專利名稱：基于有效時間序列和電極重組的腦電信號分類系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種腦電信號的處理和分析方法，特別是涉及一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)和方法。
背景技術(shù)：
在當今這個人際關(guān)系日益緊密的社會，正確地識別他人的表情有重要的生存意義。這不僅可以使人們及時調(diào)節(jié)自己的行為來適應(yīng)環(huán)境，而且還能有效地避免不必要的危險，有利于社會交往和環(huán)境適應(yīng)。同時，對正常人的研究也可為臨床診斷和治療提供參考， 用于預(yù)防和治療工作。目前，人臉表情識別技術(shù)主要的應(yīng)用領(lǐng)域包括人機交互、安全、機器人制造、醫(yī)療、通信和汽車領(lǐng)域等。
在有關(guān)表情識別的文獻中，主要通過圖像表情識別和語音信號分析來判斷表情， 但這些表情評估的傳統(tǒng)方法具有主觀性，很容易被他人所否認。然而另一種可用的表情識別辦法是生理腦電信號分析，它是一個更直觀、有效的表情識別手段，因為表情狀態(tài)本來就是由神經(jīng)系統(tǒng)的活動來反映的。發(fā)明內(nèi)容
本發(fā)明的目的在于針對表情刺激產(chǎn)生的腦電信號，提出一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)和方法。以避免特征的主觀性，通過采用并行計算策略提高執(zhí)行效率。
本發(fā)明是采用以下技術(shù)手段實現(xiàn)的
一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)，包括腦電信號采集模塊、腦電信號預(yù)處理模塊、腦電信號特征選擇模塊、腦電信號表情分類實施模塊。
腦電信號信息采集模塊，采集被試在高興、中性和悲傷的不同表情刺激下的原始腦電信號，并將采集到的腦電信號傳遞給腦電信號預(yù)處理模塊；腦電信號預(yù)處理模塊將采集到的原始腦電信號進行去噪(噪聲包括水平眼電和垂直眼電)，之后將純凈的腦電信號轉(zhuǎn)換成全局場強送入腦電特征選擇模塊；腦電信號特征選擇模塊，通過全局場強腦電信號的峰值特征確定腦電信號的有效時間區(qū)域，在對有效時間區(qū)域上的腦電信號進行電極重組，將重組后的腦電信號降維后視為腦電信號表情識別的最終特征，并將此特征傳送到腦電信號表情分類實施模塊；腦電信號表情分類實施模塊用經(jīng)典分類算法(Fisher分類器) 進行腦電信號分類。
一種基于有效時間序列和電極重組的腦電信號分類方法，包括以下步驟
步驟1，受試者帶上電極帽，原始腦電信號是通過66導(dǎo)國際腦電圖學會標定的 10/20法的EEG放大器進行采集，并選取所有電極位置，采集不同表情刺激過程的受試者腦電信號；
步驟2，將采集到的腦電信號輸入到預(yù)處理模塊，預(yù)處理模塊主要對采集到的腦電信號進行去噪，并得到腦電信號的全場強，腦電信號的全場強即為所有電極信號的疊加平均值；
步驟3，通過特征提取模塊對腦電信號全場強的分析，確定腦電信號特征選擇的有效時間區(qū)域；
步驟4，由于不同電極產(chǎn)生的腦電信號具有不同的生理學意義，因此通過特征提取模塊對特征選擇的腦電信號進行電極重組；
步驟5，為了降低腦電信號的冗余信息，對步驟4所得到的重組后的腦電信號通過主成分分析(PCA)方法進行降維；
步驟6，對特征提取模塊提取后的腦電信號使用腦電信號表情分類實施模塊中的線性判別函數(shù)分類器(Fisher)進行分類學習與測試；
測試表情識別時，通過腦電信號采集模塊，采集待測被試的腦電信號，將腦電信號送入腦電信號預(yù)處理模塊，去除噪聲后，再根據(jù)腦電信號特征提取模塊計算生成被試對應(yīng)的特征向量，然后將這一特征向量送入腦電信號表情分類實施模塊，最后得到表情刺激的腦電信號分類結(jié)果。
腦電信號的有效時間區(qū)域的選擇，根據(jù)全局場強的峰值和高能量值來確定的有效時間區(qū)域；電極重組的過程是在有效時間區(qū)域的基礎(chǔ)上，對不同電極進行重新組合的過程； 腦電信號表情分類的過程是在并行的基礎(chǔ)上，對選擇的腦電信號特征進行分類。
本發(fā)明一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)和方法，與現(xiàn)有技術(shù)相比具有以下優(yōu)點
