一種腦電信號(hào)特征提取及解釋方法
【專利摘要】本發(fā)明提出了一種腦電信號(hào)特征提取及解釋方法，采用聯(lián)合流形學(xué)習(xí)在提取腦電信號(hào)特征時(shí)可以同時(shí)實(shí)現(xiàn)通道選擇，即聯(lián)合學(xué)習(xí)僅從對(duì)識(shí)別比較重要的通道提取特征。這樣的特征有兩方面優(yōu)點(diǎn)：一方面可以增強(qiáng)特征實(shí)際意義的解釋，另一方面利用聯(lián)合學(xué)習(xí)對(duì)特定腦電信號(hào)進(jìn)行通道選擇，所得到的結(jié)果也有助于神經(jīng)生物學(xué)的發(fā)展，可以幫助研究人員確認(rèn)相關(guān)電位，與神經(jīng)生物學(xué)的研究成果進(jìn)行相互驗(yàn)證等。另外，本發(fā)明的通道選擇與特征提取可以應(yīng)用到未來的BCI系統(tǒng)中，克服現(xiàn)有BCI系統(tǒng)識(shí)別率低等問題，對(duì)于BCI技術(shù)的發(fā)展具有重要意義。
【專利說明】
一種腦電信號(hào)特征提取及解釋方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于信號(hào)處理技術(shù)領(lǐng)域，具體涉及一種腦電信號(hào)特征提取及解釋方法。
【背景技術(shù)】
[0002] 腦機(jī)接口（Brain-Computer Interface,BCI)是一種不依賴于正常的由外圍神經(jīng) 和肌肉組成的輸出通道的通訊系統(tǒng)。大腦在產(chǎn)生動(dòng)作意識(shí)、進(jìn)行思維活動(dòng)之前和動(dòng)作執(zhí)行 之后，或者大腦受到某種特定的外部刺激(如視覺、聽覺等等)時(shí)，其神經(jīng)系統(tǒng)能夠產(chǎn)生一些 生物電活動(dòng)變化，BCI把相應(yīng)的生物電活動(dòng)信號(hào)采集出來，作為特征信號(hào)，然后對(duì)這些特征 信號(hào)進(jìn)行模式分類，從而識(shí)別出引發(fā)生物電信號(hào)變化的動(dòng)作或者刺激的類別，然后利用計(jì) 算機(jī)進(jìn)行編程，從而把人的思維活動(dòng)轉(zhuǎn)變成命令信號(hào)驅(qū)動(dòng)外部設(shè)備，實(shí)現(xiàn)在沒有肌肉和外 圍神經(jīng)直接參與的情況下，人腦對(duì)外部設(shè)備的通訊和控制。這就是BCI系統(tǒng)的基本原理。
[0003] 現(xiàn)有和正在研究的BCI系統(tǒng)中，絕大多數(shù)都基于腦電信號(hào)的分類。所以分類器的準(zhǔn) 確性直接影響B(tài)CI系統(tǒng)的性能。通道選擇和特征提取是分類器中的兩個(gè)關(guān)鍵環(huán)節(jié)。（1)在設(shè) 計(jì)階段，考慮到腦電信號(hào)噪聲大等特點(diǎn)，有必要針對(duì)腦電信號(hào)分類設(shè)計(jì)專門的、有效的特征 提取算法。（2)在現(xiàn)有方法中，絕大多數(shù)把通道選擇和特征提取作為兩個(gè)獨(dú)立的部分分別進(jìn) 行，通道選擇在一個(gè)空間中提取特征，然后進(jìn)行選擇，特征提取在另外一個(gè)空間進(jìn)行，每個(gè) 空間可能都是有效的，但是兩個(gè)空間的交集未必是有效的，采用聯(lián)合學(xué)習(xí)的思想可以實(shí)現(xiàn) 在特征選擇的同時(shí)，進(jìn)行通道選擇，兩者基于同一個(gè)準(zhǔn)則，這有利于提取高效的特征。
