CN114861738A - 一种基于脑电溯源和偶极子选择的运动想象分类方法 - Google Patents
一种基于脑电溯源和偶极子选择的运动想象分类方法 Download PDFInfo
- Publication number
- CN114861738A CN114861738A CN202210783534.0A CN202210783534A CN114861738A CN 114861738 A CN114861738 A CN 114861738A CN 202210783534 A CN202210783534 A CN 202210783534A CN 114861738 A CN114861738 A CN 114861738A
- Authority
- CN
- China
- Prior art keywords
- dipole
- electroencephalogram
- motor imagery
- signal
- tracing
- 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.)
- Granted
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
- G06F2218/04—Denoising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于脑电溯源和偶极子选择的运动想象分类方法,包括:采集基于多类别运动想象的脑电信号;对多通道脑电信号进行溯源,得到皮层神经活动源的信号;对源空间偶极子进行偶极子通道选取,将各偶极子脑电信号的能量作为选择和删除偶极子通道集合的搜索策略,结合每个运动想象类别与剩余类别脑电信号能量的改进型F‑score值作为最优偶极子通道选择评价准则,提取源空间选择偶极子的脑电数据;将脑电数据输入到共空间模式滤波器中进行特征提取;将共空间模式特征输入支持向量机分类器中,实现运动想象脑电信号分类。本发明在探索运动想象脑电规律的基础上开展了运动想象脑电信号处理、特征提取及分类方法研究,有效提升了分类准确率。
Description
技术领域
本发明涉及脑电信号处理技术领域,具体地指一种基于脑电溯源和偶极子选择的运动想象分类方法,用于提升运动想象脑电信号任务解码的精度。
背景技术
脑机接口是指在人或动物大脑与外部设备之间创建的直接连接,实现脑与设备的信息交换。通过分析脑电信号,检测识别不同脑区的激活效果来判断用户意图,了解人脑信息处理过程,进而实现脑与外部设备之间的通信与控制。
基于运动想象的脑机接口是在众多脑机接口范式中的重要组成部分,此范式需要在受试者执行特定运动想象任务时采集其脑电信号,根据脑电信号识别运动想象内容,然后将识别结果转换为命令以控制外部设备。但脑电信号由于脑体积传导效应的影响导致空间分辨率低,因此如何增加脑电信号的空间分辨率并提取有效的判别特征是运动想象脑机接口成功的关键。
目前,常见的提高脑电信号空间分辨率的方法主要分为三类。第一类为引入脑电成像技术方法,主要有fMRI技术,但基于fMRI的脑机接口因为时间延迟大而不适合日常使用。第二类为侵入式脑电信号采集,但此方法容易引发患者的免疫反应和愈伤组织,进而导致信号质量的衰退直至消失。第三类为盲源分离(BS)方法,对混合信号在源信号和传输***特性均未知的情况下,对混合信号进行分离,将信号分解为不同信号的源的线性组合。而用于癫痫等脑疾病定灶的EEG源成像(ESI),可以提供大脑神经活动的无创成像,通过解决EEG逆问题来估计具有高时间分辨率和高空间分辨率的脑电活动信号。
现有技术中,运动想象多分类的正确率亟待提高,运动想象脑电信号分析过程包括:信号采集、预处理、特征提取和选择、模式识别,其中由于头皮电极检测到的脑电信号幅度微弱,容易受到噪声干扰,且EEG的空间分辨率较差,受试者间差异明显,因此,运动想象多类别分类的研究需要进一步开展。
发明内容
本发明的目的在于针对现有技术中识别方法存在运动想象多分类准确率不高的技术问题,提出了一种基于脑电溯源和偶极子选择的运动想象分类方法,可以在有效地降低特征维度、剔除冗余通道、减少计算量的同时提高脑电信号多分类的准确性。
为实现上述目的,本发明所设计的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特殊之处在于,所述方法包括步骤:
S1:采集基于多类别运动想象的脑电信号,通过带通滤波器和共平均参考进行预处理;
S2:计算头部模型Headmodel、源模型Sourcemodel以及导联场Leadfield;
S3:将标准化低分辨率大脑磁电断层扫描sLORETA作为计算源空间脑电信号的约束条件,对采集的脑电信号以及导联场Leadfield溯源得到源空间脑电信号;
S4:计算各类别运动想象脑电信号在源空间每个偶极子中的能量,采用改进型F-score方法并设置阈值作为源空间偶极子选取的策略,得到筛选后的源空间偶极子子集,提取源空间偶极子子集的脑电数据;
S5:对提取的脑电数据采用共空间模式CSP提取信号特征;
S6:将CSP特征输入支持向量机中进行分类,获得分类结果。
优选地,步骤S2中所述源模型Sourcemodel是指根据偶极子源的估计数目、位置以及方向计算得到的源模型,在步骤S2中设置偶极子数目为15002个,且偶极子均匀分布在皮层上,在计算量不过大的情况下保证脑电溯源的精度。
