公开/公告号CN104700119A
专利类型发明专利
公开/公告日2015-06-10
原文格式PDF
申请/专利权人 北京机械设备研究所;
申请/专利号CN201510127762.2
申请日2015-03-24
分类号G06K9/62(20060101);
代理机构11024 中国航天科工集团公司专利中心;
代理人岳洁菱;姜中英
地址 100854 北京市海淀区北京142信箱208分箱
入库时间 2023-12-18 09:18:47
法律状态公告日
法律状态信息
法律状态
2018-02-13
授权
授权
2015-07-08
实质审查的生效 IPC(主分类):G06K9/62 申请日:20150324
实质审查的生效
2015-06-10
公开
公开
技术领域
本发明涉及一种脑电信号独立分量提取方法,特别是一种基于卷积盲源分离的脑电信号独立分量提取方法。
背景技术
脑电信号特征提取是脑机接口的关键步骤之一。从多通道脑电信号中分离出独立分量,再从独立分量中提取特征信号,是被广泛采用的脑电信号特征提取流程。脑电信号独立分量提取方法通过对多路脑电混合过程进行建模,基于该模型对脑电混合信号进行盲源分离,得到统计上独立的多个分量。当前,脑电信号独立分量的提取方法一般是基于瞬时混合模型的,即假定多通道脑电信号是瞬时线性混合的;而在严格意义上,多通道脑电信号是卷积混合的;瞬时混合模型忽略了脑电信号传播过程的时空动态性,从而影响了独立分量提取的实际效果,进而制约了脑电信号特征提取与分类识别准确率的提高。
发明内容
本发明的目的在于提供一种基于卷积盲源分离的脑电信号独立分量提取方法,解决基于瞬时混合模型的独立分量提取方法不能真实描述脑电信号混合过程从而影响脑电信号特征提取与分类识别准确率的问题。
一种基于卷积盲源分离的脑电信号独立分量提取方法,其具体步骤为:
第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统
基于卷积盲源分离的脑电信号独立分量提取系统,包括:AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样,使脑电信号离散化;短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号;频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离;顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整;短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。
第二步 AD采样模块对脑电信号进行采样
AD采样模块分别对采集到的n路脑电信号xj进行AD采样,使脑电信号离散化,其中j=1,2,…,n。
第三步 短时傅里叶变换模块将时域脑电信号变换到频域
短时傅里叶变换模块对脑电信号xj进行m点的离散傅里叶变换,得到Xi ,其中i=1,2,…,m。Xi =[Xi1, Xi2,…, Xin]T, Xij是脑电信号xj经过离散傅里叶变换后第i个频域段的成分组成的横向量,通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。
第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离
频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号Xi ,分别采用复数自然梯度算法进行分离,即求得解混矩阵Wi,使得:
yi= WiXi (1)
各分量之间的统计独立性最强。式中,yi是第i个频率段上的独立分量组成的向量,yi=[yi1, yi2,…,yin]T。
Wi的学习规则为:
(2)
式中,△Wi表示Wi的增量,(·)H表示共轭转置,η是学习速率,I是单位矩阵,f(yi)是非线性函数:
(3)
式中,K为对角矩阵,其中的元素ki为:
(4)
最终得到m个频域段上的独立分量组成的向量yi。公式(4)中,E(·)表示期望。
第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整
顺序调整模块根据脑电信号独立分量的特点:来源于同一独立分量的相邻频率段的信号之间存在相关性,通过相邻频率段信号之间的幅值相关性进行顺序调整。
对于i=1,2,…,m-1的每种情况:
当i保持不变,对于k=1,2,…,n-1的每种情况:
相关系数为:
(5)
公式(5)中,表示|yik|和|y(i+1)j|的相关系数,j=k,k+1,…,n,寻找到中的最大值,将最大值对应的下标记为j_max,即;交换y(i+1)j_max和y(i+1)k ;
最终得到调整顺序后的yi,yi=[yi1, yi2,…,yin]T。
第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量
短时傅里叶逆变换模块对调整顺序的结果进行组合,并作短时傅里叶逆变换:将y1j, y2j,…, ymj组合成向量zj, zj=[y1j, y2j,…,ymj]T;然后对zj分别作m点的短时傅里叶逆变换,得到n个脑电信号的独立分量sj。
本发明基于更真实的卷积混合模型提取脑电信号独立分量,可以有效的提高后续的脑电信号特征提取与分类识别准确率,并且采用卷积盲源分离的频域算法,具有实现简单、分离效果好、计算复杂度低等优点。
具体实施方式
一种基于卷积盲源分离的脑电信号独立分量提取方法,其具体步骤为:
第一步 搭建基于卷积盲源分离的脑电信号独立分量提取系统
基于卷积盲源分离的脑电信号独立分量提取系统,包括:AD采样模块、短时傅里叶变换模块、频域瞬时盲源分离模块、顺序调整模块和短时傅里叶逆变换模块。AD采样模块用于对脑电信号进行采样,使脑电信号离散化;短时傅里叶变换模块用于将时域上的卷积混合信号转换成频域上的瞬时混合信号;频域瞬时盲源分离模块用于对频域上的瞬时混合信号进行盲源分离;顺序调整模块用于对每个频域段上的向量中的独立分量进行顺序调整;短时傅里叶逆变换模块用于将频域上分离的结果转换成时域独立分量。
第二步 AD采样模块对脑电信号进行采样
AD采样模块分别对采集到的n路脑电信号xj进行AD采样,使脑电信号离散化,其中j=1,2,…,n。
第三步 短时傅里叶变换模块将时域脑电信号变换到频域
短时傅里叶变换模块对脑电信号xj进行m点的离散傅里叶变换,得到Xi ,其中i=1,2,…,m。Xi =[Xi1, Xi2,…, Xin]T, Xij是脑电信号xj经过离散傅里叶变换后第i个频域段的成分组成的横向量,通过离散傅里叶变换使时域上的卷积混合转换成频域上的瞬时混合。
第四步 频域瞬时盲源分离模块对频域瞬时混合信号进行分离
频域瞬时盲源分离模块对m个频域段上的复数瞬时混合信号Xi ,分别采用复数自然梯度算法进行分离,即求得解混矩阵Wi,使得:
yi= WiXi (1)
各分量之间的统计独立性最强。式中,yi是第i个频率段上的独立分量组成的向量,yi=[yi1, yi2,…,yin]T。
Wi的学习规则为:
(2)
式中,△Wi表示Wi的增量,(·)H表示共轭转置,η是学习速率,I是单位矩阵,f(yi)是非线性函数:
(3)
式中,K为对角矩阵,其中的元素ki为:
(4)
最终得到m个频域段上的独立分量组成的向量yi。公式(4)中,E(·)表示期望。
第五步 顺序调整模块对每个频域段上向量中的独立分量进行顺序调整
顺序调整模块根据脑电信号独立分量的特点:来源于同一独立分量的相邻频率段的信号之间存在相关性,通过相邻频率段信号之间的幅值相关性进行顺序调整。
对于i=1,2,…,m-1的每种情况:
当i保持不变,对于k=1,2,…,n-1的每种情况:
相关系数为:
(5)
公式(5)中,表示|yik|和|y(i+1)j|的相关系数,j=k,k+1,…,n,寻找到中的最大值,将最大值对应的下标记为j_max,即;交换y(i+1)j_max和y(i+1)k ;
最终得到调整顺序后的yi,yi=[yi1, yi2,…,yin]T。
第六步 短时傅里叶逆变换模块将频域分离结果变换成时域上的独立分量
短时傅里叶逆变换模块对调整顺序的结果进行组合,并作短时傅里叶逆变换:将y1j, y2j,…, ymj组合成向量zj, zj=[y1j, y2j,…,ymj]T;然后对zj分别作m点的短时傅里叶逆变换,得到n个脑电信号的独立分量sj。
机译: 基于T1分布的测井系统和盲源分离独立分量分析方法
机译: 基于T1分布的测井系统和盲源分离独立分量分析方法
机译: 基于独立分量分析(ICA)的盲源分离的核磁共振评估