[0004] 聯(lián)合學(xué)習(xí)也可以看作是一種特殊的稀疏學(xué)習(xí)方法，在一般的稀疏表示方法中，得 到的稀疏表示結(jié)果一般不能起到特征選擇的作用。稀疏學(xué)習(xí)雖然也能得到很多零，但是相 對(duì)比與不同樣本，零的位置并不相同，而聯(lián)合學(xué)習(xí)卻可以在一定條件下，使不同樣本的相同 維度上，相當(dāng)于在分類時(shí)，對(duì)所有樣本不考慮該維度的特征，從而起到一種特征選擇的作 用。矩陣L 2>1范數(shù)等于矩陣每一列的1^2范數(shù)的和，所以最小化其L2>1范數(shù)，可以獲取變換矩陣 的列稀疏性，由于變換矩陣具有列稀疏性，所以樣本經(jīng)過變換之后，在相應(yīng)的維度上會(huì)變成 0,相當(dāng)于進(jìn)行了特征選擇。利用L2,1范數(shù)的這一特性，2010年Nie等在非專利文獻(xiàn)l(Feiping Nie jHeng HuangjXiao Cai,Chris Ding.Efficient and robust feature selection via joint 12 ?1-norms minimization.Advances in Neural Information Processing Systems，vol.23，pp. 1813-1821，2010)中提出了一種基于L2, i范數(shù)的特征選擇算法，并證明 了算法的收斂性 Au等在非專利文獻(xiàn)2(Quanquan Gu，Zhenhui Li，Jiawei Han · Joint feature selection and subspace learning. in Proceedings of the Twenty-Second international joint conference on Artificial Intelligence,voI,2,pp.1294-1299, 2011)中提出了基于L2，i測(cè)度的聯(lián)合特征選擇與子空間學(xué)習(xí) （Joint Feature Selection and Subspace Learning)方法，該方法在用于傳統(tǒng)的子空間學(xué)習(xí)算法中引入了L2，i范數(shù)，在 子空間學(xué)習(xí)中最小化變換矩陣的L2a范數(shù)，并在人臉識(shí)別問題上驗(yàn)證了該算法的有效性。 Ren等學(xué)者在非專利文獻(xiàn)3 (Chuan-Xian Ren，Da〇-Qing Dai，Hong Yan .Robust classification using€2,1-norm based regression model,Pattern Recognition,45 (7)，pp. 2708-2718,2012)中提出了一種基于^^范數(shù)的回歸模型，用于模式分類。取得了良 好的效果。2013年J. S .Pan等非專利文獻(xiàn)4( Jeng-Shyang Pan ,Li jun Yan* ,Zongguang FangjA Novel feature extraction algorithm based on Joint LearningjThe Second International Conference on RobotjVision and Signal Processing，Japan，31_34， 2013)中提出一種聯(lián)合學(xué)習(xí)算法，應(yīng)用到圖像識(shí)別領(lǐng)域，獲得了較好的識(shí)別效果。
[0005] 當(dāng)前的研究具有以下問題：
[0006] 1)腦電信號(hào)的通道選擇和特征提取多被作為兩個(gè)獨(dú)立的問題進(jìn)行討論。而通道選 擇和特征提取實(shí)際上都是為了分類任務(wù)這個(gè)核心服務(wù)的，所以這兩者應(yīng)該是緊密相關(guān)的。 根據(jù)某一最優(yōu)準(zhǔn)則進(jìn)行通道選擇，然后再根據(jù)另一個(gè)準(zhǔn)則進(jìn)行特征提取，相當(dāng)于在兩個(gè)特 征空間的交集上進(jìn)行分類，而這兩個(gè)特征空間都具有某種最優(yōu)，但是其交集有可能會(huì)變得 不是很好，從而使特征提取和通道選擇同步進(jìn)行，這一思想對(duì)腦電信號(hào)分類來說具有重要 的意義。
