想象单侧肢体运动的脑电特征的提取方法

专利名称：想象单侧肢体运动的脑电特征的提取方法
技术领域：
本发明涉及脑-机接口 (brain-co卿uter interface, BCI)系统中想象动 作电位的提取方法。
技术背景目前，有多种疾病可以损伤脑与外部环境进行交流和控制的神经肌肉通 路，如脑瘫多发性硬化和肌萎縮性脊髓侧索硬化(Amyotrophic Lateral Sclerosis, ALS)等。这些疾病会使人部分或全部失去自主的肌肉控制。现 代的生命支持技术可以使延长患者生命时间，但患者的生活质量低下，给家 庭和社会造成的负担也十分沉重。随着计算机技术的进步和脑功能研究的不断深入，人们开始尝试建立一 种全新的、不依赖于肌肉的交流和控制通路，在脑和外部世界之间传递信息 和命令，这就是所谓的脑-计算机接口 (Brain-Computer Interface, BCI)，简称脑机接口。BCI系统结构图如图l所示。脑电采集装置首先从大脑皮层采集脑电信号，其次经过信号预处理部分 进行滤波，而后经过模式识别方法将脑电信号进行分类，得到控制信号，最 终利用这些控制信号通过程序实现对外设的控制。根据临床电生理学的研究成果，不同的肢体部位运动所激活的大脑皮层 区域也各不相同。单侧的肢体运动或想象运动主要激活感觉运动皮层，大脑对侧产生事件相关去同步电位(event-related desynchronization ，ERD)， 同侧产生事件相关同步电位(event-related synchronization, ERS)。 ERD是 指当某一皮层区域活跃起来时，特定频率的节律性活动表现出幅度的降低， ERS是指当某一活动在一定时刻没有使相关皮层区域明显地活跃起来，特定 频率就表现出幅度升高。因此，通过分析的脑电信号模式及其分布特征，可 以预测出想要发生动作的部位(例如是手部或者足部)。图2为2003年BCI竞赛中由GRAZ大学提供的脑电数据进行经过8-30HZ 滤波，并平均140次实验数据后所得的功率图。图中第3秒开始想象单侧脑 电运动。在第3秒后，C3， C4两个电极信号功率明显的变化印证了 ERD和ERS 这一生理特征。基于此生理特征基础之上进行的。目前，空间滤波特征(common spacial pattern, CSP)算法与支持向量机 (SVM)相结合是脑机接口技术采取的特征提取和分类方法之一。但是存在支持向 量机输入维数较高，分类器推广能力差的问题。另外单纯采用线性判别分析(FDA)分类器，简单、容易实现、需要的计算 量和存储量小，它假定判别函数g(x)是输入特征向量x的线性函数。然而， 由于EEG的非线性，得到的特征向量很难具有线性可分性，因此线性分类法在 分类自发EEG信号时，必然会导致识别率低。 发明内容将数据按照不同的频率分成多个子频带，对每个不同的子频带再进行CSP 算法转换并结合线性判别分析(FDA)进行特征提取。分类器采用支持向量机。CSP方法结合FDA线性变换能够降低输入特征矢量的维数，避免了维数灾难问题，有利于推广分类器的使用，在脑机接口技术领域的中提高识别准确 率，显示了一定的优势。本发明采取的技术方案是电极的放置遵循国际IO - 20系统，总共电极数为16个，采样频率为128Hz。电极帽采集脑电信号EEG，脑电信号经过脑电放 大器放大及A/D转换，由USB口输入计算机中，并以信号电压幅值形式在存储器 中存储。利用计算机实现CSP算法，FDA线性变换结合支持向量机对脑电信号 进行分类想象试验次数为m (me(180,240))次，任意取其中^m次(左右手试验次数各为iw)为训练数集，剩下的im次(左右手试验次数随机)为测试数集。 3 3本申请的特征包括 (1)脑电信号的时域频域滤波1) 设计48阶、12采样点的FIR滤波器对存储器中脑电信号数据进行0-3Hz 低频带滤波，设置想象动作发生前『(『e(300,600)) ms时间窗，对训练集|附 次经过频域、时域滤波后的数据取均值设为datal，为CSP左右手动作空间滤波器的构造做准备。