[发明专利]基于FHLS特征选择的多模态BCI时序优化方法

说明书

本发明公开了基于FHLS特征选择的多模态BCI时序优化方法。首先划分每个EEG与fNIRS样本获得多个时间段，然后将不同时间段交叉融合，形成联合时间窗。特征分别由FBCSP与统计方法从每个联合时间窗中提取，形成一个新的特征集。然后计算对应的互信息值，使用互信息值高的特征，最后根据FHLS特征选择方法选择最佳特征子集，并采用LDA分类来评估任务分类精度。本发明选出来的时间组合能有效地避免不同个体以及不同模态多时间段间的差异性，且时间段选取合理，减少多模态信号在时间段之间的冗余信息，一定程度上提高了多模态BCI系统的分类性能，为脑电‑近红外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，具体涉及基于FHLS特征选择的多模态BCI时序优化方法。

背景技术

脑机接口(Brain-computer interface,BCI)提供了人类中枢神经系统与计算机之间的直接通信渠道。这意味着，在不使用肢体，声音或任何需要肌肉活动的动作的情况下，BCI可以分析与预期动作相关的大脑感应信号，从而生成控制外部设备的命令。

BCI系统中，常见的信号采集成像方式包括脑电图(Electroencephalogram,EEG)，皮层区脑电图(Electrocardiogram,ECoG)，功能性近红外光谱(Functional near-infrared spectroscopy,fNIRS)，功能磁共振成像(Functional magnetic resonanceimaging,fMRI)和脑磁图(Magnetoencephalography,MEG)等。其中EEG是一种生物电成像方法，利用头皮电极来测量由大脑皮层神经元的电活动引起的电压波动。EEG的特点是具有较高的时间分辨率、频域特点突出、便捷安全等。由于电极测量大脑表面的电活动，难以确定EEG信号是在表面附近还是在更深的区域产生的。因此导致EEG空间分辨率相对较低并且容易受到来自肌电和眼电的干扰。导致EEG获得的分类精度遭受严重损害，并且导致错误分类的产生。

fNIRS是一种光学成像方法，可评估大脑中的血液动力学活动。fNIRS可测量脱氧血红蛋白(Deoxyhemoglobin,HbR)和氧合血红蛋白(Oxyhemoglobin,HbO)的浓度变化。fNIRS具有相对高的空间分辨率、便携、便宜、抗运动干扰等特点。但是由于血氧浓度反应迟缓，因此导致fNIRS的时间分辨率很低。EEG与fNIRS都用于多种BCI系统中，以检测例如运动想象、心理算术(Mental Arithmetic,MA)和n-back这些源自认知和心理任务的大脑活动变化。由于每种神经影像学方法都有其特定的局限性。在过去的几年中，研究人员一直在努力提高信息传输率并克服单模态系统的局限性，从而形成了多模态系统，称为多模态BCI。

最近的研究表明，将EEG与fNIRS结合作为多模态BCI同步检测不同人体的生理指标信号具有可行性与可靠性，并且多模态BCI在很多认知康复领域应用十分广泛。为了探究多模态BCI系统的时域信息，传统的做法是对实验EEG与fNIRS数据进行同步的划分，而提取多模态BCI时域特征。尽管对EEG与fNIRS同步划分数据可以分析任务不同时间段大脑的生理状态，但是却忽略了EEG与fNIRS采集到的信号具有不同的生理特性，电生理活动是由大脑任务中提示的神经元放电产生的，血液动力学则是大脑活动时神经元放电导致的血红蛋白增加。因此在任务刺激被试时，EEG采集的电信号与fNIRS采集的血氧信号不会在同一时间段激活。

发明内容

针对现有技术的不足，本发明提出了基于FHLS特征选择的多模态BCI时序优化方法，对按时间划分后的EEG信号和fNIRS信号进行交叉融合，然后通过计算互信息值选取分类能力最好的融合时间窗中的特征用于分类，提高分类准确度。

基于FHLS特征选择的多模态BCI时序优化方法，该方法具体包括以下步骤：

步骤1、采集T秒被试者在不同状态下的EEG信号与fNIRS信号；然后对采集到的信号使用滤波器进行预处理。