一种基于稀疏表征分类算法的运动想象脑电分类处理方法与流程

本发明属于脑电信号识别领域以及人工智能领域，具体涉及一种基于稀疏表征分类算法的运动想象脑电分类处理方法。

背景技术：

自人类社会步入21世纪以来，脑科学与认知科学的研究得到越来越高的重视，人类对自身大脑智能的探究始终没有停下过脚步，继而新世纪被称为“生命科学、脑科学的百年”。美国、欧盟、日本相继投入巨资启动人脑计划，中国国务院已批示“中国脑计划”，该计划作为我国六个长期重要科学项目工程之一，将得到长期资助。作为脑科研的一个新兴应用研究分支，脑与计算机接口技术的相关研究也正日益取得卓越进展。脑机接口(Brain-Computer Interface,BCI)指的是一条特殊通路，这条通路连结了人或动物等有机生物体的大脑和外界用来进行运算处理或机械控制的电子设备，使得仅通过直接传输大脑指令便达到控制的目的。该技术实际涉及到对人的特定思维意识进行解读，从而提取出具有高分辨率的信号模式命令来控制诸如神经假肢、轮椅、机器人等生物机械设备以辅助人的活动。脑机接口技术涉及到神经科学、生物医学工程、计算机科学、信号检测、信号处理、模式识别、机器人控制等多学科领域，它创新性地改革了人与外部世界的信息交互方式，修复并扩展了人体的生理机能和认知功能，从而重新诠释了人和机械的共存形式。

目前，各种脑机接口的应用研究正如火如荼地进行中，虽然在不同程度上有了较大的进展，但是若将其大范围地应用于实际生活中则仍需要更好地解决平衡脑电类别识别精度和识别速度。识别精度和识别速度往往构成一对矛盾，使用复杂的处理算法能够提高分类正确率，但会消耗相对更长的处理时间，从而导致识别速度跟不上实际需求。这就要求设计的系统能够在保证分类正确率的前提下尽可能提高分类速度，达到二者的有效平衡。

技术实现要素：

本发明的目的在于提供一种解决了处理多通道识别脑电信号时计算数据量较大，从而导致运算速度较低的技术问题的基于稀疏表征分类算法的运动想象脑电分类处理方法。

本发明的目的是这样实现的：

(1)试备者在外部干扰较小的环境中，头部戴上无线或有线传输的头皮电极帽，根据提示想象运动动作，脑电帽检测到试备者的脑电波信号，随后对其进行初步的带通滤波，将滤波后的脑电信号传入上位机存储；上位机软件对传入的原始脑电信号进行整理标记，制作出用于分类的样本集和测试集；

(2)上位机端软件根据运动想象脑电信号固有的ERD/ERS特点，利用共同空间模式滤波 器提取降维特征，并计算所提取的特征频带的功率谱密度值；

(3)将训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征；

(4)根据用训练集计算得到的稀疏表征脑电字典，求解训练集和测试集的稀疏表征系数，然后设计判定准则对分类脑电的类别标签进行标记。

在利用共同空间模式滤波器提取降维特征时，使用两类样本的协方差矩阵设计共同空间模式滤波器。

根据脑电信号特征提取特点，并从传统的压缩感知的稀疏基和字典设计思路出发，设计了一种适用于脑电波运动想象分类的字典矩阵设计过程，具体过程为：

首先对两类训练样本进行CSP滤波如下：

其中，

为了对脑电信号的能量特征进行突出展现，对经过CSP滤波器特征提取后的信号和 再计算该8-15Hz频带的功率谱密度，得到class1_feat，class2_feat，定义字典矩阵为D＝[class1_feat,class2_feat]，D∈R^2α×N，N为训练集样本总试验次数。

利用设计计算好的字典矩阵构成的稀疏表征分类器进行脑电分类，首先，对测试信号y进行求得字典矩阵D中列向量的步骤处理，即对8-15Hz频率段的ERD/ERS特征进行提取，再经CSP滤波器得到相应的功率谱值；其维数同字典矩阵D中列向量的维数N相同；那么测试样本y可以表示为设计的字典D中的原子的线性组合；：

其中，x_i,j∈R，j＝1,2,…,N_i代表标量系数；

本发明有益效果在于：

本发明将多通道脑电采集的运动想象信息先进行了字典构建，并将脑电信息以字典为准计算出每次运动想象的稀疏表征系数矩阵。相对于其它多通道脑电信号处理方法，本发明的处理方法更加高效，仅计算构建一次大字典矩阵，之后的处理都用稀疏表征系数矩阵来计算，大大减少了多通道运动想象脑电信息的数据量，从而减小了数据计算压力，提高了运算速度。由于字典构建的特征方法，本发明所使用的稀疏表征分类算法，在将特征信号转变为基于字典矩阵的稀疏表征系数矩阵后，就已经进行了分类处理，即从系数表征系数矩阵中元素的数值大小就可以直观地判断出此类想象的类别，无需进行进一步独立的分类步骤，大大简化了 对于处理分类算法的复杂度。

附图说明

图1为脑电分类处理总框图；

图2为10-20国际标准系统电极安放示意图；

图3为脑电采集时间范式；

图4为字典矩阵示意图；

图5为两组不同想象类别的脑波信号所计算出的稀疏表征系数。

具体实施方式

下面结合附图对本发明做进一步描述。

步骤(1).试备者在外部干扰较小的环境中，头部戴上无线或有线传输的头皮电极帽，根据提示想象例如左手运动，右手运动等多类运动动作，脑电帽检测到试备者的脑电波信号，随后对其进行初步的带通滤波，将滤波后的脑电信号传入上位机存储。上位机软件对传入的原始脑电信号进行自动加人工手动的整理标记，制作出用于分类的样本集和测试集。本方法令被试者的头戴电极帽的电极通道数为118。

步骤(2).上位机端软件根据运动想象脑电信号固有的ERD/ERS特点，利用共同空间模式滤波器提取降维特征，并计算所提取的特征频带的功率谱密度值。我们采用当想象肢体运动时产生的ERD/ERS现象进行任务区分。从脑电中直观体现该现象的是μ节律和β节律。由于μ节律的频带范围为8-14Hz，β节律的频带范围为14-30Hz，当然最佳节律频带的划分会因人而异。本方法设计的是一个8-15Hz的带通滤波器来提取μ节律。

根据空间滤波器的原理与设计思虑，本方法使用两类训练样本的协方差矩阵设计共同空间模式滤波器。设测试样本为X_R∈R^C×T，X_L∈R^C×T，C为通道数，T为每通道的采样点数。分别计算两类样本的自相关矩阵covR和covL：

covR＝X_L·X_L^T

covL＝X_R·X_R^T

将两个自相关矩阵作和：

covRL＝covR+covL

求取方阵covR和covRL的C个广义特征值，构成C×C阶对角阵D，同时返回特征向量满足covR·V＝covRL·V·D。这样得到的投影矩阵W即为V。具体地，W＝[w₁,w₂,...,w_C]，称每个w_i∈R^C(i＝1,2,...,C)为一个共同空间模式滤波器，且从前至后分别对应于最大到最小的特征值。选取W的前α列和后α列，构造一个C×2α阶共同空间模式滤波器W_CSP＝[w₁,...,w_α,w_C-α+1,...,w_C]，这里2α为该CSP滤波器的个数。由于实验数据采集通道数为118，则我们取2α为2至70之间的所有偶数个。

步骤(3).将训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征。首先对两类训练样本进行CSP滤波如下：

其中，

为了对脑电信号的能量特征进行突出展现，对经过CSP滤波器特征提取后的信号和 再计算该8-15Hz频带的功率谱密度(PSD)，得到class1_feat，class2_feat，那么可以定义字典矩阵为D＝[class1_feat,class2_feat]，D∈R^2α×N，N为训练集样本总试验次数。

步骤(4).根据用训练集计算得到的稀疏表征脑电字典，求解训练集和测试集的稀疏表征系数，然后设计判定准则对分类脑电的类别标签进行标记。首先，对测试信号y进行如求得上述字典矩阵D中列向量的步骤处理，即对8-15Hz频率段的ERD/ERS特征进行提取，再经CSP滤波器得到相应的功率谱值。其维数同字典矩阵D中列向量的维数N相同。那么测试样本y可以表示为设计的字典D中的原子的线性组合。表达式如下：

其中，x_i,j∈R，j＝1,2,…,N_i代表标量系数。

这里本方法采用基追踪算法对稀疏表征系数进行求解。

在系数表征系数矩阵求解出之后，本方法使用残差法进行分类，基本思想是计算测试样本在与每个子字典上的重构结构之间的误差，差值最小的那一类被判别为测试样本所属的类别。

对于第i(i＝L,R)类脑电信号，定义两个示性函数δ_i(x)，每一个函数内容为对应于第i类的字典矩阵列向量的表征系数，而将其它系数置设置为零。如对于属于类别L的稀疏表征解向量x∈R^2Nt，定义δ_L(x)和δ_R(x)为：

X₁＝[x_L,1,x_L,2,...,x_L,Nt]

X₂＝[x_R,1,x_R,2,...,x_R,Nt]

δ_L(x)＝[X₁,0,...,0]

δ_R(x)＝[0,...,0,X₂]

对于该测试样本y，得到关于L类的残差计算表达式：

r_L(y)＝||y-Dδ_L(x)||₂

其关于R类的残差值为：

r_R(y)＝||y-Dδ_R(x)||₂

比较r_L(y)和r_R(y)的大小，若r_L(y)较小，则说明y属于类别L。其判定标准由公式表示：

图1为脑电分类处理总框图，其实施主要包括以下几个步骤：

步骤(1).试备者在外部干扰较小的环境中，头部戴上无线或有线传输的头皮电极帽，根据提示想象例如左手运动，右手运动等多类运动动作，脑电帽检测到试备者的脑电波信号，随后对其进行初步的带通滤波，将滤波后的脑电信号传入上位机存储。上位机软件对传入的原始脑电信号进行自动加人工手动的整理标记，制作出用于分类的样本集和测试集。

步骤(2).上位机端软件根据运动想象脑电信号固有的ERD/ERS特点，利用共同空间模式滤波器提取降维特征，并计算所提取的特征频带的功率谱密度值。

步骤(3).将训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征.

步骤(4).根据用训练集计算得到的稀疏表征脑电字典，求解训练集和测试集的稀疏表征系数，然后设计判定准则对分类脑电的类别标签进行标记。

下面逐一对各步骤进行详细说明。

步骤(1)中需要被试者头戴一个118通道的电极帽进行脑电信号采集。采集该数据集的装置为BrainAmp放大器和一个128通道的ECI的电极帽Ag/AgCl，其中的118个EEG通道是根据国际10-20系统位置安置的，10-20国际标准系统电极安放示意图如图2所示。受试者进行左手、右手以及右脚三种肢体运动的想象。这些数据集仅包含原始数据，没有其他反馈信息。脑电信号通过0.05-200Hz带通滤波器并且进行数字化，采样至100Hz，由柏林研究小组进行了离线分析。每次运动想象部分数据的采集时长为3.5秒，然后休息1.75秒至2.25秒不等。每名受试者都进行了280次试验。每一类别各进行140次试验。如图3所示为数据采集的时间范式。

步骤(2)中我们采用当想象肢体运动时产生的ERD/ERS现象进行任务区分。从脑电中直观体现该现象的是μ节律和β节律。由于μ节律的频带范围为8-14Hz，β节律的频带范围为14-30Hz，当然最佳节律频带的划分会因人而异。本方法设计的是一个8-15Hz的带通滤波器来提取μ节律。

共同空间模式滤波器(Common Spatial Pattern,CSP)针对不同类别尤其是两类的运动想象信号构建一个共同的空间滤波器，使不同类别的脑电信号在此空间方向的投影能量分别达到最大和最小，其基本原理为：

若单次运动想象任务测得的脑电信号表示为X∈R^C×T，C表示通道数，T表示每通道的采样点数。有两类脑电数据训练样本，分别表示为X_R∈R^C×T，X_L∈R^C×T，对应于右手和左手的运动想象。使用以下的优化步骤，便可计算出CSP滤波器矩阵表达W∈R^C×C。CSP算法的思想转换为数学表达式即求出下式中的向量w：

其中，分别为两类脑电的协方差。则上式相当于求解最小化问题：

利用拉格朗日方法，得出：

L(w,λ)＝-w^TC_Rw+λ(w^TC_Lw-1)

上式对w求偏导，并将其设置为0，即于是得到：

C_Rw＝λC_Lw

进而得到：

由此可知，w的值等价于对应于最大特征值的特征向量，而特征值为特征式|C_R-λC_L|＝0的根，w的值可通过式子(C_R-λC_L)w＝0求解。w的值使得对一类信号方差最大化的同时，使另一类信号方差达到最小。

本发明使用一种等价的求解方法。训练样本的功率谱密度值组成的特征集作为脑电字典对测试脑电进行稀疏表征。首先对两类训练样本进行CSP滤波如下：

其中，

步骤(3)中为了对脑电信号的能量特征进行突出展现，对经过CSP滤波器特征提取后的信号和再计算该8-15Hz频带的功率谱密度(PSD)，得到class1_feat，class2_feat， 那么可以定义字典矩阵为D＝[class1_feat,class2_feat]，D∈R^2α×N，N为训练集样本总试验次数。得到的字典机构模型如图4。

步骤(4)中，利用基追踪算法对运动想象的脑电信号的稀疏表征系数进行求解。求解后得到的系数表征系数矩阵为一个列向量，经过稀疏表征过的系数矩阵可以直观的得出脑电信号的所属类别。图5中左右两个柱状图分别代表两种类别的测试样本在字典矩阵上求解的稀疏表征系数结果，可以直观地从绝对值明显大的元素分布位置看出左右两个稀疏表征系数矩阵代表的脑电信号所属的运动想象类别。理论上，稀疏表征系数对应于非相关的类别值应该为0。然而，由于脑电信号具有非平稳特性，导致出现系数值的波动状况，产生非零元素。