CN117235576A - 一种基于黎曼空间的运动想象脑电意图分类方法 - Google Patents
一种基于黎曼空间的运动想象脑电意图分类方法 Download PDFInfo
- Publication number
- CN117235576A CN117235576A CN202311197470.7A CN202311197470A CN117235576A CN 117235576 A CN117235576 A CN 117235576A CN 202311197470 A CN202311197470 A CN 202311197470A CN 117235576 A CN117235576 A CN 117235576A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- motor imagery
- riemann
- vmd
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 29
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012880 independent component analysis Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 235000003642 hunger Nutrition 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000489 vacuum metal deposition Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000863480 Vinca Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000021438 curry Nutrition 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及数据分类方法领域，公开了一种基于黎曼空间的运动想象脑电意图分类方法，包括步骤：S1.获取模型需要的运动想象脑电信号；S2.对数据进行预处理；S3.采用VMD效果定量评价指标作为HGS算法的适应度函数，对VMD算法进行参数自适应优化，可以有效避免模态混叠的发生，得到更完全的VMD分解结果；S4.预处理后的运动想象脑电信号采用自适应去噪算法进行处理，使用本发明所提出的去噪算法后信号SNR得到了提升，均方根误差降低；S5.采用黎曼空间内的数据裁剪算法对黎曼最小距离平均场分类器进行优化，将得到的去噪后运动想象脑电信号作为输入，提高分类准确率；S6.分类结果转换为控制信号，作为下位机的输入。
Description
技术领域
本申请涉及数据分类方法领域，具体涉及一种基于黎曼空间的运动想象脑电意图分类方法。
背景技术
运动想象(Motor Imagination,MI)，是指由人脑想象某一部分肢体运动，但实际上并不进行肢体运动的过程。更确切地说，MI指的是在大脑中想象某种躯干动作的整个流程，但在这期间内，却没有躯干的运动，仅靠运动的记忆激活大脑中对应躯干的运动区域。人体大脑在进行MI活动的过程中，会对神经元进行刺激，从而产生一系列的电信号。对上述电信号进行采集，就可以得到常说的脑电信号(Electroencephalogram,EEG)。对运动想象脑电信号(Motor Imagery EEG,MI-EEG)进行预处理、特征提取、特征分类后转换为计算机指令就可以得到基于MI-EEG的脑机接口，完成操纵智能轮椅、双臂机器人、控制无人机、驾驶虚拟汽车等任务。
张瑞林等(光学学报,2022)提出一种基于变分模态分解和小波阈值函数复合算法的二次谐波降噪方法，对变分模态的定量评价指标为模态的带宽、各个模态分量的中心频率、相关性系数。然而变分经验模态分解(Variational Mode Decomposition,VMD)算法也存在固有缺陷，即需要预先定义模态数K和惩罚因子α。当K和α设置不合理时，可能会出现模态混叠或者引发边界效应，严重影响信号分解效果。人工手动设置K和α参数值的方式不仅费时费力、难以找到最优参数值，而且难以应用于实际系统。
VMD算法实现过程中还存在参数赋值困难的问题。王宏旭等(长春理工大学学报(自然科学版),2021)提出小波去噪的原理是将小波进行分解，再对小波进行多尺度变换，尽可能提取有用的脑电信号。然后再根据波恩脑电信号特征和噪声特点，选择合适的去噪模型，利用贝叶斯估计后的系数进行小波重构，从而得到去噪后的脑电信号。然而，小波去噪的效果与所选择的小波基函数密切相关。不同的小波基函数对信号的特征提取能力不同，因此需要根据具体应用场景和信号特点选择合适的小波基函数，这需要一定的经验或试验。且小波去噪通常会通过滤波来减少信号中的高频噪声成分，但这也可能导致一些有用的高频细节被丢失。在某些应用中，保留细节信息可能是很重要的，因此需要在去噪过程中平衡信号平滑性和细节保留之间的权衡；小波去噪通常需要调节一些参数，如阈值大小、阈值类型等。不同的参数设置可能会导致不同的去噪效果，但调节这些参数并不总是直观和简单的。对于复杂的信号或噪声环境，找到最佳参数设置可能需要大量的试验和优化；小波去噪在信号的边界处可能会引入边界效应，导致去噪后的信号出现不连续或失真。这是因为小波变换是基于局部窗口来进行的，而边界处的窗口可能无法完全包含信号的全部特征，从而引起处理不准确或者产生伪像；小波去噪的计算复杂性较高，尤其是对于长时间序列或高维信号。在实时应用或者资源有限的系统中，需要考虑计算复杂性对实时性和效率的影响。
