CN116269440A - 一种脑电信号的特征提取方法、装置、系统及介质 - Google Patents

一种脑电信号的特征提取方法、装置、系统及介质 Download PDF

Info

Publication number
CN116269440A
CN116269440A CN202310274319.2A CN202310274319A CN116269440A CN 116269440 A CN116269440 A CN 116269440A CN 202310274319 A CN202310274319 A CN 202310274319A CN 116269440 A CN116269440 A CN 116269440A
Authority
CN
China
Prior art keywords
test data
frequency
time
feature
characteristic
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
Application number
CN202310274319.2A
Other languages
English (en)
Inventor
张绍荣
盘书宝
唐洪贶
莫云
王勇军
郭岩
冯宝
孙山林
蒋成亮
李运德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Aerospace Technology
Original Assignee
Guilin University of Aerospace Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Aerospace Technology filed Critical Guilin University of Aerospace Technology
Priority to CN202310274319.2A priority Critical patent/CN116269440A/zh
Publication of CN116269440A publication Critical patent/CN116269440A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请提供了一种脑电信号的特征提取方法、装置、系统及介质，涉及脑电信号处理技术领域，该方法包括获取脑电信号；使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时‑频‑空‑图域特征，将所述时‑频‑空‑图域特征作为对脑电信号提取得到的特征；本申请能够提取更完备的脑电信息，从而更完整表征脑电信号模式。