2) 设计48阶、512采样点的FIR滤波器对存储器中的m次试验的脑电信 号数据分别进行8-30Hz带通滤波，对每次试验数据都设置想象动作发生后l-2s 时间段的时间窗，对每次试验的脑电信号的时间窗内的数据段的所有数据分别取平方值，并设置200ms滑动时间窗，即每次移动一个采样点，得到m次试验 的参数时程变化；在m次时程变化后的数据中取训练集l附部分，经过频域、 时域滤波后，取该2附次实验数据算术均值设为data2; (2)对特征矢量v,， ^2降维利用共同空间滤波(CSP)方法对datal数据段提取4维特征矢量Vp对data2数据段提取6维特征矢量V2 。其中V, = [ < < C V ] ', V2= [ V < V2。2 V V 、3 ] r ，Vl， v2由CSP空间滤波器滤波后求得。禾U用Fisher判另lj分析(Fisher discriminant analysis, FDA)对特征矢 量K ， v2分别降维至1维矢量/， /2:1)对特征/的Fisher准则为G(Wi)=,^代表了投影方向，^为左右手动作类间离散度矩阵，^为总类内离散度。当取极大值时的< ，就是将要采用的4维的Vl空间到一维y;空间的方向。 设 为h。1 vJ]t所有列向量e,，/Hi…W的均值向量，N为所选择的连接 大脑的脑电通道的数目，[V v,。2]t代表了左手模型的特征向量，由csp算法 求解得出。设 为[ 1 V]t所有列向量vJ^1 ...W的均值向量，N为所选择的连接 大脑的脑电通道的数目，V]t代表了右手模型的特征向量，由csp算法
子帧与ACK/NACK所7t应的上4亍子帧之间有6个子帧的间 隔；设置重传的数据包所在的上行子帧与前一次传输的数据包 所在的子帧之间有14个子帧的间隔；^f吏得此进禾呈的RTT为 15msj
所述第一确定才莫块确定Tue = 3ms, Tnb=3ms，上/下4亍转 换周期为5ms;所述第二确定才莫块确定下/上行子帧比例为3 :
2, 子帧2、 3、 7、 8为上4亍子帧，子帧1、 6的DwPTS上 及子帧0、 4、 5、 9可以发送下行ACK/NACK信令；则所述 配置模块设置进程的总数为4，分别为进程A、 B、 C、 D; 设置进程A及进程C分别在子帧2和子帧7上发送；设置基 站反馈的ACK/NACK信令在下行子帧上发送，设置这个下行 子帧与ACK/NACK所只十应的上4亍子帧之间有3个子帧的间 隔；设置重传的数据包所在的上行子帧与前一次传输的数据包 所在的子帧之间有9个子帧的间隔；^使得这两个进程的RTT 为10ms;设置进程B及进程D分别在子帧3及子帧8上发送； 设置基站反馈的ACK/NACK信令在下行子帧上发送，设置这 个下行子帧与ACK/NACK所对应的上行子帧之间有5个子帧 的间隔；i殳置重传的#:据包所在的上4于子帧与前一次传输的凄t 据包所在的子帧之间有9个子帧的间隔；4吏得这两个进程的 RTT为10ms;
所述第一确定才莫块确定Tue-3ms, Tnb=3ms，上/下4亍转 换周期为5ms;所述第二确定模块确定下/上行子帧比例为4 : 1,子帧2、 7为上行子帧，子帧1、 6的DwPTS上及子帧0、
3、 4、 5、 8、 9可以发送下行ACK/NACK信令；则所述配置 才莫块设置进程的总数为2，分别为进程A、 B;设置进程A 及进程B分别在子帧2和子帧7上发送；设置基站反馈的 ACK/NACK〗言令在下4于子帧上发送，i殳置这个下4于子帧与 ACK/NACK所对应的上行子帧之间有3个子帧的间隔；设置
分类。使用Fisher判别分析将高维输入向量v v2 (v^为4维，、为6维)降 为两个i维输入向量y;， /2，再经过支持向量机的分类，不但提高了分类准确 率。也避免了由于维数过高带来的的维数灾难问题，有利于分类器的推广。


