一种运动想象脑电波解析方法

摘要

本发明涉及一种运动想象脑电波解析方法，属生物医学领域。本发明包括首先将采集到的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号丢弃污染严重的脑电片段，接着去除基线漂移，再剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义，本发明有效解决了现有脑信号消噪算法不能很好消除脑信号中噪声、识别效果不佳、识别率不高的缺点，运算量小、算法收敛快、信号的分离精度高，并且受参数影响小，从而很大程度上提高了分类准确率。

说明书

技术领域

本发明涉及一种运动想象脑电波解析方法，属于生物医学技术领域。

背景技术

基于运动想象(Motor imagery，MI)脑电的BCI是一类非常重要的BCI，该类BCI可直 接由脑信号重建运动控制，可以战略性地用于军事目的，也可为严重运动残疾人和正常人提 供辅助控制，从而改善他们的生活质量。脑电信号的相关研究已广泛用于神经科学、认知科 学、认知心理学和心理生理等，最近几十年，脑电信号已用于新型人机接口--脑机交互，该 研究成为国际重大前沿研究热点。

虽然如此，目前，基于运动想象的BCI正面临巨大的挑战，其中挑战之一是工程实现时 脑电信号的处理问题，主要是脑电信号的信噪比低，空间分辨率低，伪迹很强。因此，本发 明结合一种新的基于运动参数想象脑电范式的BCI，研究其中脑电信号处理的问题。

其次，脑电信号存在非平稳性且包括大量的噪声，现有的脑电信号消噪算法不能很好消 除脑电信号中的噪声，从而影响后继的脑电信号处理和分析；识别效果不佳，识别率不高， 而且现有的脑电信号消噪算法大多不是自适应的，其缺点是：运算量大、算法收敛慢、信号 的分离精度(即稳态性能)差，并且针对不同的被试，都要相应的调整算法中的参数，受参 数影响非常大，很不实用。

综上所述，针对现有的脑电信号消噪算法存在的缺点，本发明设计的基于运动想象脑电 波的解析方法，能获取信噪比相对高，相对干净的脑电信号，很大程度上提高了分类准确率， 可以为推动该类BCI系统走向实际运用打下坚实的基础。因此，具有潜在的实用价值和经济 意义。

发明内容

本发明提供了一种运动想象脑电波解析方法，以用于解决现有识别方法识别效果不佳、 识别率不高、以及没有自适应功能的问题；本方法能获取信噪比相对高，相对干净的脑电信 号，很大程度上提高了分类准确率，为BCI系统中运动想象脑电信号特征提取和分类提供了 新的思路。

本发明运动想象脑电波解析方法是这样实现的：首先将采集到的想象左右手运动的脑电 信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算法丢弃污 染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动独立分量 分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到 干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到 的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的 不同含义。

所述运动想象脑电波解析方法的具体步骤如下：

Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz 工频干扰得到信号X(t)₁；

Step2、将剔除工频干扰的信号X(t)₁利用自适应阈值剔除算法丢弃污染严重的脑电片段， 得到信号X(t)₂；

其中，信号X(t)₁的幅值超过±100μV时，信号X(t)₁看作噪声，那么直接把信号X(t)₁剔 除；

Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)₂去除基线漂移，得到信号X(t)₃；

Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想 象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；

Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到 的脑电特征向量M_k；

Step6、通过支持向量机对脑电特征向量M_k进行模式分类，最终识别出脑电信号相对应 的不同含义。

所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量M_k进 行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。

所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。

本发明的有益效果是：

(1)本发明设计的脑电波解析方法能够很好的去除心电、眼电、肌电等干扰信号，提高 信噪比，增强空间分辨率，得到干净的脑电信号。并且本方法中采用的自适应陷波算法、自 适应阈值剔除算法、自动独立分量分析算法的实时性好，符合在线BCI系统的需求；

(2)本发明设计的脑电波特征提取和模式分类方法，利用CSP算法利用矩阵同时对角 化技术，能够方便地构造出适用于分类的空间滤波器，从而提高最终的分类效率。通过支持 向量机对脑电特征信号进行分类，采用一种核函数参数和误差惩罚因子C的最佳寻优方法， 并用互信息(MI)准则对支持向量机进行评判。经过实验验证，该方法与其他运动想象脑电 特征识别方法相比较，得到的比特率和分类精度更高，适合于各类BCI系统。

附图说明

图1为本发明流程图；

图2为本发明原始脑电波形；

图3为本发明利用自适应陷波算法剔除线电干扰的脑电波形；

图4为本发明利用自适应阈值剔除算法丢弃污染严重的脑电片段的脑电波形；

图5为本发明利用四阶巴特沃兹高通滤波去基线漂移的脑电波形；

图6为本发明利用自动独立分量分析算法剔除眼电等伪迹的脑电波形。

具体实施方式

实施例1：如图1-6所示，一种运动想象脑电波解析方法，首先将采集到的想象左右手运 动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算 法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动 独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时 即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取 之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号 相对应的不同含义。

所述运动想象脑电波解析方法的具体步骤如下：

Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz 工频干扰得到信号X(t)₁；

Step2、将剔除工频干扰的信号X(t)₁利用自适应阈值剔除算法丢弃污染严重的脑电片段， 得到信号X(t)₂；

其中，信号X(t)₁的幅值超过±100μV时，信号X(t)₁看作噪声，那么直接把信号X(t)₁剔 除；

Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)₂去除基线漂移，得到信号X(t)₃；

Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想 象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；

Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到 的脑电特征向量M_k；

Step6、通过支持向量机对脑电特征向量M_k进行模式分类，最终识别出脑电信号相对应 的不同含义。

所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量M_k进 行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。

所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。

实施例2：如图1-6所示，一种运动想象脑电波解析方法，首先将采集到的想象左右手运 动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算 法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动 独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时 即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取 之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号 相对应的不同含义。

所述运动想象脑电波解析方法的具体步骤如下：

Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz 工频干扰得到信号X(t)₁；如图3所示；

Step2、将剔除工频干扰的信号X(t)₁利用自适应阈值剔除算法丢弃污染严重的脑电片段， 得到信号X(t)₂；如图4所示；

其中，信号X(t)₁的幅值超过±100μV时，信号X(t)₁看作噪声，那么直接把信号X(t)₁剔 除；

Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)₂去除基线漂移，得到信号X(t)₃； 如图5所示；

Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想 象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；如图6所示；

Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到 的脑电特征向量M_k；

Step6、通过支持向量机对脑电特征向量M_k进行模式分类，最终识别出脑电信号相对应 的不同含义。

所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量M_k进 行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。

所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。

通过构造决策函数其中为分类器支 持向量机的输出：如果e_i≥0，则判定属于A类，即右手运动；如果e_i＜0，则判定属 于B类，即左手运动；其中，是拉格朗日乘子，ε^*是分类阈值。经过实验验证，最后得到 分辨率为92％。

分类器支持向量机的输出不是以直接输出左手运动还是右手运动，而是通过构造决策函 数来作为输出来判断是左手运动还是右手运动；而分辨率是根据实验前已经设定好训练集和 测试集，训练集里面是已经知道哪个是左手哪个是右手运动，而测试集不知道，最后分类是 对测试集分类，然后与训练集中的正确结果比对，最后得到分类正确率为92％；

其中，是拉格朗日乘子，ε^*是分类阈值；

e_i∈{+1,-1}，作为判别参量；m为空间中的任一点，即属于M_k中的样本，M_k为输入向量空 间。k为核函数参数，为核函数中心，即支持向量机中的超平面。

Step7、并利用互信息MI准则对支持向量机分类的结果92％进行评判；互信息 所以支持 向量机分类的结果有效。

给出经过实验验证，该方法与其他运动想象脑电特征识别方法相比较，如表1所示，信 号的分离精度(即稳态性能)明显高，其计算量小，收敛速度快，并且受参数影响小，从而 很大程度上提高了分类准确率。

表1本发明支持向量机与其他运动想象脑电特征识别方法的分类准确率对比表

识别方法 分类准确率(％) BP神经网络 82.03 朴素贝叶斯 82 线性判别分析 82.94 支持向量机 92

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方 式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出 各种变化。