CN114358090B - 一种基于psd和csp的运动想象脑电信号分类方法 - Google Patents
一种基于psd和csp的运动想象脑电信号分类方法 Download PDFInfo
- Publication number
- CN114358090B CN114358090B CN202210134799.8A CN202210134799A CN114358090B CN 114358090 B CN114358090 B CN 114358090B CN 202210134799 A CN202210134799 A CN 202210134799A CN 114358090 B CN114358090 B CN 114358090B
- Authority
- CN
- China
- Prior art keywords
- psd
- feature
- matrix
- csp
- data
- 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 30
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 210000004556 brain Anatomy 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000001428 peripheral nervous system Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000002570 electrooculography Methods 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (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PSD和CSP的运动想象脑电信号分类方法，属于脑机接口技术领域。该方法包括：S1：信号输入：对输入的脑电信号进行通道和时间序列选择；S2：对选择的脑电信号预处理；S3：特征提取：首先提取功PSD特征和CSP特征，然后将PSD特征和CSP特征进行串行融合，即加权和正则化，从而得到融合特征；S4：分类：采用SVM对测试集进行分类。本发明解决了共空间模式对噪声敏感问题并且弥补了缺少频率特征信息的缺点；另外，本发明具有较高的识别率和较快的学习速度。
Description
技术领域
本发明属于脑机接口技术领域，涉及一种基于PSD和CSP的运动想象脑电信号分类方法。
背景技术
脑机接口(BCI)***旨在采集和解码脑电信号，建立无需***神经***及其肌肉组织参与即可实现控制的设备。近几年来，随着神经科学、计算机技术、信号处理技术、材料学的迅猛发展，一项无需***神经***及肌肉组织就可实现人与外界环境沟通和控制的***——脑机接口(Brain Computer InterfaceBCI)发展迅速基于EEG脑机接口的研究主要有3种类型：P300脑机接口、SSVEP脑机接口、运动想象脑机接口。
由于脑电信号的非平稳性、非线性、信噪比低、强度弱以及时变等特点；且人的活动由大脑内多个区域协调完成，因此MI数据采集时需要较多的电极。但是对于应用设备而言必须是小型化，需要研究在有限电极条件下有效地反映时间、频率和空间特征的特征提取算法，从而提高对运动想象的识别率。对于基于特征提取的MI-BCI***而言，特征提取主要是估计各域(时域、频域、时频域、空域)中的特征参数。
近几年国内外的研究者们还引入了非线性动力学参数(近似熵、样本熵、模糊熵)来提取MI特征也取得了较高的准确率。为提取时域特征，首先使用滤波器对脑电信号去噪，然后计算滤波后的相关参数：幅值、方差、均值、偏歪度等；使用自回归(AR)和自适应自回归(AAR)参数等方法，通过分析运动想象EEG信号的ERD和ERS现象来提取频域特征。在频域中提取信号在频率上的变化，例如文献“李丽君,黄思娟,吴效明,等.基于运动想象的脑电信号特征提取与分类[C]//广东省生物医学工程学会成立30周年纪念大会暨2010广州(国际)生物医学工程学术大会”中的功率谱密度方法直观的展现了运动想象EEG信号在8-30hz内的能量分布，但是缺少脑电信号的空间特征信息，如果结合各通道之间变化的空间域特征更能使特征信息表征运动想象任务时信号的变化。为了使特征同时拥有时域和频域特征，可以通过傅里叶变换或者小波变换把信号从时域转换到频域进行分析。基于傅里叶变换和小波变换以及其各种衍生，在MI分类中已取得很好的性能。为了反映脑电信号的空间特征以及各通道之间的关联性，研究人员已将共空间模式(CSP)用来对MI信号进行特征提取。例如提出了最优区域共空间模式，针对不同通道选择问题。文献“孟明,尹旭,高云园,等.运动想象脑电的块选择共空间模式特征提取[J].控制理论与应用,2021,38(3):8”中对同时对频带和通道进行块选择共空间模式特征提取方法，依据阈值对数据块的选择；混合小波和共空间模式的特征提取方法，表征了左右手运动想象脑电信号的时频空特征。但是以上方法均没有解决共空间模式对噪声和异常值敏感等问题。
