CN112515685B - 基于时频共融的多通道脑电信号通道选择方法 - Google Patents

Abstract

本发明公开了一种基于时频共融的多通道脑电信号通道选择方法，属于脑机接口数据处理领域。本发明方法的操作步骤为：1)进行数据预处理，包括：降低采样频率，利用小波变换进行基线漂移修正，带通滤波，独立成分分析去除眼电信号干扰；2)利用时频共融法获取通道间相关性信息；3)利用共空间模式进行特征提取；4)利用支持向量机进行特征分类；5)进行结果分析。本发明方法具有显著的创新性和可行性，对于脑电信号实时处理优化具有重要的借鉴意义。

Description

基于时频共融的多通道脑电信号通道选择方法

技术领域

本发明涉及一种基于时频共融的多通道脑电信号通道选择方法，应用于脑机接口数据处理领域。

背景技术

脑机接口***是近年来的研究热点，可以将大脑思维与计算机或其他外部设备相连接并通讯。现阶段，BCI技术主要用于帮助大脑思维正常，但是无法独立自由活动的人，完成一些日常活动。运动想象是指一个人没有任何的肢体运动，直接通过大脑想象某一肢体动作。运动想象会产生脑电信号。当人们仅仅想象某种运动却未执行时，在大脑的运动感觉区域会产生与执行此动作相同的脑电信号，通过分析此类信号，就可以判断想象者的意图。目前，临床及研究上所用的脑电采集设备主要使用盘状电极，按照国际10-20***规定位置进行电极的安放。通过运动想象判别想象者的意图，主要是通过EEG信号，但是这也有其局限性。大多数脑机***根据神经生理学知识选择记录重要运动想象信息的C3、C4通道作为运动想象信息提供的通道，这可能是意图判断错误的原因之一。使用来自单个或少量通道的EEG时间、频谱和空间特征来区分不同的运动想象任务，并不能提供足够的信息来支持判断。使用全局数十个通道来识别运动想象信息，会导致与任务无关通道提供的数据影响运动意图的判别。因此，如何有效地选择通道数量及通道是脑机接口实时分析***设计中的一个要点。

发明内容

本发明的目的在于克服已有技术中存在的无法灵活地选择脑机接口通道等问题，提供一种基于时频共融的多通道脑电信号通道选择方法。此方法解决了单个通道不能提供足够信息的难点，同时避免了采集与任务无关通道中含有的干扰信息对结果造成影响。在实际运用中，可以根据不同平台的性能、数据量的大小、计算时间的要求，灵活确定所需通道的数量，按照计算出的相关度由高向低，依次选用相关通道作为输入数据。

为达到上述目的，本发明采用如下技术方案：

一种基于时频共融的多通道脑电信号通道选择方法，其操作步骤如下：

a.脑电信号预处理：

降低采样频率，利用小波变换进行基线漂移修正，带通滤波，独立成分分析去除眼电信号干扰；

b.利用时频共融法，获取通道间相关性信息；

c.利用共空间模式进行特征提取；

d.利用支持向量机，进行分类模型训练，将测试集输入分类模型，获得分类准确率数据；

e.进行结果分析，根据结果信息，分别得到多种通道选择方式的分类准确率结果。

一种基于时频共融的多通道脑电信号通道选择方法，其操作步骤如下：

a.脑电信号预处理

对采集到的脑电数据进行预处理；根据需要对所有采集到地脑电数据重采样降频；然后运用小波变换进行基线漂移纠正，并根据研究内容选择滤波通带进行滤波；使用独立成分分析将眼电信号去除，防止其对实验结果产生干扰；

b.时频共融法获取相关性信息

整合脑电信号的时间与频率的成分；使用基于小波变换的时频分析方法；将预处理过后的数据进行小波变换，获得每个通道、每个频率的时频功率信息，然后对每个通道所选频带的功率进行平均，获得特定频带上功率随时间的变化情况；相应的小波变换为

