基于动作意图任务的双模特神经信号特征选择方法与流程

本发明属于脑机接口(brain-computer interfaces,BCI)领域，具体来说，涉及在动作意图任务中选取脑电信号和近红外信号的有效特征。

背景技术：

大脑是人类一切高级行为的物质基础，由大量神经细胞、突触和胶质细胞构成，这些神经细胞无时无刻不在进行着自发的、节律性的、综合性的电活动，产生的电场经容积导体传导后在头皮上形成电位分布，这种以时间为轴的电位信号即为脑电(electroencephalograph,EEG)信号。在大脑进行认知活动的过程中，激活脑区的血流所含有的氧会大幅度地提高，而氧的传输是利用血液里的血红蛋白，所以氧化血红蛋白(oxygenated hemoglobin,HbO)浓度提高，脱氧血红蛋白(deoxygenated hemoglobin,HbR)浓度降低。近红外光谱成像(near-infrared spectroscopy,NIRS)基于氧化血红蛋白与脱氧血红蛋白对于近红外光谱波段的吸收能力特点的差别，利用往大脑发出且吸收数类波长的红外光间接地呈现大脑的活动。

在社会交流之中，当人们在观察别人行为的时候，不但会感知此行为的物理运动，而且能够按照周围的环境、以及行为主体与目标的关联自主地领会行为背后的意图，此类行为通常命名为意图读取(intention reading)或者动作意图理解(intention understanding)。使用一定的机器学习方法，可以将复杂脑电信号和近红外信号中与特定动作意图任务相关的特征提取出来，进而对相关的动作意图进行判别和应用。

现存的大多数双模态特征提取方法主要针对语言学习、运动想象、视觉听觉刺激、心理层面的特征提取，没有考虑过基于动作意图任务的双模态特征提取。针对以上问题，本发明提出了基于动作意图任务的双模特神经信号特征选择方法，包括脑电信号的特征选择、近红外信号的特征选择。

技术实现要素：

本发明要解决的技术问题是：为了实现基于动作意图任务的双模态神经信号的判别应用，本发明提供脑电信号和近红外信号的特征选择方法，提取脑电信号的空间模式特征和近红外信号的幅值平均绝对值特征，有利于得到较高识别率的动作意图分类判别。

本发明解决其技术问题的解决方案是：基于动作意图任务的脑电信号特征选择方法，其特征在于：包括以下步骤：步骤一、对脑电信号进行预处理；步骤二、提取脑电信号的频域特征；步骤三、提取脑电信号的时域特征；步骤四、提取脑电信号的空间模式特征；步骤五、脑电信号的特征选择。

具体地，所述步骤一的具体方法是：利用独立成分分析(independent component analysis,ICA)方法，对脑电信号进行伪迹的滤除处理。

具体地，所述步骤二的具体方法是：根据动作意图具有的事件相关去同步/事件相关同步(event-related desynchronization/synchronization,ERD/ERS)现象，不同的动作意图任务体现出诱发电位上的差别，计算8～30Hz频带的功率谱，提取脑电信号的频域特征。

具体地，所述步骤三的具体方法是：对脑电信号做短时傅里叶变换(short time fouriertransform,STFT)，获取不同时刻下的频谱分布，进而得到脑电信号的时频图谱特征。

具体地，所述步骤四的具体方法是：利用共同空间模式(common spatial patterns,CSP)算法提取脑电信号的空间模式特征。

具体地，所述步骤五的具体方法是：利用线性判别分析(linear discriminant analysis,LDA)方法分别对上述提取的频域特征、时域特征、空间模式特征进行分类。根据实验结果，选取识别率最高的空间模式特征作为双模态脑机接口系统中使用的特征。

基于动作意图任务的近红外信号特征选择方法，包括以下步骤：步骤一、对血氧信号进行预处理；步骤二、计算血氧变化的的方差特征；步骤三、计算血氧变化的幅度平均绝对值(mean absolute value,MAV)特征；步骤四、计算血氧变化的峰值特征；步骤五、近红外信号的特征选择。

具体地，所述步骤一的具体方法是：对近红外信号进行基线漂移和带通滤波(0.02～0.1Hz)处理。

具体地，所述步骤二的具体方法是：计算血氧变化的方差特征：

其中x为某个通道的血氧信号，N为采样点数目。

具体地，所述步骤三的具体方法是：计算血氧变化的MAV特征：

其中x为某个通道的血氧信号，N为采样点数目。

具体地，所述步骤四的具体方法是：计算血氧变化的峰值特征，变化的幅度在考虑时间间隔内达到的最大瞬间值，即为峰值。

具体地，所述步骤五的具体方法是：利用LDA方法分别对上述提取的方差特征、MAV特征、峰值特征进行分类。根据实验结果，选取识别率最高的MAV特征作为双模态脑机接口系统中使用的特征。

