[发明专利]基于W‑PCA和无监督GHSOM的脑电信号识别方法

说明书

技术领域

本发明涉及脑-机接口(brain-computer interface,BCI)系统想象运动脑电信号特征的模式识别方法，特别涉及基于小波变换(Wavelet Transform,WT)和主元分析(Principal Component Analysis,PCA)相结合的多尺度主元分析(记为W-PCA)特征提取方法和基于生长、分层的自组织映射(Growing Hierarchical Self-Organizing Map,GHSOM)神经网络的无监督分类方法。

背景技术

脑-机接口是一种随着计算机技术发展起来的新兴研究系统，它可以在人或者动物大脑与计算机或其他外部设备之间建立直接的信息交互和控制通道。BCI系统工作原理为：大脑在受到某种特定刺激或进行某种特定思考时，脑神经元细胞会产生相应的放电现象，通过介质(导电膏或电极)从大脑皮层提取出后表现为脑电波，使用脑电采集设备将其放大及模数(A/D)转换处理后，经特征提取和模式分类算法分析得到特定的脑电信号，最后将其转换为控制外部设备的信号来完成相应的任务，如图1所示。

想象运动脑电属于内源性诱发响应，是通过受试者真正的主观意识诱发的脑电成份。同时，与想象运动紧密联系的是事件相关去同步/事件相关同步(ERD/ERS)现象，即当想象单侧肢体运动时，大脑运动感觉区的mu节律和beta节律震荡的幅度减小或阻滞，对应的特定频段信号幅度降低、频带能量减少/特定频段信号幅度升高、频带能量增加。Pfurtscheller等人有些研究表明，肢体的真实运动或想象运动都会引起大脑运动感觉区相关节律的ERD/ERS现象，想象不同的肢体运动所引起的ERD的空间分布特性符合大脑运动感觉区肢体的对应分布。所以，想象运动无需依赖任何刺激，仅靠想象便可以产生具有区分性的脑电信号，即可以作为BCI系统的输入信号。

BCI系统的核心算法集中在对脑电信号的模式识别。如何实现对本征特征的准确提取和有效识别，就涉及到特征提取和分类方法的选择。现有脑电信号模式识别的方法，如利用快速傅里叶变换法、离散小波变换法或主成分分析等方法提取脑电信号特征，再结合BP神经网络或支持向量机(SVM)等分类方法完成脑电信号的模式识别。但是，基于上述方法提取的脑电特征之间存在一定的线性相关性；另外，分类算法大多属于监督学习算法，其学习的大致过程为：对有标记样本进行学习建立分类器模型，再根据已建立模型对未标记样本进行分类测试，这不仅要求实验者花费很多时间进行大量实验来获取有标记的训练样本，而且导致分类器模型自学习能力和泛化能力受限。从而影响了识别方法的自适应性。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于小波变换结合主元分析和无监督学习的GHSOM神经网络相结合的方法，实现对想象左、右手运动脑电信号的模式识别，以提高分类准确率及分类器的自适应性。

为了实现上述目的，本发明采用如下技术方案：

实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行2N次左、右手想象运动试验，分别包含想象左手动作和想象右手动作各N次试验。数据通过差分电极从国际标准的10～20导联系统的C3、C4电极获得。脑电记录仪会将此脑电变化的过程完整记录并存储下来。最后利用计算机实现W-PCA和GHSOM神经网络相结合的方法对脑电信号进行模式识别。

基于W-PCA和无监督GHSOM的脑电信号识别方法，主要包括以下步骤：

步骤一，脑电信号预处理。

电生理学研究表明，想象运动导致事件相关去同步化ERD或事件相关同步化ERS产生的μ节律和β节律的频率分别为8-12H_Z和13-28H_Z，这些生理学上的节律信号可用于判别想象左右手运动的脑电信号，所以利用FIR(Finite Impulse Response)滤波器对采集的脑电信号进行8-30H_Z带通滤波，以获取较为明显的ERD生理特征数据段。

步骤二，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取。

基于小波变换的主元分析，将小波变换提取变量局部特征和降低变量自相关性的能力和主成分分析去除变量间的线性相关性的能力相结合。

小波变换中的小波分解算法如式(1)所示：