一种运动想象状态下的脑电信号特征识别方法与流程

本发明涉及信号处理技术领域，尤其涉及一种运动想象状态下的脑电信号特征识别方法。

背景技术

运动想象脑电信号特征提取和分类技术可以用于神经康复领域，为那些瘫痪或严重运动障碍的人，尤其是脑功能完整但无法运动的人(如多发性硬化症、肌萎缩性脊髓侧索硬化等疾病的患者)，提供一种与外界交流的新途径，绕过受损的神经元，重新获得对肢体或假肢的掌控。该技术也可以用于交通、军事、休闲娱乐等领域，应用前景广泛。目前，脑电信号主要的特征提取方法有时域方法，多维统计分析方法，频域分析方法，时域分析方法是早期进行脑电图分析的主要手段，直接从时域提取波形特征，通过对脑电波波形的几何性质的分析，获取一些重要的脑电时域特征，如波幅、均值、方差、偏度等；多维统计分析方法是从观测到的混合信号中提取源信号的独立成分，分离出脑电信号中的心电、眼电和工频干扰等噪音信号，提取独立成分的地形图和功率谱作为特征。但是利用统计特性分析非平稳信号，往往难以得到最有价值的信息；把幅度随时间变化的脑电信号变换为脑电功率随频率变化的谱图，从频域方面揭示信号的规律。能反映频率成分的相对强弱，表现能量分布特征。此类方法频率的分辨率好，但时域上的分辨率不好，适用于平稳信号的分析。处理非平稳信号时，如果需要达到较好的分类效果，需要将脑电信号分成足够短的数据段，以满足平稳性的要求。

另外现有技术中运动想象脑电信号的研究目前主要处于实验室阶段，分类正确率是重要评价指标之一。目前主要存在以下问题：

1.诱发信号的方式需要改进

诱发脑电信号需要额外的刺激装置，且要依赖使用者的某个感觉通路，因此适用范围受到一定的限制。此外，不适合长期连续使用，否则会使受试者对相关事件产生适应能力或身体疲劳从而发生相关电位的改变，这种矛盾还有待解决。自发式系统的脑电信号完全来自受试者自发脑电，不需要外部提供刺激，因此不需要受试者的感觉神经作用，但由于其非平稳性，易受环境和情绪等影响，特征表征不显著，所以此系统对信号处理方法要求较高，目前的识别正确率较低。

2.信号的采集方式需要改进

脑电信号属于复杂的非平稳信号，又非常微弱，而且极易受到外界的干扰，因此如何设计更合理的实验方案、提高信噪比等问题有待解决。目前脑电信号的采集主要通过植入式电极和外置电极两种，外置电极可采用逐个贴电极片或佩戴电极帽等形式，使用的电极数量通常很多，脑电数据的采集不能由受试者独自完成。此外，每位受试者的最佳电极位置不同，目前无法实现电极位置的个性化和精确化，影响信号测试精度。

3.脑电信号模式识别方法需要改进

非平稳信号通常包含低频和高频成分信号，用于分类的特征往往包含在局部的时-频信息中，不同时刻包含不同的频率信息，其中隐含的信号分量常常相互影响。目前的方法主要存在难以分析非平稳信号的信息、信息容易丢失、无法兼顾时频域分辨率、无法兼顾分析速度和精度等问题。

4分析的速度和精度需要改进

不能精确分析大脑思维活动，而且任务种类越多，分析准确率越低。比如两类思维任务，准确率可达80％以上，而三类思维任务，仅可达到70％左右。这与受试者、信号采集、信号分析处理过程涉及的每个环节都有关系，比如受试者是否熟悉数据采集要求和采集流程、身体和情绪等方面是否存在异常、电极位置是否适合该受试者、信号预处理、特征提取及特征分类算法是否恰当有效等。

5系统抗干扰能力需要改进

当离开实验室环境时，受到外界环境和自身条件的干扰，受试者产生的自发脑电信号也会不断发生变化，并且容易受到伪迹影响，系统不但需要精确判断任务执行和空闲状态，而且要快速准确地提取信号特征，目前的脑-机接口技术不能满足要求，受试者还不能在真实环境下通过脑-机接口灵活自如地控制外围设备。