现今大多数的研究者们运动想象分类的研究中采用单一域的特征提取方法对MI-EEG提取特征向量，再结合分类器进行分类，导致准确率不高并且带有算法各自的缺点问题。但是单一的特征提取并不能有效的提取其他域的隐含信息，并且各自伴有不同的缺点。例如共空间模式的特征提取方法虽然性能优良，但存在拟合过度、对噪声和异常值敏感等问题。并且提取的特征没有EGG信号的频域特征。
因此，目前亟需一种能同时解决上述问题运动想象脑电信号特征提取方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于PSD和CSP的运动想象脑电信号分类方法，使用共空间模式和功率谱密度提取运动想象信号特征，用支持向量机对融合特征进行分类，解决共空间模式对噪声敏感问题并且弥补了缺少频率特征信息的缺点。另外，该算法能达到较高的识别率，且具有较快的学习速度，对BCI***的实现具有重要的现实意义。
为达到上述目的，本发明提供如下技术方案：
一种基于PSD和CSP的运动想象脑电信号分类方法，具体包括以下步骤：
S1：信号输入：对输入的脑电信号进行通道和时间序列选择；
S2：对选择的脑电信号预处理；
S3：特征提取：首先提取功率谱密度(Power Spectral Density,PSD)特征和共空间模式(Common Spatial Pattern,CSP)特征，然后将PSD特征和CSP特征进行串行融合，即加权和正则化，从而得到融合特征；
S4：分类：采用SVM对测试集进行分类。
进一步，步骤S2中，对选择的信号预处理，具体包括以下步骤：
S21：对选择的脑电信号进行8-30hz的滤波；
S22：对滤波后信号每个样本的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均；
S23：采用滑动时间窗口对平均曲线进行平滑处理。
进一步，步骤S3中，提取PSD特征，具体是采用非参数法的pwelch函数来计算PSD，具体包括以下步骤：
S301：将长度L的信号分成重叠的N干段，每段的长度M＝L/N，并将指定的窗口应用于每一段；则一段的周期图为：
其中，称为归一化因子，w(n)是窗函数，选用hamming窗口函数；xp(n)表示分段的信号，p表示分段号，n表示第n段信号，w表示自变量；
S302：将FFT应用于加窗数据，计算每一个窗口段的周期图，称为修改后的周期图；
S303：对修改后的周期图进行求平均得到谱估计，则信号的PSD估计为：
其中，Bx(w)表示PSD估计值，T表示分段号；
S304：但是对于不同的人不同的运动执行任务，被试无法保持相似的幅值，因此对估计的PSD进行归一化处理：
其中，W是Bx(w)的个数，是标准化的PSD特征。
进一步，步骤S3中，提取CSP特征，具体包括以下步骤：
S311：将预处理后的训练集数据按照类别进行分段；
两类样本数据归一化后分别为E1和E2；
S312：计算空间协方差矩阵；
每类空间协方差矩阵的计算公式为：
其中，trace(·)为迹，i为标签，Ci为样本数据归一化后的空间协方差矩阵，C1和C2分别为左右手的空间协方差矩阵；Cc为两类数据的空间协方差矩阵之和，则有
Cc＝C1+C2 (5)
S313：正交白化变换并且同时对角化；
由于Cc是正定矩阵，可以按奇值分解为其中Uc为特征向量矩阵，λ是特征值的对角阵，且特征值按降序排列；通过白化转换Uc可得到矩阵P，将P作用于C1和C2得到S1和S2；
S1＝PC1PT和S2＝PC2PT (7)
S1＝Bλ1BT和S2＝Bλ2BT (8)
λ1+λ2＝I (9)
其中，S1和S2具有公共特征向量B，且所有特征值合为1，两个对应的特征值为λ1、λ2；C1、C2分别表示两类数据归一化后的协方差矩阵；
S314：计算投影均阵；
由于S1和S2的所有特征值相加为1，且特征向量相同这一特性使特征向量矩阵B，当S1有最大的特征值时，此时有S2最小的特征值，因此可以利用矩阵B实现两类问题的分类。投影矩阵是通过将白化的特征向量投影到特征向量B的前后列特征向量而获得的，投影矩阵为：
ω＝(BTP)T (10)
S315：对数据投影得到特征矩阵；
就本发明而言将数据E通过投影矩阵进行投影得到两类特征矩阵：
Z2m·N'＝W2m·M'EM'·N' (11)
可选择ZM'·N'的前m行和后m行作为原始输入数据的特征，2m<M’，M’表示矩阵行数，N’表示矩阵列数；
S316：特征提取并归一化；
在经典的CSP算法中，通过保留投影的总方差进行归一化，并进行对数变换来增加两类特征的差异，特征向量如下：
其中，是Z的第p行的方差，将所有/>整合为fi即为每个运动想象任务EEG数据提取的特征向量。CSP的特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，可选取前m行和后m行数据作为CSP特征提取的特征矩阵。
进一步，步骤S4具体包括：将融合特征输入支持向量机分类模型进行训练，采用网格搜索寻找最优的惩罚因子c和核参数g，并采用交叉验证去验证得到的参数和准确率。
本发明的有益效果在于：本发明联合频域的功率谱密度和空域的共空间模式对MI信号进行特征提取作为EEG的特征向量。在对EGG进行功率谱密度分析时采用非参数来估计功率谱密度降低了算法的方差；在共空间模式中通过分别对C3、C4通道中μ节律和β节律进行特征提取，扩大了两类数据的差异性。将两个特征组合作为EEG的特征向量，该特征向量更全面的反映了大脑进行MI时的生理活动特性，弥补了CSP特征没有频域特征以及对噪声敏感问题。
从准确率而言，PSD和CSP的联合特征提取方法对左、右手运动想象EEG的正确识别率高于仅采用功率谱密度特征、共空间模式以及其他传统特征提取算法的正确识别率；从实验的错误集而言，组合特征的错误集基本均来自于单一特征的错误集。说明PSD的特征的确提取到CSP特征没有提取的到特征从而完善了特征信息提高了准确率。因此，本发明特征提取方法在BCI研究中具有参考价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为运动想象脑机接口***框图；
图2为本发明基于PSD和CSP的运动想象脑电信号分类方法的流程图；
图3为ERD\ERS分析结果示意图；
图4为左手PSD与频率关系图；
图5为右手PSD与频率关系图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图5，如图1所示，典型的MI脑机接口***共有3个部分：信号采集、信号处理及解码、控制输出。其中，信号采集对被试者的运动想象电脑进行采集，并对信号进行放大以及带通滤波；信号处理及解码首先要对EEG信号进行解码，再进行信号预处理去掉噪声、无用的信息，最后提取信号的特征用分类器对特征进行分类；控制输出则是根据分类识别的结果，将控制指令发送给外界设备，按照被试意图控制外界设备。
如图2所示，本发明提供了一种基于PSD和CSP的运动想象脑电信号分类方法，具体包括以下步骤：
步骤1：信号输入模：
该部分主要从数据集中选择合适的通道和时间序列。由于本发明是基于特征提取的，因此首先需要选择进行运动想象时激活程度大的通道，这样才能保证数据的有效性；其次是选择合适的时间序列，确保提取到的特征信息是有效、全面的。
步骤2：信号预处理：
该部分主要对获取的MI-EEG进行去除工频干扰、静电干扰、伪迹等预处理。由于大脑运动想象的执行时，并不是单一的大脑区域激活而是多个区域协调完成运动想象执行，并且数据采集时受实验环境、设备的影响。因此采集的数据中有大量的高斯的噪声和各种伪迹(比如心电、肌电、眼电等)。根据运动想象ERD\ERS的频段特点，进行8-30hz滤波，减小数据量，降低算法处理的难度，提升算法运行的效率进而提高数据的处理速度。
步骤3：特征提取：
该部分为本发明的核心内容，主要对预处理后的数据分别进行特征再进行融合特征最后对融合的特征进行加权和正则化。首先对信号进行功率谱密度特征向量提取，作为特征一；然后分别对C3、C4通道进行左手和右手的共空间模式特征向量提取，作为特征二；将特征一和二进行串行融合进行加权和正则化。
步骤4：分类：
该部分是对上一个步骤中得到的融合特征去训练支持向量机分类模型，采用网格搜索寻找最优的惩罚因子c和核参数g，并采用交叉验证去验证得到的参数和准确率。
步骤5：评价和分析：
该部分将以上SVM分类器得到的准确率评价、分析错误集和算法的优缺点。
实施例1：
本实施例设计了一种基于联合频域、空域特征提取的运动想象分类的研究算法，具体包括以下步骤：
步骤1：信号输入：
在实验数据中，Cz电极的位置与大脑的运动想象功能区没有显著相关性，因此只分析了来自C3和C4通道的数据。从图3中可知，在0-9s的实验中ERD\ERS现象明显在4-7s中。结合算法的特点和适应性，选取CSP特征提取的时间序列为4-6s，PSD特征提取的时间序列为0-9s。
步骤2：信号预处理：
大量文献表明，当人们想象某侧手部运动时，大脑对侧运动感觉区的μ节律和β波振幅会降低，这种现象称为事件相关去同步化(ERD)；而同侧运动感觉区μ节律和β节律振幅增加，称为事件相关同步现象(ERS)。针对该现象，本实施例对原始数据绘制GPHLD Silva提出的ERD/ERS分析方法，结果如图3所示。步骤如下：
(1)对脑电信号进行8-30hz的滤波。
