一种基于EEG脑机接口的运动想象分析方法及系统

一种基于eeg脑机接口的运动想象分析方法及系统
技术领域
1.本发明涉及脑电分析技术领域，尤其涉及一种基于eeg脑机接口的运动想象分析方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.近年来，人们使用脑机接口(brain-computer interfaces，bcis)实现大脑信号与计算机数据的转化，这意味着计算机能够通过监测大脑的信号活动而被有意识的控制。
4.与功能性磁共振成像(functional magnetic resonance imaging，fmri)和脑磁图(magnetoencephalography，meg)等其他方法相比，脑电图信号是非侵入性的，且具有高时间分辨率，便携以及相对较低的成本等优势，脑电图被广泛应用于记录bci系统中的大脑信号。基于eeg的bci可以分为两种主要类型：诱发性和自发性，也称为外源性和内源性。在诱发系统中，需要外部刺激，例如视觉、听觉或感官刺激。刺激引起大脑中的反应，然后由bci系统识别，以确定用户的意愿。在自发性bci中，不需要外部刺激，并且根据心理活动产生的活动来采取控制行动。
5.诱发性bci的一个常见例子是运动想象(motor-imagery，mi)，受试者想象肢体的运动时生成mi数据。被试者接受视觉、听觉或感官刺激，刺激引起大脑的反应，然后由bci系统识别，以确定用户的意愿。这种bci监测感觉运动节律(sensorimotor rhythms，smr)，这是eeg信号中与准备、控制和执行运动相关的脑区的振荡事件。运动想象数据的脑机接口，有可能成为临床的突破性技术。例如，心肌梗死eeg系统运动的一般类包括：左手移动，右手运动，双脚的运动和舌头运动。
6.由于eeg信号的复杂性，以及信号质量与用户心理状态的密切关系，基于运动想象的脑机接口也存在几个挑战：(1)eeg信号会受到受试者的姿势和情绪的影响。例如，在记录过程中，直立姿势往往会改善焦点和脑电图质量，当用户处于直立位置时高频内容更强。(2)smr-bci的性能在很大程度上取决于用户的神经生理和心理状态，许多用户发现smr活动的控制具有挑战性。
7.综上所述，现有技术用于运动想象分析问题，尚缺乏且精确度高且高效的解决方案。


技术实现要素：

8.本发明为了解决上述问题，提出了一种基于eeg脑机接口的运动想象分析方法及系统，其能够有助于辅助脑损伤患者的肢体运动恢复。
9.根据一些实施例，本发明采用如下技术方案：
10.一种基于eeg脑机接口的运动想象分析方法，包括：
11.获取原始脑电数据；
12.根据获取的原始脑电数据，进行特征提取；
13.根据提取的特征，进行特征选择和分类，从而得到分析结果；
14.其中，所述特征选择和分类包括对脑电数据进行主成分分析，通过将提取的特征中最具辨别力的特征传递给分类器，根据分类结果估计受试者想象的肢体运动。
15.进一步地，所述获取脑电数据，包括基于eeg的bci使用从多个eeg通道记录的数据。
16.进一步地，所述获取脑电数据，包括对脑电数据进行预处理。
17.进一步地，所述特征提取包括，通过自回归建模提取时域特征，通过快速傅里叶变换提取频域特征。
18.进一步地，所述特征提取，还包括从脑电数据中提取判别性和非冗余信息，形成一组可以进行分类的特征。
19.进一步地，所述主成分分析包括：
20.(1)计算在每个等级j小波分解正交矩阵的数据矩阵中的每一列x；
21.(2)对于1≤m≤j，执行细节矩阵的pca并选择合适数量的重要主成分；
22.(3)执行近似矩阵的pca并选择合适数量的主成分，
23.(4)通过反转小波变换，从减少细节矩阵和近似矩阵中恢复一个新矩阵；
24.(5)执行该新矩阵的pca以形成
25.其中，x是一个n
×
p数据矩阵，正交矩阵w包含滤波器系数gm和hj的矩阵。
26.进一步地，所述特征选择和分类还包括滤波器组选择，具体包括选择最具辨别力的特征输入到分类器中进行分类。
27.进一步地，所述特征选择和分类还包括，通过基于系统分类精度的进化算法选择特征。
28.一种基于eeg脑机接口的运动想象分析系统，包括：
29.数据获取模块，被配置为，获取原始脑电数据；
30.特征提取模块，被配置为，根据获取的原始脑电数据，进行特征提取；
31.分析模块，被配置为，根据提取的特征，进行特征选择和分类，从而得到分析结果；
32.其中，所述特征选择和分类包括对脑电数据进行主成分分析，通过将提取的特征中最具辨别力的特征传递给分类器，根据分类结果估计受试者想象的肢体运动。
33.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于eeg脑机接口的运动想象分析方法。
34.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于eeg脑机接口的运动想象分析方法。
35.与现有技术相比，本发明的有益效果为：
36.在实用性上，本发明使用eeg脑机接口获取原始脑电数据，通过对数据的实时分析，估计受试者想象的肢体运动，通过运动辅助设备牵引，帮助受试者完成想象的肢体运动。该发明有助于辅助脑损伤患者的肢体运动恢复。
37.在扩展性上，本发明的方法包含原始数据采集、数据预处理、特征提取、特征选择、特征分类几个主要模块。每个模块独立运行，且易于修改和升级。以特征提取提取为例，本