优选地,步骤S2中计算头部模型Headmodel时,采用头皮-脑脊液-头骨的边界元素模型BEM,由于大脑内各结构的电导率不同,在步骤S2中设置头皮:脑脊液:头骨的电导率为1:0.0125:1,边界元素模型使用ICBM152模型,ICBM152模型是基于152个正常人MRI影像做仿射变换后得到的平均结果,更接近实际分布式源的计算,有利于脑电信号的精确溯源。
优选地,步骤S4的具体步骤包括:
S4.1:对于溯源之后源空间脑电信号的所有数据S(t)∈4N×C×T,求左手、右手、
舌头、双脚各类别信号的平均信号,,其中N表示
各运动想象类别脑电信号的实验次数,C表示源空间的偶极子数目,T表示时域采样点,i∈
{1,2,3,4},分别表示左手、右手、舌头、双脚的运动想象脑电信号;
S4.3:求各类别信号能量与其他类别信号能量在各偶极子中的改进型F-score值F ir (c),并分别设置阈值,选择F ir (c)大于阈值的偶极子,得到选取后的偶极子子集L,提取源空间在偶极子子集L中的脑电信号V(t)。
优选地,步骤S4.3具体包括:
S4.3.1:计算各类别运动想象脑电信号能量与其他类别信号能量的源空间的所有偶极子中的改进型F-score值F ir (c);
S4.3.2:将各类别F-score值F ir (c)的最大值的x%设置为阈值threshold,选取各类别改进型F-score值大于阈值threshold的偶极子,添加进该类别选取偶极子的集合;
S4.3.3:将各类别选取偶极子集合的公共集合作为最终选择的偶极子集合L,若L中选取的偶极子数目过大或过小,返回步骤S4.3.2对阈值threshold中的x%进行调整,对提取源空间数据偶极子L对应的数据,作为通道选择后的数据V(t),V(t)∈4N×L×T。输入分类器的训练样本数目与样本特征数目相当时,所得分类效果最好。因此设置阈值使得选取的偶极子集合中偶极子数目与 数目相当,保证步骤S5中提取CSP特征数量不会过多或过少从而导致分类模型训练欠拟合或过拟合,以达到最好的分类效果。
优选地,所述改进型F-score值F ir (c)的计算公式中,采用OVR(One-versus-Rest)策略将二分类问题推广到多分类问题,将某个类别样本归为一类,其他所有样本归为一类,由此计算偶极子对多个类别信号的辨别能力。OVR策略的复杂度较小、计算速度较快。F ir (c)的计算公式中,分子为同一偶极子不同类别信号能量的差值的平方,分母为同一偶极子不同类别信号能量之和,分子计算辨别能力大小,分母对进行数据归一化操作:
其中,X r =1/3P rest ,X i =P i ,P rest 表示除i类别外的其他三个类别的源空间平均信号能量之和。
优选地,步骤S5中对提取的所述脑电数据的源空间信号先进行对数运算再进行CSP信号特征提取,进行对数运算使数据符合正态分布,缩小数据的绝对数值,压缩尺度的变量,使数据更加平稳。
优选地,步骤S5中CSP信号特征提取采用OTO-CSP方法提取多类别任务的特征。使用OTO-CSP方法使多个不同类别的特征分布距离更大,有利于提高分类精度。
优选地,各类别F-score值F ir (c)的最大值的x%设置范围为[0.15,0.35]。每个受试者设置的阈值不同是为了适应不同受试者脑电信号的差异,以保证分类效果。
本发明还提出一种计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现上述一种基于脑电溯源和偶极子选择的运动想象分类方法。
本发明所提出的基于脑电溯源和偶极子选择的运动想象分类方法,首先对于基于运动想象产生的脑电信号,通过带通滤波器以及共平均参考进行预处理;然后采用sLORETA方法对多通道运动想象脑电信号进行溯源,求得源空间内所有偶极子通道的脑电信号,但源空间偶极子数过大会导致计算量过大和分类精度的下降,且受试者的个体差异性导致每个受试者的最优导联各不相同,计算源空间各偶极子通道中每个类别脑电信号的能量,将各偶极子脑电信号的能量作为选择和删除偶极子通道集合的搜索策略,对整个源空间偶极子进行偶极子通道选取,结合每个运动想象类别与剩余类别脑电信号能量的改进型F-score值作为最优偶极子通道选择和删除的评价准则,利用改进型F-score方法并为每个受试者设置不同的阈值可以有效地选取最优偶极子通道子集。提取最优偶极子通道的脑电信号并进行log运算,提取log运算后的脑电信号的CSP特征并将特征输入SVM分类器得到分类结果。本发明所提出的源空间的偶极子通道选择方法,可以在有效地降低特征维度、剔除冗余通道、减少计算量的同时提高脑电信号多分类的准确性。
本发明具有如下有益效果:
1)F-score为一种有效地特征选择方法,能够衡量特征在两个类别之间的分辨能力,某特征的F-score值越大则该特征的辨别能力越大。本发明将此特征选择方法用于通道选择,评判源空间内各偶极子对不同类别信号的辨别能力,选择辨别能力更大的偶极子,减少数据冗余,提高分类准确率。
2)F-score作为特征选择方法时,计算正样本和负样本特征平均值的F-score以得到各特征的辨别能力。本发明在进行通道选择时,计算源空间内所有偶极子的各类别平均信号能量的F-score值。这是由于不同的运动想象任务会激活大脑皮层的不同区域,被激活的脑区的能量增大,因此选择能量F-score值作为选择偶极子的标准,以选择辨别能力更大的偶极子。
3)本发明对原始的F-score计算公式改进,分子为同一偶极子不同类别信号能量的差值的平方,分母为同一偶极子不同类别信号能量之和,分子计算辨别能力大小,分母对进行数据归一化操作。相比于原F-score方法,改进方法减小了计算复杂度,提升计算速度。