另外，目前常见的运动想象脑电信号(Motor Imagery EEG,MI-EEG)四分类任务分类器存在分类准确率低、而深度学习方法所需要的模型训练时间较长的问题。李红利等(中国医学物理学杂志,2022)提出WMFF和CMFF方法，WMFF方法基于EEGNet的基础改进而来，EEGNet是一种浅层神经网络，引入了深度卷积和可分离卷积，有效降低了网络参数，WMFF模型分为时间卷积层、深度卷积层和可分离卷积层3部分，CMFF网络融合了CNN和LSTM两种不同的模型，分别提取中间层特征，其提出的WMFF和CMFF脑电信号四分类平均分类准确率分别达到76.19％和80.46％。Azab A M等(IEEE Transactions on Neural Systems andRehabilitation Engineering,2019)提出基于有监督加权逻辑回归的迁移学习方法将正则化参数添加到分类器的目标函数中，以使分类参数尽可能接近其他相似被试的分类参数，取得75.6％的平均分类准确率。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种基于黎曼空间的运动想象脑电意图分类方法。
为实现以上目的，本发明采用如下技术方案：
一种基于黎曼空间的运动想象脑电意图分类方法，包括以下步骤：
S1.获取模型需要的运动想象脑电信号，对运动想象脑电信号样本进行取帧；
S2.对数据进行预处理；
S3.采用VMD效果定量评价指标作为饥饿游戏搜索算法(HGS)算法的适应度函数，对VMD算法进行参数自适应优化；所述VMD效果定量评价指标包括VMD分解后的归一化残差功率Pres、模态分量uk的最小包络熵min(Ep)、相邻模态分量uk的中心频率之差
S4.预处理后的运动想象脑电信号采用自适应去噪算法进行处理，具体为，先使用步骤S3中自适应优化后的VMD算法进行分解，对其含噪分量使用独立成分分析算法(ICA)进行去噪；再进行ICA逆变换，重构运动想象脑电信号，完成去噪步骤；
S5.采用黎曼空间内的数据裁剪算法对黎曼最小距离平均场分类器进行优化，将步骤S4中得到的去噪后运动想象脑电信号作为该算法的输入，得到分类结果；
S6.分类结果转换为控制信号，作为下位机的输入。
进一步地，所述步骤S2中，预处理包括插值操作、共空间模式、8-30Hz带通滤波、手动添加高斯白噪声。
所述VMD效果定量评价指标，其表达式如公式(1)所示：
式中，Vres(i)为残差信号第i个采样点的幅值；N为采样点个数；为双曲正切函数，用于将残差信号的功率进行归一化；
式中，hk是VMD分解后得到的模态分量uk经过Hilbert解调后得到的包络信号；εk(i)是通过计算uk的归一化得到的概率分布序列；Ep(k)为第k个模态分量的包络熵；
式中，k＝1,…,K表示第k个模态分量；为第k个模态分量与第k-1个模态分量中心频率之差的归一化值，fC(k)为第k个模态分量中心频率；
fC(k)为第k个模态分量？为常用的一种归一化函数，用于将模态分量的中心频率差进行归一化；
式中，λ∈[0,+∞]为Ep(k)与Pres的平衡系数。
优选的，取λ＝0.2。
进一步地，所述自适应去噪算法：首先使用饥饿游戏搜索算法对VMD中的两个参数：模态数K和惩罚因子α进行自适应优化；然后，对所得含噪分量使用独立成分分析算法进行去噪，再将其重新组合。
进一步地，所述黎曼空间内的数据裁剪算法，在分类前根据相邻样本的类标对训练样本进行修剪，以剔除部分离群点。
进一步地，所述黎曼空间内的数据裁剪算法，具体包括以下步骤：
1).根据公式(16)计算已知标签样本Xi的协方差矩阵Pi；
对于k分类问题，训练集中第k个分类的样本集记为其中/>为第k个分类所对应的试次标号；
式中Ts表示采样率；
2).根据公式(19)计算已知标签样本协方差矩阵两两之间的黎曼距离δR(Pi,Pj),其中样本与自身的黎曼距离被定义为δR(Pi,Pi)＝∞；
δR(P,Pi)＝||LogP(Pi)||P＝||Si||P＝||upper(P-1/2LogP(Pi)P-1/2)||2＝||si||2(19)
si为规范化切空间上的m维向量upper(P-1/2LogP(Pi)P-1/2)；
3).对于第i个样本，其最近邻为arg minjδR(Pi,Pj)；P为待分类标签样本X的协方差矩阵；
4).判断每个已知标签样本Xi的协方差矩阵Pi的类标与其最近邻Pj是否一致；若一致，则保留Pi，若不一致，则删除Pi；