方法提供了时域和频域技术、时频域技术和空间模式。后期可根据需求更改特征提取方法。
38.在运算准确度和运算速度上，本发明将获取的长时间脑电信号进行切分，以3秒为运算周期进行运动想象分析。3秒的运算周期保证了运算准确度，同时实现模型的实时分析。
附图说明
39.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
40.图1是本实施例1的流程图；
41.图2是本实施例1的一组eeg示例图；
42.图3是本实施例1的规模级别为2的滤波器图；
43.图4是本实施例1的多尺度主成分分析方法示意图；
44.图5是本实施例1的特征提取和特征选择过程示意图。
具体实施方式：
45.下面结合附图与实施例对本发明作进一步说明。
46.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
48.实施例1
49.如图1所示，一种基于eeg脑机接口的运动想象分析方法，包括：
50.获取原始脑电数据；
51.根据获取的原始脑电数据，进行特征提取；
52.根据提取的特征，进行特征选择和分类，从而得到分析结果；
53.其中，所述特征选择和分类包括对脑电数据进行主成分分析，通过将提取的特征中最具辨别力的特征传递给分类器，根据分类结果估计受试者想象的肢体运动。
54.具体的，
55.如图1所示，本发明提供一种基于eeg脑机接口的运动想象分析方法，该方法包括获取原始脑电数据、脑电数据预处理、特征提取、特征选择和分类五个主要部分。
56.s1、获取原始脑电数据：
57.基于eeg的脑机接口使用从多个eeg通道而不是单个通道记录的数据。通过脑机接口采集32通道脑电数据，脑电数据可视化波形如图2所示。被试者通过接受视觉、听觉或感官刺激，刺激引起大脑中的反应，然后由bci系统识别，以确定用户的意愿。每个被试采集时长约为1小时。
58.需要注意的是，脑电采集设备有多种，本发明不限定脑电采集设备。在本方法中使
用的是32通道脑机接口，但不限于此脑机接口。
59.s2、脑电数据预处理：
60.对待分析eeg数据进行预处理，减少eeg信号中噪声的影响。
61.以多尺度主成分分析为例：多尺度pca去噪方法，结合正交小波和主成分分析的功能。pca用于提取多个变量之间的关系，正交小波将随机过程与确定性过程分开，并对测量值之间的自相关进行粗略去相关。对于大多数信号处理应用，使用滤波器组更好地描述小波分析。最简单的结构产生高通输出信号d1(k)、低通输出信号c1(k)以及其间不同电平的带通输出信号，如图3所示。
62.eeg数据的采样频率为256hz，这意味着在eeg信号中捕获的最大频率为128hz。因此，高通信号d1(k)的范围为64-128hz，带通信号d2(k)为32-64hz，低通信号c2(k)为0-32hz。
63.带有滤波器的卷积表示在缩放函数上的投影，而带有滤波器h
ψ
的卷积表示在小波上的投影。如果假设h(z)，g(z)，cm(z)和dm(z)分别是h
ψ
，cm和dm的z变换，我们可以写出如下：
64.cm(z)＝h(z)c
m-1
(z)
65.dm(z)＝g(z)c
m-1
(z)
66.产生细节系数dm(k)的整个滤波器代表了高通滤波器h
ψ
和越来越多的低通滤波器的级联。另一方面，系数cm(k)仅由级联低通滤波器获取。此外，原始波形可以看作是最精细尺度m＝0，x(k)＝c0(k)处的缩放函数系数的向量。因此，使用原始信号x(z)表示为：
67.cm(z)＝hm(z)x(z)
68.dm(z)＝gm(z)x(z)
69.其中hm(z)是通过应用h(z)滤波器m次获得的，而gm(z)是通过应用g(z)滤波器一次和h(z)滤波器(m-1)次获得的。与eeg数据类似，详细信号d3(k)、d4(k)和d5(k)的范围分别为16-32hz、8-16hz和4-8hz，而低通信号c5(k)的范围为0-4hz。
70.假设x是一个n
×
p数据矩阵，包含长度为n的p个信号(波形)。x中与信号列相关的每个变量都使用正交矩阵w分解为小波系数，代表小波变换算子。矩阵w包含滤波器系数gm和hj的矩阵：
71.w＝[h
jgjgj-1 ... g
m ... g1]
t
[0072]
多尺度主成分分析的步骤如图4所示：
[0073]
计算在每个等级j小波分解wx的数据矩阵中的每一列x；
[0074]
对于1≤m≤j，执行细节矩阵gmx的pca并选择合适数量的重要主成分；
[0075]
执行近似矩阵hjx的pca并选择合适数量的主成分，
[0076]
通过反转小波变换w
t
，从减少细节矩阵和近似矩阵中恢复一个新矩阵；
[0077]
最后，执行该新矩阵的pca以形成
[0078]
进一步的，将获取的脑电数据按时间节点切分成多段。在本方法中，将原始1小时左右的数据以3s的运算周期及1.5s重叠时间截取，生成新的数据集。
[0079]
需要注意的是，运算周期时间不是固定为3s，可以是1s，3s，5s等任意时间段。在此方法中，为了在保证计算准确度的前提下减少模型运行的等待时间，我们选择3s为运算周
期。
[0080]
s3、特征提取、特征选择和分类：提取最具有辨别力的特征传递给分类器。
[0081]
