一种基于非高斯时序模型的脑电特征提取方法
【专利摘要】本发明公开了一种基于非高斯时序模型的脑电特征提取方法，包括以下步骤：获取待处理脑电数据和两组训练脑电数据，去除伪迹，将得到的有效频段分为若干数据段；提取每个数据段的时频特征值、形态特征值和复杂度特征值，每个数据段的特征值构成一个特征向量；为第一组训练脑电数据中的每个特征向量标记状态值，并利用标记结果训练支持向量机；将第二组训练脑电数据的特征向量输入支持向量机中，得到第二组训练脑电数据的状态值序列；建立观察方程和状态转移方程，利用第二组训练脑电数据的特征向量和状态值序列，确定方程中的参数；利用待处理脑电数据的特征向量以及两个方程，得到待处理脑电数据的状态值。本方法能够准确辨别不同的大脑状态。
【专利说明】一种基于非高斯时序模型的脑电特征提取方法【技术领域】
[0001]本发明涉及脑电数据分析领域，具体涉及一种基于非高斯时序模型的脑电特征提取方法。
【背景技术】
[0002]头皮脑电信号数据包含了大量与大脑特征以及状态相关的信息，是进行大脑状态判断的重要工具。由于大脑的时变性和非线性性，其产生的信号也是时变的、非线性的，同时由于头皮脑电信号容易受到眼电、肌电以及心电信号的干扰，有效而鲁棒的脑电信号特征提取方法成为难题。
[0003]申请号为200910196746.3的发明公开了一种脑电波分析方法，应用了经典的时频域分析和主成份分析方法解决了脑电信号特征提取的难题，成功地提取了与人体紧张，疲劳与放松息息相关的时频域参数，并且将其映射到主成分空间中去，还运用了支持向量机在主成份空间中高效地分析非线性关系，提高了判读的精确性和有效性。但是，该发明能够处理的频率范围有限，不能满足更宽频段的需求，而且对于脑电信号中的噪声信号没有进行有效的处理。
[0004]申请号为200710163302.0的发明公开了一种脑电超慢波分析方法及其数据处理装置，它通过对0.5-50HZ范围内的脑电波进行系列分析，提取出其中超慢波，并分析超慢谱系功率，用以反映所对应的脑神经递质的功能状况，为建立一种无创伤脑神经递质功能检测方法提供 了条件。但是，该发明对于脑电数据特征具有针对性，当特征值不一致时效果较差。
[0005]通过对脑电数据信号的监测和分析，可以得到大脑的状态，如深度睡眠，大脑疲劳，大脑警觉等状态，同时，也为人类与计算机的交互控制提供了新的手段。
[0006]对脑电数据信号进行特征提取，得到可识别的，可靠程度高的特征值是脑电数据分析的基础环节，具有重要价值，因此，需要提供一种脑电特征的提取方法，提取得到能够反应大脑状态变化信息的特征值。
【发明内容】
[0007]本发明提供了一种基于非高斯时序模型的脑电特征提取方法，结合脑电信号的时频特征、形态特征以及复杂度特征等多种特征，对大脑状态进行有效刻画，同时通过状态空间模型对大脑状态进行实时跟踪，有效去除伪迹，能够有效反应大脑状态的变化，敏感性高，抗噪性好。
[0008]一种基于非高斯时序模型的脑电特征提取方法，包括以下步骤:
[0009](I)获取待处理脑电数据和两组训练脑电数据，去除待处理脑电数据和两组训练脑电数据中的伪迹，分别获得待处理脑电数据的有效频段和两组训练脑电数据的有效频段，再分别将待处理脑电数据的有效频段和每组训练脑电数据的有效频段分为若干数据段；每组训练脑电数据中均包括两种大脑状态下的脑电数据。[0010]不同的大脑状态对应具有不同特征的脑电数据，例如深度睡眠时，脑电数据波动较为平缓；剧烈运动时，脑电数据波动很大。
[0011]作为优选，每组训练脑电数据中的两种大脑状态所对应的时长相同，且每种大脑状态所持续的时间不少于I分钟。
[0012]例如，需要区分的两种大脑状态分别为深度睡眠和剧烈运动时的大脑状态，深度睡眠和剧烈运动的时长分别为2分钟。
[0013]作为优选，所述步骤(1)采用带通滤波去除伪迹，去除伪迹后获得的有效频段频率为1.6~70Hz。带通滤波可以采用2阶巴特沃兹滤波器(Butterworth),有效频段的频率可以根据需要通过滤波参数进行选择。