[0007] 2)現(xiàn)有的聯(lián)合學(xué)習(xí)思想多是基于向量數(shù)據(jù)的，對(duì)于基于張量數(shù)據(jù)的聯(lián)合學(xué)習(xí)研究 較少，而多通道腦電信號(hào)恰恰是一種二階張量數(shù)據(jù)，所以利用聯(lián)合學(xué)習(xí)的思想來進(jìn)行腦電 信號(hào)的通道選擇和特征提取需要研究新的聯(lián)合學(xué)習(xí)算法。
[0008] 3)聯(lián)合學(xué)習(xí)的研究已經(jīng)取得了一些成果，不過其學(xué)習(xí)器仍然有很多可以擴(kuò)展的空 間，為了豐富聯(lián)合學(xué)習(xí)的普適性和魯棒性，對(duì)其進(jìn)行進(jìn)一步的研究十分有必要。

【發(fā)明內(nèi)容】

[0009] 為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種腦電信號(hào)特征提取及解釋方 法，本發(fā)明具體通過如下技術(shù)方案實(shí)現(xiàn)：
[0010] -種腦電信號(hào)特征提取及解釋方法，包括以下步驟：
[0011] SI:獲取腦電信號(hào)；
[0012] S2:對(duì)所述腦電信號(hào)進(jìn)行預(yù)處理；
[0013] S3:在多尺度多方向域提取所述腦電信號(hào)的特征，利用Fisher準(zhǔn)則或者最大間隔 準(zhǔn)則自適應(yīng)的尋找對(duì)分類貢獻(xiàn)最大的若干尺度和方向，利用聯(lián)合流形學(xué)習(xí)的特征選擇特 性，直接將尺度和方向作為一種特征，進(jìn)行學(xué)習(xí)，使尺度方向選擇與降維同時(shí)進(jìn)行；
[0014] S4:建立張量聯(lián)合流形學(xué)習(xí)模型，具體地，基于所述腦電信號(hào)局部特性、鄰域特性 和內(nèi)蘊(yùn)特性來建構(gòu)用于通道選擇和特征提取的數(shù)學(xué)優(yōu)化學(xué)習(xí)模型，構(gòu)造同類相似矩陣和異 類相似矩陣，計(jì)算懲罰系數(shù)，然后結(jié)合聯(lián)合學(xué)習(xí)中引入的L 2,i范數(shù)，確定最終的優(yōu)化目標(biāo)函 數(shù)；
[0015] S5:二維聯(lián)合流形學(xué)習(xí)的快速求解，具體地，利用拉格朗日乘子法或者序列二次規(guī) 劃方法求解所述目標(biāo)函數(shù)；
[0016] S6:根據(jù)所述低信噪比腦電信號(hào)的準(zhǔn)確分類。
[0017] 本發(fā)明的有益效果是:本發(fā)明的聯(lián)合流形學(xué)習(xí)在提取腦電信號(hào)特征時(shí)可以同時(shí)實(shí) 現(xiàn)通道選擇，即聯(lián)合學(xué)習(xí)僅從對(duì)識(shí)別比較重要的通道提取特征。這樣的特征有兩方面優(yōu)點(diǎn)： 一方面可以增強(qiáng)特征實(shí)際意義的解釋，另一方面利用聯(lián)合學(xué)習(xí)對(duì)特定腦電信號(hào)進(jìn)行通道選 擇，所得到的結(jié)果也有助于神經(jīng)生物學(xué)的發(fā)展，可以幫助研究人員確認(rèn)相關(guān)電位，與神經(jīng)生 物學(xué)的研究成果進(jìn)行相互驗(yàn)證等。另外，本發(fā)明的通道選擇與特征提取可以應(yīng)用到未來的 BCI系統(tǒng)中，克服現(xiàn)有BCI系統(tǒng)識(shí)別率低等問題，對(duì)于BCI技術(shù)的發(fā)展具有重要意義。
【附圖說明】
[0018] 圖1是本發(fā)明的研究框架圖；
[0019] 圖2是學(xué)習(xí)模型的建立示意圖；
[0020] 圖3是聯(lián)合學(xué)習(xí)模型求解及應(yīng)用示意圖；
[0021 ]圖4是多尺度多方向變換域中的通道尋則與特征提取示意圖。
【具體實(shí)施方式】
[0022]下面結(jié)合【附圖說明】及【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)一步說明。
