[發明專利]基于時頻共融的多通道腦電信號通道選擇方法

有效

• 申請號: 202011243788.0
• 申請日: 2020-11-10
• 公開（公告）號: CN112515685B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 任彬;潘韞杰
• 申請（專利權）人: 上海大學
• 主分類號: A61B5/372
• 分類號: A61B5/372;A61B5/374
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 何文欣

1.一種基于時頻共融的多通道腦電信號通道選擇方法，其特征在于，其操作步驟如下：

a.腦電信號預處理：

降低采樣頻率，利用小波變換進行基線漂移修正，帶通濾波，獨立成分分析去除眼電信號干擾，步驟如下：

對采集到的腦電數據進行預處理；根據需要對所有采集到的腦電數據重采樣降頻；然后進行基線漂移糾正，并根據研究內容選擇濾波通帶進行濾波；使用獨立成分分析將眼電信號去除，防止其對實驗結果產生干擾；

b.時頻共融法獲取相關性信息

利用時頻共融法，獲取通道間相關性信息，步驟如下：

整合腦電信號的時間與頻率的成分；使用基于小波變換的時頻分析方法；將預處理過后的數據進行小波變換，獲得每個通道、每個頻率的時頻功率信息，然后對每個通道所選頻帶的功率進行平均，獲得特定頻帶上功率隨時間的變化情況；相應的小波變換為

其中，代表第i個通道在時間t時，頻率f的功率密度；λ為小波參數；φ_t，f(x)為小波基函數，其中為小波基函數的復合共軛；

使用交互信息法計算任意兩個通道之間的線性及非線性相關性；將每個通道的平均功率作為隨機變量，通過熵和聯合熵計算交互信息；用隨機變量F_i表示第i個通道的平均功率信號，用p_s(F_i，b)表示第i個通道的平均功率信號在分塊b處的概率密度函數；F_i的熵，即反映其不確定性的平均信息量，用H(F_i)表示；H(F_i)表示為：

式中，b＝1，...，50表示用于構造近似概率密度函數的分塊索引，以避免低估較大的樣本的熵及高估較小的樣本的熵；其聯合熵H(F_i，F_j)表示為：

式中，p_c(F_i，b，F_j，b)表示第i個通道的平均功率信號和第j個通道在分塊b處平均功率的聯合概率密度函數；

計算兩個隨機通道的時頻共融法如下：

時頻共融值(TFCMI)是一個指數，它根據兩個通道在所選頻帶上的平均功率變化和信噪比來評估它們之間的關系；通過時頻共融值，得出每個通道之間的關系，并得到共融法映射圖；從第i個通道與第j個通道和第j個通道與第i個通道的關系是相同的；

c.共空間模式特征提取：

利用共空間模式進行特征提取，步驟如下：

共空間模式(CSP)是一種對兩分類任務下的空域濾波特征提取算法，能夠從多通道的腦機接口數據里面提取出每一類的空間分布特征；共空間模式算法的基本原理是利用矩陣的對角化，找到一組最優空間濾波器進行投影，使得兩類信號的方差值達到最大化差異，從而得到具有較高區分度的特征向量；

現有的兩類運動想象任務，分別表示為X₁∈R^K×N和X₂∈R^K×N，其中X為運動想象任務，R為腦電信號，K為腦電通道數，N為每個通道的采樣點數；忽略噪聲產生的影響，X₁和X₂可分別表示為：

式中，S₁、S₂分別代表兩種類型的任務，S_M代表兩種類型任務下所共有的源信號；S₁是由m₁個源所構成，S₂是由m₂個源所構成，C₁和C₂是由S₁和S₂相關的m₁和m₂個共同空間模式組成；C_M表示的是與S_M相應的共有空間模式；

共空間模式的目標就是設計空間濾波器Filter₁和Filter₂得到空間因子W；

求X₁和X₂的協方差并進行歸一化后分別為：

式中，X^T代表X的轉置，trace(X)代表矩陣對象元素之和；

然后求復合協方差矩陣：

式中，和分別表示兩類平均協方差矩陣；

由于復合協方差矩陣R_c是正定矩陣，由奇異值分解定理進行分解：

R_c＝UλU^T (8)

式中，U是特征向量矩陣，λ為對應的特征值組成的對角陣；

將特征值按降序排列，就得到白化矩陣：

將矩陣P作用于平均協方差矩陣R₁和R₂可得：

S₁＝PR₁P^T，S₂＝PR₂P^T (10)

對R₁和R₂進行主成分分解，可得：

S₁＝PR₁P^T＝Bλ₁B^T (11)

S₂＝PR₂P^T＝Bλ₂B^T (12)

此時，S₁和S₂有共同的特征向量和相同的特征矩陣B；同時兩個特征值λ₁和λ₂的對角陣之和為單位矩陣；所以當一類信號的特征值λ為最大值時，另外一類信號的特征值為最小值，反之亦然；

通過矩陣B就實現兩類信號的分類，由此得到空間因子W：

W＝B^TP (13)

將運動想象信號輸入空間濾波器中，獲得矩陣Z；取矩陣Z的前n行和后n行構成信號Z_p，n為CSP的特征選擇參數；將原始運動想象信號分為訓練集和測試集，根據CSP算法在多電極采集腦電信號特征提取的定義，訓練集中代表兩種任務特征的特征向量分別用k_p1和k_p2表示：

對于測試集，其特征向量用k_pr表示：

var表示求方差，sum表示求和，將k_pr與k_p1和k_p2進行比較，確定第r次實驗所屬的任務類型；

d.支持向量機特征分類

利用支持向量機，進行分類模型訓練，將測試集輸入分類模型，獲得分類準確率數據，步驟如下：

將經過預處理的數據切分成訓練集和測試集，經過CSP特征提取后的訓練集特征，輸入支持向量機進行分類模型訓練；將測試集輸入分類模型，獲得分類準確率；

e.結果分析

進行結果分析，根據結果信息，分別得到多種通道選擇方式的分類準確率結果，步驟如下：

根據實驗結果，分別得到多種通道選擇方式的分類準確率結果；具體包括預處理前后實驗數據對比圖、時頻共融法映射，通道關系圖、不同通道選擇方法正確率對比圖。