基于csp和r-csp算法的脑电信号特征提取方法
【技术领域】
[0001] 本发明涉及脑电信号特征提取方法，特别涉及基于CSP和R-CSP算法的脑电信号 特征提取方法。
【背景技术】
[0002] 大脑是有亿万个神经元组成的复杂系统，负责人体的各个功能的协调运作，通过 大脑皮层上的电极记录下大脑细胞群的电位活动称为脑电信号（Electroencephalogram， EEG)。将采集到的脑电信号经过预处理、特征提取和分类识别等步骤，最终输入到计算机或 者相关的电子设备里，外部设备通过解读人脑不同意识活动状态做出相对应的动作，这就 是脑 -机接口（Brain Computer Interface，BCI)技术的实现过程。BCI能给一些身体不能 动弹而思维清醒的人带来重新与外界交流的机会，在康复领域具有极其重大的研宄价值。
[0003] 特征提取是脑机接口中至关重要的一部分，特征提取的结果将直接影响下一步模 式分类的正确率。特征提取是对某一模式下测量出的测量值进行变化或映射，通常所涉及 的信号具有数量大、位于较高维度空间的特点。我们需要从这些数量较大或高维空间中提 取出比较具有代表性的特征，以突出该模式的特点，这就是特征提取的精髓。
[0004] 在脑电采集实验中，如果采集训练样本数量比较少，利用传统的CSP算法进行特 征提取时，协方差估计可能会产生不良的效果，再加上脑电信号本身是一种信噪比低的信 号，又会让估计方差变得更高，进而对EEG信号的特征提取产生影响。其次，由于小样本的 数据需要多次进行采集实验，而采集的时间过长或者次数过多时，受试者的情绪和身体状 况等诸多因素的影响数据的可靠性，导致采集到的数据冗余，会影响分类结果。所以，当选 取多位受试者进行实验时，是否能对他们同一侧的想象运动进行相关性的研宄，减少目标 受试者被实验的次数，从而获得更高的分类效果。
【发明内容】
[0005] 本发明的目的是针对传统CSP算法对小样本的脑电信号进行特征提取时，其 提取的特征信号存在协方差估计误差的缺点，提出了一种新的基于正规化的CSP算法 (Regularized Common Spatial Pattern (R-CSP))处理小样本 EEG 数据。
[0006] 本发明的目的可以通过以下技术方案实现：
[0007] 本发明基于CSP和R-CSP算法的脑电信号特征提取方法，具体包括以下步骤：
[0008] 步骤1.选取多名实验者的脑电信号数据作训练集和测试集，并对每个实验者的 脑电信号进行预处理，包括信号长度选取以及EEG阈值去噪；
[0009] EEG阈值去噪的具体步骤如下：
[0010] (1)根据每一次做运动想象时所出现的提示位置的点，根据采样频率和采样时间， 以提示点位置开始向后取"采样频率*单次采样时间"个点作为一组脑电数据集；
[0011] (2)选取小波基函数db4对EEG信号分别进行3层分解；
[0012] (3)将分解得到的小波系数通过阈值函数表达式处理，其阈值函数的数学表达式 为
【主权项】
1.基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在于，该方法具体包括以下 步骤： 步骤1.选取多名实验者的脑电信号数据作训练集和测试集，并对每个实验者的脑电 信号进行预处理，包括信号长度选取以及EEG阈值去噪； 步骤2.利用正则化CSP算法对预处理后的信号进行分析研宄；从多名实验者中选取 1名作为目标实验者，其余作为辅助实验者，调节正则化参数使目标实验者和辅助实验者之 间的训练数据相结合，构造出正则化的空间滤波器对脑电数据进行滤波处理，完成特征信 号的提取工作； 特征信号的提取工作的主要具体步骤如下：对每个实验者的训练样本 求解协方差矩阵，则可以得到标准的空间协方差为
式中，句表不信号，dG{1，2}表不类别d的第i个样本的脑电信号，NXT表不维度，T表示为每次任务中每个通道的采样点数；Ff.是巧的转置，)是矩阵；Ef的对 角元素之和，即矩阵的迹，^表示协方差； 在任务类型已知的训练集中，分别将对两类任务的样本矩阵进行各自的空间协方差计 算，平均正则化协方差矩阵为：
式中：c表示类别，其中（0彡Y彡1)和（0彡0彡1)，Y，0为正则化参数，I为NXN 的单位矩阵，3e(灼定义如下
式中：r。表示为目标受试者进行k次c类实验的协方差矩阵之和：
C表示为辅助受试者进行f次c类实验的协方差矩阵之和，即：
