一種基於小訓練樣本的腦電信號特徵提取方法
2023-04-24 18:58:01 1
專利名稱：一種基於小訓練樣本的腦電信號特徵提取方法
技術領域：
本發明屬於模式識別與智能系統和腦機接口領域，特別涉及腦-機接口 (Brain-Computer Interface, BCI)系統裝置中運動想像腦電信號特徵向量的提取，具體講的是用正則化(Regularization)方法對共空域子空間分解算法(Common Special Subspace Decomposition, CSSD)進行改進，最後與 K 近鄰(K-Nearest Neighbor, KNN)分類算法相結合的特徵提取及分類方法。
背景技術：
目前，有多種疾病可以損傷腦與外部環境進行交流和控制的神經肌肉通路，如腦癱多發性硬化和腦卒中等。這些疾病會使人部分或全部失去自主的肌肉控制。隨著科技的發展，現代的生命支持技術可以使患者長期存活，但患者的生活質量低下，給家庭和社會造成十分沉重的負擔。隨著計算機技術的進步和腦功能研究的不斷深入，人們開始嘗試建立一種全新的、不依賴於肌肉神經活動的交流和控制通路，在腦和外部環境之間傳遞信息和命令，這就是所謂的腦-計算機接口(Brain-Computer Interface，BCI)，簡稱腦機接口。腦-機接口技術在康復工程、軍事等領域有重要的應用價值，尤其是在機器人康復領域更是備受關注。BCI結構示意圖如
圖1所示，腦電採集裝置從大腦皮層採集腦電信號，經過信號預處理部分進行濾波，再經過腦電信號的特徵提取和分類識別，從而轉化為控制信號實現對外設的控制。BCI是在人腦與外部設備之間建立的直接交流通道。通過這種通道，人能夠直接通過大腦向外部設備發出命令，而不需語言或動作的支持，可以有效增強身體嚴重殘疾患者與外界交流或控制外部環境的能力，從而提高患者的生活質量。將BCI系統應用於輔助康復控制設備的前提是對腦電信號(electroencephalography，EEG)的在線處理。在腦-機接口的在線實驗中，實驗者通常要執行一些枯燥的訓練實驗，對分類器輸入一組標記類別的訓練數據。但是長時間的重複訓練會使神經系統產生疲勞而影響實驗結果，並且數據量大、處理速度慢。所以人們希望儘量減少所需實驗的次數。因此，當前一個重要的目標是降低初始化訓練的時間，即要在小樣本訓練的前提下達到較高的識別率。然而，BCI的核心部分是對EEG信號的特徵提取。特徵提取就是通過信號處理領域中豐富的變換方法使EEG信號中反映大腦相關思維意識的一些重要特徵在變換域中顯現出來，從而去掉對分類沒有意義的信息。在EEG 信號研究中，尋求有效的特徵提取方法是提高識別準確率的關鍵技術之一。2003年清華大學高上凱小組運用CSSD算法對EEG信號進行特徵提取，取得了良好的識別效果。CSSD是一種針對多通道腦電數據的空域濾波算法，它的作用是提取任務相關的信號分量而抑制任務不相關的分量和噪聲。CSSD對處理EEG信號的事件相關同步化 (event-related synchronization,ERS)現象非常有效。其不足在於構建的特徵向量的特徵值穩定性低，區分度比較差，尤其是在小樣本時更加明顯。
發明內容
針對運動想像BCI系統中，在訓練樣本較少的情況下CSSD特徵提取方法存在特徵值不穩定、分類準確率低等問題，提出新的基於CSSD的特徵提取方法。本發明採集η位健康實驗者的EEG信號，採樣頻率為128Hz。選取一位實驗者為目標實驗者，則其餘的為輔助實驗者。要求實驗者執行想像左手任務和想像右手任務。然後引入正則化參數P和 σ，在正則化參數的作用下，將目標實驗者的訓練樣本和輔助實驗者的訓練樣本進行結合作為目標實驗者的訓練樣本。將正則化方法和CSSD方法相結合，即為正則化共空域子空間 (Regularized Common Special Subspace Decomposition, R-CSSD)分角軍算法。然後利用 R-CSSD構造的正則化空間濾波器對目標實驗者的測試樣本進行空間濾波，提取特徵向量。 最後，利用KNN分類器完成對目標實驗者測試樣本的分類。本發明是基於由腦電圖儀和PC機構成的硬體平臺，通過電極帽採集EEG信號，然後將EEG信號發送至PC機進行處理，利用PC機實現R-CSSD算法，並與KNN分類方法相結合完成對EEG信號的分類。通道是按照國際標準通道10-20系統安放，如圖2所示，圖中陰影部分為所選通道分布。採集3個通道的EEG數據，分別為'C3'、』 Cz'、『 C4'通道。本發明所利用的EEG信號處理方法主要包括以下步驟(1)採取η位實驗者想像左、右手運動的EEG信號，η為自然數且η大於4，採樣頻率為128Hz。