其中，

代表第i个通道在时间t时，频率f的功率密度；λ为小波参数；φ_t，f(x)为小波基函数，/>

其中/>

为小波基函数的复合共轭；

使用交互信息法计算任意两个通道之间的线性及非线性相关性；将每个通道的平均功率作为随机变量，通过熵和联合熵计算交互信息；用随机变量F_i表示第i个通道的平均功率信号，用p_s(F_i，b)表示第i个通道的平均功率信号在分块b处的概率密度函数；F_i的熵，即反映其不确定性的平均信息量，用H(F_i)表示；H(F_i)表示为：

式中，b＝1，...，50表示用于构造近似概率密度函数的分块索引，以避免低估较大的样本的熵及高估较小的样本的熵；其联合熵H(F_i，F_j)表示为：

式中，p_c(F_i，b，F_j，b)表示第i个通道的平均功率信号和第j个通道在分块b处平均功率的联合概率密度函数；

计算两个随机通道的时频共融法如下：

时频共融值(TFCMI)是一个指数，它根据两个通道在所洗频带上的平均功率变化和信噪比来评估它们之间的关系；通过时频共融值，得出每个通道之间的关系，并得到共融法映射图；因为该模型不包含因果假设，所以时频共融法映射是对称的，这意味着从第i个通道与第j个通道和第j个通道与第i个通道的关系是相同的；

c.共空间模式特征提取

共空间模式(CSP)是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布特征；共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值达到最大化差异，从而得到具有较高区分度的特征向量；

现有的两类运动想象任务，分别表示为X₁∈R^K×N和X₂∈R^K×N，其中X为运动想象任务，R为脑电信号，K为脑电通道数，N为每个通道的采样点数；忽略噪声产生的影响，X₁和X₂可分别表示为：

式中，S₁、S₂分别代表两种类型的任务，S_M代表两种类型任务下所共有的源信号；S₁是由m₁个源所构成，S₂是由m₂个源所构成，C₁和C₂是由S₁和S₂相关的m₁和m₂个共同空间模式组成；C_M表示的是与S_M相应的共有空间模式；

共空间模式的目标就是设计空间滤波器Filter₁和Filter₂得到空间因子W；

求X₁和X₂的协方差并进行归一化后分别为：

式中，X^T代表X的转置，trace(X)代表矩阵对象元素之和；

然后求复合协方差矩阵：

式中，

和/>

分别表示两类平均协方差矩阵；

由于复合协方差矩阵R_c是正定矩阵，由奇异值分解定理进行分解：

R_c＝UλU^T (8)

式中，U是特征向量矩阵，λ为对应的特征值组成的对角阵；

将特征值按降序排列，就得到白化矩阵：

将矩阵P作用于平均协方差矩阵R₁和R₂可得：

S₁＝PR₁P^T，S₂＝PR₂P^T (10)

对R₁和R₂进行主成分分解，可得：

S₁＝PR₁P^T＝Bλ₁B^T (11)

S₂＝PR₂P^T＝Bλ₂B^T (12)

此时，S₁和S₂有共同的特征向量和相同的特征矩阵B；同时两个特征值λ₁和λ₂的对角阵之和为单位矩阵；所以当一类信号的特征值λ为最大值时，另外一类信号的特征值为最小值，反之亦然；

通过矩阵B就实现两类信号的分类，由此得到空间因子W：

W＝B^TP (13)

将运动想象信号输入空间滤波器中，获得矩阵Z；取矩阵Z的前n行和后n行构成信号Z_p，n为CSP的特征选择参数；将原始运动想象信号分为训练集和测试集，根据CSP算法在多电极采集脑电信号特征提取的定义，训练集中代表两种任务特征的特征向量分别用k_p1和k_p2表示：

