[發明專利]基于DTCWT和IL-MVU的運動想象腦電信號的特征提取方法

有效

• 申請號: 201810955270.6
• 申請日: 2018-08-21
• 公開（公告）號: CN108829257B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 李明愛;郗宏偉;楊金福;孫炎珺
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于DTCWT和增量式地標點最大 方差 展開 IL-MVU的運動想象腦電信號的特征提取方法，其特征在于：

步驟1，信號預處理；

根據MI-EEG信號產生的特點，MI-EEG的α節律和β節律中包含了特征較為明顯的信息，并且C3和C4兩通道的MI-EEG信號的事件相關同步/事件相關去同步現象最為明顯，因此首先根據所有實驗的C3和C4兩導信號的平均能量譜分析確定腦電特征的有效時間范圍，ch導聯平均能量由下式計算：

其中，N代表運動想象任務次數，da^ch(u，v)代表MI-EEG信號第u次運動想像任務ch導聯的第v個采樣點的信號幅值，ch表示導聯名稱，ch＝{c3，c4}；依此得到想象左右手運動的平均能量譜，根據平均能量譜選取ERS/ERD現象最為明顯的時間段OT[min，max]；

步驟2，對原始腦電信號進行L層雙樹復小波分解并對各子帶的小波系數進行重構；

雙樹復小波變換由兩次離散小波變換構成，兩次離散小波變換分別構成實部樹與虛部樹，信號S(t)經雙樹復小波分解后得到兩組小波系數與尺度系數，分別記為和由此得到雙樹復小波分解后各層復小波系數與復尺度系數表示如下：

其中，i為虛數單位；

假設由重構得到j尺度下的細節分量Dt_j，由重構得到近似分量A_L，則對于信號S^ch(t)的L層雙樹復小波分解可以表示為：

從而，將信號S^ch(t)劃分為多個子帶信號；設信號S^ch(t)的采樣頻率為f_s，則各分量分別所對應的頻帶范圍依次為：[0，f_s/2^L+1]，[f_s/2^L+1，f_s/2^L]，[f_s/2^L，f_s/2^L-1]，…，[f_s/2²，f_s/2]；

步驟3，時頻特征提取；

對步驟2中重構好的子帶信號A_L，Dt_L，Dt_L-1…Dt₁進行截取，將其最優時間段OT內的數據分別記為設置長為2s的滑動時間窗，計算的能量如下：

針對C3和C4導聯信號，選取頻帶范圍與α節律和β節律相近的兩個分量，分別記為并對其進行能量歸一化：

每次滑動一個采樣點，計算滑動時間窗內兩個子帶信號的歸一化能量獲得相應能量序列和其長度為(max-min-2fs+2)；進而，計算每個能量序列的均值

最后，由下式計算C3與C4導聯在α節律和β節律的平均能量差AE_α,AE_β：

因此，對于每次運動想象任務，可以得到一個二維時頻能量特征，記為F₁，表示如下：

F₁＝[AE_α AE_β]^T∈R^2×1 (9)

步驟4,非線性特征提取；

計算的平均功率譜，ry＝{α，β}，選取ERS/ERD現象最為明顯的節律，得到以作為IL-MVU的輸入；

步驟4.1，假設表示第u次運動想像任務的第v個采樣點，為了得到更明顯的初始特征，定義dS(u，v)如下式：

從而，獲得第u次運動想像任務的初始高維特征D_u∈R^{(max-min+1)×1}如下：

D_u＝[dS(u，min)，dS(u，min+1)，…，dS(u，max)]^T,u＝1,2,…,N (11)

進而，構成初始高維特征集D∈R^{(max-min+1)×N}，并將其分為高維訓練特征集為和高維測試特征集為兩部分；

步驟4.2，針對高維訓練特征集Tr設定L-MVU算法初始參數：地標點個數為m,低維特征維數為d，計算權值矩陣的近鄰數為r，求解SDP問題的近鄰數為k；將高維訓練特征集Tr輸入L-MVU算法，得到Tr的低維表示如下式：

步驟4.3，提出IL-MVU算法，并用于求取高維測試集Te的低維特征集Y^te；

針對高維測試特征集Te的一個新數據Te_u(u＝1，2，…，N-n₁)，首先在高維訓練數據集Tr中求得其p個近鄰點,記為p_uv(v＝1，2，…，p),得到Te_u的近鄰點集合Ne_u為：

Ne_u＝{p_u1，p_u2，…，p_up} (13)

通過最小化式(14)中的ε,得到Te_u的重建權值向量W_u＝[W_u1，W₂，…，W_ip]；

式(14)滿足約束條件：

在Y^tr中找到與近鄰點p_uv相對應的低維表示,記為q_uv,按照高維空間中距離很近的點經過流行學習方法降維后在低維空間中依舊距離很近的原則，設重建權值向量W_i不變，則高維測試集特征Te_u的低維非線性特征計算如下：

從而，獲得低維測試特征集為：

步驟4.4，對于任意一次運動想象，可以獲得一個d維非線性特征F₂∈R^d×1；因此，可得到相應的低維特征訓練集及特征測試集

步驟5，特征融合；

將步驟3得到的特征F₁與步驟4得到的特征F₂進行特征融合，得到本方法提取的特征向量F∈R^(2+d)×1，記作：

其中，將F₁放大100倍是為了與F₂達到同一數量級，以平衡兩類特征的作用，有利于提高分類精度。