基于EEG信号锁相调制的共同空间模式方法与流程

本发明属于脑机接口(brain-computerinterfaces,bci)领域，具体来说，涉及运动想象任务的eeg信号的特征提取和分类。

背景技术：

神经元细胞作为人脑中信息处理的基本单元，在受到内在和外在的刺激时，会产生生物电活动。而当众多的神经元集群放电，推动位于头皮处的电极中的金属电子，使两电极之间形成电压差，从而可以记录到不同节律的脑电(electroencephalograph,eeg)信号。eeg信号在一定程度上蕴含了人脑的活动状态信息，但eeg信号具有非平稳性、随机性、以及较低的信噪比，这使得基于eeg信号的bci系统变得具有挑战性。bci的关键技术在于如何有效地提取eeg信号的特征，进而获得良好的分类准确率。因此，大量的模式识别和机器学习技术被运用到基于eeg的bci问题中。共同空间模式(commonspatialpattens,csp)作为一种经典的空域滤波方法，在二分类问题中表现出良好的性能，被广泛地应用于bci系统中。

然而传统的csp方法对eeg信号的协方差矩阵建模，容易受到信号中可能的奇异值、异常值和噪声的影响，从而降低了算法的性能。为此，文献中发展了局部时间共同空间模式(localtemporalcsp,ltcsp)方法、局部时间相关共同空间模式(localtemporalcorrelationcsp,ltccsp)方法。它们考虑了eeg信号的局部时间结构，提取eeg信号中潜在的判别特征，较传统的csp具有更好的鲁棒性及分类能力。但已有的方法存在一些不足，如ltcsp中参数较多，涉及较多的人为设定，算法不够稳定；而ltccsp中使用相关系数定义权值，没有考虑eeg信号内在的特点，神经生理学上解释性不强。

针对以上问题，本发明提出基于锁相调制的共同空间模式(phaselockingmodulatedcsp,plmcsp)的新方法，考虑到eeg信号在时间采样点上的相位同步性，具有神经生理学可解释性，充分利用幅值与相位信息，更好地提取判别特征，进行单试次eeg信号分类。

技术实现要素：

本发明要解决的技术问题是：为了克服现有技术中存在的不足，本发明提供一种由锁相值定义权重值的共同空间模式方法，充分利用幅值与相位信息，更好地提取判别特征，进行单试次eeg信号分类，比传统方法有更好的分类精确性与鲁棒性。

本发明解决其技术问题的解决方案是：基于eeg信号锁相调制的共同空间模式方法，包括以下步骤：步骤一、求解单试次eeg信号的瞬时相位差；步骤二、计算锁相值(phaselockingvalue,plv)；步骤三、定义权重值；步骤四、估计基于锁相调制的协方差矩阵；步骤五、定义基于锁相调制的共同空间模式的目标函数；步骤六、求解步骤五中的目标函数；步骤七、特征提取；步骤八、单试次eeg信号分类。

具体地，所述步骤一的具体方法是：对于单试次eeg信号x∈r^c×n的两个采样点上的多变量序列xl∈r^c和xm∈r^c，设第n个通道上的瞬时相位为则在第n个通道上两个多变量序列的瞬时相位差为其中c为通道数目，n为采样点数目。

具体地，所述步骤二的具体方法是：计算多变量序列xl和xm的plv值：

具体地，所述步骤三的具体方法是：根据步骤二所述的plv值定义权重值

其中τ是局部时间范围。由定义可知，权重值的取值范围为0到1，由权重值构成的权值矩阵w^x是一个对称的半正定矩阵。

具体地，所述步骤四的具体方法是：估计基于锁相调制的协方差矩阵：

其中d^x为对角矩阵，其对角元素为矩阵w^x的行元素之和。

具体地，所述步骤五的具体方法是：根据传统csp方法的原理，定义基于锁相调制的共同空间模式的目标函数：

其中和分别表示两类eeg信号的平均锁相协方差矩阵。

具体地，所述步骤六的具体方法是：利用矩阵同时对角化或广义特征值分解法求解plmcsp，得到一组最优空间滤波器γ1,...,γ2r∈r^c，r表示求取的滤波器对数。

