[發(fā)明專(zhuān)利]一種基于相位同步的多類(lèi)別運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410185328.5
• 申請(qǐng)日: 2014-05-04
• 公開(kāi)（公告）號(hào): CN103971124B
• 公開(kāi)（公告）日: 2017-02-15
• 發(fā)明（設(shè)計(jì)）人: 孔萬(wàn)增;徐飛鵬;周凌霄;徐思佳;任銀芝;戴國(guó)駿
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 杭州君度專(zhuān)利代理事務(wù)所(特殊普通合伙)33240
• 代理人: 杜軍

1.一種基于相位同步的多類(lèi)別運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)方法，其特征在于該方法包括以下步驟：

步驟1、腦電信號(hào)采集：使用多通道腦電采集設(shè)備采集實(shí)驗(yàn)過(guò)程中被試者的腦電信號(hào)，完成被試者信息錄入和腦電信號(hào)采集；

步驟2、數(shù)據(jù)預(yù)處理：對(duì)原始腦電信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，具體為帶通濾波；

步驟3、濾波：創(chuàng)建濾波器，將預(yù)處理后的腦電信號(hào)濾波到計(jì)算利用相位同步特征進(jìn)行分類(lèi)所需的頻段；

步驟4、相位同步特征相關(guān)系數(shù)計(jì)算：采用相位鎖定值PLV來(lái)計(jì)算各次實(shí)驗(yàn)所得腦電信號(hào)每?jī)蓚€(gè)通道之間的相位關(guān)系，具體的PLV計(jì)算公式如下：

PLV＝|<exp(j{Φ_x(t)-Φ_y(t)})>|

其中Φ_x(t)和Φ_y(t)分別為腦電信號(hào)x(t)和y(t)的瞬時(shí)相位；

采用希爾伯特變換來(lái)計(jì)算信號(hào)的相位值，信號(hào)x(t)的希爾伯特變換x定義如下：

x~(t)=1πP∫-∞+∞x(τ)t-τdτ]]>

公式中的P為柯西主值；由此可以定義x(t)的解析信號(hào)為：

Zx(t)=x(t)+jx~(t)=Ax(t)ejΦx(t)]]>

其中A_x(t)和Φ_x(t)分別為信號(hào)x(t)的瞬時(shí)振幅以及瞬時(shí)相位；

同樣地，可以定義信號(hào)y(t)的解析信號(hào)，并計(jì)算瞬時(shí)相位Φ_y(t)；

根據(jù)單次實(shí)驗(yàn)的時(shí)間流程和樣本采樣頻率采用時(shí)間窗口來(lái)計(jì)算單次實(shí)驗(yàn)特定頻段的PLV值；對(duì)于訓(xùn)練數(shù)據(jù)集而言，分別計(jì)算各類(lèi)運(yùn)動(dòng)想象腦電信號(hào)PLV均值：假設(shè)訓(xùn)練數(shù)據(jù)集中存在N_i段屬于第i類(lèi)運(yùn)動(dòng)想象腦電信號(hào)樣本的不重疊時(shí)間片段，則這N_i段片段的PLV均值計(jì)算如下：

PLVavgi=1Ni|Σn=1Ni<exp(jΔΦ)>|]]>

其中ΔΦ為信號(hào)x(t)和y(t)的瞬時(shí)相位差；

設(shè)選定的腦電通道數(shù)為M，利用兩兩通道構(gòu)建不同的通道對(duì)，計(jì)算某一類(lèi)運(yùn)動(dòng)想象單次實(shí)驗(yàn)樣本所有通道對(duì)的PLV值，此時(shí)得到一個(gè)M×M的上三角矩陣Κ

K=0k12k13···k1M00k23···k2M············000···k(M-1)M00000]]>

該矩陣不僅包含了不同腦電通道兩兩之間的相位關(guān)系，還包含了腦電通道的空間信息；

接下來(lái)，對(duì)于訓(xùn)練數(shù)據(jù)集而言，按上述方法計(jì)算屬于這一類(lèi)運(yùn)動(dòng)想象的其他單次實(shí)驗(yàn)樣本所有通道對(duì)的PLV值，從而得到這一類(lèi)別運(yùn)動(dòng)想象數(shù)據(jù)集的PLV均值，用同樣的方法計(jì)算其他各類(lèi)別運(yùn)動(dòng)想象訓(xùn)練數(shù)據(jù)集的PLV均值，而測(cè)試數(shù)據(jù)集只需計(jì)算單次實(shí)驗(yàn)樣本所有通道對(duì)的PLV值；

