基于FHN-PSD或FHN-STFTCSP运动想象时频能量增强及特征响应检测方法

基于fhn-psd或fhn-stftcsp运动想象时频能量增强及特征响应检测方法
技术领域
1.本发明涉及生物医学工程中神经工程及脑-机接口技术领域，具体涉及一种基于fhn-psd或fhn-stftcsp的运动想象时频能量增强及特征响应检测方法。


背景技术：

2.脑-机接口技术是在人脑与计算机或其它电子设备之间建立直接的交流和控制通道，通过这种通道,人就可以直接通过大脑来表达想法或操纵设备,而不需要语言或动作,这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力,以提高患者的生活质量，为人类的交互感知与调控反馈提供了一种全新的方法。
3.运动想象(mi)是脑机接口中在没有外部刺激的情况下进行运动意念的实验范式，基于脑机接口的运动想象具有个体差异性且自发的大脑活动，因此，诱导的运动想象信号在康复训练领域中得到了广泛的应用。以往的研究表明，当人类对手、脚和舌头等身体部件进行运动想象时，运动想象会导致mu波段(8-13hz)的能量下降，这被称为对侧感觉运动皮层中的事件相关去同步现象(erd)；相反，在大脑运动皮层中观察到的β波段(13-30hz)的能量通过执行运动想象任务而增加，这种称为同侧感觉运动皮层中的事件相关同步现象(ers)。然而，与多尺度噪声相结合的运动想象信号非常微弱，并保留了很强的非线性和非平稳特性；因此，如果采用常用的线性方法提取运动想象信号，在抑制噪声的同时，有用信号会衰减或丢失，严重影响检测灵敏度和分类精度。


