[发明专利]基于OA-WMNE脑源成像的运动想象脑电信号的解码方法

摘要

本发明基于OA‑WMNE脑源成像的运动想象脑电信号的解码方法，首先采用基线校正和时域上的叠加平均进行脑电信号的预处理，得到每种运动想象任务的叠加平均信号；进而，采用WMNE脑源成像算法将之逆变换到脑源空间，得到偶极子估计，并根据两种运动想象偶极子波形变化差异确定感兴趣时段区间(TOI)；再对所有单次运动想象脑电信号进行逆变换，并将TOI中每个采样点上所有的偶极子幅值构成特征向量，获得该采样点上的一组特征；然后将所有采样点上的特征构成特征样本集，对其进行零均值标准化处理，并采用单变量特征选择方法进行特征降维；最后利用支持向量机进行特征分类，获得最高平均解码精度，提高了脑电空间分辨率，有利于提高运动想象任务的解码精度。

主权项

1.基于OA‑WMNE脑源成像的运动想象脑电信号的解码方法，其特征在于：步骤1，运动想象脑电信号预处理；步骤1.1，根据运动想象任务类别的标签ID，选取每种任务同一时间段的多导脑电信号作为一次Epoch信号，记为其中，T＝{a,b}表示任务类别，n＝{1,2,…,n_T}，n_T代表T类任务Epoch信号的数量；j表示导联数量，k为采样点数，t＝{t₁，t₂…t_k}；步骤1.2，截取运动想象前1s的脑电信号对MI‑EEG信号进行基线校正，以克服原始脑电信号采集过程中因采集设备、外部环境噪音的干扰所引起的基线漂移问题，实现基线校正；步骤1.3，对基线校正后同类运动想象任务的所有Epoch信号进行时域上的叠加平均得到相应的Evoked信号表示为下式：步骤2，由于覆盖在脑皮层上的离散等效电流偶极子有7498个，远远大于头皮层电极数量，采用WMNE源成像方法进行脑电逆变换，公式如下：式中，表示得到的7498个偶极子源估计；G∈R^7498×j为导联场矩阵，通过多层头模型的体积传导效应和头皮电极位置分布计算得到；λ代表正则化参数，利用吉洪诺夫正则化的L曲线方法求得；W为权值矩阵，是通过导联场矩阵G构建起来的一个对角矩阵，定义为(3)式：W＝diag(||g1||，||g2||…||gi||，…||g7498||)     (3)其中，||gi||是导联场矩阵G中第i列向量的欧几里得范数，1≤i≤7498；步骤3，对步骤1.3中两类任务的Evoked信号和采用步骤2中的WMNE脑源成像方法进行逆变换即式(2)，得到相应运动想象任务下脑电时间序列的偶极子估计，分别记作和再依式(4)计算偶极子差值以选取两类任务偶极子波形差异最明显的感兴趣时段区间TOI，感兴趣时段区间TOI包含的采样点数用h表示；步骤4，对预处理后的每个Epoch信号进行脑电逆变换，得到相应运动想象脑电信号的偶极子估计其中n＝{1,2,…,n_a+n_b}；再将在感兴趣时段区间TOI中第τ个采样点处的7498个偶极子源估值构成特征向量，得到该第τ个采样点上的一组特征其中，n＝{1，2，…，n_a+n_b}，1≤τ≤h；从而，获得两类运动想象任务在脑源空间的特征集特征集样本总数d＝N_T×h，N_T＝n_a+n_b；n_a代表a类任务的数量，n_b代表b类任务的数量，n_a+n_b是两种任务的总数；步骤5，将步骤4中的所有偶极子特征向量进行零均值标准化，满足标准正态分布，在特征选择和分类中加快寻找最优解速度，以克服两类运动想象偶极子幅值的不均衡影响解码精度问题；步骤6，利用基于方差分析的单变量特征选择方法(Univariate Feature Selection，UFS)对两类任务标准化后的偶极子特征进行降维，通过调整SelectKBest函数参数K，来保留评分最高即特征显著性最高的前K个偶极子特征；初始化K＝1，获得该参数下的特征集步骤7，选用支持向量机对上述特征集F′∈RK×d中两类所有偶极子特征进行训练与分类，采用交叉验证法得出平均解码精度；定义参数K的最大值为Kmax，并设置参数K从1到Kmax迭代，获取迭代过程中最高平均解码精度，此时感兴趣时段区间TOI下的参数K为最优。