[0023] 本發(fā)明解決的技術(shù)問題
[0024]問題一:張量聯(lián)合流形學(xué)習(xí)數(shù)學(xué)建模
[0025]腦電信號(hào)分類的實(shí)際應(yīng)用中面臨著識(shí)別率偏低的問題，通道選擇和特征提取的性 能對(duì)分類效果影響巨大，制約了基于運(yùn)動(dòng)想象的BCI技術(shù)的發(fā)展。因此建立有效的數(shù)學(xué)模型 進(jìn)行腦電信號(hào)的通道選擇和特征提取是本發(fā)明首要解決的技術(shù)問題。
[0026]問題二:二維聯(lián)合流形學(xué)習(xí)的快速求解
[0027]腦電信號(hào)是一種高維信號(hào)，具有很強(qiáng)的非線性結(jié)構(gòu)，對(duì)于如此復(fù)雜的信號(hào)進(jìn)行學(xué) 習(xí)時(shí)，算法執(zhí)行效率欠佳，直接影響基于運(yùn)動(dòng)想象的BCI系統(tǒng)的實(shí)時(shí)性。因此快速求解、快速 優(yōu)化也是二維流形學(xué)習(xí)的重中之重。
[0028]問題三:低信噪比腦電信號(hào)的準(zhǔn)確分類問題
[0029] 腦電信號(hào)本質(zhì)上是一種低信噪比的信號(hào)，噪聲對(duì)于分類影響很大，降低噪聲對(duì)特 征提取的影響對(duì)于腦電信號(hào)分類任務(wù)來說，是必然要解決的科學(xué)問題之一。該問題的解決 是后續(xù)腦電信號(hào)分類任務(wù)順利進(jìn)行的基礎(chǔ)。
[0030] 針對(duì)問題一，本發(fā)明基于對(duì)傳統(tǒng)上的聯(lián)合學(xué)習(xí)方法的研究，開展基于向量的聯(lián)合 學(xué)習(xí)方法的張量化研究，從而構(gòu)建張量聯(lián)合學(xué)習(xí)理論，建立新的腦電信號(hào)表示方法，利用聯(lián) 合學(xué)習(xí)的特性，研究直接面向分類的腦電信號(hào)通道選擇理論與方法，利用聯(lián)合學(xué)習(xí)特性，實(shí) 現(xiàn)特征提取的同時(shí)，進(jìn)行腦電信號(hào)的通道選擇。
[0031] 針對(duì)問題二，本發(fā)明通過對(duì)流形學(xué)習(xí)思想的借鑒和推廣，深入研究基于聯(lián)合流形 學(xué)習(xí)的腦電信號(hào)重建理論和方法，研究聯(lián)合流形學(xué)習(xí)的快速實(shí)現(xiàn)方法，研究基于聯(lián)合學(xué)習(xí) 的腦電信號(hào)特征提取與分類。
[0032]針對(duì)問題三，本發(fā)明通過對(duì)多尺度變換域的研究，深入研究多尺度多方向腦電信 號(hào)通道特征提取方法，利用所提的聯(lián)合學(xué)習(xí)理論，研究針對(duì)腦電信號(hào)分類問題的尺度和方 向的優(yōu)化選擇問題。
[0033]因此，本發(fā)明直接利用張量表示多通道腦電信號(hào)，將聯(lián)合學(xué)習(xí)引入進(jìn)來，提出張量 聯(lián)合學(xué)習(xí)理論，如附圖1所示，在研究聯(lián)合學(xué)習(xí)理論框架基礎(chǔ)上，開展張量流形學(xué)習(xí)和二維 聯(lián)合流形學(xué)習(xí)和變換域下多尺度腦電信號(hào)特征提取問題的研究，通過張量聯(lián)合學(xué)習(xí)、聯(lián)合 流形學(xué)習(xí)在腦電信號(hào)通道選擇與特征提取中應(yīng)用實(shí)現(xiàn)腦電信號(hào)的分類、理解和處理。
[0034] 張量聯(lián)合流形學(xué)習(xí)和聯(lián)合流形學(xué)習(xí)的數(shù)學(xué)建模方法
[0035]建立高效的優(yōu)化模型是機(jī)器學(xué)習(xí)的關(guān)鍵技術(shù)之一，也是影響性能的重要因素。如 附圖2所示，本發(fā)明擬采用基于腦電信號(hào)局部特性、鄰域特性和內(nèi)蘊(yùn)特性來建構(gòu)用于通道選 擇和特征提取的數(shù)學(xué)優(yōu)化模型，以最大限度的滿足腦電信號(hào)分類任務(wù)的性能要求。