5).使用剩余Pi计算训练集的黎曼幂均值，代入黎曼最小距离平均场分类器(RMDMF)进行后续计算。
进一步地，含噪的原始运动想象脑电信号被分类为四类控制信号，将所述四类控制信号发送至下位机即可实现对下位机的有效控制。
与现有技术相比，本发明具有以下有益效果：
(1)VMD具有严格的数学理论推导和较好的噪声鲁棒性，可以在很大程度上抑制模态混叠现象。VMD的主要问题是它的K和α两个参数难以选择，若参数设置不当，则会严重影响VMD的分解效果。本申请使用HGS算法对VMD算法中的K和α两个参数进行自适应优化，采用参数自适应优化变分模态分解算法(HGS-VMD)，以提高VMD算法的性能。本发明分别以VMD分解后的归一化残差功率Pres衡量信号分解程度，以模态分量uk的最小包络熵min(Ep)衡量分解后模态分量的含噪程度，以相邻模态分量uk的中心频率之差衡量模态分量之间的模态混叠程度，作为判断VMD分解结果优劣的评价指标，以提高VMD算法的性能。将本发明所提出的评价指标作为VMD参数寻优适应度函数时，可以有效避免模态混叠的发生，同时得到更完全的VMD分解结果。
(2)由于脑电信号具有复杂性，在使用VMD分解EEG信号后，得到的噪声在每个固有模态分量(Intrinsic Mode Function,IMF)之中依然会混有一定程度的噪声信号。如果直接对这部分含噪的IMF分量进行删除，则会丢失一些EEG信号的相关信息，同时导致后续无法得到较好的去噪效果。而独立成分分析(Independent Component Analysis,ICA)算法作为一种常用的盲源分析方法，其优势在于可以将多个观测信号分解为互相独立的源信号。如果将这些含噪的IMF分量作为ICA的观测信号，就可以实现对EEG信号的进一步去噪。本申请对运动想象脑电信号采用自适应去噪算法，使用本申请所提出的去噪算法后信号SNR得到了提升，均方根误差MSE降低。
(3)本发明提出一种黎曼空间内的数据裁剪算法，在分类器求取黎曼均值之前，在黎曼空间根据相邻样本的类标对训练样本进行修剪，以剔除部分离群点。离群点的剔除使得寻找黎曼中心的过程更加可靠，从而提高了黎曼最小距离平均场分类器的性能，提高分类准确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请基于黎曼空间的运动想象脑电意图分类方法示意图；
图2为本申请技术路线图；
图3为脑电采集放大器；
图4为标准10-20系统电极分布图；
图5为VMD评价指标构建流程图；
图6为运动想象脑电信号去噪算法流程图；
图7为脑电信号经ICA去噪的过程示意图；
图8为黎曼空间内裁剪算法流程图；
图9为不同参数下VMD分解所得残余分量；
图10为不同参数下VMD分解结果；
图11为信噪比为10:1的含噪信号；
图12为四种分类器AUC值箱线图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
如图1和2所示，一种基于黎曼空间的运动想象脑电意图分类方法，包括以下步骤：
S1.获取模型需要的运动想象脑电信号，对运动想象脑电信号样本进行取帧；
S2.对数据进行预处理，主要包括插值、共空间模式、带通滤波、手动添加高斯白噪声；
S3.提出VMD效果定量评价指标作为适应度函数，结合HGS算法构建VMD自适应分解算法，对VMD算法进行参数自适应优化；
S4.预处理后的运动想象脑电信号经过S3中提出的自适应分解算法后，对其含噪分量使用ICA进行去噪；进行ICA逆变换，重构运动想象脑电信号，完成去噪步骤；
S5.提出黎曼空间内的数据裁剪算法对黎曼最小距离平均场分类器进行优化，将步骤S4中得到的去噪后运动想象脑电信号作为该算法的输入，得到分类结果；
S6.分类结果转换为控制信号，作为下位机的输入。
本实施例采用美国旧金山的Neuroscan公司研发的便携式40导Nu Amps脑电采集放大器，它尺寸小，性能好，带宽高，如图3所示。Nu Amps的带宽从0到262Hz，使它非常适用于EEG和ERP研究，模拟输入40导单极(可通过计算得到双极)，同时采集40导数据，采样频率125Hz、250Hz、500Hz、1000Hz每导，并且可通过软件对每导采样频率进行设置，具有16位LCD背景光显示，主要显示放大器状态和阻抗。软件设备是Neurosca的信号分析软件Scan、Curry。本发明采集运动想象脑电数据时，电极按照国际10-20标准系统进行放置，电极的图解放置如图4所示。
VMD效果定量评价指标：本申请提出一种基于归一化残差功率、包络熵和相邻模态分量的中心频率之差的VMD效果定量评价指标，指标构建过程如图5所示，公式(1)是本发明所提出评价指标的表达式。
式中，Vres(i)为残差信号第i个采样点的幅值；N为采样点个数；为双曲正切函数，用于将残差信号的功率进行归一化。
式中，hk是VMD分解后得到的模态分量uk经过Hilbert解调后得到的包络信号；εk(i)是通过计算uk的归一化得到的概率分布序列；Ep(k)为第k个模态分量的包络熵。