(2)对计算滤波后信号每个样本的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均。
(3)将平均曲线采用滑动时间窗口进行平滑处理；应用公式(1)
其中，A为进行运动想象时的EEG，R是进行想象动作前在该频段参考时间段的功率值。
在实验数据中，Cz电极的位置与大脑的运动想象功能区没有显著相关性，因此只分析了来自C3和C4通道的数据。从图3中可知，当被试进行左手的运动想象时C3为明显的ERS现象而C4则为明显的ERD现象，尤其在3-7s的时间范围内更明显；当被试进行右手的运动想象时同样在3-7s内C3为明显的ERD现象而C4则为明显的ERS现象。因此结合上述结论并且
步骤3：特征提取：
本实施例采用结合PSD和CSP算法对运动想象脑电信号进行特征提取，并对其特征进行选择。算法的具体步骤为：数据预处理、分割，选择合适的时间序列；计算数据的CSP和PSD特征；使用SVM对其进行分类。
1)功率谱密度(PSD)算法
脑电信号是一种非平稳的随机信号，其持续时间是无限长、总能量是无限的，而随机过程的任意一个样本函数都不满足绝对可积条件，所以其傅里叶变换不存在。但其平均功率却是有限的，所以脑电信号研究中经常使用功率谱密度(Power Spectral Density,PSD)来分析频域特性。
本实施例采用非参数法的pwelch函数来进行功率谱密度的计算，Welch是一种改进的周期图法，其方差性能优于原周期图法。PSD特征向量的计算步骤如下：
(1)将长度L的信号分成重叠的N干段，每段的长度M＝L/N，并将指定的窗口应用于每一段；则一段的周期图为：
其中，称为归一化因子，w(n)是窗函数，选用hamming窗口函数；xp(n)表示分段的信号，p表示分段号，n表示第n段信号，w表示自变量；
(2)将FFT应用于加窗数据，计算每一个窗口段的周期图，称为修改后的周期图。
(3)对修改后的周期图进行求平均得到谱估计，因此信号的PSD估计为：
其中，Bx(w)表示PSD估计值，T表示分段号。
但是对于不同的人不同的运动执行任务，被试者无法保持相似的幅值，因此估计的PSD需要进行如下归一化处理：
其中，W是Bx(w)的个数，是标准化的PSD特征。
PSD结果：图4和图5分别左手和右手为C3、C4通道的功率谱密度与频域的关系图。如图4～图5所示，当被试者进行左手运动想象任务时，在10-12hz频带左右对应的左右手的PSD和频率的关系很好反应了ERD\ERS现象。
2)共空间模式(CSP)
计算MI-EEG的CSP特征向量，本实施例为了增加两类信号差异性，分别对C3、C4的ERD\ERS现象进行特征提取。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，使得两类任务的方差差异最大化，从而得到较高区分度的特征向量。CSP已在运动想象二分类展现了优秀的性能。CSP特征提取方法的关键是构建空间滤波器，以产生新的时间序列，使其方差对于区分两类的EGG信号是最佳的。设计空间滤波器是基于两个协方差矩阵的同时对角化。CSP的算法过程如下：
(1)将预处理后的训练集数据按照类别进行分段。
两类样本数据归一化后分别为E1和E2。
(2)计算空间协方差矩阵
每类空间协方差矩阵的计算公式为：
其中trace(·)为迹，i为标签，Ci为样本数据归一化后的空间协方差矩阵，C1和C2分别为左右手的空间协方差矩阵。Cc为两类数据的空间协方差矩阵之和，则有
Cc＝C1+C2 (6)
(3)正交白化变换并且同时对角化
由于Cc是正定矩阵，可以按奇值分解为其中Uc为特征向量矩阵，λ是特征值的对角阵，且特征值按降序排列；通过白化转换Uc可得到矩阵P，将P作用于C1和C2得到S1和S2。
S1＝PC1PT和S2＝PC2PT (8)
S1＝Bλ1BT和S2＝Bλ2BT (9)
λ1+λ2＝I (10)
其中，S1和S2具有公共特征向量B，且所有特征值合为1，两个对应的特征值为λ1、λ2；C1、C2分别表示两类数据归一化后的协方差矩阵。
(4)计算投影均阵
由于S1和S2的所有特征值相加为1，且特征向量相同这一特性使特征向量矩阵B，当S1有最大的特征值时，此时有S2最小的特征值，因此可以利用矩阵B实现两类问题的分类。投影矩阵是通过将白化的特征向量投影到特征向量B的前后列特征向量而获得的，投影矩阵为：
ω＝(BTP)T (11)
(5)对数据投影得到特征矩阵
就本研究而言将数据E通过投影矩阵进行投影得到两类特征矩阵：
Z2m·N'＝W2m·M'EM'·N' (12)
选择ZM'·N'的前m行和后m行作为原始输入数据的特征，2m<M’，M’表示矩阵行数，N’表示矩阵列数。
(6)特征提取并归一化
在经典的CSP算法中，通过保留投影的总方差进行归一化，并进行对数变换来增加两类特征的差异，特征向量如下：