以上问题导致bci技术目前仍然处于实验室阶段，需要对信号处理算法、信号采集水平、受试者的选择和培训等跨越多个领域的多项技术深入研究。

技术实现要素：

根据现有技术存在的问题，本发明公开了一种运动想象状态下的脑电信号特征识别方法，包括以下步骤：

s1：采集受试者在想象运动情况下的脑电信号数据信息；

s2：采用welch方法计算脑电信号电极的能量谱；

s3：设置脑电信号的最优电极的个性化信息，为不同受试者选取分类正确率最高的电极；

s4：使用同步/去同步方法提取脑电信号左右想象的特征值；

s5：采用最优分类函数对提取的脑电信号进行特征分类，采用基于支持向量机的三段式分类方法对分类过程进行优化。

进一步的，s2中采用welch方法计算脑电信号电极的能量谱具体算法如下：

设脑电信号的时序信号f(n)总长为n，将时序信号分成l段，每段长度为m，每段之间有一部分数据是重合的，设有1/3的数据重合，则：

将窗函数ω(n)加到每个数据段上，每段数据的平均功率谱

其中：u为归一化因子，计算公式为：

进一步的，设置最优电极的个性化信息采用如下方式：

s31：将计算出的脑电信号电极的能量作为特征向量；

s32：计算各特征向量之间的欧式距离；

s33：分析欧式距离数值，选择最小欧氏距离对应的电极能量作为分类特征向量。

进一步的，s4使用同步/去同步方法提取脑电信号左右想象的特征值具体采用如下方式：

根据脑电信号的平均功率谱信号通过同步/去同步算法erd/ers提取左右想象脑电信号的能量差，其中不同时段的能量差构成运动想象特征向量；

其中同步/去同步算法erd/ers采用如下方式：

将事件发生前的一定长度时间段作为参考时间段，以参考时间段内的相应频段的能量为参考，计算运动想象引起的频段能量变化的百分比，计算公式为：

其中a表示想象左、右手运动时特定波段的能量，r为参考期间与a对应波段的能量，当erd为正数时，表示此时间段内相应特定波段的能量增加，即事件相关同步；如果为负数时表示此时间段内相应特定波段的能量减少，即事件相关去同步。

进一步的，s5中基于最优分类函数对脑电信号进行特征分类，根据s3中选取的最优电极，确定每个脑电信号样本分类正确率最高的电极位置，基于该位置提取脑电信号，将s2和s4中得到的特征向量作为分类函数的输入向量进行分类。

由于采用了上述技术方案，本发明提供的一种运动想象状态下的脑电信号特征识别方法，该方法通过计算脑电信号的电极的能量谱和特征值信息从而对脑电信号进行特征分类，其中运动想象脑电信号特征提取和分类技术可以用于神经康复领域，为那些瘫痪或严重运动障碍的人，尤其是脑功能完整但无法运动的人，因此该方法提供一种与外界交流的新途径，绕过受损的神经元，重新获得对肢体或假肢的掌控。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，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的附图。

图1为本发明方法的流程图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种运动想象状态下的脑电信号特征识别方法，具体包括以下步骤：

s1：采集受试者在想象运动情况下的脑电信号数据信息。

s2：采用welch方法计算脑电信号电极的能量谱。

设脑电信号的时序信号f(n)总长为n，将时序信号分成l段，每段长度为m，每段之间有一部分数据是重合的，设有1/3的数据重合，则：

将窗函数ω(n)加到每个数据段上，每段数据的平均功率谱

其中：u为归一化因子，计算公式为：

s3：设置脑电信号的最优电极的个性化信息，为不同受试者选取分类正确率最高的电极；

s31：将计算出的脑电信号电极的能量作为特征向量；

s32：计算各特征向量之间的欧式距离；

欧氏距离定义如下：

设两个n维向量xi＝(xi1,xi2,,xin)^t和xj＝(xj1,xj2,,xjn)^t分别表示两个对象，它们的欧氏距离为：

s33：分析欧式距离数值，选择最小欧氏距离对应的电极能量作为分类特征向量。

s4：使用同步/去同步方法提取脑电信号左右想象的特征值。

根据脑电信号的平均功率谱信号通过同步/去同步算法erd/ers提取左右想象脑电信号的能量差，其中不同时段的能量差构成运动想象特征向量；

其中同步/去同步算法erd/ers采用如下方式：

将事件发生前的一定长度时间段作为参考时间段，以参考时间段内的相应频段的能量为参考，计算运动想象引起的频段能量变化的百分比，计算公式为：

其中a表示想象左、右手运动时特定波段的能量，r为参考期间与a对应波段的能量，当erd为正数时，表示此时间段内相应特定波段的能量增加，即事件相关同步；如果为负数时表示此时间段内相应特定波段的能量减少，即事件相关去同步。

