CN114186608B - 基于运动想象的混合脑机接口特征提取方法 - Google Patents

Abstract

本发明公开了一种基于运动想象的混合脑肌接口特征提取方法，包括以下步骤：采集导联脑电图信号和导联肌电图信号，采用小波去噪的方法处理脑电信号和肌电信号，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高，泛化性较强。本发明方法采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。

Description

基于运动想象的混合脑机接口特征提取方法

技术领域

本发明属于脑电肌电信号特征分析领域，本发明公开了一种基于运动想象的混合脑机接口特征提取方法。

背景技术

由于脑血管疾病的高发病率和频繁发生的各种意外事故，中国的瘫痪患者数量与日俱增。针对瘫痪患者，在经过诸如外科手术等急性期的临床处理后，康复成为主要的一种治疗手段，它能够帮助患肢恢复运动功能，重新学习日常生活活动，其中手部动作康复训练过程尤为重要。本发明方法帮助病人康复训练，首次采用脑机协同的理论对动作意图进行识别，识别率相比单一脑电特征和肌电特征更高，泛化性较强。采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。

发明内容

本发明针对现有技术的不足，提出了一种基于运动想象的混合脑机接口特征提取方法。

本发明与单一脑电信号和肌电信号相比，具有如下优点和有益效果：本文利用肌肉协同之间协同元的相似性与不同性来进行特征提取；本文利用脑功能网络和肌肉协同这两种方法来进一步得出能综合反应受试者基于hBCI的互补融合特征；

为实现以上目的，本发明方法主要包括以下步骤：

步骤(1)采集脑电数据。实验样本频率设置为5000Hz。根据实验要求，受试者按照随机动作顺序进行曲腕、曲肘和握拳动作。

步骤(2)信号预处理。脑电信号质量的保证是准确有效研究的基础。在脑电信号采集过程中，不可避免地会受到各种信号和噪声的干扰。由于EEG信号非常微弱，因此很容易受到许多干扰源的干扰，包括眼球运动和眨眼伪影，心电图和工频干扰。因此，为了保证基于脑电信号的研究结果的可靠性，有必要对记录的信号进行相应的有效降噪步骤，以尽可能减少噪声对研究结果的干扰。

步骤(3)提取拓扑特征，脑电信号基于似然同步理论构建脑功能网络，选取合适阈值进行二值化处理，提取二值化脑功能网络的拓扑特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。

利用似然同步构建脑功能网络程序实现的理论依据如下：假设有M个同一时间段记录的信号序列x_k,i，其中k表示信道数量(i＝1,2,…,M)，i表示信号记录的时间点(i＝1,2,…,N)，对每一道信号利用时间延迟重建内嵌向量为：

X_k,i＝(x_k,i,x_k,i+l,x_k,i+2l,…,x_k,i+(m-1)l) (1)

式中，l和m分别表示时间延迟和嵌入的维数。定义任意两个内嵌向量x_k,i和x_k,j之间的欧氏距离小于ε的概率为：

式中，|·|操作符是求两个向量之间的欧氏距离；θ(x)是Heaviside阶梯函数，即满足

式(2)中w₁和w₂是两个窗，w₁是泰勒修正参数，用来消除由于自相关特性对向量间距离过近造成的影响；w₂窗用来提高时间分辨率，避免信号向量之间的时间间隔太长。当前的研究中，对于窗口w₁和w₂的取值需要满足条件：w₁<<w₂<<N(<<表示远小于)，对于EEG数据的分析一般取w₁＝100，w₂取时间序列长度的1/10，对式(1)中的时间延迟参数l和嵌入的维数m尚没有唯一的取值标准，本文按照研究经验取l＝10，m＝10。综上可知，式(2)中对于每个k和每个时间点i对应的距离参数ε_k,i

由概率所决定。假定M道信号中与内嵌向量x_k,i之间的距离小于ε_k,i,并满足窗口条件w₁＜|i-j|＜w₂的内嵌向量x_k,j有H_i,j个，即：

由实际意义可知H_i,j的值介于0和M之间，表示i和j时刻非常接近或者同步的内嵌向量的数量。综上信息，对于k道信号和另外M-1道信号i和j时刻的似然同步值S_i,j,k定义如下:

最后对所有时间点j求平均，得到k道信号和其他M-1道信号在i时刻的似然同步值为：

提取协同元的特征，具体如下：用非负矩阵分解的方法对肌电信号进行分解。如公式(1)所示，V_m×t为待分解的表面肌电信号包络矩阵，m表示肌肉的数目，t表示数据的长度；W_m×n＝[w_i1,w_i2,…,w_in]为协同结构矩阵，表示肌肉间的线性组合模式i＝1，2，…，m；w_in幅值大小表示肌肉在组合模式中的贡献程度；C_n×t＝[c_1j,c_2j,…,c_nj]为激活系数矩阵，代表协同结构如何按时间被调制的神经信号，同时表示每一个肌肉协同对一块肌肉整体激发的贡献，j＝1,2，…，t；E_m×t为噪声信号；n代表肌肉协同数目；

