專利名稱：下肢想象動作電位空間濾波方法
技術領域：
本發明涉及一種下肢想象動作電位濾波方法，屬于生物醫學工程及計算機領域。
背景技術：
神經電生理技術的發展，為研究大腦認知活動過程提供了獨特的方法和途徑。其技術 關鍵在于需從所檢測的腦神經電活動數據中識別出大腦認知思維的意圖，提取能反映其 主觀意識的特征參數。該領域的前驅Jonathan Wolpaw曾經指出"在理論上，腦的感 覺，運動及認知意識在自發腦電中應該是可辨識的"。所謂自發腦電
(electroencephalography, EEG)即是由電極記錄所得大腦皮層神經細胞群的自發電活動 隨時間和空間變化的序列波形。由于EEG信號非常微弱、自身也不穩定，極易受到眼電、 肌電等其它電生理信號的干擾，心理狀態和思維意識的波動都可以引起EEG信號的變化。 所以要從EEG數據中獲取大腦認知思維的特征參數遇到極大困難。經多年探索，人們將 研究視線聚焦于與大腦運動皮層(motor cortex)神經活動密切相關的事件相關電位
(event-related potentials, ERPs)。其概念于20世紀60年代由Sutton首先提出并通過疊 加平均技術從頭顱表面記錄的大腦誘發電位(Evoked Potentials, EPs)得到。誘發電位(EPs)， 也稱誘發響應(Evoked Response),是指給予神經系統(從感受器到大腦皮層)特定刺激，或 使大腦對刺激信息進行加工，在該系統和腦皮層相應部位會產生與刺激有相對鎖時關系 和特定相位的生物電反應。臨床上將誘發電位分為兩大類與感覺或運動功能有關的外 源性刺激相關電位和與認知功能有關的內源性事件相關電位(ERPs)。 ERPs是在注意的基 礎上，與識別、比較、判斷、記憶、決斷等心理活動有關，反映了認知過程的不同方面， 是了解大腦認知功能活動的"窗口"。
研究表明人在想象但未實施肢體或其他身體部位動作時，與該動作相關的大腦運動 皮層區域也會發生與該動作實施時相似的電生理響應，如誘發電位(EP)或事件相關電位 (ERPs)，又特稱之為想象動作電位(motor imaginary potentials)。臨床上已通過功能性磁共 振成像(functional magnetic resonance image, fMRI)觀察腦局部血液圖的方法確認想象和 實施動作時所激發的大腦運動皮層區域相同。Jasper等人最早發現了想象動作電位現象， 注意到受試者打算或想象其肢體運動時能夠引起腦皮層運動中樞神經元群電活動^^態變 化，從而導致頭皮腦電中某些特征頻率成分的同步減弱或同步增強，此即所謂事件相關 去同步 (event-related desynchronization, ERD ) 禾口事件相關同步 (event-related synchronization, ERS)現象。其中，ERD對應于特征頻段功率譜密度的下降，ERS則對 應于特征頻段功率譜密度的上升，而不同肢體部位動作引起ERD/ERS現象所發生的特
3征頻段和皮層運動功能區域均不相同。Pfurtscheller和Aranibar也通過實驗證實了上述 現象，指出ERD/ERS現象主要集中在ERPs中ct波段(8 13Hz)和P波段(14 26Hz)， 并提出了相應的量化理論。
