CN113017648B - 一种脑电信号识别方法和*** - Google Patents
一种脑电信号识别方法和*** Download PDFInfo
- Publication number
- CN113017648B CN113017648B CN202110291294.8A CN202110291294A CN113017648B CN 113017648 B CN113017648 B CN 113017648B CN 202110291294 A CN202110291294 A CN 202110291294A CN 113017648 B CN113017648 B CN 113017648B
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- characteristic
- transfer function
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012546 transfer Methods 0.000 claims abstract description 63
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000010219 correlation analysis Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 46
- 210000004556 brain Anatomy 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 230000000638 stimulation Effects 0.000 claims description 17
- 238000012880 independent component analysis Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 26
- 238000012706 support-vector machine Methods 0.000 description 18
- 230000000007 visual effect Effects 0.000 description 14
- 230000000763 evoking effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 210000005036 nerve Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000010205 Cola acuminata Nutrition 0.000 description 1
- 244000228088 Cola acuminata Species 0.000 description 1
- 235000015438 Cola nitida Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种脑电信号识别方法和***。所述脑电信号识别方法在对脑电数据进行预处理之后,分别利用典型相关分析(CCA)算法和直接传递函数(DTF)算法对脑电信号进行处理,得到两类不同的特征信号(第一特征信号和第二特征信号),对两类不同的特征信号进行特征融合得到融合信号后,采用SVM分类器根据融合信号精确得到脑电识别准确率,进而解决脑机接口性能低下的问题。
Description
技术领域
本发明涉及信号处理技术领域,特别是涉及一种脑电信号识别方法和***。
背景技术
林忠林将典型相关分析(canonical correlation analysis,CCA)应用于稳态视觉诱发电位(steady-state visual evoked potentials,SSVEP)的频率成分分析。该方法的实质是提取脑电稳态视觉诱发电位的一个窄带频率分量。提出了一种基于提取频率特征的脑机接口识别方法。该方法的识别率高于基于快速傅立叶变换(fast Fouriertransform,FFT)的谱估计方法。Elisavet、Chatzilari等人提出了CCA结合支持向量机(Support Vector Machine,SVM)的一系列方法将CCA通常使用的“最大”分类器替换为基于SVM的分类器,该分类器对CCA产生的相关权重进行操作。提出的方法受益于CCA固有的多通道性质以及SVM的鲁棒性和泛化能力。
上述两种方法的缺陷为:基于典型相关分析的稳态视觉诱发电位脑机接口(brain—computerinterf,BCI)算法是一种无监督学习的算法,对于典型相关分析的研究取得了相对满意的结果,但是该算法在短时间内(2秒)对于目标的识别正确率较低,无法适应短时间的作业需求。典型相关分析结合支持向量机(SVM)的算法把典型相关分析的系数作为特征进行提取并分类,是无监督学习到有监督学习的转换。但是该算法只考虑到了脑电通道的固有特征,对于之后支持向量机的要求较高,没有考虑到各个通道之间的因果特性。