4)本发明采用OVR(One-versus-Rest)策略将F-score方法二分类问题推广到多分类问题,将某个类别样本归为一类,其他所有样本归为一类,由此计算偶极子对多个类别信号的辨别能力。相比于OTO(One-To-One)策略,OVR策略的复杂度较小、计算速度较快。
附图说明
图1为本发明一种实施例中基于脑电溯源和偶极子选择的运动想象分类方法的流程图。
图2为不同脑电信号溯源后结果图。
图3为源空间偶极子通道选择具体流程图。
图4为提取源空间信号后提取的CSP特征图。
图5为分类所得的混淆矩阵图。
图6为各受试者及平均分类精确率示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,但以下实施例仅是说明性的,本发明的保护范围并不受这些实施例的限制。
本发明实施例提供了一种基于脑电溯源和偶极子选择的运动想象信号分类方法,通过对多通道数据溯源后采用改进型F-score方法进行源空间偶极子通道选取来完成左手、右手、舌头、双脚共四个类别运动想象脑电信号的识别,可以实现提高运动想象脑电信号分类准确性的技术效果。
为了达到上述技术效果,本发明的总体思路如下:
首先采集基于多类别运动想象的脑电信号,通过带通滤波器和共平均参考进行预处理,然后对预处理后的多通道脑电信号进行溯源,得到源空间内的源数据,选择源空间内各偶极子脑电信号的能量作为特征,接着以改进型F-score方法作为搜索策略,对不同受试者设置不同的阈值作为选择和删除偶极子集合的准则,对提取到的偶极子数据进行log运算后再进行CSP特征提取,再将提取好的特征输入到支持向量机中进行分类获得分类结果,最后根据分类结果实现运动想象脑电信号分类。
如图1所示,本发明提出的一种基于脑电溯源和偶极子选择的运动想象分类方法,包括如下步骤:
S1采集基于多类别运动想象的脑电信号,通过带通滤波器和共平均参考进行预处理,获得多通道脑电信号。对脑电信号进行8-30Hz带通滤波和50Hz去工频处理,可以消除其他频段的杂波和干扰,采用共平均参考,提高信噪比,得到多通道脑电信号。
S2 计算头部模型Headmodel、源模型Sourcemodel以及导联场Leadfield。
具体来说,根据ICBM152计算头部模型Headmodel,根据源的估计数量、位置、方向设置Sourcemodel,根据3D电极位置、Headmodel和Sourcemodel计算导联场Leadfield。
S3将标准化低分辨率大脑磁电断层扫描sLORETA作为计算源空间脑电信号的约束条件,对采集的脑电信号以及导联场Leadfield溯源得到源空间脑电信号。
具体来说,溯源就是根据头表测量电位信号,反演估计脑内神经活动源的位置、方向和强度信息。由于头皮电极数远小于源空间偶极子数量,无法得到唯一解,采用sLORETA对L2范数进行数学约束,求得约束下的源空间脑电信号,具有精度高、平滑的特点,以此增加脑电信号的空间分辨率。溯源后信号如图2所示,表示不同脑电信号激活了不同脑区。
S4 计算各类别运动想象脑电信号在源空间每个偶极子中的能量,采用改进型F-score方法并设置阈值作为源空间偶极子选取的策略,得到筛选后的源空间偶极子子集,提取源空间偶极子子集的脑电数据。
F-score方法能够衡量样本特征在两类样本之间的辨别能力,F-score特征选择的计算公式如下:
将传统的F-score特征选取方法进行改进,并将类别从两类扩展为多个类别,利用此方法进行通道选择。计算源空间每个偶极子通道中每个EEG类别的平均信号的能量,计算各偶极子通道各类别信号能量的改进型F-score值,为每个受试者设置不同的阈值,选取改进型F-score值大于阈值的偶极子通道,生成偶极子子集,提取源空间内偶极子子集的脑电信号。具体流程如图3所示。
由于源空间内,不同的运动想象动作会激活不同的脑区,所以选择各偶极子的能量作为计算F-score值以判别类间可分性的基础。S(t)为源空间信号,为4N×C×T的多维信号,要最终得到C的子集L,在减小计算量的同时防止过拟合,提高多类比信号的分类精确率。
步骤S4的具体步骤包括:
S4.1:对于溯源之后源空间的所有数据S(t)∈4N×C×T,,求各类别信号的平均信
号,,其中N表示各运动想象类别脑电信号的实验次
数,C表示源空间的偶极子数目,T表示时域采样点,i∈{1,2,3,4},分别表示左手、右手、舌
头、双脚的运动想象信号。
S4.3:求各类别信号与其他类别信号在各偶极子中的改进型F-score值F ir (c),并设置阈值,选择F ir (c)大于阈值的偶极子,得到选取后的偶极子子集L,提取源空间在偶极子子集L中的脑电信号V(t)。
针对分类来说,类间间距越大,类内间距越小,则分类的辨别能力越强。针对通道选择,对传统的特征选择方法F-score进行改进并用于通道选择,使得在相同的偶极子中不同类别信号之间间距最大。
在一种实施方式中,步骤S4.3具体包括:
S4.3.1:对F-score公式进行改进,并采用OVR(One-versus-Rest)策略将二分类问
题扩展为多分类问题,改进型F-score公式为,其中X r =1/
3P rest ,X i =P i ,P rest 表示除i类别外的其他三个类别的源空间平均信号能量之和,计算各类别
运动想象脑电信号与其他类别信号的源空间的所有偶极子中的改进型F-score值。
S4.3.2:将各类别F-score值的最大值的x%设置为阈值threshold,选取各个类别F-score值F ir (c)大于阈值的偶极子c,添加进该类别选取偶极子的子集中。由于不同受试者认知水平、神经活动以及疲劳状态不同,受试者间脑电信号的分布会有很大差异,因此根据各类别信号改进型F-score值的最大值设置每个受试者的初始阈值x%,x的取值范围为[0.15,0.35]。