ERD/ERS現象的發現為觀察大腦認知功能活動找到了具體的ERPs "窗口"。此后， 針對上肢、手指、口舌等各類肢體動作所誘發想象動作電位的特征提取與模式識別研究 及其應用相繼開展起來，成為國內外神經工程領域關注的熱點，如奧地利Graz大學成功 地提取了受試者分別想象左、右手動作時的ERD/ERS信號特征并用來控制功能性電刺激 (functional electrical stimulation, FES)裝置以幫助癱瘓患者的肢體康復，取得了令人振 奮的階段性成果。上肢、手指部位想象動作電位的特征提取和模式識別甚至可精準到區 分左、右手某個手指的程度！但與之相比，針對下肢部位想象動作電位(如站起、坐下、 左右邁腿等)的信號特征卻極難區分。其原因可由大腦皮層功能反射區與肢體運動部位 關系找到。上肢左、右手(包括手指)、口舌部位對應的大腦皮層功能反射區分居在相 隔空間距離較遠的左、右腦半球區域，即其源信號的空間分布有較好的區分度優勢；而 下肢(包括大、小腿、腳趾)部位所映射的運動皮層功能區則僅局限于頭頂部溝回內距 離極為狹小的區域，其源信號空間結構的區分度十分有限。這是造成下肢部位想象動作 電位信號特征提取與模式識別困難的最基本原因，加之頭皮電極提取的ERPs信號存在很 大彌散性和混疊性，更增加了思維腦電源信號獲取和識別的難度。目前尚鮮見有關成功' 提取與識別下肢部位想象動作(如站起、坐下、左右邁腿等)電位特征的研究報道。
有關研究表明，人腦感覺運動功能區的神經元群在想象動作過程中會產生一系列 具有不同時空拓撲結構的響應信號序列，其綜合效果形成了神經傳導的時空動態特 性，導致神經電信號從發生源傳播到檢測點的信號映射是個巻積混合過程。因此，為 提高想象動作電位的信噪比，必須建立適合該巻積混合模型(以取代傳統的簡單線性 和瞬時混合模型)的信號處理新方法，才能保證有效分割ERPs信號的時頻特性。該 巻積混合模型的特征參數應當采用與想象動作任務密切相關的優選法，即要與所映 射的運動皮層功能區緊密聯系(也即需賦予與其鄰近特征導聯所檢測信號以更大權值)， 才能獲得較高的空間分辨率。
發明內容
為克服現有技術中下肢想象動作電位特征識別時空間分辨率不足的問題，本發明提 出了一種下肢想象動作電位濾波方法。采用本發明提供的方法，能夠加大對ERPs信號 空間濾波的力度，提高信號處理的空間分辨率，并能夠結合想象動作所誘發ERD/ERS 現象的功率譜頻帶特性，從時空和時頻等多個角度挖掘信號的動態特征，提高信噪比、 增強區分度，從而能有效地識別下肢想象動作電位。
本發明采用如下的技術方案
一種下肢想象動作電位空間濾波方法，其特征在于，包括下列步驟① 利用腦電導聯電極采集反映下肢想象動作的腦電信號；
② 對所采集的腦電信號進行預處理；
③ 對預處理后的41導聯腦電信號5,(/ = 1,2,—，41)進行帶通濾波，獲取2~34Hz并
且覆蓋a波段及e波段的帶通腦電信號S。,( l，2,…,41);對5°力=1,2,..,41)
進行小波包多分辨率分析，經過4個尺度的小波包分解后，最終獲得滿足頻帶分 割要求的11個特征子頻帶第4尺度下覆蓋ci波段的3個特征子頻帶 《y (/ = 1,2,…,41;/= 1,2,3)以及覆蓋e波段的8個特征子頻帶
S;y(/ = l,2，...,41;y = l,2,...,8);
④ 對11個小波包特征空間下的腦電信號《y(/ = l，2,...,41;y = l,2,3)以及
5^(/ = 1,2廣.,41;/ = 1,2,...,8)分別進行獨立分量分析，采用基于頻帶對數功率
