基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法
【專利摘要】本發(fā)明公開了基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，主要采用線性判別準(zhǔn)則選擇最有利于分類的導(dǎo)聯(lián)、時(shí)間段及頻段，并通過共空間模式算法提取腦電特征，最后根據(jù)特征稀疏表示進(jìn)行分類。本發(fā)明包括腦電信號預(yù)處理、導(dǎo)聯(lián)選擇、時(shí)頻塊選擇、特征提取及特征分類。結(jié)果表明，本發(fā)明方法能有效選擇最有利于分類的導(dǎo)聯(lián)、時(shí)間段及頻段，對由共空間模式算法提取的特征進(jìn)行稀疏表示能取得較好的分類效果。與現(xiàn)有的算法相比，本方法能自動選擇最有利于分類的空時(shí)頻參數(shù)，并對最優(yōu)時(shí)頻塊內(nèi)的特征進(jìn)行組合，有利于提高運(yùn)動想象腦電信號分類的準(zhǔn)確性。
【專利說明】
基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于腦電信號處理及模式識別領(lǐng)域，設(shè)及腦機(jī)接口中運(yùn)動想象腦電信號分 類，特別設(shè)及一種基于空時(shí)頻域優(yōu)化特征稀疏表示的運(yùn)動想象腦電信號分類方法。
【背景技術(shù)】
[0002] 腦機(jī)接口為人的大腦和外部設(shè)備提供了一種新的交流和控制通道，比如電腦或假 肢等。通過將放置在頭部的電極采集的腦電信號映射為不同的控制指令，人類可W通過不 同的運(yùn)動想象模式來控制外部設(shè)備動作。在基于腦電的多種腦機(jī)接口系統(tǒng)中，基于運(yùn)動想 象的腦機(jī)接口系統(tǒng)因?yàn)檫\(yùn)動想象任務(wù)和人類自然行為的潛在聯(lián)系而被廣泛研究。研究表 明，與人體執(zhí)行實(shí)際的動作相類似，想象人體某一部位的運(yùn)動也會激活人腦運(yùn)動感知皮層 的某一區(qū)域，運(yùn)動感知皮層的激活會引發(fā)皮層電位變化，進(jìn)而造成事件相關(guān)去同步(event- re Iated desynchronization,ERD)及事件相關(guān)同步（event-related synchronization, 邸S)現(xiàn)象，因此通過對運(yùn)動感知節(jié)律(Senso巧Motor ^^hms,SMR)的幅度調(diào)制信息進(jìn)行 分析就可W推測人體運(yùn)動意圖。對于中風(fēng)擁痕病人，運(yùn)動想象腦電可W反映其運(yùn)動意圖，進(jìn) 而控制外骨骼、功能性電刺激等設(shè)備輔助其完成特定動作或進(jìn)行功能康復(fù)訓(xùn)練。
[0003] 為了有效區(qū)分不同的運(yùn)動想象模式，腦電特征的提取和分類至關(guān)重要。一方面， ERD和邸S現(xiàn)象均顯著發(fā)生在特定的導(dǎo)聯(lián)、頻段及時(shí)間區(qū)間內(nèi)，因此需要通過導(dǎo)聯(lián)選擇、帶通 濾波及設(shè)置時(shí)間窗口進(jìn)行抽取。特定的導(dǎo)聯(lián)、頻段及時(shí)間區(qū)間參數(shù)將直接影響后續(xù)特征提 取及特征分類的效果。另一方面，近年來基于稀疏表示的分類方法在模式識別領(lǐng)域獲得了 較多的關(guān)注，其中稀疏表示方法的核屯、在于尋求超完備字典矩陣。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)中，在特征提取階段均無法綜合考慮空時(shí)頻域的不足，提出一種基 于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，采用線性判別準(zhǔn)則自動選擇最有利 于分類的導(dǎo)聯(lián)、時(shí)間段及頻段，并通過共空間模式算法提取腦電特征構(gòu)建超完備字典矩陣， 最后根據(jù)線性稀疏表示進(jìn)行分類。具體包含W下步驟：
[0005] 步驟一、腦電信號預(yù)處理:對腦電信號進(jìn)行升采樣及帶通濾波等處理，得到處理后 的腦電信號集(NXMX (P1+P2))，其中N為導(dǎo)聯(lián)數(shù)，M為每一導(dǎo)聯(lián)的采樣點(diǎn)數(shù)，Pi為訓(xùn)練集的樣 本數(shù)，h為測試集的樣本數(shù)；