Description

一种脑电信号的特征提取方法、装置、系统及介质
技术领域
本申请涉及但不限于脑电信号处理技术领域，尤其涉及一种脑电信号的特征提取方法、装置、系统及介质。
背景技术
脑机接口(Brain-Computerlnterface，BCI)系统通过解码大脑信号并将其直接转换为对计算机或外部设备的控制命令，建立了直接的人机交互通道。头皮脑电(Electroencepha logram，EEG)具有非侵入性和高时间分辨率的特性，因此基于EEG的脑机接口系统在生理安全和实时控制方面具有明显优势。
运动想象脑电信号在运动控制领域具有天然的优势，然而，运动想象属于自发脑电，有用信号淹没在神经背景噪声当中，信噪比低、随机性强；而且，个体内变化和个体间差异也非常显著，使得运动想象脑电信号的解码非常困难。
现有的脑电信号的特征提取方法仍存在一定的局限性，并不能完整表征脑电信号模式。因此，如何对现有的脑电信号的特征提取方式进行改进，充分考虑脑电特性，提取完备、多视角的脑电特征成为亟待解决的问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种脑电信号的特征提取方法、装置、系统及介质，以提取更完备的脑电信息，从而更完整表征脑电信号模式。
第一方面，本申请实施例提供了一种脑电信号的特征提取方法，包括：
获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
在一些实施例中，所述分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，包括：
提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量；
提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量；
将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征。
在一些实施例中，所述提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量，包括：
获取单试次数据；
基于共同空间模式算法建立目标函数：所述目标函数用于表征两类不同任务的脑电信号的方差比值；
对所述目标函数进行求解，取多个较大特征值和较小特征值所对应的特征向量，形成空间滤波器；
基于所述空间滤波器对单试次数据进行滤波，确定滤波后的单试次数据的对数方差特征；
将所述对数方差特征级联，得到所述单试次数据对应的特征向量；
对每个单试次数据提取一组特征向量，将每个单试次数据的特征向量级联后得到时-频-空特征向量。
在一些实施例中，所述提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量，包括：
获取单试次数据；
构建所述单试次数据的脑网络图，将所述脑电信号中的每个电极通道分别作为脑网络图中的一个节点；采用基于相位同步的评价指标确定任意两个电极通道之间的关联度，作为脑网络图的边；
将脑网络图的节点和边组织成邻接矩阵形式，得到所述单试次数据的权重邻接矩阵，进而将所述权重邻接矩阵转化为二值邻接矩阵；
基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征；
将每个单试次数据的图域特征级联，得到时-频-图特征向量。
在一些实施例中，所述基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征，包括：
基于所述单试次数据的权重或者二值邻接矩阵计算全局图特征，所述全局特征包括特征路径长度、全局效率、模块度和传递性；
基于所述单试次数据的权重或者二值邻接矩阵计算局部图特征，所述局部图特征包括度、介数中心性、聚类系数和特征向量中心性；在局部图特征计算中，每个电极通道分别得到一个节点的图特征，将所有节点的局部特征取平均值得到局部图特征；
将所述全局图特征和局部图特征中的至少一种作为所述单试次数据的图域特征。
在一些实施例中，所述将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征，包括：
提取每个单试次数据中的一个全局图特征或一个局部图特征，作为所述单试次数据的时-频-图特征向量；或者，分别提取单试次数据中的一个全局图特征和一个局部图特征进行组合，作为所述单试次数据的时-频-图特征向量；
将每个单试次数据的时-频-图特征向量与时-频-空特征向量一一对应的融合，得到时-频-空-图域特征。
第二方面，本申请实施例还提供了一种脑电信号的特征提取装置，所述脑电信号的特征提取装置包括：
第一模块，用于获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
第二模块，用于使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
第三模块，用于分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
第三方面，本申请实施例还提供了一种脑电信号的特征提取系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的脑电信号的特征提取方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的脑电信号的特征提取方法。
本申请实施例包括以下有益效果：本申请提供的实施例中，通过提取单试次数据，结合图域特征学习丰富的图域信息。将每个单试次数据的空域特征与图域特征融合，采用时-频-空-图域特征提取方法能够提取更完备的脑电信息，从而更完整表征脑电信号模式。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的脑电信号的特征提取方法的流程图；
图2是本申请一个实施例提供的脑电信号的特征提取装置的结构示意图；
图3是本申请一个实施例提供的脑电信号的特征提取系统的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
运动想象脑电是一种多通道高维信号，通过放置在头皮上的多个电极采集得到，运动想象脑电与被试的响应时间、频带和大脑运动皮层的空间分布密切相关。相关技术中的研究表明，运动想象与大脑皮层的频带、时间窗和大脑皮层的空间分布都有关，它们之间相互影响、相互作用，应同时考虑，共同优化。因此，基于运动想象脑电的时-频-空间特征提取成为运动想象脑电解码的主流技术；然而，时-频-空特征仍然不能全面地描述脑电信号模式。