譜定義的事件相關去同步化/同步化(ERD/ERS)系數作為主成份篩選的依據， 保留去同步化/同步化(ERD/ERS)系數絕對值大于設定闊值的分量，并將其余 分量置零；
⑤ 利用各個特征小波包子空間下的腦電信號，依次恢復構造出各導聯腦電信號各 自對應的小波包頻域空間，而后進行小波包逆變換，重構腦電源信號。
上述的下肢想象動作電位空間濾波方法，步驟l中的41導腦電采集電極，最好按照 下列描述安置其中19導聯按國際10/20系統標準安置，其余22導聯覆蓋肢體動作相 關的感覺運動皮層功能映射區，即導聯C3，Cz,C4周圍；步驟2中對所采集的腦電數據可 以采用下述預處理方法(1)依據Hjorth提出的源定位計算方法，通過共平均參考去 除各導聯信號共有的空間低頻成份；(2)去除腦電數據中存在的肌電和眼電干擾。
本發明所提出的采用小波包獨立分量分析結合頻域ERD/ERS系數優選主分量進行 空間濾波的新方法，充分考慮了與想象動作任務密切相關的腦電信號的時頻模式及 空間特性，從而能比傳統方法捕捉到更為準確鮮明的想象動作特征，這為實現想象 動作電位信號的少次(甚至單次)提取提供了有利條件。另外，空間濾波新方法中 借助小波包ERD/ERS系數進行獨立分量篩選的手段，避免了人工干預，實現了腦電信 號源的自動獲取過程。
圖l本發明采集數據所采用的41導聯分布示意圖； 圖2特征小波包空間頻帶分割示意圖3典型受試者C3導聯處站起想象動作腦電信號的時頻功率譜密度圖，(a):未經 ICA空間濾波，(b):傳統ICA空間濾波后；
5圖4小波包ICA空間濾波后C3導聯處站起想象動作腦電信號的時頻功率譜密度 (A)和功率譜密度隨時間變化(B)，箭頭所示為對應C3導聯時頻坐標系中4個標識點處 腦電地形圖5 10例受試者在站起動作想象過程中ERD/ERS特征頻率分布(a)和3種情況 下ERD/ERS特征系數值比較(b)。
具體實施例方式
本發明首先利用具有顯著時頻局部化優勢的小波包(wavelet packet, WP)將 ERD/ERS現象集中的a和P波段ERPs信號按其時頻特性分割為11個子頻帶的源信號； 再對這些源信號分別進行獨立分量分析(Ind印endent Component Analysis, ICA)，并 依據基于小波包對數功率譜定義的ERD/ERS系數對這些獨立分量進行與想象動作任 務密切相關的主成份篩選，保留時頻特征顯著、符合閾值條件的優勢分量；最后按照 小波包樹(wavelet packet tree, WPT)結構依次進行各導聯ERPs信號的小波包逆變 換，重構出更具顯著ERD/ERS時頻特征與更高空間分辨率的ERPs源信號。本發明為 下肢想象動作電位(站起、坐下、左右邁腿等)信號特征提取與模式識別提供了有效的 方法，為研究大腦認知功能提供新的觀察與分析工具。 下面結合實施例和附圖對本發明作進一步詳述。 一、腦電數據采集和預處理
本發明實驗數據取自10名右利手的健康成人志愿者(均為本校大學生，6男4女，平 均年齡24. 3±3. l歲)，實驗設備采用奧地利EMS Phoenix公司生產的128導數字腦電記錄 儀，實驗室的電磁屏蔽與隔音效果均良好(室內背景噪聲約為31dB，背景光照為2cd/m2)。 實驗過程中，受試者以感覺舒適但不影響數據采集的姿勢坐在扶手椅中，面對正前方l 米左右距離顯示屏上的實驗任務提示符。
