CN1744073A - 利用小波神经网络提取想象动作电位的方法 - Google Patents

Abstract

本发明利用小波神经网络提取想象动作电位的方法，涉及脑－机接口装置中想象动作电位的提取方法，具体讲是涉及利用小波神经网络提取想象动作电位的方法。为提供利用大脑在进行想象动作思维时所引发的ERD现象作为思维活动对刺激事件有效应答的标志，本发明采用的技术方案是，以ERD估算公式

，对提取的脑电特征信息进行小波变换；以Bayes神经网络通过统计推断过程实现对观测数据的分析；A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。本发明主要用于在人脑和计算机或其它机电设备之间建立能直接“让思想变成行动”的对外信息交流和控制新途径。

Description

利用小波神经网络提取想象动作电位的方法

技术领域

本发明涉及脑-机接口(brain-computer interface，BCI)装置中想象动作电位的提取方法，具体讲是涉及利用小波神经网络提取想象动作电位的方法。

背景技术

脑-机接口(Brain-Computer Interface，BCI)是旨在不依赖于外周神经和肌肉组织等常规大脑信息输出通路，而仅运用工程技术手段在人脑和计算机或其它机电设备之间建立能直接“让思想变成行动”的对外信息交流和控制新途径。基本的BCI系统如图1所示：脑电信号通过电极从头皮或颅内获得，经信号处理提取反映大脑思维意图的特征信息并转化为控制外部设备的操作命令。

BCI的技术关键在于需从所检测的脑电数据中识别出大脑思维操作意图，提取能反映使用者主观动作意识的特征参数并通过适当算法将之转换为控制外部机电设备的执行命令。通常可用以提取反映肢体动作控制的大脑思维活动信号主要有两类，一类是基于大脑动作意愿所产生的主观思维脑电；另一类则是由BCI系统发出作业提示而在大脑皮层产生的被动思维应答。这两类活动都可以在自发脑电(electroencephalography，EEG)的背景下诱发出与大脑运动皮层(motor cortex)神经活动密切相关的事件相关电位(event-related potential，ERP)。ERP是人体感觉系统受某种特定刺激时在大脑皮层相应区域诱发神经电活动所引起的头皮电位变化。

大脑在想象或实施动作时均能显著地改变所诱发ERP信号内某些特征频段成份的功率谱强弱比率。这一现象被称为事件相关去同步(Event Related Desynehronization，ERD)或事件相关同步(Event Related Synchronization，ERS)现象。ERD对应于功率谱比率下降，ERS则对应于功率谱比率上升。并且，对应于大脑主观想象肢体动作思维和作业提示所诱发被动思维的ERD/ERS在具体表现特征频段和运动皮层区域均有所不同。例如，对应于手部运动的ERD多发生在10～11Hz及20～24Hz频段，而与足部运动有关的ERD则常见于7～8Hz与20～24Hz频段。但现有技术中，对含有较大噪声的EEG数据进行想象动作电位分类，存在准确率不高，抗干扰能力差，及识别速度不快。

发明内容

为克服现有技术的不足，本发明的目的在于提供利用大脑在进行想象动作思维时所引发的ERD现象作为思维活动对刺激事件有效应答的标志，同时又作为特征参数定位响应的具体时刻来进行脑电特征信息检测与模式识别，对EEG数据包括含有较大噪声的EEG数据进行想象动作电位分类，并且准确率高，抗干扰能力强，识别速度快。

本发明采用的技术方案是：

一种利用小波神经网络提取想象动作电位的方法，依次包括下列步骤：

以ERD估算公式 $\mathrm{ERD}=\frac{A-R}{R}\×100(\%),$ 对提取的脑电特征信息进行小波变换；

以Bayes神经网络通过统计推断过程实现对观测数据的分析；

A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。

其中，所述的小波变换是指采用的基本小波函数为 ${\mathrm{\ψ}}_{b,a}\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\ψ}\left(\frac{t-b}{a}\right),$ 并对基本小波函数进行缩放和平移后再取卷积的连续小波变换(CWT)对信号进行处理。

可采用三阶Daubechie小波对提取的脑电特征信息进行分析，取尺度系数为10，采样频率为128Hz，小波函数的采样中心频率为10.2Hz，将上述连续小波变换与Bayes神经网络相结合组成小波Bayes神经网络。

