[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

本發明公開了基于DTCWT和IL?MVU的運動想象腦電信號的特征提取方法。根據平均功率譜確定對運動想象腦電信號進行特征提取的最優時間段，然后對這一時間段內的運動想象腦電信號進行四層雙樹復小波分解，利用每個子帶的復小波系數進行信號重構，通過計算重構后信號最有時間段內數據的平均能量特征作為運動想象腦電信號的時頻特征；提出IL?MVU算法對重構后的腦電信號的最有時間段內數據進行降維，將降維后得到的低維向量作為運動想象腦電信號的非線性特征，最后通過對最優時間段內運動想象腦電信號的時頻特征與非線性特征進行標準化處理與特征融合，得到運動想象腦電信號的特征向量。本發明極大地降低了算法的時間消耗，有助于提高MI?EEG信號的分類準確率。

技術領域

本發明屬于腦電信號處理方法，具體應用于腦-機接口(Brain-ComputerInterface,BCI)系統中對運動想象腦電信號的特征提取，對地標點最大方差展開(Landmark Maximum Variance Unfolding,L-MVU)進行改進，提出了一種增量式地標點最大展開方法(Incremental,L-MVU，IL-MVU)，并與雙樹復小波變換(Dual Tree ComplexWavelet Transform,DTCWT)相結合，實現對運動想象腦電信號的特征提取與融合。

背景技術

運動想象腦電信號(Motor Imagery Electroencephalography,MI-EEG)中包含大量的生理信息，并且與意識狀態密切相關。因此，對MI-EEG的識別成為腦-機接口系統中的關鍵，而從運動想象腦電信號中獲得特征的優劣將直接影響對其的識別精度。

運動想象腦電信號是一種非線性、非平穩及時頻特性比較明顯的信號，如何充分利用這些特征是精確提取特征的關鍵。雙樹復小波變換由兩個并行的離散小波變換(Discrete Wavelet Transform,DWT)構成，這兩個小波變換分解產生的小波系數作為復小波系數的實部與虛部，構成實部樹與虛部樹。雙樹復小波變換實現了實部樹與虛部樹信息的互補，既能夠實現從多個尺度上對信號進行分解，又具有完全重構性，并且可以有效消除頻率混疊。但是僅僅提取運動想象腦電信號的時頻特征并不能得到利于分類的完備的特征，流形學習(Manifold Learning)的出現能夠從非線性角度提取特征，同時解決了高維度特征不利于分類的缺點。流形學習能夠從高維數據中恢復其內在的低維流形結構，在維度約簡的同時最大化保留原始數據信息量完整，并且低維數據更利于可視化。L-MVU作為一種典型的流形學習方法，相比于其他流形學習方法比如等距映射(Isometric Mapping,Isomap)和局部線性嵌入算法(Locally Linear Embedding,LLE)，能夠在降維的同時保留距離與角度的信息，從而提取到更有利于分類的特征，已經在MI-EEG信號提取上得到了一些應用。

然而，涉及到實際應用，而對于上述提到的L-MVU，也存在一些缺點。第一，L-MVU僅僅能對給定數據集進行維數約減，無法實時處理新來的數據，使得L-MVU對于樣本外數據的泛化能力不足，不利于BCI系統的在線實現；第二，L-MVU提取的非線性特征無法體現MI-EEG的時頻特性，對于時頻特征提取的缺失會對最終的模式分類產生一定的影響。

發明內容

針對現有流形學習方法在運動想象腦電信號特征提取領域中應用存在的不足，本發明提出了一種基于雙樹復小波變換與增量式地標點最大方差展開的運動想象腦電信號特征提取的方法。利用此方法首先在重構特定頻段腦電信號上避免了引入不期望的頻段；其次，保證了對運動想象腦電信號特征提取的緊致性與完備性，提高了分類準確率；最后，提出L-MVU的增量式版本IL-MVU應用于MI-EEG的特征提取，使得對于樣本外數據的泛化能力大大增強，并且在測試時間上也相應的縮短，更有利于本方法在實際應用中的在線實現。

本方法的技術路線如下：