1、與傳統(tǒng)方法相比，本發(fā)明利用生理腦電信號，避免了特征的主觀性。
2、本發(fā)明在步驟(3)中根據(jù)腦電信號的全場強進行特征選擇是一種合理且有效的新方法。
3、本發(fā)明在步驟(5)中所使用的主成分分析方法是統(tǒng)計學習中的經(jīng)典方法，在許多數(shù)值計算平臺中能夠找到比較成熟的實現(xiàn)算法。
4、本發(fā)明的主要計算量集中在步驟(6)，由于在步驟(4)會產(chǎn)生多種電極組合，因此步驟(6)要對每種組合下的腦電特征進行分類器訓(xùn)練和評價，因此可以采用并行計算策略來提高執(zhí)行效率。


圖1是本發(fā)明所涉及方法全過程的流程圖與系統(tǒng)模塊劃分情況；
圖2是本發(fā)明所涉及采集腦電信號的實驗設(shè)計流程圖3是本發(fā)明所涉及基于全場強的腦電信號圖4是本發(fā)明圖1中“腦電信號處理”部分的具體流程。
具體實施方式
下面結(jié)合具體實施方式
對本發(fā)明做進一步的說明。
本發(fā)明在訓(xùn)練表情識別分類器時的步驟有如下6個步驟
首先在步驟1中根據(jù)設(shè)計好的實驗進行腦電信號的采集，在試驗采集的過程中， 選用三類人臉表情作為刺激圖片，包括高興表情、中性表情和悲傷表情，每個表情有18種臉型，每個被試者執(zhí)行408次試驗，三類任務(wù)各占136次。每次試驗過程如下首先給被試者顯示提示語，待被試者按下空格鍵后，顯示一個正向或倒向的，表情為高興、中性、悲傷三種表情之一的圖片，待被試者對表情進行清楚辨別并按下相應(yīng)的按鍵后，表示一次試驗結(jié)束，具體過程如圖2所示。被試數(shù)據(jù)采集自12名年齡在20-30歲的健康人。
接下來對步驟1采集到的原始腦電信號進行預(yù)處理，預(yù)處理模塊包括2個步驟
步驟2. 1由于腦電信號微弱，極易受到眼電信號的影響。因此，去除腦電信號中的噪聲就顯得尤為重要，本發(fā)明方法中利用Neurc^can軟件對采集到的腦電信號進行去噪。
步驟2. 2在步驟2. 1獲得清潔的腦電信號EEG的基礎(chǔ)上，通過Neurc^can軟件獲得66導(dǎo)電極原始腦電信號對應(yīng)的全場強，即GFP，它是通過對各個電極的信號進行疊加平均得到的。
接下來步驟3根據(jù)特征提取模塊對三類原始腦電信號的全場強(GFP)進行對比分析，如圖3所示，結(jié)果發(fā)現(xiàn)全場強的峰值分布在88ms、15%is、232ms處，而350ms-650ms 處為慢電位反映。因此，我們根據(jù)全場強(GFP)能量的時間分布(70-110mS，125mS-185mS， 200ms-250ms,350ms-650ms)來確定原始腦電信號(EEG)特征選擇的有效時間段(即有效時間區(qū)域)。
步驟4中，特征提取模塊中我們采用啟發(fā)式研究方法，啟發(fā)函數(shù)是線性判別函數(shù)分類器的性能，即我們以性能優(yōu)劣來分析重組的有效性。首先通過電極重組對腦電信號特征選擇做進一步提取，即在步驟3所確定的有效特征區(qū)域進行重組，重組的過程是采用窮舉的方式按照不同時間區(qū)域和不同電極進行排列組合。公式如下
X =(1)‘ J
i e {1，-,64}, j e {1，-,5},r1第i個電極的腦電信號 「I第_/+段時間序列的腦電信號、0其它
其中，i是電極個數(shù)，j是時間序列段個數(shù)，Eij指的是第i個電極第j個時間段的腦電信號，當Cii = I時，表示第i個單電極的腦電信號被作為特征，當= I時，表示第 j個時間區(qū)域的腦電信號被作為特征。
接下來步驟5對步驟4中各種的電極組合進行主成分分析方法降維。因為當腦電信號特征選擇進行電極重組后，都會產(chǎn)生高維的腦電信號，從而影響了腦電信號的分類效率和結(jié)果，所以腦電信號的降維過程顯得尤為重要。本專利把腦電信號特征降到400維。
之后步驟6對降維后的腦電信號使用腦電信號表情分類實施模塊中的線性判別函數(shù)分類器進行分類，由于步驟4中腦電信號重組的過程選用窮舉方式，經(jīng)驗可知，窮舉方法帶來了計算空間大，復(fù)雜度高的問題，因此，在這里我們?yōu)榻鉀Q這個問題引入并行計算， 并行主要針對分類過程，通過并行運算從而大大提高了分類時間和速率。如圖4，詳細顯示步驟2-6的具體流程。
本發(fā)明在測試表情識別時的步驟如下