闫铮、高小榕等人研究了稳态视觉诱发电位的功能连接性。将定向传递函数(Directed Transfer Function,DTF)应用于脑电记录的皮层信号(EEG)以获得连通模式。提出了流量增益评估的具体作用以及参与信息传递过程的大脑区域。发现网络连接存在枕部以外的许多区域。8–12Hz和13–30Hz的流量增益图显示顶叶区域似乎是信息传递的唯一枢纽。低频区的流量增益较大。该方法的缺陷在于:在这项研究虽然将功能连通性引入到稳态视觉诱发电位中,首次探索稳态视觉诱发电位过程中大脑信息的交换与处理的过程,但是该研究没有把各个通道的因果连接性放入到目标频率的辨识中,无法进一步提升脑机接口的性能。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种脑电信号识别方法和***。
为实现上述目的,本发明提供了如下方案:
一种脑电信号识别方法,包括:
获取脑电数据;
对所述脑电数据进行预处理得到预处理脑电信号;
采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号;
采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号;
对所述第一特征信号和所述第二特征信号进行特征融合得到融合信号;
采用SVM分类器根据所述融合信号得到识别结果;所述识别结果为脑电识别准确率。
优选地,所述对所述脑电数据进行预处理得到预处理脑电信号,具体包括:
采用数字带通滤波器对所述脑电数据进行去噪处理得到去噪信号;
采用独立成分分析法对所述去噪信号进行处理得到提取信号;所述提取信号即为预处理脑电信号。
优选地,所述采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号,具体包括:
获取脑电参数;所述脑电参数包括:刺激频率、谐波数量、采样点数和采样频率;
根据所述脑电参数构建参考信号模型;
获取多通道脑电信号;
根据所述多通道脑电信号和所述参考信号模型确定相关系数;
以所述相关系数形成的矩阵作为所述第一特征信号。
优选地,所述采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号,具体包括:
利用多变量自回归模型拟合所述多通道脑电信号得到拟合模型;
根据所述拟合模型得到***传递矩阵;
根据所述***传递矩阵确定直接传递函数矩阵;
根据所述传递函数矩阵确定所述第二特征信号。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的脑电信号识别方法,在对脑电数据进行预处理之后,分别利用典型相关分析(CCA)算法和直接传递函数(DTF)算法对脑电信号进行处理,得到两类不同的特征信号(第一特征信号和第二特征信号),对两类不同的特征信号进行特征融合得到融合信号后,采用SVM分类器根据融合信号精确得到脑电识别准确率,进而解决脑机接口性能低下的问题。
此外,对应于上述提供的脑电信号识别方法,本发明还提供了一种脑电信号识别***,该脑电信号识别***,包括:
脑电数据获取模块,用于获取脑电数据;
预处理模块,用于对所述脑电数据进行预处理得到预处理脑电信号;
第一特征信号确定模块,用于采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号;
第二特征信号确定模块,用于采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号;
特征融合模块,用于对所述第一特征信号和所述第二特征信号进行特征融合得到融合信号;
识别模块,用于采用SVM分类器根据所述融合信号得到识别结果;所述识别结果为脑电识别准确率。
优选地,所述预处理模块具体包括:
去噪单元,用于采用数字带通滤波器对所述脑电数据进行去噪处理得到去噪信号;
提取单元,用于采用独立成分分析法对所述去噪信号进行处理得到提取信号;所述提取信号即为预处理脑电信号。
优选地,所述第一特征信号确定模块具体包括:
脑电参数获取单元,用于获取脑电参数;所述脑电参数包括:刺激频率、谐波数量、采样点数和采样频率;
参考信号模型构建单元,用于根据所述脑电参数构建参考信号模型;
多通道脑电信号获取单元,用于获取多通道脑电信号;
相关系数确定单元,用于根据所述多通道脑电信号和所述参考信号模型确定相关系数;
第一特征信号确定确定单元,用于以所述相关系数形成的矩阵作为所述第一特征信号。
优选地,所述第二特征信号确定模块具体包括:
拟合模型确定单元,用于利用多变量自回归模型拟合所述多通道脑电信号得到拟合模型;
***传递矩阵确定单元,用于根据所述拟合模型得到***传递矩阵;
直接传递函数矩阵确定单元,用于根据所述***传递矩阵确定直接传递函数矩阵;
第二特征信号确定单元,用于根据所述传递函数矩阵确定所述第二特征信号。
