等外部设备进行控制，从而改善日常生活质量。脑电信号(Electroencephalogram,EEG)因具有高时间分辨率，低成本和高便捷等优点而被广泛应用，在当前BCI控制系统中广泛使用的EEG范式包括事件相关电位(Event related potential,ERP)，稳态视觉诱发电位(Steady-statevisually evoked potential,SSVEP)和运动想象(Motor imagery,MI)；与其它范式相比，MI因无需外界的刺激信号，更贴近自然，更具实用性等优点得到关注，通过对四肢或身体不同部位的运动想象引起大脑皮层相关区域活动的变化。例如，当想象左手或右手运动时，大脑对侧的运动感知区域代谢和血流变强，出现alpha和Beta频段信号的振幅降低的情况，即出现事件相关去同步(Event related desynchronization,ERD)现象；大脑同侧的运动感知区域呈静息或惰性状态，出现alpha和Beta频段信号的振幅增加的情况，即出现事件相关同步(Event related synchronization,ERS)现象。根据这一规律，可以通过对想象不同的肢体运动所得到的EEG信号进行分类从而产生不同的控制命令。
为了能全面覆盖与脑电活动有关的大脑区域，一般在采集脑电信号时，实验人员会用较多的电极进行EEG采集，但是并不是每个导联的数据都提供有用的分类信息，比如在视觉诱发BCI实验中，离视觉皮层较远的导联就不能很好用于识别视觉信息；因此，在分类之前通过通道选择有助于排除掉无关或冗余的EEG通道，有利于防止噪声信号的干扰，提高分类的准确率。为了去除与MI任务无关的、冗余的通道，研究者们提出了许多通道选择的方法。Feng,J.K等人提出了基于多频带的共空间模式滤波器排序进行通道选择的方法(CSP-Rank channel selection for Multi-Frequency band,CSP-R-MF)，结合多频带信号分解滤波和CSP-Rank方法选择通道；Jin,J等人提出了基于皮尔逊相关系数进行通道选择的方法(Correlation based Channel Selection,CCS)，CCS利用皮尔逊相关系数选择与MI任务相关的通道，之后对这些通道进行正则化共空间模式(Regularized CSP,RCSP)特征提取；Han,J等人提出了基于特征压缩和通道排序(Feature Compression and ChannelRanking,FCCR)的通道选择方法，通过K-Means方法聚类降低特征维数，进而通过结构稀疏最小二乘回归等特征选择方法，对脑电通道进行排序和选择。
MI任务的执行需要多个大脑区域的参与，并且这些区域相互联系。因此通道选择方法应充分考虑通道间的整体性和大脑区域内电极的相互联系。为此，本发明提出一种先通过皮尔逊相关系数选择显著通道，再结合非零稀疏表示系数个数选择显著通道区域，从而实现选择显著通道区域所包含的显著通道作为最优通道的CSR-CS方法。
发明内容
本发明针对现有技术的不足，提出了一种运动想象脑电识别的通道选择方法。
本发明通过对每个通道计算皮尔逊相关系数选出显著通道，然后提取显著通道所在区域的滤波器组共空间模式(Filter Bank Common Space Pattern,FBCSP)特征拼接成字典，接着利用每个通道区域的非零稀疏表示系数个数表征其分类能力，选出显著通道区域所包含的显著通道作为最优通道，考虑了通道间的整体性和大脑区域内电极的相互联系，并去除了包含与运动想象任务无关或冗余信息的通道，然后分别用CSP和支持向量机(Support vector machine,SVM)对最优通道进行特征提取与分类。
本发明包括以下步骤：
步骤(1)：多通道脑电信号采集与预处理
首先采集受试者的多通道运动想象脑电信号；接着利用带通滤波器针对每个通道的脑电信号进行带通滤波并截取合适的时间窗，用于通道的选择。
步骤(2)：显著通道的选择
相关性有利于检测出与运动想象任务相关的活跃皮层区域，计算通道间的皮尔逊相关系数，选出与运动想象任务相关的通道：
定义EEG数据
归一化后
皮尔逊相关系数ρ(X,Y)：
其中Xmin和Xmax分别为每次实验每个通道的最小和最大EEG数据，n是实验次数，
δX和
δY分别是X、Y通道归一化后的EEG数据的平均值和标准差，Xi、Yi分别表示X、Y通道第i次实验的EEG数据；计算得到训练样本各通道的皮尔逊相关系数值并将其平均值设置为阈值选出P个显著通道。
步骤(3)：显著通道区域的选择
将分布在脑皮层的所有通道划分为9个通道区域；将显著通道所在区域提取的FBCSP特征拼接成字典；将验证样本的特征向量用字典稀疏表示，并统计每个通道区域的非零稀疏表示系数个数，其个数表征着其通道区域的分类能力。将每个通道区域的非零稀疏系数个数降序排列设置阈值选出显著区域，显著区域中包含的显著通道即最优通道将作为CSP模型的输入。