實驗以站起想象動作為主。每個子實驗(trail)持續20秒，分為3個時段。第一時段 為準備期，此時段屏幕正中央顯示十字提示符(持續l秒鐘)，提示受試者做好準備；第 二時段為想象動作期(從第二秒開始，持續8秒鐘)，屏幕顯示箭頭向上的方位提示符， 要求受試者想象站起動作；第三時段為恢復期(從第十秒開始，持續10秒鐘)，用于受 試者調整狀態，準備下一組想象動作，該時段內顯示器保持為黑屏狀態。每個受試者在 進行站起想象動作實驗前，需先按前述實驗時程完成15次實際站起動作(其間腦電 信號不做記錄)，以熟悉后續想象動作實驗的屏幕提示符和積累實施動作的經驗。在 整個想象動作實驗期間，受試者必須以自我身份想象自身如何完成站起動作，而不能以 他人身份去想象別人的動作。實驗過程中要求受試者保持放松狀態，不允許有任何的實 際肢體動作。為避免受試者因視覺刺激引起腦電波動，顯示器以黑屏灰字的方式顯示提 示符。要求每個受試者完成3組實驗，每一組(run)包含30次站起想象動作子實驗(trail)， 全部實驗累計持續時間為10分鐘。在每兩組實驗之間，留有足夠長的休息時間用于受試者恢復疲勞。
實驗中41導腦電釆集電極位置如圖1所示，其中19導聯按國際10/20系統標準安置， 其余22導聯則根據本發明目的放置，要求覆蓋肢體動作相關的感覺運動皮層功能映射區 (導聯C3，Cz，C4周圍)，以便獲取想象動作過程中更為精細的腦電特征。實驗所用電極 均為Ag/AgCI電極(阻抗小于5000歐姆)；以左耳垂(A1)作為參考電平，右耳垂(A2)作為 參考地；腦電采樣頻率為256Hz，濾波通帶為O. 5 70Hz，并采用50Hz陷波器去除工頻干 擾。
為提高后期想象動作電位模式識別的準確性，對所得腦電數據采用了下述預處理方 法(1)依據Hjorth提出的源定位計算方法，通過共平均參考去除各導聯信號共有的空 間低頻成份，以突出具有時頻局域化特征的腦電源活動；(2)去除數據中存在的肌電和 眼電干擾。
二、傳統ICA空間濾波 獨立分量分析(ICA)主要應用于未知基信號5"及其混疊特性^的情況下，僅從接 收到的混合信號I找到解混矩陣K使輸出矩陣 〃逼近源信號5"，即
t/ = jn = ns (i)
式中解混逆矩陣『—1的第y列表示矩陣"中第j'行獨立分量在各個測量位置處的分布強 度，即為獨立分量的空間分布模式。
在腦電信號處理中，ica的目標是基于不同思維任務與大腦活動區域的映射關系， 找出對應皮層活躍區域附近導聯占比重較大的腦電分量，然后重構數據以突出皮層活躍
區域腦電源信號特征。傳統ICA模型認為，腦電信號源分量是局部皮層區域同步化方式
下產生的神經電活動，即認為腦電信號的傳播是一個簡單線性和瞬時混合過程，在數學
上可表示為單一混合矩陣乘積的作用結果。這個假設忽略了神經傳導的瞬時動態性群 體神經元電活動傳播過程的行波模式(traveling wave patterns)會引起不同腦功能區域 的同步化具有非零的相位滯后(synchronization between different brain areas with a nozero phase lag)。另一方面，傳統ICA模型僅從時域角度尋找最優解，卻忽視了 腦電信號尤為重要的頻域特征。研究發現，腦電活動在不同頻帶下具有顯著不同的特 征，這些特征與不同的生理或心理過程密切相關。由此可以認為，腦電信號在不同頻 帶下存在不同的功能性獨立信號源，實驗檢測所得腦電信號是這些獨立信號源通過 不同的瞬時動態過程混合而成的(其混合形式在時域為巻積)。為此需先對腦電信 號進行適當的特征頻帶分割，而后對各個特征子頻帶腦電信號分別進行獨立分量分析 (或稱ICA空間濾波)。如此將神經傳導的瞬時動態建模問題轉移并分解到各特征頻 率域，以更有效地描述各特征子頻帶所對應腦電源信號傳播過程的時空動態性。實 際上，僅在時域做簡單線性混合運算的傳統ica模型只能是整個特征頻帶域中的一 個子集。