其中，是Z的第p行的方差，将所有/>整合为fi即为每个运动想象任务EEG数据提取的特征向量。CSP的特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，可选取前m行和后m行数据作为CSP特征提取的特征矩阵。
步骤4：分类器：
基于数据的特征选择可能会导致特征数据丢失一些判别信息、分类器训练过度拟合，因此本文对融合的特征进行了特征加权和正则化，利用所有的特征进行分类，将融合的特征加权和正则化后训练分类模型最后对测试集MI信号进行分类。支持向量机通常作用于二分类任务，是一种监督学***面。但计算内积的数据量非常大，因此需要借助核函数来代替二次规划中的向量内积以简化计算量。本实施例采用的SVM为默认的C-SVC类型，核函数为径向基核函数，通过网格搜索确定惩罚因子c为0.1357，核参数为0.5318，通过5折交叉验证对训练数据进行网格搜索。
步骤5：评价和分析：
基于共空间模式和功率谱密度这两类特征的融合得到了更好的分类效果，并且结合功率谱密度的特征降低了噪声对共空间模式的噪声影响使得算法的鲁棒性提高。由于CSP提取的MI特征为只包含脑电信号的空间信息，但是不同的运动想象任务应该表现出不同的频率模式。本发明对脑电信号进行功率谱密度特征提取得到的特征向量与共空间模式提取得到的特征向量融合，以此来弥补CSP特征没有频率特征信息的缺点；根据试验验证了本发明方法优于单一域的方法。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于PSD和CSP的运动想象脑电信号分类方法，其特征在于，该方法具体包括以下步骤：
S1：信号输入：对输入的脑电信号进行通道和时间序列选择；
S2：对选择的脑电信号预处理，具体包括以下步骤：
S21：对选择的脑电信号进行8-30hz的滤波；
S22：对滤波后信号每个样本的幅值平方获得功率样本，并对同类信号的功率样本做叠加平均；
S23：采用滑动时间窗口对平均曲线进行平滑处理；
S3：特征提取：首先提取功率谱密度PSD特征和共空间模式CSP特征，然后将PSD特征和CSP特征进行串行融合，即加权和正则化，从而得到融合特征；
提取PSD特征，具体是采用非参数法的pwelch函数来计算PSD，具体包括以下步骤：
S301：将长度L的信号分成重叠的N干段，每段的长度M＝L/N，并将指定的窗口应用于每一段；则一段的周期图为：
其中，称为归一化因子，w(n)是窗函数；xp(n)表示分段的信号，p表示分段号，n表示第n段信号，w表示自变量；
S302：将FFT应用于加窗数据，计算每一个窗口段的周期图，称为修改后的周期图；
S303：对修改后的周期图进行求平均得到谱估计，则信号的PSD估计为：
其中，Bx(w)表示PSD估计值，T表示分段号；
S304：对估计的PSD进行归一化处理：
其中，W是Bx(w)的个数，是标准化的PSD特征；
提取CSP特征，具体包括以下步骤：
S311：将预处理后的训练集数据按照类别进行分段；
两类样本数据归一化后分别为E1和E2；
S312：计算空间协方差矩阵；
每类空间协方差矩阵的计算公式为：
其中，trace(·)为迹，i为标签，Ci为样本数据归一化后的空间协方差矩阵，C1和C2分别为左右手的空间协方差矩阵；Cc为两类数据的空间协方差矩阵之和，则有
Cc＝C1+C2 (5)
S313：正交白化变换并且同时对角化；
由于Cc是正定矩阵，按奇值分解为其中Uc为特征向量矩阵，λ是特征值的对角阵，且特征值按降序排列；通过白化转换Uc得到矩阵P，将P作用于C1和C2得到S1和S2；
S1＝PC1PT和S2＝PC2PT (7)
S1＝Bλ1BT和S2＝Bλ2BT (8)
λ1+λ2＝I (9)
其中，S1和S2具有公共特征向量B，且所有特征值合为1，两个对应的特征值为λ1、λ2；C1、C2分别表示两类数据归一化后的协方差矩阵；
S314：计算投影均阵；
投影矩阵是通过将白化的特征向量投影到特征向量B的前后列特征向量而获得的，投影矩阵为：
ω＝(BTP)T (10)
S315：对数据投影得到特征矩阵；
将数据E通过投影矩阵进行投影得到两类特征矩阵：
Z2m·N'＝W2m·M'EM'·N' (11)
选择ZM'·N'的前m行和后m行作为原始输入数据的特征，2m<M’，M’表示矩阵行数，N’表示矩阵列数；
S316：特征提取并归一化；
S4：分类：采用SVM对测试集进行分类。
2.根据权利要求1所述的基于PSD和CSP的运动想象脑电信号分类方法，其特征在于，步骤S4具体包括：将融合特征输入支持向量机分类模型进行训练，采用网格搜索寻找最优的惩罚因子c和核参数g。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210134799.8A CN114358090B (zh) | 2022-02-14 | 2022-02-14 | 一种基于psd和csp的运动想象脑电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210134799.8A CN114358090B (zh) | 2022-02-14 | 2022-02-14 | 一种基于psd和csp的运动想象脑电信号分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358090A CN114358090A (zh) | 2022-04-15 |
| CN114358090B true CN114358090B (zh) | 2024-06-07 |
Family
ID=81092923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210134799.8A Active CN114358090B (zh) | 2022-02-14 | 2022-02-14 | 一种基于psd和csp的运动想象脑电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358090B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117180618B (zh) * | 2023-10-25 | 2024-03-29 | 常州凯南迪克医疗科技有限公司 | 用于强化记忆和学习的闭环神经电刺激器 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120122617A (ko) * | 2011-04-29 | 2012-11-07 | 가톨릭대학교 산학협력단 | 움직임을 상상하는 뇌파 분류 방법 및 그 장치 |
| CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
| CN113850192A (zh) * | 2021-09-26 | 2021-12-28 | 杭州电子科技大学 | 基于emd-csp脑电特征学习与智能融合的眨眼伪迹检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210386351A1 (en) * | 2020-06-12 | 2021-12-16 | Korea University Research And Business Foundation | Brain-computer interface apparatus for minimizing signal correction process between users using clustering technology based on brain activity and method of operating the same |
-
2022
- 2022-02-14 CN CN202210134799.8A patent/CN114358090B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120122617A (ko) * | 2011-04-29 | 2012-11-07 | 가톨릭대학교 산학협력단 | 움직임을 상상하는 뇌파 분류 방법 및 그 장치 |
| CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
| CN113850192A (zh) * | 2021-09-26 | 2021-12-28 | 杭州电子科技大学 | 基于emd-csp脑电特征学习与智能融合的眨眼伪迹检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Cognitive Imagery Classification of EEG Signals using CSP-based Feature Selection Method;Hooda Neha等;《 IETE Technical Review》;20190605;第37卷(第3期);315-326 * |
| 基于共空间模式和功率谱密度的脑电信号分类;赵德春等;《科学技术与工程》;20230408;第23卷(第10期);4272-4278 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358090A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
| Ko et al. | Multi-scale neural network for EEG representation learning in BCI | |
