本發(fā)明屬于腦電信號(hào)處理，尤其是基于腦電信號(hào)的注意力識(shí)別領(lǐng)域，具體是一種基于腦電特征融合選擇的四維注意力識(shí)別方法。

背景技術(shù)：

1、注意力是指人的心理活動(dòng)指向和集中于某種事物的能力，它是真實(shí)的，也是被研究最徹底的心理現(xiàn)象之一。大多數(shù)研究關(guān)注于狹義的注意力，僅用單一維度的注意力品質(zhì)認(rèn)定個(gè)人的綜合注意力水平。事實(shí)上，注意力由多向度的結(jié)構(gòu)構(gòu)成，不能僅由單一概念的界定，其內(nèi)涵應(yīng)包括4個(gè)具體品質(zhì)的發(fā)展：1)注意的廣度(指?jìng)€(gè)體在同一時(shí)間內(nèi)所能清楚地覺察客體的數(shù)量)；2)注意的穩(wěn)定性(指注意長(zhǎng)時(shí)間地保持在從事某種活動(dòng)上)；3)注意的分配(指?jìng)€(gè)體在從事兩種或多種活動(dòng)時(shí)能把注意同時(shí)指向不同對(duì)象的能力)；4)注意的轉(zhuǎn)移(指?jìng)€(gè)體根據(jù)一定目的主動(dòng)把注意從一種活動(dòng)轉(zhuǎn)向另一種活動(dòng))。

2、注意力識(shí)別常常基于主觀量表、問卷等方式，但這些方法無(wú)法做到客觀準(zhǔn)確。越來越多的學(xué)者聚焦于腦科學(xué)研究，腦電信號(hào)也被證實(shí)可作為研究注意力的最精準(zhǔn)高效的生理依據(jù)之一。通過對(duì)腦電信號(hào)進(jìn)行預(yù)處理、特征提取與選擇，并利用機(jī)器學(xué)習(xí)分類算法可以實(shí)現(xiàn)對(duì)注意力水平的識(shí)別評(píng)價(jià)，從而準(zhǔn)確地把握注意力狀態(tài)。

3、基于腦電信號(hào)的注意力識(shí)別主要考慮識(shí)別準(zhǔn)確率以及識(shí)別復(fù)雜度兩個(gè)方面，也就是精度和效率問題。單一特征包含的有效信息不夠豐富，無(wú)法達(dá)到較好的分類識(shí)別效果，因此需要提取多個(gè)腦電特征的多個(gè)電極通道參數(shù)以獲得較高的識(shí)別準(zhǔn)確率，然后過高的特征維度會(huì)導(dǎo)致模型存在較大冗余，大大增加了運(yùn)算復(fù)雜度并會(huì)一定程度影響分類識(shí)別精度，易產(chǎn)生過擬合現(xiàn)象導(dǎo)致模型的泛化性能較差。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有研究的不足，本發(fā)明提供了一種基于腦電特征融合選擇的四維注意力識(shí)別方法，在基于腦電的注意力識(shí)別任務(wù)上，構(gòu)建多域特征融合向量改進(jìn)了傳統(tǒng)單特征識(shí)別方法，引入“relieff-sbe-l1”三層混合特征選擇模型克服特征冗余計(jì)算復(fù)雜的問題，對(duì)于分配、廣度、穩(wěn)定性、轉(zhuǎn)移的四維注意力狀態(tài)，能夠?qū)崿F(xiàn)高效的識(shí)別效果。

2、本發(fā)明提供了一種基于腦電特征融合選擇的四維注意力識(shí)別方法，包括如下步驟：

3、步驟1、實(shí)驗(yàn)范式設(shè)計(jì)：基于注意力的分配、注意力的廣度、注意力的穩(wěn)定性以及注意力的轉(zhuǎn)移這四個(gè)維度的注意力品質(zhì)發(fā)展，設(shè)計(jì)誘發(fā)四維注意力實(shí)驗(yàn)；

4、步驟2、腦電信號(hào)采集：利用腦電采集設(shè)備在誘發(fā)四維注意力的同時(shí)進(jìn)行腦電信號(hào)采集；

5、步驟3：信號(hào)預(yù)處理：基于eeglab工具箱以及matlab軟件對(duì)步驟2采集的原始混合腦電信號(hào)進(jìn)行預(yù)處理；

6、步驟4：特征提取融合：從步驟3處理后的腦電信號(hào)中，基于時(shí)域、頻域和時(shí)頻域比較提取16個(gè)特征，每個(gè)特征均包含17個(gè)電極通道的參數(shù)，對(duì)提取的特征參數(shù)進(jìn)行融合構(gòu)建多域特征融合向量；