技术实现要素：

4.为了克服上述现有技术的缺点，本发明的目的在于提供一种基于fhn-psd或fhn-stftcsp运动想象时频能量增强及特征响应检测方法，实现利用噪声能量增强时频信息，大大增加了mi特征响应的鲁棒性和分类正确率。
5.为了达到上述目的，本发明采取的技术方案是：
6.一种基于fhn-psd或fhn-stftcsp运动想象时频能量增强及特征响应检测方法，fhn模型先利用mi信号中包含的噪声能量增强时频信息，扩大二分类任务中左右手的特征响应差异；然后基于psd或stftcsp方法进行功率谱密度特征提取；最后基于分类器进行特征分类，实现特征响应的高精度识别。
7.一种基于fhn-psd或fhn-stftcsp运动想象时频能量增强及特征响应检测方法，包括以下步骤：
8.1)mi脑电信号采集：通过视觉提示，对被试者进行多通道mi信号采集，多通道mi信号经过放大、滤波与数模转化处理；
9.2)滤波处理：mi信号使用巴特沃斯和iir陷波滤波器进行滤波；
10.3)信号预处理：对滤波后的数据进行选择和截断；
11.4)模型及计算参数初始化：设置fhn模型及参数，根据采集到的信号特点和实际分
析需要设置计算参数，采用灰狼算法在不同输入信号中迭代优化输出最优参数组合[ε,b]；
[0012]
5)fhn模型处理：将预处理后带有噪声干扰的单通道mi信号送入fhn模型，利用噪声能量增强信号的时频信息，扩大二分类中左右手特征响应差异；
[0013]
6)短时傅里叶变换：fhn模型时频能量增强后的信号进行短时傅里叶变换，输出信号的功率谱密度；如果使用fhn-psd方法，则进行步骤7)；如果使用fhn-stftcsp方法，则进行步骤8)；
[0014]
7)功率谱密度(psd)估计：将功率谱密度作对数尺度方差作为分类特征，然后进行步骤9)；
[0015]
8)公共空间模式(csp)估计：
[0016]
8.1)协方差矩阵求解：求解时空信号矩阵归一化的协方差矩阵；
[0017]
8.2)空间过滤器w构建：正交白化变换求白化特征矩阵p，然后构建空间滤波器w；
[0018]
8.3)w滤波后特征提取：通过csp方法来最大化两类数据的方差，作为任务的分类特征；
[0019]
9)分类器模型分类：通过分类器对psd或stftcsp提取的特征进行分类；
[0020]
10)标签匹配检测：将识别的标签与分类标签进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则表明目标频率标识失败。
[0021]
所述的步骤1)多通道mi信号采集中使用g.usbamp(g.tec inc.,austria)脑电采集系统记录mi信号，并根据10/20电极系统设置电极；记录了31个eeg通道的运动想象信号，mi信号以250hz频率采样，经0.5-100hz带通滤波器滤波，经50hz陷波滤波器滤波。
[0022]
所述的步骤2)mi信号在5-40hz之间通过4阶巴特沃斯和2阶iir梳状陷波滤波器进行滤波。
[0023]
所述的步骤3)根据受试者对运动想象信号的响应时间，提取了视觉提示开始后0.5-2.5秒的时间段。
[0024]
所述的步骤4)中参数组合[ε,b]采用灰狼优化算法迭代推导，具体为；
[0025]
fhn模型的数学表达式为：
[0026][0027][0028]
式中：v(t)——细胞膜电压，是一个快变量；w(t)——膜内离子浓度，是一个慢变量；a——为常数表示激励幅值，促使神经元定期点火；ε——时间参数，决定了神经元点火的速率；b——参数常量，值为0.15；n(t)——高斯白噪声，均值为零且自相关函数满足《n(t)n(s)》＝2dδ(t-s)；《
·
》——求整体均值；s(t)——输入的非周期激励信号，微分方程组求解时采用四阶定步长runge—kuta方法；
[0029]
当a＝0.5时，令v(t)＝v(t)
′
+1/2，w(t)＝w(t)
′‑
b+1/2，a＝a
′‑
b+1/2，fhn模型被简化为以下形式：
[0030][0031][0032]
式中：——阈值电压；b——信号幅值到阈值电压的距离。
[0033]
所述的步骤6)使用具有100个样本的汉明窗通过50％窗移的傅立叶变换转换为功率谱，原始的100个样本被零填充到128个样本。
[0034]
本发明的有益效果为：
[0035]
(1)本发明先利用噪声能量来增强mi的时频信息，避免有用信号受损及滤波器边缘效应，然后基于psd或stftcsp进行特征提取，大大提高mi特征响应的鲁棒性和识别正确率。
[0036]
(2)本发明克服了通道和个体的差异以及常用的共空间模式需要多通道分析，且非常容易受噪声干扰的不足，实现了单通道信号分析中对目标响应的高精度识别。
附图说明
[0037]
图1是本发明的流程图。
[0038]
图2是数据集2中采集的31个电极放置位置图。
[0039]
图3是数据集2受试者的实验记录过程。
[0040]
图4是数据集2单次试验过程。
[0041]
图5是公共数据集1中受试者6的功率谱图。
[0042]
图6是公共数据集1中受试者9的功率谱图。
[0043]
图7是基于fhn-psd方法和svm分类器的c3、c4和cz通道在所有受试者中(数据集1和数据集2)的平均准确度。
[0044]
图8是基于fhn-stftcsp方法和svm分类器的c3、c4和cz通道在所有受试者中(数据集1和数据集2)的平均准确度。
具体实施方式
[0045]
以下结合实施例和附图对本发明进一步的详细说明。
[0046]
参照图1，一种基于fhn-psd或fhn-stftcsp运动想象时频能量增强及特征响应检测方法，包括以下步骤：