图l BCI系统基本结构示意图。图2 2003年BCI竞赛中由GRAZ大学提供的脑电数据进行经过8-30HZ滤波，并平均140次实验数据后所得的功率图。第3秒开始想象左手运动的C3，C4脑电信号的功率变化图。 图3 2003年BCI竞赛中由GRAZ大学提供的脑电数据进行经过8-30HZ滤波，并平均140次实验数据后所得的功率图。第3秒开始想象右手运动的C3、4脑电信号的功率变化图。在第三秒后，C3， C4两个电极信号的变化印证了ERD和ERS生理特征，本实验装置就是基于此生理特征基础之上进行的。 图4 EEG数据分类算法流程图 图5 CSP算法流程图 图6脑电信号特征矢量降维流程图具体实施方式
利用16通道电极帽采集脑电信号(EEG)，脑电信号经过脑电放大器放大 及A/D转换，由USB口输入计算机中，并以信号电压幅值形式在存储器中存储。进行左右手想象试验次数为210次，取其中140次(左右手试验次数各为70) 为训练数集。1) 设计48阶，512采样点的FIR滤波器对数据进行0-3Hz低频带滤波， 设置想象动作发生前500ms时间窗，对140次经过频域、时域滤波后的数据取 算术均值设为data2，为CSP左右手动作空间滤波器的构造做准备。2) 设计48阶，512采样点的FIR滤波器对数据进行8-30Hz带通滤波，设 置想象动作发生后l-2s时间窗。对该数据段的数据取平方值，并设置200ms 滑动时间窗，为后期支持向量机的分类做准备。对训练集140次经过频域、时 域滤波后的数据取算术均值设为data2。3) 利用CSP方法对ERD/ERS明显的data2数据段进行预处理。 无论想象左侧还是右侧肢体的运动，数据采集系统除了采集到与特定任务相关的活动外还包括特定无关的活动，如背景噪声。所以需要一种合适的方法 来提取在特定目标刺激下与任务相关的脑电分量。CSP共同空间滤波方法就是 处理这类问题的有效方法。CSP是一种在多任务条件下，从多通道EEG数据集中提取某一特定任务信 号成分的方法，这种方法基于两个实对称矩阵(协方差矩阵)的同时对角化， 并应用主成分分析(PCA)和空域子空间分析的方法来排除两种任务的共同部分， 提取不同部分。它通过多任务共空间因子来分解信号矩阵和协方差矩阵，然后 根据数据集中的共空域子空间将空间因子及其对应的空间过滤器分成为两个部 分，即任务不同的部分和共同的部分。然后，再通过空间因子和相应的空间滤波器将特定信号成分提取出来。CSP算法的目的就是设计与某个特定任务相关的空间滤波器，应用CSP算法于ERD生理现象较明显的data2数据段，左、右手指动作识别可按下列具体 步骤完成第一步将物理信号转变为数学信号选用的脑电通道数为16， data2中数据点长度设为/.则建立左手指的动作 信号矩阵为XL，右手指动作信号矩阵为XR均为16x/矩阵，将脑电的物理电压 信号以数学矩阵形式给出 RL=[XL]x[XL]rRR=[XR]x[XR]r分别求出左、右手指动作的协方差矩阵RL和RR。 对协方差矩阵的和R进行特征值分解 R=[RL]+[RR]=U0XU0r其中，Z为特征值对角阵，U。为对应的特征向量矩阵。第二步应用主成分分析(PCA)，求出白化值矩阵P丄 r为之后的左右手动作空间滤波器的构造做准备。然后，将RL和RR转换为如下形式 YR=PxRRxPr=UZRUr其中，2:,和i^为特征值对角阵，u为对应的特征向量矩阵，可以征明yl 和YR具有相同的特征向量矩阵u，而且特征值对角阵i:,和2^满足下式I为单位矩阵。理论上讲，2:,和i^中的对角元素只有o和i构成，而且i;,中的i、 o分 别对应i^中的o、 i，实际上，由于脑电放大器的电极噪声及许多人为因素的影响，L和2^中的对角元素的值是达不到l的，而是由介于0和1之间的许多值构成的。第三步构造左右手动作空间滤波器应用主成分分析可知，z,和i^中最大的一个或几个特征值所对应的特征向量就表征了左、右手指想象动作这两种任务成分。现定义L和2^中最大的三个特征值所对应的特征向量构成的矩阵分别为^和^。在此，^和^大小为16x3， 16为脑电通道数量。其中，F1L对应左手指动作电位，F1R对应右手指动作电位。至此，想象 左右手运动的空间滤波器的构造完成。经过空间滤波器滤波之后，信号中左右 手运动任务成分更加突出，为之后的支持向量机的分类创造一个好的基础。