CN107423668B - 基于小波变换和稀疏表达的脑电信号分类***与方法 - Google Patents
基于小波变换和稀疏表达的脑电信号分类***与方法 Download PDFInfo
- Publication number
- CN107423668B CN107423668B CN201710244077.7A CN201710244077A CN107423668B CN 107423668 B CN107423668 B CN 107423668B CN 201710244077 A CN201710244077 A CN 201710244077A CN 107423668 B CN107423668 B CN 107423668B
- Authority
- CN
- China
- Prior art keywords
- learning
- dictionary
- classification
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于小波变换和稀疏表达的脑电信号分类***及方法,该方法的具体步骤包括:在字典学习模块内对运动想象脑电信号的字典学习:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图,并传输至所述类别识别模块。在类别识别模块内对运动想象脑电信号的类别识别:将未知运动想象脑电信号作为分类数据进行特征提取,利用训练模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类。所述特征提取包括信号预处理、小波变换和特征向量建立。
Description
技术领域
本发明属于脑电信号处理的技术领域,尤其涉及一种基于小波变换和稀疏表达的脑电信号分类***与方法。
背景技术
目前,脑机接口技术作为一种全新的通信和控制技术,可以为思维正常但有严重运动障碍的患者提供语言交流和环境控制手段。其中,脑机接口被定义为能够使人不依赖周围神经***和肌肉、而与外界进行通信或控制的设备。脑机接口技术不仅应用于未患者提供语言交流和环境控制,在自动控制、军事认知等科学领域也有潜在的应用价值。鉴于其巨大的应用前景,脑机接口已经引起国际科学界的高度重视,称为脑科学、康复工程、生物医学工程及人机控制领域的一个研究热点。
在所有能够被监测到的反映大脑活动的信号中,由于脑电信号(Electroencephalogram,EEG)具有较好的时间分辨率,监测仪器较简单,非入侵等优点,被大部分脑机接口***所采纳。
在所有基于EEG信号的脑机接口***中,能够被用作控制信号的大脑活动信号有:视觉诱发电位、P300事件相关电位、运动想象、皮层慢电位等几种。其中,针对运动想象信号,基于运动想象的脑机接口的理论基础是:当感觉器官受到一种或多种事件刺激,这种刺激会传输到大脑,使得大脑的神经元集群发生特定的电活动,这种电活动就是时间相关电位(Event Related Potentials,ERPs)。ERPs是一种特殊的诱发电位。通过研究发现,ERPs电活动表现为在特定频率能量的变化,主要是特定节律信号能量的增加或者减少,这是大量神经元集体电活动的共同结果。因此,当ERPS出现时,皮层区域的特定频率的节律性活动能量表现为幅度的降低,这种现象叫做事件相关去同步(Event-relatedDesynchronization,ERD),反之,出现幅值升高的现象,称之为事件相关同步(Event.related Synchronization,ERS)。基于ERD/ERS的脑机接口***主要是辨别运动想象思维作业的EEG信号,比如想象左手、右手、脚、舌的运动,从而产生不同的控制命令。Pfunscheller等人通过研究发现即使对于具有严重肢体障碍的患者,在进行运动想象时,也可以观察到运动区域的这种事件相关同步或者事件相关去同步现象。
目前,基于运动想象脑机接口***的研究是目前脑机接口的研究热点之一。主要原因是ERS/ERD现象的生理依据和数学模型已被许多科研机构研究和证明,并成为目前探讨正常和病理状态下识别感觉、运动和认知功能最为常用的方法。另外,该现象中的μ节律和β波变化不需要外界刺激诱发,便于受试者训练和控制,进而成为脑机接口研究最受欢迎的实现途径。对于脑电信号多分类***,Wopaw研究组在2010年利用想象左右手和脚运动时u和β波段信号变化特征,实现光标在三维空间中移动,但是该研究中被试需要长期的训练,该结果很大程度上依赖于被试样本,且只是利用了两种运动想象信号,即想象左、右手。
综上所述,目前基于运动想象的脑机接口在脑电信号的分类方面存在如下问题:
(1)被试依赖性过高:目前实验的被试样本仅选取个位数,且需要经过长期的训练;
(2)分类种类少:基于不同运动想象思维作业的脑电信号分类十分困难,目前能够区分的最多的运动想象思维作业是六种,分类种类少限制了脑机接口的应用范围;
(3)分类精度不高:随着运动想象种类的增加,分类精度随之下降;
