法律状态公告日
法律状态信息
法律状态
2017-01-11
授权
授权
2014-09-03
实质审查的生效 IPC(主分类):A61B5/0476 申请日:20140415
实质审查的生效
2014-08-06
公开
公开
技术领域
本发明属于脑电信号处理领域,涉及一种脑电信号特征提取方 法,特别涉及一种用于脑-机接口中运动想象脑电信号识别的特征提 取方法。
背景技术
脑-机接口(Brain Computer Interface,BCI)是一种不依赖于外 周神经系统及肌肉组织的参与,人脑与计算机或其它外部设备之间建 立起直接交流和控制的通道,是一种全新的通讯和控制方式。脑电信 号是由脑神经细胞自发性、节律性的生理电活动产生的,是大脑意识 过程中神经细胞电生理活动的外在反映,具有较高的时间分辨率,因 而脑电图(EEG)成为BCI最重要的信号获取手段。
BCI系统中,通过脑电信号控制辅助外设的方法有多种:按照操 作方式的自动化程度可分为单步、半自动、全自动等;按照脑电信号 产生机理可分为诱发脑电和自发脑电两大类。其中,自发脑电由受试 者自主产生,具有灵活性和可控制性,相对诱发脑电来说是更为自然 和实用的方式。运动想象脑电信号是自发脑电信号的一种,在脑-机 接口研究和应用中受到广泛的关注。
基于运动想象脑电信号的多模式识别是目前BCI主要应用手段 之一。以人类大脑为对象的头皮脑电信号研究表明,它主要由各种节 律性电活动组成,与运动想象紧密联系的一种电生理现象是事件相关 去同步(ERD)和事件相关同步(ERS)现象。在进行基于运动想象脑 电信号的脑-机接口研究中,将运动想象脑电信号分解在不同频段上 进行特征提取具有一定的必要性。将脑电信号分解在不同频段上常见 方法有小波变换,小波包变换等。这些方法尽管也取得了不错的效果, 但是离散小波分解后的信号在相邻尺度的过渡频带上存在着能量泄 漏现象,同时小波变换在二抽取的过程中会产生较大的混叠现象,这 些缺陷在特征提取时会造成一定程度的假象,影响后续模式分类器的 识别率。Kingsbury等人在1988年提出双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT),DTCWT是离散小波变换的衍 生,可以有效的克服混叠和能量泄漏,而且还具有时移不变性、多维 方向选择性、完全重构性等诸多优点,特征提取的效果明显好于小波 分析。
脑电信号是一种随机的非线性信号,非线性特点比较明显,随着 非线性理论的发展,很多非线性方法已经被广泛用于脑电信号的特征 提取,例如,Pincus于二十世纪九十年代提出量化时间序列复杂度 的近似熵算法。近似熵为相似向量由m维增加至m+1维时继续保持其 相似性的条件概率,也是当维数变化的时候时间序列中产生新模式的 概率大小,所以从统计的角度来区别时间过程的复杂性。但是近似熵 中存在统计量的不一致性,针对这一不足,一种近似熵的改进方法— 样本熵被Richman和Moorman提出。样本熵不仅具备近似熵的所有优 点,而且避免了统计量的不一致性。样本熵是时间序列复杂度的一种 度量,在实际应用过程中,与Lyapunov指数、信息熵、关联维数、K 熵等非线性动力学方法相比,样本熵因为只需较短的数据就能够得出 稳健的估计值,同时还有较好的抗噪和抗干扰能力,又可用于随机成 分和确定性成分组成的混合信号中,分析效果优于简单统计参数,不 需要对原始信号进行粗粒化等特点,比较适合对生物信号进行分析。 发明内容
本发明提出一种双树复小波样本熵的特征提取方法。该方法通过 双树复小波变换,把采集到的运动想象脑电信号进行分解,抽取出对 应于运动想象脑电信号中ERD和ERS现象的节律波信号,进行重构, 然后对该信号利用样本熵方法进行特征提取。实验表明,双树复小波 样本熵的特征提取方法的具有一定的可行性,可以获得比较高的识别 率。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1).抽取出对应频段的运动想象脑电信号。将采集到的运动 想象脑电信号通过双数复小波变换进行分解,抽取出对应于运动想象 脑电信号中ERD和ERS现象的节律波信号,再对其进行重构。
步骤(2).对信号进行特征提取。对含有有用成分的各层重构信号 利用样本熵方法进行特征提取。
本发明与已有的运动想象脑电特征提取方法相比,具有如下特 点:
1、利用双树复小波变换方法,在信号分解与重构过程中有实虚 两平行的包含小波变换的双正交滤波器的小波树构成,能够实现交替 奇偶滤波,有效地弥补复小波金字塔算法的重构性差的缺点,同时兼 有计算效率高,数据冗余少的优点。
2、非线性动力学方法—样本熵,能够分析脑电信号的非线性特 征。同时,运动想象脑电信号中的ERD和ERS现象在一些频段较为显 著,更容易获取运动想象脑电信号的特征向量。
本发明可以有效表征运动想象时的EEG特征变换。因此,基于双 树复小波样本熵的特征提取方法可以作为脑电数据信号分析中一种 有效的特征处理方法,它为BCI的特征提取提供了新的思路,在脑- 机接口领域具有广阔的应用前景。
附图说明
图1脑电信号特征提取流程图
图2双树复小波变换的分解和重构过程
具体实施方式
下面结合附图描述本发明基于双树复小波样本熵的运动想象脑 电信号特征提取方法。
图1为脑电信号特征提取流程图,其实施主要包括以下几个步 骤:
(1)利用双树复小波变换将采集到的运动想象脑电信号分解在 不同的频段,依据运动想象脑电信号中ERD和ERS现象,抽取有用频 段的信号进行重构;
(2)采用样本熵方法对重构后的不同频段的脑电信号提取非线 性特征。
下面逐一对各步骤进行详细说明。
步骤一,利用双树复小波变换提取出对应频段的运动想象脑电信号。
(一)双树复小波变换的基本原理
DTCWT采用了二叉树结构的两路小波变换,将复小波的实部和虚 部分离开,由两组并行的实数滤波器组获取实部和虚部的小波变换系 数。DTCWT的主要思想是:在第一层分解时,要确保虚部树中的二抽 取刚好采样得到实部树在二抽取过程中丢掉的信息,所以要在虚部树 前面增加一个延迟器使得实部滤波器与虚部滤波器之间的延迟刚好 是一个采样间隔,在之后的各层分解过程中,要求实虚两树对应滤波 器的幅频响应相等,相频响应有半个采样周期的群延迟。同时,实虚 滤波器采用双正交变换保证相位为线性的,两树滤波器长度分别是奇 数长度和偶数长度,且每树不同层次之间交替采用奇偶滤波器,保证 两树呈好的对称性。
由于双树复小波变换是基于两个并行的小波变换,因而根据小波 分析的相关理论,在图2双树复小波变换的分解和重构过程中,↓2 表示下取样算子,↑2表示上取样算子,实部树的小波系数及尺 度系数分别如下:
式(1)及(2)中,n为采样次数,j为比例因子,J为最大尺度且 j=1,2,…,J,x(t)为采样信号。
同理,虚部树的小波系数及尺度系数分别如下:
式(1)、(2)、(3)及(4)中,ψh、φh、ψg、φg表示小波变换函数, 满足下列关系:
综合实虚部相关系数,可得双树复小波变换分解过程的小波系数 和尺度系数分别如下:
(二)选取有用频段的信号,并对其进行重构
在利用双树复小波变换对采集到的脑电信号进行分解时,分解的 层数将视具体信号的有用成分和采样频率而定。设采集脑电信号的采 样频率为fs,采用双树复小波变换对信号进行分解的层次为L,对低 频子带复系数cAL和高频子带复系数cDL,cDL-1,……,cD1进行系数 重构,根据分解原理可以得到L+1个重构信号,频段范围由低到高依 次为[0,fs/2L+1],[fs/2L+1,fs/2L],[fs/2L,fs/2L-1],……,[fs/22,fs/2]。 其中f(Dl)∈[fs/2l+1,fs/2l]Hz,l∈1,2,...,L,f(AL)∈[0,fs/2L+1]。然后 选取有用信号的alpha节律和beta节律波对应的频率范围作为重构 信号。
双树复小波变换重构过程的小波系数dj(t)和尺度系数cJ(t)如下:
由式(7)和(8)可得双树复小波变换多尺度分解下重构后的信 号:
x(t)=dj(t)+cJ(t)(9)
步骤二,利用样本熵提取出重构后的脑电信号的非线性特征。特 征选取是模式识别的核心问题,它不仅影响的到分类器的设计,还关 系到分类的有效性。本发明运用样本熵方法对重构的不同频段的脑电 信号提取非线性特征。
采用样本熵的快速算法,在保持样本熵优点的情况下,计算速度 更快。
(一)快速样本熵的计算步骤
(1)设重构后的信号时间序列{xi}含有N个数据,分别为 x(1),x(2)…x(N)。
(2)将序列{xi}按顺序组成一组m维矢量,
X(i)=[x(i),x(i+1),…,x(i+m-1)](10) 式中,i=1~N-m+1;
矢量X(i)与X(j)之间的距离dis[X(i),X(j)]用分量间的最大欧氏 距离表示,即
式中,k=1~m-1,i,j=1~N-m+1;
(3)定义N×N的二值距离矩阵为D,D的第i行第j列为dij,给 定阈值r(r>0),则:
(4)对每一个i值统计dis[X(i),X(j)]<r的数目,记为同理 将维数加1,计算
(5)求所有的的平均值记为Bm(r)及的平均值Bm+1(r),
(6)脑电信号时间序列{xi}的样本熵可表示为:
SampEn(N,m,r)=-ln[Bm+1(r)/Bm(r)](17) (二)样本熵参数的选择
样本熵SampEn(N,m,r)的值与嵌入维数m,相似容限r,数据长度 N都有关系,而参数m、r的选择是样本熵估计的关键。大多数情况 下嵌入维数取m=2,因为随着嵌入维数m列的联合概的增大,序列进 行动态重构时,详细信息就会越多,于此同时嵌入维数m需要长度为 N=10m~20m的数据长度,在计算的过程中所要的时间也会越来越长。 相似容限一般r取0.1~0.25SD(SD为原始数据的标准差),相似容限r 如果选取的过大,很多时间序列的细节信息会被丢失掉,如果过小, 噪声对统计结果的影响就很显著。鉴于此,为了抑制噪声对信号的干 扰,就需要使信号中噪声的幅值小于相似容限r。
机译: 运动想象脑电信号的分类装置及其方法
机译: 运动想象脑电信号的分类装置及其方法
机译: 基于临床脑电信号的脑机运动控制脑机界面系统及其应用