因本发明提供的脑电信号识别***所达到的技术目的与上述提供的脑电信号识别方法所达到的技术目的相同,所以在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的脑电信号识别方法的流程图;
图2为本发明实施例提供的脑电信号识别方法的流程框图;
图3为本发明实施例提供的刺激界面的示意图;
图4为本发明提供的脑电信号识别***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种脑电信号识别方法和***,以提高脑电信号识别正确率,进而解决脑机接口性能低下的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示,本发明提供的脑电信号识别方法,包括:
步骤100:获取脑电数据。
步骤101:对脑电数据进行预处理得到预处理脑电信号。
步骤102:采用相关分析法提取预处理脑电信号的特征,得到第一特征信号。
步骤103:采用定向传递函数提取预处理脑电信号的特征,得到第二特征信号。
步骤104:对第一特征信号和第二特征信号进行特征融合得到融合信号。
步骤105:采用SVM分类器根据融合信号得到识别结果。识别结果为脑电识别准确率。
进一步,在上述步骤100中,本发明优选使用Psych-toolbox软件在LCD上制作产生稳态视觉诱发电位(Steady-StateVisual Evoked Potential,SSVEP)信号的刺激界面,然后利用BP公司的脑电仪器采集脑电信号。
稳态视觉诱发电位属于视觉诱发电位,是指当人眼受到一个恒定频率(通常大于4Hz)的视觉刺激时,大脑视觉皮层会自动产生与刺激频率及其谐波频率同频率的响应。刺激界面如图3所示,屏幕上有4个黑白闪烁的矩形色块,分别以8HZ、10HZ、12HZ和15HZ的频率进行闪烁。当人眼注视某一闪烁的色块时,人脑的枕区部分会产生对应的频率响应,本发明以针对这一信号响应为主要处理对象进行说明,在具体应用过程中,本发明的识别方法也适用于其他脑电信号的处理。脑机接口控制设备主要是把经过处理的脑电信号转换为外部设备的控制指令输出,从而控制外部设备实现与外界进行交互的目的。在稳态视觉诱发电位的脑机实验中,不同的频率对应不同的命令。被试者相应的观察屏幕不同频率的刺激,经过对应算法的识别,在下位机可以得到不同的命令。
脑电采集设备是德国BP公司的产品,主要包括放大器、32导脑电帽、笔记本电脑和脑电分析仪。通过该设备本发明将采集到的脑电信号转化为可处理的格式,并用matlab软件对其进行处理。
进一步,为了提高脑电信号的信噪比,上述步骤101具体包括:
采用数字带通滤波器对脑电数据进行去噪处理得到去噪信号。
采用独立成分分析法对去噪信号进行处理得到提取信号。提取信号即为预处理脑电信号。
步骤101的具体实施过程和原理为:
脑电信号是一种低信噪比的生物电信号,信号幅度十分微弱,信号中包含大量的噪声和伪迹,噪声的来源有很多种,包括非神经源噪声和神经源噪声。其中非神经源噪声有眼动伪迹、肌电干扰、工频干扰等。而神经源噪声,包括自发的与稳态视觉诱发电位(SSVEP)无关的信号,或者与感兴趣特征脑电无关的其他特征信号。这些不需要的信号应尽可能地去除。因此在数据处理中需要首先对信号进行预处理,尽量保留原始信号中的有用信息并去除噪声。针对不同的噪声和伪迹,常用的预处理方法包括主成分分析、独立成分分析、带通滤波、典型相关分析和回归等。
本发明优选采用FIR数字带通滤波器来进行噪声的消除,以具有实现方便、消噪效果明显的优点。伪迹去除选择独立成分分析(Independent Component Analysis,ICA)对滤波后的信号进行处理。其中,ICA的思想来自中心极限定理:一组具有同一数量级的均值与方差的随机变量共同作用的结果必接近高斯分布,因此对相互统计独立的信源通过线性组合产生的一组混合信号的分离结果进行非高斯性度量,当其非高斯性达到最大时,可以认为混合信号得到了最佳分离。ICA处理过程是使分离出来的各个独立分量在最大程度上逼近于各个源信号,即建立日标函数以寻优来实现逼近。理论上认为脑电信号中的眼电、肌电等干扰信号都是相互独立的信源产生的,因此可以通过ICA方法可以提取出有用的脑电信号。
进一步,特征提取是脑机接口***的核心部分,目的是为了提取特定的特征用于对不同类别的信号进行分类。在稳态视觉诱发电位脑机接口范式中,传统的特征提取方法有快速傅里叶变换、功率谱密度分析、小波变换和典型相关分析(CCA)等等。其中典型相关分析(CCA)的应用最为广泛。典型相关分析(CCA)是利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。它的基本原理是:为了从总体上把握两组指标之间的相关关系,分别在两组变量中提取有代表性的两个综合变量U1和V1(分别为两个变量组中各变量的线性组合),利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。
