[发明专利]基于DTCWT和IL-MVU的运动想象脑电信号的特征提取方法

说明书

本发明公开了基于DTCWT和IL‑MVU的运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL‑MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗，有助于提高MI‑EEG信号的分类准确率。

技术领域

本发明属于脑电信号处理方法，具体应用于脑-机接口(Brain-ComputerInterface,BCI)系统中对运动想象脑电信号的特征提取，对地标点最大方差展开(Landmark Maximum Variance Unfolding,L-MVU)进行改进，提出了一种增量式地标点最大展开方法(Incremental,L-MVU，IL-MVU)，并与双树复小波变换(Dual Tree ComplexWavelet Transform,DTCWT)相结合，实现对运动想象脑电信号的特征提取与融合。

背景技术

运动想象脑电信号(Motor Imagery Electroencephalography,MI-EEG)中包含大量的生理信息，并且与意识状态密切相关。因此，对MI-EEG的识别成为脑-机接口系统中的关键，而从运动想象脑电信号中获得特征的优劣将直接影响对其的识别精度。

运动想象脑电信号是一种非线性、非平稳及时频特性比较明显的信号，如何充分利用这些特征是精确提取特征的关键。双树复小波变换由两个并行的离散小波变换(Discrete Wavelet Transform,DWT)构成，这两个小波变换分解产生的小波系数作为复小波系数的实部与虚部，构成实部树与虚部树。双树复小波变换实现了实部树与虚部树信息的互补，既能够实现从多个尺度上对信号进行分解，又具有完全重构性，并且可以有效消除频率混叠。但是仅仅提取运动想象脑电信号的时频特征并不能得到利于分类的完备的特征，流形学习(Manifold Learning)的出现能够从非线性角度提取特征，同时解决了高维度特征不利于分类的缺点。流形学习能够从高维数据中恢复其内在的低维流形结构，在维度约简的同时最大化保留原始数据信息量完整，并且低维数据更利于可视化。L-MVU作为一种典型的流形学习方法，相比于其他流形学习方法比如等距映射(Isometric Mapping,Isomap)和局部线性嵌入算法(Locally Linear Embedding,LLE)，能够在降维的同时保留距离与角度的信息，从而提取到更有利于分类的特征，已经在MI-EEG信号提取上得到了一些应用。

然而，涉及到实际应用，而对于上述提到的L-MVU，也存在一些缺点。第一，L-MVU仅仅能对给定数据集进行维数约减，无法实时处理新来的数据，使得L-MVU对于样本外数据的泛化能力不足，不利于BCI系统的在线实现；第二，L-MVU提取的非线性特征无法体现MI-EEG的时频特性，对于时频特征提取的缺失会对最终的模式分类产生一定的影响。

发明内容

针对现有流形学习方法在运动想象脑电信号特征提取领域中应用存在的不足，本发明提出了一种基于双树复小波变换与增量式地标点最大方差展开的运动想象脑电信号特征提取的方法。利用此方法首先在重构特定频段脑电信号上避免了引入不期望的频段；其次，保证了对运动想象脑电信号特征提取的紧致性与完备性，提高了分类准确率；最后，提出L-MVU的增量式版本IL-MVU应用于MI-EEG的特征提取，使得对于样本外数据的泛化能力大大增强，并且在测试时间上也相应的缩短，更有利于本方法在实际应用中的在线实现。

本方法的技术路线如下：