[发明专利]一种运动想象脑电信号的特征提取方法

摘要

本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。

主权项

一种运动想象脑电信号的特征提取方法，其特征在于包括以下步骤：步骤1，信号采集及预处理；首先通过脑电采集装置采集n导脑电信号，并将采集到的信号通过有限脉冲响应滤波器进行8～30Hz带通滤波，滤波后信号为x(t)＝[x₁(t),x₂(t),…,x_n(t)]∈R^N×n；其中N为样本点总数，n为脑电导联数目，x_i(t)为第i导滤波后的脑电信号，i＝1,2,…,n，t＝{1,2,…,N}；步骤2，对步骤1得到的脑电信号x_i(t)(i＝1,2,…,n)进行经验模态分解；步骤2.1，确定x_i(t)的所有极值点，采用三次样条法对极大值点和极小值点进行拟合，得到上包络线e_imax(t)和下包络线e_imin(t)；步骤2.2，计算上、下包络线的平均值，公式如下：$m_i\left(t\right)=\frac{e_{i\max }\left(t\right)+e_{i\min }\left(t\right)}{2}$步骤2.3，计算剩余信号r_i(t)；令：c_i(t)＝x_i(t)‑m_i(t)若c_i(t)不满足固有模态函数IMF整个信号段内极值点和过零点数量相等或至多相差1的筛选停止条件，则将c_i(t)取代x_i(t)重复步骤2.1～2.3；否则，取c_i(t)为分离出的一阶IMF分量，并按照下式计算剩余信号r_i(t)：r_i(t)＝x_i(t)‑c_i(t)步骤2.4，令x_i(t)＝r_i(t)，重复步骤2.1～2.3的筛选过程，直到r_i(t)的极值点个数小于等于2时，终止经验模态分解过程；在经验模态分解过程结束时，假设x_i(t)被分解成k阶IMF分量和最终剩余信号r_ik(t)之和，即：$x_i\left(t\right)=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}\left(t\right)+r_{\mathrm{ik}}\left(t\right)$其中，c_ij(t)表示第j次筛选得到的IMF分量；取前g阶IMF分量c_ij(t)(j＝1,2,…,g)构成其中g≤k，g的值可以根据分类准确率进行选取；从而，获得$\hat{x}\left(t\right)={[{\hat{x}}_1\left(t\right),{\hat{x}}_2\left(t\right),...,{\hat{x}}_n\left(t\right)]}^T\∈R^{E\×N},$其中E＝g·n；步骤3，采用共同空间模式方法提取脑电信号特征；对两类运动想象A和B分别进行T_A、T_B次实验，T_A、T_B为正整数；步骤3.1，计算混合空间的协方差；首先，计算两类运动想象信号每次实验的协方差，公式如下：$C=\frac{\hat{x}\left(t\right)\hat{x}{\left(t\right)}^T}{\mathrm{trace}\left\{\hat{x}\left(t\right)\hat{x}{\left(t\right)}^T\right\}}\∈R^{E\×E}$其中，为矩阵的迹，即矩阵的对角线元素之和；然后，分别计算两类运动想象的平均协方差：$C_A=\frac{1}{T_A}\underset{i=1}{\overset{T_A}{\mathrm{\Σ}}}{C}_{A,i}$$C_B=\frac{1}{T_B}\underset{i=1}{\overset{T_B}{\mathrm{\Σ}}}{C}_{B,i}$其中，C_A,i、C_B,i分别表示运动想象A和B的第i次实验的协方差；进而求得混合空间的协方差：C_M＝C_A+C_B步骤3.2，对混合空间协方差进行特征值分解，公式如下：$C_M=U_M{\mathrm{\Λ}}_M{U}_M^T$其中，U_M为特征向量矩阵，Λ_M为特征值对角矩阵；步骤3.3，进行白化处理；对Λ_M进行降序排序得到Λ_Md，并对U_M做同样的行列变换得到U_Md；令对C_A、C_B分别进行白化处理，如式如下：S_A＝PC_AP^TS_B＝PC_BP^T利用S_A、S_B具有相同的特征向量的特点，经特征值分解后可得：S_A＝BΛ_AB^TS_B＝BΛ_BB^T其中，B为S_A与S_B的共同特征向量，Λ_A、Λ_B分别为S_A和S_B的特征对角矩阵，且Λ_A+Λ_B＝I，I为单位矩阵；因此求得空间滤波器矩阵为：W＝B^TP对进行W滤波得：$Z_0=W\·\hat{x}\left(t\right)\∈R^{E\×N};$步骤3.4，求特征向量f；提取Z₀的前m行和后m行(m≤E/2)，构成Z＝[z₁,z₂,…,z_2m]^T∈R^2m×N，然后进行特征提取，计算公式如下：$f_i=\frac{\mathrm{var}\left(z_i\right)}{\underset{j=1}{\overset{2m}{\mathrm{\Σ}}}\mathrm{var}\left(z_j\right)}$其中，var(·)表示方差，i＝1,2,…,2m，则特征向量f＝[f₁,f₂,…,f_2m]^T；步骤4，根据分类结果优化参数；首先将脑电训练数据和测试数据按照步骤1、2、3提取特征向量，并依据特征训练集和测试集分别对分类器进行训练和测试，然后根据分类准确率确定步骤2.4中g和步骤3.4中m的最优值，即选取分类准确率最高时的g和m值。