由于人类的大脑是一个复杂的网络，其中多个脑区协同工作。当人类执行一项特定的认知任务时，一些有用的信息会嵌入到复杂的大脑网络里面。基于脑网络的图域特征可以描述运动想象脑电的信号模式。因此，为解决背景技术中的问题，提取更完整的脑电信息，本申请将基于脑网络的图域特征结合到时-频-空特征中，联合提取得到时-频-空-图域特征，能够更加全面地描述脑电信号模式。
参考图1，本申请提供了一种脑电信号的特征提取方法，该方法包括：
步骤S100，获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到。
在一些实施例中，通过采集多个被试的脑电信号形成数据集；该数据集包含9个健康被试，分别记为：A01、A02、…、A09。每个健康被试分别执行四类运动想象任务，包括左手、右手、脚和舌头；将四类任务重新组合成6组二分类任务，比如LR表示左右手任务。该数据集使用22个电极通道，采样率为250Hz。在另一实施例中，数据集包含14个健康被试，分别记为：分别为S01、S02、…、S14。每个被试分别执行两类运动想象任务，包括右手和脚。该数据集使用15个电极通道，采样率为512Hz。为了减少数据量，将数据降采样为256Hz。每个被试参与8个轮次的实验，每个轮次20个试次(每个任务类别有10个试次)。
步骤S200，使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
在一些实施例中，使用滤波器组对所述脑电信号进行带通滤波，滤波器组的滤波频带分别为：8-12Hz、10-14Hz、…、26-30Hz。针对每个频带信号，使用多个滑动时间窗分别提取单试次数据，具体时间窗为：0.5-2.5s、1-3s、1.5-3.5s。通过以上处理，一共有10个频带，3个时间窗，因此可得到10*3＝30个时-频单元。每个时-频单元为一个单试次数据，且这些时-频单元的标签与原始脑电信号的标签相同。
步骤S300，分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
本申请提供的实施例中，结合脑网络构建方法、邻接矩阵和图域特征类型学习丰富的图域信息。将空域特征与图域特征融合，所提出的时-频-空-图域特征提取方法优于现有的时-频-空特征提取方法。采用时-频-空-图域特征提取方法能够提取更完备的脑电信息，从而更完整表征脑电信号模式。
作为可选的实施例，步骤S300中，所述分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，包括：
提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量；
提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量；
将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征。
在一些实施例中，针对每一个时-频单元，分别提取空域特征和图域特征。空域特征提取首先进行共同空间模式(common spatial pattern，CSP)空间滤波，然后提取对数方差特征。图域特征提取首先构建脑网络，本实施例使用3种脑网络构建方法和2种邻接矩阵形式。然后基于两种邻接矩阵分别提取8种图域特征。在特征提取的最后阶段，将单个时-频单元的空域特征与图域特征进行特征向量融合，并将每个融合后的时-频单元的特征向量进行级联，得到时-频-空-图域特征。
作为可选的实施例，所述提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量，包括：
步骤S311，基于共同空间模式算法建立目标函数：所述目标函数用于表征两类不同任务的脑电信号的方差比值；
步骤S312，对所述目标函数进行求解，取多个较大特征值和较小特征值所对应的特征向量，形成空间滤波器；
步骤S313，基于所述空间滤波器对单试次数据进行滤波，确定滤波后的单试次数据的对数方差特征：
步骤S314，将所述对数方差特征级联，得到所述单试次数据对应的特征向量；
步骤S315，对每个单试次数据提取一组特征向量，将每个单试次数据的特征向量级联后得到时-频-空特征向量。
下面是本申请提供的一个具体实施例：
建立目标函数，所述目标函数为：
Figure BDA0004135665280000051
其中，wS表示空间滤波器，wS∈RC，(·)T表示转置操作，C表示脑电信号的电极通道数，
Figure BDA0004135665280000052
表示第u个任务的平均协方差矩阵，/>
Figure BDA0004135665280000053
表示第v个任务的平均协方差矩阵；
需要说明的是，本实施例中的目标函数基于共同空间模式算法，R表示实数集，平均协方差矩阵通过对同一类运动想象任务的所有单试次数据求协方差矩阵之后取平均得到，公式(1)可以转化为一个待解的广义特征值问题，从解中得到的特征向量就是所寻求的空间滤波器。
对所述目标函数进行求解，取前m个最大特征值和后m个最小特征值所对应的特征向量，形成最终的空间滤波器W，W∈RC×2m，m代表空间滤波器对数的数量；
需要说明的是，较大特征值对应的特征向量包含了对第u类任务有用的空间信息，而较小特征值对应的特征向量包含了对第v类任务有用的空间信息。在一些实施例中，将m设为1。
对于单试次数据D，空间滤波后的信号如下：
Z＝WTD (2)；其中，z∈R2m×T，D∈RC×T，T表示每个电极通道的采样点数；
根据以下公式求得单试次数据在滤波后的对数方差特征：
Figure BDA0004135665280000054
其中，log(·)表示对数运算，var(·)表示方差运算，sp表示单试次数据空间滤波后第p个通道信号的对数方差特征，Zp表示空间滤波后的信号Z中的第p个电极通道的脑电信号，Zq表示空间滤波后的信号z中的第q个电极通道的脑电信号；
单试次数据对应的特征向量为：s＝[s1，s2，…，s2m]；
对每个单试次数据提取一组特征向量，将n个单试次数据(时-频单元)的特征向量级联后得到时-频-空特征向量：
Figure BDA0004135665280000061
其中，s表示时-频-空特征向量，
Figure BDA0004135665280000062
