基于csp和r-csp算法的腦電信號(hào)特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及腦電信號(hào)特征提取方法，特別涉及基于CSP和R-CSP算法的腦電信號(hào) 特征提取方法。
【背景技術(shù)】
[0002] 大腦是有億萬個(gè)神經(jīng)元組成的復(fù)雜系統(tǒng)，負(fù)責(zé)人體的各個(gè)功能的協(xié)調(diào)運(yùn)作，通過 大腦皮層上的電極記錄下大腦細(xì)胞群的電位活動(dòng)稱為腦電信號(hào)（Electroencephalogram， EEG)。將采集到的腦電信號(hào)經(jīng)過預(yù)處理、特征提取和分類識(shí)別等步驟，最終輸入到計(jì)算機(jī)或 者相關(guān)的電子設(shè)備里，外部設(shè)備通過解讀人腦不同意識(shí)活動(dòng)狀態(tài)做出相對應(yīng)的動(dòng)作，這就 是腦 -機(jī)接口（Brain Computer Interface，BCI)技術(shù)的實(shí)現(xiàn)過程。BCI能給一些身體不能 動(dòng)彈而思維清醒的人帶來重新與外界交流的機(jī)會(huì)，在康復(fù)領(lǐng)域具有極其重大的研宄價(jià)值。
[0003] 特征提取是腦機(jī)接口中至關(guān)重要的一部分，特征提取的結(jié)果將直接影響下一步模 式分類的正確率。特征提取是對某一模式下測量出的測量值進(jìn)行變化或映射，通常所涉及 的信號(hào)具有數(shù)量大、位于較高維度空間的特點(diǎn)。我們需要從這些數(shù)量較大或高維空間中提 取出比較具有代表性的特征，以突出該模式的特點(diǎn)，這就是特征提取的精髓。
[0004] 在腦電采集實(shí)驗(yàn)中，如果采集訓(xùn)練樣本數(shù)量比較少，利用傳統(tǒng)的CSP算法進(jìn)行特 征提取時(shí)，協(xié)方差估計(jì)可能會(huì)產(chǎn)生不良的效果，再加上腦電信號(hào)本身是一種信噪比低的信 號(hào)，又會(huì)讓估計(jì)方差變得更高，進(jìn)而對EEG信號(hào)的特征提取產(chǎn)生影響。其次，由于小樣本的 數(shù)據(jù)需要多次進(jìn)行采集實(shí)驗(yàn)，而采集的時(shí)間過長或者次數(shù)過多時(shí)，受試者的情緒和身體狀 況等諸多因素的影響數(shù)據(jù)的可靠性，導(dǎo)致采集到的數(shù)據(jù)冗余，會(huì)影響分類結(jié)果。所以，當(dāng)選 取多位受試者進(jìn)行實(shí)驗(yàn)時(shí)，是否能對他們同一側(cè)的想象運(yùn)動(dòng)進(jìn)行相關(guān)性的研宄，減少目標(biāo) 受試者被實(shí)驗(yàn)的次數(shù)，從而獲得更高的分類效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是針對傳統(tǒng)CSP算法對小樣本的腦電信號(hào)進(jìn)行特征提取時(shí)，其 提取的特征信號(hào)存在協(xié)方差估計(jì)誤差的缺點(diǎn)，提出了一種新的基于正規(guī)化的CSP算法 (Regularized Common Spatial Pattern (R-CSP))處理小樣本 EEG 數(shù)據(jù)。
[0006] 本發(fā)明的目的可以通過以下技術(shù)方案實(shí)現(xiàn)：
[0007] 本發(fā)明基于CSP和R-CSP算法的腦電信號(hào)特征提取方法，具體包括以下步驟：
[0008] 步驟1.選取多名實(shí)驗(yàn)者的腦電信號(hào)數(shù)據(jù)作訓(xùn)練集和測試集，并對每個(gè)實(shí)驗(yàn)者的 腦電信號(hào)進(jìn)行預(yù)處理，包括信號(hào)長度選取以及EEG閾值去噪；
[0009] EEG閾值去噪的具體步驟如下：
[0010] (1)根據(jù)每一次做運(yùn)動(dòng)想象時(shí)所出現(xiàn)的提示位置的點(diǎn)，根據(jù)采樣頻率和采樣時(shí)間， 以提示點(diǎn)位置開始向后取"采樣頻率*單次采樣時(shí)間"個(gè)點(diǎn)作為一組腦電數(shù)據(jù)集；
[0011] (2)選取小波基函數(shù)db4對EEG信號(hào)分別進(jìn)行3層分解；
