本發(fā)明屬于智能信息處理領(lǐng)域，具體涉及一種結(jié)合公共空間模式算法和emd(經(jīng)驗(yàn)?zāi)Ｊ椒纸?的腦電信號特征提取方法。

背景技術(shù)：

腦機(jī)接口是一種基于腦電信號實(shí)現(xiàn)人腦與計(jì)算機(jī)或其他設(shè)備之間通信和控制的接口，通過大腦活動產(chǎn)生的腦電信號(electroencephalogram,eeg)為人類和環(huán)境之間提供了新的通信和控制渠道，拓寬了人類的控制能力，具有廣泛的應(yīng)用前景。該領(lǐng)域的發(fā)展不僅幫助癱瘓病人使用計(jì)算機(jī)、神經(jīng)假體、機(jī)器臂等電子設(shè)備，也實(shí)現(xiàn)了包括：運(yùn)動恢復(fù)、通信、環(huán)境控制甚至娛樂等其他功能。

目前，基于eeg的腦機(jī)接口主要包含五個(gè)主要步驟：獲取信號、預(yù)處理、特征提取、特征分類和接口設(shè)備控制。在以上步驟中：因?yàn)橛行У卦诮稻S特征空間展現(xiàn)了輸入信號特征并適用于進(jìn)一步標(biāo)識不同想象運(yùn)動腦電信號的判別信息，特征提取在bci研究界受到廣泛的關(guān)注。

作為基于運(yùn)動想象的腦機(jī)接口(motorimagery-braincomputerinterface,mi-bci)系統(tǒng)的信號源，包括腦電圖(eeg)和腦皮層電圖(electrocorticography,ecog)，eeg信號是一種弱的、非線性、非平穩(wěn)并且隨時(shí)間變化的信號。所以提出一種有效的特征提取方法是改善識別精度的關(guān)鍵。目前，時(shí)間-頻率分析作為處理智能信號一種潛在的強(qiáng)大方法并且被廣泛地應(yīng)用于腦信號的研究。傳統(tǒng)的時(shí)間-頻率方法包括：短時(shí)傅里葉變換(short-timefouriertransform,stft)，小波變換(wavelettransform,wt)，winger-ville分布，但是這些方法的本質(zhì)都是基于傅里葉變換，根據(jù)海森堡不確定性原理，該方法不可能同時(shí)得到時(shí)間-頻率的良好分辨率。近年，希爾伯特黃變換(hilbert-huangtransform,hht)作為另一種時(shí)間-頻率分析法已經(jīng)變得越來越流行，可以有效地分析非線性和非平穩(wěn)信號。原信號經(jīng)過經(jīng)驗(yàn)?zāi)Ｊ椒纸?empiricalmodedecomposition，emd)被分解為一系列固有模態(tài)函數(shù)(imfs)，隨后對每個(gè)固有模態(tài)函數(shù)進(jìn)行希爾伯特黃變換。hht不涉及海森堡不確定性原理可以獲得時(shí)域和頻域的高分辨率。目前它被廣泛應(yīng)用于許多信號處理領(lǐng)域，如雷達(dá)探測，地震信號和生物醫(yī)學(xué)信號等。

再者，由于eeg信號低空間分辨率，eeg信號構(gòu)成的bci系統(tǒng)需要進(jìn)行有效的空間濾波，從而確保從受試的相關(guān)腦域中提取特征信息。在這一方面，常用的算法有：共域空間分解(commonspatialpattern，csp)、獨(dú)立主成分分析(independentcomponentanalysis,ica)和共域空間譜模式(cssp)、濾波器csp(filterbankcommonspatialpattern,fbcsp)、判別濾波csp(discriminantfilteringcommonspatialpattern,dfbcsp)等多種csp的修改版本。

