CN103258215A - 一种多导联间相关性分析的脑电特征提取方法 - Google Patents
一种多导联间相关性分析的脑电特征提取方法 Download PDFInfo
- Publication number
- CN103258215A CN103258215A CN201310172234XA CN201310172234A CN103258215A CN 103258215 A CN103258215 A CN 103258215A CN 201310172234X A CN201310172234X A CN 201310172234XA CN 201310172234 A CN201310172234 A CN 201310172234A CN 103258215 A CN103258215 A CN 103258215A
- Authority
- CN
- China
- Prior art keywords
- eeg
- eeg signals
- lead
- row
- motor imagery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种多导联间相关性分析的脑电特征提取方法。在多类运动想象任务识别中，有效提取被特定运动想象任务激活脑区的脑电信号特征，是提高识别率的关键问题之一。本发明首先采集多导联运动想象脑电信号，其次对各导联脑电信号两两之间的相关系数以获得相关系数矩阵，然后计算相关系数矩阵的行方差与所有行的方差和之间的比值及其自然对数，将所得结果作为脑电信号的特征向量，最后将特征向量输入分类器完成多类运动想象任务的分类识别。本发明提出的方法不但可以完整提取被特定运动想象任务同时激活的多个脑区上的脑电信号特征，很大程度上降低脑电信号的个体差异性对特征参数的影响，而且可以克服电极选取不足的问题。
Description
技术领域
本发明属于脑电信号处理领域，涉及一种脑电信号特征提取方法，特别涉及一种用于多导联运动想象脑电信号的特征提取方法。
背景技术
脑电信号（electroencephalogram, EEG）是由大脑皮层神经细胞群突触传递信号而引起的电位变化，可以反映大脑自主或诱发的意识活动，与实际的动作行为密切相关。从1929年德国科学家Hans Berger记录到人脑的电活动起，人们一直试图通过对脑电信号的识别来解读人的思维活动。以其为重要支撑的脑机接口(brain-computer interface，BCI)被认为是人类认识大脑进程的一个重要里程碑。BCI不依赖肌肉和***神经的参与，直接实现人脑和计算机之间的通信，是当前国际上的前沿研究热点之一。
到目前为止，人们仍对大脑思维的形成过程知之甚少，通过脑电读取人的各种思维活动还不现实。但脑电信号用于运动想象识别方面，已经取得了一定进展。奥地利Graz大学的Pfurtscheller和美国Wadsworth研究中心的Wolpaw等人在通过运动想象进行运动模式识别方面做了大量工作，研究证明运动想象与实际运动会在脑主感觉运动功能区引起相同的神经元活动，通过放置在感觉运动区的电极记录的脑电信号，可以进行运动想象模式识别。天津大学万柏坤研究组利用视觉集中控制 
节律的阻断现象，选择脑电信号中的
节律作为开关控制信号，通过睁闭眼触发轮椅的方向开关实现与轮椅的人机交互，实验验证了***的可行性，同时指出主观因素对
节律的阻断影响以及环境噪声对控制性能的影响还有待进一步研究，使用时需要眼部肌肉协同作用。Pfurtscheller领导的研究中心研究表明，单边的肢体运动或者仅是想象运动能激活主要的感觉运动皮层，大脑对侧产生
和
节律的ERD，同侧产生
和
节律的ERS。随后结合虚拟现实，一个C4/C5级脊髓损伤患者能够用想象运动控制轮椅在虚拟街道上运动，实验表明平均成功率为90%。日本Tanaka等设计了一种基于运动想象脑电信号控制电动轮椅的实验***，控制轮椅从目标A正确地移动到了目标B。瑞士、西班牙和比利时的研究团队针对脑电信号的非稳定性特点以及当前自适应解决方法的缺点，研究了异步非侵入式BCI并用于轮椅控制，在稳定的脑电特征选择和共享控制上取得了较好的研究成果，实验结果表明在虚拟、实际环境下受试者都能通过想象左手运动、休息和单词关联三类任务通过异步非侵入式BCI接口分别控制轮椅左转、前进及右转运动，虚拟环境下目标到达率为100%，实际环境下目标到达率为80%，同时指出训练负担较重，分类精度有待提高。清华大学高上凯研究组开展了基于运动想象的光标移动、康复辅助训练、机器狗踢足球等BCI***研究，在想象运动***实验中，10名受试者通过想象左右手、脚运动产生脑电信号对***进行控制，实验结果表明想象左右手两类分类任务的在线和离线分析平均正确率为94.92%和92.86%，想象左右手和脚三类分类任务的在线和离线分析平均正确率为85%和79.48%，同时指出差别较小的思维任务很难从空间分辨率较低的脑电信号来提取，增加***可识别任务的种类通常会直接导致识别正确率的下降。
综合国内外的研究发现，运动想象产生的单一自发脑电，不需要外部刺激信号，是引发肢体运动的源泉，通过脑电信号采集的大脑生物电信息，包含了大脑运动想象的控制信息。然而运动想象脑电研究还存在一些主要问题：一是通过思维任务提取的脑电信号，分辨率较低，特别是对于差别较小的运动想象任务；二是增加识别任务的种类会直接导致识别正确率的下降。其中影响识别率的关键问题之一是，从背景噪声强、随机且非平稳的微弱脑电信号中有效地提取不同运动想象任务所对应的特征。研究者采用各种不同的方法提取有效的脑电特征，如傅里叶变换、自回归模型、功率谱与自适应回归模型、四阶累积量、小波变换、小波包变换、希尔伯特-黄变换、复杂度分析法、张量分析法、公共空间模式等，进而识别出不同的运动想象任务，取得了丰富的研究成果。然而，目前脑电特征提取方法仅仅对少路数通道信息进行分析，这样做的好处显而易见，所需的电极少，不仅缩短准备时间，而且少量数据需要小的信息处理代价。与之对应，也有Blankertz、Sannelli、Schroder、Barachant等学者指出，采用神经生理先验知识选择的少量通道并不一定产生比全通道采集更佳的结果，电极选取不足也会降低分类正确率。如何针对不同的受试者，完整提取被特定运动想象任务同时激活的多个脑区上的脑电信号特征，正是本发明力图解决的问题。
