[發明專利]一種結合公共空間模式算法和EMD的腦電信號特征提取方法

在審

• 申請號: 201710403393.4
• 申請日: 2017-06-01
• 公開（公告）號: CN107239142A
• 公開（公告）日: 2017-10-10
• 發明（設計）人: 張學軍;黃婉露;楊善陽;何濤;成謝鋒
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/00
• 代理公司: 南京知識律師事務所32207
• 代理人: 李吉寬

技術領域

本發明屬于智能信息處理領域，具體涉及一種結合公共空間模式算法和EMD(經驗模式分解)的腦電信號特征提取方法。

背景技術

腦機接口是一種基于腦電信號實現人腦與計算機或其他設備之間通信和控制的接口，通過大腦活動產生的腦電信號(Electroencephalogram,EEG)為人類和環境之間提供了新的通信和控制渠道，拓寬了人類的控制能力，具有廣泛的應用前景。該領域的發展不僅幫助癱瘓病人使用計算機、神經假體、機器臂等電子設備，也實現了包括：運動恢復、通信、環境控制甚至娛樂等其他功能。

目前，基于EEG的腦機接口主要包含五個主要步驟：獲取信號、預處理、特征提取、特征分類和接口設備控制。在以上步驟中：因為有效地在降維特征空間展現了輸入信號特征并適用于進一步標識不同想象運動腦電信號的判別信息，特征提取在BCI 研究界受到廣泛的關注。

作為基于運動想象的腦機接口(Motor Imagery-Brain Computer Interface,MI-BCI)系統的信號源，包括腦電圖(EEG)和腦皮層電圖(Electrocorticography,ECoG)，EEG信號是一種弱的、非線性、非平穩并且隨時間變化的信號。所以提出一種有效的特征提取方法是改善識別精度的關鍵。目前，時間-頻率分析作為處理智能信號一種潛在的強大方法并且被廣泛地應用于腦信號的研究。傳統的時間-頻率方法包括：短時傅里葉變換 (Short-time Fourier Transform,STFT)，小波變換(Wavelet Transform,WT)，Winger-Ville 分布，但是這些方法的本質都是基于傅里葉變換，根據海森堡不確定性原理，該方法不可能同時得到時間-頻率的良好分辨率。近年，希爾伯特黃變換 (Hilbert-Huang Transform,HHT)作為另一種時間-頻率分析法已經變得越來越流行，可以有效地分析非線性和非平穩信號。原信號經過經驗模式分解(Empirical Mode Decomposition，EMD)被分解為一系列固有模態函數(IMFs)，隨后對每個固有模態函數進行希爾伯特黃變換。HHT不涉及海森堡不確定性原理可以獲得時域和頻域的高分辨率。目前它被廣泛應用于許多信號處理領域，如雷達探測，地震信號和生物醫學信號等。

再者，由于EEG信號低空間分辨率，EEG信號構成的BCI系統需要進行有效的空間濾波，從而確保從受試的相關腦域中提取特征信息。在這一方面，常用的算法有：共域空間分解(Common Spatial Pattern，CSP)、獨立主成分分析(Independent Component Analysis,ICA)和共域空間譜模式(CSSP)、濾波器CSP(Filter Bank Common Spatial Pattern,FBCSP)、判別濾波CSP(Discriminant Filtering Common Spatial Pattern,DFBCSP) 等多種CSP的修改版本。

然而，傳統的CSP客觀存在著需要大量的輸入通道以及缺乏頻率信息的不足之處，需要進行改進。

發明內容

本發明目的在于針對傳統公共空間模式算法的不足，本發明提出一種公共空間模式算法結合經驗模式分解的腦電信號特征提取方法，利用三個通道EMD分解后的固有模態函數進行CSP濾波，在CSP的基礎上加入EMD的頻域信息，可以很好地解決上述問題，為更好地進行想象運動判別提供了一個可選的途徑。

本發明解決上述技術問題所采取的技術方案為一種結合公共空間模式算法和EMD 的腦電信號特征提取方法，具體包括如下步驟：

步驟1：選取若干位受試者的腦電信號作為訓練集和測試集，分別對單個受試者的 C3、C4兩個通道中的信號進行預處理；

步驟2：對預處理后的EEG信號x(t)進行經驗模式分解，得到一系列固有模態函數IMF_i，并繪制所有固有模態函數的能譜圖；

步驟3：將單次試驗的C3、C4通道前三階IMF分量合并，構成一個N*T的矩陣X_i， i＝L表示想象左手運動，i＝R表示想象右手運動，其中，N為IMF個數，可看作通道數， T為一次試驗的采樣點個數，即窗口長度，整個實驗過程包含G組試驗，共得到G組向量矩陣，分為G1組測試向量矩陣和G2組訓練向量矩陣，分別進行公共空間模式分解。

進一步，上述步驟2中，對EEG信號進行經驗模式分解的具體步驟如下：