專利名稱：運動想象腦電信號特征的提取方法
技術領域：
本發明屬于信息技術領域，更ー步涉及在生命科學領域中應用腦-機接ロ(Brain-Computer Interface, BCI )系統對運動想象時腦電信號特征的提取方法。本發明利用對運動想象腦電信號特征的提取方法提取特征，分類器對特征進行分類，實現單側手指運動想象的判別，最終達到對開關、鼠標、輪椅等外界裝置的控制。
背景技術：
在準備和執行單側手指運動想象吋，人們大腦皮層的功能性連接發生改變，從而導致其對側大腦運動感覺區mu和beta節律的腦電信號能量減弱，而其同側大腦運動感覺區mu和beta節律的腦電信號能量增強。這種想象單側手指運動時特定腦區特定頻率腦電信號的能量變化，被稱為事件相關去同步現象。該現象是判別左右手指運動想象腦電信號最根本的特征。因此，通過受試者運動想象時腦電信號的分析，判別受試者運動想象的方向，從而實現對外界裝置的控制。目前，提取事件相關去同步現象特征的方法有共同空間模式方法和濾波帶寬共同空間模式方法。共同空間模式方法是將腦電信號在某個空間通過ー個映射矩陣變換到另一空間，在該變換過程中使得腦電信號在一種運動想象狀態下腦電信號的方差最大化，另ー種運動想象狀態下腦電信號的方差最小化，從而提取相應特征，區分這兩種運動想象狀態。北京エ業大學在其專利申請文件“想象單側肢體運動的腦電特征的提取方法”(申請號200810056839. 1，申請日 2008. 01. 25，授權號 CN 101219048B,授權日 2010. 06. 23)中提出ー種想象單側肢體運動的腦電特征的提取方法。該專利技術將共同空間模式(CommonSpatial Pattern, CSP)方法和線性判別分析(FDA)相結合，降低了輸入矢量的維數，提高了分類器的推廣性，在一定程度上提高了分類正確率。但是，共同空間模式方法必須針對特定的頻帶和特定的時段。在執行運動想象任務時，由于個體差異的存在，發生事件相關去同步的頻帶和時段是不一致的。該專利技術存在的不足是，僅根據以往的經驗數據，針對想象單側肢體運動后1-2秒，8-31HZ的腦電信號進行分析，沒有考慮發生事件相關去同步現象時頻帶和時段的個體差異性，導致利用該專利技術提取出的腦電特征不能充分體現受試者想象單側肢體運動時腦電信號的區別，利用該特征進行分類，分類正確率不高。濾波帶寬共同空間模式方法，考慮到每個受試者想象單側手指運動時發生事件相關去同步頻帶的不同，針對運動想象腦電信號不同頻帶的信號，利用共同空間模式方法提取信號特征，并通過互信息方法自動選取特征，最終利用分類器對信號分類，Ang KK, Chin ZY, Haihong Z, et al. “Filter bank common spatial pattern(FBCSP)in brain-computer interface,” IEEE International Joint Conference on NeuralNetworks, 2390-2397 (2008)。該方法通過頻域濾波，空間濾波，特征選擇和分類四個步驟實現運動想象腦電信號的判別。頻域的濾波是利用帶通濾波器將腦電信號分為多個子頻帶的信號；空間濾波是針對每個子頻帶信號提取相應的CSP特征；特征選擇利用互信息方法自動選取能夠區分兩種運動想象狀態的CSP特征；按照分類法則對選出的CSP特征進行分類。由于該方法考慮到頻帶的個體差異，分類效果有所提高。但是，該方法存在的不足是，進行運動想象時，發生事件相關去同步時段的個體差異性依然沒有被考慮，利用該方法提取出的腦電特征依然不能充分體現受試者想象單側肢體運動時腦電信號的區別，利用該特征進行分類，分類正確率不高。綜上所述，對于運動想象腦電信號特征的提取方法，已有方法僅僅考慮了想象單側手指運動時發生事件相關去同步的腦區和頻率的個體差異性，沒有考慮到想象單側手指運動時發生事件相關去同步時段的個體差異性，提取出的腦電特征依然不能充分體現受試者想象單側肢體運動時腦電信號的區別，利用該特征進行分類，分類正確率不高。
發明內容
