一种基于意识任务的特征EEG处理方法与流程

本发明属于脑机接口研究领域，涉及便携式脑机接口的EEG信号处理方法，特别涉及一种基于意识任务的特征EEG处理方法。

背景技术：

脑机接口(Brain-Computer Interface，BCI)是测量中枢神经系统的活动并将它转换成用来代替和增强中枢神经系统输出的人工输出系统。目前，基于EEG的BCI系统应用最为广泛。它通过安装在头皮的固定位置处的电极，检测到相应的神经元活动弥散到头皮上的电势分布，然后解读电势信号的分布，来解码一些运动意图信息，将这些运动意图信息相应的编码，就可以控制外部的设备，为人们提供一种全新的与外界交互的能力。BCI常用于残疾人辅助设备，如脑控轮椅，脑控义肢，通过EEG控制经颅磁刺激对受损的肌肉进行康复治疗与残疾人辅助机器人等。目前，让BCI新技术走出实验室，服务广大有需求的患者和特殊的人群成为BCI研究的新挑战。低成本便携式脑电采集系统就代替高性能研究型脑电采集系统成为日后脑机接口系统的趋势。

想象运动与想象单词生成都是意识任务的一种。想象运动表示有意识的想象一个运动意图。可以在没有外界刺激的情况下诱发出ERD/ERS特征波。当单边肢体运动或想象运动时，对侧初级感觉运动皮层区域活跃起来，mu与beta频率的节律性活动表现为幅度的降低，称为事件相关去同步(ERD)；反之，其同侧皮层区域受到抑制，mu与beta频率的节律性活动表现为幅度的升高，称为事件相关同步(ERS)。被试在一段时间内根据提示的首字母拼写一连串单词，拼写的过程是由几个不同的脑区同时作用的结果。如拼写单词“top”：颞叶语言区，额叶中回区，视觉区等大脑相应区域会被激活，表现为相应脑区alpha频段的升高。

目前，共空间模式(CSP)算法被证明在ERD/ERS特征提取中达到很好的效果，CSP是一种空间滤波器，用CSP的方法从多导联EEG中计算出头皮的特定激活区，根据每个导联的重要性使任务间特征区分开。Thomas K P等人提出Filter Bank方法，将原始EEG从6-40Hz分为4段进行滤波，再对子信号进行CSP。PengXu教授提出了局部时间相关的共空间模式算法(LTCCSP)，LTCCSP算法计算了局部时间相关信息，有效抑制了奇异值点对协方差矩阵的影响。以上两种算法分别在频域与时域对原始CSP算法进行改进，忽略了时频域联合特征的效果，本发明结合这两种算法的优势，将滤波器组算法提取的EEG频域信息，局部时间相关算法提取的EEG时域信息，与CSP算法提取的EEG空间信息，这三种信息融合，达到更优的特征提取效果。

基于以上研究背景，本文研究了基于意识任务的特征EEG处理方法，提出了LTCFB-CSP特征提取算法。

技术实现要素：

本发明的目的在于克服便携式脑电设备采集到EEG的低信噪比问题，提供一种便携式脑机接口的EEG特征提取方法。本发明的目的通过以下的技术方案实现：

S1.屏幕上提示被试进行三种不同的意识任务，分别是想象左手运动，想象右手运动与想象单词生成，在提示想象单词生成时屏幕随机出现一些单词首字母，被试根据首字母想象一连串的单词。

S2.被试通过佩戴便携式脑电帽采集头皮EEG，并通过蓝牙传给计算机，14导联EEG数据采样率为128Hz，在0.2Hz-43Hz频率范围内进行带通滤波。离线数据使用EEGLAB工具包对数据进行预处理，包括坏导联去除与去伪迹两步。

S3.对预处理后EEG进行滤波器组带通滤波，设计9个切比雪夫Ⅱ型滤波器将整段信号滤波得到9个子信号，以下步骤分别在9个子信号中完成。

S4.计算每个子信号的局部时间相关，计算训练集EEG的空间滤波器，再对EEG进行空间滤波，提取信号的能量作为特征向量，通过支持向量机(SVM)训练生成对应每位被试的SVM分类器，生成的SVM分类器将在S5在线检测中使用。