式中，k＝1,…,K表示第k个模态分量；为第k个模态分量与第k-1个模态分量中心频率之差的归一化值，fC(k)为第k个模态分量中心频率；/>为常用的一种归一化函数，用于将模态分量的中心频率差进行归一化。
式中，λ∈[0,+∞]为Ep(k)与Pres的平衡系数，本发明经过大量实验，取λ＝0.2。
运动想象脑电信号自适应去噪：根据MI-EEG信号来源多样以及非平稳的特点，本申请以数据驱动型的VMD算法作为设计运动想象脑电信号自适应去噪算法的基础。针对VMD算法实现过程中参数赋值困难的问题，首先使用饥饿游戏搜索算法对VMD中的两个参数进行自适应优化。然后，对所得含噪分量使用独立成分分析算法进行去噪，再将其重新组合，提出运动想象脑电信号的自适应去噪算法。最后，本发明对BCI Competition IV 2a四分类MI-EEG数据集进行预处理后添加高斯白噪声，作为后续验证过程中使用的待去噪数据集。在该数据集上进行了去噪效果验证，验证结果说明了所提出去噪算法的有效性。本发明所提出运动想象脑电信号自适应去噪算法的流程图如图6所示。
饥饿游戏搜索算法(Hunger Games Search,HGS)是根据动物饥饿驱动活动和行为进行设计的。动物接近食物的行为可以用(5)表示。
式中，Game1模拟动物单独觅食行为，Game2和Game3分别模拟群体配合觅食行为；表示介于[-a,a]的随机数，a为收敛因子，a随着迭代次数的增加从2线性递减至0；r1与r2均为[0,1]之间的随机数；rand(1)是满足标准正态分布的随机数；t为当前迭代次数；/>和/>表示饥饿权重；/>表示全局最优位置；/>表示当前个体位置；l是设置的常数，本实施例设置为0.08。E的计算公式如公式(6)所示。
E＝sech(|F(i)-BF|) (6)
式中F(i),i∈(1,2,...,N)表示第i个个体的适应度值；BF表示当前最优适应度值；sech(.)表示一个双曲函数，其表达式如公式(7)所示。
sech(x)＝ex+e-x (7)
的计算公式由公式(8)给出。
式中r3为[0,1]的随机数；a的计算方法由公式(9)给出。
式中Maxiter表示最大迭代次数。
对个体的饥饿特征进行数学建模。式(5)中计算式如公式(10)所示。
式(5)中计算式如公式(11)所示。
式中hungry代表每个个体的饥饿度；N表示个体总数；SHungry是所有个体饥饿度总和，即sum(hungry)；r3，r4和r5均为[0,1]的随机数；hungry(i)计算公式如(12)所示。
在每一轮的迭代过程中，将最佳个体的饥饿度幅值设置为0。H的计算公式如公式(13)所示。
式中，r6和r7均为[0,1]之间的随机数；LH是H的下限，取LH＝100；WF是上一次的迭代过程中所获得的最差适应度；UB和LB分别表示搜索空间的上限和下限。
独立成分分析(Independent Component Analysis,ICA)是一种盲源分析的有效方法。设M个观测信号为X＝[x1(i),x2(i),…,xM(i)]T，此时有N个彼此独立的源信号为S＝[s1(i),s2(i),…,sN(i)]T，则ICA算法的具体数学模型如公式(14)和公式(15)所示。
X＝B·S (14)
Y＝G·X (15)
式中，Y为S的估计值，B为混合矩阵，G为分离矩阵。
ICA算法以观测信号X为基础，通过对分离矩阵G进行计算，就可以得到源信号的估计值Y，同时令Y尽量地靠近源信号S。另外，只有在满足以下三个条件的情况下，才可以实现ICA：
(1)以统计学的角度来看，所有的源信号必须相互独立；
(2)混合矩阵B必须为方阵；
(3)独立成分不能是高斯分布。通常而言，对于一组独立成分来说，其中最多只能存在一个是高斯分布的独立成分。
在EEG信号的分析过程中，采集的原始EEG信号是由信号和各类噪声叠加而成。通常认为信号和噪声是彼此独立的信号。因此，如果对原始EEG信号使用ICA分解，就可以得到含噪分量和不含噪分量。将含噪分量去除，然后将其他信号进行重组，就可以实现对EEG信号的去噪。图7为通过ICA对含噪信号进行去噪的过程。
在图7所示的过程中，电极名称由原始EEG信号X的行进行表示，在不同时间节点测量得到的EEG信号幅值由原始EEG信号X的列进行表示。多通道电极的EEG信号被ICA利用分离矩阵G分解为一组独立分量Y。这些分量拥有在时间上独立并且在空间上固定的特性。在所得到的独立分量Y之中将噪声分量IC1和IC6进行删除，就可以得到矫正后的独立分量Yc。之后，将上一步中得到的Yc与分离矩阵的逆矩阵G-1进行乘法运算就可以得到经过矫正的EEG信号Xc。图7中的EEG信号地形图是竖线标记时间点处头皮电极上各个独立分量映射强度的反映，图7右侧的条形反映的是各个信号分量强度的大小。
运动想象脑电信号分类：选择黎曼最小距离平均场分类器作为分类算法的基础，并在此基础上进行改进，提高其分类器性能。为提高黎曼最小距离平均场分类器的性能，本申请提出一种黎曼空间内的数据裁剪算法，在分类前根据相邻样本的类标对训练样本进行修剪，以剔除部分离群点，从而提高黎曼最小距离分类器性能，并对该裁剪算法的有效性进行了验证分析。本发明所提出黎曼空间内裁剪算法的流程图如图8所示。