典型相关分析(CCA)是一种多变量的统计方法,通过寻找线性组合使得两组信号投影后的向量之间的相关系数最大,是普通的向量之间的相关分析扩展。当使用典型相关分析(CCA)进行频率识别时,同样需要构造如下式所示的参考信号(即参考信号模型):
其中,fk表示刺激频率,Nh表示谐波数量,M表示采样点数,Fs则表示采样频率。
典型相关分析(CCA)的核心是找到两个线性组合Wx和Wy使得x=XTWx和y=YTWy之间的相关系数最大,需要求解式(2)的优化问题:
采集的多通道脑电信号X和参考信号Y之间所求得的相关系数就是提取的部分特征,将这一部分的特征(即第一特征信号)与用直接传递函数(DTF)算法提取出来的特征进行融合得到总体特征。
基于以上相关分析法的具体特征提取过程,上述步骤102具体包括:
获取脑电参数。脑电参数包括:刺激频率、谐波数量、采样点数和采样频率。
根据脑电参数构建参考信号模型【即公式(1)】。
获取多通道脑电信号。
根据多通道脑电信号和参考信号模型确定相关系数【即公式(2)】。
以相关系数形成的矩阵作为第一特征信号。
进一步,直接传递函数(DTF)是基于Granger因果理论发展而来的。Granger因果理论可以被理解为可预测性,它是一种估计一个时间序列是否有助于预测另一个时间序列的方法。与同结构方程模型(Structural Equation Modeling,SEM)、动态因果模型(dynamiccausal modelling,DCM)等相同,直接传递函数(DTF)也是一种模型方法,它的模型建立在多变量自回归模型基础上。已知时间为t、N为导联数,那么EEG波形X可以用式(3)描述:
X=[x1(t),x2(t),…xN(t)]T (3)
利用多变量自回归模型(multivariate regression model,MVAR)拟合多通道脑电信号X(EEG波形X)得到式(4):
式中,N×N矩阵Λ(k)中的元素是MVAR模型的参数,E(t)多参量零均值白噪向量。p是MVAR模型的阶次,阶次的大小会影响MVAR拟合的效果。为之后的计算需要,将式(4)转换到频域为:
X(f)=Λ-1(f)E(f)=H(f)E(f) (5)
式中,H(f)为***传递矩阵。H(f)中元素Hij的值描述了以j为输入,i为输出的两个导联间的连接强度。从公式(4)-(6)可以看出,MVAR模型相当于一个黑箱子,噪声为输入,经过拟合输出信号。所有的频谱特征信息和导联间的连接信息都包含在***传递矩阵H(f)中。由此,按照Kaminski的定义,可以构建直接传递函数(DTF)矩阵为:
本发明中使用归一化的直接传递函数(DTF),定义如下:
根据公式(8)便可以得到带有方向的连接信息,结果以矩阵的形式组织,一次方时称之为连接矩阵。将得到的矩阵排列成一排得到关于直接传递函数(DTF)的网络特征,将该特征利用相关系数进行特征筛选,得到最能体现各个通道之间的连接特性的特征,即为直接传递函数(DTF)的网络特征,再与典型相关分析(CCA)相关系数相结合,就是最后的代表各个刺激频率响应的特征(即第二特征信号)。
基于此,本发明上述提供的步骤103优选包括:
利用多变量自回归模型拟合多通道脑电信号得到拟合模型。
根据拟合模型得到***传递矩阵。
根据***传递矩阵确定直接传递函数矩阵。
根据传递函数矩阵确定第二特征信号。
进一步,在实际应用中需要根据提取的脑电特征和分类数目选择合适的分类器。常用的线性分类器主要有线性支持向量机和线性判别分析。常用的非线性分类器有神经网络、非线性支持向量机和隐马尔科夫模型等。还有研究者将由多个分类器组成的组合分类器应用于脑机接口***并取得了较好的效果。现在,支持向量机(SVM)己经被成功应用到多个实际分类问题中,例如手写体数字识别、文本分类、人脸识别、语音识别等,所以本发明在步骤105中优选采用支持向量机(SVM)进行脑电信号特征的分类。
综上,本发明提供的脑电信号识别方法,通过典型相关分析(CCA)提取的特征(第一特征信号)与直接传递函数(DTF)提取的网络特征(第二特征信号)相融合,得到新的可代表稳态视觉诱发电位(SSVEP)脑电信号的特征(融合特征信号),放入分类器中,得到更高的目标识别准确率。
目标识别准确率是研究脑机接口的关键部分。随着目标识别准确率的提升,在线脑机接口的精准度便可有较大幅度的增长。现有技术主要是想将目标识别准确率用于那些由于疾病或者意外事故等因素造成部分或者全部运动能力、交流能力丧失的人群,修复或替代他们这些丧失的能力,提高他们的生活质量。在康复领域脑机接口为那些肌肉神经损伤而大脑健全的人提供了提高生活质量的可能。通过脑机接口***,人们可以用自主控制的肌肉代替受损的肌肉。或者通过反馈训练,恢复和加强大脑对受损神经的控制作用。或者使信息传递直接跳过神经传输线路上受损的部分,从而恢复神经通路的信息通畅。还可以直接使用EEG代替肌肉控制外部设备,例如脑电控轮椅、脑机接口家电集成控制、脑机接口的字符输入和电话拨号***的研发便实现了这方面的作用。因此脑电信号准确率的识别对脑机接口具有十分重要的研究意义。
