[发明专利]基于LMD熵特征和LVQ神经网络的运动想象脑电信号识别方法

说明书

技术领域

本发明属于脑电信号识别分析领域，尤其涉及一种基于改进LMD、能量熵、模糊熵、多尺度熵和LVQ神经网络的运动想象脑电信号识别方法。

背景技术

脑机接口(Brain Computer Interface，BCI)是一种人脑和外界交流的方式，它不依赖大脑神经和肌肉就可以实现。脑机接口在医疗康复、游戏、军事等领域有着光明的应用前景，是21世纪的前沿科学。采集大脑生物电信号的方法有植入式和非植入式，其中基于EEG的非植入式脑机接口被广泛使用。脑电信号(Electroencephalogram，EEG)反映了大脑功能状态和大脑组织电活动，当进行运动任务或运动想象时，大脑中负责运动感知的节律(8-12Hz)和节律(18-25Hz)会发生改变，发生事件相关去同步事件(Event-Related Desynchronization，ERD)或事件相关同步事件(Event-Rrelated Synchronization，ERS)。运动想象脑电信号被广泛的用来进行BCI控制，所以对运动想象脑电信号进行有效的特征提取和运用高效的分类器进行识别是脑机接口技术的关键。

运动想象脑电信号是一种非平稳非线性的信号，常规方法不容易提取表征其特征的特征向量，导致分类识别率不高。LMD对信号分解时，若信号的端点不为极值点时，会可能会产生端点效应，这样会使分解的出的信号两端会出现误差，同时分解出的分量两端会发生发散，并且这种误差会随着分解向内扩散，使得分解出的分量出现失真。当前，对脑电信号常见特征提取算法有共空间模式滤波法，自回归模型法，小波变换法、EMD等。共空间模式算法(Common Spatial Pattern，CSP)是将脑电信号在空间域滤波，从而提取出不同运动模式下的脑电特征。CSP算法在二分类脑电信号上取得了很好的效果，但是它需要针对特定的频段和大量的电极。自回归模型法(Adaptive Regressive，AR)是利用AR模型或者AR谱特征来反映脑电信号的时变特性。该方法适合分析平稳信号，而脑电信号是一种典型的非平稳非线性信号。小波变换法(Wavelet Transform，WT)采用可变的时频窗口逐级对信号进行分解，然后根据先验信息选取特定的小波系数作为特征。但对于有着复杂机理脑电信号，通常无法得到准确的先验信息，且对于不同的个体缺乏自适应能力。经验模式分解(Empirical Mode Decomposition，EMD)是一种自适应的信号分析方法，它将脑电信号分解为多个IMF分量，但是EMD分解会引起端点效应、模态混叠等现象，而且EMD的分解耗时较长。

通过对脑电信号的分析可知，采用时频分析方法对脑电信号处理更为合适，而局部均值分解(Local Mean Decomposition，LMD)是一种优秀的自适应时频处理方法。LMD对脑电信号进行自适应的分解以获得若干个调幅-调频乘积函数(Product Function，PF)分量，这些分量能够反映信号的时频变化。LMD把信号的模式信息分离到各PF分量，减小了模式信息的干涉。与EMD相比，LMD迭代次数更少，端点效应比EMD较轻，并且不会产生难以解释的负频率，更加完整的保留原信号的信息。一般认为在不同的运动想象模式下，脑的各个部位的脑电信号有着不同的复杂性，熵值能够在一定程度上度量这种特性。熵值可以定量的描述信号的复杂程度，以熵值作为表征信号特征信息的特征向量，能够减少特征向量的维数，从而减少分类时间和降低分类复杂度。能量是脑电信号的一个关键特征信息，反映了大脑神经的活动情况。当有不同的运动想象发生时，脑电信号在各个PF分量中的能量分布也会发生相应的改变。每个PF分量的能量熵(Energy Entropy)作为运动想象的特征信息，可以反应不同的运动想象模式。模糊熵(Fuzzy Entropy)是采用指数函数模糊化了两个向量的相似性，指数函数使得熵值随参数稳定变化，且模糊熵中加入了取均值算法，这些特点能使模糊熵作为特征值应用于运动想象模式识别中。多尺度熵(Mulitiscale Entropy)是在样本熵的基础上引入了尺度因子，可以在不同尺度因子下度量信号的自相似性和复杂性程度。单一的熵值不能够全面的表征信号的特征信息，所以采用能量熵、模糊熵、多尺度熵结合的方法来提取运动想象模式的特征向量。

学习矢量量化神经网络(Learning Vector Quantization，LVQ)是一种训练竞争层的有监督学习方法的输入前向神经网络，它是由Kohomen竞争算法演化而来。它将有监督学习方法和竞争学习思想有机结合，通过监督学习完成对输入特征向量的准确分类，避免了类似BP神经网络训练时产生的误差。