S5.在在线的同步算法中，特征EEG检测每3秒进行一次，每一段子信号通过训练好的滤波器模型进行滤波，将得到的特征向量输入到S4中生成的SVM分类器中，得到每段EEG的分类类别。

S6.评估标准：准确率是由正确分类的数目除以全部的数目而得来，为了表现系统的复杂程度，将分类类别数这一指标加入准确率的计算中，得到准确率衡量标准：

其中，acc代表SVM分类器的分类准确率，N代表意识任务的类别数。

步骤S2中，所述的14个通道具体为“AF3”、“F7”、“F3”、“FC5”、“T7”、“P7”、“O1”、“O2”、“P8”、“T8”、“FC6”、“F4”、“F8、“AF4”。

步骤S5中，3秒数据向量包含384个数据点。

附图说明

图1为本发明所述的基于意识任务的特征EEG处理方法流程图；

图2为意识任务的实验范式示意图；

图3为三种特征EEG的功率谱密度图，其中实线对应单词任务，点线对应左手想象运动，虚线对应右手想象运动；

图4为特征提取算法中拉普拉斯矩阵L的计算示意图；其中阴影部分代表每个长度为的数据段；

图5为特征提取算法中PW与OVR方法的准确率比较结果图，其中实线代表PW算法，虚线代表OVR算法。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1，一种基于意识任务的特征EEG处理方法，具体包含以下部分：

一、离线训练阶段实验范式设计：

屏幕上提示被试进行三种不同的意识任务，分别是想象左手运动，想象右手运动与想象单词生成，在提示想象单词生成时屏幕随机出现一些单词首字母，被试根据首字母想象一连串的单词。当被试的训练正确率达到70％以上时，训练结束，带事件标签的EEG数据被保存在计算机中。接着用离线数据中执行任务的部分做离线分析。

二、数据处理和算法

第一步：滤波器组带通滤波。为了减少由于数据段短引起的边缘效应，对整段原始脑电信号进行滤波器组带通滤波，设计9个切比雪夫Ⅱ型滤波器将整段数据滤波后得到9段子信号，滤波器参数为最优化参数。

第二步：分段。将子信号以3s为一段分段，由于信号采样率为128Hz，因此每段信号包含T＝384个采样点，共有S＝312个试次。

第三步：求局部时间相关。设置一个大约100ms的局部时间滑动窗，对时间窗内两个时间点的数据做相关，相关系数越高，代表头皮电势越相似，反之越不相似，若时间窗内计算出的相关值都很高，则代表这个“微状态”为做任务态。对每个试次的τ个采样点内EEG求相关。

其中corr(x_l,x_m)为相关系数运算符，τ是局部时间范围。x_l和x_m的头皮电势分布越相似，权值矩阵的相应位置会得到一个相对较大的系数值。τ的取值因人而异，根据经验选择取值范围为2-12，最终选择对应分类结果最优的τ值。

第四步：求投影矩阵Γ。采用CSP方法计算Γ，其目标函数为：

其中分别代表两种任务下的脑电原始信号X，Y的平均归一化空间协方差矩阵，投影矩阵Γ的目的是最大化一种任务方差的同时最小化另一种任务的方差。

提出Γ的前m列为例，公式(2)可以写成：

其中，K_X和K_Y分别是每种想象任务下的试次数，i代表第i个试次，γ_j是矩阵Г的第j列，矩阵Г的后m列也可以由上式过程推导。运用维度减小策略，二次型被变换成：

将第三步中求出的局部时间相关矩阵引入公式(4)来提高局部信息：

对两种任务下的平均协方差矩阵求和，构造白化矩阵P，再对两种任务下的协方差矩阵同时对角化。得出矩阵Γ，取Γ的前3列与后3列，就得出最终的投影矩阵Γ。

第五步：空间滤波。与第三步对应，将滤波器组滤波后EEG乘以局部时间相关矩阵的半正定分解矩阵Z＝ΓCL^1/2，对最终的空间滤波信号按空间维数求方差得到特征向量。

第六步：分类。采用支持向量机作为分类器，核函数选择线性核函数。又对线性核函数中的惩罚因子c参数进行优化。

此方法提出了脑电信号的频域信息，时间特征与空间特征，原理上可行，有明确的物理意义。就分类准确率而言，本论文所提出的算法具有更优越的性能。