7、步驟5、特征選擇降維：使用“relieff-sbe-l1”三層混合特征選擇模型對(duì)步驟4獲得的多域融合特征向量進(jìn)行特征選擇降維。

8、步驟6：svm識(shí)別：將步驟5得到的多域特征融合向量導(dǎo)入svm分類器實(shí)現(xiàn)四維注意力識(shí)別。

9、進(jìn)一步的，所述步驟2中，腦電信號(hào)采集時(shí)，實(shí)驗(yàn)對(duì)象、實(shí)驗(yàn)環(huán)境及設(shè)備要求：

10、(1)、實(shí)驗(yàn)對(duì)象及環(huán)境：選擇在讀研究生或本科生，年齡在19-25歲之間，視力或矯正視力正常，無(wú)重大疾病史等條件的受試個(gè)體，安靜無(wú)干擾的環(huán)境；

11、(2)、實(shí)驗(yàn)設(shè)備：選擇多通道濕電極腦電采集儀器(17個(gè)通道)，配套導(dǎo)電膏、注射器以及19導(dǎo)電極帽。

12、進(jìn)一步的，所述步驟3包括如下步驟：

13、步驟3.1、eeglab工具箱處理；

14、使用eeglab工具箱電極定位，去除50hz的工頻干擾并1-40hz的帶通濾波，將采樣率降低至256hz后進(jìn)行壞段剔除，將信號(hào)以t3、t4雙側(cè)乳突電極重參考，進(jìn)行獨(dú)立成分分析ica，去除眼電、肌電、心電等偽跡成分。

15、步驟3.2、小波閾值去噪；

16、小波閾值去噪包括小波分解、閾值處理、小波重構(gòu)；選用db4小波進(jìn)行去噪，采用固定閾值計(jì)算公式其中n為信號(hào)長(zhǎng)度。

17、步驟3.3、樣本集生成；

18、對(duì)步驟3.2處理完的信號(hào)進(jìn)行樣本生成，選取時(shí)間長(zhǎng)度為5s，步長(zhǎng)為2.5s的時(shí)間窗口，即對(duì)腦電信號(hào)以5s的滑動(dòng)窗口進(jìn)行截取分段，重疊率為50％，得到樣本集。

19、進(jìn)一步的，所述步驟4包括如下步驟：

20、步驟4.1、獲取時(shí)域特征。

21、經(jīng)過分析比較，本發(fā)明選定以下統(tǒng)計(jì)特征及非線性特征共8個(gè)時(shí)域特征：

22、(1)標(biāo)準(zhǔn)差(std)，即方差的算數(shù)平方根：

23、x(i)為n點(diǎn)信號(hào)序列，為信號(hào)序列均值，f為標(biāo)準(zhǔn)差；

24、(2)hjorth活動(dòng)性參數(shù)(ha)，是指eeg信號(hào)的方差即信號(hào)功率，表示寬度：

25、σ0為信號(hào)的標(biāo)準(zhǔn)差，ha為hjorth活動(dòng)性參數(shù)。

26、(3)hjorth移動(dòng)性參數(shù)(hm)，用于估計(jì)eeg信號(hào)的平均頻率：

27、σ1是信號(hào)一階導(dǎo)數(shù)的標(biāo)準(zhǔn)差，hm為hjorth移動(dòng)性參數(shù)。

28、(4)hjorth復(fù)雜性參數(shù)(hc)，是指一階導(dǎo)數(shù)相對(duì)于eeg本身的移動(dòng)性：

29、σ2是信號(hào)二階導(dǎo)數(shù)標(biāo)準(zhǔn)差，hc為hjorth復(fù)雜性參數(shù)。

30、(5)lempel-ziv復(fù)雜度(lzc)，是指不經(jīng)過數(shù)據(jù)的分解或變換，直接度量數(shù)據(jù)的復(fù)雜度用于表征對(duì)應(yīng)的時(shí)間序列：

31、cn為復(fù)雜度，n為循環(huán)次數(shù)，c為歸一化lempel-ziv復(fù)雜度。

32、(6)higuchi分形維數(shù)(hfd)，可以用于描述信號(hào)的復(fù)雜性和自相似性；

33、higuchi分形維數(shù)的值越大代表信號(hào)的自相似性越強(qiáng)，信號(hào)越復(fù)雜。本發(fā)明采用higuchi算法計(jì)算分形維數(shù)，對(duì)原始時(shí)間序列分k子段并計(jì)算子段的曲線長(zhǎng)度的平均值l(k)，根據(jù)lnl(k)與ln1/k之間的線性關(guān)系擬合得到一條直線，其斜率即為higuchi分形維數(shù)d。