在分类算法中，通过求取协方差矩阵可以得到特征之间的相关关系，从而搭建分类器对数据进行分类。协方差矩阵的几何意义是一种SPD矩阵，由SPD矩阵所张成的空间被称为SPD流形。SPD流形是黎曼流形中的一种。黎曼最小距离分类器(Riemannian MinimumDistance to Means,RMDM)的核心思想为先求取每个分类协方差矩阵的黎曼均值，再求取待分类样本到每个分类黎曼中心之间的测地线距离。待分类样本的标签即为与该样本黎曼测地线距离最小的黎曼中心所对应的分类标签。
对于k分类问题，训练集中第k个分类的样本集记为其中/>为第k个分类所对应的试次标号。
式中Ts表示采样率。
黎曼最小距离分类器的流程如下所示。
1)根据公式(16)计算已知标签样本Xi的协方差矩阵Pi；
2)根据公式(16)计算待分类标签样本X的协方差矩阵P；
3)根据公式(17)计算每个分类中样本协方差矩阵的黎曼均值其中的k＝[1:K]表示分类的标签；
4)根据公式(18)计算各个P到之间的黎曼距离
5)寻找使黎曼距离最小的即为待分类样本X的标签。
本申请提出一种黎曼空间内的数据裁剪算法，先计算每个样本的样本协方差矩阵，再根据每个样本协方差矩阵与相邻样本协方差矩阵的类标异同决定是否保留该样本数据。裁剪样本集后，使用剩余的训练样本求取黎曼均值，从而提高分类准确率。所述黎曼空间内裁剪算法的算法伪代码在表1中给出。
表1黎曼空间内裁剪算法伪代码
所述黎曼空间内裁剪算法的算法步骤如下：
1)根据公式(16)计算已知标签样本Xi的协方差矩阵Pi；
2)根据公式(19)计算已知标签样本协方差矩阵两两之间的黎曼距离δR(Pi,Pj),其中样本与自身的黎曼距离被定义为δR(Pi,Pi)＝∞；
δR(P,Pi)＝||LogP(Pi)||P＝||Si||P＝||upper(P-1/2LogP(Pi)P-1/2)||2＝||si||2(19)
si为规范化切空间上的m维向量upper(P-1/2LogP(Pi)P-1/2)；
3)对于第i个样本，其最近邻为arg minjδR(Pi,Pj)；
4)判断每个已知标签样本Xi的协方差矩阵Pi的类标与其最近邻Pj是否一致。若一致，则保留Pi，若不一致，则删除Pi；
5)使用剩余Pi计算训练集的黎曼幂均值，代入RMDMF进行后续计算。
含噪的原始运动想象脑电信号经过本申请所提出的去噪及分类算法后，被分类为四类控制信号，将该控制信号发送至下位机即可实现对下位机的有效控制。
实施例2
本实施例基于MI-BCI系统中的去噪算法和分类算法方面，对提出的MI-EEG信号自适应去噪算法在信号信噪比(SNR)和信号均方根误差(RMSE)两方面进行了验证，并对改进后的黎曼空间内的裁剪算法与原算法使用AUC指标进行K-折交叉验证。具体内容包括：
(1)VMD效果定量评价指标：
在BCI(脑机接口)方面，VMD被用于从EEG信号中提取特征，以实现对大脑活动的监测和控制。然而，VMD在脑机接口方面存在一些问题和挑战。首先，在脑机接口应用中，脑电信号往往包含许多干扰因素，如肌电干扰、眼动干扰等，这些干扰信号可能会影响VM D的分解结果，导致提取到的特征不准确。其次，VMD在处理非平稳信号时可能存在困难。脑电信号的频率和振幅通常会随着时间发生变化，这使得VMD的分解结果可能随着时间而变化。此外，VMD作为一种数据驱动的方法，对于信号分解的结果可能缺乏解释性。
在运动想象脑机接口去噪算法的研究中，使用VMD可以提取出与运动想象活动相关的有效信号成分，从而改善MI-BCI系统的准确性和稳定性。通过对运动想象信号进行去噪处理，可以削弱或去除干扰信号，提高MI-BCI系统对运动想象活动的识别和解码能力，为BCI的应用提供更可靠的基础。
当前研究人员在进行VMD分解时，其分解结果缺少可靠的定量评价指标。常见判断VMD分解效果的方式主要有两种。第一种是人工观察VMD分解后频谱图的模态混叠情况以及残余分量的能量等。这些判断方法依赖使用者的经验，且当图像较为相近时，以肉眼难以判断哪种分解结果更优。第二种是使用峭度、包络熵等指标对VMD的分解结果进行评价。但经过实际验证，上述评价指标并不能准确反映VMD算法的分解效果。
本申请提出一种变分模态分解效果评估量化指标，分别以VMD分解后的归一化残差功率衡量信号分解程度，以模态分量的最小包络熵衡量分解后模态分量的含噪程度，以相邻模态分量的中心频率之差衡量模态分量之间的模态混叠程度，作为判断VMD分解结果优劣的评价指标，为分解结果提供了一种可靠的定量评价指标。
VMD分解量化评价指标测试：分别对VMD的K和α参数赋不同值，每次分解所对应的残余分量如图9所示，分解结果如图10所示，分解结果如图10所示，所对应的评价指标如表2所示。其中图9和图10中的(a)至(f)分别对应表2中的第1行至第6行
表2不同参数下量化指标测试结果
从图9可以看出，其中图(a)、图(b)、图(c)都没有发生明显的模态混叠，图(d)中有轻微模态混叠现象，而图(e)、图(f)两幅图中模态混叠现象严重。从图10可以看出，其中图(b)、图(c)、图(e)、图(f)中含有较多残余分量，说明其分解不完全。所以图10中的VMD分解效果应该为(a)>(b)>(d)>(c)>(e)≈(f)。对照表2中的结果，从大到小排列为(a)>(b)>(d)>(c)>(e)>(f)，说明所提出指标具有可行性，可以反应VMD的分解效果，且对一些凭经验难以对比的VMD分解结果也可以做出有效区分。