特征提取是信号处理步骤，从脑电数据中提取判别性和非冗余信息，形成一组可以进行分类的特征。最基本的特征提取技术使用时域或频域分析来提取特征。时频域分析技术是一种更先进、更复杂的特征提取技术，它使频谱信息与时域相关联。使用常见光谱模式在空间域中进行分析也是一种流行的特征提取方法。
[0082]
关于eeg脑电信号特征提取的方法，包括：
[0083]
时域和频域技术：当信号可以建模为拉普拉斯和高斯随机过程时，时域特征根据信号的幅度计算。有两类主要的时域特征，ieeg和rms，是从分段的eeg中计算和提取的。rms被建模为调幅高斯随机过程，而ieeg估计eeg信号的功率。分别表示为：
[0084][0085][0086]
频域分析也被用于从mi eeg数据中提取特征。使用快速傅里叶变换获得功率谱。或使用局部特征尺度分解(lcd)将信号分解为固有尺度分量，这些分量具有与原始信号特征相关的特征瞬时频率。
[0087]
时频域技术:为了检查eeg段内的时变特征，我们需要在时频域或小波域中转换信号。因此，时频特征和基于小波的特征也被用于mi bci。时频分析功能强大，因为它使有关eeg信号的频谱信息与时域相关，这对bci技术是有利的。在系统使用期间，随着执行不同的任务，大脑活动的频谱也会发生变化。用于mi eeg分析的方法包括短时傅立叶变换(stft)、小波变换(wt)和离散小波变换(dwt)。wt和dwt等分解方法非常强大，因为不同的eeg信号频带包含不同的mi动作信息，以及它们可用于在多分辨率和多尺度分解的信号。dwt和wt有能力推导动态特征，这在eeg信号中尤为重要，因为它们是非平稳、非线性和非高斯的。
[0088]
空间模式：通用空间模式(csp)是mi eeg分类中最常用的特征提取方法之一，用于将eeg数据转换到一个新的空间。其中一个类的方差最大，而另一个类的方差最小。它是mi eeg处理的一项强大技术，因为信号的不同频段包含不同的信息，而csp能够从特定频段中提取此信息。
[0089]
s4、特征选择的方法，包括：
[0090]
主成分分析：分析和降维技术，包括pca和独立分量分析(ica)，也已应用于mi eeg。pca已被用于降维和特征选择以改进分类。在某些情况下，pca和ica都与其他信号处理技术一起用于特征提取。
[0091]
滤波器组选择：为了提高传统csp分析特征提取能力，滤波器组csp(fbcsp)通过估计来自各个子频段的csp特征中包含的互信息来解决没有利用频带和csp特征之间的内在联系这个问题。通过选择那些最具判别力的特征，将选定的特征输入到svm中进行分类。贝叶斯学习被用来从多个eeg子段中选择csp特征，然后将它们输入到svm分类器中。与最先进
的技术相比，通过贝叶斯学习的方式能够提高算法的性能。
[0092]
s5、特征分类
[0093]
进化算法：bci开发中的一个关键问题是特征提取期间数据的高维数。典型的降维和特征选择方法(例如pca和ica)涉及复杂的特征转换，导致大量计算需求和更大尺寸的特征集。即使数据的方差是可以接受的，这些方法通常也会导致分类准确率低，这可能是因为基本特征提取往往会保留一些冗余特征。此外，线性变换往往用于降低特征集的维数。进化算法(ea)通过基于系统分类精度的优化来选择特征。
[0094]
以差分进化优化(de)为例，通过仅选择相关特征来降低计算需求，同时提高特征集的有效性。图5展示了基于de的特征提取和特征选择过程的流程，该方法实现了一种混合方法，其中使用csp提取特征，使用de算法选择优化的特征子集，并且仅将这些特征传递给分类器。
[0095]
实施例2
[0096]
一种基于eeg脑机接口的运动想象分析系统，包括：
[0097]
数据获取模块，被配置为，获取原始脑电数据；
[0098]
特征提取模块，被配置为，根据获取的原始脑电数据，进行特征提取；
[0099]
分析模块，被配置为，根据提取的特征，进行特征选择和分类，从而得到分析结果；
[0100]
其中，所述特征选择和分类包括对脑电数据进行主成分分析，通过将提取的特征中最具辨别力的特征传递给分类器，根据分类结果估计受试者想象的肢体运动。
[0101]
实施例3
[0102]
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行本实施例1提供的一种基于eeg脑机接口的运动想象分析方法。
[0103]
实施例4
[0104]
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行本实施例1提供的一种基于eeg脑机接口的运动想象分析方法。
[0105]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0106]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0107]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0108]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0109]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0110]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。