然而，傳統(tǒng)的csp客觀存在著需要大量的輸入通道以及缺乏頻率信息的不足之處，需要進(jìn)行改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于針對傳統(tǒng)公共空間模式算法的不足，本發(fā)明提出一種公共空間模式算法結(jié)合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾哪X電信號特征提取方法，利用三個(gè)通道emd分解后的固有模態(tài)函數(shù)進(jìn)行csp濾波，在csp的基礎(chǔ)上加入emd的頻域信息，可以很好地解決上述問題，為更好地進(jìn)行想象運(yùn)動判別提供了一個(gè)可選的途徑。

本發(fā)明解決上述技術(shù)問題所采取的技術(shù)方案為一種結(jié)合公共空間模式算法和emd的腦電信號特征提取方法，具體包括如下步驟：

步驟1：選取若干位受試者的腦電信號作為訓(xùn)練集和測試集，分別對單個(gè)受試者的c3、c4兩個(gè)通道中的信號進(jìn)行預(yù)處理；

步驟2：對預(yù)處理后的eeg信號x(t)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?，得到一系列固有模態(tài)函數(shù)imfi，并繪制所有固有模態(tài)函數(shù)的能譜圖；

步驟3：將單次試驗(yàn)的c3、c4通道前三階imf分量合并，構(gòu)成一個(gè)n*t的矩陣xi，i＝l表示想象左手運(yùn)動，i＝r表示想象右手運(yùn)動，其中，n為imf個(gè)數(shù)，可看作通道數(shù)，t為一次試驗(yàn)的采樣點(diǎn)個(gè)數(shù)，即窗口長度，整個(gè)實(shí)驗(yàn)過程包含g組試驗(yàn)，共得到g組向量矩陣，分為g1組測試向量矩陣和g2組訓(xùn)練向量矩陣，分別進(jìn)行公共空間模式分解。

進(jìn)一步，上述步驟2中，對eeg信號進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸獾木唧w步驟如下：

(1)判斷每個(gè)x(t)的局部極值，用三次樣條曲線進(jìn)行曲線擬合，局部極大值形成上包絡(luò)emax(t),局部極小值形成下包絡(luò)emin(t)；

(2)求emax(t)和emin(t)的均值：

(3)計(jì)算輸入信號x(t)和m(t)的差值:

c(t)＝x(t)-m(t)(2)；

如果c(t)不能滿足imf的定義截至條件，重復(fù)上述過程(1)-(3)，否則，提取c(t)作為固有模態(tài)函數(shù)，剩余量r(t)計(jì)算如下：

r(t)＝x(t)-c(t)(3)；

(4)剩余量作為一個(gè)新的數(shù)據(jù)經(jīng)過相同的篩選過程以獲得下一個(gè)更低頻率的固有模態(tài)函數(shù)，直到剩余函數(shù)r(t)為一個(gè)單調(diào)函數(shù)或者僅有一個(gè)極致時(shí)，分解過程停止，假設(shè)原始信號x(t)被分解為n個(gè)固有模態(tài)函數(shù)和一個(gè)剩余函數(shù)量r(t)，可以得重構(gòu)信號：

進(jìn)一步，上述公共空間模式分解的算法包括如下步驟：

步驟1：xl和xr表示預(yù)處理過的eeg矩陣，下標(biāo)l和r分別代表左右想象運(yùn)動和右手想象運(yùn)動，n*t維，n為通道數(shù)，t為采樣點(diǎn)數(shù)，標(biāo)準(zhǔn)化的空間協(xié)方差表示為：

步驟2：對復(fù)合協(xié)方差矩陣進(jìn)行對角化分解：

白化矩陣：

對平均協(xié)方差矩陣進(jìn)行變形：

sl和sr有共同的特征向量，滿足下式：

sl＝b∑lb^t(11)

sr＝b∑rb^t(12)

