CN115795346A - 一种人体脑电信号的分类识别方法 - Google Patents

Abstract

一种人体脑电信号的分类识别方法，对人体运动想象脑电信号进行预处理；使用小波包结合共空间模式深入挖掘脑电信号中的特征信息；选用RF、SVM、LR、KNN、XGBoost、LightGBM作为分类器，引入Platt Scaling概率校准的方法校准6种分类器的输出结果，得到6种增加多样性的分类器；从中选择准确率最好的几种模型进行模型融合，使用RF模型对融合模型的预测结果进行再学习；使用训练后的融合模型进行人体脑电信号的分类识别，输入待处理的运动想象脑电信号，输出分类识别结果。本方法提高了脑电信号的识别精度，对运动想象脑机接口的研究有一定的价值。

Description

一种人体脑电信号的分类识别方法

技术领域

本发明涉及脑电信号处理及模式识别领域，尤其涉及一种人体脑电信号的分类识别方法。

背景技术

脑机接口(BCI)是一种记录和分析脑电图(EEG)脑信号的系统，允许大脑和外部环境之间的直接通信或交互，而无需肌肉协同运动。运动想象是受试者主动执行意识训练任务的BCI实验范式，可以帮助失去运动技能的人，控制外骨骼、智能轮椅、假肢等设备。由于脑信号的非平稳动态特性、低信噪比、复杂性，研究如何利用先进的信号处理算法来提取运动节律的变化，以及机器学习模型进行分类识别显得尤为重要。一套完整的脑机接口流程包括：脑电信号采集系统，脑电信号预处理，特征提取，分类识别和控制下位机动作。其中关键部分是特征提取和分类识别，使用合适的算法解码脑电信号直接决定脑机接口系统的有效性。公开的脑电信号特征提取方法主要有傅里叶变换，自适应回归，功率谱密度，小波变换，共空间模式等算法从脑电信号时域，频域，时频域，空间域多种角度提取脑电信号有效的信息。脑电信号分类算法主要有决策树，随机森林，逻辑回归，支持向量机，朴素贝叶斯，自适应梯度提升，极限梯度提升等算法可以将不同的任务有效分类。大多数研究者从单一域提取脑脑电信号特征，然后利用分类器直接进行分类识别，模型识别准确率不高。

发明内容

鉴于上述技术的不足，本发明的目的在于提出一种人体脑电信号的分类识别方法，从多角度提取脑电信号特征，然后将模型的预测输出进行校准，使用模型融合策略进一步提高脑电信号分类效果。

一种人体脑电信号的分类识别方法，包括如下步骤：

S1，对获取的运动想象脑电信号进行预处理；

S2，使用小波包结合共空间模式算法提取与运动想象相关的脑电特征；

S3，选择RF、SVM、LR、KNN、XGBoost、LightGBM 6种脑电信号分类模型，使用PlattScaling概率校准方法校准模型的有偏的预测输出，得到校准后的6种模型；

S4，从校准前后的共12种模型中筛选出效果好的模型进行模型融合，使用随机森林算法对融合模型的输出结果进一步训练；

S5，将运动想象脑电数据划分为训练集和测试集，其中训练集占百分之七十，测试集占百分之三十，将训练集脑电数据送入融合模型进行训练，然后利用测试集脑电数据进行验证，并输出模型的分类识别的结果。

