[發明專利]基于雙樹復小波樣本熵的運動想象腦電信號特征提取方法

有效

• 申請號: 201410150878.3
• 申請日: 2014-04-15
• 公開（公告）號: CN103961091B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 孟明;佘青山;羅志增;魯少娜;滿海濤
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/0476
• 分類號: A61B5/0476
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙)33240
• 代理人: 杜軍

技術領域

本發明屬于腦電信號處理領域，涉及一種腦電信號特征提取方法，特別涉及一種用于腦-機接口中運動想象腦電信號識別的特征提取方法。

背景技術

腦-機接口(Brain Computer Interface，BCI)是一種不依賴于外周神經系統及肌肉組織的參與，人腦與計算機或其它外部設備之間建立起直接交流和控制的通道，是一種全新的通訊和控制方式。腦電信號是由腦神經細胞自發性、節律性的生理電活動產生的，是大腦意識過程中神經細胞電生理活動的外在反映，具有較高的時間分辨率，因而腦電圖（EEG）成為BCI最重要的信號獲取手段。

BCI系統中，通過腦電信號控制輔助外設的方法有多種：按照操作方式的自動化程度可分為單步、半自動、全自動等；按照腦電信號產生機理可分為誘發腦電和自發腦電兩大類。其中，自發腦電由受試者自主產生，具有靈活性和可控制性，相對誘發腦電來說是更為自然和實用的方式。運動想象腦電信號是自發腦電信號的一種，在腦-機接口研究和應用中受到廣泛的關注。

基于運動想象腦電信號的多模式識別是目前BCI主要應用手段之一。以人類大腦為對象的頭皮腦電信號研究表明，它主要由各種節律性電活動組成，與運動想象緊密聯系的一種電生理現象是事件相關去同步（ERD）和事件相關同步（ERS）現象。在進行基于運動想象腦電信號的腦-機接口研究中，將運動想象腦電信號分解在不同頻段上進行特征提取具有一定的必要性。將腦電信號分解在不同頻段上常見方法有小波變換，小波包變換等。這些方法盡管也取得了不錯的效果，但是離散小波分解后的信號在相鄰尺度的過渡頻帶上存在著能量泄漏現象，同時小波變換在二抽取的過程中會產生較大的混疊現象，這些缺陷在特征提取時會造成一定程度的假象，影響后續模式分類器的識別率。Kingsbury等人在1988年提出雙樹復小波變換(Dual-Tree Complex Wavelet Transform，DTCWT)，DTCWT是離散小波變換的衍生，可以有效的克服混疊和能量泄漏，而且還具有時移不變性、多維方向選擇性、完全重構性等諸多優點，特征提取的效果明顯好于小波分析。

腦電信號是一種隨機的非線性信號，非線性特點比較明顯，隨著非線性理論的發展，很多非線性方法已經被廣泛用于腦電信號的特征提取，例如，Pincus于二十世紀九十年代提出量化時間序列復雜度的近似熵算法。近似熵為相似向量由m維增加至m+1維時繼續保持其相似性的條件概率，也是當維數變化的時候時間序列中產生新模式的概率大小，所以從統計的角度來區別時間過程的復雜性。但是近似熵中存在統計量的不一致性，針對這一不足，一種近似熵的改進方法—樣本熵被Richman和Moorman提出。樣本熵不僅具備近似熵的所有優點，而且避免了統計量的不一致性。樣本熵是時間序列復雜度的一種度量，在實際應用過程中，與Lyapunov指數、信息熵、關聯維數、K熵等非線性動力學方法相比，樣本熵因為只需較短的數據就能夠得出穩健的估計值，同時還有較好的抗噪和抗干擾能力，又可用于隨機成分和確定性成分組成的混合信號中，分析效果優于簡單統計參數，不需要對原始信號進行粗粒化等特點，比較適合對生物信號進行分析。發明內容

本發明提出一種雙樹復小波樣本熵的特征提取方法。該方法通過雙樹復小波變換，把采集到的運動想象腦電信號進行分解，抽取出對應于運動想象腦電信號中ERD和ERS現象的節律波信號，進行重構，然后對該信號利用樣本熵方法進行特征提取。實驗表明，雙樹復小波樣本熵的特征提取方法的具有一定的可行性，可以獲得比較高的識別率。

為了實現以上目的，本發明方法主要包括以下步驟：

步驟(1).抽取出對應頻段的運動想象腦電信號。將采集到的運動想象腦電信號通過雙數復小波變換進行分解，抽取出對應于運動想象腦電信號中ERD和ERS現象的節律波信號，再對其進行重構。

步驟(2).對信號進行特征提取。對含有有用成分的各層重構信號利用樣本熵方法進行特征提取。

本發明與已有的運動想象腦電特征提取方法相比，具有如下特點：

1、利用雙樹復小波變換方法，在信號分解與重構過程中有實虛兩平行的包含小波變換的雙正交濾波器的小波樹構成，能夠實現交替奇偶濾波，有效地彌補復小波金字塔算法的重構性差的缺點，同時兼有計算效率高，數據冗余少的優點。

2、非線性動力學方法—樣本熵，能夠分析腦電信號的非線性特征。同時，運動想象腦電信號中的ERD和ERS現象在一些頻段較為顯著，更容易獲取運動想象腦電信號的特征向量。