表示第i个时-频单元的空间特征。
作为可选的实施例，所述提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量，包括：
步骤S321，获取单试次数据；
步骤S322，构建所述单试次数据的脑网络图，将所述脑电信号中的每个电极通道分别作为脑网络图中的一个节点；采用基于相位同步的评价指标确定任意两个电极通道之间的关联度，作为脑网络图的边；
需要说明的是，在脑网络构建过程中，最关键的是确定评价指标，从而有效刻画电极信号之间的相互关系。由于本申请侧重于脑网络的图域特征提取而不是生理或者病理机制的解释，所以采用三种基于相位同步的指标构建脑网络，分别是相位锁值(PhaseLocking Value，PLV)、相位延迟指数(Phase Lag lndex，PLI)和加权相位延迟指数(Weighted Phase Lag Index，WPLI)。基于相位同步的指标构建脑网络可以避免脑电信号相位和波幅成分的干扰，相比时域的相关和频域的相干，相位同步指标鲁棒性更好。
步骤S323，将脑网络图的节点和边组织成邻接矩阵形式，得到所述单试次数据的权重邻接矩阵，进而将所述权重邻接矩阵转化为二值邻接矩阵；
步骤S324，基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征；
步骤S325，将每个单试次数据的图域特征级联，得到时-频-图特征向量。
需要说明的是，本实施例基于脑网络图进行图域特征提取，脑网络图是根据单试次数据构建的。最初得到的是权重邻接矩阵，通过设置阈值将权重邻接矩阵转成二值邻接矩阵。本申请中的图特征基于权重邻接矩阵和二值邻接矩阵计算得到。需要说明的是，本申请基于功能连接构建脑网络，即不考虑电极之间信息的流动方向，所以得到的权重邻接矩阵和二值邻接矩阵是没有方向且对称的。
作为可选的实施例，步骤S324中，所述基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征，包括：
基于所述单试次数据的权重或者二值邻接矩阵计算全局图特征，所述全局特征包括特征路径长度、全局效率、模块度和传递性；
基于所述单试次数据的权重或者二值邻接矩阵计算局部图特征，所述局部图特征包括度、介数中心性、聚类系数和特征向量中心性；在局部图特征计算中，每个电极通道分别得到一个节点的图特征，将所有节点的局部特征取平均值得到局部图特征；
将所述全局图特征和局部图特征中的至少一种作为所述单试次数据的图域特征。
需要说明的是，本实施例采用图论来分析和计算脑网络图的图特征。具体来说，本实施例使用了四种类型的全局特征和四种类型的局部特征作为图特征。对于全局特征，每个单试次数据都提取一个全局特征；对于局部特征，局部特征的维数与电极通道的数量相同，即一个局部特征对应一个电极通道(脑网络图中的节点)。
在本实施例中，局部特征包括度(DE)、介数中心性(BC)、聚类系数(CC)和特征向量中心性(EC)，全局特征包括特征路径长度(CPL)、全局效率(GE)、模块度(MO)和传递性(TR)；共八种图特征。所有的图特征均采用脑连接工具箱计算得到。
在局部特征提取过程中，每个节点会得到一个特征，即每个电极通道都会得到一个特征。为了减少特征维度，本实施例将所有节点的特征取平均值作为最终的图特征，即局部特征以所有节点中的同一类图特征的平均值参与特征融合；而全局特征的特征提取只返回一个特征，该图特征直接作为最终的图特征；因此，无论对于局部特征还是全局特征，在一个时-频单元里面只提取了一维的图特征，n个时-频单元包含n个图特征，n个时-频单元的图特征级联之后，得到时-频-图特征向量，具体如下：
g＝[g1，g2，…，gn] (5)；
其中，g表示一种局部图特征或全局图特征。g表示时-频-图特征向量。
在一些实施例中，脑电信号具有C个电极通道，构建的脑网络是一个大小为C×C的权重邻接矩阵。通过选择一个合适的阈值，可以进一步得到相同大小的二值邻接矩阵。本实施例为每个时-频单元构建脑网络并计算两个邻接矩阵。
作为可选的实施例，所述将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征，包括：
提取每个单试次数据中的一个全局图特征或一个局部图特征，作为所述单试次数据的时-频-图特征向量；或者，分别提取单试次数据中的一个全局图特征和一个局部图特征进行组合，作为所述单试次数据的时-频-图特征向量；
将每个单试次数据的时-频-图特征向量与时-频-空特征向量一一对应的融合，得到时-频-空-图域特征。
在一些实施例中，对于单类图特征与空域特征的融合，本实施例选择三种相位同步指标中的一种方法构建邻接矩阵，并且只选择其中一种邻接矩阵计算图特征。对于n个时-频单元可以得到n个图特征，分别与n个时-频单元的空域特征融合，得到的时-频-空-图域特征x为：
Figure BDA0004135665280000071
式中的
Figure BDA0004135665280000072
表示第i个时-频单元中的第j类图特征。需要说明的是，本申请只选8种图特征中的一种参与特征融合。
需要说明的是，本实施例中的图域特征有8种类型，但是采用超过三种类型的图域特征进行组合其分类效果并没有明显的提升。因此，在本实施例中最多组合两种类型的图特征，而且限定其中一种类型是全局图特征，另外一种类型是局部图特征。
对于两类图特征与空域特征的融合，特征融合过程与单类图特征类似，只是在计算图特征时分别提取一个局部特征和一个全局特征进行组合，得到的时-频-空-图域特征
Figure BDA0004135665280000073
为：
Figure BDA0004135665280000074
式中的
Figure BDA0004135665280000075
表示第i个时-频单元中的第L类局部图特征，/>
Figure BDA0004135665280000076
表示第i个时-频单元中的第G类全局图特征。
在一些实施例中，n＝30；需要说明的是，局部特征和全局特征都只选一种类型的图特征参与特征融合。本申请提供的实施例中，采用时-频-空-图域特征提取方法，将时-频-空-图域特征提取方法用于提取更完备的脑电信息，从而更完整表征脑电信号模式。结合3种脑网络构建方法、2种邻接矩阵和8种类型图域特征学习丰富的图域信息。所提出的时-频-空-图域特征提取方法优于现有的时-频-空特征提取方法。
另外，参考图2，在一实施例中，还提供了一种脑电信号的特征提取装置，脑电信号的特征提取装置包括；