/>

对于测试集，其特征向量用k_pr表示：

var表示求方差，sum表示求和。将k_pr与k_p1和k_p2进行比较，确定第r次实验所属的任务类型；

d.支持向量机特征分类

将经过预处理的数据切分成训练集和测试集，经过CSP特征提取后的训练集特征，输入支持向量机进行分类模型训练；将测试集输入分类模型，获得分类准确率；

e.结果分析

根据实验结果，分别得到多种通道选择方式的分类准确率结果；具体包括脑电原数据与预处理后数据对比图，时频共融法映射图，通道关系图，不同通道选择方法正确率对比图。

本发明与现有技术相比较，具有如下的显而易见的突出实质性特点和显著优点：

1.本发明基于时频共融的多通道脑电信号通道选择方法有针对性地选择所需要的数据通道，采用共空间模式进行特征提取，支持向量机进行特征分类；

2.本发明方法在实际运用中，根据不同平台的性能、数据量的大小、计算时间的要求，灵活确定所需通道的数量，按照相关度由高向低，依次选用相关通道作为输入数据，达到缩短计算时间、提升***稳定性的目的。

附图说明

图1为本发明的程序流程框图。

图2为脑电原数据与预处理后数据对比图。

图3为59通道脑电数据时频共融法映射图。

图4为不同通道间相关度图。

图5为三种通道选择方案分类准确率对比图。

具体实施方式

本发明的优选实施例结合附图详述如下：

实施例一：

在本实施例中，参考图1，一种基于时频共融的多通道脑电信号通道选择方法，其操作步骤如下：

a.脑电信号预处理：

降低采样频率，利用小波变换进行基线漂移修正，带通滤波，独立成分分析去除眼电信号干扰；

b.利用时频共融法，获取通道间相关性信息；

c.利用共空间模式进行特征提取；

d.利用支持向量机，进行分类模型训练，将测试集输入分类模型，获得分类准确率数据；

e.进行结果分析，根据结果信息，分别得到多种通道选择方式的分类准确率结果。

本实施例方法解决了单个通道不能提供足够信息的难点，同时避免了采集与任务无关通道中含有的干扰信息对结果造成影响。

实施例二：

本实施例与实施例一基本相同，特别之处在于：

在本实施例中，参见图1，一种基于时频共融的多通道脑电信号通道选择方法，其操作步骤如下：

a.脑电信号预处理：

对采集到的脑电数据进行预处理；根据需要对所有采集到地脑电数据重采样降频；然后进行基线漂移纠正，并根据研究内容选择滤波通带进行滤波；使用独立成分分析将眼电信号去除，防止其对实验结果产生干扰；

b.时频共融法获取相关性信息

整合脑电信号的时间与频率的成分；使用基于小波变换的时频分析方法；将预处理过后的数据进行小波变换，获得每个通道、每个频率的时频功率信息，然后对每个通道所选频带的功率进行平均，获得特定频带上功率随时间的变化情况；相应的小波变换为

其中，

(t，f)代表第i个通道在时间t时，频率f的功率密度；λ为小波参数；φ_t，f(x)为小波基函数，/>

其中/>

为小波基函数的复合共轭；

使用交互信息法计算任意两个通道之间的线性及非线性相关性；将每个通道的平均功率作为随机变量，通过熵和联合熵计算交互信息；用随机变量F_i表示第i个通道的平均功率信号，用p_s(F_i，b)表示第i个通道的平均功率信号在分块b处的概率密度函数；F_i的熵，即反映其不确定性的平均信息量，用H(F_i)表示；H(F_i)表示为：

式中，b＝1，...，50表示用于构造近似概率密度函数的分块索引，以避免低估较大的样本的熵及高估较小的样本的熵；其联合熵H(F_i，F_j)表示为：

式中，p_c(F_i，b，F_j，b)表示第i个通道的平均功率信号和第j个通道在分块b处平均功率的联合概率密度函数；

计算两个随机通道的时频共融法如下：

时频共融值(TFCMI)是一个指数，它根据两个通道在所选频带上的平均功率变化和信噪比来评估它们之间的关系；通过时频共融值，得出每个通道之间的关系，并得到共融法映射图；因为该模型不包含因果假设，所以时频共融法映射是对称的，这意味着从第i个通道与第j个通道和第j个通道与第i个通道的关系是相同的；

c.共空间模式特征提取：

共空间模式(CSP)是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布特征；共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值达到最大化差异，从而得到具有较高区分度的特征向量；

