[发明专利]基于语言想象和运动想象时序编码的脑电信号识别方法

说明书

本发明涉及脑电信号识别技术领域，公开了一种基于语言想象和运动想象时序编码的脑电信号识别方法，包括以下步骤：步骤一、设计实验范式以及采集脑电数据；步骤二、将采集的EEG信号按照十折交叉验证划分训练集和测试集；步骤三、对EEG信号进行预处理；步骤四、在时间和频段上对EEG信号进行分割；步骤五、利用改进的RCSP算法进行特征提取。本发明通过结合FBRCSP、STWFBRCSP算法将想象期分割为五个时间窗后对每个时间窗进行多频段滤波，然后利用RCSP进行特征提取，并利用互信息选择最优特征，最终的决策输出由五个支持向量机SVM的投票结果决定，解决了时间窗的划分问题，因此获得了更高的分类准确率。

技术领域

本发明涉及脑电信号识别技术领域，具体涉及一种基于语言想象和运动想象时序编码的脑电信号识别方法。

背景技术

基于脑电信号(Electroencephalogram，EEG)的脑-机接口 (Brain-computerinterface,BCI)是一种新型人-机交互系统，它不依靠人体肌肉组织、周围神经等传统方式，在人与周围环境之间建立一种新的连接通路。BCI不仅为运动功能障碍的患者提供了一条新的信息交换通道，而且对于健康用户也有很广泛的应用前景，比如环境控制、疲劳检测等。

针对BCI应用中所面临的问题，目前创新的方向主要有两个：一方面是实验范式的创新，另一方面是算法的创新。由于EEG信号空间分辨率的限制，运动想象的操作维度较少，主要包括左手、右手、脚和舌头。利用EEG信号较高的时间分辨率，可以打破空间分辨率的限制。针对于此，提出了一种基于语言想象和运动想象时序编码的主动式BCI实验范式。

EEG信号的采集是BCI的一个关键技术，在对被试采集EEG信号时，如果被试长期地进行某种想象任务，被试会不可避免的产生疲劳，导致采集的信号效果不佳，因此不能长时间的采集被试的EEG信号，这样会导致采集的EEG 信号的样本量有限，因此有必要解决EEG信号样本量小的问题。

特征提取与模式识别作为BCI的难点，成为了当前的研究热点。在运动想象BCI中，共空间模式(Common spatial patterns,CSP)算法应用比较广泛，它能有效的提取EEG信号的空间特征。然而，CSP高度依赖于基于样本的协方差，在小样本数据集中表现出较差的性能，同时它还对噪声敏感、泛化能力低，因此提出了正则化共空间模式(Regularizedcommon spatial patterns，RCSP)来解决这些问题。同时，CSP也高度依赖于所选的频带，当使用一个不正确的频带时，BCI系统的性能会显著下降。为了解决这些问题，提出了滤波器组共空间模式(Filter bank common spatial patterns,FBCSP)。另外，为了同时解决CSP对频带和协方差矩阵估计的依赖性，提出了滤波器组正则化共空间模式(Filter bankregularized common spatial patterns, FBRCSP)。此外，除了滤波频带和协方差矩阵的优化，另一个十分重要但很少研究的问题是选择合适的时间窗对EEG信号进行分割，以实现对提取的特征具有较强的可分辨性。针对提出的基于语言想象和运动想象时序编码的主动式BCI实验范式在时间上具有明显的可分辨性，时间特征的提取十分必要。然而，FBRCSP算法没有从时间的角度去提取特征，还存在一定的局限性。

发明内容

本发明的目的在于提供一种基于语言想象和运动想象时序编码的脑电信号识别方法，以解决时间窗的划分等问题。

为实现上述目的，本发明提供如下技术方案：

一种基于语言想象和运动想象时序编码的脑电信号识别方法，其包括以下步骤：

步骤一、设计实验范式以及采集脑电数据；

步骤二、将采集的EEG信号按照十折交叉验证划分训练集和测试集；

步骤三、对EEG信号进行预处理；

步骤四、在时间和频段上对EEG信号进行分割；