[发明专利]基于PCA和Granger因果的脑网络特征提取方法

说明书

技术领域

本发明属于脑-机接口领域，涉及一种用于智能康复辅具控制的基于PCA和Granger因果关系的脑功能网络特征提取算法。

背景技术

脑-机接口(BCI)技术近年来发展迅速，是目前人机交互领域研究的热点，它以脑电(EEG)信号为基础，通过预处理、特征提取、模式识别和控制命令生成，实现人的“意念控制”，涉及面已经从最初的康复医疗拓展到航天员训练、智能家居、游戏娱乐等领域。

随着对人脑结构和功能的不断探索，越来越多的研究者意识到脑功能网络对运动想象(MI)研究的重要性。MI是指仅仅在大脑中反复进行运动模拟训练的一种心理作业，有助于运动功能障碍患者的康复治疗，在神经科学和临床医学上扮演越来越重要的角色。已有的研究表明，即便是一项非常简单的认知任务也需要多个不同的功能区域相互作用，构成一个网络协调工作发挥功能，例如人们在进行MI时大脑的主运动区(M1)、辅助运动区(SMA)、感觉皮层(S1)等区域被激活，并且不同激活区域之间会产生相应的脑功能网络效应。

特征提取是BCI系统中的关键技术之一。已有的EEG特征提取方法如傅里叶变换、自回归模型、功率谱与自适应回归模型、四阶累积量、小波变换、小波包变换、希尔伯特－黄变换、复杂度分析法、张量分析法、空－频域滤波虽然都能提取有效的脑电特征，但大多是基于孤立脑区的信号研究，未考虑到脑区之间的功能联通性关系，因此存在一定的局限性和不足。

发明内容

本发明的目的就是针对现有脑电特征提取算法大多是基于孤立脑区的信号研究、未考虑到脑区之间的功能联通性关系的问题，提出一种基于PCA和Granger因果关系的脑功能网络特征提取算法。发明思路如下：利用主成分分析(PCA)提取功能脑区内的最大主成分时间信息，再利用Ganger因果关系计算最大主成分之间的因果度量，映射到全脑，形成Granger因果流向图，提取因果度量作为特征参数。

为了实现以上目的，本发明基于PCA和Granger因果的脑网络特征提取方法，具体包括以下步骤：

步骤(1)：对多路通道信号进行大脑功能区域的划分；

步骤(2)：利用PCA提取各个功能区域的最大主成分时间信息；

步骤(3)：计算最大主成分之间的因果度量，并作为特征参数。

本发明与已有的脑电特征提取方法相比，有如下特点：

1、已有的EEG特征提取方法大多是基于孤立脑区的信号研究，未考虑到脑区之间的功能联通性关系，本发明能整体反映脑电信号的信息，弥补已有方法的局限性和不足。

2、本发明从脑功能网络效应出发，以Granger因果理论为基础，揭示了脑区间的连接效应，更加综合全面地表征脑电信号所包含的丰富信息，有利于进一步的模式分类。

本发明方法可以较好地满足脑电特征提取要求，在脑-机接口、脑疾病诊断领域具有广阔的应用前景。

附图说明

图1为本发明的实施流程图。

具体实施方式

下面结合附图详细描述本发明基于PCA和Granger因果关系的脑功能网络特征提取算法，图1为实施流程图。

如图1，本发明方法的实施主要包括3个步骤：(1)对多路通道信号进行大脑功能区域的大致划分；(2)利用PCA提取各个功能区域的最大主成分时间信息；(3)计算最大主成分之间的因果度量，并作为特征参数。

下面逐一对各步骤进行详细说明。

步骤一：对多路通道信号进行大脑功能区域的大致划分

依据布罗德曼分区系统(Brodmannarea)以及脑功能区域的相关理论对多路通道信号进行大脑区域的大致划分。左半球区域：LSMA(FC1)、LM1(C3)、LS1(CP1、C1、P1)、LPMD(FC3)、LIPL(CP5)；右半球区域：RSMA(FC2)、RM1(C4)、RS1(CP2、C2、P2)、RPMD(Fc4)、RIPL(CP4)。

步骤二：利用PCA提取各个功能区域的最大主成分时间信息