CN114387668B - 一种基于多层次神经肌肉耦合特征信息融合的分类方法 - Google Patents

Abstract

本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法，包括：多通道脑肌电信号的同步采集；预处理；多层次神经肌肉耦合特征提取；基于典型相关分析的特征融合和基于流形多类核最小平方误差的特征分类，分别提取脑‑脑、脑‑肌、肌‑肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后采用基于流形多类核最小平方误差算法训练分类器并对不同的动作进行分类。该方法克服了传统的基于生物电信号的动作识别方法中未全面考虑脑‑脑、肌‑肌、脑‑肌、脑肌电信号协作进行运动控制的缺点，在基于生物电信号的动作识别中具有良好的应用前景。

Description

一种基于多层次神经肌肉耦合特征信息融合的分类方法

技术领域

本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法，属于模式识别领域。

背景技术

大脑运动皮层通过脊髓和周围神经控制骨骼肌运动，使肢体完成特定动作；而肢体运动信息经本体感受器传入躯体感觉皮层又反过来影响大脑的活动，皮层和肌肉之间具有天然的对应和因果关系。肌电信号是肢体动作时最直接相关的生理信号，脑电信号和肌电信号分别体现了大脑对肌肉的运动控制信息和肌肉功能的响应信息，两者活动状态的相干分析可以反映脑电与肌电之间的相互作用，运用生理电信号耦合分析为理解运动控制过程提供了理论基础。

1995年Conway等人发现运动过程中皮层脑电与相关肌电存在脑肌相干性，研究者开始采用不同的分析方法(如相干性、格兰杰因果、互信息、传递熵等)建立脑电与肌电信号间的连接关系，获取大脑运动意识驱动与肌肉运动响应之间的功能联系，并提取耦合特征，采用分类器进行分类。Xi等将符号传递熵和图论结合构建脑肌耦合网络，并提取了网络特征用于K近邻算法训练分类器，用于运动疲劳的检测，结果表明该方法在运动疲劳检测中具有较高的准确率。席旭刚等采用小波变换与相干性分析方法对采集到的肌电信号提取特征向量，输入到支持向量机分类器，对手部的多个动作进行分类，结果表明该方法能够以较高识别率区分伸腕、屈腕、展拳、握拳这四种动作。除此之外，研究者可以直接提取脑肌电信号特征进行分类，葛荣祥等分别提取了脑电信号的时域统计量以及肌电信号的积分肌电值、样本熵等特征向量对手部动作进行识别。Wang等提取肌电信号的均方根、平均频率和带谱熵等特征实现了对肌肉疲劳的分类。

以上研究都是从单一的层次提取脑肌之间的功能联系特征，为提取更有效的特征，本发明提出基于多层次神经肌肉耦合特征信息融合的分类方法，分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后训练分类器对不同的动作进行分类，从神经系统的内源角度为动作识别提供一种新的方法。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于多层次神经肌肉耦合特征信息融合的分类方法，分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后训练分类器对不同的动作进行分类。

为实现上述目的，本发明的技术方案是：

一种基于多层次神经肌肉耦合特征信息融合的分类方法，包括以下步骤：

步骤一和步骤二：多通道脑肌电信号的同步采集与预处理；

具体为：同步采集受试者的多通道脑肌电信号，并对采集的脑肌电信号进行预处理；

步骤三：多层次神经肌肉耦合特征提取；

具体为：分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征。其中，脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度；脑-肌耦合特征选用脑肌两两通道间的互信息；肌-肌耦合特征选用两两通道间的皮尔逊相关系数；传统肌电信号特征选用均方根、均值频率；传统脑电信号特征选用排列熵和功率谱。

步骤四：基于典型相关分析的特征融合；

对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。

x和y分别为X和Y的向量，进行变换：

其中，W为典型投影变换矩阵，T表示转置，Z作为投影后的组合特征将用于分类；

步骤五：基于流形多类核最小平方误差的特征分类；

采用基于流形多类核最小平方误差算法训练分类器对步骤四中得到的特征进行分类。

与现有技术相比，本发明的有益效果在于：

本发明涉及的基于多层次神经肌肉耦合特征信息融合的分类方法，传统的基于生物电信号的动作识别方法是从单一的层次提取脑肌之间的功能联系特征。由于运动控制过程中，大脑皮层与肌肉共同参与，单纯地只考虑脑肌电信号或只考虑脑-脑、脑-肌、肌-肌其中之一的耦合特征都不能准确地表征神经系统的特征。针对该问题，本发明提出基于多层次神经肌肉耦合特征信息融合的分类方法，分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后采用基于流形多类核最小平方误差算法训练分类器。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于多层次神经肌肉耦合特征信息融合的分类方法的流程图。