s5：采用最优分类函数对提取的脑电信号进行特征分类，采用基于支持向量机的三段式分类方法对分类过程进行优化。基于最优分类函数对脑电信号进行特征分类，根据s3中选取的最优电极，确定每个脑电信号样本分类正确率最高的电极位置，基于该位置提取脑电信号，将s2和s4中的得到特征向量作为分类函数的输入向量进行分类。

运动想象脑电信号分类属于小样本、非线性分类，通过运算分出左、右两类想象结果。基于运动想象分类特点，本方法选择支持向量机方法进行特征分类。支持向量机方法是一种典型的两类分类方法，建立在统计学习理论和结构风险最小化原则基础上，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

进一步的，计算脑电信号的最优函数求解其最优分类面采用如下方式：

给定训练样本集{(xi,yi)|i＝1,2,...n}，其中xi为观测值，yi为对应的类别号，取值为0或1。线性判别函数的表达式为g(x)＝ω·x+b，其中x是样本，ω和b是计算参数。在d维空间中，样本x＝(x1,x2,...xd)与分类平面之间的距离表达式为d＝|ω^t·x+b|/||ω||，其中最优分类面方程是ω·x+b＝0，进行归一化处理，即g(x)＝1，能够将所有样本正确分类的分类面必须满足：

yi[(ω·xi)+b]-1≥0,i＝1,2,...n(3.8)

此时，分类间隔为2/||ω||，使该式成立的样本即是支持向量。

最优分类面需要使(3.8)成立，同时使(3.9)取最小值。

因此，定义一个lagrange函数，将问题转化为对w和b求lagrange函数的极小值：

式中，αi是和每个样本对应的lagrange系数。

采用lagrange乘子转换为一个对偶问题，建立目标函数(3.11)：

假设α*为最优解，则：

另外，通过任意一个支持向量求得分类的域值b*，b*可以通过下式求得：

式中：(xi,xj)为任意一个支持向量。

通过上面的计算，得到最优分类函数的表达式为：

脑电信号呈现非线性特点，因此通过非线性向线性的变换，将非线性转换为另一个高维空间中的线性问题，在变换空间中求最优分类面。

此时，最优分类函数的表达式为：

其中，n为支持向量的个数，k(xi,x)为径向基核函数，表达式为k(xi·x)＝exp(-γ||xi-x||²)。

进一步的，寻求最优分类面的最优参数

svm模型的主要参数为惩罚因子c和核函数参数γ，接下来，采用交叉验证方法，通过网格搜索方法对测试数据进行参数寻优，搜索范围是2^-5-2⁵，步长为0.5。将270组实验数据分成两部分，一部分作为训练集，另一部分作为测试集。随机选择其中180组数据作为训练集，另外一部分90组数据作为测试集。测试完毕后，再重新划分，当所有样本都测试完毕后，选择使得测试组分类正确率最高的那组参数作为svm模型的最优参数，如果取得最高正确率的参数有多个，则选择c最小的那一组为最优参数。如果和c对应的γ有多个，则选择搜索到第一组c和γ的组合参数作为最佳参数。本方法采用的参数为c＝8，γ＝0.5，将这些参数应用到最优分类函数中。

基于最优分类函数进行分类根据s3中选取的最优电极，确定每个样本分类正确率最高的电极位置，基于该位置提取脑电信号，将s2和s4中的得到特征向量作为分类函数的输入向量进行分类。

选取前面两个信号测试时刻作为参考时间点。在实验中，认为只有在某种想象持续一段时间(至少1秒以上)时，该想象内容有效。为了避免用户错误想象造成的干扰，每次参与运算的特征矢量包含三段信号信息。

将三个时间点的运动想象信号采用s5中的方法进行运算，对比分析分类结果，以重复次数最多的结果作为最终分类结果进行输出。

通过优化电极信号，并基于改进的支持向量机方法分类，准确率比传统直接输出结果的方法明显改善，在270个测试样本中，平均分类正确率最高提高24％。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。