(2)运动想象脑电信号自适应去噪：
通过脑机接口系统，智能轮椅可以根据运动想象脑电信号的变化来判断用户的意图，并执行相应的动作。自适应去噪技术可以有效地减少脑电信号中的噪声干扰，提高信号的质量和准确性，从而增强智能轮椅控制的稳定性和可靠性。目前主流的去噪算法多数需要知道待去噪信号噪声源的先验知识，并以此选择相应的参数及基函数等进行去噪。这种手动选取参数的过程极为繁琐且难以确定最优参数。与之相比，深度学习的方法虽然不需要知道噪声源的先验知识，但针对不同类型的数据如果每次都重新训练，则过于耗时。需要研究一种自适应的去噪方式，根据输入含噪信号的不同自动选择不同的参数进行去噪，以提升去噪算法的性能。
去噪算法性能评估：采用中心频率阈值法将模态分量划分为含噪分量和不含噪分量，各模态分量的中心频率列在表中。
表3各模态分量中心频率
观察表3中模态分量所对应的中心频率，其中的u5、u6、u7在0.5-30Hz范围内，这三个模态分量为有效分量，将剩余的u1、u2、u3、u4作为含噪分量使用ICA算法进行降噪。然后将ICA降噪后的分量与不含噪分量进行重构，完成降噪过程。含噪信号的波形与降噪后信号的波形如图11所示，其中，图(a)为去噪前信号的时域波形图，图(b)为去噪前信号的幅频图，图(c)为去噪后信号的时域波形图，图(d)为去噪后信号的幅频图。
图11中图(a)与图(b)对应的去噪前信号信噪比(SNR)为10，信号均方根误差(RMSE)为0.8595。图(c)与图(d)对应的去噪后信号SNR为15.8706，RMSE为0.4372。应用本申请所提出的去噪算法后信号SNR提升了5.8706，即提升58.706％，均方根误差MSE降低了0.4223，即降低了49.133％。该结果证明了本申请所提出去噪算法的有效性。
加入不同的噪声信号，令含噪信号的SNR分别为10、9、8、7、6、5，分别使用VMD和本发明所提出的去噪方法对上述噪声信号进行去噪，使用信号去噪前后的SNR与RMSE进行去噪结果评价，结果如表4所示。
表4去噪算法对比
根据表4可知，所提出的运动想象脑电信号自适应去噪算法在面对不同信噪比的含噪信号时，去噪效果均比单独使用VMD去噪方法更优。相较于单独使用VMD去噪方法，在各种信噪比下，使用本申请所提出的运动想象脑电信号自适应去噪方法进行去噪操作后，所得信号的SNR平均上升了2.2871％，RMSE平均下降了4.2219％。(3)运动想象脑电信号分类：
在脑机接口中，运动想象脑电信号分类是指通过对脑电信号进行分析和处理，将不同类型的运动想象进行分类。运动想象脑电信号分类技术利用脑电信号中与运动想象相关的特征进行分类和识别，从而实现对不同运动意图的判别。通过训练机器学习算法，可以将脑电信号与特定的运动意图相对应，例如向前、向后、左转、右转等。当用户产生相应的运动想象时，脑电信号经过分类和解码处理后，智能轮椅就能实现相应的动作。通过运动想象脑电信号分类技术，智能轮椅可以实现更加直观、自然的控制方式，提高用户的独立性和生活质量，还可以根据用户的运动想象意图进行精确的控制，实现与人的直接互动和协作。尽管目前仍存在一些挑战和限制，如信号噪声、个体差异等，但随着技术的不断进步和研究的深入，运动想象脑电信号分类技术在智能轮椅领域的应用前景仍然非常广阔。
本发明使用K-折交叉验证在BCI Competition IV 2a运动想象公开数据集上对比黎曼最小分类器(RMDM)、裁剪后黎曼最小分类器(Cut-RMDM)、黎曼最小距离平均场分类器(RMDMF)、裁剪后黎曼最小距离平均场分类器(Cut-RMDMF)四种分类器的性能。K的取值一般在[2,10]之间，本实施例取K＝5。本实施例中K-折交叉验证的步骤如下所示：
(1)将样本量为N的数据集均分为K份。每次将其中的一份数据作为验证集，其他的数据作为训练集，就可以得到K组相互不同的数据集。
(2)在步骤(1)得到的K组数据集中取一组数据，进行模型的训练，并计算模型的AUC值。
(3)使用K组数据重复步骤(2)，求取K次结果的平均值作为模型最终的AUC值。
四种分类器以MOABB架构为基础进行搭建。
表5所示即为RMDM、Cut-RMDM、RMDMF、Cut-RMDMF四种分类器在BCI CompetitionIV 2a运动想象公开数据集上进行K-折交叉验证后所得到的AUC值。
表5应用本发明所提出裁剪算法后的分类算法与原分类算法的性能对比
由表5可知，在BCI Competition IV 2a运动想象公开数据集的18组数据中，相较于RMDM，应用裁剪算法后Cut-RMDM的AUC值有显著提升，AUC平均值提升3.6％，即在原有基础上性能提升率为4.71％，与原有RMDM算法相比，Cut-RMDM的程序运行时间略有上升，上升了0.09s；相较于RMDMF，Cut-RMDMF的AUC平均值提升了2.4％，即在原有基础上性能提升率为3.06％，程序平均运行时间降低了1.228s，即在原有基础上降低了32.5％。