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。

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，对本发明专利提供的基于多层次神经肌肉耦合特征信息融合的分类方法进行详细说明，包括以下步骤：(1)多通道脑肌电信号的同步采集；(2)预处理；(3)多层次神经肌肉耦合特征提取；(4)基于典型相关分析的特征融合；(5)基于流形多类核最小平方误差的特征分类。下面逐一对各步骤进行详细说明。

步骤一：多通道脑肌电信号的同步采集

通过肌电传感器与脑电帽同步采集不同手部动作下的表面肌电信号和脑电信号。

步骤二：预处理

对采集的脑肌电信号进行去噪处理，其中对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹，对肌电信号进行去均值、去基线漂移，再利用无限冲激响应陷波滤波器抑制50Hz工频干扰，最后对脑肌电信号分别进行0～75Hz的低通滤波。

步骤三：多层次神经肌肉耦合特征提取

本发明分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征。

脑-脑耦合特征：

在脑-脑耦合网络中，选取脑电通道为网络节点，选用Copula互信息度量节点间关联性，得到邻接矩阵。

互信息MI与Copula熵存在以下关系：

MI(A,B)＝-H_c(F_A(a),F_B(b)) (1)

其中，F_A(a)和F_B(b)分别为变量A和B的累积分布函数，H_c(F_A(a),F_B(b))为变量A和B的Copula熵，由式(1)得到的互信息称为Copula互信息，以此作为脑-脑耦合网络的连接权值。

选用复杂网络中的网络强度、聚类系数和特征路径长度作为网络的特征。

网络强度SN的定义为：

其中，M是节点数，s(i)为节点强度，网络强度越大，表明各通道之间关联性越强，反之，网络各通道间相互的关联性较弱。

网络的聚类系数CCN定义为：

其中，CC(i)为节点的聚类系数，网络的聚类系数越高，表明网络的连通性越好。

网络的特征路径长度PLN定义为：

其中，pl(i)为节点的特征路径长度，网络的特征路径长度越短，表明网络的信息传输速度越快，反之，网络传输信息的速度越慢。

脑-肌耦合特征：

互信息是度量两个变量间的非线性相关，提取两两通道之间的互信息作为脑-肌耦合特征。

肌-肌耦合特征：

皮尔逊相关系数是用于度量两个变量间的线性相关，提取两两通道之间的皮尔逊相关系数作为肌-肌耦合特征。

传统肌电信号特征：

均方根(Root mean square，RMS)记录了表面肌电信号的振幅大小，在一定程度上反映各肌肉收缩的程度，具体可表示为：

其中，N是滑动窗口的长度，q_i是第i个样本点。

均值频率(MeanFrequency，MNF)定义为：

其中，e_i表示频段上的频谱，p_i表示该频段上的功率谱强度，F是整个频段长度。

传统脑电信号特征：

排列熵的定义为：

其中，g为重构分量的个数，P_j为符号的概率分布，排列熵值越大，表示信号时间序列越随机，信号越复杂；反之，则说明信号序列越规则，复杂度较小。

功率谱定义为：

其中，D(f)为功率谱密度函数，f₁和f₂为频带的下限和上限。

步骤四：基于典型相关分析的特征融合

对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。

x和y分别为X和Y的向量，计算X和Y的协方差矩阵S_xx，S_yy及互协方差矩阵S_xy，根据准则函数：

求得典型投影向量α和β，其中，T表示转置，根据α和β获取组合特征典型判别向量X^*和Y^*：

其中，α_i，β_i为x和y的第i对典型投影向量，d为选取的投影向量的个数，U＝(α₁,α₂,...α_d)，V＝(β₁,β₂,...β_d)，进行变换：

其中W定义为：

W为典型投影变换矩阵，Z作为投影后的组合特征将用于分类。

步骤五：基于流形多类核最小平方误差的特征分类

传统分类器的监督学习算法往往需要大量的标记样本，而现实情况中收集足够的标记样本较为困难。因此，本发明采用基于流形多类核最小平方误差算法(McLapKMSE)训练分类器对步骤四中得到的特征进行分类，该算法能在较少的标记样本情况下充分挖掘未标记样本的信息，提高其分类性能。

假设{(z₁,c₁),…,(z_l,c_l),z_l+1,…z_n}为所有受试者的数据，l为有标签的样本数量，z_i为所提取的受试者的融合后的特征向量，c_i为z_i的标签向量，如果z_i属于第k类，则c_i的第k个值为1，其余值为0。McLapKMSE训练分类器的目标函数如下：