要求實驗者安靜放鬆坐在椅子上，無動作；計算機屏幕上會顯示該時間段的起始時刻，要求實驗者按照向左、向右的箭頭提示進行左、右手的想像運動；在此過程會完整記錄腦電變化過程。每位實驗者想像左手運動時，其EEG信號對應的類別標註為A類，想像右手運動時，其EEG信號對應的類別標註為B類，)(A、)(B分別表示想像左、右手運動的EEG信號。根據臨床電生理學的研究成果，不同的肢體部位運動所激活的大腦皮層區域也各不相同。單邊肢體運動或想像運動能激活主要的感覺運動皮層，大腦對側產生事件相關去同步電位ERD (event-related desynchronization)，大腦同側產生事件相關同步電位 ERS (event-related synchronization)。ERD是指當某一皮層區域活躍起來時，特定頻率的節律性活動表現出幅度的降低，ERS是指當某一活動在一定時刻沒有使相關皮層區域明顯地活躍起來，特定頻率就表現出幅度升高。依據這一生理想像，利用8 30Hz帶通濾波器對採集到的EEG信號數據進行濾波，以獲取明顯的ERD/ERS生理現象。圖3為想像左右手運動時，C3和C4通道上的ERD/ERS現象。從圖3可以看出當實驗者想像左手運動時，C3通道的功率高於(；通道的功率。而想像右手運動時C4通道的功率高於C3的功率。(2)對η位實驗者進行順序編號，選定一位實驗者為目標實驗者，其他剩餘的η-1 位實驗者為輔助實驗者；(3)對採集的EEG信號進行8-30ΗΖ的帶通濾波。電生理學研究表明，運動想像會產生可檢測的運動傳感節律的功率變化。具體地說，運動想像導致頻率為8 12Hz的u節律和頻率為13 ^Hz的β節律的幅度壓制即事件相關去同步化ERD，或幅度增加即事件相關同步ERS。這些生理學上的節律信號可用於判別想像左右手運動的EEG信號。因此對採集的EEG信號進行8 30Hz的帶通濾波；
(4)對信號濾波之後，從目標實驗者A類和B類EEG信號中分別選取m個EEG信號作為訓練樣本，m為自然數且m小於20，則目標實驗者的其他EEG信號為測試樣本，然後從每位輔助實驗者的EEG信號中提取與目標實驗者相同數目的訓練樣本；(5)分別求目標實驗者A類和B類訓練樣本的協方差矩陣之和&與& ；所有輔助
實驗者A類和B類訓練樣本的協方差矩陣之和與；(6)引入正則化參數P和σ，在正則化參數的作用下，將(5)中目標實驗者的協方差矩陣之和與輔助實驗者的協方差之和相結合，構造兩類平均正則化協方差矩陣，如下所示
權利要求
1. 一種基於小訓練樣本的腦電信號特徵提取方法，基於由腦電圖儀和PC機構成的硬體平臺，通過電極帽採集EEG信號，然後將EEG信號發送至PC機進行處理，其特徵在於包括以下步驟(1)採取η位實驗者想像左、右手運動的EEG信號，η為自然數且η大於4，每位實驗者想像左手運動時，其EEG信號對應的類別標註為A類，想像右手運動時，其EEG信號對應的類別標註為B類，)(A、Xb分別表示想像左、右手運動的EEG信號；(2)對η位實驗者進行順序編號，選定一位實驗者為目標實驗者，其他剩餘的η-1位實驗者為輔助實驗者；(3)對採集的EEG信號進行8-30ΗΖ的帶通濾波；(4)對信號濾波之後，從目標實驗者A類和B類EEG信號中分別選取m個EEG信號作為訓練樣本，m為自然數且m小於20，則目標實驗者的其他EEG信號為測試樣本，然後從每位輔助實驗者的EEG信號中提取與目標實驗者相同數目的訓練樣本；(5)分別求目標實驗者A類和B類訓練樣本的協方差矩陣之和Ra與RB；所有輔助實驗者A類和B類訓練樣本的協方差矩陣之和Ra與RB ；(6)引入正則化參數P和σ，在正則化參數的作用下，將(5)中目標實驗者的協方差矩陣之和與輔助實驗者的協方差之和相結合，構造兩類平均正則化協方差矩陣，如下所示
全文摘要
本發明涉及腦-機接口(Brain-ComputerInterface，BCI)裝置中想像動作電位的特徵提取方法，具體講的是正則化方法與CSSD算法相結合的特徵提取方法。本發明引入正則化參數，在正則化參數的作用下將目標實驗者訓練數據的協方差矩陣和輔助實驗者訓練數據的協方差矩陣相結合構成正則化協方差矩陣，然後構造正則化空間濾波器。然後利用正則化空間濾波器對目標實驗者的測試數據進行特徵分析，在處理小樣本問題時，解決了CSSD算法中特徵值不穩定和分類準確率等問題。
文檔編號G06K9/62GK102306303SQ20111027436
公開日2012年1月4日 申請日期2011年9月16日 優先權日2011年9月16日
發明者於建均, 崔燕, 李明愛, 李驤, 楊金福, 阮曉鋼, 陸嬋嬋, 馬建勇, 龔道雄 申請人:北京工業大學