现有的两类运动想象任务，分别表示为X₁∈R^K×N和X₂∈R^K×N，其中X为运动想象任务，R为脑电信号，K为脑电通道数，N为每个通道的采样点数；忽略噪声产生的影响，X₁和X₂可分别表示为：

式中，S₁、S₂分别代表两种类型的任务，S_M代表两种类型任务下所共有的源信号；S₁是由m₁个源所构成，S₂是由m₂个源所构成，C₁和C₂是由S₁和S₂相关的m₁和m₂个共同空间模式组成；C_M表示的是与S_M相应的共有空间模式；

共空间模式的目标就是设计空间滤波器Filter₁和Filter₂得到空间因子W；

求X₁和X₂的协方差并进行归一化后分别为：

式中，X^T代表X的转置，trace(X)代表矩阵对象元素之和；

然后求复合协方差矩阵：

式中，

和/>

分别表示两类平均协方差矩阵；

由于复合协方差矩阵R_c是正定矩阵，由奇异值分解定理进行分解：

R_c＝UλU^T (8)

式中，U是特征向量矩阵，λ为对应的特征值组成的对角阵；

将特征值按降序排列，就得到白化矩阵：

将矩阵P作用于平均协方差矩阵R₁和R₂可得：

S₁＝PR₁P^T，S₂＝PR₂P^T (10)

对R₁和R₂进行主成分分解，可得：

S₁＝PR₁P^T＝Bλ₁B^T (11)

S₂＝PR₂P^T＝Bλ₂B^T (12)

此时，S₁和S₂有共同的特征向量和相同的特征矩阵B；同时两个特征值λ₁和λ₂的对角阵之和为单位矩阵；所以当一类信号的特征值λ为最大值时，另外一类信号的特征值为最小值，反之亦然；

通过矩阵B就实现两类信号的分类，由此得到空间因子W：

W＝B^TP (13)

将运动想象信号输入空间滤波器中，获得矩阵Z₁取矩阵Z的前n行和后n行构成信呈Z_p，n为CSP的特征选择参数；将原始运动想象信号分为训练集和测试集，根据CSP算法在多电极采集脑电信号特征提取的定义，训练集中代表两种任务特征的特征向量分别用k_p1和k_p2表示：

对于测试集，其特征向量用k_pi表示：

var表示求方差，sum表示求和。将k_pi与k_p1和k_p2进行比较，确定第i次实验所属的任务类型；

d.支持向量机特征分类

将经过预处理的数据切分成训练集和测试集，经过CSP特征提取后的训练集特征，输入支持向量机进行分类模型训练；将测试集输入分类模型，获得分类准确率；

e.结果分析

根据实验结果，分别得到多种通道选择方式的分类准确率结果；具体包括预处理前后实验数据对比图、时频共融法映射，通道关系图、不同通道选择方法正确率对比图。

本实施例基于时频共融的多通道脑电信号通道选择方法有针对性地选择所需要的数据通道，采用共空间模式进行特征提取，支持向量机进行特征分类；本实施例方法在实际运用中，根据不同平台的性能、数据量的大小、计算时间的要求，灵活确定所需通道的数量，按照相关度由高向低，依次选用相关通道作为输入数据，达到缩短计算时间、提升***稳定性目的。

实施例三：

本实施例与上述实施例基本相同，特别之处在于：

在本实施例中，参见图1，一种基于时频共融法的多通道脑电信号的通道选择方法，操作步骤如下：

a.脑电信号预处理

根据上述发明内容a的内容，对采集到的运动想象脑电数据进行预处理；对采集到的脑电数据重采样降频至250Hz；利用小波变换进行基线漂移纠正，并通过一个基于巴特沃斯的二阶IIR滤波器进行通带为8-30Hz的带通滤波；进行8-30Hz带通滤波保留α波及β波频带所包含的运动想象信号特征，同时去除绝大部分肌电噪声干扰；由于眼电信号作为噪声也会存在于8-30Hz频带，因此使用独立成分分析将眼电信号去除，防止其对实验结果产生干扰；最后获得如图2所示的预处理后的脑电波形；

b.时频共融法获取相关性信息

根据上述发明内容b的内容，使用时频共融法分析各通道之间的相关性；首先运用基于小波变换的时频分析方法；首先将预处理过后的数据进行小波变换，获得每个通道、每个频率的时频功率信息，然后对每个通道所选频带的功率进行平均，获得特定频带上功率随时间的变化情况；