通過腦電信號采集模塊，采集待測被試的腦電信號(方法與上述對應(yīng)步驟一致)， 將腦電信號送入腦電信號預(yù)處理模塊，去除噪聲后，再根據(jù)腦電信號特征提取模塊計算生成被試對應(yīng)的特征向量(方法與上述對應(yīng)步驟一致)，然后將這一特征向量送入腦電信號表情分類實施模塊，最后生成基于表情刺激的分類結(jié)果。結(jié)果表明，最高識別率超過了
彳 其它，代90 %，平均識別率在85 %左右，能夠?qū)崿F(xiàn)對表情刺激的腦電信號識別。
權(quán)利要求
1.一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)，包括腦電信號采集模塊、腦電信號預(yù)處理模塊、腦電信號特征選擇模塊、腦電信號表情分類實施模塊；其特征在于所述的生理腦電信號信息采集模塊，在高興、中性和悲傷的不同表情刺激下采集的原始腦電信號，并將采集到的腦電信息傳遞給腦電信號預(yù)處理模塊；所述的腦電信號預(yù)處理模塊將采集到的原始腦電信號進行去噪，之后將純凈的腦電信號轉(zhuǎn)換成全局場強送入特征選擇模塊；所述的腦電信號特征選擇模塊，通過全局場強腦電信號的峰值特征確定腦電信號的有效時間區(qū)域，在對有效時間區(qū)域上的腦電信號進行電極重組，將重組后的腦電信號視為腦電信號表情識別的特征，并將特征傳送到腦電信號表情分類實施模塊； 所述的腦電信號表情分類實施模塊用經(jīng)典分類算法進行腦電信號分類。
2.根據(jù)權(quán)利要求1所述的基于有效時間序列和電極重組的腦電信號分類系統(tǒng)，其特征在于所述的經(jīng)典分類算法采用Fisher分類器。
3.一種基于有效時間序列和電極重組的腦電信號分類方法，其特征在于包括以下步驟步驟1，受試者帶上電極帽，原始腦電信號是通過放大器進行采集，并選取所有電極位置，采集不同表情刺激過程的受試者腦電信號；步驟2，將采集到的腦電信號進行預(yù)處理模塊后輸入特征提取模塊系統(tǒng)，預(yù)處理模塊包括對采集到的腦電信號進行去噪，并得到腦電信號的全場強，腦電信號的全場強即為所有電極信號的疊加平均值；步驟3，根據(jù)特征提取模塊對腦電信號全場強的分析，確定腦電信號特征選擇的有效時間區(qū)域；步驟4，根據(jù)特征提取模塊對特征選擇的腦電信號進行電極重組； 步驟5，對步驟4所得到的重組后的腦電信號通過主成分分析方法進行降維； 步驟6，對特征提取模塊提取后的腦電信號使用腦電信號表情分類實施模塊中線性判別函數(shù)分類器進行分類學習與測試；測試表情識別時，通過腦電信號采集模塊，采集待測被試的腦電信號，將腦電信號送入腦電信號預(yù)處理模塊，去除噪聲后，再根據(jù)腦電信號特征提取模塊計算生成被試對應(yīng)的特征向量，然后將這一特征向量送入腦電信號表情分類實施模塊，最后得到分類結(jié)果。
4.根據(jù)權(quán)利要求3所述的基于有效時間序列和電極重組的腦電信號分類方法，所述的放大器為66導(dǎo)國際腦電圖學會標定的10/20法的EEG放大器。
5.根據(jù)權(quán)利要求3所述的基于有效時間序列和電極重組的腦電信號分類方法，其特征在于所述腦電信號的有效時間區(qū)域的選擇，根據(jù)全局場強的峰值和高能量值來確定的有效時間區(qū)域；所述電極重組的過程是在有效時間區(qū)域的基礎(chǔ)上，對不同電極進行重新組合的過程； 所述腦電信號表情分類的過程是在并行的基礎(chǔ)上，對選擇的腦電信號特征進行分類。
全文摘要
本發(fā)明公開了一種基于有效時間序列和電極重組的腦電信號分類系統(tǒng)和方法，實現(xiàn)了通過采集分析人腦的腦電信號來實現(xiàn)對三類人物表情(高興、中性和悲傷)的識別。主要包括腦電信號的采集過程和腦電信號的分析處理過程。通過對被試者進行不同表情刺激，采集不同的腦電信號；首先根據(jù)腦電信號全場強的能量分布來確定有效的腦電信號的特征空間，之后將對應(yīng)特征空間的原始腦電信號進行PCA降維，并對具有分類優(yōu)勢的腦電信號進行重組，最后選擇線性判別函數(shù)分類器進行分類。表情識別時，只需將采集的腦電信號提取出目標特征，進行分類，即可確定識別結(jié)果。能夠?qū)崿F(xiàn)基于人物表情刺激的腦電信號的識別。本發(fā)明引入人的認知，具有客觀、高效的優(yōu)點。
文檔編號A61B5/0476GK102499676SQ20111034431
公開日2012年6月20日 申請日期2011年11月3日 優(yōu)先權(quán)日2011年11月3日
發(fā)明者吳春鵬, 張祺, 楊震, 段立娟, 王學彬, 苗軍 申請人:北京工業(yè)大學