定义验证样本特征向量y，惩罚系数λ，字典D＝[f(1),f(2),f(3),…f(K)]，f(i)为第i个通道区域的FBCSP特征向量，稀疏向量u：
其中u＝(u1,u2,…u9)，ui即稀疏表示系数代表第i个通道区域的稀疏表示情况；
步骤(4)：对最优通道进行空间滤波提取CSP特征，并用SVM进行分类。
作为优选，利用带通滤波器针对每个通道的脑电信号进行带通滤波的频率为4-40Hz。
作为优选，CSP特征提取具体为：
设单次实验EEG信号为矩阵XN×T，其中：N为通道数，T为每个通道的采样点数。首先，计算两类的空间协方差矩阵，
其中：i代表运动想象类别，i＝1,2，C1、C2分别为第一类和第二类想象运动的协方差矩阵，trace(·)表示矩阵的迹，
表示Xi的转置矩阵。则得到混合空间协方差矩阵Cc：
其中：N1和N2分别是第一类和第二类想象运动的实验次数。
第二步，对混合空间协方差矩阵Cc按照式(8)进行特征值分解；
其中：Uc为混合空间协方差矩阵Cc的特征向量矩阵，λc是对应的特征值构成的对角阵，并且降序排列。从而得到白化矩阵P为
第三步，将两类平均空间协方差矩阵进行如下变换，有
其中：E为单位阵；由式(10)、(11)可知，S1最大特征值对应的特征向量是S2最小特征值对应的特征向量，反之亦然，S1最小特征值对应的特征向量是S2最大特征值对应的特征向量。所以，投影矩阵W为：
W＝BTP (12)
其中：W是一个N×N的矩阵；
第四步，从投影矩阵W中选取前M列和后M列，构造最优空间滤波器W*，
W*＝[W1,···,WM,WN-M,···,WN] (13)
将两类的EEG信号经最优空间滤波器W*滤波，对滤波后的EEG信号提取特征f＝(f1,f2,…,f2M)，其中：
FBCSP的主要流程是将EEG信号划分为P个子带，对每个子带提取2M个CSP特征，则每个通道区域共有2M×P维特征。
本发明的有益效果：本发明通过CSR-CS方法选出来的通道能有效地避免不同个体以及不同通道间的差异性，且所选通道分布的脑区与经验上和运动想象相关的脑区大致吻合，同时充分考虑了通道间的整体性和大脑区域内电极的相互联系，并一定程度上提高了BCI系统的分类性能。
附图说明
图1为本发明的流程图；
图2为单次实验时间轴；
图3为公共数据集的通道区域划分图；
图4为稀疏表示方法的模型构建图；
图5为受试者aw的各通道区域非零系数个数图；
图6为受试者aw的电极分布图；
图7为5位受试者选择通道区域个数对分类精度的影响图。
具体实施方式
下面结合附图详细描述本发明基于相关性和稀疏表示的运动想象脑电通道选择方法。如图1，本发明的实施主要分成三大流程，分别是显著通道的选择、显著通道区域的选择和利用显著通道区域所包含的显著通道作为最优通道进行CSP提取和SVM分类。
下面逐一对各步骤进行详细说明。
步骤(1)：多通道脑电信号采集与预处理
本发明采用BCI Competition III Dataset Iva公共数据集进行说明。该数据集记录了五个健康受试者(aa,al,av,aw,ay)的两类运动想象任务EEG数据，每位受试者坐在舒适的椅子上，要求在视觉提示后想象右手或者脚的运动，每次实验持续时间3.5s，每组EEG信号均采用118个电极进行记录，采样率为100HZ，每个受试者进行每类运动想象140次实验，共280次实验。每次实验流程：前3.5s内在电脑屏幕上出现带有方向的箭头(向左：左手想象运动，向右：右手想象运动，向下：双脚想象运动)，受试者根据箭头方向执行对应的运动想象动作，然后放松1.75s至2.25s，单次实验时间轴如图2所示。
数据预处理：由于EEG是一种非平稳、低幅值、低信噪比的生物电信号,并且运动想象系统的稳定性较差，易受干扰，所以就使得EEG信号通常含有不同形式的噪声和干扰，比如50Hz工频干扰(脑电信号频谱图在50Hz处有一个明显的干扰脉冲)，还有眼电、心电、肌电的干扰。结合运动想象任务的特点，即执行运动想象任务时会出现ERD和ERS现象，执行单手和双脚运动想象任务时会在对侧和中央运动皮层区域的α频段(8Hz～12Hz)和β频段(13Hz～30Hz)出现明显的ERD现象，故本发明截取每次实验中视觉提示后0.5s～2.5s的EEG数据，并且采用有限单位冲激响应滤波器(Finite Impulse Response,FIR)对EEG信号进行4Hz～40Hz的带通滤波。
步骤(2)：显著通道的选择
相关性有利于检测出与运动想象任务相关的活跃皮层区域，假设当受试者多次执行MI任务时，与MI任务相关的通道应该包含共同信息，即与MI任务有关的脑电通道包含有关MI任务的特征信息，而与MI任务无关的脑电通道的特征信息与MI任务相关性小或者无关。所以基于这一假设，本发明使用皮尔逊相关系数选择与MI任务相关的通道，从而减少后续特征提取和分类所需要的脑电通道数量。
首先，将所有通道的EEG数据归一化。因为EEG数据从头皮不同部位采集得到，其幅值随时间的变化而不同，归一化可以有效地降低这种变化。第二步，计算皮尔逊相关系数。定义EEG数据
