[发明专利]基于通道加权支持向量的运动想象脑电分类方法

说明书

技术领域

本发明属于模式识别领域，涉及一种运动想象脑电信号模式识别方法，特别涉及一种用于智能康复辅具控制的多运动想象任务分类方法。

背景技术

大脑作为控制人类的思想、行为、情绪等活动的中枢，分析处理从外部环境获取的信息，通过神经肌肉通路完成与外界的交流。然而，不少异常疾病，如脊髓损伤、肌萎缩侧索硬化症、脑中风等，都能损伤或削弱控制肌肉的神经通路以及肌肉本身的功能。病情严重的患者可能完全丧失自主控制的能力，甚至影响说话等功能，完全没有办法用传统的方式表达意愿或与外界交流。我国乃至全世界有成百上千万人受此类疾病困扰，尽管现代生命支持技术可以维持部分患者的生命，但是由此给患者、家庭和社会带来了无尽的痛苦和沉重的负担。

从人体运动的源头出发，直接提取大脑信号解读患者的意愿，或将大脑信号解读成相应的命令来实现与外部世界的交流和控制，实现脑-机交互。以人类大脑为对象的头皮脑电（EEG）信号研究表明，它主要由各种节律性电活动组成，与运动想象紧密联系的一种电生理现象是事件相关去同步（ERD）和事件相关同步（ERS）现象。ERD/ERS现象所引起特定频段脑电波分布位置以及强度的差别，为区分不同的运动想象任务所产生脑电信号提供了识别基础。目前，国内外多个研究小组开展了基于ERD/ERS运动想象脑电信号的模式分类方法和实验研究。奥地利Graz科技大学Pfurtscheller教授领导的研究小组成功建立了Graz I、II系统，部分受试者经过训练后，在两类运动想象任务识别中可获得高达85%的在线分类正确率，然而在三类运动想象任务识别中只有77%。美国Minnesota大学He等利用运动想象脑电对虚拟环境中的直升机进行了快速、连续的控制，总体上三名受试者获得了大约85%的正确率。国内，清华大学高上凯研究小组开展了基于运动想象的光标移动、康复辅助训练等BCI系统研究，在预处理、特征提取、模式分类等算法研究和应用上取得了丰硕的成果，并在三类运动想象任务识别研究中取得了79.48%的在线平均分类正确率和85%的离线平均分类正确率。上海交通大学张丽清等研究了张量意义上的普通张量判别分析算法，用来提取单次EEG样本的特征向量，采用支持向量机（SVM）对样本进行训练及分类识别，结果表明该算法提高了分类准确率。东南大学宋爱国等分别采用离散小波变换和AR模型对运动想象脑电信号进行特征提取，两类特征组合后分别送入不同的分类器进行分类和比较，在左右手两类运动想象脑电数据上得到了89.5%的平均识别准确度。总的来说，三种及以上的多类运动想象任务识别率还难以令人满意。

基于运动想象脑电信号的模式识别大多采用固定的少路数通道，所需的电极少，不仅缩短准备时间，而且少量数据需要小的信息处理代价。然而，有些受试者采用特定肢体运动想象策略并不能有效激活大脑运动皮层神经元。德国Berlin工业大学Blankertz等指出，采用神经生理先验知识选择的少量通道并不一定产生比全通道采集更佳的结果，电极选取不足也会降低分类正确率。随后，Sannelli、Schroder、Barachant等对多名受试者想象左右手、脚部等运动的EEG数据进行研究，也证实了这一观点，尤其是随意地选择部分通道来进行研究时，不同通道组合得到的分类精度差异通常较大。以最少的脑电数据获得最好的分类效果为目标，Arvaneh 、Gao等学者进一步研究通道优化选择问题，结果表明采用CSP及其扩展算法、SVM递归通道排除法等方法都能够在某种选择判据下找到最适合特定受试者的通道位置，不仅减少电极数量，而且提高分类性能，同时也指出大量的通道能提供更为丰富的信息，但一些不相关或者噪声污染通道提供的信息会在一定程度上影响分类精度。因此，虽然大脑皮层不同的区域完成相对独立的功能，但完成某一特定的运动想象任务，需要一个或几个空间上分离的功能区的同时参与；进行不同的运动想象任务，激活的运动皮层上的区域也不尽相同，因此针对不同受试者和运动想象任务自动选择最佳的通道配置，关系到有用信号获取的完整性和BCI系统的效率。

综上所述，如何针对不同的受试者和运动想象任务，既能完整提取被特定运动想象任务同时激活的多个脑区上的EEG信号，又能自适应地选择最能反映运动想象EEG存在的有效通道，这一问题没有得到有效解决。

发明内容

本发明的目的就是针对现有多类运动想象任务识别率偏低、自适应的最佳通道选择困难等问题，提供一种基于通道加权支持向量的运动想象脑电分类方法。