最后，分別計(jì)算以上測(cè)試樣本所有通道對(duì)PLV值所組成的矩陣Α與各類(lèi)別運(yùn)動(dòng)想象數(shù)據(jù)集PLV均值所組成的矩陣Β的相關(guān)系數(shù)，具體的相關(guān)系數(shù)(r)計(jì)算公式如下：

r=ΣmΣn(Amn-A‾)(Bmn-B‾)(ΣmΣn(Amn-A‾)2)(ΣmΣn(Bmn-B‾)2)]]>

其中m,n為各矩陣的行列數(shù)，從而形成相關(guān)系數(shù)列向量R

R=r1r2···ri]]>

其中r_i是相關(guān)系數(shù)，i是運(yùn)動(dòng)想象腦電信號(hào)類(lèi)別數(shù)；

步驟5、特征提取和分類(lèi)：特征提取和分類(lèi)的步驟大致如下：

第一步，基于相位同步特征相關(guān)系數(shù)的測(cè)試樣本粗分類(lèi)：將上述過(guò)程計(jì)算所得列向量R中的相關(guān)系數(shù)去平均后取其絕對(duì)值按從大到小排序形成列向量C，即

C=r1′r2′···ri′,r1′>r2′>...>ri′]]>

其中r_i'＝abs(r_i-mean(R)),abs()表示相關(guān)系數(shù)去平均后的絕對(duì)值，mean()表示相關(guān)系數(shù)的平均值,i是運(yùn)動(dòng)想象腦電信號(hào)類(lèi)別數(shù)；

若原始腦電信號(hào)類(lèi)別數(shù)為偶數(shù)，則把C中相關(guān)系數(shù)按順序依次進(jìn)行無(wú)重疊的兩兩組合，即每一個(gè)相關(guān)系數(shù)只能被組合一次，并把各兩兩組合相關(guān)系數(shù)所對(duì)應(yīng)的兩個(gè)類(lèi)別腦電數(shù)據(jù)集作為訓(xùn)練樣本進(jìn)行CSP特征提取并對(duì)測(cè)試樣本用LDA分類(lèi)方法進(jìn)行粗分類(lèi),將其歸為兩個(gè)類(lèi)別中的某一類(lèi)；若原始腦電信號(hào)類(lèi)別數(shù)為奇數(shù)，則把C中相關(guān)系數(shù)按順序依次進(jìn)行無(wú)重疊的兩兩組合，此時(shí)C中最小的相關(guān)系數(shù)不參與組合，即最小的相關(guān)系數(shù)所對(duì)應(yīng)的腦電信號(hào)類(lèi)別不參與組合，并把各兩兩組合相關(guān)系數(shù)所對(duì)應(yīng)的兩個(gè)類(lèi)別腦電數(shù)據(jù)集作為訓(xùn)練樣本進(jìn)行CSP特征提取并對(duì)測(cè)試樣本用LDA分類(lèi)方法進(jìn)行粗分類(lèi),將其歸為兩個(gè)類(lèi)別中的某一類(lèi)；

第二步，利用上述相關(guān)系數(shù)兩兩組合方法所得到的測(cè)試樣本可能會(huì)屬于的新的腦電信號(hào)類(lèi)別對(duì)測(cè)試樣本進(jìn)行細(xì)分類(lèi)，按不同的情況具體操作如下：①若原始腦電信號(hào)類(lèi)別數(shù)為偶數(shù)，且新的腦電信號(hào)類(lèi)別數(shù)也為偶數(shù)，則把新的腦電信號(hào)類(lèi)別按順序依次進(jìn)行無(wú)重疊的兩兩組合，即每一個(gè)新的腦電信號(hào)類(lèi)別只能被組合一次，并把各兩兩組合所對(duì)應(yīng)的兩個(gè)類(lèi)別腦電數(shù)據(jù)集作為訓(xùn)練樣本進(jìn)行CSP特征提取并對(duì)測(cè)試樣本用LDA分類(lèi)方法進(jìn)行分類(lèi),將其歸為兩個(gè)類(lèi)別中的某一類(lèi)，形成新的腦電信號(hào)類(lèi)別；若新的腦電信號(hào)類(lèi)別數(shù)為奇數(shù)，則把新的腦電信號(hào)類(lèi)別按順序依次進(jìn)行無(wú)重疊的兩兩組合，此時(shí)最后的腦電信號(hào)類(lèi)別不參與組合，并把各兩兩組合所對(duì)應(yīng)的兩個(gè)類(lèi)別腦電數(shù)據(jù)集作為訓(xùn)練樣本進(jìn)行CSP特征提取并對(duì)測(cè)試樣本用LDA分類(lèi)方法進(jìn)行分類(lèi),將其歸為兩個(gè)類(lèi)別中的某一類(lèi)，形成新的腦電信號(hào)類(lèi)別；②若原始腦電信號(hào)類(lèi)別數(shù)為奇數(shù)，則把新的腦電信號(hào)類(lèi)別和上一步驟中不參與組合的腦電信號(hào)類(lèi)別組合成又一新的腦電信號(hào)類(lèi)別，然后根據(jù)這一新的腦電信號(hào)類(lèi)別數(shù)的奇偶性按本步驟①中對(duì)新的腦電信號(hào)類(lèi)別的處理方法進(jìn)行操作；

第三步，根據(jù)第二步中形成的原始腦電信號(hào)類(lèi)別數(shù)和新的腦電信號(hào)類(lèi)別數(shù)的奇偶性，循環(huán)第二步的操作，直到測(cè)試樣本被最終分類(lèi)；