归一化后
皮尔逊相关系数ρ(X,Y)：
其中Xmin和Xmax分别为每次实验每个通道的最小和最大EEG数据，n是通道数，
δX和
δY分别是X、Y通道归一化后的EEG数据的平均值和标准差。
计算训练样本所有通道的皮尔逊相关系数ρi,i＝1,…,Nch，并将ρi的平均值设置为阈值，低于阈值的通道将被去除，高于阈值的通道称为显著通道，并选择进行后续操作。
步骤(3)：显著通道区域的选择
如图3所示，将分布在脑皮层的所有通道划分为K＝9个通道区域，中央区域一些通道(Fpz、AFz、Fz、FCz、Cz、CPz)的填充色和线框色是属于两个颜色的，说明该通道同时属于两个通道区域。
使用四阶巴特沃斯滤波器将每个通道区域的EEG信号划分为P＝17个带宽为4Hz，重叠率为2Hz的子频带((4～8)Hz，(6～10)Hz，(8～12)Hz，...，(32～36)Hz，(34～38)Hz，(36～40)Hz)，用以FBCSP特征的提取(2M＝4)，所以每个通道区域可以得到68维的特征向量(F＝2M×P＝4×17＝68)。
稀疏表示可以使数据的表示形式更加简洁清晰，其原理为利用字典中的少量原子进行线性叠加来重构输入信号。稀疏表示算法中重要的两个部分是字典的构建和利用字典表示信号。图4是稀疏表示方法的模型构建。本发明是将每个通道区域的训练样本特征向量拼接成字典
D＝[f(1),f(2),f(3),…f(K)]，其中f(i)为第i个通道区域的特征向量；将验证样本的特征向量用字典D稀疏表示，求解稀疏向量u的目标函数如式(3)所示：
其中：
为验证样本的特征向量；正则化参数λ影响稀疏向量
的稀疏程度(Ntr：训练样本实验次数)，λ越大，u越稀疏，即字典中表示输入信号样本的原子越少。
通过统计稀疏系数向量u的非零系数，可以得到每个通道区域的非零稀疏系数个数，将其降序排列并设置阈值进而选择显著的通道区域。以数据集中的受试者aw为例，图5是其每个通道区域的非零稀疏系数个数，选择受试者aw的显著通道区域为区域i(i＝2,3,5,7,8,9)，电极分布图如图6所示。可以看出，受试者aw的区域1和区域6非零系数个数较少，说明其区域使用不频繁，说明其区域含有较少的判别性的特征信息，故其区域分类能力较低，故去除该区域。
步骤(4)：特征提取与SVM分类。
1)CSP特征提取：设单次实验EEG信号为矩阵XN×T，其中：N为通道数，T为每个通道的采样点数。首先，计算两类的空间协方差矩阵，
其中：i代表运动想象类别(i＝1,2)，C1、C2分别为第一类和第二类想象运动的协方差矩阵，trace(·)表示矩阵的迹，
表示Xi的转置矩阵。则可以得到混合空间协方差矩阵Cc：
其中：N1和N2分别是第一类和第二类想象运动的实验次数。
第二步，对混合空间协方差矩阵Cc按照式(8)进行特征值分解；
其中：Uc为混合空间协方差矩阵Cc的特征向量矩阵，λc是对应的特征值构成的对角阵，并且降序排列。从而得到白化矩阵P为
第三步，将两类平均空间协方差矩阵进行如下变换，有
其中：E为单位阵；由式(10)、(11)可知，S1最大特征值对应的特征向量是S2最小特征值对应的特征向量，反之亦然，S1最小特征值对应的特征向量是S2最大特征值对应的特征向量。所以，投影矩阵W为：
W＝BTP (12)
其中：W是一个N×N的矩阵；
第四步，从投影矩阵W中选取前M列和后M列，构造最优空间滤波器W*，
W*＝[W1,···,WM,WN-M,···,WN] (13)
将两类的EEG信号经最优空间滤波器W*滤波，对滤波后的EEG信号提取特征f＝(f1,f2,…,f2M)，其中：
2)FBCSP特征提取：FBCSP的主要流程是将EEG信号划分为P个子带，对每个子带提取2M个CSP特征，则每个通道区域共有2M×P维特征。
3)SVM分类：用提取的CSP特征训练SVM模型，并用网格搜索法确定核函数C，交叉验证得到平均分类精度性能指标，并与背景技术中所述的CCS-RCSP，CSP-R-MF和FFCR三种方法进行比较，实验平均分类精度如表1所示：
表1数据集分类精度比较
针对上述公共数据集，CSR-CS方法表现出了最佳的分类性能。来自数据集的五位受试者：CSR-CS方法在aa、av和ay三位受试者上获得了最高的分类精度，FCCR方法在al受试者上获得了最高的分类精度，CCS-RCSP在aw受试者上获得了最高的分类精度；为了验证本发明所提方法在选择显著通道区域个数时的合理性，根据分类精度绘制了图7。由图看出对于大多数受试者来说，随着所选通道区域数量的增加，分类准确率的总体趋势是先增加后降低的。这可能是因为最初选择的通道数量太少，导致特征太少，分类精度较低。当通道数量过大时，含有冗余信息的通道或者与MI任务无关的通道会降低分类精度。综上所述，本发明提出的CSR-CS方法具有一定的可行性和优越性。