| Wu et al. | Probabilistic common spatial patterns for multichannel EEG analysis | |
| Cao et al. | Unsupervised eye blink artifact detection from EEG with Gaussian mixture model | |
| Dong et al. | A novel hybrid kernel function relevance vector machine for multi-task motor imagery EEG classification | |
| Gevins | Analysis of the electromagnetic signals of the human brain: milestones, obstacles, and goals | |
| Park et al. | Optimal channel selection using correlation coefficient for CSP based EEG classification | |
| 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 | |
| CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
| Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
| TWI620546B (zh) | 腦波分析方法及其裝置 | |
| De Lucia et al. | A novel method for automated classification of epileptiform activity in the human electroencephalogram-based on independent component analysis | |
| CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
| Shi et al. | Feature extraction of brain–computer interface electroencephalogram based on motor imagery | |
| Lotte et al. | EEG feature extraction | |
| 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 | |
| US20210386351A1 (en) | Brain-computer interface apparatus for minimizing signal correction process between users using clustering technology based on brain activity and method of operating the same | |
| Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
| CN111067517B (zh) | 基于静息态脑电特征的运动想象响应能力筛选方法 | |
| CN114358090B (zh) | 一种基于psd和csp的运动想象脑电信号分类方法 | |
| Sabeti et al. | Event related potential (ERP) as a reliable biometric indicator: A comparative approach | |
| CN114218986B (zh) | 基于eeg脑电信号数据的状态分类方法 | |
| Xiong et al. | Seizure detection algorithm based on fusion of spatio-temporal network constructed with dispersion index | |
| Park et al. | Optimal channel selection using covariance matrix and cross-combining region in EEG-based BCI | |
| CN112861629B (zh) | 一种多窗口判别典型模式匹配方法及脑-机接口应用 |
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 |