式中I' = (5-1+)xI表示共有s名受试者，其中进行单侧想象运动为k次；y表示 辅助受试者第j次c类实验的协方差矩阵，其中〗=1,2,... 根据以上的公式可知，当0 =Y= 〇的时候，R-csp变为传统的CSP算法；当都不为 零的时候，根据调整不同的0和Y的值，根据不同的参数的选择，逐一对比不同参数的实 验结果，通过不断的精选参数的过程中，最终使小样本特征提取的结果达到最优，进而得到 更好的分类结果； 在正则化参数的作用下，得到受试者的两类运动想象的EEG信号来构造平均正则化协 方差矩阵，它们分别是
式中，仏和1^分别表示目标受试者的A类和B类训练样本的协方差矩阵之和，$和g分别表示辅助受试者的A类和B类训练样本的协方差矩阵之和，tr是矩阵的迹，I为NXN 的单位矩阵；将ZA(0，Y)和ZB(0，Y)进行求和操作，然后对其和进行特征分解，如下所 示：
式中，为对应的特征向量矩阵，義是特征值对角矩阵，则正则白化矩阵为
进行变换得到如下等式：
式中，心和乙是对角矩阵，其中心+心其对应的特征向量矩阵又分别是$和〇^分 别选取和心中最大的特征值对应的特征向量&和iJs，构造空间滤波器
设X为经过预处理后的EEG信号XJPXB分别是对应的两类训练样本，经过滤波器^和WB之后，得到特征向量[ZA，ZB]为
步骤3.将遗传算法和以径向基函数为模型的支持向量机（SVM)分类器相结合对特征 向量进行分类，得到实验分类结果。
2.根据权利要求1所述的基于CSP和R-CSP算法的脑电信号特征提取方 法，其特征在于：所述的EEG阈值去噪具体步骤如下： (1) 根据每一次做运动想象时所出现的提示位置的点，根据采样频率和采样时间，以提 示点位置开始向后取"采样频率*单次采样时间"个点作为一组脑电数据集； (2) 选取小波基函数db4对EEG信号分别进行3层分解； (3) 将分解得到的小波系数通过阈值函数表达式处理，其阈值函数的数学表达式为
式中，式中是真实信号小波系数的估计值；k是选取的阈值;w 1 k是小波分解后 高频部分的小波系数，即表示j尺度上k点的小波系数值；a是形状系数，用于控制％,k<入j, k区域内的函数形状，即控制衰减程度，Aj,k表示阈值；由上面表达式可以看出，当a = 〇时， 该方法为软阈值法，在a为非0情况下，改进的阈值比纯软阈值具有更好的平滑性； (4) 传统的Dohono的阈值记为Aj>k，即表示j尺度上k点的阈值，则Dohono的阈值的 表达式为
定义加权阈值缩放因子InN表示对％,k的长度取对数运算，N是ww的长度；根据 分解层次不同，对应的阈值不同，能有效的去除脑电信号中的噪声信号，缩放因子的表达式 为： 入』=p/(l+In(j)) 2 其中，P彡〇、j是分解尺度； 对Donoho阈值进行缩放得到各个分解子空间的阈值，记为Tm，其表达式为： Tj，k= A j*Aj，k 根据分解尺度对频率高的子空间进行阈值放大，对频率低的子空间阈值进行缩小，进 而增强对EEG中高频噪声的抑制，保留低频有用信号；根据实际情况，对参数a和p进行选 取，使去噪效果达到最理想的状态； (5) 将经过阈值缩放后的小波系数进行重构，得到去噪后的脑电信号。
3. 根据权利要求1所述的基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在 于：使用支持向量机分类器对特征向量分类的具体步骤如下： (1) 对支持向量机中的初始化参数进行设置，初始化参数包括种群的大小、终止迭代 数、交叉和变异的概率； (2) 从脑电信号中选取一组作为训练数据，通过训练得到训练的模型"model"， model是一个1X1的结构体； ⑶将最优训练模型作为输入参数，选取好测试集和测试集标签，进而测出测试集数据 的分类正确率。
4. 根据权利要求2所述的基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在 于：所述的a= 0? 01，p= 0? 1。
【专利摘要】本发明涉及一种基于CSP和R-CSP算法的脑电信号特征提取方法。本发明针对传统CSP算法提取小样本的脑电信号时，其协方差估计会产生较大的误差，本发明在传统的CSP算法上改进，提出了正则化的CSP算法(R-CSP)。首先利用小波阈值去噪算法对信号进行去噪处理；其次，求对5名实验者协方差矩阵，并选取其中一个为目标实验者，其余作为辅助实验者，通过正则化参数的选择来构造出最优的空间滤波器，从而提取到特征向量。最后，利用遗传算法来优化支持向量机分类器，进而提高分类结果的正确率。其最终的分类结果表明，R-CSP算法相比于传统的CSP算法其分类识别的正确率更好。
【IPC分类】A61B5-0476
【公开号】CN104771163
【申请号】CN201510050269
【发明人】马玉良, 许明珍, 高云园, 孟明, 席旭刚
【申请人】杭州电子科技大学
【公开日】2015年7月15日
【申请日】2015年1月30日