其中，相较于原有的RMDMF，Cut-RMDMF的程序运行有所下降的原因为：RMDMF运行过程中主要是求取幂均值的过程耗时，在运行裁剪算法后，减少了需要求取幂均值的样本数，从而减小了该过程计算所需的时间成本。
将四种分类器的分类结果绘制为箱线图，如图所示。图12中黑色点划线为其均值线，灰色实线为其中值线。由图12可知，在加入裁剪算法后，RMDM与RMDMF分类精度的均值线和中值线均有明显上升。说明了所提出的黎曼空间内裁剪算法可以有效提高RMDM和RMDMF的分类精度。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (8)
1.一种基于黎曼空间的运动想象脑电意图分类方法，其特征在于，包括以下步骤：
S1.获取模型需要的运动想象脑电信号，对运动想象脑电信号样本进行取帧；
S2.对数据进行预处理；
S3.采用VMD效果定量评价指标作为饥饿游戏搜索算法的适应度函数，对VMD算法进行参数自适应优化；所述VMD效果定量评价指标包括VMD分解后的归一化残差功率Pres、模态分量uk的最小包络熵min(Ep)、相邻模态分量uk的中心频率之差
S4.预处理后的运动想象脑电信号采用自适应去噪算法进行处理，具体为，先使用步骤S3中自适应优化后的VMD算法进行分解，对其含噪分量使用独立成分分析算法进行去噪；再进行ICA逆变换，重构运动想象脑电信号，完成去噪步骤；
S5.采用黎曼空间内的数据裁剪算法对黎曼最小距离平均场分类器进行优化，将步骤S4中得到的去噪后运动想象脑电信号作为该算法的输入，得到分类结果；
S6.分类结果转换为控制信号，作为下位机的输入。
2.根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，所述步骤S2中，预处理包括插值操作、共空间模式、8-30Hz带通滤波、手动添加高斯白噪声。
3.根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，
式中，Vres(i)为残差信号第i个采样点的幅值；N为采样点个数；为双曲正切函数，用于将残差信号的功率进行归一化；
式中，hk是VMD分解后得到的模态分量uk经过Hilbert解调后得到的包络信号；εk(i)是通过计算uk的归一化得到的概率分布序列；Ep(k)为第k个模态分量的包络熵；
式中，k＝1,…,K表示第k个模态分量；为第k个模态分量与第k-1个模态分量中心频率之差的归一化值，fC(k)为第k个模态分量中心频率，/>为常用的一种归一化函数，用于将模态分量的中心频率差进行归一化；
式中，λ∈[0,+∞]为Ep(k)与Pres的平衡系数。
4.根据权利要求3所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，取λ＝0.2。
5.根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，所述自适应去噪算法：首先使用饥饿游戏搜索算法对VMD中的两个参数：模态数K和惩罚因子α进行自适应优化；然后，对所得含噪分量使用独立成分分析算法进行去噪，再将其重新组合。
6.根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，所述黎曼空间内的数据裁剪算法，在分类前根据相邻样本的类标对训练样本进行修剪，以剔除部分离群点。
7.根据权利要求6所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，所述黎曼空间内的数据裁剪算法，具体包括以下步骤：
1).根据公式(16)计算已知标签样本Xi的协方差矩阵Pi；
对于k分类问题，训练集中第k个分类的样本集记为其中/>为第k个分类所对应的试次标号；
式中Ts表示采样率；
2).根据公式(19)计算已知标签样本协方差矩阵两两之间的黎曼距离δR(Pi,Pj),其中样本与自身的黎曼距离被定义为δR(Pi,Pi)＝∞；
δR(P,Pi)＝||LogP(Pi)||P＝||Si||P＝||upper(P-1/2LogP(Pi)P-1/2)||2＝||si||2(19)
si为规范化切空间上的m维向量upper(P-1/2LogP(Pi)P-1/2)；
3).对于第i个样本，其最近邻为argminjδR(Pi,Pj)；P为待分类标签样本X的协方差矩阵；
4).判断每个已知标签样本Xi的协方差矩阵Pi的类标与其最近邻Pj是否一致；若一致，则保留Pi，若不一致，则删除Pi；
5).使用剩余Pi计算训练集的黎曼幂均值，代入黎曼最小距离平均场分类器进行后续计算。