S4.3.3:将各类别选取偶极子集合的公共集合作为最终选择的偶极子集合L,若L中选取的偶极子数目过大或过小,返回步骤S4.3.2对x进行调整,对提取源空间数据偶极子L对应的数据,作为通道选择后的数据V(t),V(t) ∈4N×L×T。通过对x的调整,使得L中偶极子的数目与N相近,防止后期训练分类器时发生欠拟合或过拟合现象。
S5 对提取的脑电数据进行log运算,并采用CSP提取信号特征。
共空间模式(CSP)是运动想象脑电分类最常见的特征,是一种二分类任务下的空域滤波特征提取算法,采用OVO-CSP方法提取多类别任务的特征,所得特征如图4所示。
S6 将提取的CSP特征输入支持向量机中进行分类,获得分类结果。
本实施例中采用多类别支持向量机分类方法,得到分类结果,所得混淆矩阵如图5所示。提出的特征提取方法四分类运动想象脑电信号的分类准确率为93.76%,各受试者及平均分类精确率如图6所示。
本发明还提出一种计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现上述的方法。
本发明针对运动想象脑电信号多类别分类精确度不高的问题,在对脑电信号溯源至源空间的基础上,提出多类别信号源空间偶极子选择方法。该方法有效减少了计算量并且防止了分类时过拟合现象的发生,提高了运动想象脑电信号的分类正确率。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。本领域的技术人员容易理解,以上所述仅为本发明专利的较佳实施例而已,并不用以限制本发明专利,凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明专利的保护范围之内。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:所述方法包括如下步骤:
S1:采集基于多类别运动想象的脑电信号,通过带通滤波器和共平均参考进行预处理;
S2:计算头部模型Headmodel、源模型Sourcemodel以及导联场Leadfield;
S3:将标准化低分辨率大脑磁电断层扫描sLORETA作为计算源空间脑电信号的约束条件,对采集的脑电信号以及导联场Leadfield溯源得到源空间脑电信号;
S4:计算各类别运动想象脑电信号在源空间每个偶极子中的能量,采用改进型F-score方法并设置阈值作为源空间偶极子选取的策略,得到筛选后的源空间偶极子子集,提取源空间偶极子子集的脑电数据;
S5:对提取的脑电数据采用共空间模式CSP提取信号特征;
S6:将CSP特征输入支持向量机中进行分类,获得分类结果。
2.根据权利要求1所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S2中所述源模型Sourcemodel是指根据偶极子源的估计数目、位置以及方向计算得到的源模型,在步骤S2中设置偶极子数目为15002个,且偶极子均匀分布在皮层上。
3.根据权利要求1所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S2中计算头部模型Headmodel时,采用头皮-脑脊液-头骨的边界元素模型BEM,由于大脑内各结构的电导率不同,在步骤S2中设置头皮:脑脊液:头骨的电导率为1:0.0125:1,边界元素模型使用ICBM152模型。
4.根据权利要求1所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S4的具体步骤包括:
S4.1:对于溯源之后源空间脑电信号的所有数据S(t)∈4N×C×T,求左手、右手、舌头、
双脚各类别信号的平均信号,,其中N表示各运动
想象类别脑电信号的实验次数,C表示源空间的偶极子数目,T表示时域采样点,i∈{1,2,3,
4},分别表示左手、右手、舌头、双脚的运动想象脑电信号;
S4.3:求各类别信号能量与其他类别信号能量在各偶极子中的改进型F-score值F ir (c),并分别设置阈值,选择F ir (c)大于阈值的偶极子,得到选取后的偶极子子集L,提取源空间在偶极子子集L中的脑电信号V(t)。
5.根据权利要求4所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S4.3具体包括:
S4.3.1:计算各类别运动想象脑电信号能量与其他类别信号能量的源空间的所有偶极子中的改进型F-score值F ir (c);
S4.3.2:将各类别F-score值F ir (c)的最大值的x%设置为阈值threshold,选取各类别改进型F-score值大于阈值threshold的偶极子,添加进该类别选取偶极子的集合;
S4.3.3:将各类别选取偶极子集合的公共集合作为最终选择的偶极子集合L,若L中选取的偶极子数目过大或过小,返回步骤S4.3.2对阈值threshold中的x%进行调整,对提取源空间数据偶极子L对应的数据,作为通道选择后的数据V(t),V(t)∈4N×L×T。
7.根据权利要求1所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S5中对提取的所述脑电数据的源空间信号先进行对数运算再进行CSP信号特征提取,进行对数运算使数据符合正态分布,缩小数据的绝对数值,压缩尺度的变量,使数据更加平稳。
8.根据权利要求7所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:步骤S5中CSP信号特征提取采用OTO-CSP方法提取多类别任务的特征。
