一种基于SVM典型相关分析的脑电通道选择算法

摘要

一种基于SVM典型相关分析的脑电通道选择算法，涉及一种脑电信号最佳通道选择方法，为了解决多通道采集方式中计算量与复杂度高，耗费大量运算时间以及不利于被试者穿戴的问题。本发明通过对原始脑电信号进行空间滤波，保留脑电信号中有效的频带，再进行小波包两层分解，提取小波包系数；计算小波能量，然后获取通道特征组；获取初始权重；并按由大到小的顺序进行排序，利用SVM，按照各个通道对实际运动想象意图分类结果的贡献程度进行更新，得到更新后的通道权重并对其进行数据分析与信号处理，进行最佳通道的判断，得出最有效的电极位置。有益效果为计算量小，提高了设备的便携性和可穿戴性。

说明书

技术领域

本发明涉及一种脑电信号最佳通道选择方法。

背景技术

脑-机接口作为一种新型的人机交互方式，不依赖人的外周神经和肌肉组织，直接实现人脑与外部设备的通信；采集脑电信号，可以分析人的思维意图，来向外界传达大脑的思维信息；也可以帮助有运动障碍的患者，更好地与外界进行信息交流，其在医疗、军事、航天和虚拟现实等领域均有巨大的应用价值。

目前，运动想象脑-机接口技术的研究还处于初级阶段；大部分研究者将提升运动想象思维任务分类正确率作为主要的研究方向；为了取得较好的分类效果，常使用多通道电极采集脑电信号；一般来说，多通道电极能够提供更多有助于分类的信息；但多通道也增加了计算的复杂度，降低了系统的实时性，且不利于被试者穿戴；甚至有些通道会含有大量的噪声和大量的冗余信息，这也会导致分类效果变差；因此，针对上述问题，通道选择的优化方法，可以在对分类效果影响有限的条件下，减少脑电信号分析的通道数量；在实际应用中，只需要判断出最佳通道并对这些通道进行分析；这有利于提高系统的实时性，有效减小计算的复杂度。

目前，有很多种用于通道选择的方法，如特征降维；其选取了有用的特征，摒弃了有害或冗余特征，进而可筛选出有用特征所在的通道，实现通道选择；但这种间接通道选择的方式，并没有对通道本身对实际分类准确率的贡献进行分析。

运动想象的通道选择的基础是特征的重要性；运动想象相关的频带主要为μ(8Hz–14Hz)和β(14Hz–30Hz)，同时不同被试对应的主要频带范围还具有一定的差异，频带划分可能更细致甚至多尺度划分；基于共空间模式分析(Common Spatial Pattern,CSP)的相关方法在多频带/多尺度特征情况下难以适用；传统过滤式特征选择方法是衡量特征权重的高效方法，最具代表性的如ReliefF、最大相关最小冗余算法(Max-Relevance and Min-Redundancy,mRMR)；其中ReliefF算法的基本思想是通过评估特征在同类近邻样本与异类近邻样本之间的差异来度量特征的区分能力；ReliefF已被证明在许多应用程序中表现良好；但是，由于其测距原理，ReliefF对生理伪迹和噪声高度敏感；而伪迹和噪声包含在多通道EEG数据中，使ReliefF算法受到极大干扰；mRMR是基于互信息熵的度量策略，同时保证特征与标签的最大相关性及特征子集的最小冗余度；但是mRMR仅限于独立特征度量；而实际中运动想象时基于固定通道的不同频带特征之间可能存在相互耦合，构成特征组，故上述方法很难适用。

发明内容

本发明的目的是为了解决多通道采集方式中计算量大与复杂度高，并运算时间长以及不利于被试者穿戴的问题，提出了一种基于SVM典型相关分析的脑电通道选择算法。

本发明所述的一种基于SVM典型相关分析的脑电通道选择算法包括以下步骤：

步骤一、利用共同平均参考法对原始脑电信号进行空间滤波，保留运动想象脑电信号中有效的频带；

步骤二、对步骤一滤波后的有效频带运动想象脑电信号进行小波包两层分解，并提取每个通道的小波包子空间的小波包系数；

步骤三、将步骤二中提取的每个通道的小波包系数进行平方求和，计算每个通道的小波能量，然后计算各个通道的各个小波包子空间内的能量占全通道能量的百分比，提取出所有特征；

步骤四、对步骤三提取的所有特征进行频带特征选择，获取通道特征组；

步骤五、利用典型相关分析度量通道特征组与类别标签的相关性作为通道的初始权重；

步骤六、对步骤五中得到的初始权重按由大到小的顺序进行排序，利用SVM，按照各个通道对实际运动想象意图分类结果的贡献程度进行更新，得到更新后的通道权重；

步骤七、对步骤六中得到的更新后的通道权重进行数据分析与信号处理，进行最佳通道的判断，并得出运动想象最有效的电极位置。

本发明的有益效果是在运动想象任务中，该选择算法根据通道对实际意图识别准确率贡献的大小定义通道的权重，并根据通道权重进行排序，优先选择权重较大的通道进行分析；在将运动意图识别准确率控制在一定精度的前提下，减少了脑电信号分析的通道数量，为后续产品的普及和应用提供策略；同时该选择算法极大减少了信息的冗余度，降低了脑电通道算法的复杂度与计算量，节约了算法运行时间；待分析脑电信号通道时，缩短了实验用时，同时提高了设备的便携性和可穿戴性，增强了实际产品的市场普及性；为特殊群体如瘫痪病人的日常生活与意图表达提供了更加高效的辅助方式。

附图说明

图1为具体实施方式一所述的一种基于SVM典型相关分析的脑电通道选择算法流程图；

图2为具体实施方式一中小波包两层分解示意图；

图3为具体实施方式三中得到更新后的通道权重具体方法流程图；

图4为具体实施方式三中SVM-CCA-CS与CCA-CS算法分类准确率对比图；

图5为具体实施方式三中基于相同通道数时每位被试者SVM-CCA-CS与CCA-CS算法分类效果对比图。

具体实施方式

具体实施方式一：结合图1至图2说明本实施方式，本实施方式所述的一种基于SVM典型相关分析的脑电通道选择算法包括以下步骤：

步骤一、利用共同平均参考法对原始脑电信号进行空间滤波，保留运动想象脑电信号中有效的频带；

步骤二、对步骤一滤波后的有效频带运动想象脑电信号进行小波包两层分解，并提取每个通道的小波包子空间的小波包系数；

步骤三、将步骤二中提取的每个通道的小波包系数进行平方求和，计算每个通道的小波能量，然后计算各个通道的各个小波包子空间内的能量占全通道能量的百分比，提取出所有特征；

步骤四、对步骤三提取的所有特征进行频带特征选择，获取通道特征组；

步骤五、利用典型相关分析度量通道特征组与类别标签的相关性作为通道的初始权重；

步骤六、对步骤五中得到的初始权重按由大到小的顺序进行排序，利用SVM，按照各个通道对实际运动想象意图分类结果的贡献程度进行更新，得到更新后的通道权重；

步骤七、对步骤六中得到的更新后的通道权重进行数据分析与信号处理，进行最佳通道的判断，并得出运动想象最有效的电极位置。

在本实施方式中，采用有限长单位冲激响应(Finite Impulse Response,FIR)带通数字滤波器进行空间滤波；与运动想象思维任务识别有关的节律为μ节律(8–14Hz)和β节律(14–30Hz)，两个节律都在8-30Hz的频带范围内；因此，带通滤波器的频带范围选择8-30Hz，保留运动想象脑电信号有效的频带成分的同时，抑制噪声干扰。

在本实施方式中，小波包两层分解如图2所示，S表示原始信号，a表示低频成分，d表示高频成分；其中，重构小波包子空间系数a(2,0)和d(2,1)的信号频率在μ节律和β节律的频带范围内，并且运动想象脑电信号能量集中在在两个子节点内；因此，每个实验样本提取小波包分解系数a(2,0)和d(2,1)的能量作为特征；将每个实验样本的原始数据通过数据预处理后，选取db4小波，将预处理数据两层小波包分解，并提取每个通道的第二层小波包系数。

在本实施方式中，步骤三中各个通道的各个小波包子空间内的能量占全通道能量的百分比公式如公式(1)；

所述公式(1)为：

其中，p表示通道数，t＝1,2,3,4表示小波包子空间；通过上述计算，每个小波包子空间共有118个能量特征，共有4个小波包子空间，故每一个运动想象实验样本共提取4*118＝472维特征。

根据上述分析的小波包两层分解子空间的频带范围，选择小波包子空间a(2,0)和d(2,1)的能量特征，故每一次运动想象实验样本共提取2*118＝236维特征；按照上述步骤提取每个被试者280个实验样本特征。

具体实施方式二：本实施方式是对具体实施方式一所述的一种基于SVM典型相关分析的脑电通道选择算法进一步限定，在本实施方式中，步骤五中利用典型相关分析度量通道特征组与类别标签的相关性作为通道的初始权重的具体方法为：

基于通道的特征组与类别标签的关系，通过最大线性相关度进行计算，即CCA(S

通道的特征组S

其中，

通过将公式(2)中最大化求解得到的权重向量带回公式(2)得到最大线性关系值，进而得到特征组的权重，作为通道排序依据；

所述特征组的权重表示为：公式(3)；

W(p)＝max CCA(S

其中，W(p)为每个通道的初始权重。

在本实施方式中，通过计算通道权重，衡量每个通道对分类的贡献程度；通道权重越大，对样本分类的贡献程度越大，该通道的信息越重要；每个通道所有特征的均值作为通道权重的计算方法称为典型相关分析-通道选择法(Canonical CorrelationAnalysis-Channel Selection，CCA-CS)。

具体实施方式三：结合图3至图5说明本实施方式，本实施方式是对具体实施方式一所述的一种基于SVM典型相关分析的脑电通道选择算法进一步限定，在本实施方式中，步骤六中得到更新后的通道权重具体方法包括以下步骤：

步骤六一、将初始权重按由大到小的顺序进行排序；

步骤六二、选择排名前m的通道，每次添加一个通道，使用SVM进行十折交叉验证后，得到的平均分类准确率将被视为之前m个通道的识别准确率；

步骤六三、计算权重为m的通道的贡献值；其中，贡献值定义为添加第m个通道后动作分类精度的增长率，并且定义排名第一的通道贡献与排名第二的通道贡献相同；则有：

其中，C

步骤六四、判断|min(C

所述公式(5)为：

W

其中，W

步骤六五、输出W

在本实施方式中，调整通道权重的方法是在CCA-CS计算出初始通道权重的基础上，通过SVM分类器，按照实际的分类效果更新通道权重，此方法可以称为支持向量机-典型相关分析-通道选择算法(Support Vector Machine-Canonical Correlation Analysis-Channel Selection，SVM-CCA-CS)。

实验验证：

为了验证支持向量机-典型相关分析-通道选择算法的有效性，利用第三届脑-机接口竞赛(BCI Competition III)数据库进行分析；采用其中的Data set Iva数据集，包含记录的五个被试者的运动想象脑电信号；该数据集包括118通道的全大脑皮层脑电信号，有利于最佳通道的选择；被试者全程处于放松的状态；根据屏幕视觉提示信息，被试者执行右手或脚的运动想象任务，想象持续时间为3.5s；屏幕视觉提示信息以随机长度出现，即在提示信息消失直至下一次提示信息出现的1.75s-2.25s时间段内，被试者处于休息状态；信号采样率为1000Hz，原始信号经过了带宽为0.05Hz-200Hz的带通滤波器。数据样本经过了1000Hz的降采样处理得到100Hz的样本数据。对每类任务(右手或脚)，每个被试者执行了140次运动想象任务，共280次。

图4显示了分别利用SVM-CCA-CS与CCA-CS算法进行分类的平均准确率，即五个被试者平均的通道数和平均分类正确率的变化关系；其中实线表示SVM-CCA-CS方法，虚线表示CCA-CS方法，由图可知，SVM-CCA-CS比CCA-CS方法在通道数小于63时具有较好的分类效果；按照SVM-CCA-CS法计算的通道权重，选择前30个通道已经使平均分类正确率达到80.0％，而CCA-CS方法需要选择前80个通道才能达到同样准确率。

图5显示了每位被试者SVM-CCA-CS与CCA-CS在相同数量的通道上的性能比较，通道数选取为30；同样可看出，对于每位被试者，在相同数量的通道上，SVM-CCA-CS的性能也要优于CCA-CS；因此，SVM-CCA-CS比CCA-CS方法在减少通道数量，保证分类效果上具有较大的优势。

表1 基于SVM-CCA-CS和CCA-CS的前30个通道的平均准确率和标准差

表1列出了这两种方法基于前30个通道的平均准确率和标准差；类似地，SVM-CCA-CS的平均标准差小于CCA-CS的平均标准差，这意味着SVM-CCA-CS可以获得更稳定的分类性能。