[0036] 具體技術(shù)途徑如下：
[0037] (1)基于張量的聯(lián)合學(xué)習(xí)方法即張量聯(lián)合學(xué)習(xí)方法。首先，構(gòu)造張量特征提取模 型，然后結(jié)合聯(lián)合學(xué)習(xí)的U1范數(shù)確定目標(biāo)函數(shù)。
[0038] (2)基于局部特征的聯(lián)合流形學(xué)習(xí)方法即二維聯(lián)合局部保持判別方法。首先構(gòu)造 同類相似矩陣和異類相似矩陣，計(jì)算懲罰系數(shù)，然后結(jié)合聯(lián)合學(xué)習(xí)中引入的U u范數(shù)，確定 最終的優(yōu)化目標(biāo)函數(shù)。
[0039] (3)基于內(nèi)蘊(yùn)特征的聯(lián)合流形學(xué)習(xí)方法即二維聯(lián)合多流形內(nèi)蘊(yùn)判別方法。計(jì)算樣 本的共性差異和個(gè)體差異，加上U i范數(shù)限制，建立模型。
[0040] 二維聯(lián)合流形學(xué)習(xí)數(shù)學(xué)優(yōu)化模型求解
[0041] 能夠快速從已有腦電信號(hào)樣本中學(xué)習(xí)特征，是影響到算法實(shí)際應(yīng)用性的重要問 題，針對(duì)這一關(guān)鍵問題，本發(fā)明采用如下方式解決：
[0042] 上述模型都可以轉(zhuǎn)化或者添加成為帶等式約束條件的非線性優(yōu)化問題。首先推導(dǎo) 優(yōu)化目標(biāo)函數(shù)，建立最優(yōu)約束方程：
[0043] min J(W)
[0044] s. t. c(ff) =0
[0045] 其中J是優(yōu)化模型的目標(biāo)函數(shù)，W是最優(yōu)變換矩陣，c是約束，當(dāng)有多個(gè)約束時(shí)，c就 是向量函數(shù)。
[0046] (1)直接用拉格朗日乘子法
[0047] L(W1A)=J(W)-Atc(W)
[0048] 其中J是目標(biāo)函數(shù)，c是限制條件，如果有多個(gè)限制條件，那么c就是一個(gè)向量函數(shù)。 解出梯度為〇時(shí)所對(duì)應(yīng)的λ和W。
[0049] (2)序列二次規(guī)劃方法（Sequential quadratic programming)
[0050] L(W1A) =J(W)-Atc(W)
[0051] 其中λ為拉格朗日乘子。在迭代過程中，需要解如下方程來明確第k次迭代結(jié)果Wk 的步長dk，步長通過解下面這個(gè)子問題確定：
[0052] min L(ff,A)+VL(ff,A)Td+dTV2wwL(ff,A)d/2
[0053] s. t. c(ffk)+Vc(ffk)Td = 0
[0054] 多尺度多方向特征提取算法
[0055] Direct ion let變換、Ridge let變換、Curve let變換、Contour let變換、Bande let變 換、Sharelet變換等多尺度多方向變換可以提取腦電信號(hào)多尺度多方向上的特征，如何選 取尺度和方向是特征提取好壞的關(guān)鍵。本發(fā)明采用如下方式解決：
[0056] (1)利用Fisher準(zhǔn)則或者最大間隔準(zhǔn)則自適應(yīng)的尋找對(duì)分類貢獻(xiàn)最大的若干尺度 和方向。（2)利用聯(lián)合流形學(xué)習(xí)的特征選擇特性，直接將尺度和方向作為一種特征，進(jìn)行學(xué) 習(xí)，使尺度方向選擇與降維同時(shí)進(jìn)行。
[0057]本發(fā)明的創(chuàng)新點(diǎn)在于：
[0058] 1)提出聯(lián)合學(xué)習(xí)的張量化，利用聯(lián)合學(xué)習(xí)的思想，提取張量數(shù)據(jù)的特征，為聯(lián)合學(xué) 習(xí)可以應(yīng)用到張量類型數(shù)據(jù)上提供理論支持，同時(shí)腦電信號(hào)是一種二階張量數(shù)據(jù)，利用范 數(shù)所獲得的變換矩陣的列稀疏性使得利用聯(lián)合學(xué)習(xí)的腦電信號(hào)通道選擇和特征提取可以 同時(shí)進(jìn)行。