本发明的有益效果是：本发明考虑基于动作意图任务的脑电信号的时空频特征及近红外信号的血氧变化特征，选取最优的判别特征，为基于动作意图任务的双模态脑机接口系统提供有益的特征。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1为本发明的流程图；

图2为本发明实施例中近红外数据采集时使用的通道示意图；

图3为脑电信号的三种不同特征的识别率；

图4为近红外信号的三种不同特征的识别率。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

下面结合附图和实例来对本发明进行详细阐述，流程图如图1所示。本实施例中共包含10个被试关于“手拿杯子喝水”和“手移动杯子”的动作意图的脑电数据和近红外数据。数据集的采集装置如图2所示，其中脑电信号使用64个通道，近红外信号使用48个通道。实验任务是领会动作意图“手拿杯子喝水”或者“手移动杯子”。当发出“滴”的一声提醒被试实验起始，计算机屏幕中间出现符号“+”，持续6秒，接着屏幕中间出现一个杯子图片，持续0.5秒，然后屏幕随机呈现“手拿杯子喝水”或“手移动杯子”的刺激图片，持续3.5秒，到第10秒，刺激图片消失，一个单次实验结束。实验共包含56个单次实验(28次领会“手拿杯子喝水”意图，28次领会“手移动杯子”意图)。每个单次实验中刺激图片随机出现，出现的杯子颜色共有七种，以避免杯子颜色对动作意图理解的影响。单次实验信号可由一个N×C维的矩阵表示，其中N表示单次实验中采样点数目，C表示通道数目。

基于动作意图任务的脑电信号特征选择方法，按照以下步骤进行。

对脑电信号进行预处理：利用独立成分分析(independent component analysis,ICA)方法，对脑电信号进行伪迹的滤除处理。ICA算法对脑电信号作独立成分分解，获取多个独立源成分，把伪迹成分置零，进而进行ICA逆变换，获取重新构建的脑电信号。

提取脑电信号的频域特征：根据动作意图具有的事件相关去同步/事件相关同步(event-related desynchronization/synchronization,ERD/ERS)现象，不同的动作意图任务体现出诱发电位上的差别，其发生频率集中在μ节律(8-14Hz)和β节律(14-30Hz)。设xN(n)为含有N个采样点的脑电信号，对它做Fourier变换得到XN(e^jw)，计算其幅度的平方值除以N，计算8～30Hz频带的功率谱P(e^jw)，提取脑电信号的频域特征。

提取脑电信号的时域特征：对脑电信号做短时傅里叶变换(short time fouriertransform,STFT)，获取不同时刻下的频谱分布，进而得到脑电信号的时频图谱特征。

提取脑电信号的空间模式特征：利用共同空间模式(common spatial patterns,CSP)算法提取脑电信号的空间模式特征。CSP是有效、经典的空间模式特征的提取方法，它通过空间投影脑电信号使得投影后两类信号方差的商值达到最大或最小，进而刻画多通道脑电信号的强度波动的差异。求解上，可以通过同时对角化样本方差矩阵或广义特征分解进行。

脑电信号的特征选择：利用线性判别分析(linear discriminant analysis,LDA)方法分别对上述提取的频域特征、时域特征、空间模式特征进行分类。LDA是一种常用的分类器，它寻求一投影变换使得类间散射达到最大而同时类内散射达到最小。设SB和SW分别表示类间散射矩阵和类内散射矩阵，则LDA即寻求投影矩阵W满足式子利用训练数据提取的特征训练LDA分类器，得到分类面，进而对测试数据的特征进行分类，并输出类别标签，记录识别率。图3显示了基于LDA分类器分别使用频域特征、时域特征、空间模式特征进行分类所获得的识别率。从实验结果可见，空间模式特征含有最好的判别信息。从而选取识别率最高的空间模式特征作为双模态脑机接口系统中使用的特征。

基于动作意图任务的近红外信号特征选择方法，按照以下步骤进行。

对血氧信号进行预处理：对近红外信号进行基线漂移和带通滤波(0.02～0.1Hz)处理。

计算血氧变化的的方差特征：计算血氧变化的方差特征：

其中x为某个通道的血氧信号，N为采样点数目。

计算血氧变化的幅度平均绝对值(mean absolute value,MAV)特征：

其中x为某个通道的血氧信号，N为采样点数目。

计算血氧变化的峰值特征：计算血氧变化的峰值特征，变化的幅度在考虑时间间隔内达到的最大瞬间值，即为峰值。

近红外信号的特征选择：利用LDA方法分别对上述提取的方差特征、MAV特征、峰值特征进行分类。图4显示了基于LDA分类器分别使用方差特征、MAV特征、峰值特征进行分类所获得的识别率。从实验结果可见，MAV特征含有最好的判别信息。从而选取识别率最高的MAV特征作为双模态脑机接口系统中使用的特征。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。