使用交互信息法计算任意两个通道之间的线性及非线性相关性；将每个通道的平均功率作为随机变量，通过熵和联合熵计算交互信息；

计算两个随机通道时频共融值；由于实验数据由59个通道组成，最后得到如图3所示一个59×59格式的时频共融法映射图及图4所示的不同通道间相关度图；

c.共空间模式特征提取

根据上述发明内容c的内容，采用共空间模式进行特征提取；将预处理过后的数据按照选择的通道数分为三类数据集，分别是：

(1)采用所有通道的数据划；

(2)根据图4关系图，提取与C3、C4通道及最相关通道，共10个通道的数据；

(3)只采用C3、C4通道的数据；分别对三类数据集划分为训练集与测试集，并使用共空间模式进行特征提取；

d.支持向量机特征分类

根据上述发明内容d的内容，将三类数据集的训练集特征输入支持向量机进行分类模型训练；将测试集输入分类模型，获得如图5所示的三种通道选择方案分类准确率对比图；

e.结果分析

通过支持向量机分类准确率结果得出对于大多数受试者，使用C3、C4及相关的通道的正确率比仅使用C3、C4通道的正确率高，在某些情况下使用C3、C4及相关的通道的正确率也比使用所有通道的正确率高；相对于传统只提取C3、C4通道作为运动想象的特征，提取C3、C4通道及其数个相关通道的特征，在一定程度上提升对任务类型的分类准确性；相对于提取所有通道作为运动想象的特征，提取C3、C4通道及其数个相关通道的特征在大幅减少运算量的基础上，分类正确率没有显著的下降。

本实施例利用基于时频共融法的多通道脑电信号的通道选择方法，设计了运动想象脑电数据处理实验，根据实验结果，本发明的通道选择方法运用于车载信息***或其他对脑电数据处理实时性有一定要求的***中。可以根据实际***性能和实时性要求，有根据地选择通道数目及通道，对脑电信号实时处理优化具有借鉴和指导意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种基于时频共融的多通道脑电信号通道选择方法，其特征在于，其操作步骤如下：

a.脑电信号预处理：

降低采样频率，利用小波变换进行基线漂移修正，带通滤波，独立成分分析去除眼电信号干扰，步骤如下：

对采集到的脑电数据进行预处理；根据需要对所有采集到的脑电数据重采样降频；然后进行基线漂移纠正，并根据研究内容选择滤波通带进行滤波；使用独立成分分析将眼电信号去除，防止其对实验结果产生干扰；

b.时频共融法获取相关性信息

利用时频共融法，获取通道间相关性信息，步骤如下：

整合脑电信号的时间与频率的成分；使用基于小波变换的时频分析方法；将预处理过后的数据进行小波变换，获得每个通道、每个频率的时频功率信息，然后对每个通道所选频带的功率进行平均，获得特定频带上功率随时间的变化情况；相应的小波变换为

其中，

代表第i个通道在时间t时，频率f的功率密度；λ为小波参数；φ_t，f(x)为小波基函数，

其中

为小波基函数的复合共轭；

使用交互信息法计算任意两个通道之间的线性及非线性相关性；将每个通道的平均功率作为随机变量，通过熵和联合熵计算交互信息；用随机变量F_i表示第i个通道的平均功率信号，用p_s(F_i，b)表示第i个通道的平均功率信号在分块b处的概率密度函数；F_i的熵，即反映其不确定性的平均信息量，用H(F_i)表示；H(F_i)表示为：