要實現巻積混合模型下的ICA空間濾波，必須保證腦電信號時頻特性的有效分割，這是實現分量篩選的前提和關鍵。對于腦電信號來說，任務相關ERD/ERS現象 發生的特征頻帶存在很大的個體差異性，如果僅對某個指定頻帶進行特征獲取，往 往會丟失該頻帶外的重要特征信息，從而增加識別的難度，甚至產生錯誤結果。為 避之，Klimesch等建議將a和e波段的峰值頻率(分別為10Hz和24Hz)作為錨點 (anchor point)，而后將錨點前后的頻帶以2Hz頻率窗進行均勻分割，再對這些 子頻段的腦電信號分別進行特征提取。該方法已得到神經科學研究領域的廣泛認可， 也為本研究實現腦電信號時頻特性的有效分割提供了依據。
小波分析(wavelet analysis, WA)具有顯著的時頻局部化優勢，因此可用其 作為腦電信號特征頻帶分割工具。但為獲得a和e波段內2Hz帶寬的子頻帶信號， 單純通過WA方法仍然無法滿足要求，必須進一步提升頻率分辨率。因此需要采用小 波包(WP)分析方法對腦電信號進行時頻分割，稱之為小波包ICA空間濾波。
三、小波包域ICA空間濾波
小波包ICA空間濾波方法的實現步驟如下
(1)特征小波包空間獲取對原始數據c/。("進行逐層小波包分解時，任意尺度L (L〉0)有位于不同頻段的21—1且序列，每組序列分別由概貌濾波器/ 濾波的結果《("，和 細節濾波器g濾波的結果。("組成(y>o)，則有下列遞推公式
《("=HO) (2)
附G2
根據小波包分析的特性，以及目標子頻帶(以2Hz頻帶窗分割的a波段和P波段) 獲取的需求，首先對預處理后的41導聯腦電信號5,(/ = 1,2, ,41)進行帶通濾波，獲
取2 34Hz并且覆蓋a波段及e波段的帶通腦電信號W,(/",2,…,41);對 5°,(/ = 1，2,...,41)進行小波包多分辨率分析(這里S。,("即為公式(2)和公式(3)的小波 包分析的原始數據"。(")。經過4個尺度的小波包分解后，最終獲得滿足頻帶分割要求 的11個特征子頻帶第4尺度下覆蓋a波段的3個特征子頻帶 《y(/ = l,2,..，41J = l,2,3)以及覆蓋e波段的8 個特征子頻帶
《"/ = 1,2,...,41;7 = 1,2,...，8)。這里，為了保證子頻帶腦電信號中零極點特性不變， 必須采用具有二階導數特性的小波包母函數。本發明選擇高斯函數的二階導數一墨 西哥草帽(Mexico Hat)小波作為母函數用于小波包多分辨率分析。特征小波包空 間的頻帶分割如圖4所示。圖中方框所示為通常4尺度小波包分析樹結構；最下層標 示為第4尺度下覆蓋a與e波段的11個特征子頻帶名稱及其頻帶。
(2)小波包ICA空間濾波對11個小波包特征空間下的腦電信號
8《y(/ = l，2,.",41;/ = l，2，3)以及《^ = 1,2,..,41;/ = 1,2廣.,8)分別進行獨立分量分析 (ICA)。
歸納小波包ICA空間濾波操作如下依次獲取a和e波段子空間下的解混矩陣 《;(_/ = 1,2,3)和^4y(/ = l,2,..,8)， 以及與之相對應的獨立分量
C:y(Z = l,2，-.-,41;_/ = l,2，3)，[]C-y(/ = l,2，.",41;/ = l,2，...,8);對11組獨立分量進行任