第一模块100，用于获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到。
第二模块200，用于使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
第三模块300，用于分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，参照图3，本申请的一个实施例还提供了一种脑电信号的特征提取系统，该系统包括：存储器11、处理器12及存储在存储器11上并可在处理器12上运行的计算机程序。
处理器12和存储器11可以通过总线或者其他方式连接。
实现上述实施例的脑电信号的特征提取方法所需的非暂态软件程序以及指令存储在存储器11中，当被处理器12执行时，执行上述实施例中的脑电信号的特征提取方法。
此外，本申请的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的脑电信号的特征提取方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-R0M、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种脑电信号的特征提取方法，其特征在于，包括：
获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
2.根据权利要求1所述的脑电信号的特征提取方法，其特征在于，所述分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，包括：
提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量；
提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量；
将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征。
3.根据权利要求2所述的脑电信号的特征提取方法，其特征在于，所述提取每个单试次数据的空域特征，将每个单试次数据的空域特征级联，得到时-频-空特征向量，包括：
基于共同空间模式算法建立目标函数：所述目标函数用于表征两类不同任务的脑电信号的方差比值；
对所述目标函数进行求解，取多个较大特征值和较小特征值所对应的特征向量，形成空间滤波器；
基于所述空间滤波器对单试次数据进行滤波，确定滤波后的单试次数据的对数方差特征；
将所述对数方差特征级联，得到所述单试次数据对应的特征向量；
对每个单试次数据提取一组特征向量，将每个单试次数据的特征向量级联后得到时-频-空特征向量。
4.根据权利要求2所述的脑电信号的特征提取方法，其特征在于，所述提取每个单试次数据的图域特征，将每个单试次数据的图域特征级联，得到时-频-图特征向量，包括：
获取单试次数据；
构建所述单试次数据的脑网络图，将所述脑电信号中的每个电极通道分别作为脑网络图中的一个节点；采用基于相位同步的评价指标确定任意两个电极通道之间的关联度，作为脑网络图的边；
将脑网络图的节点和边组织成邻接矩阵形式，得到所述单试次数据的权重邻接矩阵，进而将所述权重邻接矩阵转化为二值邻接矩阵；
基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征；
将每个单试次数据的图域特征级联，得到时-频-图特征向量。
5.根据权利要求4所述的脑电信号的特征提取方法，其特征在于，所述基于所述权重或者二值邻接矩阵确定所述单试次数据的图域特征，包括：
基于所述单试次数据的权重或者二值邻接矩阵计算全局图特征，所述全局图特征包括特征路径长度、全局效率、模块度和传递性；
基于所述单试次数据的权重或者二值邻接矩阵计算局部图特征，所述局部图特征包括度、介数中心性、聚类系数和特征向量中心性；在局部图特征计算中，每个电极通道分别得到一个节点的图特征，将所有节点的局部特征取平均值得到局部图特征；
将所述全局图特征和局部图特征中的至少一种作为所述单试次数据的图域特征。
6.根据权利要求5所述的脑电信号的特征提取方法，其特征在于，所述将每个单试次数据的时-频-空特征向量与时-频-图特征向量融合后级联，得到时-频-空-图域特征，包括：
提取每个单试次数据中的一种全局图特征或一种局部图特征，作为所述单试次数据的时-频-图特征向量；或者，分别提取单试次数据中的一种全局图特征和一种局部图特征进行组合，作为所述单试次数据的时-频-图特征向量；
将每个单试次数据的时-频-图特征向量与时-频-空特征向量一一对应的融合，得到时-频-空-图域特征。
7.一种脑电信号的特征提取装置，其特征在于，所述脑电信号的特征提取装置包括：
第一模块，用于获取脑电信号；其中，所述脑电信号通过对被试在执行运动想象的任务时，以设定的采样率在多个电极通道进行信号采样得到；
第二模块，用于使用滤波器组对所述脑电信号进行带通滤波，得到多个频带信号，针对每个频带信号，使用多个滑动时间窗分别提取对应数量的单试次数据，得到多个单试次数据；
第三模块，用于分别提取每个单试次数据中的空域特征和图域特征，将每个单试次数据的空域特征与图域特征融合，得到时-频-空-图域特征，将所述时-频-空-图域特征作为对脑电信号提取得到的特征。
8.一种脑电信号的特征提取系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的脑电信号的特征提取方法。
9.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至6中任意一项所述的脑电信号的特征提取方法。
CN202310274319.2A 2023-03-21 2023-03-21 一种脑电信号的特征提取方法、装置、系统及介质 Pending CN116269440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310274319.2A CN116269440A (zh) 2023-03-21 2023-03-21 一种脑电信号的特征提取方法、装置、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310274319.2A CN116269440A (zh) 2023-03-21 2023-03-21 一种脑电信号的特征提取方法、装置、系统及介质

Publications (1)

Publication Number Publication Date
CN116269440A true CN116269440A (zh) 2023-06-23

Family

ID=86818309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310274319.2A Pending CN116269440A (zh) 2023-03-21 2023-03-21 一种脑电信号的特征提取方法、装置、系统及介质

Country Status (1)

Country Link
CN (1) CN116269440A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117357132A (zh) * 2023-12-06 2024-01-09 之江实验室 一种基于多层脑网络节点参与系数的任务执行方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117357132A (zh) * 2023-12-06 2024-01-09 之江实验室 一种基于多层脑网络节点参与系数的任务执行方法及装置
CN117357132B (zh) * 2023-12-06 2024-03-01 之江实验室 一种基于多层脑网络节点参与系数的任务执行方法及装置

Similar Documents

Publication Publication Date Title
CN108577835B (zh) 一种基于微状态的脑功能网络构建方法
CN106503799B (zh) 基于多尺度网络的深度学习模型及在脑状态监测中的应用
CN113158793B (zh) 一种基于多特征融合的多类运动想象脑电信号识别方法
CN108960299B (zh) 一种多类运动想象脑电信号的识别方法
Shovon et al. Directed connectivity analysis of functional brain networks during cognitive activity using transfer entropy
CN112800928B (zh) 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法
CN110859614A (zh) 基于加权相位滞后指数的数学天分青少年脑网络分析方法
US20070225932A1 (en) Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis
CN112450947B (zh) 一种针对情绪唤醒度的动态脑网络分析方法
Köster et al. A two-layer model of natural stimuli estimated with score matching
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
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
CA3063321A1 (en) Method, command, device and program to determine at least one brain network involved in carrying out a given process
CN106491083A (zh) 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用
Goksu et al. Sparse common spatial patterns in brain computer interface applications
Christodoulakis et al. On the effect of volume conduction on graph theoretic measures of brain networks in epilepsy
CN116269440A (zh) 一种脑电信号的特征提取方法、装置、系统及介质
Caramia et al. Optimizing spatial filter pairs for EEG classification based on phase-synchronization
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
Li et al. Spatial fusion of maximum signal fraction analysis for frequency recognition in SSVEP-based BCI
Shenoy et al. An iterative optimization technique for robust channel selection in motor imagery based brain computer interface
CN113255447A (zh) 脑电信号解码方法、装置、设备及计算机可读存储介质
CN117574059A (zh) 高分辨率脑电信号深度神经网络压缩方法及脑机接口系统
Lan et al. Estimating cognitive state using EEG signals
CN112259228A (zh) 一种动态注意力网络非负矩阵分解的抑郁症筛选方法

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