将新的手指想象的信号矩阵X经过相应的滤波器F1L， F1R后，之后，特征矢量定义为、，i<formula>formula see original document page 14</formula>v,。， ^在对数运算之前的取值位于0和1之间。理论上、对于想象右手动作的数据等于0，而对于想象左手运动的数据等于l。对 结果正好相反。正是这个归一化减轻了来自不同时间脑信号的幅度或功率差异对分类识别率的 影响。这个对数运算是为了使v,。， 中的元素分布更趋正态。当提取特征/2时，我们选择三个空域模式。因此， 一个6维的特征矢量 、二[ 1 < 、2、2 v2a3 V ] t被构造，其中上标1、 2和3表示所选空域模式 的索引号。T表示转置运算符。接下来我们利用线性判别分析(FDA)将由v,， ^两个特征矢量降维至两 l维的特征向量/i， /2。对特征/2的Fisher准则为G(w2)= "v^代表了投影方向，^为左右手动作类间离散度矩阵，、2为总类内离散度。 当G(^)取极大值时的vV，也就是将要采用的6维^2空间到一维/2空间的方向。设 为[ 1 v2。2 3]7所有列向量^/^1...^的均值向量，N为所选择的连接大脑的脑电通道的数目，[ ' 2 3]T代表了左手模型的特征向量，由CSP算法求解得出。 为[V、2 3]T所有列向量。，^{1..1}的均值向量，N为所选择的连接大脑的脑电通道的数目，v2A2 v^]t代表了右手模型的特征向量，由CSP 算法求解得出。取^2 = 1] 0,—附21)(^—附21,+z ( —附22)(~—附22)7，贝u由>/2=^->21-附22)即可求得《的取值，即6维空间^到1维空间/2的最 好方向。由/2 = WJV2即可把6维样本、投影到1维空间/2 。对于^采取的降维方法与K基本上是一致的，直接对datal数据段建立CSP 空间滤波器，滤波后经Fisher变换把4维向量v,映射到一维向量/ 。在获得了两个一维特征,、/2后，将它们连接成一个两维的特征矢量， 最后输入支持向量机(SVM)分类器进行分类。在此选择径向基函数作为支持向量机(SVM)的核函数<formula>formula see original document page 15</formula>x,， 分别表示第/,y个样本模式，y为核参数。理论上说，只要满足mercer条件的函数都可以作为核函数，但在我们选择 径向基核函数的主要依据有以下几点1) 非线性是脑电信号的一大特点，因此在从低维空间向高维空间变换时我 们要采用非线性变换。另外，线性S函数是径向基函数的一种特例。2) 与多项式核函数相比，径向基函数具有更少的参数，即模型复杂度更低， 这有利于训练时的参数确定。3)在目前支持向量机理论中，S函数还不是很成熟，而且S函数跟线性核函 数一样，也可以看作是径向基函数的一个特例。因此综合以上几方面的考虑，最终选定径向基函数作为所用支持向量机的 核函数。另外对于核参数y和误差惩罚因子C的选择也非常重要。z的取值影响着空间变换后的数据分布。而作为惩罚因子c则决定了支持向量机的收敛速度及推广能力。因此对z和c的错误选择就决定了测试样本并不能被较好的识别，即有可能出现过学习问题。我们采用交叉验证的方法。交叉验证法，具体到本文中就是将140份经CSP 空间滤波器滤波和FDA降维处理后的脑电信号训练数据等分为6份，先用其中的 5份来训练支持向量机，然后将剩下的一份作为测试数据进行识别，从而得到一 个识别率。对这6份再重新选择一份作为测试数据，另5份作为训练数据，重复 上面的过程，从而又得到一个识别率。 一次循环下来作为核参数y和惩罚因子C 的一次验证，然后在;k和C的允许空间内，改变y和C的值，再重复以上步骤，直 到y和C全部验证完毕，从而确定出识别率最高的y和C的值作为最终的训练数据值，交叉验证方法可以有效地防止数据的过训练。在以上的交叉验证过程中，对7和C的改变我们采用网格搜索法。所谓网格 搜索法就是分别以y和C的取值范围为外围网格的边，在取值范围之内不同y和 C取值交叉成不同的网格，对所有的这些网格进行搜索，以找到需要y和C取值。 