務相關主成份優選，保留特征信息顯著程度符合域值條件的分量，其余分量置零；利 用經過篩選的各組獨立分量及其對應的解混矩陣依次重構a波段子空間下的腦電信 號《y(/ = l,2,...,41;y = 1,2,3)以及e波段子空間下的腦電信號
《y(/ = l，2,..,41;/ = l,2,..,8)。
上述操作中，獨立分量組的主成份篩選非常關鍵。按前述思路，為獲得盡可能高 的空間濾波分辨率，應采用與想象動作所誘發ERD/ERS效應密切相關的優選方法。本 發明參考Pfurtsehelle給出的ERD/ERS特征量化原則，并結合小波包域ICA空間濾 波的特點，提出了基于小波包對數功率譜定義的ERD/ERS系數作為ICA空間濾波中 主成份篩選指標。該ERD/ERS系數定義如下
=[log )-log)]/log (W五《) (4) 這里7^尸為特征小波包子空間內發生ERD/ERS現象在特征時段^內的歸一化小波包功 率譜均值；i^F為執行想象動作前靜息時段^內的歸一化小波包功率譜均值。由于各 導聯腦電在特征頻段內表現出的ERD/ERS特征是所有與任務相關獨立分量的綜合效 果，而不具備ERD/ERS特征的獨立分量對此沒有貢獻。因此，可以依據a和P波段 子空間下各獨立分量的ERD/ERS系數值(該值反映了對應獨立分量所貢獻ERD/ERS 特征的權重)，對ll個小波包特征子空間分別進行獨立分量篩選保留滿足判別閾 值條件的主分量，而將其余非主分量置為零向量。如此完成ICA空間濾波。
(3)腦電源信號重構依據上一步ICA空間濾波篩選所得各導聯腦電信號的a和 e波段子空間，按照小波包樹的結構(見圖2)，利用概貌重構濾波器《和細節重構 濾波器g依次在各尺度下進行小波包逆變換，可重構各導聯與想象動作電位密切相 關的腦電源信號。各尺度重構公式如下
<formula>formula see original document page 9</formula> (5)
最終得到重構后的腦電源信號《("=《("。
圖3(a)所示為典型受試者在C3導聯處站起想象動作腦電信號(經預處理，但未經 ICA空間濾波)的功率譜密度(采用多次實驗功率譜疊加平均獲得)隨時間(橫軸)和頻 率(縱軸)的變化(時頻功率譜密度分布圖)。參照圖右側色標指示，可以大致辨認 ERD/ERS現象(紅色為ERS、藍色為ERD)發生的時段與頻段及顯著程度。從復雜背景中可以較容易分辨出a波段(12Hz附近)存在著與想象動作任務同步的長時ERD現象 (計算該時頻段的ERD/ERS系數為-2.3)，而在P波段(14 26Hz)較大頻帶范圍內， ERD現象呈彌散性分布，很難識別出與想象動作任務相關ERD現象所在時頻帶。為此 需采用ICA空間濾波以提高時頻分辨率。圖3(b)為對圖3(a)的原始腦電信號采用傳 統ICA空間濾波(再經多次實驗功率譜疊加平均)后獲得的時頻功率譜密度分布圖。可 以看出，經ICA空間濾波后，噪聲干擾得到了一定程度的抑制，a波段(12Hz附近)的 ERD現象更為突出(空間濾波后，該時頻段的ERD/ERS系數改善為-6.9)。但P波段 的時頻分辨率仍不盡人意在背景噪聲得到抑制的同時，e波段的ERD現象也受到 削弱，仍然無法有效識別該波段的ERD/ERS時頻特征信息。其原因主要由于傳統ICA 模型缺乏頻域特性的有效控制，即無法對不同特征頻帶的獨立分量實現分別篩選。