本发明可取得如下效果：

由于采用小波函数和神经网络对提取的脑电特征信息进行分析，因而本发明提供的利用小波神经网络提取想象动作电位的方法在高频段具有较高的时间分辨率和较低的频率分辨率，而在低频段则具有较低的时间分辨率和较高的频率分辨率。这使得CWT在处理EEG信号时兼有时频变焦和带通滤波的双重优势，具有较好的想象动作电位模式识别和抵抗干扰能力。并且，对EEG数据包括含有较大噪声的EEG数据进行想象动作电位分类，并且准确率高，抗干扰能力强，识别速度快。

附图说明

图1 BCI系统基本结构示意图

图2为典型受试者十次想象左手运动实验在中央导联C3(左侧)、C4(右侧)处EEG信号经叠加平均后功率谱密度(显示为灰度)随时间(横轴)和频率(纵轴)变化的关系图(时频图)，图中(a)为想象左手动作实验的时频图，(b)为想象右手动作实验的时频图。

图3想象左手动作时C3和C4导联中10～11Hz成分脑电功率谱密度图，图中是mu节律段的功率谱密度随时间变化的曲线，A1为C₃导联，A2为C₄导联，阴影部分表示ERD特征时段。

图4为图3中所示数据段的连续小波变换结果图，图中B1为C₃导联，B2为C₄导联。

图5为ERD最大值出现时刻T_w时刻mu节律(对应C1)与beta节律(对应C2)成份的功率谱密度分布地形图，图中C1为T_w时刻mu节律段的功率谱密度分布地形图，C2为T_w时刻beta节律段的功率谱密度分布地形图。

图6识别准确率比较图，图中(a)：直接使用近似熵分类的准确率；(b)：人工选取低噪声数据段后使用近似熵分类的准确率；(c)：使用连续小波变换与Bayes神经网络结合分类检测的准确率；不同灰度分别代表对左手、右手想象动作识别正确率及总体识别正确率。

具体实施方式

下面结合附图和实施例进一步说明本发明。

本发明的主旨是为脑-机接口(BCI)装置提出一种可利用事件相关去同步(ERD)现象所引起某些特征频段成份功率谱强弱变化来进行想象动作思维脑电特征信息检测与模式识别的新方法，以满足实时BCI系统的高识别准确率、强抗干扰能力及较快识别速度的信号处理需求。

通常想象肢体动作实验可安排在一般脑电图室内(温度、湿度及光照等基本相同)进行。实验进程可大致分为前后三个时段。其中：第一时段为准备期，受试者安静无动作；第二时段为想象动作期，此时受试者按屏幕提示要求(如手或脚、左或右，动作时间)进行想象动作，同时记录脑电数据；第三时段为停止想象动作后期，同时记录脑电数据以便完整了解在想象动作诱发下的脑电信号变化。

本发明ERD估算公式为

$\mathrm{ERD}=\frac{A-R}{R}\×100(\%)---\left(1\right)$

这里A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。

由于小波变换(wavelet transform，WT)只有良好的时频局部化特性，而人工神经网络(artificial neural network，ANN)具有优异的学习功能，两者结合组成的小波神经网络(wavelet neural network，WNN)可兼具小波变换和神经网络的优点。

本发明采用的基本小波函数为

${\mathrm{\ψ}}_{b,a}\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\ψ}\left(\frac{t-b}{a}\right)---\left(2\right)$

则连续小波变换(CWT)是对基本小波进行缩放和平移后再对信号取卷积

${\left(W_{\mathrm{\ψ}}f\right)}_{b,a}=\underset{-\∞}{\overset{+\∞}{\∫}}f\left(t\right){\mathrm{\ψ}}_{b,a}^{*}\left(t\right)\mathrm{dt}---\left(3\right)$

式中的尺度参数a起到控制时频分辨率的作用。若基本小波的中心频率为ω₀，以尺度a进行缩放后其中心频率则变为ω₀/a。如果以尺度a对信号进行连续小波变换，相当于以

的时间分辨率在ω₀/a频率处对信号进行采样。此处Δ_ψ为基本小波均方根长度的半径， 为均方根带宽。如此CWT可在高频段具有较高的时间分辨率和较低的频率分辨率，而在低频段则具有较低的时间分辨率和较高的频率分辨率。这使得CWT在处理EEG信号时兼有时频变焦和带通滤波的双重优势，应该具有较好的想象动作电位模式识别和抵抗干扰能力。

本发明实施例采用三阶Daubechie小波对EEG信号进行分析，取尺度系数为10，采样频率为128Hz，此时小波函数的采样中心频率为10.2Hz，正好处于mu节律频段。