對(duì)上述步驟中涉及的CSP特征提取方法和LDA分類(lèi)方法具體是：

1)CSP特征提取

采用共空域模式(CSP)方法對(duì)兩兩組合的兩個(gè)類(lèi)別腦電數(shù)據(jù)集進(jìn)行特征提取；假設(shè)Χ₁和Χ₂分別為兩類(lèi)想象運(yùn)動(dòng)任務(wù)下維數(shù)為N×T的多導(dǎo)聯(lián)腦電信號(hào),其中N為EEG信號(hào)的通道數(shù),T為每一個(gè)通道采集點(diǎn)數(shù)；Χ₁和Χ₂歸一化后的協(xié)方差矩陣R₁和R₂分別為：

R1=X1X1Ttrace(X1X1T)R2=X2X2Ttrace(X2X2T)]]>

其中Χ^T表示矩陣Χ的轉(zhuǎn)置,trace(Χ)為矩陣Χ對(duì)角線上元素的總和；對(duì)多次實(shí)驗(yàn)得到的空間協(xié)方差R₁和R₂取平均值,得到平均協(xié)方差矩陣R₁和構(gòu)造混合協(xié)方差矩陣R,并對(duì)R做主成分分析可得:

R=R1‾+R2‾=UΣUT]]>

其中U是混合協(xié)方差矩陣R的特征向量組成的矩陣,Σ是R的對(duì)角線元為相應(yīng)特征值的對(duì)角矩陣；定義白化矩陣Ρ為:

Ρ＝Σ^-1/2U^Τ

將矩陣和分別通過(guò)白化矩陣Ρ進(jìn)行白化變換:

S1=PR1‾PTS2=PR2‾PT]]>

然后再對(duì)S₁和S₂做主成分分析:

S1=U1Σ1U1TS2=U2Σ2U2T]]>

可以證明矩陣S₁的特征向量矩陣U₁和矩陣S₂的特征向量矩陣U₂是相等的,即U₁＝U₂＝V；同時(shí)兩個(gè)特征值的對(duì)角陣Σ₁和Σ₂之和為單位矩陣,即

Σ₁+Σ₂＝Ι

可知,當(dāng)矩陣S₁的特征值最大時(shí),對(duì)應(yīng)的S₂的特征值最小；同理當(dāng)S₂的特征值最大時(shí),對(duì)應(yīng)的S₁的特征值最小；根據(jù)這一特點(diǎn),取V中前a行和后a行組成最佳空間濾波器SF,并得到投影矩陣W

W＝SF^ΤΡ

然后將原始EEG信號(hào)通過(guò)投影矩陣進(jìn)行投影分別得到兩個(gè)類(lèi)別的新信號(hào)：

Ζ₁＝WΧ₁ Ζ₂＝WΧ₂

另外，假設(shè)Χ為測(cè)試樣本，則測(cè)試樣本的新信號(hào)為：

Ζ＝WΧ

最后對(duì)各類(lèi)別新信號(hào)各維度上的方差進(jìn)行取對(duì)數(shù)處理，作為特征：

fl=log(var(Zl)Σl=12a(var(Zl))),l=1,···,2a;]]>

其中var()表示方差；

2)LDA分類(lèi)

對(duì)已知類(lèi)別的各兩兩組合的兩個(gè)類(lèi)別腦電數(shù)據(jù)集進(jìn)行特征提取，形成的特征向量作為訓(xùn)練樣本，通過(guò)訓(xùn)練樣本的訓(xùn)練可以得到分類(lèi)所需的判別函數(shù)：

F(x_J)＝w^Τx_J+ω₀

其中{x_J|J＝1,2,...,D}為第J個(gè)測(cè)試樣本的特征向量,D為測(cè)試樣本的個(gè)數(shù)；參數(shù)w和ω₀的計(jì)算準(zhǔn)則為：使不同類(lèi)別間的距離最大，同一類(lèi)別內(nèi)的距離最小，即使不同的類(lèi)別盡可能的分開(kāi)；

假設(shè)X＝{x₁,x₂,...,x_d}為訓(xùn)練樣本的數(shù)據(jù)集，數(shù)據(jù)集中的每個(gè)特征向量分別對(duì)應(yīng)類(lèi)別{X₁,...,X_c,...,X_C}中的一個(gè)類(lèi)別，則類(lèi)間離散度矩陣S_b和類(lèi)內(nèi)離散度矩陣S_w分別為：

Sb=Σc=1CMc(mc-m)(mc-m)T]]>

Sw=Σc=1CΣx∈Xc(x-mc)(x-mc)T]]>

其中M_c為類(lèi)別X_c的向量數(shù)量，m_c為類(lèi)均值向量，m為所有樣本的整體均值；

計(jì)算矩陣W使類(lèi)間離散度矩陣和類(lèi)內(nèi)離散度矩陣的比值最大：

Wopt=argmaxw|WTSbW||WTSwW|=[w1,w2,...,wN]]]>

即可求得所需的判別函數(shù)；

利用這些訓(xùn)練樣本所得到的判別函數(shù)就可以對(duì)未知類(lèi)別的測(cè)試樣本進(jìn)行分類(lèi)。