∑l+∑r＝i(13)；

步驟3：成分選擇，構(gòu)造空間濾波器，sl最大特征值對應(yīng)的特征向量對應(yīng)sr最小特征值，反之亦然，對應(yīng)白化eeg的最大特征值的特征向量進(jìn)行變換，可以獲得兩個(gè)信號矩陣的最優(yōu)分離方差，投影矩陣w表示為：

w＝u^tp(14)

此處w即空間濾波器，原始的eeg信號x(t)經(jīng)過w可以被投影得到新的數(shù)據(jù)集z0，如式13所示：

z0＝x(t)·w(15)

構(gòu)建矩陣z＝[z1,z2,…,z2m]∈r^n×2m由z0的前行和后m行構(gòu)成，特征向量f＝[f1,f2,…,f2m]^t∈r^2m×1即定義為：

其中，該公共空間模式算法的成分選擇算法即為通過選擇最大的m個(gè)特征值和最小的m個(gè)特征值所對應(yīng)的2m個(gè)特征向量構(gòu)造空間濾波器w的過程。

上述成分選擇算法的具體步驟如下：

(1)使用對eeg信號進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸鈺r(shí)采用的結(jié)合公共空間模式算法的特征提取過程進(jìn)行計(jì)算，選取所有的特征向量組成空間濾波器w；

(2)記原始輸入的m組n*t的矩陣數(shù)據(jù)為data1，對data1用上述濾波器w進(jìn)行濾波，濾波后的數(shù)據(jù)為data2；

(3)計(jì)算data2中六個(gè)通道數(shù)據(jù)的能量，其中包含c3電極前三階imf分量和c4電極前三階imf分量，選取每組訓(xùn)練集中不同類別之間能量差異最明顯的前三對分量對應(yīng)的特征向量，構(gòu)成新的濾波器w′；

(4)選若干組測試數(shù)據(jù)作為data3，使用改進(jìn)后的濾波器w′進(jìn)行濾波，按照公式16進(jìn)行特征提取。

進(jìn)一步，空間濾波后使用支持向量機(jī)進(jìn)行特征分類，其具體步驟如下：

(1)對于非線性eeg問題，將特征集通過非線性變換轉(zhuǎn)化為另一個(gè)空間中的線性問題，構(gòu)造最優(yōu)分類面，相應(yīng)的最優(yōu)決策函數(shù)為：

其中n為支持向量個(gè)數(shù)，αi為lagrangue乘子，從而目標(biāo)函數(shù)變?yōu)槭瓜率阶钚』?/p>

核參數(shù)γ和誤差懲罰因子c是影響svm性能的主要參數(shù)，γ的取值影響空間變換后的數(shù)據(jù)分布，懲罰因子c則決定了支持向量機(jī)的收斂速度及推廣能力；因此，對γ和c的選擇很大程度上影響了腦電信號的識別率；

(2)采用網(wǎng)格化交叉驗(yàn)證方法進(jìn)行γ和c最優(yōu)參數(shù)的選擇，將訓(xùn)練集作為原始的數(shù)據(jù)集，在一定范圍內(nèi)改變核函數(shù)和懲罰因子的值，運(yùn)用交叉驗(yàn)證方法進(jìn)行分類，選擇分類準(zhǔn)確率最高的γ和c作為最佳參數(shù)；

(3)確定γ和c后，將測試集輸入訓(xùn)練好的支持向量機(jī)進(jìn)行特征分類。

作為優(yōu)選，上述γ和c最優(yōu)參數(shù)可以采用γ＝0.435275，c＝6.9644。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

1、本發(fā)明利用三個(gè)通道emd分解后的固有模態(tài)函數(shù)進(jìn)行csp濾波，在csp的基礎(chǔ)上加入emd的頻域信息，很好地解決csp缺乏頻域信息的問題。

2、本發(fā)明將經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蟮亩嚯A固有模態(tài)函數(shù)看作多輸入信號進(jìn)行公共空間模式分解，在僅使用c3，c4，cz三個(gè)通道的情況下，獲得較好的特征分類結(jié)果，解決一般csp算法需要大量輸入通道問題。

