基于有效时间序列和电极重组的脑电信号分类系统和方法

摘要

本发明公开了一种基于有效时间序列和电极重组的脑电信号分类系统和方法，实现了通过采集分析人脑的脑电信号来实现对三类人物表情(高兴、中性和悲伤)的识别。主要包括脑电信号的采集过程和脑电信号的分析处理过程。通过对被试者进行不同表情刺激，采集不同的脑电信号；首先根据脑电信号全场强的能量分布来确定有效的脑电信号的特征空间，之后将对应特征空间的原始脑电信号进行PCA降维，并对具有分类优势的脑电信号进行重组，最后选择线性判别函数分类器进行分类。表情识别时，只需将采集的脑电信号提取出目标特征，进行分类，即可确定识别结果。能够实现基于人物表情刺激的脑电信号的识别。本发明引入人的认知，具有客观、高效的优点。

说明书

技术领域

本发明涉及一种脑电信号的处理和分析方法，特别是涉及一种基于有 效时间序列和电极重组的脑电信号分类系统和方法。

背景技术

在当今这个人际关系日益紧密的社会，正确地识别他人的表情有重要 的生存意义。这不仅可以使人们及时调节自己的行为来适应环境，而且还 能有效地避免不必要的危险，有利于社会交往和环境适应。同时，对正常 人的研究也可为临床诊断和治疗提供参考，用于预防和治疗工作。目前， 人脸表情识别技术主要的应用领域包括人机交互、安全、机器人制造、医 疗、通信和汽车领域等。

在有关表情识别的文献中，主要通过图像表情识别和语音信号分析来 判断表情，但这些表情评估的传统方法具有主观性，很容易被他人所否认。 然而另一种可用的表情识别办法是生理脑电信号分析，它是一个更直观、 有效的表情识别手段，因为表情状态本来就是由神经系统的活动来反映 的。

发明内容

本发明的目的在于针对表情刺激产生的脑电信号，提出一种基于有效 时间序列和电极重组的脑电信号分类系统和方法。以避免特征的主观性， 通过采用并行计算策略提高执行效率。

本发明是采用以下技术手段实现的：

一种基于有效时间序列和电极重组的脑电信号分类系统，包括：脑电 信号采集模块、脑电信号预处理模块、脑电信号特征选择模块、脑电信号 表情分类实施模块。

脑电信号信息采集模块，采集被试在高兴、中性和悲伤的不同表情刺 激下的原始脑电信号，并将采集到的脑电信号传递给脑电信号预处理模 块；脑电信号预处理模块将采集到的原始脑电信号进行去噪(噪声包括水 平眼电和垂直眼电)，之后将纯净的脑电信号转换成全局场强送入脑电特 征选择模块；脑电信号特征选择模块，通过全局场强脑电信号的峰值特征 确定脑电信号的有效时间区域，在对有效时间区域上的脑电信号进行电极 重组，将重组后的脑电信号降维后视为脑电信号表情识别的最终特征，并 将此特征传送到脑电信号表情分类实施模块；脑电信号表情分类实施模块 用经典分类算法(Fisher分类器)进行脑电信号分类。

一种基于有效时间序列和电极重组的脑电信号分类方法，包括以下步 骤：

步骤1，受试者带上电极帽，原始脑电信号是通过66导国际脑电图学 会标定的10/20法的EEG放大器进行采集，并选取所有电极位置，采集不 同表情刺激过程的受试者脑电信号；

步骤2，将采集到的脑电信号输入到预处理模块，预处理模块主要对采 集到的脑电信号进行去噪，并得到脑电信号的全场强，脑电信号的全场强 即为所有电极信号的叠加平均值；

步骤3，通过特征提取模块对脑电信号全场强的分析，确定脑电信号特 征选择的有效时间区域；

步骤4，由于不同电极产生的脑电信号具有不同的生理学意义，因此通 过特征提取模块对特征选择的脑电信号进行电极重组；

步骤5，为了降低脑电信号的冗余信息，对步骤4所得到的重组后的脑 电信号通过主成分分析(PCA)方法进行降维；

步骤6，对特征提取模块提取后的脑电信号使用脑电信号表情分类实施 模块中的线性判别函数分类器(Fisher)进行分类学习与测试；

测试表情识别时，通过脑电信号采集模块，采集待测被试的脑电信号， 将脑电信号送入脑电信号预处理模块，去除噪声后，再根据脑电信号特征 提取模块计算生成被试对应的特征向量，然后将这一特征向量送入脑电信 号表情分类实施模块，最后得到表情刺激的脑电信号分类结果。

脑电信号的有效时间区域的选择，根据全局场强的峰值和高能量值来 确定的有效时间区域；电极重组的过程是在有效时间区域的基础上，对不 同电极进行重新组合的过程；脑电信号表情分类的过程是在并行的基础 上，对选择的脑电信号特征进行分类。

本发明一种基于有效时间序列和电极重组的脑电信号分类系统和方 法，与现有技术相比具有以下优点：

1、与传统方法相比，本发明利用生理脑电信号，避免了特征的主观 性。

2、本发明在步骤(3)中根据脑电信号的全场强进行特征选择是一种 合理且有效的新方法。

3、本发明在步骤(5)中所使用的主成分分析方法是统计学习中的经 典方法，在许多数值计算平台中能够找到比较成熟的实现算法。

4、本发明的主要计算量集中在步骤(6)，由于在步骤(4)会产生多 种电极组合，因此步骤(6)要对每种组合下的脑电特征进行分类器训练 和评价，因此可以采用并行计算策略来提高执行效率。

附图说明

图1是本发明所涉及方法全过程的流程图与系统模块划分情况；

图2是本发明所涉及采集脑电信号的实验设计流程图；

图3是本发明所涉及基于全场强的脑电信号图；

图4是本发明图1中“脑电信号处理”部分的具体流程。

具体实施方式

下面结合具体实施方式对本发明做进一步的说明。

本发明在训练表情识别分类器时的步骤有如下6个步骤：

首先在步骤1中根据设计好的实验进行脑电信号的采集，在试验采集 的过程中，选用三类人脸表情作为刺激图片，包括高兴表情、中性表情和 悲伤表情，每个表情有18种脸型，每个被试者执行408次试验，三类任 务各占136次。每次试验过程如下：首先给被试者显示提示语，待被试者 按下空格键后，显示一个正向或倒向的，表情为高兴、中性、悲伤三种表 情之一的图片，待被试者对表情进行清楚辨别并按下相应的按键后，表示 一次试验结束，具体过程如图2所示。被试数据采集自12名年龄在20-30 岁的健康人。

接下来对步骤1采集到的原始脑电信号进行预处理，预处理模块包括 2个步骤：

步骤2.1由于脑电信号微弱，极易受到眼电信号的影响。因此，去除 脑电信号中的噪声就显得尤为重要，本发明方法中利用NeuroScan软件对 采集到的脑电信号进行去噪。

步骤2.2在步骤2.1获得清洁的脑电信号EEG的基础上，通过 NeuroScan软件获得66导电极原始脑电信号对应的全场强，即GFP，它是 通过对各个电极的信号进行叠加平均得到的。

接下来步骤3根据特征提取模块对三类原始脑电信号的全场强(GFP) 进行对比分析，如图3所示，结果发现全场强的峰值分布在88ms、154ms、 232ms处，而350ms-650ms处为慢电位反映。因此，我们根据全场强(GFP) 能量的时间分布(70-110ms，125ms-185ms，200ms-250ms，350ms-650ms) 来确定原始脑电信号(EEG)特征选择的有效时间段(即有效时间区域)。

步骤4中，特征提取模块中我们采用启发式研究方法，启发函数是线 性判别函数分类器的性能，即我们以性能优劣来分析重组的有效性。首先 通过电极重组对脑电信号特征选择做进一步提取，即在步骤3所确定的有 效特征区域进行重组，重组的过程是采用穷举的方式按照不同时间区域和 不同电极进行排列组合。公式如下：

$X=\underset{i}{\Sigma }\underset{j}{\Sigma }{\alpha }_i{\beta }_j{E}_{\mathrm{ij}}---\left(1\right)$

i∈{1，…，64}，j∈{1，…，5}，

其中，i是电极个数，j是时间序列段个数，E_ij指的是第i个电极第j个时 间段的脑电信号，当α_i＝1时，表示第i个单电极的脑电信号被作为特征， 当β_j＝1时，表示第j个时间区域的脑电信号被作为特征。

接下来步骤5对步骤4中各种的电极组合进行主成分分析方法降维。 因为当脑电信号特征选择进行电极重组后，都会产生高维的脑电信号，从 而影响了脑电信号的分类效率和结果，所以脑电信号的降维过程显得尤为 重要。本专利把脑电信号特征降到400维。

之后步骤6对降维后的脑电信号使用脑电信号表情分类实施模块中的 线性判别函数分类器进行分类，由于步骤4中脑电信号重组的过程选用穷 举方式，经验可知，穷举方法带来了计算空间大，复杂度高的问题，因此， 在这里我们为解决这个问题引入并行计算，并行主要针对分类过程，通过 并行运算从而大大提高了分类时间和速率。如图4，详细显示步骤2-6的 具体流程。

本发明在测试表情识别时的步骤如下：

通过脑电信号采集模块，采集待测被试的脑电信号(方法与上述对应 步骤一致)，将脑电信号送入脑电信号预处理模块，去除噪声后，再根据 脑电信号特征提取模块计算生成被试对应的特征向量(方法与上述对应步 骤一致)，然后将这一特征向量送入脑电信号表情分类实施模块，最后生 成基于表情刺激的分类结果。结果表明，最高识别率超过了90％，平均识 别率在85％左右，能够实现对表情刺激的脑电信号识别。