其中，第一项为保真项，第二项描述了分类器的复杂度，第三项代表了标记和未标记样本的流形结构。λ₁和λ₂为正则化系数，f(z_i)为第i个样本的估计标签向量，Tr(·)表示迹，φ为分类器的判别系数矩阵，n为样本的数量，w_ij表示近邻图中样本点z_i和z_j之间的边权重。

利用再生核理论和表示定理，式(13)可写成矩阵形式：

其中，K为Gram矩阵，K_ij＝K(z_i,z_j)，K为核函数，K_l表示K的前l行，C为所有标记样本的标签向量组成的标签矩阵，L为Laplacian矩阵。

对矩阵求导，得到最优判别系数矩阵然后对于任一受试者的特征向量，计算/>估计其标签向量，估计的标签向量中最大值的下标即为信号特征向量的估计类别。

采用已标记的数据和未标记的数据训练分类器，再对未标记的测试数据进行分类，从而得到手部动作的类型。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (5)

1.一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：包括以下步骤：

步骤一：多通道脑肌电信号的同步采集：同步采集受试者的多通道脑肌电信号；

步骤二：预处理：对采集的脑肌电信号进行预处理；

步骤三：多层次神经肌肉耦合特征提取：分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征；

脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度；

脑-肌耦合特征选用脑肌两两通道间的互信息；

肌-肌耦合特征选用两两通道间的皮尔逊相关系数；

传统肌电信号特征选用均方根、均值频率；

传统脑电信号特征选用排列熵和功率谱；

步骤四：基于典型相关分析的特征融合：对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y；

x和y分别为X和Y的向量，进行变换：

其中，W为典型投影变换矩阵，T表示转置，Z作为投影后的组合特征将用于分类；

步骤五：基于流形多类核最小平方误差的特征分类：采用基于流形多类核最小平方误差算法训练分类器对步骤四中得到的特征进行分类。

2.根据权利要求1所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤一具体包括：通过肌电传感器与脑电帽同步采集不同手部动作下的表面肌电信号和脑电信号。

3.根据权利要求2所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤二具体包括：对采集的脑肌电信号进行去噪处理，对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹，对肌电信号进行去均值、去基线漂移，再利用无限冲激响应陷波滤波器抑制50Hz工频干扰，最后对脑肌电信号分别进行0～75Hz的低通滤波。

4.根据权利要求3所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤三的具体步骤包括：

S1：提取脑-脑耦合特征：

在脑-脑耦合网络中，选取脑电通道为网络节点，选用Copula互信息度量节点间关联性，得到邻接矩阵；

互信息MI与Copula熵存在以下关系：

MI(A,B)＝-H_c(F_A(a),F_B(b)) (1)

其中，F_A(a)和F_B(b)分别为变量A和B的累积分布函数，H_c(F_A(a),F_B(b))为变量A和B的Copula熵，由式(1)得到的互信息称为Copula互信息，作为脑-脑耦合网络的连接权值；

选用复杂网络中的网络强度、聚类系数和特征路径长度作为网络的特征，网络强度SN的定义为：

其中，M是节点数，s(i)为节点强度，网络强度越大，

网络的聚类系数CCN定义为：

其中，CC(i)为节点的聚类系数，

网络的特征路径长度PLN定义为：

其中，pl(i)为节点的特征路径长度，

S2：提取脑-肌耦合特征：

互信息是度量两个变量间的非线性相关，提取两两通道之间的互信息作为脑-肌耦合特征；

S3：提取肌-肌耦合特征：

皮尔逊相关系数是用于度量两个变量间的线性相关，提取两两通道之间的皮尔逊相关系数作为肌-肌耦合特征；

S4：传统肌电信号特征：

均方根记录表面肌电信号的振幅大小，反映各肌肉收缩的程度，具体可表示为：

其中，N是滑动窗口的长度，q_i是第i个样本点；

均值频率定义为：

其中，e_i表示频段上的频谱，p_i表示该频段上的功率谱强度，F是整个频段长度；

S5：提取传统脑电信号特征：

排列熵的定义为：

其中，g为重构分量的个数，P_j为符号的概率分布。

5.根据权利要求4所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法，其特征在于：所述步骤四具体包括以下步骤：

对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y；

x和y分别为X和Y的向量，计算X和Y的协方差矩阵S_xx，S_yy及互协方差矩阵S_xy，根据准则函数：

求得典型投影向量α和β，其中，T表示转置，根据α和β获取组合特征典型判别向量X^*和Y^*：

其中，α_i，β_i为x和y的第i对典型投影向量，d为选取的投影向量的个数，U＝(α₁,α₂,...α_d)，V＝(β₁,β₂,...β_d)，进行变换：

其中W定义为：

W为典型投影变换矩阵，Z作为投影后的组合特征将用于分类。