[發(fā)明專利]一種基于PSD和CSP的運動想象腦電信號分類方法

在審

• 申請?zhí)枺?/td>: 202210134799.8
• 申請日: 2022-02-14
• 公開（公告）號: CN114358090A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設計）人: 趙德春;沈利豪;陳歡;舒洋
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發(fā)明涉及一種基于PSD和CSP的運動想象腦電信號分類方法，屬于腦機接口技術領域。該方法包括：S1：信號輸入：對輸入的腦電信號進行通道和時間序列選擇；S2：對選擇的腦電信號預處理；S3：特征提取：首先提取功PSD特征和CSP特征，然后將PSD特征和CSP特征進行串行融合，即加權和正則化，從而得到融合特征；S4：分類：采用SVM對測試集進行分類。本發(fā)明解決了共空間模式對噪聲敏感問題并且彌補了缺少頻率特征信息的缺點；另外，本發(fā)明具有較高的識別率和較快的學習速度。

技術領域

本發(fā)明屬于腦機接口技術領域，涉及一種基于PSD和CSP的運動想象腦電信號分類方法。

背景技術

腦機接口(BCI)系統(tǒng)旨在采集和解碼腦電信號，建立無需外圍神經系統(tǒng)及其肌肉組織參與即可實現(xiàn)控制的設備。近幾年來，隨著神經科學、計算機技術、信號處理技術、材料學的迅猛發(fā)展，一項無需外圍神經系統(tǒng)及肌肉組織就可實現(xiàn)人與外界環(huán)境溝通和控制的系統(tǒng)——腦機接口(Brain Computer InterfaceBCI)發(fā)展迅速基于EEG腦機接口的研究主要有3種類型：P300腦機接口、SSVEP腦機接口、運動想象腦機接口。

由于腦電信號的非平穩(wěn)性、非線性、信噪比低、強度弱以及時變等特點；且人的活動由大腦內多個區(qū)域協(xié)調完成，因此MI數(shù)據(jù)采集時需要較多的電極。但是對于應用設備而言必須是小型化，需要研究在有限電極條件下有效地反映時間、頻率和空間特征的特征提取算法，從而提高對運動想象的識別率。對于基于特征提取的MI-BCI系統(tǒng)而言，特征提取主要是估計各域(時域、頻域、時頻域、空域)中的特征參數(shù)。

近幾年國內外的研究者們還引入了非線性動力學參數(shù)(近似熵、樣本熵、模糊熵)來提取MI特征也取得了較高的準確率。為提取時域特征，首先使用濾波器對腦電信號去噪，然后計算濾波后的相關參數(shù)：幅值、方差、均值、偏歪度等；使用自回歸(AR)和自適應自回歸(AAR)參數(shù)等方法，通過分析運動想象EEG信號的ERD和ERS現(xiàn)象來提取頻域特征。在頻域中提取信號在頻率上的變化，例如文獻“李麗君,黃思娟,吳效明,等.基于運動想象的腦電信號特征提取與分類[C]//廣東省生物醫(yī)學工程學會成立30周年紀念大會暨2010廣州(國際)生物醫(yī)學工程學術大會”中的功率譜密度方法直觀的展現(xiàn)了運動想象EEG信號在8-30hz內的能量分布，但是缺少腦電信號的空間特征信息，如果結合各通道之間變化的空間域特征更能使特征信息表征運動想象任務時信號的變化。為了使特征同時擁有時域和頻域特征，可以通過傅里葉變換或者小波變換把信號從時域轉換到頻域進行分析。基于傅里葉變換和小波變換以及其各種衍生，在MI分類中已取得很好的性能。為了反映腦電信號的空間特征以及各通道之間的關聯(lián)性，研究人員已將共空間模式(CSP)用來對MI信號進行特征提取。例如提出了最優(yōu)區(qū)域共空間模式，針對不同通道選擇問題。文獻“孟明,尹旭,高云園,等.運動想象腦電的塊選擇共空間模式特征提取[J].控制理論與應用,2021,38(3):8”中對同時對頻帶和通道進行塊選擇共空間模式特征提取方法，依據(jù)閾值對數(shù)據(jù)塊的選擇；混合小波和共空間模式的特征提取方法，表征了左右手運動想象腦電信號的時頻空特征。但是以上方法均沒有解決共空間模式對噪聲和異常值敏感等問題。

現(xiàn)今大多數(shù)的研究者們運動想象分類的研究中采用單一域的特征提取方法對MI-EEG提取特征向量，再結合分類器進行分類，導致準確率不高并且?guī)в兴惴ǜ髯缘娜秉c問題。但是單一的特征提取并不能有效的提取其他域的隱含信息，并且各自伴有不同的缺點。例如共空間模式的特征提取方法雖然性能優(yōu)良，但存在擬合過度、對噪聲和異常值敏感等問題。并且提取的特征沒有EGG信號的頻域特征。

因此，目前亟需一種能同時解決上述問題運動想象腦電信號特征提取方法。

發(fā)明內容

有鑒于此，本發(fā)明的目的在于提供一種基于PSD和CSP的運動想象腦電信號分類方法，使用共空間模式和功率譜密度提取運動想象信號特征，用支持向量機對融合特征進行分類，解決共空間模式對噪聲敏感問題并且彌補了缺少頻率特征信息的缺點。另外，該算法能達到較高的識別率，且具有較快的學習速度，對BCI系統(tǒng)的實現(xiàn)具有重要的現(xiàn)實意義。