[0006] 步驟二、導(dǎo)聯(lián)選擇:對于經(jīng)步驟一處理后得到的腦電信號訓(xùn)練集(NXMXPi),采用 線性判別準(zhǔn)則量化每個(gè)導(dǎo)聯(lián)的類間（右手、右腳兩類運(yùn)動想象模式）區(qū)分能力，并對各個(gè)導(dǎo) 聯(lián)的類間區(qū)分能力進(jìn)行降序排序，選擇前化elect個(gè)導(dǎo)聯(lián)，抽取所選擇的導(dǎo)聯(lián)的腦電信號，得 到新的腦電信號訓(xùn)練集(NseleEt X M X Pl )和測試集(NseleEt X M X P2 );
[0007] 步驟S、時(shí)頻塊選擇:對于經(jīng)步驟二處理后得到的腦電信號訓(xùn)練集(Nselect XMX PO,針對每一個(gè)樣本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含M個(gè)采樣點(diǎn)的腦電信號，在E個(gè)頻段內(nèi)對其進(jìn) 行帶通濾波，得到處理后的腦電信號訓(xùn)練集(NseiwtXMXPiXE)，針對每一個(gè)頻段內(nèi)的每一 個(gè)樣本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含M個(gè)采樣點(diǎn)的腦電信號，在T個(gè)時(shí)間段內(nèi)進(jìn)行分割，得到處 理后的腦電信號集(NselectXMsegXPlXEXT)，其中Mseg為單個(gè)時(shí)間段內(nèi)的采樣點(diǎn)數(shù)，采用線 性判別準(zhǔn)則量化每個(gè)時(shí)頻塊內(nèi)腦電信號的類間區(qū)分能力，并對各個(gè)時(shí)頻塊內(nèi)腦電信號的類 間區(qū)分能力進(jìn)行降序排序，選擇前Q個(gè)時(shí)頻塊，抽取所選擇的時(shí)頻塊內(nèi)的腦電信號，得到新 的腦電信號訓(xùn)練集(Nselect X Mseg X Pl X Q )和腦電信號測試集(Nselect X Mseg X P2 X Q );
[000引步驟四、特征提取:對于經(jīng)過步驟S處理后得到的腦電信號集(Nselect XMsegX (Pl + P2) X Q)，針對每一個(gè)時(shí)頻塊i Q = I，…，Q)內(nèi)的腦電信號訓(xùn)練集(Nselect XMseg X Pl)，采用共 空間模式(Common Spatial化ttern, CSP)算法求取濾波器組，根據(jù)該濾波器組對含有Pi個(gè) 樣本的腦電信號訓(xùn)練集中的每個(gè)樣本(NselectXMseg)和含有P2個(gè)樣本的腦電信號測試集中 的每個(gè)樣本(NseleetXMseg)進(jìn)行濾波，并計(jì)算濾波后信號的方差作為特征，得到訓(xùn)練集的特 征集合{，…，}和測試集的特征集合盧叫.,，…，fV邱。]，其中Ftrainj, i，j = 1，…， Pi為第i個(gè)時(shí)頻塊內(nèi)腦電信號訓(xùn)練集的第j個(gè)樣本的特征向量，F(xiàn)testw J = I，…，P2為第i個(gè) 時(shí)頻塊內(nèi)腦電信號測試集的第j個(gè)樣本的特征向量，最后針對訓(xùn)練集和測試集中的每個(gè)樣 本，將Q個(gè)時(shí)頻塊內(nèi)的特征向量進(jìn)行拼接，得到腦電信號訓(xùn)練集和測試集的特征集合 護(hù)'-。卻，…，巧…，阿 巧！和；戶似^.'，巧礎(chǔ)化而J，其中 Ftrainj = (Ftrainj, 1 ;; Ftrainj,q}且Ftestj= (Ftestj'i;-.. ;Ftestj,g};
[0009] 步驟五、特征分類：對于步驟四得到的腦電信號訓(xùn)練集的特征集合 {Fb-a/ni，…，…，F(xiàn)fr叫，按照右手、右腳兩類運(yùn)動想象模式將其分成兩類，即 ，…，巧《7!';如"|和護(hù)infp…，巧r"inf.vr} '其中Nh和化分別為右手、右腳的樣本數(shù)，組成字 典Wram = {心。耐，…，心。，心flinf,，…，，針對步驟四中得到的腦電信號測試集的 特征集合護(hù)巧eW,，...，化聽:}中的每一個(gè)特征向量，采用線性稀疏表示模型將其表示為 字典中各個(gè)向量的線性組合，最后通過比較系數(shù)的能量進(jìn)行右手、右腳運(yùn)動想象腦電信號 分類。
[0010] 進(jìn)一步地，所述步驟一中升采樣前的腦電信號的采樣頻率為lOOHz，升采樣后其采 樣頻率為250Hz，且?guī)V波頻帶為6~40化。
[0011] 進(jìn)一步地，所述步驟二包含如下幾個(gè)步驟：
[0012] (1)針對步驟一處理后得到的腦電信號訓(xùn)練集(NXMXPi)內(nèi)的每個(gè)樣本，對腦電 信號進(jìn)行滑動窗口處理，時(shí)間窗口長度設(shè)為若干秒，在每個(gè)導(dǎo)聯(lián)的每一個(gè)時(shí)間窗口內(nèi)計(jì)算 能量?。11,*=1〇旨(>日1'山11,1;))，其中義啦1;為導(dǎo)聯(lián)油上在滑動時(shí)間窗口1內(nèi)的腦電信號，￥日1'〇為 方差函數(shù)，IogO為log函數(shù)；