9.根据权利要求5所述的一种基于脑电溯源和偶极子选择的运动想象分类方法,其特征在于:各类别F-score值F ir (c)的最大值的x%设置范围为[0.15,0.35]。
10.一种计算机设备,其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令,其中所述处理器执行所述程序指令以实现权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783534.0A CN114861738B (zh) | 2022-07-05 | 2022-07-05 | 一种基于脑电溯源和偶极子选择的运动想象分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783534.0A CN114861738B (zh) | 2022-07-05 | 2022-07-05 | 一种基于脑电溯源和偶极子选择的运动想象分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861738A true CN114861738A (zh) | 2022-08-05 |
CN114861738B CN114861738B (zh) | 2022-10-04 |
Family
ID=82625724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210783534.0A Active CN114861738B (zh) | 2022-07-05 | 2022-07-05 | 一种基于脑电溯源和偶极子选择的运动想象分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861738B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116369950A (zh) * | 2023-05-25 | 2023-07-04 | 武汉理工大学 | 一种基于脑电溯源和多特征提取的目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
CN109199376A (zh) * | 2018-08-21 | 2019-01-15 | 北京工业大学 | 基于oa-wmne脑源成像的运动想象脑电信号的解码方法 |
WO2021043118A1 (zh) * | 2019-09-06 | 2021-03-11 | 腾讯科技(深圳)有限公司 | 运动想象脑电信号的处理方法和装置及存储介质 |
CN112861778A (zh) * | 2021-03-05 | 2021-05-28 | 南京邮电大学 | 一种基于多模态融合的情绪分类识别方法 |
-
2022
- 2022-07-05 CN CN202210783534.0A patent/CN114861738B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199376A (zh) * | 2018-08-21 | 2019-01-15 | 北京工业大学 | 基于oa-wmne脑源成像的运动想象脑电信号的解码方法 |
CN109199414A (zh) * | 2018-10-30 | 2019-01-15 | 武汉理工大学 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
WO2021043118A1 (zh) * | 2019-09-06 | 2021-03-11 | 腾讯科技(深圳)有限公司 | 运动想象脑电信号的处理方法和装置及存储介质 |
CN112861778A (zh) * | 2021-03-05 | 2021-05-28 | 南京邮电大学 | 一种基于多模态融合的情绪分类识别方法 |
Non-Patent Citations (3)
Title |
---|
单海军等: "基于Relief-SBS的脑机接口通道选择", 《生物医学工程学杂志》 * |
张绍荣等: "特征提取对通道选择方法的影响研究", 《国外电子测量技术》 * |
李彤等: "情绪相关脑电信号的特征选取与导联优化", 《安徽医科大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116369950A (zh) * | 2023-05-25 | 2023-07-04 | 武汉理工大学 | 一种基于脑电溯源和多特征提取的目标检测方法 |
CN116369950B (zh) * | 2023-05-25 | 2024-01-26 | 武汉理工大学 | 一种基于脑电溯源和多特征提取的目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114861738B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Scalp EEG epileptogenic zone recognition and localization based on long-term recurrent convolutional network | |
Zhang et al. | Bayesian learning for spatial filtering in an EEG-based brain–computer interface | |