虽然大脑皮层不同的区域完成相对独立的功能，但完成某一特定的运动想象任务，需要一个或几个空间上分离的功能区的同时参与，同时进行不同的运动想象任务，激活的运动皮层上的区域也不尽相同。
发明内容
本发明的目的就是针对现有脑电特征提取方法存在的不足，提供一种基于多导联间相关性分析的脑电特征提取方法。
对于多导联脑电信号，往往把每个导联（通道）对应的电极所测量的区域定义为一个节点，其电活动为若干时间序列。首先计算这些时间序列之间的相关系数以获得相关系数矩阵，然后计算相关系数矩阵的行方差与所有行的方差和之间的比值及其自然对数，以作为脑电信号的特征向量，最后利用这些特征识别出多类运动想象任务。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤(1) 获取多通道运动想象脑电信号样本数据。首先采用多导联电极帽采集运动想象脑电信号，然后采用带通滤波方法进行预处理。
步骤(2) 相关系数计算。根据公式(1)所示的时间序列相似度量方法计算各导联（通道）脑电信号两两之间的相关系数，得到一个
相关系数矩阵
，
其中，
和
为通道
和
在时刻的脑电信号数值，
代表通道
与通道
之间的相关系数值，
为时间序列长度，
表示采集脑电信号的通道数。
步骤(3) 脑电特征提取。在步骤(2)相关系数矩阵的基础上，分别计算矩阵每一行的方差以及所有行的方差和，然后根据公式(2)计算计算脑电信号的特征向量
其中，(
)表示相关系数矩阵的每一行，
表示自然对数运算，
表示方差运算。
与已有的运动想象脑电特征提取算法相比，本发明提出的方法不但可以完整提取被特定运动想象任务同时激活的多个脑区上的脑电信号特征，很大程度上降低脑电信号的个体差异性对特征提取参数的影响，而且可以克服电极选取不足的问题，同时简单易行。
本发明方法可以较好地满足多模式识别任务中的特征提取要求，在脑-机接口、脑疾病诊断领域具有广阔的应用前景。
附图说明
图1为本发明的实施流程图。
具体实施方式
下面结合附图详细描述本发明基于多导联间相关性分析的脑电特征方法，图1为实施流程图。
如图1，本发明方法的实施主要包括以下几个步骤：（1）获取多通道运动想象脑电信号样本数据，包括几种运动想象实验范式下脑电信号的采集和预处理；（2）根据时间序列相似度量方法计算各导联脑电信号两两之间的相关性系数；（3）计算相关系数矩阵的行方差与所有行的方差和之间的比值及其自然对数，将所得结果作为刻画脑电信号的辨别特征；（4）将脑电特征输入支持向量机分类器进行训练和测试，完成多种运动想象任务的分类。
下面逐一对各步骤进行详细说明。
步骤一：获取多通道运动想象脑电信号样本数据
采用美国Neuro Scan公司Scan4.3采集设备中的40导电极帽进行运动想象过程脑电信号采集。受试者按要求佩戴好脑电帽后坐在轮椅上，保持安静、自然，注视实验环境中设定的情景提示。采用如下几种运动想象实验范式：右手操控轮椅控制杆向前、左手操控轮椅控制杆向后、左脚单脚跳并且双手推轮椅向左移动、右脚单脚跳并且双手推轮椅向左移动，分别对应轮椅前进、刹车、左转、右转的控制运动形式，在实施过程中还可根据实验的具体情况对实验模式的设计做适当修正。采集好数据后，采用带通滤波方法进行信号预处理。
步骤二：相关系数计算
根据欧氏距离（Euclidean distance）、马氏距离（Mahalanobis distance）等时间序列相似度量方法计算各导联脑电信号两两之间的相关性系数。本发明采用欧氏距离度量两导联脑电信号时间序列之间的相似性。根据公式(1)计算各导联脑电信号两两之间的相关系数，得到一个
相关系数矩阵
，
其中，
和
为通道
和
在时刻的脑电信号数值，代表通道
与通道
之间的相关系数值，
为时间序列长度，表示采集脑电信号的通道数。
步骤三：脑电特征提取
在步骤二相关系数矩阵
的基础上，分别计算中每一行的方差以及所有行的方差和，然后根据公式(2)计算计算脑电信号的特征向量
其中，
(
)表示相关系数矩阵的每一行，
表示自然对数运算，
表示方差运算。
步骤四：基于支持向量机的运动想象任务分类
将步骤三得到的脑电特征向量作为支持向量机分类器的输入，进行训练和测试，完成多种运动想象任务的分类。
Claims (1)
1. 一种多导联间相关性分析的脑电特征提取方法，其特征在于该方法包括如下步骤：
步骤(1) 获取多通道运动想象脑电信号样本数据，具体是：首先采用多导联电极帽采集运动想象脑电信号，然后采用带通滤波方法进行预处理；
步骤(2) 相关系数计算，具体是：根据公式(1)所示的时间序列相似度量方法计算各导联脑电信号两两之间的相关系数，得到一个 相关系数矩阵
，
其中，
和
为通道
和在
时刻的脑电信号数值，
代表通道
与通道
之间的相关系数值，
为时间序列长度，
表示采集脑电信号的通道数；
步骤(3) 脑电特征提取，具体是：在步骤(2)相关系数矩阵的基础上，分别计算矩阵每一行的方差以及所有行的方差和，然后根据公式(2)计算计算脑电信号的特征向量
(2)
其中，
表示相关系数矩阵的每一行，
表示自然对数运算，
表示方差运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310172234XA CN103258215A (zh) | 2013-05-10 | 2013-05-10 | 一种多导联间相关性分析的脑电特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310172234XA CN103258215A (zh) | 2013-05-10 | 2013-05-10 | 一种多导联间相关性分析的脑电特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103258215A true CN103258215A (zh) | 2013-08-21 |
Family
ID=48962119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310172234XA Pending CN103258215A (zh) | 2013-05-10 | 2013-05-10 | 一种多导联间相关性分析的脑电特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103258215A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105125210A (zh) * | 2015-09-09 | 2015-12-09 | 陈包容 | 一种脑电波的诱发方法及装置 |
| CN105205317A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
| CN105595962A (zh) * | 2015-12-22 | 2016-05-25 | 苏州大学 | 一种相似器电路 |
| CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警*** |
| CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
| CN111012335A (zh) * | 2019-11-28 | 2020-04-17 | 燕山大学 | 基于非负cp分解模型的脑电意图解码方法 |
| CN112604163A (zh) * | 2020-12-30 | 2021-04-06 | 杭州电子科技大学 | 一种基于经颅直流电刺激的辅助记忆*** |
| CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
| CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
| CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
| CN114027857A (zh) * | 2021-12-22 | 2022-02-11 | 杭州电子科技大学 | 一种基于脑电信号测量运动能力的方法 |
| CN115969389A (zh) * | 2021-10-15 | 2023-04-18 | 中国科学院沈阳自动化研究所 | 一种基于个体脑电信号迁移的运动想象意图识别方法 |
| CN117571742A (zh) * | 2024-01-12 | 2024-02-20 | 贵州大学 | 基于人工智能实现芯片质检的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008097200A1 (en) * | 2007-02-09 | 2008-08-14 | Agency For Science, Technology And Research | A system and method for classifying brain signals in a bci system |
| CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
| CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
| CN102940490A (zh) * | 2012-10-19 | 2013-02-27 | 西安电子科技大学 | 基于非线性动力学的运动想象脑电信号特征提取方法 |
-
2013
- 2013-05-10 CN CN201310172234XA patent/CN103258215A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008097200A1 (en) * | 2007-02-09 | 2008-08-14 | Agency For Science, Technology And Research | A system and method for classifying brain signals in a bci system |
| CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
| CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
| CN102940490A (zh) * | 2012-10-19 | 2013-02-27 | 西安电子科技大学 | 基于非线性动力学的运动想象脑电信号特征提取方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105125210A (zh) * | 2015-09-09 | 2015-12-09 | 陈包容 | 一种脑电波的诱发方法及装置 |
| CN105205317A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
| CN105205317B (zh) * | 2015-09-10 | 2017-12-15 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
| CN105595962A (zh) * | 2015-12-22 | 2016-05-25 | 苏州大学 | 一种相似器电路 |
| CN105595962B (zh) * | 2015-12-22 | 2018-08-07 | 苏州大学 | 一种相似器电路 |
| CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警*** |
| CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
| CN111012335A (zh) * | 2019-11-28 | 2020-04-17 | 燕山大学 | 基于非负cp分解模型的脑电意图解码方法 |
| CN111012335B (zh) * | 2019-11-28 | 2020-10-20 | 燕山大学 | 基于非负cp分解模型的脑电意图解码方法 |