[0059] 2)提出聯(lián)合流形學(xué)習(xí)理論，利用流形學(xué)習(xí)的思想，結(jié)合聯(lián)合學(xué)習(xí)，獲取變換矩陣的 列稀疏性，以解決腦電信號(hào)通道選擇與特征提取問題。聯(lián)合流形學(xué)習(xí)理論中主要包括聯(lián)合 局部保持判別分析、聯(lián)合多流形內(nèi)蘊(yùn)判別分析等模型，提取腦電信號(hào)的結(jié)構(gòu)特征，保證腦電 信號(hào)分類中的通道選擇和特征提取同時(shí)進(jìn)行。
[0060] 3)提出在多尺度多方向域提取腦電信號(hào)特征的一個(gè)思路，利用Contourlet等具有 的多尺度多方向特性，通過張量聯(lián)合學(xué)習(xí)，研究尺度方向的選擇方式，降低噪聲對(duì)特征提取 效能的影響。
[0061] 以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定 本發(fā)明的具體實(shí)施只局限于這些說明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在 不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的 保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種腦電信號(hào)特征提取及解釋方法，其特征在于:所述方法包括以下步驟： S1:獲取腦電信號(hào)； S2:對(duì)所述腦電信號(hào)進(jìn)行預(yù)處理； S3:在多尺度多方向域提取所述腦電信號(hào)的特征，利用Fisher準(zhǔn)則或者最大間隔準(zhǔn)則 自適應(yīng)的尋找對(duì)分類貢獻(xiàn)最大的若干尺度和方向，利用聯(lián)合流形學(xué)習(xí)的特征選擇特性，直 接將尺度和方向作為一種特征，進(jìn)行學(xué)習(xí)，使尺度方向選擇與降維同時(shí)進(jìn)行； S4:建立張量聯(lián)合流形學(xué)習(xí)模型，具體地，基于所述腦電信號(hào)局部特性、鄰域特性和內(nèi) 蘊(yùn)特性來建構(gòu)用于通道選擇和特征提取的數(shù)學(xué)優(yōu)化學(xué)習(xí)模型，構(gòu)造同類相似矩陣和異類相 似矩陣，計(jì)算懲罰系數(shù)，然后結(jié)合聯(lián)合學(xué)習(xí)中引入的Uu范數(shù)，確定最終的優(yōu)化目標(biāo)函數(shù)； S5:二維聯(lián)合流形學(xué)習(xí)的快速求解，具體地，利用拉格朗日乘子法或者序列二次規(guī)劃方 法求解所述目標(biāo)函數(shù)； S6:根據(jù)所述低信噪比腦電信號(hào)的準(zhǔn)確分類。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于：所述多尺度多方向變換包括： Direct ion let變換、Ridge let變換、Curve let變換、Contour let變換、Bandelet變換、 Sharelet 變換 D
【文檔編號(hào)】A61B5/0476GK106073708SQ201610387255
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月1日 公開號(hào)201610387255.7, CN 106073708 A, CN 106073708A, CN 201610387255, CN-A-106073708, CN106073708 A, CN106073708A, CN201610387255, CN201610387255.7
【發(fā)明人】王岢, 張海軍, 李旭濤, 葉允明
【申請(qǐng)人】哈爾濱工業(yè)大學(xué)深圳研究生院