EtehadTavakol et al. | Breast cancer detection from thermal images using bispectral invariant features | |
Demirci et al. | A projection pursuit algorithm to classify individuals using fMRI data: Application to schizophrenia | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
Boashash et al. | A methodology for time-frequency image processing applied to the classification of non-stationary multichannel signals using instantaneous frequency descriptors with application to newborn EEG signals | |
Yang et al. | Subject-specific channel selection using time information for motor imagery brain–computer interfaces | |
Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
Yang et al. | Subject-specific channel selection for classification of motor imagery electroencephalographic data | |
Juneja et al. | A combination of singular value decomposition and multivariate feature selection method for diagnosis of schizophrenia using fMRI | |
Li et al. | Analysis and classification of EEG signals using a hybrid clustering technique | |
CN113768519B (zh) | 基于深度学***的方法 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
Zhang et al. | Channel selection in motor imaginary-based brain-computer interfaces: a particle swarm optimization algorithm | |
US20110034821A1 (en) | Increasing the information transfer rate of brain-computer interfaces | |
CN114861738B (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
CN106974660B (zh) | 基于脑功能活动检测中的血氧特征实现性别判定的方法 | |
Sarin et al. | Automated ocular artifacts identification and removal from EEG data using hybrid machine learning methods | |
Zhou et al. | Phase space reconstruction, geometric filtering based Fisher discriminant analysis and minimum distance to the Riemannian means algorithm for epileptic seizure classification | |
Liu et al. | Epilepsy EEG classification method based on supervised locality preserving canonical correlation analysis | |
CN110974221A (zh) | 一种基于混合函数相关向量机的混合脑机接口*** | |
Zafar et al. | Automatic eye blink artifact removal for EEG based on a sparse coding technique for assessing major mental disorders | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
CN113057654B (zh) | 基于频率耦合神经网络模型的记忆负荷检测提取***及方法 | |
Ghoushchi et al. | Clustering of brain tumors in brain MRI images based on extraction of textural and statistical features |
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 |