具体地，所述步骤七的具体方法是：根据步骤六求出的投影矩阵，任意单试次eeg信号z投影后转换为s＝γ^tzl^1/2，其中投影矩阵l＝l^1/2(l^1/2)^t。则矩阵s中行的方差的对数构成plmcsp提取的特征。

具体地，所述步骤八的具体方法是：利用plmcsp进行单试次eeg信号的特征提取，进行分类，并输出类别标签，记录分类准确率。

本发明的有益效果是：本发明先计算eeg信号的锁相值，用来度量不同时间采样点间的相位同步，从相位差的角度体现了信号的时间结构信息，再利用获得的相位同步信息定义权重值，比现有的根据幅值关系定义权重值更具有神经生理学可解释性，充分利用幅值与相位信息，提取更具有判别力和鲁棒性的特征。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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设计方案和附图。

图1为本发明的流程图；

图2为本发明实施例中bci竞赛iviia数据集以及bci竞赛iiiiva数据集的相关统计信息；

图3为plmcsp方法与其它同类方法的分类准确率对比。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

下面结合附图和实例来对本发明进行详细阐述，流程图如图1所示。本实施例采用bci竞赛iviia数据集以及bci竞赛iiiiva数据集进行实验，考察所提算法的分类性能，图2列出了两组数据集的统计信息。本实施例中利用plmcsp方法进行单试次eeg信号分类。首先，对采集到的训练数据和测试数据进行预处理：由于与运动想象相关的事件相关同步与事件相关去同步的发生频率集中在μ节律(8-14hz)和β节律(14-35hz)，因此对所有的eeg信号进行8-35hz的带通滤波。

对带通滤波后的eeg信号进行希尔伯特变换，得到每个通道在不同时间采样点上的瞬时相位。

利用plmcsp方法进行特征提取，plmcsp方法如下：对于单试次eeg信号x∈r^c×n的两个采样点上的多变量序列xl∈r^c和xm∈r^c，设第n个通道上的瞬时相位为则在第n个通道上两个多变量序列的瞬时相位差为其中c为通道数目，n为采样点数目。

计算多变量序列xl和xm的plv值：

与传统意义上plv不同的是，本发明的plv是两个采样点上的多变量序列之间的相位同步度量，而非两个通道间的相位同步度量。

根据plv值定义权重值

其中τ是局部时间范围。由定义可知，权重值的取值范围为0到1，由权重值构成的权值矩阵w^x是一个对称的半正定矩阵。对于算法中涉及的参数τ，依据经验依次在数集{2,...,12}中选取。

估计基于锁相调制的协方差矩阵：

其中d^x为对角矩阵，其对角元素为矩阵w^x的行元素之和。

根据传统csp方法的原理定义基于锁相调制的共同空间模式的目标函数：

其中和分别表示两类eeg信号的平均锁相协方差矩阵。

利用矩阵同时对角化或广义特征值分解法求解plmcsp，得到一组最优空间滤波器γ1,...,γ2r∈r^c，其中r表示求取的滤波器对数，按照常规设定，其值为3。

根据求出的投影矩阵，任意单试次eeg信号z投影后转换为s＝γ^tzl^1/2，其中投影矩阵l＝l¹²(l¹²)^t。则矩阵s中行的方差的对数构成plmcsp提取的特征，即其中，

为对应第i个滤波器提取出的特征。

在训练数据上求解plmcsp的投影矩阵，并进行训练数据和测试数据的特征提取；利用训练数据提取的特征训练lda分类器，得到分类面，进而对测试数据的特征进行分类，并输出类别标签，记录分类准确率。

图3显示了利用plmcsp方法提取出特征，进行分类得到的分类准确率。为了进行对比，图中还列出了传统csp方法、ltcsp方法、ltccsp方法的分类结果。对于ltcsp和ltccsp方法中出现的滤波器对数r和参数τ，选择与plmcsp相同的设置。从图中可以发现，本发明提出的plmcsp方法具有最好的分类准确率。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。