(4)无法随时区分工作与休息状态:脑机接口若要用户长期佩戴,就需要持续工作,则相应脑机接口***需要能够区分用户的运动想象状态和休息状态,用户不可能长时间处于运动想象的控制状态。目前的脑机接口***还不具备该功能。
现有技术对于上述四个问题,尚缺乏有效的解决方案。
发明内容
本发明为了解决上述问题,克服现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题,提供一种基于小波变换和稀疏表达的脑电信号分类***。
为了实现上述目的,本发明采用如下技术方案:
一种基于小波变换和稀疏表达的脑电信号分类***,该***包括字典学习模块和类别识别模块;
所述字典学习模块被配置为将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图的模块;所述字典学习模块将得到学习字典及学习数据的类别直方图传输至所述类别识别模块;
所述类别识别模块被配置为将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用所述字典学习模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类的模块;
所述特征提取包括信号预处理、小波变换和特征向量建立。
进一步的,所述字典学习模块包括第一脑电信号存储模块,所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为学习数据存储;
所述类别识别模块包括第二脑电信号存储模块,所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为分类数据存储。
本发明为了解决上述问题,克服现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题,提供一种基于小波变换和稀疏表达的脑电信号分类方法。
为了实现上述目的,本发明采用如下技术方案:
一种基于小波变换和稀疏表达的脑电信号分类方法,该方法基于一种基于小波变换和稀疏表达的脑电信号分类***,该方法的具体步骤包括:
(1)在字典学习模块内对运动想象脑电信号的字典学习:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图,并传输至所述类别识别模块;
(2)在类别识别模块内对运动想象脑电信号的类别识别:将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用训练模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类。
进一步的,所述步骤(1)与所述步骤(2)中对学习数据或分类数据进行特征提取的具体包括信号预处理、小波变换和特征向量建立。
进一步的,所述信号预处理的具体步骤为:
频域滤波:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行频域滤波,滤波后的运动想象脑电信号频率范围是0-40Hz;
和
去基线漂移:将频域滤波后的数据进行去除基线漂移,采用三次样条差值的方法去除基线漂移。
进一步的,所述小波变换的具体步骤为:
对信号预处理后的运动想象脑电信号f(t)进行连续小波变换:
其中,Wf(α,τ)为连续小波变换后的运动想象脑电信号,Ψ(t)为小波函数,α为尺度因子,且α>1,τ为平移因子;
当α增大时,表示用伸展的Ψ(t)去观察整个f(t);反之,当α减小时,则以压缩的Ψ(t)去观察f(t)的局部。
进一步的,所述小波变换采用Morlet小波函数:
其中,fc为中心频率,fb为带宽参数,σf为方差,带宽参数fb与方差σf之间的关系采用公式(3)来表示:
进一步的,在小波变换前确定不同频带的运动想象脑电信号的小波变换参数:中心频率fc和带宽参数fb;
运动想象脑电信号被分为δ频带,θ频带,α频带,β频带,γ频带;
δ频带的频率设定为小于等于4Hz;
θ频带的频率设定为大于4Hz,且小于7Hz;
α频带的频率设定为大于8Hz,且小于13Hz;
β频带的频率设定为大于14Hz,且小于25Hz;
γ频带的频率设定为大于26Hz。
进一步的,所述特征向量建立的具体步骤为:
对小波变换后的运动想象脑电信号进行小波分析:根据小波分解算法将运动想象脑电信号小波分解为不同层级的小波,小波分解的层数视用于提取特征的各节点运动想象脑电信号的有用成分以及采样频率而定;运动想象脑电信号分解后的小波系数表达了它在时域和频域的能量分布;
选择动想象脑电信号的ERD/ERS出现的频率范围选择分解后的运动想象脑电信号进一步进行小波分析,提取小波系数的均值、能量均值和均方差三个统计量作为特征向量。
进一步的,所述步骤(1)中的字典学习根据小波变换后的特征向量矩阵Y,通过压缩传感得到特征向量矩阵Y的稀疏表达,具体步骤为:
其中,||·||F是Frobenius范数,||·||0是l0半范数,计算向量里包含的非零元素。