[0012] (3)將分解得到的小波系數(shù)通過閾值函數(shù)表達(dá)式處理，其閾值函數(shù)的數(shù)學(xué)表達(dá)式 為
【主權(quán)項(xiàng)】
1.基于CSP和R-CSP算法的腦電信號(hào)特征提取方法，其特征在于，該方法具體包括以下 步驟： 步驟1.選取多名實(shí)驗(yàn)者的腦電信號(hào)數(shù)據(jù)作訓(xùn)練集和測試集，并對每個(gè)實(shí)驗(yàn)者的腦電 信號(hào)進(jìn)行預(yù)處理，包括信號(hào)長度選取以及EEG閾值去噪； 步驟2.利用正則化CSP算法對預(yù)處理后的信號(hào)進(jìn)行分析研宄；從多名實(shí)驗(yàn)者中選取 1名作為目標(biāo)實(shí)驗(yàn)者，其余作為輔助實(shí)驗(yàn)者，調(diào)節(jié)正則化參數(shù)使目標(biāo)實(shí)驗(yàn)者和輔助實(shí)驗(yàn)者之 間的訓(xùn)練數(shù)據(jù)相結(jié)合，構(gòu)造出正則化的空間濾波器對腦電數(shù)據(jù)進(jìn)行濾波處理，完成特征信 號(hào)的提取工作； 特征信號(hào)的提取工作的主要具體步驟如下：對每個(gè)實(shí)驗(yàn)者的訓(xùn)練樣本 求解協(xié)方差矩陣，則可以得到標(biāo)準(zhǔn)的空間協(xié)方差為
式中，句表不信號(hào)，dG{1，2}表不類別d的第i個(gè)樣本的腦電信號(hào)，NXT表不維度，T表示為每次任務(wù)中每個(gè)通道的采樣點(diǎn)數(shù)；Ff.是巧的轉(zhuǎn)置，)是矩陣；Ef的對 角元素之和，即矩陣的跡，^表示協(xié)方差； 在任務(wù)類型已知的訓(xùn)練集中，分別將對兩類任務(wù)的樣本矩陣進(jìn)行各自的空間協(xié)方差計(jì) 算，平均正則化協(xié)方差矩陣為：
式中：c表示類別，其中（0彡Y彡1)和（0彡0彡1)，Y，0為正則化參數(shù)，I為NXN 的單位矩陣，3e(灼定義如下
式中：r。表示為目標(biāo)受試者進(jìn)行k次c類實(shí)驗(yàn)的協(xié)方差矩陣之和：
C表示為輔助受試者進(jìn)行f次c類實(shí)驗(yàn)的協(xié)方差矩陣之和，即：
式中I' = (5-1+)xI表示共有s名受試者，其中進(jìn)行單側(cè)想象運(yùn)動(dòng)為k次；y表示 輔助受試者第j次c類實(shí)驗(yàn)的協(xié)方差矩陣，其中〗=1,2,... 根據(jù)以上的公式可知，當(dāng)0 =Y= 〇的時(shí)候，R-csp變?yōu)閭鹘y(tǒng)的CSP算法；當(dāng)都不為 零的時(shí)候，根據(jù)調(diào)整不同的0和Y的值，根據(jù)不同的參數(shù)的選擇，逐一對比不同參數(shù)的實(shí) 驗(yàn)結(jié)果，通過不斷的精選參數(shù)的過程中，最終使小樣本特征提取的結(jié)果達(dá)到最優(yōu)，進(jìn)而得到 更好的分類結(jié)果； 在正則化參數(shù)的作用下，得到受試者的兩類運(yùn)動(dòng)想象的EEG信號(hào)來構(gòu)造平均正則化協(xié) 方差矩陣，它們分別是
式中，仏和1^分別表示目標(biāo)受試者的A類和B類訓(xùn)練樣本的協(xié)方差矩陣之和，$和g分別表示輔助受試者的A類和B類訓(xùn)練樣本的協(xié)方差矩陣之和，tr是矩陣的跡，I為NXN 的單位矩陣；將ZA(0，Y)和ZB(0，Y)進(jìn)行求和操作，然后對其和進(jìn)行特征分解，如下所 示：
式中，為對應(yīng)的特征向量矩陣，義是特征值對角矩陣，則正則白化矩陣為
進(jìn)行變換得到如下等式：
式中，心和乙是對角矩陣，其中心+心其對應(yīng)的特征向量矩陣又分別是$和〇^分 別選取和心中最大的特征值對應(yīng)的特征向量&和iJs，構(gòu)造空間濾波器
設(shè)X為經(jīng)過預(yù)處理后的EEG信號(hào)XJPXB分別是對應(yīng)的兩類訓(xùn)練樣本，經(jīng)過濾波器^和WB之后，得到特征向量[ZA，ZB]為
步驟3.將遺傳算法和以徑向基函數(shù)為模型的支持向量機(jī)（SVM)分類器相結(jié)合對特征 向量進(jìn)行分類，得到實(shí)驗(yàn)分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于CSP和R-CSP算法的腦電信號(hào)特征提取方 法，其特征在于：所述的EEG閾值去噪具體步驟如下： (1) 根據(jù)每一次做運(yùn)動(dòng)想象時(shí)所出現(xiàn)的提示位置的點(diǎn)，根據(jù)采樣頻率和采樣時(shí)間，以提 示點(diǎn)位置開始向后取"采樣頻率*單次采樣時(shí)間"個(gè)點(diǎn)作為一組腦電數(shù)據(jù)集； (2) 選取小波基函數(shù)db4對EEG信號(hào)分別進(jìn)行3層分解； (3) 將分解得到的小波系數(shù)通過閾值函數(shù)表達(dá)式處理，其閾值函數(shù)的數(shù)學(xué)表達(dá)式為
式中，式中是真實(shí)信號(hào)小波系數(shù)的估計(jì)值；k是選取的閾值;w 1 k是小波分解后 高頻部分的小波系數(shù)，即表示j尺度上k點(diǎn)的小波系數(shù)值；a是形狀系數(shù)，用于控制％,k<入j, k區(qū)域內(nèi)的函數(shù)形狀，即控制衰減程度，Aj,k表示閾值；由上面表達(dá)式可以看出，當(dāng)a = 〇時(shí)， 該方法為軟閾值法，在a為非0情況下，改進(jìn)的閾值比純軟閾值具有更好的平滑性； (4) 傳統(tǒng)的Dohono的閾值記為Aj>k，即表示j尺度上k點(diǎn)的閾值，則Dohono的閾值的 表達(dá)式為
定義加權(quán)閾值縮放因子InN表示對％,k的長度取對數(shù)運(yùn)算，N是ww的長度；根據(jù) 分解層次不同，對應(yīng)的閾值不同，能有效的去除腦電信號(hào)中的噪聲信號(hào)，縮放因子的表達(dá)式 為： 入』=p/(l+In(j)) 2 其中，P彡〇、j是分解尺度； 對Donoho閾值進(jìn)行縮放得到各個(gè)分解子空間的閾值，記為Tm，其表達(dá)式為： Tj，k= A j*Aj，k 根據(jù)分解尺度對頻率高的子空間進(jìn)行閾值放大，對頻率低的子空間閾值進(jìn)行縮小，進(jìn) 而增強(qiáng)對EEG中高頻噪聲的抑制，保留低頻有用信號(hào)；根據(jù)實(shí)際情況，對參數(shù)a和p進(jìn)行選 取，使去噪效果達(dá)到最理想的狀態(tài)； (5) 將經(jīng)過閾值縮放后的小波系數(shù)進(jìn)行重構(gòu)，得到去噪后的腦電信號(hào)。
3. 根據(jù)權(quán)利要求1所述的基于CSP和R-CSP算法的腦電信號(hào)特征提取方法，其特征在 于：使用支持向量機(jī)分類器對特征向量分類的具體步驟如下： (1) 對支持向量機(jī)中的初始化參數(shù)進(jìn)行設(shè)置，初始化參數(shù)包括種群的大小、終止迭代 數(shù)、交叉和變異的概率； (2) 從腦電信號(hào)中選取一組作為訓(xùn)練數(shù)據(jù)，通過訓(xùn)練得到訓(xùn)練的模型"model"， model是一個(gè)1X1的結(jié)構(gòu)體； ⑶將最優(yōu)訓(xùn)練模型作為輸入?yún)?shù)，選取好測試集和測試集標(biāo)簽，進(jìn)而測出測試集數(shù)據(jù) 的分類正確率。
4. 根據(jù)權(quán)利要求2所述的基于CSP和R-CSP算法的腦電信號(hào)特征提取方法，其特征在 于：所述的a= 0? 01，p= 0? 1。
【專利摘要】本發(fā)明涉及一種基于CSP和R-CSP算法的腦電信號(hào)特征提取方法。本發(fā)明針對傳統(tǒng)CSP算法提取小樣本的腦電信號(hào)時(shí)，其協(xié)方差估計(jì)會(huì)產(chǎn)生較大的誤差，本發(fā)明在傳統(tǒng)的CSP算法上改進(jìn)，提出了正則化的CSP算法(R-CSP)。首先利用小波閾值去噪算法對信號(hào)進(jìn)行去噪處理；其次，求對5名實(shí)驗(yàn)者協(xié)方差矩陣，并選取其中一個(gè)為目標(biāo)實(shí)驗(yàn)者，其余作為輔助實(shí)驗(yàn)者，通過正則化參數(shù)的選擇來構(gòu)造出最優(yōu)的空間濾波器，從而提取到特征向量。最后，利用遺傳算法來優(yōu)化支持向量機(jī)分類器，進(jìn)而提高分類結(jié)果的正確率。其最終的分類結(jié)果表明，R-CSP算法相比于傳統(tǒng)的CSP算法其分類識(shí)別的正確率更好。
【IPC分類】A61B5-0476
【公開號(hào)】CN104771163
【申請?zhí)枴緾N201510050269
【發(fā)明人】馬玉良, 許明珍, 高云園, 孟明, 席旭剛
【申請人】杭州電子科技大學(xué)
【公開日】2015年7月15日
【申請日】2015年1月30日