為克服傳統ICA模型的局限性，需采用前述小波包ICA空間濾波方法重構各導聯與 想象動作電位密切相關的腦電源信號。圖4-a給出了采用小波包域ICA空間濾波方法 后，C3導聯位置的腦電信號經過多次實驗功率譜疊加平均后獲得的時頻功率譜密度分 布圖。由圖4-a可以看出，采用小波包ICA空間濾波后，彌散分布的背景噪聲得到了 顯著的抑制；a波段中12Hz附近的ERD現象明顯增強(ERD/ERS系數改善為-9.7);而 e波段下，24Hz附近的ERD現象也被凸顯出來(ERD/ERS系數改善為-6. 5)。圖4-a同 時給出了想象動作實施前后，在C3導聯時頻坐標系標識位置處P波段(24Hz附近)以及 a波段(12Hz附近)頻帶41導聯腦電信號ERD/ERS分布的腦地形圖在站起想象動作實 施前(見圖4-A中動作實施前500ms左右a波段及e波段下的標識點)，運動感覺功 能區(C3、 C4、 Cz導聯附近)沒有出現特征頻帶的ERD或ERS現象；而在站起動作想象 過程中，在e波段的24Hz附近(見圖4-a)中動作實施后8000ms左右24Hz附近標識點)， C3和Cz導聯附近存在明顯的ERD現象，C4導聯位置沒有發生ERD或ERS現象，而在位于 感覺功能區的導聯C1A處，則存在較為明顯的ERS現象；在a波段的12Hz附近(見圖 4-a)中動作實施后8000ms左右24Hz附近標識點)，C3、 C4、 Cz導聯位置均存在顯著 的ERD現象，而在其他區域無顯著ERD或ERS現象。圖4-b給出了小波包ICA算法后，C3 導聯腦電信號的功率譜密度隨時間變化曲線。從圖4-b可以看出，C3導聯位置發生了 明顯的ERD現象，并且與受試者想象站起動作的起始和終結時刻基本同步。其時間進 程與圖4-A的時頻功率譜密度圖是相互對應的。
為克服下肢想象動作電位特征識別時空間分辨率不足的困難，本發明提出了基于小 波包獨立分量分析結合頻域事件相關去同步/事件相關同步(ERD/ERS)系數優選并滿足 巻積混合模型的空間濾波新方法。通過上述站起想象動作實驗結果表明，與傳統獨立分 量分析方法相比，新方法能同時增強a與e波段事件相關電位的時頻特征并顯著提高C3、 C4、 Cz、 C1A等關鍵導聯的ERD/ERS系數值。但有研究表明，與想象動作事件相關的 ERD/ERS特征存在較大的個體差異性，其不僅表現在ERD/ERS的特征頻帶，而且體 現于ERD/ERS系數值的顯著差別。為驗證本發明空間濾波和特征識別方法及實驗方案的有效性與普適性，考查了 IO例受試者在站起動作想象實驗中ERD/ERS現象的特征 頻帶分布和特征系數值變化(如圖5所示)，以期挖掘出有價值的共性特征。
圖5-(a)給出了 IO例受試者在站起動作想象過程中C3、 Cz、 C4及C1A導聯(對 應于ERD/ERS現象顯著的感覺運動功能區位置)的ERD/ERS特征頻帶分布。從圖5-(a) 可以看出，ERD/ERS現象集中分布于a和e波段范圍。其中a波段ERD現象主要發生 在運動功能區的C3、 Cz、 C4導聯；e波段ERD現象則分布于的C3、 Cz導聯附近， 同時在靠近感覺功能區的C1A導聯位置發生ERS現象。另外，從盒狀圖的四分位距 分布可以看出，a波段ERD現象的特征頻帶集中于10 14Hz的窄帶內，而P波段 ERD/ERS現象則僅集中于21 25Hz的窄帶內。利用這個共性特征，可以適當減少用 于ICA空間濾波和特征提取的小波包域特征子空間選取范圍，從而可進一步提高空 間濾波和特征識別方法的運行效率。這也說明了本發明實驗方案的有效性。