从整体上看，本发明提出了一种利用相关性和稀疏表示选择脑电通道的方法，用于基于运动想象的BCI系统的任务分类。通过对每个通道计算皮尔逊相关系数选出显著通道，接着利用每个通道区域的非零稀疏表示系数个数选出显著通道区域，将显著区域所包含的显著通道作为最优通道，考虑了通道间的整体性和大脑区域内电极的相互联系，并去除了包含与运动想象任务无关或冗余信息的通道，然后分别用CSP和SVM对最优通道进行特征提取与分类。对BCI竞赛数据集的分类实验结果表明CSR-CS方法选出来的通道能有效地避免不同个体以及不同通道间的差异性，且所选通道分布的脑区与经验上和运动想象相关的脑区大致吻合，该方法一定程度上提高了BCI系统的分类性能。另外，该方法选出来的通道的分类精度优于其他通道选择方法，这也为后续通道选择方法的改进提供了思路。
Claims (3)
1.一种运动想象脑电识别的通道选择方法，其特征在于，该方法具体包括以下步骤：
步骤(1)：多通道脑电信号采集与预处理
首先采集受试者的多通道运动想象脑电信号；接着利用带通滤波器针对每个通道的脑电信号进行带通滤波并截取合适的时间窗，用于通道的选择；
步骤(2)：显著通道的选择
相关性有利于检测出与运动想象任务相关的活跃皮层区域，计算通道间的皮尔逊相关系数，选出与运动想象任务相关的通道：
定义EEG数据
归一化后
皮尔逊相关系数ρ(X,Y)：
其中Xmin和Xmax分别为每次实验每个通道的最小和最大EEG数据，n是实验次数，
δX和
δY分别是X、Y通道归一化后的EEG数据的平均值和标准差，Xi、Yi分别表示X、Y通道第i次实验的EEG数据；计算得到训练样本各通道的皮尔逊相关系数值并将其平均值设置为阈值选出P个显著通道；
步骤(3)：显著通道区域的选择
将分布在脑皮层的所有通道划分为9个通道区域；将显著通道所在区域提取的FBCSP特征拼接成字典；将验证样本的特征向量用字典稀疏表示，并统计每个通道区域的非零稀疏表示系数个数，其个数表征着其通道区域的分类能力；将每个通道区域的非零稀疏系数个数降序排列设置阈值选出显著区域，显著区域中包含的显著通道即最优通道将作为CSP模型的输入；
定义验证样本特征向量y，惩罚系数λ，字典D＝[f(1),f(2),f(3),…f(K)]，f(i)为第i个通道区域的FBCSP特征向量，稀疏向量u：
其中u＝(u1,u2,…u9)，ui即稀疏表示系数代表第i个通道区域的稀疏表示情况；
步骤(4)：对最优通道进行空间滤波提取CSP特征，并用SVM进行分类。
2.根据权利要求1所述的一种运动想象脑电识别的通道选择方法，其特征在于：利用带通滤波器针对每个通道的脑电信号进行带通滤波的频率为4-40Hz。
3.根据权利要求1所述的一种运动想象脑电识别的通道选择方法，其特征在于：CSP特征提取具体为：
设单次实验EEG信号为矩阵XN×T，其中：N为通道数，T为每个通道的采样点数；首先，计算两类的空间协方差矩阵，
其中：i代表运动想象类别，i＝1,2，C1、C2分别为第一类和第二类想象运动的协方差矩阵，trace(·)表示矩阵的迹，
表示Xi的转置矩阵；则得到混合空间协方差矩阵Cc：
其中：N1和N2分别是第一类和第二类想象运动的实验次数；
第二步，对混合空间协方差矩阵Cc按照式(8)进行特征值分解；
其中：Uc为混合空间协方差矩阵Cc的特征向量矩阵，λc是对应的特征值构成的对角阵，并且降序排列；从而得到白化矩阵P为
第三步，将两类平均空间协方差矩阵进行如下变换，有
其中：E为单位阵；由式(10)、(11)可知，S1最大特征值对应的特征向量是S2最小特征值对应的特征向量，反之亦然，S1最小特征值对应的特征向量是S2最大特征值对应的特征向量；所以，投影矩阵W为：
W＝BTP (12)
其中：W是一个N×N的矩阵；
第四步，从投影矩阵W中选取前M列和后M列，构造最优空间滤波器W*，
W*＝[W1,···,WM,WN-M,···,WN] (13)
将两类的EEG信号经最优空间滤波器W*滤波，对滤波后的EEG信号提取特征f＝(f1,f2,…,f2M)，其中：
FBCSP的主要流程是将EEG信号划分为P个子带，对每个子带提取2M个CSP特征，则每个通道区域共有2M×P维特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111012213.2A CN113780392B (zh) | 2021-08-31 | 2021-08-31 | 一种运动想象脑电识别的通道选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111012213.2A CN113780392B (zh) | 2021-08-31 | 2021-08-31 | 一种运动想象脑电识别的通道选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780392A true CN113780392A (zh) | 2021-12-10 |
| CN113780392B CN113780392B (zh) | 2024-03-19 |
Family