式中，b＝1，...，50表示用于构造近似概率密度函数的分块索引，以避免低估较大的样本的熵及高估较小的样本的熵；其联合熵H(F_i，F_j)表示为：

式中，p_c(F_i，b，F_j，b)表示第i个通道的平均功率信号和第j个通道在分块b处平均功率的联合概率密度函数；

计算两个随机通道的时频共融法如下：

时频共融值(TFCMI)是一个指数，它根据两个通道在所选频带上的平均功率变化和信噪比来评估它们之间的关系；通过时频共融值，得出每个通道之间的关系，并得到共融法映射图；从第i个通道与第j个通道和第j个通道与第i个通道的关系是相同的；

c.共空间模式特征提取：

利用共空间模式进行特征提取，步骤如下：

共空间模式(CSP)是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布特征；共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值达到最大化差异，从而得到具有较高区分度的特征向量；

现有的两类运动想象任务，分别表示为X₁∈R^K×N和X₂∈R^K×N，其中X为运动想象任务，R为脑电信号，K为脑电通道数，N为每个通道的采样点数；忽略噪声产生的影响，X₁和X₂可分别表示为：

式中，S₁、S₂分别代表两种类型的任务，S_M代表两种类型任务下所共有的源信号；S₁是由m₁个源所构成，S₂是由m₂个源所构成，C₁和C₂是由S₁和S₂相关的m₁和m₂个共同空间模式组成；C_M表示的是与S_M相应的共有空间模式；

共空间模式的目标就是设计空间滤波器Filter₁和Filter₂得到空间因子W；

求X₁和X₂的协方差并进行归一化后分别为：

式中，X^T代表X的转置，trace(X)代表矩阵对象元素之和；

然后求复合协方差矩阵：

式中，

和

分别表示两类平均协方差矩阵；

由于复合协方差矩阵R_c是正定矩阵，由奇异值分解定理进行分解：

R_c＝UλU^T (8)

式中，U是特征向量矩阵，λ为对应的特征值组成的对角阵；

将特征值按降序排列，就得到白化矩阵：

将矩阵P作用于平均协方差矩阵R₁和R₂可得：

S₁＝PR₁P^T，S₂＝PR₂P^T (10)

对R₁和R₂进行主成分分解，可得：

S₁＝PR₁P^T＝Bλ₁B^T (11)

S₂＝PR₂P^T＝Bλ₂B^T (12)

此时，S₁和S₂有共同的特征向量和相同的特征矩阵B；同时两个特征值λ₁和λ₂的对角阵之和为单位矩阵；所以当一类信号的特征值λ为最大值时，另外一类信号的特征值为最小值，反之亦然；

通过矩阵B就实现两类信号的分类，由此得到空间因子W：

W＝B^TP (13)

将运动想象信号输入空间滤波器中，获得矩阵Z；取矩阵Z的前n行和后n行构成信号Z_p，n为CSP的特征选择参数；将原始运动想象信号分为训练集和测试集，根据CSP算法在多电极采集脑电信号特征提取的定义，训练集中代表两种任务特征的特征向量分别用k_p1和k_p2表示：

对于测试集，其特征向量用k_pr表示：

var表示求方差，sum表示求和，将k_pr与k_p1和k_p2进行比较，确定第r次实验所属的任务类型；

d.支持向量机特征分类

利用支持向量机，进行分类模型训练，将测试集输入分类模型，获得分类准确率数据，步骤如下：

将经过预处理的数据切分成训练集和测试集，经过CSP特征提取后的训练集特征，输入支持向量机进行分类模型训练；将测试集输入分类模型，获得分类准确率；

e.结果分析

进行结果分析，根据结果信息，分别得到多种通道选择方式的分类准确率结果，步骤如下：

根据实验结果，分别得到多种通道选择方式的分类准确率结果；具体包括预处理前后实验数据对比图、时频共融法映射，通道关系图、不同通道选择方法正确率对比图。

Images