[发明专利]基于CSP和R‑CSP算法的脑电信号特征提取方法

说明书

技术领域

本发明涉及脑电信号特征提取方法，特别涉及基于CSP和R-CSP算法的脑电信号特征提取方法。

背景技术

大脑是有亿万个神经元组成的复杂系统，负责人体的各个功能的协调运作，通过大脑皮层上的电极记录下大脑细胞群的电位活动称为脑电信号(Electroencephalogram，EEG)。将采集到的脑电信号经过预处理、特征提取和分类识别等步骤，最终输入到计算机或者相关的电子设备里，外部设备通过解读人脑不同意识活动状态做出相对应的动作，这就是脑-机接口(Brain Computer Interface，BCI)技术的实现过程。BCI能给一些身体不能动弹而思维清醒的人带来重新与外界交流的机会，在康复领域具有极其重大的研究价值。

特征提取是脑机接口中至关重要的一部分，特征提取的结果将直接影响下一步模式分类的正确率。特征提取是对某一模式下测量出的测量值进行变化或映射，通常所涉及的信号具有数量大、位于较高维度空间的特点。我们需要从这些数量较大或高维空间中提取出比较具有代表性的特征，以突出该模式的特点，这就是特征提取的精髓。

在脑电采集实验中，如果采集训练样本数量比较少，利用传统的CSP算法进行特征提取时，协方差估计可能会产生不良的效果，再加上脑电信号本身是一种信噪比低的信号，又会让估计方差变得更高，进而对EEG信号的特征提取产生影响。其次，由于小样本的数据需要多次进行采集实验，而采集的时间过长或者次数过多时，受试者的情绪和身体状况等诸多因素的影响数据的可靠性，导致采集到的数据冗余，会影响分类结果。所以，当选取多位受试者进行实验时，是否能对他们同一侧的想象运动进行相关性的研究，减少目标受试者被实验的次数，从而获得更高的分类效果。

发明内容

本发明的目的是针对传统CSP算法对小样本的脑电信号进行特征提取时，其提取的特征信号存在协方差估计误差的缺点，提出了一种新的基于正规化的CSP算法(Regularized Common Spatial Pattern(R-CSP))处理小样本EEG数据。

本发明的目的可以通过以下技术方案实现：

本发明基于CSP和R-CSP算法的脑电信号特征提取方法，具体包括以下步骤：

步骤1.选取多名实验者的脑电信号数据作训练集和测试集，并对每个实验者的脑电信号进行预处理，包括信号长度选取以及EEG阈值去噪；

EEG阈值去噪的具体步骤如下：

(1)根据每一次做运动想象时所出现的提示位置的点，根据采样频率和采样时间，以提示点位置开始向后取“采样频率*单次采样时间”个点作为一组脑电数据集；

(2)选取小波基函数db4对EEG信号分别进行3层分解；

(3)将分解得到的小波系数通过阈值函数表达式处理，其阈值函数的数学表达式为

式中，式中是真实信号小波系数的估计值；λ_j，k是选取的阈值；w_j，k是小波分解后高频部分的小波系数，即表示j尺度上k点的小波系数值；a是形状系数，用于控制w_j，k＜λ_j，k区域内的函数形状，即控制衰减程度，λ_j，k表示阈值；由上面表达式可以看出，当a＝0时，该方法为软阈值法，在a为非0情况下，改进的阈值比纯软阈值具有更好的平滑性；

(4)传统的Dohono的阈值记为λ_j，k，即表示j尺度上k点的阈值，则Dohono的阈值的表达式为

定义加权阈值缩放因子λ_j，InN表示对w_j，k的长度取对数运算，N是w_j，k的长度。根据分解层次不同，对应的阈值不同，能有效的去除脑电信号中的噪声信号，缩放因子的表达式为：

λ_j＝p/(1+In(j))²

其中，p≥0、j是分解尺度；

对Donoho阈值进行缩放得到各个分解子空间的阈值，记为T_j，k其表达式为：

T_j，k＝λ_j*λ_j，k

根据分解尺度对频率高的子空间进行阈值放大，对频率低的子空间阈值进行缩小，进而增强对EEG中高频噪声的抑制，保留低频有用信号；根据实际情况，对参数a和p进行选取，使去噪效果达到最理想的状态；经过多次的实验仿真，当a＝0.01，p＝0.1时，去噪后的效果最为理想；