ID=78840312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111012213.2A Active CN113780392B (zh) | 2021-08-31 | 2021-08-31 | 一种运动想象脑电识别的通道选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780392B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114081505A (zh) * | 2021-12-23 | 2022-02-25 | 成都信息工程大学 | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 |
| CN114305456A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
| CN114611556A (zh) * | 2022-03-08 | 2022-06-10 | 中国人民解放军国防科技大学 | 一种基于图神经网络的多类别运动想象任务识别方法 |
| CN115105095A (zh) * | 2022-08-29 | 2022-09-27 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101862194A (zh) * | 2010-06-17 | 2010-10-20 | 天津大学 | 基于融合特征的想象动作脑电身份识别方法 |
| WO2012153965A2 (ko) * | 2011-05-09 | 2012-11-15 | 광주과학기술원 | 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 |
| CN103258215A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 一种多导联间相关性分析的脑电特征提取方法 |
| 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 |
-
2021
- 2021-08-31 CN CN202111012213.2A patent/CN113780392B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101862194A (zh) * | 2010-06-17 | 2010-10-20 | 天津大学 | 基于融合特征的想象动作脑电身份识别方法 |
| WO2012153965A2 (ko) * | 2011-05-09 | 2012-11-15 | 광주과학기술원 | 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 |
| CN103258215A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 一种多导联间相关性分析的脑电特征提取方法 |
| 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 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114081505A (zh) * | 2021-12-23 | 2022-02-25 | 成都信息工程大学 | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 |
| CN114305456A (zh) * | 2021-12-29 | 2022-04-12 | 杭州电子科技大学 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
| CN114305456B (zh) * | 2021-12-29 | 2024-05-03 | 杭州电子科技大学 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
| CN114611556A (zh) * | 2022-03-08 | 2022-06-10 | 中国人民解放军国防科技大学 | 一种基于图神经网络的多类别运动想象任务识别方法 |
| CN114611556B (zh) * | 2022-03-08 | 2024-03-15 | 中国人民解放军国防科技大学 | 一种基于图神经网络的多类别运动想象任务识别方法 |
| CN115105095A (zh) * | 2022-08-29 | 2022-09-27 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