8.根据权利要求1所述的基于黎曼空间的运动想象脑电意图分类方法，其特征在于，含噪的原始运动想象脑电信号被分类为四类控制信号，将所述四类控制信号发送至下位机即可实现对下位机的有效控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197470.7A CN117235576A (zh) | 2023-09-18 | 2023-09-18 | 一种基于黎曼空间的运动想象脑电意图分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197470.7A CN117235576A (zh) | 2023-09-18 | 2023-09-18 | 一种基于黎曼空间的运动想象脑电意图分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117235576A true CN117235576A (zh) | 2023-12-15 |
Family
ID=89089036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311197470.7A Pending CN117235576A (zh) | 2023-09-18 | 2023-09-18 | 一种基于黎曼空间的运动想象脑电意图分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235576A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520925A (zh) * | 2024-01-02 | 2024-02-06 | 小舟科技有限公司 | 基于脑电信号的个性化人机交互方法、装置、设备及介质 |
-
2023
- 2023-09-18 CN CN202311197470.7A patent/CN117235576A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520925A (zh) * | 2024-01-02 | 2024-02-06 | 小舟科技有限公司 | 基于脑电信号的个性化人机交互方法、装置、设备及介质 |
| CN117520925B (zh) * | 2024-01-02 | 2024-04-16 | 小舟科技有限公司 | 基于脑电信号的个性化人机交互方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
| CN109117864B (zh) | 基于异构特征融合的冠心病风险预测方法、模型及系统 | |
| WO2021143353A1 (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
| CN111709267B (zh) | 深度卷积神经网络的脑电信号情感识别方法 | |
| CN105844285A (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
| CN110929581A (zh) | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | |
| CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
| CN111797674B (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
| CN111329474A (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
| Bhagwat et al. | Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
| CN113616213B (zh) | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 | |
| CN114224360B (zh) | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 | |
| CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
| CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| CN111543984B (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
| CN116340824A (zh) | 基于卷积神经网络的肌电信号动作识别方法 | |
| CN115795346A (zh) | 一种人体脑电信号的分类识别方法 | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| CN113642528B (zh) | 一种基于卷积神经网络的手部运动意图分类方法 | |
| CN114847933A (zh) | 基于全卷积残差网络的肌电信号手势识别方法及系统 |
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 |