此外,对应于上述提供的脑电信号识别方法,本发明还提供了一种脑电信号识别***,如图4所示,该脑电信号识别***包括:脑电数据获取模块1、预处理模块2、第一特征信号确定模块3、第二特征信号确定模块4、特征融合模块5和识别模块6。
其中,脑电数据获取模块1用于获取脑电数据。
预处理模块2用于对脑电数据进行预处理得到预处理脑电信号。
第一特征信号确定模块3用于采用相关分析法提取预处理脑电信号的特征,得到第一特征信号。
第二特征信号确定模块4用于采用定向传递函数提取预处理脑电信号的特征,得到第二特征信号。
特征融合模块5用于对第一特征信号和第二特征信号进行特征融合得到融合信号。
识别模块6用于采用SVM分类器根据融合信号得到识别结果。识别结果为脑电识别准确率。
作为本发明的一优选实施例,上述预处理模块2具体包括:去噪单元和提取单元。
其中,去噪单元用于采用数字带通滤波器对脑电数据进行去噪处理得到去噪信号。
提取单元用于采用独立成分分析法对去噪信号进行处理得到提取信号。提取信号即为预处理脑电信号。
作为本发明的另一优选实施例,上述第一特征信号确定模块3具体包括:脑电参数获取单元、参考信号模型构建单元、多通道脑电信号获取单元、相关系数确定单元和第一特征信号确定确定单元。
其中,脑电参数获取单元用于获取脑电参数。脑电参数包括:刺激频率、谐波数量、采样点数和采样频率。
参考信号模型构建单元用于根据脑电参数构建参考信号模型。
多通道脑电信号获取单元用于获取多通道脑电信号。
相关系数确定单元用于根据多通道脑电信号和参考信号模型确定相关系数。
第一特征信号确定确定单元用于以相关系数形成的矩阵作为第一特征信号。
作为本发明的又一优选实施例,上述第二特征信号确定模块4具体包括:拟合模型确定单元、***传递矩阵确定单元、直接传递函数矩阵确定单元和第二特征信号确定单元。
其中,拟合模型确定单元用于利用多变量自回归模型拟合多通道脑电信号得到拟合模型。
***传递矩阵确定单元用于根据拟合模型得到***传递矩阵。
直接传递函数矩阵确定单元用于根据***传递矩阵确定直接传递函数矩阵。
第二特征信号确定单元用于根据传递函数矩阵确定第二特征信号。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种脑电信号识别方法,其特征在于,包括:
获取脑电数据;
对所述脑电数据进行预处理得到预处理脑电信号;
采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号;
采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号;
对所述第一特征信号和所述第二特征信号进行特征融合得到融合信号;
采用SVM分类器根据所述融合信号得到识别结果;所述识别结果为脑电识别准确率;
所述采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号,具体包括:
获取脑电参数;所述脑电参数包括:刺激频率、谐波数量、采样点数和采样频率;
获取多通道脑电信号;
根据所述多通道脑电信号和所述参考信号模型确定相关系数;
以所述相关系数形成的矩阵作为所述第一特征信号;
所述采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号,具体包括:
利用定向传递函数得到直接传递函数矩阵,将得到的直接传递函数矩阵排列成一排得到关于直接传递函数的网络特征,将所述网络特征利用相关系数进行特征筛选,得到最能体现各个通道之间的连接特性的特征,再与典型相关分析相关系数相结合,就是最后的代表各个刺激频率响应的特征,即第二特征信号。
2.根据权利要求1所述的脑电信号识别方法,其特征在于,所述对所述脑电数据进行预处理得到预处理脑电信号,具体包括:
采用数字带通滤波器对所述脑电数据进行去噪处理得到去噪信号;
采用独立成分分析法对所述去噪信号进行处理得到提取信号;所述提取信号即为预处理脑电信号。
3.根据权利要求1所述的脑电信号识别方法,其特征在于,所述采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号,具体包括:
利用多变量自回归模型拟合所述多通道脑电信号得到拟合模型;
根据所述拟合模型得到***传递矩阵;
根据所述***传递矩阵确定直接传递函数矩阵;
根据所述传递函数矩阵确定所述第二特征信号。
4.一种脑电信号识别***,其特征在于,包括:
脑电数据获取模块,用于获取脑电数据;
预处理模块,用于对所述脑电数据进行预处理得到预处理脑电信号;
第一特征信号确定模块,用于采用相关分析法提取所述预处理脑电信号的特征,得到第一特征信号;
第二特征信号确定模块,用于采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号;所述采用定向传递函数提取所述预处理脑电信号的特征,得到第二特征信号,具体包括:利用定向传递函数得到直接传递函数矩阵,将得到的直接传递函数矩阵排列成一排得到关于直接传递函数的网络特征,将所述网络特征利用相关系数进行特征筛选,得到最能体现各个通道之间的连接特性的特征,再与典型相关分析相关系数相结合,就是最后的代表各个刺激频率响应的特征,即第二特征信号;