[0014]步骤(1)中数据分段采用滑动时间窗的方法，时间窗的长度为ls，步长为0.5s。数据分段的目的在于确定数据处理的最小单元。滑动时间窗的长度以及滑动步长可以根据需要选取，时间窗的长度越短，滑动步长越短，划分的数据段越多，则提取得到的时频特征值和形态特征值越精确，但是，相应的计算量也大。
[0015](2)提取步骤(1)中每个数据段的时频特征、形态特征和复杂度特征，得到相应的时频特征值、形态特征值和复杂度特征值，每个数据段的时频特征值、形态特征值和复杂度特征值构成一个特征向量。
[0016]步骤(2)中的时频特征提取采用经验模态分解，取前三个固有模态函数，利用下式计算得到每个数据段的时频特征值VoIMF:
[0017]
【权利要求】
1.一种基于非高斯时序模型的脑电特征提取方法，其特征在于，包括以下步骤: (1)获取待处理脑电数据和两组训练脑电数据，去除待处理脑电数据和两组训练脑电数据中的伪迹，分别获得待处理脑电数据的有效频段和两组训练脑电数据的有效频段，再分别将待处理脑电数据的有效频段和每组训练脑电数据的有效频段分为若干数据段；每组训练脑电数据中均包括两种大脑状态下的脑电数据； (2)提取步骤(1)中每个数据段的时频特征、形态特征和复杂度特征，得到相应的时频特征值、形态特征值和复杂度特征值，每个数据段的时频特征值、形态特征值和复杂度特征值构成一个特征向量； (3)两组训练脑电数据分别记为第一组训练脑电数据和第二组训练脑电数据: 3-1、为第一组训练脑电数据中的每一个特征向量标记状态值，利用标记完状态值的第一组训练脑电数据训练支持向量机； 3-2、将第二组训练脑电数据的所有特征向量输入步骤3-1中所得的训练好的支持向量机中，得到第二组训练脑电数据的状态值序列； (4)建立表达特征向量与大脑状态之间关系的观察方程，并利用自回归模型建立状态转移方程，利用第二组训练脑电数据的特征向量和状态值序列，确定观察方程和状态转移方程中的所有参数； (5)利用待处理脑电数据的特征向量以及步骤(4)获得的观察方程和状态转移方程，采用粒子滤波的方法得到待处理脑电数据的状态值。
2.如权利要求1所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述状态转移方程的表达式如下:
3.如权利要求2所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述观察方程的表达式如下:
ft = Wxr t+ut，Ut ~C(O，Scale) 其中， t为数据段的序数； ft表示第t个数据段的特征向量；
4.如权利要求3所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，每组训练脑电数据中的两种大脑状态所对应的时长相同，且每种大脑状态所持续的时间不少于I分钟。
5.如权利要求4所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述步骤(4)中采用最小二乘法，确定观察方程和状态转移方程中的所有参数。
6.如权利要求5所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述步骤(1)采用带通滤波去除伪迹，去除伪迹后获得的有效频段频率为1.6~70Hz。
7.如权利要求6所述的基于非高斯时序模型的脑电特征提取方法，其特征在于，所述复杂度特征值为样 本熵。
【文档编号】A61B5/0476GK103690160SQ201310579269
【公开日】2014年4月2日 申请日期:2013年11月18日 优先权日:2013年11月18日
【发明者】王跃明, 祁玉, 郑筱祥, 张建明, 朱君明 申请人:浙江大学