[0047]
1)mi脑电信号采集：通过视觉提示和g.usbamp(g.tec inc.,austria)脑电采集系统对被试者进行多通道mi信号采集，并根据10/20电极系统设置电极，如图2所示；为了更好地比较运动区电极的效果，采集过程中共采用31个运动脑区电极来记录mi信号，mi信号以250hz频率采样，经50hz陷波滤波器滤波，经0.5-100hz带通滤波器滤波；电极与脑电采集系统的输入连接，经过放大、滤波与数模转化处理，脑电采集系统输出脑电信号数据，与数据处理模块的输入连接，实验过程和记录如图3和图4所示；
[0048]
2)滤波处理：为了大大衰减其他频率分量并减少噪声影响，mi信号在5-40hz之间通过4阶巴特沃斯和2阶iir梳状陷波滤波器进行滤波；
[0049]
3)信号预处理：由于一些外部因素，在最初的实验过程中，受试者的注意力往往不能完全集中，根据受试者对运动想象信号的响应时间，对滤波后的数据，提取了视觉提示开始后0.5-2.5秒的时间段；
[0050]
4)fhn模型及计算参数初始化：根据采集到的信号特点和实际分析需要设置计算参数，采用灰狼算法在不同输入信号中迭代优化输出最优参数组合[ε,b]，具体为：
[0051]
fhn模型的数学表达式为：
[0052][0053][0054]
式中：v(t)——细胞膜电压，是一个快变量；w(t)——膜内离子浓度，是一个慢变量；a——为常数表示激励幅值，促使神经元定期点火；ε——时间参数，决定了神经元点火的速率；b——参数常量，值为0.15；n(t)——高斯白噪声，均值为零且自相关函数满足《n(t)n(s)》＝2dδ(t-s)；《
·
》——求整体均值；s(t)——输入的非周期激励信号，微分方程组求解时采用四阶定步长runge—kuta方法；
[0055]
当a＝0.5时，令v(t)＝v(t)
′
+1/2，w(t)＝w(t)
′‑
b+1/2，a＝a
′‑
b+1/2，fhn模型被简化为以下形式：
[0056][0057][0058]
式中：——阈值电压；b——信号幅值到阈值电压的距离；
[0059]
5)fhn模型处理：将预处理后带有噪声干扰的mi信号送入到fhn模型处理，利用噪声能量来增强mi时频信息，扩大二分类中左右手特征响应差异，以提高分类准确率；
[0060]
6)短时傅里叶变换：fhn模型时频能量增强后的信号进行短时傅里叶变换，输出信号的功率谱密度，如图5和图6所示；如果使用fhn-psd方法，则进行步骤7)；如果使用fhn-stftcsp方法，则进行步骤8)；
[0061]
使用具有100个样本的汉明窗通过50％窗移的傅立叶变换转换为功率谱，为了提高离散傅里叶变换的频率分辨率，原始的100个样本被零填充到128个样本。
[0062]
7)功率谱密度(psd)估计：将功率谱密度作对数尺度方差作为分类特征，然后进行步骤9)；
[0063]
8)公共空间模式(csp)估计：
[0064]
8.1)协方差矩阵求解：求解时空信号矩阵归一化的协方差矩阵；
[0065]
8.2)空间过滤器w构建：正交白化变换求白化特征矩阵p，然后构建空间滤波器w；
[0066]
8.3)w滤波后特征提取：通过csp方法来最大化两类数据的方差，作为任务的分类特征；
[0067]
9)分类器模型分类：通过分类器对psd或stftcsp提取的特征进行分类；
[0068]
10)标签匹配检测：将识别的标签与分类标签进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则表明目标频率标识失败。
[0069]
下面再结合实施例对本发明进行说明。
[0070]
本发明方法共有两个数据集，第一个数据集为2008年运动想象脑机接口大赛iv-2a公共数据集，第二个数据集为线下采集的10名正常被试者(6男，4女，均为20-26岁)进行实验。数据集1一共有9名被试，每个被试做了两个session，每个session有6个runs，每个runs有48个trials，22个eeg和3个eog电极记录；实验范式为0-2s的十字架，2s之后是1.25s的左、右、下、上的箭头提示，分别对应想象的类为左手、右手、双脚、舌头；3-6s运动想象，6s十字架消失开始短暂休息；数据集1只用左手和右手的运动想象数据进行分析，最终分类结果如表一所示。
[0071]
表一数据集1(公共数据集)的分类结果
[0072]
[0073][0074]
数据集2共有10个被试，每个record中均为连续采集eeg数据；每个record包含前静息态(睁眼1min、闭眼1min)和5个block，block与block之间不少于1.5分钟的休息时间；每个block包括20*2个trial(左手和右手的运动想象任务各20个trial)；每个记录过程如图3所示；此外，每个试验包括1.5秒提示、4秒运动想象任务、2秒休息和在2秒时刻开始的事件标签，如图4所示；每组数据均进行配对t检验分析，数据集2的最终结果如表二所示。
[0075]
表二数据集2(线下采集数据集)的分类结果
[0076]
[0077][0078][0079]
从方法的角度来看，fhn-psd和fhn-stftcsp方法在最佳通道上分类性能均优于
盲”的比例，而且可以提高被试者对mi-bci系统的整体应用体验。
[0089]
本发明能够从视觉中枢神经出发，应用脑机接口技术，在mi多尺度噪声转移及时频能量增强方面实现了更高的识别精度和更好的鲁棒性，有效的增加了基于mi的bci系统的信息传输率，为mi任务的特征分类提供了有效的手段。