3、針對空間濾波器構(gòu)造做出改進(jìn)：計(jì)算公共空間模式算法濾波后數(shù)據(jù)在不同類別狀態(tài)下的能量差異選取空間濾波器的構(gòu)造成分，構(gòu)造新的空間濾波器，獲取特征向量組，得到更具判別性的特征。

附圖說明

圖1為本發(fā)明方法流程圖。

圖2為eeg信號采集流程圖。

具體實(shí)施方式

下面結(jié)合說明書附圖對本發(fā)明作進(jìn)一步的詳細(xì)說明。

本發(fā)明主要基于如下內(nèi)容：1、基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾膃eg信號處理；2頻域能量分析；3根據(jù)頻譜分析篩選固有模態(tài)函，并進(jìn)行公共空間模式分解，解決csp多輸入、缺頻域信息的問題；4、支持向量機(jī)分類。

如圖1所示，本發(fā)明所述方法包括如下步驟：

步驟1：采集各位受試的腦電信號，信號采集流程如圖2所示。選取9位受試的腦電信號作為訓(xùn)練集和測試集，分別對單個(gè)受試c3、c4兩個(gè)通道中的信號進(jìn)行預(yù)處理；包括基線校正、ica去偽跡、5-30hz帶通濾波；

步驟2：對預(yù)處理后的eeg信號x(t)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?；得到一系列固有模態(tài)函數(shù)imfi(i為固有模態(tài)函數(shù)的階數(shù))并繪制所有固有模態(tài)函數(shù)能譜圖；

eeg信號進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸獾木唧w步驟如下：

(1)判斷每個(gè)x(t)的局部極值，用三次樣條曲線進(jìn)行曲線擬合，局部極大值形成上包絡(luò)emax(t),局部極小值形成下包絡(luò)emin(t)。

(2)求emax(t)和emin(t)的均值：

(3)計(jì)算輸入信號x(t)和m(t)的差值:

c(t)＝x(t)-m(t)(2)

如果c(t)不能滿足imf的定義截至條件，重復(fù)上述過程(1)-(3)，否則，提取c(t)作為固有模態(tài)函數(shù)，剩余量r(t)計(jì)算如下：

r(t)＝x(t)-c(t)(3)

(4)剩余量作為一個(gè)新的數(shù)據(jù)經(jīng)過相同的篩選過程以獲得下一個(gè)更低頻率的固有模態(tài)函數(shù)。直到剩余函數(shù)r(t)為一個(gè)單調(diào)函數(shù)或者僅有一個(gè)極致時(shí)，分解過程停止。假設(shè)原始信號x(t)被分解為n個(gè)固有模態(tài)函數(shù)和一個(gè)剩余函數(shù)量r(t)，可以得重構(gòu)信號：

步驟3：將次試驗(yàn)的c3，c4通道前三階imf分量合并，構(gòu)成一個(gè)6*2000的矩陣xi(i＝l表示想象左手運(yùn)動，i＝r表示想象右手運(yùn)動)，其中，6為imf個(gè)數(shù)，可看作通道數(shù)，2000為一次試驗(yàn)的采樣點(diǎn)個(gè)數(shù)，即窗口長度。整個(gè)實(shí)驗(yàn)過程包含120組試驗(yàn)，共得到120組向量矩陣，分為40組測試向量矩陣和80組訓(xùn)練向量矩陣，分別進(jìn)行公共空間模式分解。

公共空間模式算法包括如下步驟：

(1)xl和xr表示預(yù)處理過的eeg矩陣(下標(biāo)l和r分別代表左右想象運(yùn)動和右手想象運(yùn)動)，n*t維，n為通道數(shù)，t為采樣點(diǎn)數(shù)。標(biāo)準(zhǔn)化的空間協(xié)方差表示為：