34、(7)排列熵(pec)，用來檢測(cè)時(shí)間序列復(fù)雜度(隨機(jī)性)或動(dòng)力學(xué)突變的非線性方法，能夠定量評(píng)估信號(hào)中含有的隨機(jī)噪聲。

35、排列熵的值越小，說明信號(hào)越簡(jiǎn)單、規(guī)則；值越大，則信號(hào)越復(fù)雜、隨機(jī)。其基本原理算法流程如下表1所示：

36、表1排列熵算法原理

37、

38、

39、(8)樣本熵(sampen)，由近似熵改進(jìn)而來，用于描述時(shí)間序列的復(fù)雜性和維數(shù)改變時(shí)序列產(chǎn)生新模式的概率，其復(fù)雜度越高，概率越大，樣本熵值就越大。其算法如下表2所示：

40、表2樣本熵算法原理

41、

42、

43、本發(fā)明選定m＝2，r＝0.15σ的參數(shù)值計(jì)算17個(gè)電極通道的樣本熵特征。

44、步驟4.2、獲取頻域特征。

45、頻域特征提取需要從原始信號(hào)中分離出δ波、θ波、α波、β波進(jìn)行分析。由于腦電信號(hào)屬于非平穩(wěn)信號(hào)，本發(fā)明選用小波包分解對(duì)信號(hào)進(jìn)行分析，兼顧低頻部分和高頻部分進(jìn)行分解，提取以下頻域特征：

46、(1)能量及比值；

47、本發(fā)明對(duì)分解后不同頻帶的小波包系數(shù)求平方和，得到δ波、θ波、α波、β波相應(yīng)頻帶的能量，進(jìn)而計(jì)算出θ波與α波、θ波與β波、α波與β波對(duì)應(yīng)頻帶能量比值，頻帶能量計(jì)算公式如下所示：

48、

49、其中，i代表相應(yīng)頻帶，n代表系數(shù)的個(gè)數(shù)，di,j表示頻帶i的第j個(gè)小波包系數(shù)，ei為頻帶能量。

50、(2)微分熵(de)；

51、微分熵是香農(nóng)信息熵在連續(xù)變量上的推廣形式：

52、

53、其中，p(x)表示連續(xù)信息的概率密度函數(shù)，[a,b]表示信息取值得區(qū)間。對(duì)于一段特定長(zhǎng)度的近似服從高斯分布的eeg信號(hào)，其微分熵為：

54、

55、微分熵等于其在特定頻段上的能量譜的對(duì)數(shù)，為了便于計(jì)算，可用功率譜近似估計(jì)微分熵，微分熵的具體公式為：

56、

57、其中，psd為信號(hào)的功率譜密度，可用周期圖法或自相關(guān)法求得。

58、步驟4.3、多域融合特征向量；

59、為了實(shí)現(xiàn)更好的識(shí)別效果，本發(fā)明對(duì)提取的特征進(jìn)行融合，構(gòu)建多域融合特征向量，得到272維(16特征*17通道)的特征向量。

60、進(jìn)一步的，步驟5中，所述“relieff-sbe-l1”三層混合特征選擇模型，包含三層選擇：首先，基于filter方法，選用relieff算法進(jìn)行第一層通道篩選，按照通道參數(shù)與類別標(biāo)簽之間的相關(guān)性計(jì)算單特征下各個(gè)通道的權(quán)重并剔除冗余通道；其次，基于wrapper方法，選用后向搜索sbe算法進(jìn)行第二層特征選擇，內(nèi)置svm分類器不斷移除特征選擇出性能指標(biāo)最優(yōu)的特征子集；最后基于embedded方法，使用lasso回歸即l1正則化進(jìn)行第三層全局優(yōu)化進(jìn)一步剔除冗余優(yōu)化模型。

61、有益效果：本發(fā)明提出的一種基于腦電特征融合選擇的四維注意力識(shí)別方法提高了識(shí)別準(zhǔn)確率和計(jì)算效率；通過提取多域腦電特征構(gòu)建融合向量進(jìn)行四維注意力識(shí)別，改進(jìn)了傳統(tǒng)單特征識(shí)別方法；通過提出“relieff-sbe-l1”三層混合特征選擇模型，顯著減少了計(jì)算復(fù)雜度的同時(shí)實(shí)現(xiàn)了高效的四維注意力狀態(tài)識(shí)別。