[0013] (2)在每個(gè)導(dǎo)聯(lián)Ch的每一個(gè)滑動時(shí)間窗口 t內(nèi)，針對訓(xùn)練集中的右手、右腳兩類運(yùn) 動想象模式，采用線性判別準(zhǔn)則量化類間區(qū)分度
其中mi和m2分別為訓(xùn)練集中 兩類運(yùn)動想象模式樣本的Peh,t的平均值，爸和夠?yàn)橛?xùn)練集中兩類運(yùn)動想象模式樣本的Pch,t 的方差；
[0014] (3)在每個(gè)導(dǎo)聯(lián)上，針對所有滑動時(shí)間窗口內(nèi)的ChS求取其最大值作為該導(dǎo)聯(lián)的類 間區(qū)分度指標(biāo)；
[0015] (4)針對所有導(dǎo)聯(lián)，按類間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前Nselwt個(gè)導(dǎo)聯(lián)通道腦 電信號。
[0016] 進(jìn)一步地，所述步驟=包含如下幾個(gè)步驟：
[0017] (1)針對步驟二處理后得到的腦電信號訓(xùn)練集(NselectXMXPl)，對每一個(gè)樣本中 的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含M個(gè)采樣點(diǎn)的腦電信號，在設(shè)定頻帶范圍內(nèi)進(jìn)行滑窗處理，窗口長度 設(shè)為若干赫茲，滑動步長設(shè)為窗口長度的一半，共得到E個(gè)頻段，在E個(gè)頻段內(nèi)對腦電信號進(jìn) 行帶通濾波，得到處理后的腦電信號訓(xùn)練集(NselectXMXPlXE);
[001引（2)針對步驟（1)得到的腦電信號訓(xùn)練集(NselectXMXPlXE)，對每一個(gè)頻段內(nèi)的 每一個(gè)樣本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含M個(gè)采樣點(diǎn)的腦電信號，在設(shè)定時(shí)間范圍內(nèi)進(jìn)行滑窗 處理，窗口長度設(shè)為若干秒，滑動步長設(shè)為窗口長度的五分之二，共得到T個(gè)時(shí)間段，在T個(gè) 時(shí)間段內(nèi)對腦電信號進(jìn)行截取，得到處理后的腦電信號訓(xùn)練集(NselectXMsegXPlXEXT); [001 9 ]( 3 )針對每個(gè)時(shí)頻塊內(nèi)的腦電信號訓(xùn)練集(Nselect X Mseg X Pl )，依據(jù)訓(xùn)練集中的右 手、右腳兩類運(yùn)動想象模式樣本，采用線性判別準(zhǔn)則量化類間區(qū)分度1
I其中化 和M2分別為訓(xùn)練集中兩類運(yùn)動想象模式樣本的Nselect維能量向量的平均值，丫 1和丫 2為訓(xùn)練 集中兩類運(yùn)動想象模式樣本的化elect維能量向量的方差，I I I h為求取向量2范數(shù)處理；
[0020] (4)針對所有時(shí)頻塊，按類間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前Q個(gè)時(shí)頻塊內(nèi)的腦 電信號進(jìn)行后續(xù)處理，得到處理后的腦電信號訓(xùn)練集(NselectXMsegXPlXQ)和腦電信號測 試集（化elect X Mseg X P2 X Q )。
[0021 ]進(jìn)一步地，所述步驟四中采用共空間模式算法提取特征的具體過程如下：
[0022] 依據(jù)不同的運(yùn)動想象模式，將訓(xùn)練集分為兩苯.城Xi巧XqA訝I縣錠一苯的一個(gè)樣 本，它們對應(yīng)的歸一化的空間協(xié)方差矩陣Ri和R2 3 ，其中T 上標(biāo)代表矩陣的轉(zhuǎn)置，traceO代表矩陣的跡;將所有樣本的協(xié)方差矩陣按類別計(jì)算均值得 到;
，其中化和N2分別為兩類樣本的個(gè)數(shù)；得到混合協(xié)方差矩陣 點(diǎn)=專+電；對R進(jìn)行特征值分解:R = UXljT,其中U是特征向量矩陣，X是特征值的對角矩陣； 得到白化變換矩陣:P = S ;對焉進(jìn)行白化處理S = P醉T得到Si，再對Si做特征值分解Si =Ui 5： iUA其中Ui是特征向量矩陣，Si是特征值的對角矩陣，設(shè)AiQ = I,2,…，Nseiect)為Si 的化elect(對應(yīng)于所選的導(dǎo)聯(lián)數(shù))個(gè)特征值且A 。，分別取X沖最大和最小的1個(gè) 特征值對應(yīng)的特征向量構(gòu)成空間濾波器Wi,濾波后的信號分別為《=巧卻和X =巧X[，對于 濾波后的信號Xi'（ i = 1，2 )，分別提取其每一行方差作為特征值。
[0023] 進(jìn)一步地，步驟五中腦電信號測試集的特征集合中的某一個(gè)特征向量可由腦電信號 訓(xùn)練集的特征字典線性表示巧= Xi巧M扣/,I巧曲噸，+巧Min。+ '+.V.、。'盧= L' 也可表示為Ftestj = Ftrain ? Xj = I,…，P2,其中X為系數(shù)向量，F(xiàn)train為字典矩陣，采用向 量1范數(shù)最小化的準(zhǔn)則求取系數(shù)向量，即mini Ix I Ii使得Ftestj = Ftrain ? X，其中min代表取 最小值，最后根據(jù)下式進(jìn)行特征分類：
[0024]
[0025] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0026] 1)本發(fā)明與現(xiàn)有技術(shù)相比，能自動選擇最有利于運(yùn)動想象腦電信號分類的導(dǎo)聯(lián)、 頻段和時(shí)間段，從空、時(shí)、頻=個(gè)方面對腦電信號特征進(jìn)行綜合優(yōu)化，能有效提高運(yùn)動想象 腦電模式分類識別的準(zhǔn)確率。
[0027] 2)本發(fā)明最優(yōu)空時(shí)頻參數(shù)的選擇屬于數(shù)據(jù)驅(qū)動型，無需任何先驗(yàn)知識，具有較強(qiáng) 的魯棒性和適應(yīng)性。
[0028] 3)本發(fā)明選擇最有利于分類的若干導(dǎo)聯(lián)，有效降低了數(shù)據(jù)冗余，減少了計(jì)算負(fù)擔(dān)。
[0029] 4)本發(fā)明選擇最有利于分類的若干時(shí)頻塊，針對每個(gè)時(shí)頻塊內(nèi)的信號采用共空間 模式算法提取特征，將組合后的特征向量作為超完備字典元素，并利用線性稀疏表示模型 進(jìn)行分類，算法簡單有效。
【附圖說明】
[0030] 圖1為本發(fā)明實(shí)施例提供的結(jié)構(gòu)框圖；
[0031 ]圖2為本發(fā)明實(shí)施例提供的導(dǎo)聯(lián)類間區(qū)分度腦部地形圖；
[0032] 圖3為本發(fā)明實(shí)施例提供的導(dǎo)聯(lián)選擇腦部分布圖；
[0033] 圖4為本發(fā)明實(shí)施例提供的類間區(qū)分能力時(shí)頻分布圖；
[0034] 圖5為本發(fā)明實(shí)施例提供的時(shí)頻塊選擇分布圖；
[0035] 圖6為本發(fā)明實(shí)施例提供的右手運(yùn)動想象腦電信號的特征向量；
[0036] 圖7為本發(fā)明實(shí)施例提供的右腳運(yùn)動想象腦電信號的特征向量；
[0037] 圖8為本發(fā)明實(shí)施例提供的右手運(yùn)動想象腦電信號的稀疏表示系數(shù)；
[0038] 圖9為本發(fā)明實(shí)施例提供的右腳運(yùn)動想象腦電信號的稀疏表示系數(shù)；
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。
[0040] 如圖1-9所示，本發(fā)明包括腦電信號預(yù)處理、導(dǎo)聯(lián)選擇、時(shí)頻塊選擇、特征提取、特 征分類。本發(fā)明的運(yùn)動想象腦電數(shù)據(jù)來源于BCI competition 2005的標(biāo)準(zhǔn)MI-EEG數(shù)據(jù)庫 (DatasetIVa)。數(shù)據(jù)通過118導(dǎo)聯(lián)的化uroscan腦電放大器采集獲得，采樣頻率為IOOHz，本 發(fā)明采用受試者aa的右手及右腳運(yùn)動想象腦電數(shù)據(jù)，其中訓(xùn)練集中包含80組右手運(yùn)動想象 樣本和88組右腳運(yùn)動想象樣本，測試集中包含60組右手運(yùn)動想象樣本和52組右腳運(yùn)動想象 樣本，單次試驗(yàn)的時(shí)間長度為3.5秒。本發(fā)明具體步驟如下：
[0041] 步驟一:腦電信號預(yù)處理:將腦電信號升采樣為250Hz并進(jìn)行6~40化帶通濾波，得 到處理后的腦電信號集(NXMX(Pi+P2))，其中N為118，M為875，Pi為168，P2為112。
[0042] 步驟二：導(dǎo)聯(lián)選擇：對于經(jīng)步驟一處理后得到的腦電信號訓(xùn)練集（118 X 875 X 168)，采用線性判別準(zhǔn)則量化每個(gè)導(dǎo)聯(lián)的類間（右手、右腳兩類運(yùn)動想象模式）區(qū)分能力，對 腦電信號進(jìn)行滑動窗口處理，時(shí)間窗口長度設(shè)為0.5秒，在每個(gè)導(dǎo)聯(lián)的每一個(gè)時(shí)間窗口內(nèi)計(jì) 算能量?。11,*=1〇邑(>日1'山11,1;))，其中義。11,1;為導(dǎo)聯(lián)油上在滑動時(shí)間窗口1內(nèi)的腦電信號，￥曰1'〇 為方差函數(shù)，IogO為log函數(shù)，在每個(gè)導(dǎo)聯(lián)Ch的每一個(gè)滑動時(shí)間窗口 t內(nèi)，針對訓(xùn)練集中的 右手、右腳兩類運(yùn)動想象模式，采用線性判別準(zhǔn)則量化類間區(qū)分虔
I其中mi和 m2分別為訓(xùn)練集中兩類運(yùn)動想象模式樣本的Pch,t的平均值，《和遙為訓(xùn)練集中兩類運(yùn)動想 象模式樣本的PcM的方差，在每個(gè)導(dǎo)聯(lián)上，針對所有滑動時(shí)間窗口內(nèi)的ChS求取其最大值作 為該導(dǎo)聯(lián)的類間區(qū)分度指標(biāo)，導(dǎo)聯(lián)類間區(qū)分度腦部地形圖如圖2所示。針對所有導(dǎo)聯(lián)，按類 間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前16個(gè)導(dǎo)聯(lián)內(nèi)的腦電信號，所選的導(dǎo)聯(lián)分布如圖3所示。
[0043] 步驟=:時(shí)頻塊選擇:對于經(jīng)步驟二處理后得到的腦電信號訓(xùn)練集，針對每一個(gè)樣 本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含875個(gè)采樣點(diǎn)的腦電信號，在6~40Hz的頻段內(nèi)進(jìn)行滑窗處理， 窗口長度設(shè)為4Hz，滑動步長設(shè)為2Hz，共得到16個(gè)頻段，在16個(gè)頻段內(nèi)對腦電信號進(jìn)行帶通 濾波，得到處理后的腦電信號訓(xùn)練集（16X875X 168X16)，針對每一個(gè)頻段內(nèi)的每一個(gè)樣 本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含875個(gè)采樣點(diǎn)的腦電信號，在0~3.5秒的時(shí)間內(nèi)進(jìn)行滑窗處理， 窗口長度設(shè)為0.5秒，滑動步長設(shè)為0.2秒，共得到16個(gè)時(shí)間段，在16個(gè)時(shí)間段內(nèi)對腦電信號 進(jìn)行截取，得到處理后的腦電信號集（16X125X 168X16X16)，其中125為單個(gè)時(shí)間段內(nèi)的 采樣點(diǎn)數(shù)，采用線性判別準(zhǔn)則量化每個(gè)時(shí)頻塊內(nèi)腦電信號的類間區(qū)分能力，針對每個(gè)時(shí)頻 塊內(nèi)的腦電信號訓(xùn)練集.化巧H川練隹.中的右手、右腳兩類運(yùn)動想象模式樣本，采用線性判別 準(zhǔn)則量化類間區(qū)分度i
，其中化和M2分別為訓(xùn)練集中兩類運(yùn)動想象模式樣本的 化elect維能量向量的平均值，丫 1和丫 2為訓(xùn)練集中兩類運(yùn)動想象模式樣本的16維能量向量的 方差，I I I U為求取向量2范數(shù)處理，類間區(qū)分能力時(shí)頻分布圖如圖4所示。對各個(gè)時(shí)頻塊內(nèi) 腦電信號的類間區(qū)分能力進(jìn)行降序排序，選擇前10個(gè)時(shí)頻塊，時(shí)頻塊選擇分布圖如圖5所 示，抽取所選擇的時(shí)頻塊內(nèi)的腦電信號，得到新的腦電信號訓(xùn)練集（16X 125X168X10)和 腦電信號測試集(16 X 125 X 112 X 10)。
[0044] 步驟四：特征選擇：對于經(jīng)過步驟=處理后得到的腦電信號集（16 X 125 X (168+ 112) X 10)，針對每一個(gè)時(shí)頻塊i a = 1，…，10)內(nèi)的腦電信號訓(xùn)練集（16 X 125 X 168)，采用 共空間模式(Common Spatial化tte;rn,CSP)算法求取濾波器組，分別取最大和最小的1個(gè) 特征值對應(yīng)的特征向量構(gòu)成空間濾波器，根據(jù)該濾波器組對含有168個(gè)樣本的腦電信號訓(xùn) 練集中的每個(gè)樣本(16X125)和含有112個(gè)樣本的腦電信號測試集中的每個(gè)樣本(16X125) 進(jìn)行濾波，并計(jì)算濾波后信號的方差作為特征，得到訓(xùn)練集的特征集合{Ftraini,i，…， F1:rainl68,i}和測試集的特征集合{Ftestl,i,...,Ftestll2,i}，其中Ftrainj,iJ = l,…，l68為 第i個(gè)時(shí)頻塊內(nèi)腦電信號訓(xùn)練集的第j個(gè)樣本的特征向量，F(xiàn)testj,i，j = l，…，112為第i個(gè)時(shí) 頻塊內(nèi)腦電信號測試集的第j個(gè)樣本的特征向量，最后針對訓(xùn)練集和測試集中的每個(gè)樣本， 將10個(gè)時(shí)頻塊內(nèi)的特征向量進(jìn)行拼接，得到腦電信號訓(xùn)練集和測試集的特征集合 (Ftraini,…，F(xiàn)trainj,…，F(xiàn)trainiesl和（Ftesti,…，F(xiàn)testj,…，F(xiàn)testiul，其中Ftrainj = {Fl:rainj,i;…；Fl:rainj,io}且Ftestj = {Ftestj,i;... ;Ftestj,io}，并且每一個(gè)樣本的特征向 量均為20維，圖6所示為右手運(yùn)動想象腦電信號的特征向量，圖7所示為右腳運(yùn)動想象腦電 信號的特征向量，由上述兩圖可見，針對右手特征向量，絕大部分奇數(shù)特征點(diǎn)的幅值均大于 偶數(shù)特征點(diǎn)的幅值，右腳特征向量則表現(xiàn)出相反的特性，兩類模式區(qū)分較為明顯。
[0045] 步驟五:特征分類:對于步驟四得到的腦電信號訓(xùn)練集的特征集合{Ftraim，…， Ftrairij, ???,Ftrainiesl，按照右手、右腳兩類運(yùn)動想象模式將其分成兩類，即{Ftrainhi，? ? ?， Ftrainhs日巧日{(diào)Ftrainfi，…，F(xiàn)trainf 88}，其中80和88分別為右手、右腳的樣本數(shù)，組成字典 Ftrain= {Fhainhi,…，F(xiàn)trainh8〇,Ftrainfi,…，F(xiàn)hainfss}，針對步驟四中得到的腦電信 號測試集的特征集合{Ftesti，…，F(xiàn)testj，? ? ?，F(xiàn)testiu}中的每一個(gè)特征向量，采用線性稀疏 表示模型將其表示為字典中各個(gè)向量的線性組合，某一個(gè)特征向量可由腦電信號訓(xùn)練集的 特征字典線性表示 Ftestj = XiFtrainhi + ...+XsoF trainhso + xso + iFt ra inf 1 + ...+X80 + ssFtrainf88, j = I，...，112,也可表示為Ftestj = Ftrain ? X, j = I,, 112,其中X為系數(shù)向 量，F(xiàn)train為字典矩陣，采用向量1范數(shù)最小化的準(zhǔn)則求取系數(shù)向量，即mini |x| Ii使得 Ftestj = Ftrain ? X，其中min代表取最小值，圖8所示為右手運(yùn)動想象腦電信號的稀疏表示 系數(shù)，圖9所示為右腳運(yùn)動想象腦電信號的稀疏表示系數(shù)，由上述兩圖可見，針對右手特征 向量，絕大部分非零系數(shù)集中在訓(xùn)練集中的右手特征向量集部分，右腳特征向量非零系數(shù) 則大多集中在右腳特征向量集部分。最后根據(jù)下式進(jìn)行特征分類：
[0046]
[0047] 對于測試集中的60組右手運(yùn)動想象樣本和52組右腳運(yùn)動想象樣本，分類準(zhǔn)確率達(dá) 到了83.9%。
【主權(quán)項(xiàng)】
1. 基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，其特征在于，該方法包含 以下幾個(gè)步驟： 步驟一、腦電信號預(yù)處理:對腦電信號進(jìn)行升采樣及帶通濾波處理，得到處理后的腦電 信號集(NXMX^+Ps))，其中N為導(dǎo)聯(lián)數(shù)，Μ為每一導(dǎo)聯(lián)的采樣點(diǎn)數(shù)，Pi為訓(xùn)練集的樣本數(shù)， P2為測試集的樣本數(shù)； 步驟二、導(dǎo)聯(lián)選擇:對于經(jīng)步驟一處理后得到的腦電信號訓(xùn)練集(NXMXPi)，采用線性 判別準(zhǔn)則量化每個(gè)導(dǎo)聯(lián)的類間區(qū)分能力，并對各個(gè)導(dǎo)聯(lián)的類間區(qū)分能力進(jìn)行降序排序，選 擇前Ns^。*個(gè)導(dǎo)聯(lián)，抽取所選擇的導(dǎo)聯(lián)的腦電信號，得到新的腦電信號訓(xùn)練集(NwdXMX Pi )和測試集(Nselect X Μ X P2 ); 步驟三、時(shí)頻塊選擇:對于經(jīng)步驟二處理后得到的腦電信號訓(xùn)練集(NsektXMXPi)，針 對每一個(gè)樣本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含Μ個(gè)采樣點(diǎn)的腦電信號，在E個(gè)頻段內(nèi)對其進(jìn)行帶通 濾波，得到處理后的腦電信號訓(xùn)練集(N Se3le3。