进一步地，步骤S1中，脑电信号预处理包括如下分步骤：

S11，使用8-30Hz带通滤波器对脑电信号进行过滤；

S12，对脑电信号使用陷波器去除50Hz工频干扰；

S13，调用MNE工具箱内置的独立成分分析算法去除脑电信号中各种生理伪迹，完成脑电信号预处理步骤。

进一步地，步骤S2中，特征提取包括如下分步骤：

S21，选择db4小波对脑电信号进行小波包分解；

S22，对重构后的脑电信号使用共空间模式算法提取特征。

进一步地，步骤S21具体为，设小波包分解层数为i，对应层数下节点的个数为m，小波包分解节点记为(i,m)，则第i层，第k点的小波包分解系数

为：

其中，h_l-2k和g_l-2k为一对共轭正交滤波器，l为滤波器系数序号；

小波包分解后，将频带部分多层次划分，不同的节点对应着不同的频段，若脑电信号采样频率为f_s，则第i层各个节点对应的频率分别为：

确定每层各个节点对应的频率，选取需要的脑电信号频率进行信号重构，将第i-1层所在的第k点的脑电信号重构：

进一步地，步骤S22具体为，运动想象脑电数据归一化后得到的协方差矩阵为：

其中，X为脑电数据矩阵，T为脑电通道采样点数，trance(XX^T)为矩阵XX^T的迹；

计算运动想象左右手二分类任务下的脑电数据的平均协方差矩阵C₁(左手)和C₂(右手)，从而得到两类数据的公共空间的协方差矩阵C_c，表示为：

C_c＝C₁+C₂

将公共空间协方差矩阵进行特征值分解：

其中，特征矩阵为U_c，对角矩阵为λ_c；

将脑电特征值进行降序排列，特征向量进行从头排序，使用主成分分析算法对特征矩阵U_c进行白化变换得到矩阵P，将矩阵P作用于C₁和C₂得到S₁和S₂：

S₁＝PC₁P^T,S₂＝PC₂P^T

其中S₁和S₂具有一样的特征向量，特征值分解后：

S₁＝Bλ₁B^T,S₂＝Bλ₂B^T

其中λ₁和λ₂之和为单位矩阵，当特征向量B对于S₁有最大的特征值时，相应的对于S₂就有最小的特征值，利用矩阵B实现运动想象左右手任务的脑电信号的分类，得到投影矩阵W，W就是对应的空间滤波器：

W＝B^TP

将脑电训练集数据矩阵X₁、X₂通过构造的对应滤波器W滤波得到特征矩阵Z₁、Z₂:

Z₁＝WX₁

Z₂＝WX₂

设f₁和f₂为左右手的特征向量，定义如下：

对于测试集数据X_i来说，特征向量f_i求解如下：

将其与f₁和f₂进行比较确定第i次运动想象为左手动作还是右手动作。

进一步地，步骤S3中，具体包括如下分步骤：

S31，选择6种模型对脑电信号进行分类：RF、SVM、LR、KNN、XGBoost、LightGBM；

S32，Platt Scaling概率校准方法校准所述6种分类模型，确定最优参数a,b；使用Sigmoid函数对6种分类器的预测输出值进行拟合，将分类器的原始预测输出值映射为准确的概率值，其范围为(0,1)。

进一步地，步骤S32具体如下：

假设输入样本为x_i，分类器的预测输出值为f(x_i)，则分类器最终输出概率的计算公式为：

其中，参数a，b通过极大似然估计的方法求得：

其中，p_i为校准后的概率，y_i为输入样本的真实类别，p_i用下式表示：

在实际应用中，为了防止分类器过度拟合，使用下式给样本正类y₊和负类y_-赋值：

其中，N₊和N_-分别是正负样本的数量。

进一步地，步骤S4中，具体包括如下分步骤：

S41，基于步骤S2提取的脑电信号特征，将其划分为训练集和测试集；

S42，将划分好的脑电数据输入到所述12种分类模型中，选择其中表现靠前的几种分类模型进行模型融合；

S43，将步骤S42得到的结构为N x M的新特征矩阵输入到随机森林分类器中进行再训练，得到最终分类结果。

进一步地，步骤S42的模型融合具体如下：

将步骤S41划分的样本数总共N个的训练集和测试集输入到所述选取的几种分类模型中，分别在每个模型上进行交叉验证，将单个模型的输出结果纵向堆叠形成结构为N x1的矩阵结果，然后将所述几种分类模型纵向堆叠的结果进行横向拼接，形成结构为N x M的新特征矩阵，M为所选模型个数。

本发明的有益效果包括：(1)从不同角度挖掘与运动想象相关的脑电信号特征，减少了冗余信息；(2)引入概率校准的方法不仅将非概率模型的输出结果转化为概率类型，而且将概率模型的结果进一步提高，并且增加了模型的多样性；(3)使用模型融合策略，集各个分类器之所长，进一步提高分类准确率。

附图说明

图1为本发明实施例中方法的流程图。

图2为本发明实施例中受试者A03的原始脑电信号图。

图3为本发明实施例中小波包分解部分示意图。

图4为本发明实施例中六种基础模型经粗略调参后的参数表。

图5为本发明实施例中随机森林精细调参后的参数表。

图6为本发明实施例中模型融合选择的基础模型。

图7为本发明实施例中多种算法模型对9名受试者的脑电信号的分类准确率的对比表。

图8为本发明实施例中受试者A01的脑电信号在选择的几种较优模型下的ROC曲线对比图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1，本发明方法实施主要包括五个步骤：S1对获取的运动想象脑电信号进行预处理；S2使用小波包结合共空间模式算法提取与运动想象相关的脑电特征；S3选择RF、SVM、LR、KNN、XGBoost、LightGBM 6种脑电信号分类模型，使用Platt Scaling概率校准方法校准模型的有偏的预测输出，得到校准后的6种模型；S4从所有模型中筛选出效果较好的3到5种模型进行模型融合，使用随机森林算法对融合模型的输出结果进一步训练；S5，将运动想象脑电数据划分为训练集和测试集，其中训练集占百分之七十，测试集占百分之三十，将训练集脑电数据送入融合模型进行训练，然后利用测试集脑电数据进行验证，并输出模型的分类识别的结果。

结合图2-图7，流程步骤详细说明如下：

本实施例选用2008年BCI竞赛IV Datasets 2a脑电数据集进行实验验证。该数据集一共记录了9名受试者(A01，A02，A03，A04，A05，A06，A07，A08，A09)关于左手、右手、双脚和舌头四种不同的运动想象任务，每名受试者在不同的日期记录两次实验。本发明只对左右手两类任务进行分类，每个受试者的数据由两个部分组成，一部分用于训练，另一部分用于测试，每个部分都包含了144次试验，每次试验持续7.5秒。所有数据均是通过分布在头部的25个Ag/AgCl电极记录的，采样频率为250Hz，并对采集EEG信号进行0.5Hz-100Hz带通滤波，图2展示了受试者A03原始的脑电信号图。

步骤S1，对运动想象脑电信号进行预处理：删除3个眼电伪迹的通道；与运动想象相关的脑电节律主要集中在α节律(8～13Hz)和β节律(14～30Hz),使用8-30Hz带通滤波器对脑电信号进行过滤；对脑电信号使用陷波器去除50Hz工频干扰；调用MNE工具箱内置的独立成分分析算法去除脑电信号中各种生理伪迹，完成脑电信号预处理步骤。

步骤S2，使用小波包结合共空间模式深入挖掘脑电信号中的特征信息，图3为小波包分解部分示意图，对脑电信号进行4层分解，选取S(4，1)，S(4，2)，S(4，3)三个频段的脑电信号进行重构，使用共空间模式算法对脑电信号进一步提取特征，完成特征提取环节。具体细节包括：

选择’db4’小波对脑电信号进行小波包分解：

设小波包分解层数为i，对应层数下节点的个数为m,小波包分解节点记为(i,m)，则第i层，第k点的小波包分解系数

为：

其中，h_l-2k和g_l-2k为一对共轭正交滤波器，l为滤波器系数序号。

小波包分解后，将频带部分多层次划分，不同的节点对应着不同的频段，若脑电信号采样频率为f_s，则第i层各个节点对应的频率分别为：

确定每层各个节点对应的频率，选取需要的脑电信号频率进行信号重构，将第i-1层所在的第k点的脑电信号重构：

对重构后的脑电信号使用共空间模式算法提取特征：

运动想象脑电数据归一化后得到的协方差矩阵为：

其中，X为脑电数据矩阵，T为脑电通道采样点数，trance(XX^T)为矩阵XX^T的迹。

计算运动想象左右手二分类任务下的脑电数据的平均协方差矩阵C₁(左手)和C₂(右手)，从而得到两类数据的公共空间的协方差矩阵C_c，表示为：

C_c＝C₁+C₂

将公共空间协方差矩阵进行特征值分解：

其中，特征矩阵为U_c，对角矩阵为λ_c。

将脑电特征值进行降序排列，特征向量进行从头排序，使用主成分分析算法对特征矩阵U_c进行白化变换得到矩阵P，将矩阵P作用于C₁和C₂得到S₁和S₂：

S₁＝PC₁P^T,S₂＝PC₂P^T

其中S₁和S₂具有一样的特征向量，特征值分解后：

S₁＝Bλ₁B^T,S₂＝Bλ₂B^T

其中λ₁和λ₂之和为单位矩阵，当特征向量B对于S₁有最大的特征值时，相应的对于S₂就有最小的特征值，利用矩阵B实现运动想象左右手任务的脑电信号的分类，得到投影矩阵W，W就是对应的空间滤波器：

W＝B^TP

将脑电训练集数据矩阵X₁、X₂通过构造的对应滤波器W滤波得到特征矩阵Z₁、Z₂:

Z₁＝WX₁

Z₂＝WX₂

设f₁和f₂为左右手的特征向量，定义如下：

对于测试集数据X_i来说，特征向量f_i求解如下：

将其与f₁和f₂进行比较确定第i次运动想象为左手动作还是右手动作。

步骤S3中，选择RF、SVM、LR、KNN、XGBoost、LightGBM6种脑电信号分类模型，使用Platt Scaling概率校准方法校准模型的有偏的预测输出，得到校准后的6种模型。经实验对比，使用多种分类模型进行验证，最终选取RF、SVM、LR、KNN、XGBoost、LightGBM6种算法作为基础分类模型，图4列出6种基础模型通过学习曲线和半网格搜索方法粗略调参后的参数，由于篇幅所限，本发明只介绍RF、LR、KNN三种基础模型的参数，具体的：

RF：树模型的数量n_estimators为100；使用n_features的平方根作为分枝时的特征数量，即max_features为"sqrt"；从数据中抽取训练分类器的样本数量max_samples为0.9；随机数种子random_state为1412；其他参数按默认设置；

LR：模型收敛的最大迭代次数max_iter为1000；求解模型最优化的参数的算法solver设置为"newton-cg"；随机数种子random_state＝1412；其他参数按默认设置；

KNN：取临近点个数n_neighbors为7；调用CUP进程数量n_jobs为8；其他参数按默认设置；

引入Platt Scaling概率校准方法校准模型的输出值，得到6种模型，为模型融合提供了更多的模型选择多样性，概率校准具体细节如下：

假设输入样本为x_i，分类器的预测输出值为f(x_i)，则分类器最终输出概率的计算公式为：

其中，参数a，b通过极大似然估计的方法可求得：

其中，p_i为校准后的概率，y_i为输入样本的真实类别，p_i用式(3)表示：

在实际应用中，为了防止分类器过度拟合，使用下式给样本正类y₊和负类y_-赋值：

其中，N₊和N_-分别是正负样本的数量。

步骤S4，从所有模型中筛选出效果较好的3到5种模型进行模型融合，使用随机森林算法对融合模型的输出结果进一步训练。随机森林经精细调参后的参数如图5所示，具体的：

RF：树模型的数量n_estimators为29；衡量分枝的不纯度使用'gini'，criterion设置为'gini'；树的最大深度即max_depth为6；分枝时的特征数量max_features为2；一个叶节点要存在所需要的做小样本量min_samples_leaf为1；一个中间节点要分枝所需要的最小样本量min_samples_split为2；当一个节点分枝后引起的不纯度大于或等于0.001318时，则不会被剪枝，即min_impurity_decrease设为0.001318；随机数种子random_state为1412；调用CUP进程数量n_jobs为8；其他参数按默认设置。

模型融合的具体细节如下：

基于步骤S2所提取的脑电信号特征，将其划分为训练集和测试集；将划分好的脑电数据输入到所述12种分类模型中，选择其中表现靠前的3到5种分类模型进行模型融合，模型融合步骤如下：

将步骤S4划分的训练集和测试集(样本数总共N个)输入到所述选取的几种较优分类模型中，分别在每个模型上进行交叉验证，将单个模型的输出结果纵向堆叠形成结构为Nx 1的矩阵结果，然后将所述几种分类模型纵向堆叠的结果进行横向拼接，形成结构为N xM的新特征矩阵，M为所选模型个数；将得到的结构为N x M的新特征矩阵输入到随机森林分类器中进行再训练，得到最终分类结果。

图6展示了本发明实施例中模型融合选择的基础模型。图7展示了13种分类模型(包括融合后的模型)对9名受试者的脑电信号的分类准确率的对比表，结果显示模型融合后的平均分类准确率优于12种模型，达到89.65％，平均分类准确率ACA的计算公式如下：

其中，n为受试者个数，本发明受试者个数为9，所以n的取值为9，p_k为第k名受试者的分类准确率。

图8为受试者A01的脑电信号在选择的几种较优模型下的ROC曲线对比图，选取的待融合模型为SVM、LR、SVM+Sigmoid，其ROC曲线下的面积(AUC)分别为0.985201、0.982558、0.984144，而模型融合后的ROC曲线下的面积为0.992362，相比未融合的模型的AUC有所提高，可以说明本实施例提出的方法的有效性。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (9)

1.一种人体脑电信号的分类识别方法，其特征在于：所述方法包括如下步骤：

S1，对获取的运动想象脑电信号进行预处理；

S2，使用小波包结合共空间模式算法提取与运动想象相关的脑电特征；

S3，选择RF、SVM、LR、KNN、XGBoost、LightGBM 6种脑电信号分类模型，使用PlattScaling概率校准方法校准模型的有偏的预测输出，得到校准后的6种模型；

S4，从校准前后的共12种模型中筛选出效果好的模型进行模型融合，使用随机森林算法对融合模型的输出结果进一步训练；

S5，将运动想象脑电数据划分为训练集和测试集，其中训练集占百分之七十，测试集占百分之三十，将训练集脑电数据送入融合模型进行训练，然后利用测试集脑电数据进行验证，并输出模型的分类识别的结果。

2.根据权利要求1所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S1中，脑电信号预处理包括如下分步骤：

S11，使用8-30Hz带通滤波器对脑电信号进行过滤；

S12，对脑电信号使用陷波器去除50Hz工频干扰；

S13，调用MNE工具箱内置的独立成分分析算法去除脑电信号中各种生理伪迹，完成脑电信号预处理步骤。

3.根据权利要求1所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S2中，特征提取包括如下分步骤：

S21，选择db4小波对脑电信号进行小波包分解；

S22，对重构后的脑电信号使用共空间模式算法提取特征。

4.根据权利要求3所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S21具体为，设小波包分解层数为i，对应层数下节点的个数为m，小波包分解节点记为(i,m)，则第i层，第k点的小波包分解系数

为：

其中，h_l-2k和g_l-2k为一对共轭正交滤波器，l为滤波器系数序号；

小波包分解后，将频带部分多层次划分，不同的节点对应着不同的频段，若脑电信号采样频率为f_s，则第i层各个节点对应的频率分别为：

确定每层各个节点对应的频率，选取需要的脑电信号频率进行信号重构，将第i-1层所在的第k点的脑电信号重构：

5.根据权利要求3所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S22具体为，运动想象脑电数据归一化后得到的协方差矩阵为：

其中，X为脑电数据矩阵，T为脑电通道采样点数，trance(XX^T)为矩阵XX^T的迹；

计算运动想象左右手二分类任务下的脑电数据的左手及右手平均协方差矩阵C₁和C₂，从而得到两类数据的公共空间的协方差矩阵C_c，表示为：

C_c＝C₁+C₂

将公共空间协方差矩阵进行特征值分解：

其中，特征矩阵为U_c，对角矩阵为λ_c；

将脑电特征值进行降序排列，特征向量进行从头排序，使用主成分分析算法对特征矩阵U_c进行白化变换得到矩阵P，将矩阵P作用于C₁和C₂得到S₁和S₂：

S₁＝PC₁P^T，S₂＝PC₂P^T

其中S₁和S₂具有一样的特征向量，特征值分解后：

S₁＝Bλ₁B^T，S₂＝Bλ₂B^T

其中λ₁和λ₂之和为单位矩阵，当特征向量B对于S₁有最大的特征值时，相应的对于S₂就有最小的特征值，利用矩阵B实现运动想象左右手任务的脑电信号的分类，得到投影矩阵W，W是对应的空间滤波器：

W＝B^TP

将脑电训练集数据矩阵X₁、X₂通过构造的对应滤波器W滤波得到特征矩阵Z₁、Z₂：

Z₁＝WX₁

Z₂＝WX₂

设f₁和f₂为左右手的特征向量，定义如下：

对于测试集数据X_i来说，特征向量f_i求解如下：

将其与f₁和f₂进行比较确定第i次运动想象为左手动作还是右手动作。

6.根据权利要求1所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S3中，具体包括如下分步骤：

S31，选择6种模型对脑电信号进行分类：RF、SVM、LR、KNN、XGBoost、LightGBM；

S32，Platt Scaling概率校准方法校准所述6种分类模型，确定最优参数a，b；使用Sigmoid函数对6种分类器的预测输出值进行拟合，将分类器的原始预测输出值映射为准确的概率值，其范围为(0，1)。

7.根据权利要求6所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S32具体如下：

假设输入样本为x_i，分类器的预测输出值为f(x_i)，则分类器最终输出概率的计算公式为：

其中，参数a，b通过极大似然估计的方法求得：

其中，p_i为校准后的概率，y_i为输入样本的真实类别，p_i用下式表示：

在实际应用中，为了防止分类器过度拟合，使用下式给样本正类y₊和负类y_-赋值：

其中，N₊和N_-分别是正负样本的数量。

8.根据权利要求1所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S4中，具体包括如下分步骤：

S41，基于步骤S2提取的脑电信号特征，将其划分为训练集和测试集；

S42，将划分好的脑电数据输入到所述12种分类模型中，选择其中表现靠前的几种分类模型进行模型融合；

S43，将步骤S42得到的结构为N x M的新特征矩阵输入到随机森林分类器中进行再训练，得到最终分类结果。

9.根据权利要求8所述的一种人体脑电信号的分类识别方法，其特征在于：步骤S42的模型融合具体如下：

将步骤S41划分的样本数总共N个的训练集和测试集输入到所述选取的几种分类模型中，分别在每个模型上进行交叉验证，将单个模型的输出结果纵向堆叠形成结构为N x 1的矩阵结果，然后将所述几种分类模型纵向堆叠的结果进行横向拼接，形成结构为N x M的新特征矩阵，M为所选模型个数。

Images