在使用网格搜索法时，如果从一开始就不间断地对每个值进行搜索，无疑会使计算量巨大化，因此，本文采用粗网格和细网格结合使用的方法进行搜索，以降低 计算量，加快搜索速度。在粗网格搜索时，y和C选值的变化一般采用指数级变化，以2"次方的步 长进行变化，在此，C的变化取C二2-5,2-3,...215，而y = 2-",2-13，...23的变化范围。 两者变化时，n的步长取2.当粗网格搜索结束后，C和y最优值被确定在(211,23) 附近。因此对该区域采用细网格搜索方案，此时C的取值变为C-21、21。5,…212， y 的取值变为^215，22,...23 ， n的步长取值为0. 5，对搜索到的值进行细网格搜索， 直到交叉验证率不再增加为止。确定Z和C的取值后，就可以对支持向量机分 类器进行训练了，此时将整个训练数据集以及前边搜索出来^和C值都用来训练 支持向量机，最后再用训练好的支持向量机来预测测试数据集，从而确定该支持 向量机分类器的识别率。CSP空间滤波方法的排除相同任务成分提取不同任务成分的性质决定了它 对想象单侧肢体运动脑电特征的分类更有针对性，同时CSP算法与FDA特征提 取相结合，降低了输入矢量的维数，提高了分类器的推广性，在一定程度上提 高分类准确率。采用支持向量机分类器，避免了神经网络易出现的训练时间过 长和过学习问题，为提高脑机接口技术的实时性创造了前提条件，从而使脑机 接口技术早日走出实验室，在日常生活中服务于人类成为可能。
权利要求
1、想象单侧肢体运动的脑电信号的提取方法，想象左右手运动试验次数为m次，任意取其中 次为训练数集，其中左右手试验次数各为次，剩下的次为测试数集；采集到的脑电信号再经过脑电放大器放大及A/D转换，由USB口输入计算机中，并以信号电压幅值形式在存储器中存储；其特征在于，所述的m的取值为180～240；该方法是按以下步骤实现的(1)脑电信号的时域频域滤波1)设计48阶、12采样点的FIR滤波器对存储器中脑电信号数据进行0-3Hz低频带滤波，设置想象动作发生前W(W∈(300，600))ms时间窗，对训练集次经过频域、时域滤波后的数据取均值设为data1，为CSP左右手动作空间滤波器的构造做准备。2)设计48阶、512采样点的FIR滤波器对存储器中的m次试验的脑电信号数据分别进行8-30Hz带通滤波，对每次试验数据都设置想象动作发生后1-2s时间段的时间窗，对每次试验的脑电信号的时间窗内的数据段的所有数据分别取平方值，并设置200ms滑动时间窗，即每次移动一个采样点，得到m次试验的参数时程变化；在m次时程变化后的数据中取训练集部分(次)，经过频域、时域滤波后，取该次实验数据算术均值设为data2；(2)对特征矢量v1、v2降维利用共同空间滤波(CSP)方法对data1数据段提取4维特征矢量v1，对data2数据段提取6维特征矢量v2。其中v1＝[v1a1v1b1v1a2v1b2]Tv2＝[v2a1v2b2v2a2v2b2v2a3v2b3]T，v1，v2由CSP空间滤波器滤波后求得。利用Fisher判别分析(Fisher discriminant analysis，FDA)对特征矢量v1，v2分别降维至1维矢量f1，f21)对特征f1的Fisher准则为
全文摘要
本发明涉及脑-机接口装置中想象单侧肢体运动的脑电特征的提取方法。CSP空间滤波方法的排除相同任务成分提取不同任务成分的性质决定了它对想象单侧肢体运动脑电特征的分类更有针对性，同时CSP算法与FDA特征提取相结合，降低了输入矢量的维数，提高了分类器的推广性，在一定程度上提高分类准确率。使用Fisher判别分析(FDA)将10维输入向量v₁，v₂(v₁为4维，v₂为6维)降为两个1维输入向量f₁，f₂，再经过支持向量机的分类，不但提高了分类准确率。也避免了由于为数过高带来的维数灾难问题，有利于分类器的推广。
文档编号A61B5/048GK101219048SQ200810056839
公开日2008年7月16日 申请日期2008年1月25日 优先权日2008年1月25日
发明者乔俊飞, 于建均, 刘净瑜, 李明爱, 蕊 王, 郝冬梅, 龚道雄 申请人:北京工业大学