基于左右手运动想象脑电信号的大脑状态识别方法
【技术领域】
[0001] 本发明涉及基于左右手运动想象脑电信号的大脑状态识别方法，是针对左右手运 动想象产生的不同大脑状态的识别方法，属于脑科学与计算机科学的交叉领域。
【背景技术】
[0002] 作为人体中最为复杂，最为精密的器官，大脑在人体活动中承担着多项重要任务， 如控制肢体活动，对事物产生不同的认知和情绪等。近年来各项技术的不断发展与成熟，使 得进一步探寻大脑内部结构和作用机理成为现实，人们希望能够通过研究大脑在进行各项 活动和感知过程中脑信号的变化过程，了解其工作机理，为进一步解读大脑控制方式和认 知模式，了解大脑的高级功能和思维模型提供新的研究渠道与方法。同时，解读脑信号中蕴 含的丰富大脑状态信息，并将其应用在人机交互方面，实现大脑与外界设备的信息交流与 直接控制，也是研究重点之一。
[0003] 根据现有的研究成果可知，大脑内部包含数以亿计的神经元细胞，各个神经元细 胞之间相互连接构成神经网络，并通过神经网络传递信息。这些信息的传递是以电信号作 为介质实现的，因此传递过程中会形成微电场和微电流，这些微电场和微电流为研究大脑 中各种活动的运作机理提供了可能。
[0004] 脑电信号（EEG)是一种由大脑内部微电场和微电流引起的可以在头皮表面探测 到的电位变化，其中蕴含着丰富的脑内状态信息。基于脑电信号，可以选择合适的分析方 法，从中提取特定大脑活动状态下的脑电信号特征，进而利用这些特征对大脑的思维活动 进行认知、分类，识别大脑意图。通过上述方法识别出的大脑意图，可以应用于各种人机交 互系统，实现大脑对于各种设备的直接控制，不再需要通过按键等物理设备的操作。
[0005] 通过分析脑电信号解码大脑意图，了解大脑运作机理，进而实现大脑对于外接设 备的直接交流和控制，具有重要的研究意义和应用前景。由于疾病、事故等原因丧失行动能 力的病人，需要借助外界设备完成动作，表达意图，借助脑电信号分析，可以帮助病人建立 起与设备的交流渠道，实现大脑意图对设备的直接控制。在航空、航天等复杂工作环境下， 可以通过该方法建立起全新的信息交流与控制通道，直接将大脑信息传递到工作设备，使 得传统控制方式无法在特殊条件（如失重、过载）下对设备进行有效控制时，保证控制工作 的顺利进行。认识大脑在不同环境下的活动机理，了解大脑感知过程中脑信号的变化过程， 揭示大脑工作机理，有助于对大脑认知模式、信息流程和控制方式的深入了解与解读，对进 一步了解大脑高级功能、大脑思维模式和意识形成机制提供了研究渠道与方法。因此，利用 科学合理的研究方法对脑电信号进行分析，解读大脑意图和实时状态信息，具有重要的现 实意义和理论研究价值。
【发明内容】
[0006] 本发明的目的是基于进行左右手运动想象产生的脑电信号，发明一个对大脑不同 状态进行识别的方法，基于该方法，可以识别判断当前大脑所处模式，从而解决数据维度 高、背景噪声强等一系列问题，为实现大脑与外部的直接交流打下坚实基础。
[0007] 本发明的具体技术方案包括以下几个步骤：
[0008] 步骤一：针对脑电信号，使用切比雪夫滤波器和独立成分分析方法，消除与左右手 运动想象对应的大脑活动无关的噪声数据。
[0009] 步骤二：针对独立成分分析，反演脑电信号，获取各独立成分影响区域，选择有效 的脑电信号采集区域。
[0010] 步骤三：根据本专利对左右手运动想象大脑状态特征的定义，对步骤二中重新选 择的数据进行特征提取。
[0011] 步骤四：选取不同大脑状态特征训练分类器模型，并使用该模型对未知状态脑电 信号进行分类识别，判断大脑状态。
[0012] 本发明的有益效果是：
[0013] 本发明所提的方法从数据挖掘的角度出发，针对左右手运动想象产生的脑电信号 本身进行特征提取与状态分类识别，提出了一种新颖的分析方法，有效解决了脑电信号数 据高噪声、高维度、分析难度高的问题。本发明经过扩展后，还可以用于脑机接口，将不同的 大脑状态转换为外部设备控制指令和沟通指令，实现大脑对外部设备的直接控制和与外部 的直接交流。
【附图说明】
[0014] 图1是本发明方法的总体流程图。
【具体实施方式】
[0015] 下面结合附图和相关算法，对本发明做进一步的说明。
[0016] 本发明的总体流程如图1所示。
[0017] 本发明利用脑电信号进行左右手运动想象大脑状态的特征分析与识别，采用滤波 器和独立成分分析的方法降低数据中的噪声和数据量。使用独立成分反演的方法选择有效 的脑电信号采集区域，降低数据维度，提高数据有效性。针对选择后的数据进行特征提取， 建立分类器模型，并使用模型对大脑状态进行分类识别。具体实施步骤如下：