特征融合模块,用于对所述第一特征信号和所述第二特征信号进行特征融合得到融合信号;
识别模块,用于采用SVM分类器根据所述融合信号得到识别结果;所述识别结果为脑电识别准确率;
所述第一特征信号确定模块具体包括:
脑电参数获取单元,用于获取脑电参数;所述脑电参数包括:刺激频率、谐波数量、采样点数和采样频率;
多通道脑电信号获取单元,用于获取多通道脑电信号;
相关系数确定单元,用于根据所述多通道脑电信号和所述参考信号模型确定相关系数;
第一特征信号确定确定单元,用于以所述相关系数形成的矩阵作为所述第一特征信号。
5.根据权利要求4所述的脑电信号识别***,其特征在于,所述预处理模块具体包括:
去噪单元,用于采用数字带通滤波器对所述脑电数据进行去噪处理得到去噪信号;
提取单元,用于采用独立成分分析法对所述去噪信号进行处理得到提取信号;所述提取信号即为预处理脑电信号。
6.根据权利要求4所述的脑电信号识别***,其特征在于,所述第二特征信号确定模块具体包括:
拟合模型确定单元,用于利用多变量自回归模型拟合所述多通道脑电信号得到拟合模型;
***传递矩阵确定单元,用于根据所述拟合模型得到***传递矩阵;
直接传递函数矩阵确定单元,用于根据所述***传递矩阵确定直接传递函数矩阵;
第二特征信号确定单元,用于根据所述传递函数矩阵确定所述第二特征信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291294.8A CN113017648B (zh) | 2021-03-18 | 2021-03-18 | 一种脑电信号识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291294.8A CN113017648B (zh) | 2021-03-18 | 2021-03-18 | 一种脑电信号识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113017648A CN113017648A (zh) | 2021-06-25 |
CN113017648B true CN113017648B (zh) | 2023-03-24 |
Family
ID=76471492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291294.8A Active CN113017648B (zh) | 2021-03-18 | 2021-03-18 | 一种脑电信号识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017648B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741691A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种运动意图精准捕捉的脑肌电信息同步***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2158750A1 (en) * | 1994-01-21 | 1995-07-27 | Merl F. Hoekstra | Monoclonal antibodies to casein kinase i polypeptides |
CN103942424A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法 |
CN103989482A (zh) * | 2013-12-26 | 2014-08-20 | 应俊 | 用于幻听检测的声音刺激器及用于幻听检测的装置 |
CN109363671A (zh) * | 2018-10-30 | 2019-02-22 | 中国人民解放军战略支援部队信息工程大学 | 基于ssvep与erp融合的情绪动态脑网络图的构建方法 |
CN109923817A (zh) * | 2016-11-04 | 2019-06-21 | Lg 电子株式会社 | 在无线通信***中在终端和基站之间发送和接收物理上行链路控制信道的方法和支持该方法的装置 |
CN110192878A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号定向转移函数的测谎方法 |
WO2020032639A1 (ko) * | 2018-08-10 | 2020-02-13 | 엘지전자 주식회사 | 다수의 밴드를 지원하는 무선랜 시스템에서 스테이션의 동작을 위한 정보를 송신하는 방법 및 장치 |