為考查小波包ICA空間濾波方法在站起想象動作腦電特征分析中的有效性，比較 了10例受試者在3種處理方式(無ICA空間濾波、傳統ICA空間濾波和小波包ICA空間濾 波)后的ERD/ERS特征系數值差異，并進行了統計學t檢驗處理。圖5(b)給出了C3、 C4、 Cz、 C1A等關鍵導聯ERD/ERS特征系數值的統計結果。從圖中可以看出，采用傳統ICA 空間濾波方法，雖然在a波段下能夠獲得相對于不采取空間濾波更顯著的ERD/ERS特
征，但無法同時兼顧e波段下的腦電特征增強(表現為圖中e波段經傳統KA空間濾
波后ERD/ERS特征系數值反而低于無空間濾波處理的特征系數值)；而經過小波包ICA 空間濾波后的ERD/ERS系數幅值皆顯著高于傳統ICA空間濾波和未采用空間濾波的特 征系數值(P<0.01)。這表明了采用小波包ICA空間濾波結合功率譜密度分析的方法 能夠有效地提取與識別站起想象動作腦電的ERD/ERS特征信息，并具有一定的普適性。
權利要求
1. 一種下肢想象動作電位空間濾波方法，其特征在于，包括下列步驟①利用腦電導聯電極采集反映下肢想象動作的腦電信號；②對所采集的腦電信號進行預處理；③對預處理后的41導聯腦電信號Si(i＝1，2，…，41)進行帶通濾波，獲取2~34Hz并且覆蓋α波段及β波段的帶通腦電信號S0i(i＝1，2，…，41)；對S0i(i＝1，2，…，41)進行小波包多分辨率分析，經過4個尺度的小波包分解后，最終獲得滿足頻帶分割要求的11個特征子頻帶第4尺度下覆蓋α波段的3個特征子頻帶以及覆蓋β波段的8個特征子頻帶④對11個小波包特征空間下的腦電信號以及分別進行獨立分量分析，采用基于頻帶對數功率譜定義的事件相關去同步化/同步化(ERD/ERS)系數作為主成份篩選的依據，保留去同步化/同步化(ERD/ERS)系數絕對值大于設定閾值的分量，并將其余分量置零；⑤利用各個特征小波包子空間下的腦電信號，依次恢復構造出各導聯腦電信號各自對應的小波包頻域空間，而后進行小波包逆變換，重構腦電源信號。
2. 根據權利要求1所述的下肢想象動作電位空間濾波方法，其特征在于，步驟1中 的41導腦電采集電極，其中19導聯按國際10/20系統標準安置，其余22導聯覆 蓋肢體動作相關的感覺運動皮層功能映射區，即導聯C3， Cz, C4周圍。
3. 根據權利要求1所述的下肢想象動作電位空間濾波方法，其特征在于，步驟2中 對所采集的腦電數據按下述預處理方法(1)依據Hjorth提出的源定位計算方 法，通過共平均參考去除各導聯信號共有的空間低頻成份；(2)去除腦電數據中 存在的肌電和眼電干擾。
全文摘要
本發明屬于生物醫學工程及計算機領域，涉及一種下肢想象動作電位空間濾波方法，該方法主要包括下列步驟，①站起想象動作腦電信號采集和預處理；②特征小波包空間獲取；③小波包域獨立分量分析；④腦電源信號重構。采用本發明提供的方法，能夠加大對ERPs信號空間濾波的力度，提高信號處理的空間分辨率，并能夠結合想象動作所誘發ERD/ERS現象的功率譜頻帶特性，從時空和時頻等多個角度挖掘信號的動態特征，提高信噪比、增強區分度，從而能有效地識別下肢想象動作電位。
文檔編號A61B5/0476GK101433460SQ20081005395
公開日2009年5月20日 申請日期2008年7月25日 優先權日2008年7月25日
發明者萬柏坤, 劉雙遲, 周仲興, 東 明, 朱譽環 申請人:天津大學