进一步的,所述步骤(2)中利用训练模块中的学习字典得到分类数据的稀疏表达计算的具体步骤为:
将步骤(2)中分类数据经过特征提取后的特征向量矩阵Q,结合步骤(1)中得到的学习字典Φ,
根据:
得到分类数据的稀疏表达XQ。
进一步的,所述步骤(1)中的学习数据的类别直方图和所述步骤(2)中的分类数据的类别直方图分别根据:
得到,所述步骤(1)中的学习数据的类别直方图为hi,所述步骤(2)中的学习数据的类别直方图为hQ;
所述步骤(2)中分类数据分类的具体步骤为:
根据:
确定所述分类数据的所述类别。
本发明的有益效果:
1.分类精度得到了提高:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,由于ERS/ERD的差异出现在不同频带范围,利用小波分析对运动想象脑电信号进行特征提取,这种差异性得到最大体现,提高了脑电信号的分类精度。
2.分类种类得到了提高:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,在步骤(1)的对运动想象脑电信号的字典学习中,不同的思维作业可以建立一个共同的学习字典Φ,在步骤(2)的对运动想象脑电信号的类别识别中,只要在字典学习部分出现的思维作业,在类别识别过程中就可以识别出该类别,因此,此种算法的分类种类得到了提高;
3.运动想象与休息状态均可进行检测:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,将休息状态当做一种思维作业,在建立字典Φ时考虑进去该状态,则在后续的测试中,当出现休息状态时,也可以检测出用户目前处于休息状态;
4.分类速度较快:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,不同的思维作业建立一个共同的字典,在测试中不同的思维作业可以一次性得到分类结果。
附图说明
图1是本发明的***示意图;
图2是本发明的方法流程图。
具体实施方式:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
实施例1:
正如背景技术所介绍的,现有技术中基于运动想象的脑机接口在特征提取与分类方面存在的分类种类少、分类精度低和无法随时区分工作与休息状态的问题,提供一种基于小波变换和稀疏表达的脑电信号分类***及方法。
本申请的一种基于小波变换和稀疏表达的脑电信号分类***的实施方式中,
为了实现上述目的,本发明采用如下技术方案:
一种基于小波变换和稀疏表达的脑电信号分类***,如图1所示,该***包括字典学习模块和类别识别模块;
所述字典学习模块被配置为将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图的模块;所述字典学习模块将得到学习字典及学习数据的类别直方图传输至所述类别识别模块;
所述类别识别模块被配置为将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用所述字典学习模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类的模块;
所述特征提取包括信号预处理、小波变换和特征向量建立。
所述字典学习模块包括第一脑电信号存储模块,所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为学习数据存储;
所述类别识别模块包括第二脑电信号存储模块,所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为分类数据存储。
为了实现上述目的,本发明采用如下技术方案:
一种基于小波变换和稀疏表达的脑电信号分类方法,该方法基于一种基于小波变换和稀疏表达的脑电信号分类***,如图2所示,该方法的具体步骤包括:
(1)在字典学习模块内对运动想象脑电信号的字典学习:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图,并传输至所述类别识别模块;
所述步骤(1)中脑机接口***采集的运动想象脑电信号作为学习数据的具体步骤为:
用户佩戴EEG电极帽进行不同心理作业的运动想象,例如想象左手运动、右手运动,采集相应的脑电信号为X=[XL:XR]并存储于第一脑电信号存储模块中。用户大脑处于休息状态时,可以作为一种心理作业模式进行脑电信号采集。
当大脑进行不同的运动想象时,不同电极位置上的脑电信号会随着时间的推移进行变化。同一种运动想象任务导致的这种变化是相似的,特征提取的任务就是针对某一种运动想象任务找到能够描述这种相似性的东西。
所述步骤(1)中对学习数据进行特征提取的具体包括信号预处理、小波变换和特征向量建立。
所述步骤(1)中,所述信号预处理的具体步骤为:
频域滤波:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行频域滤波,滤波后的运动想象脑电信号频率范围是0-40Hz。
