[发明专利]基于NA-MEMD和互信息的脑电IMF分量选择方法

说明书

技术领域

本发明属于脑-机接口领域，涉及一种基于NA-MEMD和互信息的脑电IMF分量选择方法。

背景技术

脑电信号(electroencephalogram,EEG)是大脑内部的神经细胞活动在大脑皮层的综合反映，包含着与大脑状况，思维过程等方面的相关信息，因而对脑电信号进行处理并提取有用信息已经成为脑科学研究的重要内容。

噪声辅助的多变量经验模式分解(noise-assistedmultivariateempiricalmodedecomposition,NA-MEMD)方法，是一种非线性的时频域分析方法，可以自适应地将多变量数据同时分解成对应多通道的具有不同特征尺度的多组本征模态函数(intrinsicmodefunction,IMF)。但该方法存在分解结果包含大量虚假的IMF分量问题，这会对后续的分类产生不良影响。因此，从分解得到的各阶IMF分量中选取包含有用信息的成分显得尤为重要。但现有的选取方法依赖于先验信息，具有主观性。

互信息方法广泛应用于量化两个随机变量间共有的线性和非线性信息以衡量变量的相关程度，可以用于IMF的选取。但传统互信息方法用于脑电信号时，一次只能处理两个通道的信号。当用于多通道处理时，运算复杂，不能充分利用多通道间的有效信息。

发明内容

本发明的目的就是针对现有的选取有用分量的方法存在的依赖于先验信息，运算复杂度高，有效信息利用不充分的问题，提出基于NA-MEMD和互信息的提取脑电信号有用分量的方法。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1)使用NA-MEMD同时对多通道的EEG和辅助噪声共同组成的信号进行分解，得到数量和频率一致的IMF分量；

步骤(2)分别计算出多通道的EEG与多通道的EEG的IMF分量、辅助噪声与辅助噪声的IMF分量、多通道的EEG的IMF分量与辅助噪声的IMF分量的相关性；

步骤(3)根据相关性得到的敏感因子筛选出有用的IMF分量并重构，使用共空间模式(commonspatialpattern,CSP)对重构信号进行特征提取，并使用支持向量机(SupportVectorMachine，SVM)对特征向量进行分类。

本发明具有如下有益效果：

1、减少运算量，提高特征提取效率

本发明对传统的互信息进行改进，将单通道脑电信号看成是一个向量，将多通道的信号组合成矩阵，然后对矩阵进行二维互信息分析。可以一次性揭示多通道的相关性，降低了计算复杂度。

2、不依赖于先验信息，提高特征区分度

本发明根据二维互信息计算相关性得到的敏感因子选取有用分量，且加入不相关的噪声通道辅助选取，选取依据客观充分，且不需要预先明确脑电信号的有用频带信息。

图1为本发明的实施流程图。

下面结合附图详细描述本发明基于NA-MEMD和二维互信息的提取脑电信号有用分量的方法。

下面逐一对各步骤进行详细说明。

步骤一：使用NA-MEMD同时对多通道的EEG和辅助噪声共同组成的信号进行分解，得到数量和频率一致的IMF分量：

(1)引入s通道不相关高斯白噪声信号n(t)，其长度与v通道的待处理信号x(t)等长,假设都为L；

(2)将生成的s通道噪声信号n(t)加入到v通道待处理信号x(t)中，构成q通道的多元信号z(t)，其中q＝s+v；

(3)在一个球面上，选择q-1个采样点集，即得到q维空间的方向向量

(4)计算信号z(t)沿着方向向量的投影，记作

(5)找出投影信号的局部极值(包括极大值和极小值)所对应的瞬时时间j表示极值点位置,j∈[1,L]；

(6)对利用样条插值法获得多变量包络曲线

(7)对于K个方向向量，包络曲线的均值m(t)为：