(2)對復(fù)合協(xié)方差矩陣進(jìn)行對角化分解：

白化矩陣：

對平均協(xié)方差矩陣進(jìn)行變形：

sl和sr有共同的特征向量，滿足下式：

sl＝bσlb^t(11)

sr＝bσrb^t(12)

σl+σr＝i(13)

(3)sl最大特征值對應(yīng)的特征向量對應(yīng)sr最小特征值，反之亦然。對應(yīng)白化eeg的最大特征值的特征向量進(jìn)行變換，可以獲得兩個(gè)信號矩陣的最優(yōu)分離方差。投影矩陣w表示為：

w＝u^tp(14)

此處w即空間濾波器，原始的eeg信號x(t)經(jīng)過w可以被投影得到新的數(shù)據(jù)集z0，如式(13)所示：

z0＝x(t)·w(15)

在傳統(tǒng)的csp算法中，構(gòu)建矩陣z＝[z1,z2,…,z2m]∈r^n×2m由z0的前行和后m行構(gòu)成，特征向量f＝[f1,f2,…,f2m]^t∈r^2m×1即定義為：

記原始輸入數(shù)據(jù)為data1，對data1用上述濾波器w進(jìn)行濾波，濾波后的數(shù)據(jù)為data2，計(jì)算data2中所有通道(c3電極前三階imf分量和c4電極前三階imf分量)數(shù)據(jù)的能量，選取每組訓(xùn)練集中不同類別之間能量差異最明顯的前三對分量對應(yīng)的特征向量，構(gòu)成新的濾波器w′；

(4)測試集數(shù)據(jù)使用改進(jìn)后的濾波器w′進(jìn)行濾波，按照公式(16)進(jìn)行特征提取，從受試01左右手想象運(yùn)動時(shí)單次trial的腦電信號emd分解后前三階imf分量經(jīng)過csp空域?yàn)V波后特征的腦地形圖可見：在進(jìn)行兩類想象運(yùn)動時(shí)，c3、c4電極能量相差較大，同時(shí)，想象左手運(yùn)動和時(shí)c4電極明顯比c3電極活躍，想象右手運(yùn)動時(shí)則剛好相反，表現(xiàn)為c3電極比c4活躍，這與運(yùn)動想象中時(shí)間按相關(guān)同步/去同步特性剛好相符。由此說明，該特征可以有效表征出“源”的空間位置信息，可以作為分類特征。

步驟4：使用支持向量機(jī)進(jìn)行特征分類，其具體步驟如下：

(1)對于非線性eeg問題，將特征集通過非線性變換轉(zhuǎn)化為另一個(gè)空間中的線性問題，構(gòu)造最優(yōu)分類面。相應(yīng)的最優(yōu)決策函數(shù)為：

其中n為支持向量個(gè)數(shù)，αi為lagrangue乘子。從而目標(biāo)函數(shù)變?yōu)槭瓜率阶钚』?/p>

核參數(shù)γ和誤差懲罰因子c是影響svm性能的主要參數(shù)。γ的取值影響空間變換后的數(shù)據(jù)分布，懲罰因子c則決定了支持向量機(jī)的收斂速度及推廣能力；因此，對γ和c的選擇很大程度上影響了腦電信號的識別率。

(2)采用網(wǎng)格化交叉驗(yàn)證方法進(jìn)行γ和c最優(yōu)參數(shù)的選擇，將訓(xùn)練集作為原始的數(shù)據(jù)集，在一定范圍內(nèi)改變核函數(shù)和懲罰因子的值，運(yùn)用交叉驗(yàn)證方法進(jìn)行分類，選擇分類準(zhǔn)確率最高的γ和c作為最佳參數(shù)。

(3)確定γ＝0.435275，c＝6.9644后，將測試集輸入訓(xùn)練好的支持向量機(jī)進(jìn)行特征分類。

綜上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此。在發(fā)明所披露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明所揭露的技術(shù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。