CN111712193A (zh) * | 2018-02-14 | 2020-09-25 | 塞勒尼恩有限公司 | 用于脑电图测量的设备和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007240690A1 (en) * | 2006-04-21 | 2007-11-01 | Regents Of The University Of Minnesota | System and method for ictal source analysis |
CN107616793A (zh) * | 2017-09-18 | 2018-01-23 | 电子科技大学 | 一种具有癫痫发作预测功能的脑电监测装置及方法 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及*** |
CN111528836B (zh) * | 2020-05-06 | 2023-04-28 | 北京工业大学 | 基于动态定向传递函数的脑功能网络特征提取方法 |
CN111631907B (zh) * | 2020-05-31 | 2022-06-03 | 天津大学 | 基于脑机交互混合智能的脑卒中患者手部康复*** |
-
2021
- 2021-03-18 CN CN202110291294.8A patent/CN113017648B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2158750A1 (en) * | 1994-01-21 | 1995-07-27 | Merl F. Hoekstra | Monoclonal antibodies to casein kinase i polypeptides |
CN103989482A (zh) * | 2013-12-26 | 2014-08-20 | 应俊 | 用于幻听检测的声音刺激器及用于幻听检测的装置 |
CN103942424A (zh) * | 2014-04-13 | 2014-07-23 | 北京师范大学 | 一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法 |
CN109923817A (zh) * | 2016-11-04 | 2019-06-21 | Lg 电子株式会社 | 在无线通信***中在终端和基站之间发送和接收物理上行链路控制信道的方法和支持该方法的装置 |
CN111712193A (zh) * | 2018-02-14 | 2020-09-25 | 塞勒尼恩有限公司 | 用于脑电图测量的设备和方法 |
WO2020032639A1 (ko) * | 2018-08-10 | 2020-02-13 | 엘지전자 주식회사 | 다수의 밴드를 지원하는 무선랜 시스템에서 스테이션의 동작을 위한 정보를 송신하는 방법 및 장치 |
CN109363671A (zh) * | 2018-10-30 | 2019-02-22 | 中国人民解放军战略支援部队信息工程大学 | 基于ssvep与erp融合的情绪动态脑网络图的构建方法 |
CN110192878A (zh) * | 2019-05-24 | 2019-09-03 | 中南民族大学 | 基于多导脑电信号定向转移函数的测谎方法 |
Non-Patent Citations (17)
Title |
---|
Canonical correlation between LFP network and spike network during working memory task in rat;Yi, Hu;Zhang, Xiaofan;Bai, Wenwen;《BEHAVIOURAL BRAIN RESEARCH》;20150801;第289卷;全文 * |
StatNet: Statistical Image Restoration for Low-Dose CT using Deep Learning;Choi, Kihwan;Lim, Joon Seok;Kim, Sungwon Kim;《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》;20201031;第14卷(第6期);全文 * |
不同难度的视觉任务认知决策过程脑机制的研究;崔俭俭;《CNKI》;20210215;全文 * |
中国茧丝绸产品垂直关联价格波动与传递关系的研究;李建琴,卢逸,孔伟杰.;《蚕业科学》;20151231;第41卷(第4期);全文 * |
事件相关电位的提取和效应连接分析方法研究;吴超华;《CNKI》;20171215;全文 * |
四川大豆地方品种群体在南京的遗传变异特点;罗潮洲等;《南京农业大学学报》;19930228(第01期);全文 * |
基于同步性脑网络的支持张量机情绪分类研究;黄丽亚,苏义博,马捃凯,丁威威,宋传承;《电子与信息学报》;20201231;第42卷(第10期);全文 * |
