[發(fā)明專利]一種基于組合差異進化的腦電信號特征選擇及分類方法

有效

• 申請?zhí)枺?/td>: 201410245808.6
• 申請日: 2014-06-05
• 公開（公告）號: CN103996054B
• 公開（公告）日: 2017-02-01
• 發(fā)明（設(shè)計）人: 譚平;譚冠政;王勇;蔡自興
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F3/01
• 代理公司: 長沙市融智專利事務(wù)所43114
• 代理人: 黃美成

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于組合差異進化的腦電信號特征選擇及分類方法。

背景技術(shù)

腦機接口系統(tǒng)是一種通過傳感器讀取大腦神經(jīng)活動，利用計算機在線處理并解碼，實現(xiàn)對外部設(shè)備控制的系統(tǒng)。腦機接口系統(tǒng)主要包括數(shù)據(jù)采集、信號處理、應(yīng)用程序三個主要部分。其中，數(shù)據(jù)采集模塊主要通過電極和腦電放大器，從受試者頭部獲取腦電信號，其中的腦電放大器將電極上獲得腦電信號進行放大以及模數(shù)轉(zhuǎn)換變成數(shù)字信號，然后發(fā)送給信號處理模塊處理。信號處理模塊首先要對信號進行預(yù)處理，包括去噪、數(shù)據(jù)對齊、空間濾波等。然后再對信號進行特征分析，并提取某些特征參數(shù)(如幅值、自回歸模型的系數(shù)等)，接著對這些特征參數(shù)進行識別分類，確定其對應(yīng)的意念狀態(tài)或指令，并將狀態(tài)或指令傳送給應(yīng)用接口模塊。應(yīng)用接口模塊主要將識別的狀態(tài)或指令按一定要求傳遞給應(yīng)用程序，完成某一具體控制功能。實際應(yīng)用程序包括字母拼寫器、機器人控制器或虛擬現(xiàn)實等應(yīng)用。如圖1所示。

獲得腦電信號的途徑很多，比如MEG、ECoG、EEG、fMRI等，其中EEG信號是直接將多個電極貼到頭皮上，采集大腦頭皮的生物電活動信號，具有時間分辨率高、使用簡單、無創(chuàng)傷的特點，因此被廣泛應(yīng)用于腦機接口的研究中。在這種方式中，電極通常按照國際慣用的10-20方式固定到大腦的不同位置。對EEG信號而言，單獨一個電極采集的是時間序列，而某一時刻所采集的多個電極信號則可以表達大腦信號此刻空間分布情況。由于大腦皮層是按照功能分區(qū)的，各個電極所接收的腦電信號是不一樣的，因此所采集的腦電信號能反應(yīng)該大腦區(qū)域的活動狀況，例如當(dāng)實驗者想象肢體運動時，通常在C3、C4、Cz等區(qū)域位置的腦電信號變化比較明顯。因此可以通過對各電極信號加權(quán)，增強運動想象的信號，對應(yīng)的權(quán)值稱為空間濾波器。運動想象的腦電信號一般集中在12-32Hz左右，每個人情況會不同，以2Hz帶寬的信號能量作為特征，那么單個電極就有(32-12)/2＝10個特征值，如果使用32導(dǎo)聯(lián)數(shù)據(jù)，那么一個特征樣本就有10*32＝320個特征值，特征值過多會影響分類器的學(xué)習(xí)效率和分類精度。如果訓(xùn)練樣本太少或者特征值太少，會導(dǎo)致分類器過度擬合訓(xùn)練數(shù)據(jù)，降低分類精度。因此，為了提高分類精度，對原始EEG信號進行合適預(yù)處理是必不可少的環(huán)節(jié)。

其中，空間濾波和特征選擇在腦機接口中是非常重要的步驟。而現(xiàn)在通常的做法是根據(jù)經(jīng)驗選擇空間濾波器系數(shù)和頻率特征，通過多次嘗試獲得較優(yōu)的分類精度。由于腦電信號因人而異，這個實驗者用的空間濾波系數(shù)和頻率特征向量不一定適合另外其他的實驗者，因此每次實驗都需要人工去確定空間濾波系數(shù)和特征向量，這是一個繁瑣和低效率的工作。

發(fā)明內(nèi)容

本發(fā)明提出了一種基于組合差異進化的腦電信號特征選擇及分類方法，利用組合差異進化算法在全局搜索能力和快速收斂方面的突出表現(xiàn)，迅速找到最佳空間濾波系數(shù)和特征向量，克服現(xiàn)有技術(shù)中需依靠人工確定空間濾波系數(shù)和特征向量的工作繁瑣且低效的問題，并利用搜索到的最佳空間濾波系數(shù)和特征向量訓(xùn)練分類器，對腦電信號進行分類，提高腦電信號的識別率。

一種基于組合差異進化的腦電信號特征選擇方法，包括以下步驟：

步驟1：選取腦電信號樣本數(shù)據(jù)X_t×c，并對腦電信號樣本數(shù)據(jù)進行預(yù)處理獲得訓(xùn)練樣本X為t×c的矩陣，X^FFT為m×c的矩陣，t是每一個電極采集數(shù)據(jù)個數(shù)，m是每個導(dǎo)聯(lián)在一個T時間段內(nèi)的特征值個數(shù)，c為腦電信號的導(dǎo)聯(lián)個數(shù)；

步驟2：設(shè)定染色個體和適應(yīng)度函數(shù)，設(shè)置策略知識庫、迭代停止條件及染色個體種群，并對染色個體及迭代次數(shù)進行參數(shù)初始化；

以空間濾波器和特征選擇器作為染色個體[S,K]，S的編碼為實數(shù)，K采用0和1編碼；

步驟3：按照組合差異進化算法對每一個染色個體進行變異、修補及交叉處理，獲得新染色個體；

步驟4：以新染色個體的實數(shù)編碼部分作為空間濾波器對訓(xùn)練樣本T進行空間濾波，獲得樣本特征向量V為m×c₁的矩陣，c₁表示空間濾波器輸出維數(shù)；接著利用新染色個體的{0,1}編碼部分作為特征選擇器對樣本特征向量構(gòu)建訓(xùn)練特征向量X_V，K為m×c₁的矩陣，計算每個新染色個體的K_f，利用適應(yīng)度函數(shù)計算每個新染色個體的適應(yīng)值；

K_f為特征選擇器所選的特征個數(shù)與頻域特征向量中特征總個數(shù)的比值；