相对于传统神经网络模型来说，Bayes神经网络(BNN)的模型结构能够更好地表示数据的内在统计关系，对于模型的先验知识可以在模型结构、节点之间的相对独立关系及节点变量先验分布的确定上发挥最大限度的作用。

Bayes神经网络中节点具有相对独立性，可描述如下：如果一个网络中含有n个节点{X_i}，那么其分布概率函数为

$p\left(\stackrel{\‾}{x}\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p\left(x_i\right|x_1,x_2,\·\·\·,x_{i-1}),\stackrel{\‾}{x}=(x_1,x_2,\·\·\·,x_n)---\left(4\right)$

先验知识对于各节点变量之问关系的约束体现在变量之间的相对独立性上，即对于每一个X，都存在一个子集合∏_i{X₁，...，X_i-1}，使得X_i与{X₁，...，X_i-1}\∏_i关于∏_i条件独立，这样，对于任意的x都有

p(x_i|x₁，x₂，...，x_i-1)＝p(x_i|π_i)                                      (5)

综合公式(49)和(510)可以得到

$p\left(\stackrel{\‾}{x}\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}p\left(x_i\right|{\mathrm{\π}}_i)---\left(6\right)$

在Bayes神经网络学习过程开始之前需预先定义网络结构(H)及其权重矢量的先验分布(代表无数据输入时权重的初始置信度)。当输入观察数据(D)时，按照Bayes原理对后验分布进行更新有

$p\left(w\right|D,H)=\frac{p\left(D\right|w,H)p\left(w\right|H)}{p\left(D\right|H)}---\left(7\right)$

式中后验分布p(D/H)综合了由观察而来的W信息和含W背景知识的先验信息，因此对数据内在统计关系的描述更为准确，故p(D/H)可作为模型(H)的识别证据。

Bayes神经网络主要通过统计推断过程来实现对观测数据的分析，统计推断过程就是求解后验概率分布P(X_F|X_E)的过程。按照Bayes公式可以得到

$P\left(X_F\right|X_E)=\frac{{\∫}_{X_H}P(X_E,X_F,X_H)}{{\∫}_{X_H{X}_F}P(X_E,X_F,X_H)}---\left(8\right)$

这里X_E、X_F和X_H是将整个网络中所有节点分为互不相交的子集，其中X_E是直接对应观测数据的节点集，通常称之为证据节点，X_F是需要计算后验分布概率的节点，X_H是网络模型中隐含的节点。

将上述连续小波变换与Bayes神经网络相结合组成小波Bayes神经网络。考虑到脑电(EEG)数据中难免存在眼电和肌电噪声的干扰，为使其不至于影响显著分类结果，本发明在所用的小波Bayes神经网络结构中引入了两个噪声节点，并以Gussan分布作为其先验分布，其输入数据为在眼电和肌电导联处与EEG信号同步记录所得。

本发明的有益效果：

图2(a)所示为典型受试者十次想象左手运动实验在中央导联C3(左侧)、C4(右侧)处EEG信号经叠加平均后功率谱密度(显示为灰度)随时间(横轴)和频率(纵轴)变化的关系(时频图)。由图2(a)中可以看到在运动手(左手)的对侧(右侧)导联C4处脑电信号中mu节律(10Hz附近)与beta节律(22Hz附近)成分的功率谱密度于想象动作发生后明显地降低，即发生了事件相关去同步(ERD)现象，ERD最大值出现在虚线标示的T_w＝3.58s时刻处，而在运动手(左手)的同侧(左侧)导联C3处脑电的mu节律与beta节律成份无明显下降，即未出现事件相关去同步(ERD)现象。

图2(b)为想象右手动作时在中央导联C3(左侧)、C4(右侧)处产生脑电功率谱密度的时频变化。由图2(b)可以看出其时频变化关系正好与想象左手运动时相反：ERD发生在C3导联处(仍为运动手的对侧)，但是其ERD最大值出现时刻与想象左手运动时略有差别，T_w＝3.94s。

ERD现象在mu节律频段最为明显，图3绘出了想象左手动作时C3和C4导联中10～11Hz成分脑电功率谱密度(power spectral density，PSD)随时间变化曲线，T_e时刻为实验中屏幕出现提示开始想象动作的时间，阴影区域则标示出ERD发生的时段。由图可以看出在想象左手动作的对侧导联C4的功率谱密度有明显的减小，而同侧导联C3的功率谱密度则无明显变化，即ERD发生在想象运动肢体对侧的大脑皮层区。图4为图3中所示数据段的连续小波变换结果。与图3类似，也可看到在想象左手动作的对侧导联C4的小波分量有明显的减弱，而同侧导联C3的小波分量则无明显变化，也说明ERD发生在想象运动肢体对侧的大脑皮层区。图5为ERD最大值出现时刻T_w时刻mu节律对应Cl与beta节律对应C2成份的功率谱密度分布地形图，可明显看出在mu节律频段ERD现象最为显著(地形图的黑白灰度分布差异较大)。

为检验本发明所用方法的效果，对10名受试者的想象手部动作实验脑电(EEG)数据进行了识别。为便于比较和评价，使用了交叉验证方法(Folded Cross Validation)得到较为准确的分类正确率，并与目前通常采用的近似熵线性分类方法作比较。近似熵(ApEn)是用一个非负数来表示时间序列的复杂性，越复杂的时间序列对应的近似熵越大。其定义如下：

对于给定的N点时间序列{u(i)}，按顺序组成m维矢量X(i)，即

X(i)＝{u(i)，u(i+1)，...，u(i-m-1)，}，i＝1～N-m+1                      (9)

式(9)中m是预先选定的模式维数。对每一个j值计算矢量X(i)与其余矢量X(j)之间的距离：

$d[X\left(i\right),X\left(j\right)]=\underset{k=0-m-1}{\max }|u(i+k)-u(j+k)|---\left(10\right)$

结定阈值r(预先选定的相似容限)，对每一个i值统计d[X(i)，X(j)]＜r的数目及此数目与总的矢量个数N-m+1的比值，记作C_i ^m(r)，即

(11)

这里C_i ^m(r)反映序列中m维模式在相似容限r意义下相互近似的概率。将C_i ^m(r)取对数，再求其对所有i的平均值，记作Φ^m(r)，即

${\mathrm{\Φ}}^m\left(r\right)=\frac{1}{N-m+1}\underset{i=1}{\overset{N-m+1}{\mathrm{\Σ}}}\ln C_i^m\left(r\right)---\left(12\right)$

再对m+1重复上述计算过程，得到Φ^m+1(r)。然后计算出近似熵ApEn(m，r)：

ApEn(m，r)＝Φ^m(r)-Φ^m+1(r)                                      (13)

图6中(a)和(b)所示为使用ApEn提取想象动作电位的结果。从图6(a)可以看出，虽然ApEn方法具有较好的抗噪声能力，但直接使用ApEn对含有较大噪声的EEG数据进行想象动作电位分类的准确率并不高，只有67.3±16.6％。当人工选取低噪声EEG数据段时，其分类的准确率才可以达到82.6±4.9％(如图6(b)所示)。而本发明所用小波Bayes神经网络方法较近似熵线性分类器具有更高的识别准确率(91.4％，如图6(c)所示)和较强的抗干扰能力及较快的识别速度，基本可以满足实时BCI系统模式识别需求。

本发明提出一种本发明为脑-机接口(BCI)装置提出一种可利用事件相关去同步(ERD)现象所引起某些特征频段成份功率谱强弱变化来进行想象动作思维脑电特征信息检测与模式识别的新方法，以满足实时BCI系统的高识别准确率、强抗干扰能力及较快识别速度的信号处理需求。该项发明可改善BCI系统提取想象动作电位的能力，加快获得实际应用进程并取得社会效益和经济效益。

Claims (3)

1.一种利用小波神经网络提取想象动作电位的方法，其特征是，依次包括下列步骤：

以ERD估算公式 $\mathrm{ERD}=\frac{A-R}{R}\×100(\%),$ 对提取的脑电特征信息进行小波变换；

以Bayes神经网络通过统计推断过程实现对观测数据的分析；

A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。

2.根据权利要求1所述的一种利用小波神经网络提取想象动作电位的方法，其特征是，所述的小波变换是指采用的基本小波函数为 $\mathrm{\ψb},a\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\ψ}\left(\frac{t-b}{a}\right),$ 并对基本小波函数进行缩放和平移后再取卷积的连续小波变换(CWT)对信号进行处理。

3.根据权利要求1或2所述的一种利用小波神经网络提取想象动作电位的方法，其特征是，采用三阶Daubechie小波对提取的脑电特征信息进行分析，取尺度系数为10，采样频率为128Hz，小波函数的采样中心频率为10.2Hz，将上述连续小波变换与Bayes神经网络相结合组成小波Bayes神经网络。

Images