[发明专利]偶极子成像与识别方法

说明书

本发明公开了偶极子成像与识别方法，采用标准化低分辨率脑电磁断层扫描成像sLORETA算法将经过带通滤波后的头皮层脑电信号逆变换到脑皮层；将四类运动想象任务分成两个两分类任务，计算每个两类任务之间的偶极子幅值差值，将其差异明显的共同时段选取为感兴趣时间TOI，并将TOI内每类任务激活的区域取并集，得到感兴趣区域ROI，提取ROI内偶极子的坐标和幅值；再针对每个离散时间点，通过对偶极子坐标进行平移、放大和取整等操作，并将偶极子幅值赋于到对应的坐标点处，构建二维偶极子成像图，再按照时间维度将二维偶极子成像图堆叠成二维图像序列；最后利用滑动时间窗法进行数据增广，获得三维偶极子特征数据，并输入到三维卷积神经网络3DCNN进行分类。

技术领域

本发明属于基于脑源空间的运动想象脑电信号(MI-EEG)识别与处理技术领域。

背景技术

随着脑卒中患者的增多，在日常生活中如何对其进行高效的康复训练成为人们关注的焦点。由于运动想象脑电图信号(MI-EEG)具有时间分辨率高、成本较低和采集便捷等特点，基于MI-EEG的脑机接口(BCI)系统得到了广泛的应用。BCI技术的关键在于提高MI-EEG信号的解码精度。

MI-EEG信号在采集过程中容易受到来自传感器以及头骨传导结构等噪声的污染，导致信号发生扭曲变形，信噪比(SNR)降低。同时，因体积传导效应及头皮电极数量的限制，使得测得的MI-EEG信号的空间分辨率较低。这些因素均会导致在头皮层解码MI-EEG信号比较困难且识别精度较低。脑源成像技术(ESI)通过将EEG信号从头皮层映射到高维度的脑源空间，以弥补脑电信号在头骨传导过程中噪声的干扰和空间分辨率不足等问题。偶极子包含了丰富的时域和空域信息，如何能够充分地对这些信息加以利用，提高MI-EEG的解码精度，成为目前的一个研究热点。

近些年来，深度学习(DL)因其强大的学习能力，在许多领域取得了比传统的机器学习(ML)方法更好的性能。DL方法可以自动提取并识别特征，一些研究人员成功地将DL方法运用到MI-EEG识别领域，特别是基于深度学习方法，利用偶极子丰富的空域和时域信息解码MI-EEG具有很好的研究价值。

发明内容

为了克服上述现有技术的不足，本发明对现有的ESI技术和卷积神经网络(CNN)进行结合，提出了一种基于偶极子成像和3DCNN的MI-EEG解码方法，具体涉及：首先，采用标准化低分辨率脑电磁断层扫描成像(sLORETA)算法将经过带通滤波后的头皮层脑电信号逆变换到脑皮层；进而，将四类运动想象任务分成两个两分类任务，计算每个两类任务之间的偶极子幅值差值，将其差异明显的共同时段选取为感兴趣时间(TOI)，并将TOI内每类任务激活的区域取并集，得到感兴趣区域(ROI)，提取ROI内偶极子的坐标和幅值；再针对每个离散时间点，通过对偶极子坐标进行平移、放大和取整等操作，并将偶极子幅值赋于到对应的坐标点处，构建二维偶极子成像图，再按照时间维度将二维偶极子成像图堆叠成二维图像序列；最后利用滑动时间窗法进行数据增广，获得三维偶极子特征数据，并输入到三维卷积神经网络(3DCNN)进行分类；具体设计：

(1)将四类运动想象任务分成两个两类任务，计算每个两类任务之间的偶极子幅值差值，将其差异明显的共同时段选取为感兴趣时间(TOI)，并将TOI内每类任务激活的区域取并集，得到感兴趣区域(ROI)，提取ROI内偶极子的坐标和幅值；在避免信息冗余的同时，也提高了计算效率。

(2)针对每个离散时间点，对偶极子坐标进行平移、放大和取整等操作，并将偶极子幅值赋于对应的坐标点处，得到二维偶极子成像图。再按照时间维度将偶极子成像图堆叠成二维图像序列。

(3)采用滑动时间窗法对二维图像序列进行数据增广，获得三维偶极子特征数据并输入到3DCNN网络中进行分类。最后，由全连接层和softmax层输出脑电信号各类别的概率。

本发明的具体步骤如下：

Step1 MI-EEG信号预处理