| CN115105095B (zh) * | 2022-08-29 | 2022-11-18 | 成都体育学院 | 一种基于脑电信号的运动意图识别方法、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780392B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780392B (zh) | 一种运动想象脑电识别的通道选择方法 | |
| Thomas et al. | A new discriminative common spatial pattern method for motor imagery brain–computer interfaces | |
| 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 | |
| Yong et al. | Sparse spatial filter optimization for EEG channel reduction in brain-computer interface | |
| CN112515685B (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
| CN111091074B (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
| CN110269609B (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
| Baali et al. | A transform-based feature extraction approach for motor imagery tasks classification | |
| Oosugi et al. | A new method for quantifying the performance of EEG blind source separation algorithms by referencing a simultaneously recorded ECoG signal | |
| CN110969108A (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
| 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 | |
| Caramia et al. | Optimizing spatial filter pairs for EEG classification based on phase-synchronization | |
| CN106648087B (zh) | 一种基于意识任务的特征eeg处理方法 | |
| CN113180659B (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别方法 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN113967022B (zh) | 一种基于个体自适应的运动想象脑电特征表征方法 | |
| Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
| Kalantar et al. | Adaptive dimensionality reduction method using graph-based spectral decomposition for motor imagery-based brain-computer interfaces | |
| CN115795346A (zh) | 一种人体脑电信号的分类识别方法 | |
| Tian et al. | Study on classification of left-right hands motor imagery EEG signals based on CNN | |
| CN108491792B (zh) | 基于眼电信号的办公场景人机交互行为识别方法 | |
| CN113842115A (zh) | 一种改进的eeg信号特征提取方法 | |
| Shen et al. | Analysis and classification of hybrid EEG features based on the depth DRDS videos | |
| CN112560703A (zh) | 一种基于pf系数的多模态bci特征提取方法 | |
| CN109144277B (zh) | 一种基于机器学习实现脑控智能小车的构建方法 |
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 |