基于向量空间模型和专利文献特征的相似专利确定方法;陈芨熙等;《浙江大学学报(工学版)》;20091015(第10期);全文 * |
基于生理参数的头相关传输函数的定制;刘雪洁;《CNKI》;20150115;全文 * |
基于神经影像的多尺度动态有向连接理论与算法研究;吴国榕;《CNKI》;20140515;全文 * |
基于经验模式分解(EMD)的脑信号研究;杨晨;《CNKI》;20160615;全文 * |
大尺度功能脑网络连接分析;魏慧琳;《CNKI》;20180415;全文 * |
神经反馈提升注意及SSVEP脑机接口使用技能;孙劲男,张山根,高小榕.;《中国生物医学工程学报》;20210220;第40卷(第1期);全文 * |
薄壁零件的切削颤振研究进展;汪通悦,何宁,李亮,孙全平;《淮阴工学院学报》;20141231;第23卷(第1期);全文 * |
蚊虫群落与环境因素关系的地理信息***分析;刘美德,王学忠,赵彤言,杜尊伟,董言德,李菊昇,朱礼华,陆宝麟;《中国公共卫生》;20081231;全文 * |
音乐情感的脑电信号分析技术及神经机制研究;李洪伟;《CNKI》;20190115;全文 * |
鸽子目标导向行为中的神经信息流分析;董永慧.;《万方》;20180920;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113017648A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练*** | |
Doulah et al. | Wavelet domain feature extraction scheme based on dominant motor unit action potential of EMG signal for neuromuscular disease classification | |
CN109784023B (zh) | 基于深度学习的稳态视觉诱发脑电身份识别方法及*** | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
Lee et al. | A brain-wave-actuated small robot car using ensemble empirical mode decomposition-based approach | |
US11221672B2 (en) | Asymmetric EEG-based coding and decoding method for brain-computer interfaces | |
Baali et al. | A transform-based feature extraction approach for motor imagery tasks classification | |
CN104548347A (zh) | 一种纯意念神经肌肉电刺激控制与神经功能评价*** | |
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 | |
CN111598453B (zh) | 基于虚拟场景中执行力的操控工效分析方法、设备及*** | |
CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及*** | |
CN111553617B (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及*** | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别*** | |
CN108363493A (zh) | 基于脑机接口的用户特征模型建立方法、***及存储介质 | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及*** | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
CN109871831B (zh) | 一种情感识别方法及*** | |
CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
CN111544015A (zh) | 基于认知力的操控工效分析方法、设备及*** | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
CN101703405A (zh) | 基于小波分析和Welch算法的身份识别方法 | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
CN113017648B (zh) | 一种脑电信号识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |