基于混合模型的运动想象脑电信号分类方法

1.本发明涉及脑电信号分类领域，具体地涉及一种基于混合模型的运动想象脑电信号分类方法。


背景技术：

2.人脑由互相连接的神经元构成，而作为神经元之间活动产生的电信号，脑电图(electroencephalogram,eeg)记录大脑活动时的电信号变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑机接口(brain
‑
computer interface,bci)技术将此种电信号转换成控制命令，从而在大脑和外界设备(如bci轮椅、假肢、机械臂)之间提供了一条通信路径。
3.bci技术的核心是调整人脑和机器之间相互的自适应控制关系，即寻找合适的信号处理与信息转换控制算法，将脑电信号转换成一种可以被计算机准确识别的操作系统信号。原始的脑电信号不可避免地包含眼电、肌电以及工频干扰，这些噪声会使脑电信号处理的运算量、复杂度以及精度大大增加，因此在bci系统中，有效剔除噪声并提取具有较大可分性的脑电特征对准确解码大脑活动极为重要。
4.目前，国内外大量研究致力于在空间域进行脑电特征的提取和分类，设计空间滤波器以提高脑电信号质量并提取特征，较为代表性的算法是共空间模式(common spatial pattern,csp),该方法通过找到一组空间滤波器，将某个类别的方差最大化，同时将另一类最小化，被广泛应用于脑电信号处理中，但这种方法存在一定局限性，它对异常数据过于敏感，当训练集样本数量较小时会导致数据过拟合，这使得csp极其容易受到噪声干扰。


技术实现要素：

5.为了解决上述现有技术的不足，本发明提供一种基于混合模型的运动想象脑电信号分类方法，采用一种混合判别模型对运动想象脑电信号进行分类，在提高脑电信号质量的同时，通过选择最优的脑电特征个数帮助解决小样本训练集容易出现的过拟合问题，提升分类效果。
6.为实现上述目的，本发明公开了如下技术方案：
7.具体地，本发明提供一种基于混合模型的运动想象脑电信号分类方法，其包括如下步骤：
8.s1、数据提取：从数据库中采集两组数据作为脑电数据库；
9.s2、数据重构：将脑电数据库中的脑电数据进行规范化，并以四维张量的结构储存；
10.s3、特征优化：利用odv
‑
cssd算法对脑电数据进行优化获得最优脑电特征，其具体包括以下子步骤：
11.s31、设x
i
表示运动想象任务下的多通道脑电信号，其中，i＝1,2，其中1代表左手运动想象,2代表右手运动想象，归一化空间协方差矩阵r
i
为：
[0012][0013]
其中，x
t
是矩阵x的转置，trace(,)是矩阵对角线元素的和；
[0014]
s32、对同一任务模式的多个脑电数据的协方差矩阵进行均值化，得到平均空间协方差矩阵：
[0015][0016][0017]
其中，n代表每个类的试验次数；
[0018]
s33、根据以下公式得到特征值和特征向量：
[0019][0020]
其中，w为特征向量矩阵，λ为特征值的对角矩阵，通过w矩阵；
[0021]
s34、使用下式对脑电信号进行滤波：
[0022]
z
c
×
t
＝w
c
×
c
r
c
×
t
[0023]
其中，c表示脑电信号的通道数,t表示一次试验中的采样数，z
c
×
t
为滤波矩阵；
[0024]
s35、从滤波矩阵z
c
×
t
中提取特征向量fp：
[0025][0026]
其中，矩阵z
p
包含z的前m行和后m行；
[0027]
s35、设置如下最优判别准则，寻找最优判别向量：
[0028][0029]
其中，a＝cw1+(1
‑
c)w2,0≤c≤1，d是投影数据的l维列向量，d
t
为d的转置，w
i
为第i类的类内离散度，其计算公式为：
[0030][0031]
其中，δ为估计的平均值之差，计算公式为：δ＝μ1‑
μ2，其中μ
i
为第i类的均值,根据下式计算：
[0032][0033]
其中，其表示第i类的第j个样本向量，n
i
为第i类的样本数；
[0034]
其中，第一个最佳投影方向为：
[0035]
d1＝α1a
‑1δ
[0036]
其中，α1是为了且
[0037][0038]
通过最大化r求得第二个最佳投影方向，同时第二个最佳投影方向需要满足的限制条件是d1与d2正交，即求解第二个最佳投影方向为：
[0039][0040]
其中，常数b1为：
[0041][0042]
s4、利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果。
[0043]
优选地，所述步骤s2具体步骤为，将采集到的eeg数据做切片处理，以四维张量的结构储存，四维张量的四个维度分别是采样数、通道数、事件触发次数和类别。
[0044]
优选地，所述步骤s4中，通过drmm算法，利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果。
[0045]
优选地，步骤s4中drmm算法的具体实施过程包括如下子步骤：
[0046]
s41、令x表示经由规则生成的特征，y包含聚类结构。对特征进行归一化从而使每个特征具有零均值和单位方差。假设k为类别数，用z
n
来表示k维数据中第n个样本的类别归属，如z
nk
＝1表示第n个数据属于第k个聚类。用向量表示簇k在d维上的决策判定边界，其中表示下边界，表示上边界，表示的转置。假设所有属于第k个聚类的样本都在相应的判定矩形内，即对于所有属于该聚类的样本x
nd
都满足假设所有决策边界都服从先验分布p(t
kd
)
[0047]
k＝2
[0048]
其中，和表示先验规则的决策边界所在位置，若无先验规则，则α
t
和β
t
是控制这些环节之间平衡的正参数；
[0049]
s42、在判定矩阵中定义一个参数zn以表示簇指标：
[0050][0051]
由于本发明计算特征至二维，因此d＝2。f(t)为一个满足t≥0的指数函数：
[0052][0053]
其计算结果为一个逻辑与算子，因此，如果x
nd
在判定矩形内部，则z
nk
＝1，否则z
nk
＝0，f(t)的不可分性致其难以优化决策矩形，故用g(t)代替f(t)，g(t)定义如下：
[0054][0055]
其中，a是用于定义软陡峭度函数的正参数，从而用a值偏大表示g(t)更接近f(t)，用g(t)替代f(t)，同时定义一个新变量γ
nk
：
[0056][0057]
由于0<g(t)<1，那么对于所有实际值t就有0<γ
nk
<1，对于第k个簇，如果样本x
nd
在矩形判定边界内，则γ
nk
≈1，否则γ
nk
＝0。由此可见γ
nk
可以成为一个软聚类指标；
[0058]
s43、假设y
n
服从混合gaussian分布
[0059][0060]
其中，μ
k
和∑
k
是第k个簇的平均向量和协方差矩阵；
[0061]
drmm的联合概率为：
[0062][0063]
其中，代表所有矩形决策边界，表示所有参数；
[0064]
在给定参数{t,θ}和观测变量{φ,x,y}的情况下，计算潜在变量z的后验概率：
[0065][0066]
其中，const表示不是z函数的常数，在已知后验分布z的条件下，联合对数的期望值由下式计算：
[0067][0068]
其中，是的平均向量；d为提取的特征维数；k为聚类数；π
nk
是k维向量，表示后验分布的期望值。
[0069]
利用下式寻找最佳t,θ值，从而将w(t,θ)最大化：
[0070][0071]
计算的最大值和对于每个聚类k∈{1,2,
…
,k}的{μ
k
,∑
k
}；
[0072]
的最佳值按下式计算：
[0073][0074]
{μ
k
,∑
k
}按下式计算：
[0075][0076][0077]
与现有技术相比，本发明具有以下有益效果：
[0078]
本发明针对共空间模式对异常数据过于敏感导致容易过拟合的问题，提出一种新的运动想象脑电信号分类方法，通过提出的新的算法odv
‑
cssd进行特征选择及优化，该算法从两个角度实现特征优化：一是通过寻找一组最优特征向量并将它们全部投影，构建一个最优特征空间来实现优化，经由最优特征空间寻得的特征可以减小异常数据产生的影响；二是寻找最佳的特征数并进行决策，避免特征包含冗余信息，从而实现优化。本发明实现了左右手运动想象脑电信号的提取和分类，并有效提高了识别准确率。
附图说明
[0079]
图1是本发明的流程示意图；
[0080]
图2是重构后的数据结构示意；
[0081]
图3是对于提取出的二维最优特征的聚类结果示意；
[0082]
图4是二维最优特征的roc曲线；
[0083]
图5是本发明的整体流程图。
具体实施方式
[0084]
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0085]
本发明的核心是提供一种新的空域滤波方法对脑电信号进行处理，采用一种混合判别模型对运动想象脑电信号进行分类，在提高脑电信号质量的同时，通过选择最优的脑电特征个数帮助解决小样本训练集容易出现的过拟合问题，从而提升分类效果。
[0086]
本发明提供一种基于混合模型的运动想象脑电信号分类方法，如图1所示，其包括如下步骤：
[0087]
s1、建立脑电数据库，用59个密集分布在大脑感觉运动区的eeg电极采集脑电数据或者直接调用现有的脑电数据作为脑电数据库。
[0088]
s2、数据重构：将脑电数据规范化，以四维张量的结构储存，数据结构如图2所示，其中，四个维度分别是：采样数、通道数、事件触发次数、类别。
[0089]
s3、特征优化：利用odv
‑
cssd算法获得最优脑电特征。
[0090]
s4、利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果，如图3所示。
[0091]
在本发明的一种实施例中，步骤s1具体步骤为，由两种不同来源的数据构成本发明输入的数据：实验对象a,b,c,d为来自于第四届脑机接口比赛中德国队的mi
‑
eeg数据；实验对象e,f,g为采用和脑机接口比赛相同的范式进行试验，用59个密集分布在感觉运动区的eeg电极采集得到。
[0092]
在本发明的一种实施例中，步骤s2具体步骤为，将采集到的eeg数据做切片处理，以四维张量的结构储存，张量的四个维度分别是：采样数、通道数(电极数)、事件触发次数、类别。
[0093]
在本发明的一种实施例中，步骤s3中，最优脑电特征的获得利用odv
‑
cssd算法实现。
[0094]
在本发明的一种实施例中，采用odv
‑
cssd法计算最优脑电特征的具体步骤如下：
[0095]
设xi(i＝1,2，其中1代表左手运动想象,2代表右手运动想象)表示运动想象任务下的多通道脑电信号。归一化空间协方差矩阵ri为：
[0096][0097]
其中，xt是矩阵x的转置，trace(,)是矩阵对角线元素的和。
[0098]
对同一任务模式的多个实验数据的协方差矩阵进行均值化，得到平均空间协方差矩阵：
[0099][0100][0101]
其中，n代表每个类的试验次数。
[0102]
根据以下公式得到特征值和特征向量：
[0103][0104]
其中，w为特征向量矩阵，λ为特征值的对角矩阵。通过w矩阵，使用下式对脑电信号进行滤波：
[0105]
z
c
×
t
＝w
c
×
c
r
c
×
t
[0106]
其中，c表示脑电信号的通道数,t表示一次试验中的采样数。
[0107]
从滤波矩阵z
c
×
t
中提取特征向量fp(维数不超过通道数)：
[0108][0109]
其中，矩阵zp包含z的前m行和后m行。
[0110]
为寻找最优判别向量，设置如下最优判别准则：
[0111][0112]
其中，a＝cw1+(1
‑
c)w2,0≤c≤1。d是投影数据的l维列向量。dt为d的转置。wi为第i类的类内离散度，其计算公式为：
[0113][0114]
其中，δ为估计的平均值之差，计算公式为：δ＝μ1‑
μ2。其中μ
i
为第i类的均值,根据下式计算：
[0115][0116]
其中，其表示第i类的第j个样本向量。ni为第i类的样本数。有一点值得注意：广义比r与向量d的大小无关，即r(d)＝r(αd)。
[0117]
第一个最佳投影方向为：
[0118]
d1＝α1a
‑1δ
[0119]
其中，α1是为了且
[0120][0121]
通过最大化r求得第二个最佳投影方向，同时第二个最佳投影方向需要满足的限制条件是d1与d2正交，即求解第二个最佳投影方向为：
[0122][0123]
其中常数b1为：
[0124][0125]
使用csp从原始脑电信号提取特征，通过最优判别向量投影后，可以获得最佳的脑电特征。同时，可以实现通过控制最优判别向量的个数来达到最佳脑电特征的维数。
[0126]
在本发明的一种实施例中，步骤s4中，通过drmm算法，利用先验信息形成可解释的聚类。
[0127]
在本发明的一种实施例中，drmm算法的具体实施过程如下：
[0128]
令x表示经由规则生成的特征，y包含聚类结构。对特征进行归一化从而使每个特征具有零均值和单位方差。假设k为类别数，用zn来表示k维数据中第n个样本的类别归属，如z
nk
＝1表示第n个数据属于第k个聚类。
[0129]
用向量表示簇k在d维上的决策判定边界。假设所有属于第k个聚类的样本都在相应的判定矩形内，即所有属于该聚类的样本都满足假设所有决策边界都服从先验分布p(t
kd
)：
[0130][0131]
其中，和表示先验规则的决策边界所在位置。若无先验规则，则αt和βt是控制这些环节之间平衡的正参数。
[0132]
在判定矩阵中定义一个参数zn以表示簇指标：
[0133][0134]
其中，
[0135][0136]
其中，f(t)为一个满足t≥0的指数函数，其计算结果可以看做是一个逻辑“与”算子。因此，如果xn在判定矩形内部，则znk＝1，否则znk＝0。f(t)的不可分性致其难以优化决策矩形，因此用g(t)代替f(t)，g(t)定义如下：
[0137][0138]
其中，a是用于定义软“陡峭度”函数的正参数，从而用a值偏大表示g(t)更接近f(t)。用g(t)替代f(t)，同时定义一个新变量γnk：
[0139][0140]
由于0<g(t)<1，那么对于所有实际值t就有0<γnk<1。对于第k个簇，如果样本xn在矩形判定边界内，则γnk≈1，否则γnk＝0。由此可见γnk可以成为一个软聚类指标。
[0141]
若γnk被用作软聚类指标，则必须满足以下两个条件：
[0142]
①
xn位于第k个聚类的判定矩形内，即γnk≈1；
[0143]
②
xn位于其他所有判定矩形之外，即对于所有j≠k，γnk≈0。
[0144]
假设yn服从混合gaussian分布：
[0145][0146]
其中，μk和σk是第k个簇的平均向量和协方差矩阵。
[0147]
drmm的联合概率为：
[0148][0149]
其中，代表所有矩形决策边界，表示所有参数。
[0150]
在给定参数{t,θ}和观测变量{φ,x,y}的情况下，计算潜在变量z的后验概率
[0151][0152]
其中，const表示不是z函数的常数。在已知后验分布z的条件下，联合对数的期望值由下式计算：
[0153][0154]
利用下式寻找最佳t,θ值，从而将w(t,θ)最大化
[0155][0156]
计算的最大值和对于每个聚类k∈{1,2,
…
,k}的{μ
k
,∑
k
}。
[0157]
的最佳值按下式计算：
[0158][0159]
{μ
k
,∑
k
}按下式计算：
[0160][0161][0162]
根据提取出的二维最优脑电特征聚类的结果如图3所示。drmm算法学习最优特征后会给出预测的类别标签，同时其会发现每个簇的矩形决策规则。矩形决策规则可以形象解释每个簇之间的差异。根据drmm对最优特征学习后预测的标签绘制接受者操作特性曲线(roc)并计算对应的auc值，具体如图4所示。其中实验对象a,b为脑机接口大赛数据，实验对象f,g是自采集数据，除实验对象g，其余三个实验对象的auc值都大于0.96，说明具有较好的性能。
[0163]
为体现本发明算法性能，将drmm聚类结果与模糊c均值(fcm)、k
‑
means聚类结果作比较，具体如表1所示，其中加粗的数字都是每个实验对象的最优识别准确率。通过表格可知，drmm识别准确率均大于等于0.91，对于所有试验对象，drmm都有较fcm和k
‑
means更好的表现，验证了本发明特征优化算法的有效性。
[0164][0165]
本发明的整体流程图如图5所示。
[0166]
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。