| CN112604163A (zh) * | 2020-12-30 | 2021-04-06 | 杭州电子科技大学 | 一种基于经颅直流电刺激的辅助记忆*** |
| CN112842279A (zh) * | 2021-03-01 | 2021-05-28 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
| CN112842279B (zh) * | 2021-03-01 | 2022-03-08 | 中山大学 | 一种基于多维度特征参数的睡眠质量评估方法及装置 |
| CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
| CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
| CN113780392B (zh) * | 2021-08-31 | 2024-03-19 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
| CN115969389A (zh) * | 2021-10-15 | 2023-04-18 | 中国科学院沈阳自动化研究所 | 一种基于个体脑电信号迁移的运动想象意图识别方法 |
| CN114027857A (zh) * | 2021-12-22 | 2022-02-11 | 杭州电子科技大学 | 一种基于脑电信号测量运动能力的方法 |
| CN114027857B (zh) * | 2021-12-22 | 2024-04-26 | 杭州电子科技大学 | 一种基于脑电信号测量运动能力的方法 |
| CN117571742A (zh) * | 2024-01-12 | 2024-02-20 | 贵州大学 | 基于人工智能实现芯片质检的方法及装置 |
| CN117571742B (zh) * | 2024-01-12 | 2024-04-05 | 贵州大学 | 基于人工智能实现芯片质检的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103258215A (zh) | 一种多导联间相关性分析的脑电特征提取方法 | |
| CN102722728B (zh) | 基于通道加权支持向量的运动想象脑电分类方法 | |
| CN106726030B (zh) | 基于临床脑电信号控制机械手运动的脑机接口***及其应用 | |
| CN102722727B (zh) | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 | |
| CN101711709B (zh) | 利用眼电和脑电信息的电动假手控制方法 | |
| CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
| Alwasiti et al. | Motor imagery classification for brain computer interface using deep metric learning | |
| CN106933353A (zh) | 一种基于运动想象和编码调制视觉诱发电位的二维光标运动控制***及方法 | |
| CN103955269A (zh) | 一种基于虚拟现实环境的智能眼镜脑-机接口方法 | |
| CN103699217A (zh) | 一种基于运动想象和稳态视觉诱发电位的二维光标运动控制***及方法 | |
| CN104035563B (zh) | 基于w‑pca和无监督ghsom的脑电信号识别方法 | |
| CN109310561A (zh) | 运动示教***和运动示教方法 | |
| CN103955270A (zh) | 一种基于p300的脑机接口***的字符高速输入方法 | |
| CN108992066A (zh) | 基于肌电信号的便携式下肢行为模式实时识别***及方法 | |
| CN110013248A (zh) | 脑电张量模式识别技术与脑机交互康复*** | |
| CN106502405A (zh) | 基于同步性复合肢体想象动作多模态脑机接口方法及*** | |
| CN108268844A (zh) | 基于表面肌电信号的动作模式识别方法及装置 | |
| Gupta et al. | Detecting eye movements in EEG for controlling devices | |
| CN112488002B (zh) | 基于n170的情绪识别方法及识别*** | |
| CN109766845A (zh) | 一种脑电信号分类方法、装置、设备和介质 | |
| CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
| CN109144277B (zh) | 一种基于机器学习实现脑控智能小车的构建方法 | |
| Li et al. | Optimal combination of channels selection based on common spatial pattern algorithm | |
| Amor et al. | A deep learning based approach for Arabic Sign language alphabet recognition using electromyographic signals | |
| Zhao et al. | Temporal and Spatial Features of Single‐Trial EEG for Brain‐Computer Interface |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130821 |
|
| RJ01 | Rejection of invention patent application after publication |