V_m×t＝W_m×nC_n×t+E_m×t (7)

要使||E||最小，即求如式(8)的最大似然解。

{W,C}＝argmax_W,Cp(V|W,C)＝argmin_W,C[-logp(V|W,C)] (8)

假设噪声服从高斯分布，那么其目标函数等于如下的欧式距离函数：

通过传统的梯度法，得到以下乘性迭代规则：

为了确定最小的肌肉协同数目，通常计算每一个n值下由分解得到的W和C矩阵重构的肌电包络信号Vr_m×t，然后根据V_m×t与Vr_m×t生成的数据变异度VAF，来确定肌肉协同数目n；确定n值方法为：①、VAF的大于设置阈值，②相邻VAF的差值小于设定阈值；

VAF的具体计算公式如下：

VAF＝1-(V_m×t-Vr_m×t)²/V_m×t ² (12)

步骤(4)使用极限学习机分类；极限学习机它包含着三大部分，分别是输入层、隐藏层和输出层。当输入为一组拥有m类总数为N的训练样本时，一个隐藏层极点数为L、激活函数为g(x)的单隐藏层反馈神经网络可以表示为：

其中x_j＝[x_j1,x_j2,…,x_jn]^T为输入，t_j＝[t_j1,t_j2,…,t_jn]^T为对应的期望输出，b_i为隐藏极点i的激活阈值，w_i＝[w_i1,w_i2,…,w_in]^T将输入层与隐藏层联系在一起，β_i＝[β_i1,β_i2,…,β_im]^T将隐藏层与输出层联系在一起，o_j是单隐藏层反馈神经网络的实际输出。单隐藏层反馈神经网络能够零误差拟合训练样本等价于因为ELM可以随机生成隐藏层参数{w_i,b_i}。

此时，将训练的标签值带入到神经网络的输出层中，得到公式

T＝Hβ (14)

式中

通常情况下隐藏神经元的个数L是远远小于训练样本的个数N的，即L<<N，所以我们通过求最小值来确定输出权值，公式为：

β＝arg min||T-Hβ|| (16)

由极小范数解准则可知，式(16)可以由以下的公式求解得到：

其中H⁺是隐藏层矩阵H的Moore-Penrose增广逆，简称伪逆。对于分类问题，ELM一般采用单对全标签编码将多分类问题转化为多输出函数回归。计算后查询样本的实际输出，然后由实际输出的索引给出预测的类标签。

本发明与现有技术相比，具有如下优点和有益效果：

本发明利用肌肉协同之间协同元的相似性与不同性来进行特征提取；通过脑功能网络和肌肉协同这两种方法来进一步得出能综合反应受试者基于混合脑机接口的互补融合特征；相比单一脑电信号和肌电信号，动作识别率有显著提升。

附图说明

图1为本发明的实施流程图；

图2为本发明所进行实验中使用的电极分布图；

图3为预处理脑电信号前后对比；

图4为受试者1屈腕、屈肘、握拳生成的脑功能网络和对应二值化网络；

图5为受试者1屈腕、屈肘对应的协同元分布比例。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明的实施例采集了八位志愿者分别用左右手执行腕曲，肘曲和握拳共计6种动作的EEG信号。在数据预处理阶段使用了WT，脑电信号采用基于Manhattan距离的SL构造加权FBN。二进制FBN由阈值和MST两种方法构建。肌电信号采用非负矩阵分解的方法构建肌肉协同模型。最后将两者特征融合，使用极限学习机对该动作进行动作识别。

本文将介绍参与者、实验任务、数据集的信息与这项工作所涉及的理论，介绍方法的配置，并说明所提出方案的性能。最后与已有的相关研究进行比较，提出预期的工作。

如图1所示，本产品包括如下步骤：

步骤(1)采集脑电数据。实验样本频率设置为5000Hz。根据实验要求，受试者按照随机动作顺序进行曲腕、曲肘和握拳动作。

步骤(2)信号预处理。脑电肌电信号质量的保证是准确有效研究的基础。图2为本发明所进行实验中使用的电极分布图，在脑电肌电信号采集过程中，不可避免地会受到各种信号和噪声的干扰。由于EEG信号非常微弱，因此很容易受到许多干扰源的干扰，包括眼球运动和眨眼伪影，心电图和工频干扰。EMG信号会受到肌肉疲劳干扰，因此，为了保证基于脑电信号的研究结果的可靠性，有必要对记录的信号进行相应的有效降噪步骤，以尽可能减少噪声对研究结果的干扰。对记录的信号进行WT去噪，以尽可能减少噪声对研究结果的干扰。如图3为志愿者1左手WF的去噪肌电信号。

步骤(3)提取拓扑特征，脑电信号基于似然同步理论构建脑功能网络，选取合适阈值进行二值化处理，提取二值化脑功能网络的拓扑特征，图4为受试者1屈腕、屈肘、握拳生成的脑功能网络和对应二值化网络，图5为受试者1屈腕、屈肘对应的协同元分布比例，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。

步骤(4)使用极限学习机对动作分类；

最后8位志愿者的分类准确性通过表1单一脑电信号特征、表2单一肌电信号特征、表3融合特征的识别率所示；脑功能网络的拓扑特征比均方根和肌肉协同特征识别率高，而部分单一特征虽然相比其他单一特征识别率较低，但通过互补特征融合的方式弥补了自身缺陷。脑机协同理论主要是大脑皮层通过脊髓和周围神经控制肌肉组织的运动，使得肢体可以完成一定的运动功能，而肢体的运动又可以通过传入神经影响着大脑皮层的活动，两者相互协同作用。脑功能网络的拓扑特征与肌肉协同的特征融合有效的提高了动作意图识别的识别率和鲁棒性，且具有良好的泛化能力；

表1

表2

表3

Claims (5)

1.基于运动想象的混合脑机接口特征提取方法，其特征在于，包括如下步骤：

步骤(1)采集脑电数据和肌电数据；

步骤(2)信号预处理；

步骤(3)提取拓扑特征，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的拓扑特征，肌电信号采用非负矩阵分解，协同矩阵根据数据变异度寻找不同的协同元，提取协同元的特征；将二值化脑功能网络的拓扑特征和协同元的特征融合；

提取协同元的特征，具体如下：用非负矩阵分解的方法对肌电信号进行分解；如公式(1)所示，V_m×t为待分解的表面肌电信号包络矩阵，m表示肌肉的数目，t表示数据的长度；W_m×n＝[w_i1,w_i2,…,w_in]为协同结构矩阵，表示肌肉间的线性组合模式i＝1，2，…，m；w_in幅值大小表示肌肉在组合模式中的贡献程度；C_n×t＝[c_1j,c_2j,…,c_nj]为激活系数矩阵，代表协同结构如何按时间被调制的神经信号，同时表示每一个肌肉协同对一块肌肉整体激发的贡献，j＝1,2，…，t；E_m×t为噪声信号；n代表肌肉协同数目；

V_m×t＝W_m×nC_n×t+E_m×t (1)

要使||E||最小，即求如式(2)的最大似然解；

{W,C}＝argmax_W,Cp(V|W,C)＝argmin_W,C[-logp(V|W,C)] (2)

假设噪声服从高斯分布，那么其目标函数等于如下的欧式距离函数：

通过传统的梯度法，得到以下乘性迭代规则：

为了确定最小的肌肉协同数目，通常计算每一个n值下由分解得到的W和C矩阵重构的肌电包络信号Vr_m×t，然后根据V_m×t与Vr_m×t生成的数据变异度VAF，来确定肌肉协同数目n；确定n值方法为：①、VAF的大于设置阈值，②相邻VAF的差值小于设定阈值；

VAF的具体计算公式如下：

VAF＝1-(V_m×t-Vr_m×t)²/V_m×t ² (6)

步骤(4)使用极限学习机分类。

2.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法，其特征在于：所述的采集脑电数据和肌电数据；具体为：

在数据采集之前，将电极帽安装在受试者头上，并将导电胶注入电极中以降低阻抗；调整电极的接触条件，直到阻抗下降到阈值以下，以确保收集信号的质量；实验样本频率设置为5000Hz；将传感器安装在受试者手臂上，调整电极的接触条件，以确保能采集到对应肌肉的信号。

3.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法，其特征在于：信号预处理；具体为：

对记录的信号进行WT去噪，以尽可能减少噪声对研究结果的干扰。

4.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法，其特征在于：脑电信号基于似然同步理论构建脑功能网络和肌肉协同模型；具体为：

选取了脑电采集信号中的40个通道，使用似然同步性分析方法量化两两通道间的广义同步关系，构建了基于似然同步性的加权脑功能网络；

选取了肌电采集信号的6个通道，使用非负矩阵分解构建肌肉协同模型。

5.根据权利要求1所述的基于运动想象的混合脑机接口特征提取方法，其特征在于：所述的确定n值方法中，VAF大于等于0.95，相邻VAF的差值小于等于0.01。