一種基于意識任務的特征EEG處理方法與流程

本發明屬于腦機接口研究領域，涉及便攜式腦機接口的EEG信號處理方法，特別涉及一種基于意識任務的特征EEG處理方法。

背景技術：

腦機接口(Brain-Computer Interface，BCI)是測量中樞神經系統的活動并將它轉換成用來代替和增強中樞神經系統輸出的人工輸出系統。目前，基于EEG的BCI系統應用最為廣泛。它通過安裝在頭皮的固定位置處的電極，檢測到相應的神經元活動彌散到頭皮上的電勢分布，然后解讀電勢信號的分布，來解碼一些運動意圖信息，將這些運動意圖信息相應的編碼，就可以控制外部的設備，為人們提供一種全新的與外界交互的能力。BCI常用于殘疾人輔助設備，如腦控輪椅，腦控義肢，通過EEG控制經顱磁刺激對受損的肌肉進行康復治療與殘疾人輔助機器人等。目前，讓BCI新技術走出實驗室，服務廣大有需求的患者和特殊的人群成為BCI研究的新挑戰。低成本便攜式腦電采集系統就代替高性能研究型腦電采集系統成為日后腦機接口系統的趨勢。

想象運動與想象單詞生成都是意識任務的一種。想象運動表示有意識的想象一個運動意圖。可以在沒有外界刺激的情況下誘發出ERD/ERS特征波。當單邊肢體運動或想象運動時，對側初級感覺運動皮層區域活躍起來，mu與beta頻率的節律性活動表現為幅度的降低，稱為事件相關去同步(ERD)；反之，其同側皮層區域受到抑制，mu與beta頻率的節律性活動表現為幅度的升高，稱為事件相關同步(ERS)。被試在一段時間內根據提示的首字母拼寫一連串單詞，拼寫的過程是由幾個不同的腦區同時作用的結果。如拼寫單詞“top”：顳葉語言區，額葉中回區，視覺區等大腦相應區域會被激活，表現為相應腦區alpha頻段的升高。

目前，共空間模式(CSP)算法被證明在ERD/ERS特征提取中達到很好的效果，CSP是一種空間濾波器，用CSP的方法從多導聯EEG中計算出頭皮的特定激活區，根據每個導聯的重要性使任務間特征區分開。Thomas K P等人提出Filter Bank方法，將原始EEG從6-40Hz分為4段進行濾波，再對子信號進行CSP。PengXu教授提出了局部時間相關的共空間模式算法(LTCCSP)，LTCCSP算法計算了局部時間相關信息，有效抑制了奇異值點對協方差矩陣的影響。以上兩種算法分別在頻域與時域對原始CSP算法進行改進，忽略了時頻域聯合特征的效果，本發明結合這兩種算法的優勢，將濾波器組算法提取的EEG頻域信息，局部時間相關算法提取的EEG時域信息，與CSP算法提取的EEG空間信息，這三種信息融合，達到更優的特征提取效果。

基于以上研究背景，本文研究了基于意識任務的特征EEG處理方法，提出了LTCFB-CSP特征提取算法。

技術實現要素：

本發明的目的在于克服便攜式腦電設備采集到EEG的低信噪比問題，提供一種便攜式腦機接口的EEG特征提取方法。本發明的目的通過以下的技術方案實現：

S1.屏幕上提示被試進行三種不同的意識任務，分別是想象左手運動，想象右手運動與想象單詞生成，在提示想象單詞生成時屏幕隨機出現一些單詞首字母，被試根據首字母想象一連串的單詞。

S2.被試通過佩戴便攜式腦電帽采集頭皮EEG，并通過藍牙傳給計算機，14導聯EEG數據采樣率為128Hz，在0.2Hz-43Hz頻率范圍內進行帶通濾波。離線數據使用EEGLAB工具包對數據進行預處理，包括壞導聯去除與去偽跡兩步。

S3.對預處理后EEG進行濾波器組帶通濾波，設計9個切比雪夫Ⅱ型濾波器將整段信號濾波得到9個子信號，以下步驟分別在9個子信號中完成。

S4.計算每個子信號的局部時間相關，計算訓練集EEG的空間濾波器，再對EEG進行空間濾波，提取信號的能量作為特征向量，通過支持向量機(SVM)訓練生成對應每位被試的SVM分類器，生成的SVM分類器將在S5在線檢測中使用。

