[发明专利]基于多线性主成分分析的单次运动想象脑电信号识别方法

说明书

本发明提供一种基于多线性主成分分析的单次运动想象脑电信号识别方法，该方法能够从时域、频域和空间域各找到一个投影矩阵对3维EEG张量数据进行投影从而实现对原始EEG张量数据的降维，然后再结合线性分类方法进行分类。与传统的主成分分析方法相比，本发明提出的多线性主成分分析的方法直接在多维张量中从多个维度进行降维，保留了信号的空间结构信息，经过降维后再展开成一维向量形式用于分类，因此相比于传统的基于主成分分析的方法，本发明提出的方法保留了EEG信号的空间特性；相比于EEG时域分析，频域分析，时频分析或时空分析，本发明从时域，频域，空间域多模态分析EEG信号，能够提取更加全面的特征，在小样本情况下脑电识别效果依然较高。

技术领域

本发明涉及生物信号处理领域，具体涉及一种基于多线性主成分分析的单次运动想象脑电信号识别方法。

背景技术

脑电信号(electroencephalography，EEG)是由大脑神经元活动产生的信号，其中包含了丰富的大脑状态信息，为实现脑-机接口(brain-computer interface，BCI)需要对脑电信号进行有效解码，解码过程包括对EEG信号进行特征提取和模式分类。近几年来，国际上许多研究小组投入了大量精力对单次运动想象脑电信号(motor imageryelectroencephalography，MI-EEG)的特征提取方法进行研究。直接从时域提取特征是最早发展起来的方法，因为它直观性强，物理意义比较明确。然而，由于脑电信号的波形过于复杂，目前还没有一个特别行之有效的EEG时域分析方法；由于EEG信号的很多主要特征是反映在频域上的，功率谱估计是频域分析的重要手段，因此谱分析技术在脑电信号处理中占有特别重要的位置，但是，功率谱估计不能反映出脑电频谱的时变性，所以对脑电这样的时变非平稳过程单从频域的功率谱估计会丢失时变的信息；信号的时频分析技术，不同于以往的单纯时域或者频域分析，它是一种同时在时间和频率域中对信号进行分析的技术，主要分为线性变化和非线性变换两类。目前应用最为广泛的方法是小波变换理论。小波分析在高频时使用短窗口，而在低频时使用宽窗口，充分体现了相对带宽频率分析和适应变分辨率分析的思想，从而为信号的实时分析提供了一条可能途径。目前，脑电信号的时频分析研究已取得了很多有价值的研究成果。但是小波变换效果严重依赖于连续小波变换时中心频率和带宽的选择，目前这些参数的选择往往依赖于经验或实验，对于个体差异较大的脑电信号，其效果不够稳定；考虑脑电在头皮的空间分布，将时间和空间的信息进行融合分析的时空分析方法有利于揭示和增强多导脑电信号中的隐含特征。时空分析方法能给人们提供更多的信息，是EEG信号分析中的一个重要研究方向，但是其忽略了脑电信号包含的频域信息。

发明内容

本发明要解决的技术问题在于提供一种能够获得更加全面EEG信号特征的信号分析方法。针对上述技术问题，本发明提出了一种基于多线性主成分分析的单次运动想象脑电信号识别方法，该方法能够从时域、频域和空间域各找到一个投影矩阵对3维EEG张量数据进行投影从而实现对原始EEG张量数据的降维，然后再结合线性分类方法进行分类。

所述方法包括以下具体步骤：

步骤1、利用小波分析方法建立多次实验的三阶EEG张量数据，并将所述三阶EEG张量数据随机分成训练集和测试集，包括如下具体步骤：

步骤11、在受试者根据提示想象左右手的运动时，采集受试者的脑电数据，并将采集到的每次运动想象时的脑电数据依次根据提示的时间点开始截取一定时长的脑电数据，组成包括时间、空间两个维度的单次运动想象脑电数据矩阵，所述空间代表不同的采集通道；

步骤12、对所述脑电数据进行带通滤波；

步骤13、采用复Morlet小波变换提取脑电信号中包含的频域信息，并将提取出的频域、时域、空间域数据构建成三阶张量式中c表示通道，f表示频率，t表示时间；

步骤14、将所述三阶张量数据随机分为训练集和测试集

采用交叉验证的方式来选择最优的分类模型；