本發明的目的在于克服上述已有腦電信號特征提取方法的不足，提出一種運動想象時腦電信號特征的提取方法。該方法充分考慮運動想象時腦電信號發生事件相關去同步的腦區、頻率和時間的信息，以便取得更高的分類正確率。實現本發明方法的主要思路是將采集的多通道腦電信號做預處理，再通過頻域 濾波，將其分為P個頻帶；對每個頻帶的信號進行時域分段，即將信號分成等長的q個信號段；針對每個頻帶的所有信號段進行參數為m的共同空間模式計算，得到有2m個元素的特征向量，將姆個特征向量中所有元素依次排列，構成有PXqX 2m個元素的總特征向量；在總特征向量中選取出與左右手運動想象任務類別間的互信息最大的由PXqXm個元素構成最優特征向量；利用樸素貝葉斯分類器，采取交叉驗證方法，對最優特征向量分類，得到分類正確率。根據上述主要思路，本發明方法的具體實現包括如下步驟(I)采集數據腦電信號采集系統通過受試者佩戴的電極帽，采集想象單側手指運動的腦電信號;⑵預處理2a)空間濾波采用共同平均參考的方法，將受試者電極帽上每個電極采集的腦電信號減去所有電極采集的腦電信號的均值，得到共同平均參考空間濾波后的腦電信號；2b)基線校正將共同平均參考空間濾波后的腦電信號減去基線，得到基線校正后的腦電信號；2c)帶通濾波利用有限脈沖響應濾波器，對基線校正后的腦電信號進行帶通濾波，得到頻帶為4-40HZ的腦電信號；2d)截取信號段利用EEGLAB軟件，在帶通濾波后的腦電信號中截取受試者想象單側手指運動過程中的腦電信號段，得到預處理后的腦電信號；(3)頻域濾波利用帶通濾波器對預處理后的腦電信號濾波，得到多個等帶寬、無重疊頻帶、依次排列的子頻帶腦電信號；(4)時域分段將每個子頻帶腦電信號按時間段截斷，劃分為多個等時間段、互不重疊、依次排列的子信號；
(5)空間濾波采用共同空間模式方法，對時域分段后的每個子信號進行空間濾波，得到想象單側手指運動的腦電信號特征向量；將所有特征向量中各元素依次排列，構成總特征向量；(6)特征選擇在總特征向量中選取出與左右手運動想象任務類別間的互信息最大的元素構成最優特征向量；(7)分類利用樸素貝葉斯分類器，采取交叉驗證方法，對最優特征向量分類，得到分類正確率。本發明與現有技術相比具有如下優點 第一，本發明由于同時考慮了運動想象時腦電信號發生事件相關去同步的腦區、頻率和時間的信息，克服了現有技術中僅僅考慮發生事件相關去同步的腦區和頻率的個體差異性的局限性，能夠有效地提高腦電信號的分類正確率。第二，本發明由于同時考慮了運動想象時腦電信號發生事件相關去同步的腦區、頻率和時間的信息，克服了在腦電信號分類過程中依賴于經驗數據選取特定時間段的腦電信號的局限性，能夠實現對無經驗數據的腦電信號的分析。
圖I為本發明的流程圖；圖2為本發明采集數據步驟中屏幕提示符示意圖；圖3為本發明采集數據步驟的示意圖；圖4為本發明實施例的示意圖。
具體實施例方式下面結合附圖I對本發明做進ー步的描述。步驟I，采集數據腦電信號采集系統通過受試者佩戴的電極帽，采集想象單側手指運動的腦電信號。腦電信號由佩戴在受試者頭上的電極帽獲取，并通過腦電放大器放大和摸/數轉換器轉換，輸入計算機，以信號電壓幅值的形式存儲并顯示。受試者佩戴電極帽，坐在椅子上平視距其Im左右的顯示器。腦電信號采集系統的采樣頻率為250Hz，測試電極分別為C3，Cz, C4，腦電信號的波動值域為±100yV。參照圖2，在本發明采集數據步驟中，顯示器的提示符有三種，顯示器中標有十字叉的代表準備提/In 顯不器中標有向左的箭頭代表想象左手運動提不，向右的箭頭代表想象右手運動提不。參考圖3，本發明采集數據實施例開始O秒至3秒時屏幕出現準備提示，并在第2秒出現短暫的提示音(lkHZ，70ms)。隨后，屏幕出現想象左手運動提示或想象右手提示，并持續I. 25秒。在第4秒，受試者開始想象相應的手指運動，并持續3秒。每次實施例后休息I. 5秒至2. 5秒。左右手指運動想象實驗各120次，順序上隨機排列。步驟2，預處理利用EEGLAB軟件的預處理功能對采集的腦電信號進行預處理。
2a)空間濾波采用共同平均參考的方法，將受試者電極帽上每個電極采集的腦電信號減去所有電極采集的腦電信號的均值，得到共同平均參考空間濾波后的腦電信號；2b)基線校正以受試者想象單側手指運動之前的200ms腦電信號為基線。將共同平均參考空間濾波后的腦電信號減去基線，得到基線校正后的腦電信號；2c)帶通濾波利用有限脈沖響應濾波器，對基線校正后的腦電信號進行帶通濾波，得到頻帶為4-40HZ的腦電信號2d)截取信號段利用EEGLAB軟件，在帶通濾波后的腦電信號中截取受試者想象單側手指運動過程中的腦電信號段，得到預處理后的腦電信號；步驟3，頻域濾波利用有限脈沖響應濾波器對預處理后的腦電信號濾波，得到頻帶帶寬均為4Hz，無重疊頻帶、依次排列的9個子頻帶腦電信號；步驟4，時域分段將每個子頻帶腦電信號按時間段截斷，劃分為32個等時間段、互不重疊、依次排列的子信號；步驟5，空間濾波采用共同空間模式方法，對時域分段后得出的9*32 = 288個子信號中每個子信號進行參數m = I的空間濾波，得到有2m = 2個元素的想象單側手指運動的腦電信號特征向量。將288個特征向量中所有元素依次排列，構成有288*2 = 576個元素的總特征向量。共同空間模式方法要是使得某一任務的信號有最大方差，與此同時在另一任務的信號有最小方差。其基本原理是對兩種任務信號的協方差矩陣同時對角化，提取用于區分兩種任務信號的主要成分。第一歩，估計兩類運動想象腦電信號的協方差矩陣；空間濾波后的腦電信號的均值近似為零，協方差可估計為ん=—^S^S'J，其中ω e {I, r}其中，Σ ω為類ω的協方差矩陣，ηω為屬于類ω的腦電信號的個數，兄為第i個屬于類ω空間濾波后的腦電信號，i = 1，2，...，ηω，1為想象左手運動任務類，r為想象右手運動類，T是轉置符。第二歩，將兩協方差矩陣同時對角化，得到其共同的廣義特征向量；將該廣義特征向量作為共同空間模式的映射矩陣；計算廣義特征向量W :Σ iff = ( Σ !+ Σ r)ff A其中，Σ i和Σ ^分別為想象左右手運動腦電信號的協方差矩陣，由于兩協方差矩陣是同時對角化的，則Σ I和Σ r的特征值和為I ;胃是共同空間模式的映射矩陣，其列向量是共同空間模式映射的濾波器；Λ是由ΣI的廣義特征值構成的對角矩陣。第三步，將共同空間模式的映射矩陣的前m個列向量和后m個列向量構成替代的映射矩陣示，其中I < m < η/2, η為共同空間模式的映射矩陣列向量的個數；第四步，按照下式提取區分兩類運動想象的腦電信號的特征向量 f = \og{diag(jv SStW)/tr(W SStW))
其中，f為兩類運動想象腦電信號的特征向量表達；log(·)為對數函數；diag( ·)為乘方矩陣 對角元素構成的對角矩陣；示為共同空間模式的替代映射矩陣；T代表轉置符；S為時域分段后的子信號；tr( ·)為乘方矩陣對角元素的和。步驟6,特征選擇在有576個元素的總特征向量中選取出與左右手運動想象任務類別間的互信息最大的288個元素構成最優特征向量。步驟7，特征分類利用樸素貝葉斯分類器，采取交叉驗證方法，對最優特征向量分類，得到分類正確率。選擇步驟6得到的一個腦電信號的最優特征向量作為測試數據，其余腦電信號的最優特征向量作為訓練數據；貝葉斯分類器利用訓練數據建立分類模型，將測試數據代入分類模型得到分類類別，比較分類類別與實際任務類別，得到正確分類或錯誤分類的結果；依次將每個腦電信號的最優特征向量作為一次測試數據，統計所有測試數據的分類結果，得到分類正確率。下面結合圖4，對本發明的具體實現方式做進ー步描述。采集數據腦電信號采集系統通過受試者佩戴的電極帽，采集想象單側手指運動的腦電信號。預處理利用EEGLAB軟件的預處理功能對采集的腦電信號進行預處理。頻域濾波利用有限脈沖響應濾波器對預處理后的腦電信號濾波，得到頻帶分別為 4-8Hz，8-12Hz，12_16Hz, 16_20Hz，20_24Hz，24_28Hz，28_32Hz，32_36Hz，36_40Hz 的帶寬均為4Hz，無重疊頻帶、依次排列的9個子頻帶腦電信號時域分段將每個子頻帶腦電信號按時間段截斷，劃分為0-0. 125s,
O.125-0. 250s, O. 250-0. 325s, O. 325-0. 500s,......,3. 875_4s 的 32 個等時間段、互不重疊、
依次排列的子信號；空間濾波采用共同空間模式方法，對時域分段后得出的9*32 = 288個子信號中每個子信號進行參數m = I的空間濾波，得到有2m = 2個元素的想象單側手指運動的腦電信號特征向量。將288個特征向量中所有元素依次排列，構成有288*2 = 576個元素的總特征向量。特征選擇在有576個元素的總特征向量中選取出與左右手運動想象任務類別間的互信息最大的288個元素構成最優特征向量。分類利用樸素貝葉斯分類器，采取交叉驗證方法，對最優特征向量分類，得到分類正確率。
權利要求
1.運動想象腦電信號特征的提取方法，包括 (1)采集數據 腦電信號采集系統通過受試者佩戴的電極帽，采集想象單側手指運動的腦電信號； (2)預處理 2a)空間濾波采用共同平均參考的方法，將受試者電極帽上每個電極采集的腦電信號減去所有電極采集的腦電信號的均值，得到共同平均參考空間濾波后的腦電信號； 2b)基線校正將共同平均參考空間濾波后的腦電信號減去基線，得到基線校正后的腦電信號； 2c)帶通濾波利用有限脈沖響應濾波器，對基線校正后的腦電信號進行帶通濾波，得到頻帶為4-40Hz的腦電信號； 2d)截取信號段利用EEGLAB軟件，在帶通濾波后的腦電信號中截取受試者想象單側手指運動過程中的腦電信號段，得到預處理后的腦電信號； (3)頻域濾波 利用帶通濾波器對預處理后的腦電信號濾波，得到多個等帶寬、無重疊頻帶、依次排列的子頻帶腦電信號； (4)時域分段 將每個子頻帶腦電信號按時間段截斷，劃分為多個等時間段、互不重疊、依次排列的子信號; (5)空間濾波 采用共同空間模式方法，對時域分段后的每個子信號進行空間濾波，得到想象單側手指運動的腦電信號特征向量；將所有特征向量中各元素依次排列，構成總特征向量； (6)特征選擇 在總特征向量中選取出與左右手運動想象任務類別間的互信息最大的元素構成最優特征向量； (7)分類 利用樸素貝葉斯分類器，采取交叉驗證方法，對最優特征向量分類，得到分類正確率。
2.根據權利要求I所述的運動想象腦電信號特征的提取方法，其特征在于步驟2b)所述的基線為受試者想象單側手指運動之前的200ms腦電信號。
3.根據權利要求I所述的運動想象腦電信號特征的提取方法，其特征在于步驟(3)中所述的帶通濾波器為有限脈沖響應濾波器。
4.根據權利要求I所述的運動想象腦電信號特征的提取方法，其特征在于步驟(5)中所述的共同空間模式方法為 第一歩，估計兩類運動想象腦電信號的協方差矩陣； 第二歩，將兩協方差矩陣同時對角化，得到其共同的廣義特征向量；將該廣義特征向量作為共同空間模式的映射矩陣； 第三步，將共同空間模式的映射矩陣的前m個列向量和后m個列向量構成替代的映射矩陣示，其中I < m < η/2，η為共同空間模式的映射矩陣列向量的個數； 第四步，按照下式提取區分兩類運動想象的腦電信號的特征向量f = log{diag{W SStW)/tr^TSStW)) 其中，f為兩類運動想象腦電信號的特征向量表達； log( ·)為對數函數； diag( ·)為乘方矩陣對角元素構成的對角矩陣； 示為共同空間模式的替代映射矩陣； T代表轉置符； S為時域分段后的子信號； tr( ·)為乘方矩陣對角元素的和。
5.根據權利要求I所述的運動想象腦電信號特征的提取方法，其特征在于步驟(6)中所述的最優特征向量元素的個數為總特征向量元素個數的一半。
6.根據權利要求I所述的運動想象腦電信號特征的提取方法，其特征在于步驟(7)中所述的交叉驗證方法是指，選擇步驟(6)得到的一個腦電信號的最優特征向量作為測試數據，其余腦電信號的最優特征向量作為訓練數據；分類器利用訓練數據建立分類模型，將測試數據代入分類模型得到分類類別，比較分類類別與實際任務類別，得到正確分類或錯誤分類的結果；依次將每個腦電信號的最優特征向量作為一次測試數據，統計所有測試數據的分類結果，得到分類正確率。
全文摘要
本發明公開了一種運動想象腦電信號特征的提取方法。該方法充分考慮運動想象時腦電信號發生事件相關去同步的腦區、頻率和時間的信息，以便取得更高的分類正確率。具體實驗步驟包括采集數據，預處理，頻域濾波，時域分段，空間濾波，特征選擇和分類。本發明克服了以往僅考慮發生事件相關去同步的腦區和頻率的個體差異性的缺陷，充分考慮了發生事件相關去同步的時段的個體的差異性，具有準確，高分辨率的優點，可以應用于對無經驗數據的運動想象腦電信號的離線分析。
文檔編號A61B5/048GK102613972SQ20121008501
公開日2012年8月1日 申請日期2012年3月28日 優先權日2012年3月28日
發明者何嘉全, 侯秉文, 劉鵬, 周廣玉 申請人:西安電子科技大學