S5.在在線的同步算法中，特征EEG檢測每3秒進行一次，每一段子信號通過訓練好的濾波器模型進行濾波，將得到的特征向量輸入到S4中生成的SVM分類器中，得到每段EEG的分類類別。

S6.評估標準：準確率是由正確分類的數目除以全部的數目而得來，為了表現系統的復雜程度，將分類類別數這一指標加入準確率的計算中，得到準確率衡量標準：

其中，acc代表SVM分類器的分類準確率，N代表意識任務的類別數。

步驟S2中，所述的14個通道具體為“AF3”、“F7”、“F3”、“FC5”、“T7”、“P7”、“O1”、“O2”、“P8”、“T8”、“FC6”、“F4”、“F8、“AF4”。

步驟S5中，3秒數據向量包含384個數據點。

附圖說明

圖1為本發明所述的基于意識任務的特征EEG處理方法流程圖；

圖2為意識任務的實驗范式示意圖；

圖3為三種特征EEG的功率譜密度圖，其中實線對應單詞任務，點線對應左手想象運動，虛線對應右手想象運動；

圖4為特征提取算法中拉普拉斯矩陣L的計算示意圖；其中陰影部分代表每個長度為的數據段；

圖5為特征提取算法中PW與OVR方法的準確率比較結果圖，其中實線代表PW算法，虛線代表OVR算法。

具體實施方式

下面結合實施例及附圖對本發明作進一步詳細的描述，但本發明的實施方式不限于此。

如圖1，一種基于意識任務的特征EEG處理方法，具體包含以下部分：

一、離線訓練階段實驗范式設計：

屏幕上提示被試進行三種不同的意識任務，分別是想象左手運動，想象右手運動與想象單詞生成，在提示想象單詞生成時屏幕隨機出現一些單詞首字母，被試根據首字母想象一連串的單詞。當被試的訓練正確率達到70％以上時，訓練結束，帶事件標簽的EEG數據被保存在計算機中。接著用離線數據中執行任務的部分做離線分析。

二、數據處理和算法

第一步：濾波器組帶通濾波。為了減少由于數據段短引起的邊緣效應，對整段原始腦電信號進行濾波器組帶通濾波，設計9個切比雪夫Ⅱ型濾波器將整段數據濾波后得到9段子信號，濾波器參數為最優化參數。

第二步：分段。將子信號以3s為一段分段，由于信號采樣率為128Hz，因此每段信號包含T＝384個采樣點，共有S＝312個試次。

第三步：求局部時間相關。設置一個大約100ms的局部時間滑動窗，對時間窗內兩個時間點的數據做相關，相關系數越高，代表頭皮電勢越相似，反之越不相似，若時間窗內計算出的相關值都很高，則代表這個“微狀態”為做任務態。對每個試次的τ個采樣點內EEG求相關。

其中corr(x_l,x_m)為相關系數運算符，τ是局部時間范圍。x_l和x_m的頭皮電勢分布越相似，權值矩陣的相應位置會得到一個相對較大的系數值。τ的取值因人而異，根據經驗選擇取值范圍為2-12，最終選擇對應分類結果最優的τ值。

第四步：求投影矩陣Γ。采用CSP方法計算Γ，其目標函數為：

其中分別代表兩種任務下的腦電原始信號X，Y的平均歸一化空間協方差矩陣，投影矩陣Γ的目的是最大化一種任務方差的同時最小化另一種任務的方差。

提出Γ的前m列為例，公式(2)可以寫成：

其中，K_X和K_Y分別是每種想象任務下的試次數，i代表第i個試次，γ_j是矩陣Г的第j列，矩陣Г的后m列也可以由上式過程推導。運用維度減小策略，二次型被變換成：

將第三步中求出的局部時間相關矩陣引入公式(4)來提高局部信息：

對兩種任務下的平均協方差矩陣求和，構造白化矩陣P，再對兩種任務下的協方差矩陣同時對角化。得出矩陣Γ，取Γ的前3列與后3列，就得出最終的投影矩陣Γ。

第五步：空間濾波。與第三步對應，將濾波器組濾波后EEG乘以局部時間相關矩陣的半正定分解矩陣Z＝ΓCL^1/2，對最終的空間濾波信號按空間維數求方差得到特征向量。

第六步：分類。采用支持向量機作為分類器，核函數選擇線性核函數。又對線性核函數中的懲罰因子c參數進行優化。

此方法提出了腦電信號的頻域信息，時間特征與空間特征，原理上可行，有明確的物理意義。就分類準確率而言，本論文所提出的算法具有更優越的性能。