频率滤波的有益效果是:由于与运动想象相关的脑电信号主要集中在40Hz以下,进行频域滤波有效防止其他频率段信号对运动想象相关的脑电信号的干扰。
去基线漂移:将频域滤波后的数据进行去除基线漂移,采用三次样条差值的方法去除基线漂移。
去基线漂移的有益效果是:由于EEG是采用导联电极,无创性的信号采集方式,肌肉组织、头皮表面阻抗,被试无意识的移动头部等一些干扰,常常会引发EEG信号随着时间变化出现漂移,去基线漂移有效去除无意识的移动头部等一些干扰引发EEG信号随着时间变化出现漂移的现象。
所述步骤(1)中,所述小波变换的具体步骤为:
对信号预处理后的运动想象脑电信号f(t)进行连续小波变换:
其中,Wf(α,τ)为连续小波变换后的运动想象脑电信号,Ψ(t)为小波函数,α为尺度因子,且α>1,τ为平移因子;
当α增大时,表示用伸展的Ψ(t)去观察整个f(t);反之,当α减小时,则以压缩的Ψ(t)去观察f(t)的局部。
在本实施例中,采用Morlet小波函数进行小波变换,Morlet小波函数定义如公式(2):
其中,fc为中心频率,fb为带宽参数,σf为方差,带宽参数fb与方差σf之间的关系采用公式(3)来表示:
Morlet小波特性很特殊,其波形在时域和频域都是高斯形,因此通过调整Morlet小波的参数,用户可以使用Morlet小波精确地提取出想用的信号频率。同时,该小波在时域和频域都具有较高的分辨率,这也是本发明使用morlet小波进行小波变换的原因。
在小波变换前确定不同频带的运动想象脑电信号的小波变换参数:中心频率fc和带宽参数fb;
运动想象脑电信号被分为δ频带,θ频带,α频带,β频带,γ频带;
δ频带的频率设定为小于等于4Hz;
θ频带的频率设定为大于4Hz,且小于7Hz;
α频带的频率设定为大于8Hz,且小于13Hz;
β频带的频率设定为大于14Hz,且小于25Hz;
γ频带的频率设定为大于26Hz。
在本实施例中上述小波变换参数设置具体如下:
由于运动想象脑电信号的差异在频域较为明显,因此在做小波变换之前,将不同运动想象的脑电信号分为五个频带:δ频带(≤4Hz),θ频带(4-7Hz),α频带(8-13Hz),β频带(14-25Hz),γ频带(>26Hz)。
针对这五个频带,采用不同的小波变换的参数进行小波变换,运动想象脑电信号小波变换参数表如表1所示
表1
所述步骤(1)中,所述特征向量建立的具体步骤为:
对小波变换后的运动想象脑电信号进行小波分析:根据小波分解算法将运动想象脑电信号小波分解为不同层级的小波,小波分解的层数视用于提取特征的各节点运动想象脑电信号的有用成分以及采样频率而定;运动想象脑电信号分解后的小波系数表达了它在时域和频域的能量分布;
选择动想象脑电信号的ERD/ERS出现的频率范围选择分解后的运动想象脑电信号进一步进行小波分析,提取小波系数的均值、能量均值和均方差三个统计量作为特征向量。
在本实施例中,小波的分解层数决定了用于提取特征的各节点运动想象脑电信号信号所覆盖的频率范围,随着分解层数的增加,各特征值所覆盖的频率范围缩小;将运动想象脑电信号信号进行小波分析时,分解的层数视具体运动想象脑电信号信号的有用成分以及采样频率而定。
若运动想象脑电信号信号采样频率为128Hz,将运动想象脑电信号信号分解到第三层,对应的最低频带为0-8Hz。根据小波分解算法,运动想象脑电信号信号分解后细节部分为D1-D3,近似部分为A3,小波分解后各层频带范围如表2所示。
表2
运动想象脑电信号分解后的小波系数表达了它在时域和频域的能量分布,从表2中可以看出,D3(8-16Hz)在脑电信号的α(8-13Hz)波段范围附近,D2(16-32Hz)在脑电信号的β(14-25Hz)波段附近,而脑电信号的ERD/ERS主要就出现在这两个波段。因此选择D2和D3进一步分析,为了进一步减少特征向量的维数,本发明提取小波系数的均值、能量均值和均方差三个统计量作为特征向量。
所述步骤(1)中的字典学习根据小波变换后的特征向量矩阵Y,通过压缩传感得到特征向量矩阵Y的稀疏表达,具体步骤为:
其中,||·||F是Frobenius范数,||·||0是l0半范数,计算向量里包含的非零元素。
K-SVD是一种经典的字典训练算法,依据误差最小原则,对误差项进行SVD分解,选择使误差最小的分解项作为更新的字典原子和对应的原子系数,经过不断的迭代从而得到优化的解。
在本实施例中对压缩感知技术进行应用,将特征向量矩阵Y压缩之后,得到稀疏表达的学习字典,后续的脑电信号利用该学习字典建立自己的稀疏表达,并利用:若后续的脑电信号属于学习字典中存在的某一种思维作业,则在该思维作业部分的稀疏表达系数应该包含最少的非零值,并建立稀疏表达直方图进行思维作业的分类。不同种类的脑电信号建立一个共同的学习字典,一旦学习字典建立,后续步骤(2)的分类过程将节省大量时间。
若在字典学习过程中,认为用户休息的状态为一种思维作业,则在后续分类过程中,也能随时把用户休息的状态分辨出来,因此解决了目前大多数脑机接口***无法解决的问题,实现了用户长期使用脑机接口,脑机接口***可以识别用户的工作状态和休息状态。
