[发明专利]基于多元变分模态分解的脑电多域特征提取方法

说明书

本发明公开了一种基于多元变分模态分解的脑电多域特征提取方法，本发明首先利用MVMD对原始脑电多通道数据进行自适应分解，然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征，同时将IMF分量合并构造新的信号矩阵，并采用共空间模式(CSP)法对重构信号提取空间特征，进行时域、非线性动力学以及空域特征的结合，最后通过支持向量机(SVM)对此特征集分类。本发明能有效判别与特定任务相关的重要信息成分，为脑电信号的特征提取提供了新的思路。

技术领域

本发明属于模式识别领域，是针对运动想象脑电信号(EEG)，提出利用多元变分模态分解(MVMD)对原始脑电多通道数据进行自适应分解，然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征，同时将IMF分量合并构造新的信号矩阵，并采用共空间模式(CSP)法对重构信号提取空间特征，来进行时域、非线性动力学以及空域特征的结合的特征及分类的方法。

背景技术

脑机接口技术(BCI)是一种不依赖于人体神经和肌肉组织的正常传输通路，而直接进行人脑与外界之间信息交流的人机交互系统，对于活动能力缺失患者的能力恢复和功能训练具有重要意义，可以为意识障碍和中风患者的康复提供很大的帮助，患者可以通过该技术实现机械设备的控制，完成所需的动作。基于运动想象的BCI是研究最为广泛的一类，运动想象型BCI通过捕捉和识别不同运动想象任务下的EEG信号来实现大脑与外界的信息交换和控制。然而，EEG信号具有非平稳性、非线性等特点，单一角度的特征不能有效体现出信号特点的全面性，因此如何从EEG信号中提取出能全面且有效的识别运动任务的特征，对BCI系统的性能至关重要。

判别运动想象EEG信号通常需要三个步骤：预处理、特征提取、分类器分类。而特征提取往往是最重要的环节，提取的特征好坏直接决定了分类的效果，因此如何提取有利分类的特征是研究的重要课题。

近年来，针对传统特征提取算法在运动想象脑电信号时频特性分析的不足，1998年Huang等人提出了经典的由数据驱动进行分解的时频分析法，称为经验模态分解(Empirical Mode Decomposition,EMD)算法，并且定义了固有模态函数(Intrinsic ModeFunctions,IMF)的概念，这种方法具有很强的自适应性，在信号分析领域受到广泛关注。但EMD存在模态混叠现象，Wu和Huang针对此问题，提出利用噪声辅助EMD的算法EEMD(Ensemble EMD)，因为白噪声在频域内其功率谱密度分布均匀，被分析信号与白噪声混合可以改变极值点特性，补充一些缺失的尺度，在信号分解中有较好的表现。但是，EEMD和EMD不适用于同时处理多通道脑电数据，造成分解得到的IMFs个数以及频率的不匹配现象，2010年，Rehman等人提出多元经验模态分解MEMD(Multivariate EMD)，改进了EMD算法，它能够同时分解多通道的脑电信号，但是仍然没有解决模态混叠的问题。2014年，Dragomiretskiy等提出变分模态分解(variational mode decomposition,VMD)，将信号的分解引入到变分模型中，利用寻找约束变分模型最优解的过程实现信号的分解，同样定义分解得到的分量为固有模态函数(IMF)分量，其中每个分量都具有平稳性，是有限带宽的调频调幅信号。这种方法避免了因局部突变而引起的模态混叠现象，并且在计算速度上具有一定优势，但与EMD算法一样，存在不能同时处理多通道脑电信号的限制，2019年Naveed urRehman等提出的多元变分模态分解MVMD(multivariate variational modedecomposition,MVMD)算法，将VMD算法从单通道拓展到多通道，可以同时处理多通道数据，避免了频率不匹配问题，又解决了MEMD的模式混叠问题，通过MVMD算法对多通道信号自适应地分解成多个具有物理意义的IMF，接着对各阶IMF作Hilbert变换，可以获得高分辨率的时频特征。