[0018] 1.数据滤波与独立成分分析
[0019] 针对脑电信号，本发明根据脑科学相关研究将数据按照指定频率波段进行滤波， 对滤波后的数据进行独立成分分析，获得其中的独立成分，生成新数据集。考虑到脑电信号 高噪声、高维度的特点，此步骤中的数据滤波和独立成分分析能够去除噪声数据，减少数据 维度。其过程可用算法1描述：
[0020] 算法1 :数据滤波与独立成分分析
[0021] 输入：数据集D，指定滤波频段band_pass，独立成分提取数目N
[0022] 输出：新数据集ro
[0023] I : tmp_D =中间临时存储数据库
[0024] 2 :col_count =数据库D中脑电信号数据采集点数目
[0025] 3 ：for(i = 0 ；i < col_count ；i++)
[0026] 4 :tmp_D[i]=使用切比雪夫II滤波器将D[i]滤波至band_pass频段
[0027] 5 ：end for
[0028] 6 :PD =使用独立成分分析从tmp_D中提取N个独立成分
[0029] 2.选择有效脑电信号采集区域
[0030] 针对新数据集ro中的独立成分，利用独立成分分析算法特性，依次消除各独立成 分对于原始数据的影响，并使用原始数据和去除影响后的数据分别绘制脑地形图进行对 比，获得各独立成分的影响区域，实现有效脑电信号采集区域的选择。
[0031] 根据独立成分分析方法相关计算特性，原始脑电信号数据X和独立成分数据s之 间存在如下关系：x = As。其中A为转换矩阵，每一列对应于一个独立成分的转换信息。利 用这一特性，依次将A各列置为零，得到A'，并计算X' =A' s，消除对应独立成分对原数 据的影响。利用s和s'分别绘制脑地形图，对比其中的不同，得到各个独立成分影响的区 域，进而选择这些区域作为有效脑电信号采集区域。
[0032] 其具体过程如算法2描述：
[0033] 算法2 :选择有效脑电信号采集区域
[0034] 输入：独立成分数据集s，转换矩阵A，独立成分个数N，原始脑电信号数据X
[0035] 输出：有效脑电信号采集区域D
[0036] 1 :新建空数据集存储脑电图差异区域编号D
[0037] 2 :利用X绘制脑地形图origin_scalp
[0038] 3 ：for(i = 0 ；i < N ；i++)
[0039] 4：Ar =A
[0040] 5 ：Ar [i] = 0
[0041] 6 ：x' =Ar s
[0042] 7 :利用W绘制脑地形图pro_scalp
[0043] 8 :对比origin_scalp，pro_scalp，获取差异区域编号添加到D
[0044] 9 :end for
[0045] 3.状态特征提取
[0046] 利用步骤（2)中得到的有效脑电信号采集区域D，选取相应区域数据，对数据进行 独立成分分析后，利用独立成分进行大脑状态特征提取。
[0047] 本发明给出了左右手运动想象大脑状态特征提取方法。从不同运动想象模式大脑 状态数据中，分别提取相应特征，作为不同大脑状态特征向量。特征计算过程如下：
[0048] 设有两种运动想象模式的脑电信号数据集a和b，每个数据集中包含N次运动想象 产生的数据。针对单次运动想象数据X 1，计算其空间协方差R1:
[0049]
(18)
[0050] 利用数据集a中N个trial数据的空间协方差，计算对应运动想象模式下总体协 方差矩阵Ra，计算方法为：
[0051]
(19)
[0052] 使用同样方法计算数据集b的总体协方差矩阵Rb，并使用Ra，R b计算不同数据集之 间的复合协方差矩阵R。：
[0053] Rc= 0· 5*(Ra+Rb) (20)
[0054] 对R。进行特征值分解，并利用分解结果计算复合变换数值P。：
[0055]
[0056]
[0057] 其中d = /，I是单位矩阵。
[0058] 利用Pc对R a，Rb进行处理，得到S a，Sb:
[0059]
[0060] _
[0061] 对Sa，Sb进行特征分解，得到：
[0062]
[0063]
[0064] 其中=/，I是单位矩阵。至此得到了计算左右手运动想象模式特征所需 的辅助变量P。，ua，Ub。针对数据集a中一个trail的数据集Xi,计算其特征时，首先对数据 进行归一化，然后利用U a，P。进行转换，SP :
[0065]
[0066]
[0067]
[0068] 其中frequency是数据的采样频率。最后选取向量f中第一个元素和最后五个元 素组成数据集X 1的特征向量。将公式（17)中Ua替换为Ub即可计算数据集b中数据的