所述步骤(1)中的学习数据类别直方图h=[h1,h2,...,hK]根据下式计算得到:
在本实施例中,步骤(1)训练部分结束,得到两个结果:1)学习字典Φ;2)类别直方图h=[h1,h2,...,hK]。
(2)在类别识别模块内对运动想象脑电信号的类别识别:将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用训练模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类。
所述步骤(2)中脑机接口***采集的运动想象脑电信号作为分类数据的具体步骤为:
用户佩戴EEG电极帽进行不同心理作业的运动想象,例如想象左手运动、右手运动,采集相应的脑电信号为X=[XL:XR]并存储于第二脑电信号存储模块中。
所述步骤(2)中对分类数据进行特征提取的具体包括信号预处理、小波变换和特征向量建立。
在本实施例中,在步骤(2)中分类数据的信号预处理、小波变换和特征向量建立与步骤(1)采用的方法公式完全一致,这里就不赘述了。
利用训练模块中的训练字典得到分类数据的稀疏表达,得到分类数据的类别直方图。
所述步骤(2)中分类数据的稀疏表达计算的具体步骤为:
将步骤(2)中分类数据经过特征提取的特征向量矩阵Q,结合步骤(1)中得到的学习字典Φ,
根据:
得到分类数据的稀疏表达XQ。
所述步骤(2)中的分类数据的类别直方图分别根据:
得到,所述步骤(2)中的分类数据的类别直方图为hQ;
根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据分类。
所述步骤(2)中分类数据分类的具体步骤为:
根据:
确定所述分类数据的所述类别。
本发明的有益效果:
1.分类精度得到了提高:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,由于ERS/ERD的差异出现在不同频带范围,利用小波分析对运动想象脑电信号进行特征提取,这种差异性得到最大体现,提高了脑电信号的分类精度。
2.分类种类得到了提高:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,在步骤(1)的对运动想象脑电信号的字典学习中,不同的思维作业可以建立一个共同的学习字典Φ,在步骤(2)的对运动想象脑电信号的类别识别中,只要在字典学习部分出现的思维作业,在类别识别过程中就可以识别出该类别,因此,此种算法的分类种类得到了提高;
3.运动想象与休息状态均可进行检测:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,将休息状态当做一种思维作业,在建立字典Φ时考虑进去该状态,则在后续的测试中,当出现休息状态时,也可以检测出用户目前处于休息状态;
4.分类速度较快:本发明的一种基于小波变换和稀疏表达的脑电信号分类***及方法,不同的思维作业建立一个共同的字典,在测试中不同的思维作业可以一次性得到分类结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (3)
1.一种基于小波变换和稀疏表达的脑电信号分类方法,其特征是:该方法的具体步骤包括:
(1)在字典学习模块内对运动想象脑电信号的字典学习:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,在字典学习模块中将不同种类的脑电信号建立一个共同的字典,并且认为用户休息的状态为一种思维作业,得到学习字典及学习数据的类别直方图,并传输至类别识别模块;
(2)在类别识别模块内对运动想象脑电信号的类别识别:将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用训练模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类;
步骤(1)中的字典学习根据小波变换后的特征向量矩阵Y,通过压缩传感得到特征向量矩阵Y的稀疏表达,具体步骤为:
其中,||·||F是Frobenius范数,||·||0是l0半范数,计算向量里包含的非零元素;k<<n;
所述特征提取包括信号预处理、小波变换和特征向量建立;
所述小波变换,首先将不同运动想象的脑电信号分为五个频带:δ频带,θ频带,α频带,β频带,γ频带;
其中,δ频带≤4Hz,θ频带为4-7Hz,α频带为8-13Hz,β频带为14-25Hz,γ频带>26Hz;
针对这五个频带,采用不同的小波变换的参数进行小波变换;
所述信号预处理的具体步骤为:
频域滤波:将脑机接口***采集的已知运动想象脑电信号作为学习数据进行频域滤波,滤波后的运动想象脑电信号频率范围是0-40Hz;
和
去基线漂移:将频域滤波后的数据进行去除基线漂移,采用三次样条差值的方法去除基线漂移;
所述小波变换的具体步骤为:
对信号预处理后的运动想象脑电信号f(t)进行连续小波变换:
其中,Wf(α,τ)为连续小波变换后的运动想象脑电信号,Ψ(t)为小波函数,α为尺度因子,且α>1,τ为平移因子;
当α增大时,表示用伸展的Ψ(t)去观察整个f(t);反之,当α减小时,则以压缩的Ψ(t)去观察f(t)的局部;
在小波变换前确定不同频带的运动想象脑电信号的小波变换参数:中心频率fc和带宽参数fb;
运动想象脑电信号被分为δ频带,θ频带,α频带,β频带,γ频带;
δ频带的频率设定为小于等于4Hz;
θ频带的频率设定为大于4Hz,且小于7Hz;
α频带的频率设定为大于8Hz,且小于13Hz;
β频带的频率设定为大于14Hz,且小于25Hz;
γ频带的频率设定为大于26Hz;
所述特征向量建立的具体步骤为:
对小波变换后的运动想象脑电信号进行小波分析:根据小波分解算法将运动想象脑电信号小波分解为不同层级的小波,小波分解的层数视用于提取特征的各节点运动想象脑电信号的有用成分以及采样频率而定;运动想象脑电信号分解后的小波系数表达了它在时域和频域的能量分布;
选择动想象脑电信号的ERD/ERS出现的频率范围选择分解后的运动想象脑电信号进一步进行小波分析,提取小波系数的均值、能量均值和均方差三个统计量作为特征向量;
所述步骤(2)中利用训练模块中的学习字典得到分类数据的稀疏表达计算的具体步骤为:
将步骤(2)中分类数据经过特征提取后的特征向量矩阵Q,结合步骤(1)中得到的学习字典Φ,
根据:
得到分类数据的稀疏表达XQ;
所述步骤(1)中的学习数据的类别直方图和所述步骤(2)中的分类数据的类别直方图分别根据:
得到,所述步骤(1)中的学习数据的类别直方图为hi和所述步骤(2)中的学习数据的类别直方图为hQ;
所述步骤(2)中分类数据分类的具体步骤为:
根据:
确定所述分类数据的所述类别。
2.如权利要求1所述的一种基于小波变换和稀疏表达的脑电信号分类方法,所应用的一种基于小波变换和稀疏表达的脑电信号分类***,该***包括字典学习模块和类别识别模块;其特征是:
所述字典学习模块被配置为将脑机接口***采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算,得到学习字典及学习数据的类别直方图的模块;所述字典学习模块将得到学习字典及学习数据的类别直方图传输至所述类别识别模块;所述字典学习模块将不同种类的脑电信号建立一个共同的字典,并且认为用户休息的状态为一种思维作业;
所述类别识别模块被配置为将脑机接口***采集的未知运动想象脑电信号作为分类数据进行特征提取,利用所述字典学习模块中的学习字典得到分类数据的稀疏表达,计算分类数据的类别直方图,并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类的模块;
所述字典学习模块用于在字典学习过程中根据小波变换后的特征向量矩阵Y,通过压缩传感得到特征向量矩阵Y的稀疏表达,具体步骤为:
其中,||·||F是Frobenius范数,||·||0是l0半范数,计算向量里包含的非零元素;k<<n;
所述特征提取包括信号预处理、小波变换和特征向量建立;
所述小波变换,首先将不同运动想象的脑电信号分为五个频带:δ频带,θ频带,α频带,β频带,γ频带;
其中,δ频带≤4Hz,θ频带为4-7Hz,α频带为8-13Hz,β频带为14-25Hz,γ频带>26Hz;
针对这五个频带,采用不同的小波变换的参数进行小波变换。
3.如权利要求2所述的一种基于小波变换和稀疏表达的脑电信号分类方法,其特征是:所述字典学习模块包括第一脑电信号存储模块,所述第一脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为学习数据存储;
所述类别识别模块包括第二脑电信号存储模块,所述第二脑电信号存储模块将脑机接口***采集的运动想象脑电信号作为分类数据存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710244077.7A CN107423668B (zh) | 2017-04-14 | 2017-04-14 | 基于小波变换和稀疏表达的脑电信号分类***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710244077.7A CN107423668B (zh) | 2017-04-14 | 2017-04-14 | 基于小波变换和稀疏表达的脑电信号分类***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423668A CN107423668A (zh) | 2017-12-01 |
CN107423668B true CN107423668B (zh) | 2022-09-27 |
Family