tXMXP1XE)，再針對每一個(gè)頻段內(nèi)的每一個(gè)樣 本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含Μ個(gè)采樣點(diǎn)的腦電信號，在Τ個(gè)時(shí)間段內(nèi)進(jìn)行分割，得到處理后 的腦電信號集(Nselect X MSeg XPiXEXT)，其中MSeg為單個(gè)時(shí)間段內(nèi)的采樣點(diǎn)數(shù)，采用線性判 別準(zhǔn)則量化每個(gè)時(shí)頻塊內(nèi)腦電信號的類間區(qū)分能力，并對各個(gè)時(shí)頻塊內(nèi)腦電信號的類間區(qū) 分能力進(jìn)行降序排序，選擇前Q個(gè)時(shí)頻塊，抽取所選擇的時(shí)頻塊內(nèi)的腦電信號，得到新的腦 電信號訓(xùn)練集(Nselect X MSeg X Pi X Q)和腦電信號測試集(Nselect X MSeg X p2 X Q); 步驟四、特征提取:對于經(jīng)過步驟三處理后得到的腦電信號集(NSelectXMSegX (Pi+Ps) XQ)， 針對每一個(gè)時(shí)頻塊i，i = 1，…，Q內(nèi)的腦電信號訓(xùn)練集(Nselect XMSeg XP〇，采用共空間模式算 法求取濾波器組，根據(jù)該濾波器組對含有Pl·個(gè)樣本的腦電信號訓(xùn)練集中的每個(gè)樣本(NSelect XMseg)和含有P2個(gè)樣本的腦電信號測試集中的每個(gè)樣本(NselectXMseg)進(jìn)行濾波，并計(jì)算濾 波后信號的方差作為特征，得到訓(xùn)練集的特征集合，…，[和測試集的特征集合 {Λ%"…，其中Ftrainj,i，j = 1，…，Ρι為第i個(gè)時(shí)頻塊內(nèi)腦電信號訓(xùn)練集的第j個(gè)樣 本的特征向量，F(xiàn)testj,i，j = l，···，P2為第i個(gè)時(shí)頻塊內(nèi)腦電信號測試集的第j個(gè)樣本的特征 向量，最后針對訓(xùn)練集和測試集中的每個(gè)樣本，將Q個(gè)時(shí)頻塊內(nèi)的特征向量進(jìn)行拼接，得到 腦電信號訓(xùn)練集和測試集的特征集合，…./々ram .….|和…，F(xiàn)/asi,. · · _. ，. 步驟五、特征分類：對于步驟四得到的腦電信號訓(xùn)練集的特征集合 ，按照右手、右腳兩類運(yùn)動想象模式將其分成兩類，即 {Fira/叫，}和丨F?ramf；,…，卜其中Νη和Nf分別為右手、右腳的樣本數(shù)，組成字 典Fimfri = ^_'〃/卩，…，h，ftra叫，·infv卜針對步驟四中得到的腦電信號測試集的 特征集合中的每一個(gè)特征向量，采用線性稀疏表示模型將其表示為 字典中各個(gè)向量的線性組合，最后通過比較系數(shù)的能量進(jìn)行右手、右腳運(yùn)動想象腦電信號 分類。2. 根據(jù)權(quán)利1所述的基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，其特征 在于:步驟一中升采樣前的腦電信號的采樣頻率為100Hz，升采樣后其采樣頻率為250Hz，且 帶通濾波頻帶為6~40Hz。3. 根據(jù)權(quán)利1所述的基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，其特征 在于:步驟二包含如下幾個(gè)步驟： (1) 針對步驟一處理后得到的腦電信號訓(xùn)練集(NXMXPi)內(nèi)的每個(gè)樣本，對腦電信號進(jìn) 行滑動窗口處理，時(shí)間窗口長度設(shè)為若干秒，在每個(gè)導(dǎo)聯(lián)的每一個(gè)時(shí)間窗口內(nèi)計(jì)算能量 Pch,t=log(var(xch,t))，其中xch,t為導(dǎo)聯(lián)ch上在滑動時(shí)間窗口七內(nèi)的腦電信號，var()為方差 函數(shù)，l〇g()為log函數(shù)； (2) 在每個(gè)導(dǎo)聯(lián)ch的每一個(gè)滑動時(shí)間窗口 t內(nèi)，針對訓(xùn)練集中的右手、右腳兩類運(yùn)動想 象模式，采用線性判別準(zhǔn)則量化類間區(qū)分度，其中mjPm2分別為訓(xùn)練集中兩類 運(yùn)動想象模式樣本的Pch,t的平均值，彳和禮為訓(xùn)練集中兩類運(yùn)動想象模式樣本的Pch,t的方 差； (3) 在每個(gè)導(dǎo)聯(lián)上，針對所有滑動時(shí)間窗口內(nèi)的chS求取其最大值作為該導(dǎo)聯(lián)的類間區(qū) 分度指標(biāo)； (4) 針對所有導(dǎo)聯(lián)，按類間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前Ns^。*個(gè)導(dǎo)聯(lián)通道腦電信 號。4. 根據(jù)權(quán)利1所述的基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，其特征 在于:步驟三包含如下幾個(gè)步驟： (1) 針對步驟二處理后得到的腦電信號訓(xùn)練集(Ns&ctXMXPO,對每一個(gè)樣本中的每一 個(gè)導(dǎo)聯(lián)內(nèi)的包含Μ個(gè)采樣點(diǎn)的腦電信號，在設(shè)定頻帶范圍內(nèi)進(jìn)行滑動窗口處理，時(shí)間窗口長 度設(shè)為若干赫茲，滑動步長設(shè)為時(shí)間窗口長度的一半，共得到Ε個(gè)頻段，在Ε個(gè)頻段內(nèi)對腦電 信號進(jìn)行帶通濾波，得到處理后的腦電信號訓(xùn)練集(Ns^tXMXPiXE); (2) 針對步驟⑴得到的腦電信號訓(xùn)練集(Nseid X Μ X Pi X E)，對每一個(gè)頻段內(nèi)的每一個(gè) 樣本中的每一個(gè)導(dǎo)聯(lián)內(nèi)的包含Μ個(gè)采樣點(diǎn)的腦電信號，在設(shè)定時(shí)間范圍內(nèi)進(jìn)行滑動窗口處 理，時(shí)間窗口長度設(shè)為若干秒，滑動步長設(shè)為時(shí)間窗口長度的五分之二，共得到Τ個(gè)時(shí)間段， 在Τ個(gè)時(shí)間段內(nèi)對腦電信號進(jìn)行截取，得到處理后的腦電信號訓(xùn)練集(Ns^tXMsegXPiXE XT); (3) 針對每個(gè)時(shí)頻塊內(nèi)的腦電信號訓(xùn)練集(Ns^tXMsegXPi)，依據(jù)訓(xùn)練集中的右手、右 腳兩類運(yùn)動想象模式樣本，采用線性判別準(zhǔn)則量化類間區(qū)分度，其中此和此 分別為訓(xùn)練集中兩類運(yùn)動想象模式樣本的NSelect維能量向量的平均值，γ :和γ 2為訓(xùn)練集中 兩類運(yùn)動想象模式樣本的Nselect維能量向量的方差，| | | |2為求取向量2范數(shù)處理； (4) 針對所有時(shí)頻塊，按類間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前Q個(gè)時(shí)頻塊內(nèi)的腦電信 號進(jìn)行后續(xù)處理，得到處理后的腦電信號訓(xùn)練集(NsektXMsegXPiXQ)和腦電信號測試集 (Nselect X Mseg X P2 X Q ) 〇5. 根據(jù)權(quán)利1所述的基于空時(shí)頻優(yōu)化特征稀疏表示的運(yùn)動想象腦電分類方法，其特征 在于:步驟四中采用共空間模式算法提取特征的具體過程如下： 依據(jù)不同的運(yùn)動想象模式，將訓(xùn)練集分為兩類，設(shè)XjPX2分別是每一類的一個(gè)樣本，它 們對應(yīng)的歸一化的空間協(xié)方差矩陣心和心為其中T上標(biāo) 代表矩陣的轉(zhuǎn)置，trace()代表矩陣的跡;將所有樣本的協(xié)方差矩陣按類別計(jì)算均值得到：其中仏和心分別為兩類樣本的個(gè)數(shù)；得到混合協(xié)方差矩陣 Λ =瓦+瓦;對R進(jìn)行特征值分解:R = UXUT，其中U是特征向量矩陣，Σ是特征值的對角矩陣； 得到白化變換矩陣:Ρ= Σ~2UT;對瓦進(jìn)行白化處理.S: = 得到Si，再對Si做特征值分解Si =山Σ山/，其中U!是特征向量矩陣，Σ :是特征值的對角矩陣，設(shè)λ!，i = 1，2，…，NSeiect為 Nselect個(gè)特征值且4 2：···2冬&，分別取最大和最小的1個(gè)特征值對應(yīng)的特征向量構(gòu) 成空間濾波器Wi，濾波后的信號分別為名=和X 〖，對于濾波后的信號X7 i，i = 1， 2,分別提取其每一行方差作為特征值。6.根據(jù)權(quán)利1所述的基于空時(shí)頻域優(yōu)化特征稀疏表示的運(yùn)動想象腦電信號分類方法， 其特征在于： 步驟五中腦電信號測試集的特征集合中的某一個(gè)特征向量可由腦電信號訓(xùn)練集的特 征字典線性表示二七尸紀(jì)推弋十.x%+ ^+丨為旭inf!+…衫 也可表示為Ftestj = Ftrain · X，j = l，…，P2,其中X為系數(shù)向量，F(xiàn)train為字典矩陣，采用向 量1范數(shù)最小化的準(zhǔn)則求取系數(shù)向量，即min| |χ| |ι使得Ftestj = Ftrain · X，其中min代表取 最小值，最后根據(jù)下式進(jìn)行特征分類：
【文檔編號】G06K9/62GK105956624SQ201610298002
【公開日】2016年9月21日
【申請日】2016年5月6日
【發(fā)明人】王愛民, 苗敏敏, 陳安然, 戴志勇, 劉飛翔
【申請人】東南大學(xué)