[发明专利]基于小波多分辨率复杂网络的脑电极优化方法及其应用

权利要求书

1.一种基于小波多分辨率复杂网络的脑电极优化方法，其特征在于，包括如下步骤：

1)对单个被试者的p个电极的脑电信号分别进行小波多分辨率分解，分解层数为N层，得到一系列不同分辨率下的小波近似系数子带和小波细节系数子带

其中，L为每一个电极获取的信号长度，x_k,i表示p个电极中第k个电极的脑电信号中的第i个元素；表示第k个电极的脑电信号第q层分解后得到的小波近似系数子带，表示第k个电极的脑电信号第q层分解后得到的小波细节系数子带；

2)对所有系数子带进行特征提取，包括提取小波近似系数子带的6种特征：以及小波细节系数子带的6种特征：所述的6种特征分别对应最大值、最小值、平均值、标准偏差、陡度函数值和峭度函数值，由6种特征组成特征向量为：

其中，

表示小波近似系数子带的第l个特征，表示特征在所有p个电极中的最小值，表示特征在所有p个电极中的最大值，表示归一化后的特征表示小波细节系数子带的第l个特征，表示特征在所有p个电极中的最小值，表示特征在所有p个电极中的最大值，表示归一化后的特征

3)对分解后的每一层，分别以每个电极作为网络节点，即网络节点数为p，以所有网络节点和其他所有网络节点之间的连边构成网络，网络中任意两个节点m与n之间的距离为即

其中表示节点m的特征向量和节点n的特征向量之间的二范数距离，计算网络中所有节点的特征向量之间的二范数距离，得到一个p×p的距离矩阵定义阈值其中mean(r)表示距离矩阵r中元素的平均值，stdev(r)表示距离矩阵r中元素的标准偏差，按照以下准则计算网络的加权邻接矩阵

当时，节点m和节点n之间存在连边，且节点m和节点n的连边权重反之则没有连边，上角标q表示分解的N层中的第q层，共得到N个节点数目为p的网络；

4)N个节点数目为p的网络构成小波多分辨率复杂网络；

5)对每一层网络的加权邻接矩阵计算网络指标，包括节点强度网络指标、节点介数中心性网络指标、以及节点聚集系数网络指标，分别确定每一种网络指标中最大的四个值所对应的网络节点，并作为预关键节点；

节点m的强度Z_m＝∑_ka_mk，表示连接节点m的所有的连边权重之和；

节点m的节点介数中心性C_B(m)：

其中σ_sv(m)表示经过节点m的从节点s到节点v的最短路径条数，σ_sv表示从节点s到节点v的最短路径条数；

节点m的聚集系数C(m)：

6)统计所有N个网络依据三种网络指标确定的所有预关键节点，确定所有预关键节点中出现频率最高的4个节点，作为关键节点，4个关键节点所对应的电极为关键电极，所述关键电极与被试者对应，具有个体特异性。

2.一种如权利要求1所述基于小波多分辨率复杂网络的脑电极优化方法的系统，其特征在于，包括以下步骤：

1)获取基于高频相位延迟的SSVEP脑电信号；

2)对每一种SSVEP脑电信号，确定4个关键电极；对每一个被试者的所有g种SSVEP脑电信号，确定4g个关键电极，统计4g个关键电极中出现频率最高的4个关键电极，作为与被试者对应的最终的4个关键电极；

3)提取最终的4个关键电极的脑电数据其中L为每一个电极获取的脑电数据长度，u_h,i表示第h个最终的关键电极的脑电数据中的第i个元素，通过典型相关分析方法将最终的4个关键电极的脑电数据融合为一个脑电数据

4)通过快速傅里叶变换将融合后的脑电数据转换为频域下的能量序列

其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；

5)确定能量序列中最大值所对应的频率，与获取SSVEP脑电信号时的β个刺激频率进行比较，选定最靠近β个刺激频率中的一个刺激频率作为与能量序列对应的频率，这个频率也是能量序列对应的4个电极的脑电数据所对应的频率，依据4个电极的脑电数据的相位延迟信息确定相位信息，结合与能量序列对应的频率和相位信息反推被试者正在观察的刺激图片；

6)建立脑机接口，将刺激图片与被控对象能够执行的动作建立关联，产生控制指令控制被控对象运动。