ID=60424128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710244077.7A Active CN107423668B (zh) | 2017-04-14 | 2017-04-14 | 基于小波变换和稀疏表达的脑电信号分类***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423668B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109044351A (zh) * | 2018-08-03 | 2018-12-21 | 周文芳 | 基于脑电生物反馈的逻辑思维训练***及方法 |
CN110674738A (zh) * | 2019-09-23 | 2020-01-10 | 长沙理工大学 | 一种左右手脑电信号识别方法及相关装置 |
CN114259240A (zh) * | 2021-09-28 | 2022-04-01 | 大连大学 | 基于改进经验小波变换的脑电信号字典学习方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8396310B1 (en) * | 2009-09-30 | 2013-03-12 | Rockwell Collins, Inc. | Basis learning for sparse image representation and classification and low data rate compression |
US8364254B2 (en) * | 2009-01-28 | 2013-01-29 | Brainscope Company, Inc. | Method and device for probabilistic objective assessment of brain function |
GB0906029D0 (en) * | 2009-04-07 | 2009-05-20 | Nat Univ Ireland Cork | A method of analysing an electroencephalogram (EEG) signal |
CN101558997A (zh) * | 2009-05-27 | 2009-10-21 | 江西蓝天学院 | 基于二阶盲辨识的脑电信号识别方法 |
CN102024152B (zh) * | 2010-12-14 | 2013-01-30 | 浙江大学 | 一种基于稀疏表达和字典学习进行交通标志识别的方法 |
CN102133100A (zh) * | 2011-03-04 | 2011-07-27 | 上海交通大学 | 基于稀疏重表示的脑电信号检测方法 |
KR101380964B1 (ko) * | 2011-05-09 | 2014-04-04 | 광주과학기술원 | 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 |
CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控*** |
CN112998649A (zh) * | 2015-01-06 | 2021-06-22 | 大卫·伯顿 | 移动式可穿戴的监控*** |
CN105468138A (zh) * | 2015-07-15 | 2016-04-06 | 武汉理工大学 | 基于脑机接口技术与激光雷达的智能车辆避障导航方法 |
CN105022486B (zh) * | 2015-07-17 | 2018-01-19 | 西安交通大学 | 基于不同表情驱动的脑电信号辨识方法 |
CN105574534B (zh) * | 2015-12-17 | 2019-03-26 | 西安电子科技大学 | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 |
CN105595961A (zh) * | 2015-12-21 | 2016-05-25 | 天津大学 | 基于脑电信号的阿尔兹海默症检测***及检测方法 |
CN105740772A (zh) * | 2016-01-22 | 2016-07-06 | 江苏师范大学 | 变换域联合稀疏模型的皮层体感诱发电位的实时监测方法 |
CN105809124B (zh) * | 2016-03-06 | 2018-06-01 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
CN105956624B (zh) * | 2016-05-06 | 2019-05-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN106446762A (zh) * | 2016-07-07 | 2017-02-22 | 哈尔滨工程大学 | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 |
CN106388814B (zh) * | 2016-10-11 | 2019-06-18 | 天津大学 | 基于最优核时频分布可视图的癫痫脑电信号识别方法 |
-
2017
- 2017-04-14 CN CN201710244077.7A patent/CN107423668B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107423668A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Removal of muscle artifacts from the EEG: A review and recommendations | |
Chen et al. | A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG | |
Kachenoura et al. | ICA: a potential tool for BCI systems | |
Phinyomark et al. | Application of wavelet analysis in EMG feature extraction for pattern classification | |
CN110269609B (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
Somers et al. | Removal of eye blink artifacts in wireless EEG sensor networks using reduced-bandwidth canonical correlation analysis | |
CN102306303B (zh) | 一种基于小训练样本的脑电信号特征提取方法 | |
CN106991409B (zh) | 一种运动想象脑电信号特征提取与分类***及方法 | |
CN107423668B (zh) | 基于小波变换和稀疏表达的脑电信号分类***与方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
CN111820876A (zh) | 一种脑电空间滤波器的动态构建方法 | |
Liu et al. | EEG classification for multiclass motor imagery BCI | |
CN116150646A (zh) | 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法 | |
Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
Rajashekhar et al. | Electroencephalogram (EEG) signal classification for brain–computer interface using discrete wavelet transform (DWT) | |
Maleki et al. | Application of PLSR with a comparison of MATLAB classification learner app in using BCI | |
Zhao et al. | Incremental common spatial pattern algorithm for BCI | |
Demir et al. | Bio-inspired filter banks for frequency recognition of SSVEP-based brain–computer interfaces | |
Hsu | Wavelet-coherence features for motor imagery EEG analysis posterior to EOG noise elimination | |
Zhu et al. | Evaluating functional connectivity in alcoholics based on maximal weight matching | |
Xu et al. | Feature extraction and classification of EEG for imaging left-right hands movement | |
Christoforou et al. | The bilinear brain: towards subject-invariant analysis | |
Ghane et al. | Robust understanding of EEG patterns in silent speech |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |