一种基于双树复小波能量差的运动想象脑电信号识别方法
阅读：857发布：2020-10-08
专利汇可以提供一种基于双树复小波能量差的运动想象脑电信号识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于双树复小波 能量 差的运动想象脑电 信号 识别方法，主要采用双树复小波分解与重构来计算脑 电信号 的能量差特征，并通过符号函数进行分类判别。本发明包括脑电信号采集及预处理、双树复小波分解及细节系数提取、双树复小波重构、重构分量能量均值计算以及符号函数分类识别。结果表明：双树复 小波变换 有效克服了 离散小波变换 抗 混叠 性差、平移敏感等缺点，提取的能量均值差特征能取得较好的分类识别结果。与传统的分类 算法 相比，基于符号函数的特征分类算法设计更加简单，复杂程度低，计算速度快，适应 脑机 接口 (Brain-Computer Interface,BCI)系统的发展方向，有利于BCI系统的实时应用。，下面是一种基于双树复小波能量差的运动想象脑电信号识别方法专利的具体信息内容。
1.一种基于双树复小波能量差的运动想象脑电信号识别方法，其特征在于，该方法包含以下几个步骤：
步骤一、脑电信号采集及预处理：采用电极导联C3和C4分别采集被试者左右两侧脑电信号，并对C3和C4采集的脑电信号进行带通滤波；
步骤二、双树复小波分解及细节系数提取：将步骤一预处理后的C3电极导联采集的脑电信号采用双树复小波变换进行4层分解，得到近似系数A4以及四个细节系数D4，D3，D2和D1，提取与μ节律和部分β节律相关的细节系数D3；
步骤三、双树复小波重构：根据步骤二提取的细节系数D3，采用双树复小波进行重构获得D3重构分量；
步骤四、重构分量能量均值计算：在步骤三得到的D3重构分量中寻找事件相关去同步/同步(ERD/ERS)现象的时间段，然后计算该时间段内D3重构分量的能量均值E3；
步骤五、同理，将步骤一预处理后的C4电极导联采集的脑电信号，进行步骤二至步骤四的操作，获得能量均值E4；
步骤六、符号函数分类识别：计算能量均值差E3-E4，对能量均值差E3-E4采用符号函数法进行分类识别，判别式如下：
当能量均值差E3-E4为正时，C3导联的能量大于C4导联的能量，为想象左手运动；当能量均值差E3-E4为负时，C3导联的能量小于C4导联的能量，为想象右手运动。
2.根据权利要求1所述的基于双树复小波能量差的运动想象脑电信号识别方法，其特征在于：步骤一中电极导联C3和C4的采样频率为128Hz，且带通滤波频段为0.5Hz～30Hz。
3.根据权利要求1所述的基于双树复小波能量差的运动想象脑电信号识别方法，其特征在于：所述的与μ节律和部分β节律相关的细节系数D3的频段范围为8～16Hz。
4.根据权利要求1所述的基于双树复小波能量差的运动想象脑电信号识别方法，其特征在于：所述步骤四中能量均值E3，计算如下：
其中i＝1,2,…,m，m为所截取的事件相关去同步/同步(ERD/ERS)现象部分的采样点数，xi为采样点脑电信号幅值。
一种基于双树复小波能量差的运动想象脑电信号识别方法
技术领域
背景技术
[0002] 中风目前是人类三大死因之一，在世界范围内每年新增约2000万患者，并且有25％的患者在中风后出现残疾。神经肌肉刺激系统和机械动力外骨骼已被使用来恢复慢性瘫痪病人的手部运动功能。上述运动辅助设备由命令信号进行驱动，命令信号需体现患者的运动意图。若手部运动意图能直接从大脑中检测，则可使用脑部活动来直接控制运动辅助设备。目前针对中风后病人的严重瘫痪问题，基于脑机接口(brain-computer interface,BCI)的神经康复技术已经提出。脑机接口不依赖于由外部神经和肌肉组成的运动输出通道，直接将特定模式的脑信号转换为控制外部设备的命令信号，而外部设备的反馈可以有效促进运动学习，提高中风病人的手部运动功能。同时脑机接口技术可以增强脑部神经网络的可塑性，通过运动学习恢复部分功能，从而提高中风患者的生活质量。
[0003] 尽管BCI系统可以利用脑磁图，功能性磁共振成像，功能性近红外成像等众多技术用于检测脑部活动，但绝大部分BCI系统仍然使用非侵入式的头皮脑电(electroencephalography，EEG)信号。BCI系统通常包含信号采集及预处理、特征提取和特征分类等基本模块。在特征提取部分，由于EEG信号是一种非平稳随机信号，且信噪比较低，一个良好的特征提取算法对系统性能影响较大。目前针对EEG信号主要的特征提取方法有：(1)针对单一的时域或者是频域特性的方法。主要包括频域上的功率谱估计和时域上的均值估计，上述方法无法从本质上表征EEG信号的特点，且易受背景噪声影响，识别误差较大。(2)独立成分分析(independent component analysis,ICA)。该方法能有效分离出EEG信号中的眼电、心电及工频干扰等无效信号，但由于EEG信号是一种非平稳信号，静态ICA方法难以获取最具价值的信息。(3)近似熵。该方法是对非线性时间序列复杂度的一种非负的定量描述，能够衡量时间序列中产生新模式的概率大小，适用于具有非线性特性的EEG信号。同时近似熵具有较好的抗噪能力，缺点是计算较为耗时，限制了其在实时的脑机接口中的应用。(4)模型参数法,如自回归(auto regression,AR)模型,自适应自回归(adaptive auto regression,AAR)模型等。AR模型主要针对平稳的随机信号，在处理非平稳的EEG信号时具有其局限性。AAR模型虽然是一种非平稳信号的分析方法，但由于模型参数的选取没有系统的方法，导致其无法提取EEG信号的本质特征。(5)共同空间模式(common spatial pattern,CSP)。CSP算法根据两个协方差矩阵的同时对角化设计最优的空间滤波器，是一种提取EEG信号特征的经典方法，缺点是需要大量的电极并且对脑电信号进行多通道分析。(6)小波变换。该方法是一种典型的时频分析算法，具有多分辨率特性，在频域和时域均保持良好的分辨率，非常适用于处理EEG等非平稳信号。目前针对EEG信号的特征分类方法主要有线性判别法(linear discriminant analysis，LDA)、神经网络、支持向量机(support vector machine,SVM)等方法。对于分类器，不能只看分类正确率，其设计难度以及训练和分类速度等性能也是评价的重要指标。
[0004] 为了进一步提高识别准确率，在特征提取部分针对小波变换的改进主要有两类：(1)在利用小波变换提取时频特征的基础上，利用ICA等方法引入空域特征进行结合。(2)在分析时频特征的同时，引入样本熵、双谱等非线性特征。上述方法从不同的角度出发提取EEG信号的特征并进行结合，故均能从一定程度上提高正确识别率，但不可避免地增加了特征维数、训练时间及分类复杂度。而目前BCI系统正向着导联数越来越少、识别时间越来越短、使用复杂程度越来越小的方向发展。
[0005] 同时针对离散小波变换(Discrete Wavelet Transform,DWT)抗混叠性差，无法准确分离相邻频带的缺陷，抗混叠性能优良的双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)已经在众多领域中得到了广泛的应用。双树复小波变换采用两棵并行的实小波变换树来对信号进行分解与重构，其一为实部树，另一为虚部树。在对信号进行分解或者重构的过程中，虚部树的采样位置始终保持在实部树的中间，以获得实部树丢失的采样信息，相关于未对信号采用隔点采样，将实部树与虚部树的分解系数综合起来可实现信息的有效互补，防止有用信息的丢失，也就不会产生平移敏感性了。若设所要分析的EEG信号采样频率为fs，采用双树复小波变换进行L层分解，重构后的各个分量AL，DL，DL-1，…，D1L+1 L+1 L L L-1 2对应的频带范围分别是[0,fs/2 ]，[fs/2 ,fs/2]，[fs/2,fs/2 ]，…，[fs/2,fs/2]。
发明内容
[0006] 针对现有技术中的经典离散小波变换抗混叠性差，无法准确分离相邻频带，最终导致提取的时频特征无法正确反映大脑想象运动的缺陷，提出一种采用抗混叠性能优良的双树复小波变换提取电极导联C3和C4导联运动节律相关频段信号能量特征，并计算两者差值，最后根据符号函数进行分类的运动意图脑电信号识别方法。在识别准确率方面，该方法比离散小波变换特征提取方法更具优势；在分类系统的计算速度方面，该方法较之其他方法优势明显，更有利于BCI系统的实际应用。
[0007] 为了实现上述目的，本发明采用的技术方案是：
[0008] 本发明的基于双树复小波能量差的运动想象脑电信号识别方法。首先深入研究了双树复小波变换相较于离散小波变换的优越性并验证了脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)基本规律，然后利用双树复小波分解与重构提取C3，C4导联能量均值差作为特征，最后采用符号函数进行分类。具体包括以下几个步骤：
[0009] 步骤一、脑电信号采集及预处理：受试者根据屏幕提示进行左右手运动想象，通过脑电采集设备中电极导联C3和C4分别采集被试者左右两侧脑电信号，并对C3和C4采集的脑电信号进行带通滤波并进行保存。
[0010] 步骤二、双树复小波分解及细节系数提取：将步骤一预处理后的C3电极导联采集的脑电信号采用双树复小波变换进行4层分解，得到近似系数A4以及四个细节系数D4，D3，D2和D1，提取与μ节律和部分β节律相关的细节系数D3。
[0011] 步骤三、双树复小波重构：根据步骤二提取的细节系数D3，采用双树复小波进行重构获得D3重构分量用于后续特征提取。
[0012] 步骤四、重构分量能量均值计算：在步骤三得到的D3重构分量中寻找事件相关去同步/同步(ERD/ERS)现象的时间段，并在该时间段内计算D3重构分量的能量均值E3。
[0013] 步骤五、同理，将步骤一预处理后的C4电极导联采集的脑电信号，进行步骤二至步骤四的操作，获得能量均值E4。
[0014] 步骤六、符号函数分类识别：计算能量均值差E3-E4，对能量均值差E3-E4采用符号函数法进行分类识别，判别式如下：
[0015]
[0016] 当能量均值差E3-E4为正时，C3导联的能量大于C4导联的能量，为想象左手运动；当能量均值差E3-E4为负时，C3导联的能量小于C4导联的能量，为想象右手运动。
[0017] 进一步地，电极导联C3和C4分别以128Hz的采样频率采集被试者左右两侧脑电信号，并对C3和C4采集的脑电信号进行0.5Hz～30Hz带通滤波去除低频基线漂移及无效的高频信号成分；
[0018] 进一步地，所述近似系数A4以及四个细节系数D4，D3，D2和D1频带范围分别是0～4Hz,4～8Hz,8～16Hz，16～32Hz,32～64Hz；由于μ节律频段范围为8～12Hz，β节律频段范围为14～35Hz，所以8～16Hz频带包含了部分μ节律和部分β节律，因此提取与μ节律和部分β节律相关的细节系数D3；
[0019] 进一步地，所述步骤四中能量均值E3，计算如下：
[0020]
[0021] 其中i＝1,2,…,m，m为所截取的事件相关去同步/同步(ERD/ERS)现象部分的采样点数，xi为采样点脑电信号幅值。
[0022] 与现有技术相比，本发明的有益效果是：
[0023] 1)本发明与现有方法相比，在保证分类正确率的同时，所使用能量均值差特征提取算法和符号函数分类算法更为简单和有效，识别效率有较大提高，更有利于脑机接口的实时应用。
[0024] 2)本发明所采用的双树复小波变换方法利用实部树和虚部树的信息互补有效地降低了隔点采样对分解的影响，抑制了混叠现象的产生，有利于提取具有更独立的子带信息和更清晰的频带宽度的节律信号，这对于进一步提取运动节律相关频段的能量特征而言具有重要意义。
[0025] 3)本发明根据运动节律相关频带范围内的事件相关去同步/同步现象时间段内的脑电信号能有效反映不同运动想象模式的基本生理规律，提取的能量均值差特征为一维特征，特征维数低且能反映脑电特性。
[0026] 4)本发明根据运动想象脑电信号存在的ERD和ERS现象，采用符号函数法对能量均值差特征进行分类识别，分类算法设计简单且有效。
[0027] 5)本发明采用双树复小波变换变换进行运动想象脑电信号的特征提取，有效克服了离散小波变换抗混叠性差、平移敏感等缺点，仅考虑C3和C4两个导联，提取的能量均值差特征维数低，基于符号函数的特征分类算法设计简单。算法整体识别速度快，复杂程度低，适应BCI系统的发展方向，有利于BCI系统的实时应用。附图说明
[0028] 图1为本发明整体流程示意图；
[0029] 图2为本发明运动想象实验过程时序图；
[0030] 图3为本发明电极安放位置示意图；
[0031] 图4为原始脑电信号波形；
[0032] 图5为采用双树复小波变换重构的D3信号波形；
[0033] 图6为采用离散小波变换重构的D3信号波形；
[0034] 图7离散小波变换重构的D3信号与带通滤波信号的频谱对比；
[0035] 图8为双树复小波变换重构的D3信号与带通滤波信号的频谱对比；
[0036] 图9为运动想象脑电信号ERD/ERS现象；
[0037] 图10为两种不同运动想象模式的能量均值差特征值分布。
具体实施方式
[0038] 下面结合附图和具体实施例对本发明做进一步的描述。
[0039] 如图1-10所示，本发明基于双树复小波能量差的运动想象脑电信号识别方法，利用双树复小波分解与重构提取C3，C4导联能量均值差作为特征，最后采用符号函数进行分类；具体包括以下几个步骤：
[0040] 步骤一、脑电信号采集及预滤波：采用电极导联C3和C4分别采集被试者左右两侧脑电信号，并对C3和C4采集的脑电信号进行带通滤波。具体为：
[0041] 如图2-3所示，通过多通道采集器上的电极导联C3，Cz和C4采集脑电运动想象脑电信号，电极导联C3，Cz和C4从左到右放置，采样频率为128Hz，并进行滤波处理，带通滤波频段为0.5Hz～30Hz；由于Cz通道的脑电信号对想象左右手运动任务无关，故本发明只考虑C3和C4二个通道的脑电信号，电极具体位置分布如图3所示。每次运动想象实验持续时间为9秒，0到2秒为休息时间；2秒后在屏幕中央出现一个“+”提示符表明实验即将开始，持续1秒；在3秒后屏幕中央出现一个箭头，随机地指示向左或向右，要求受试者根据箭头方向进行左手或右手的运动想象，具体时序图如图2所示。
[0042] 步骤二、分别对预处理后的C3和C4脑电信号进行双树复小波分解及细节系数提取：对于经步骤一预处理后的C3和C4电极导联采集的两路脑电信号数据进行并行处理，两路信号处理的方法完全相同：均采用双树复小波变换进行4层分解，分别得到C3和C4两路脑电数据的近似系数A4以及四个细节系数D4，D3，D2和D1，并分别提取C3和C4两路脑电数据细节系数D3。具体为：
[0043] 采用两个小波函数'near_sym_b'和'qshift_b'对预处理后的C3和C4电极导联采集的两路脑电信号数据进行4层分解，分别得到C3和C4两路脑电数据的近似系数A4以及四个细节系数D4，D3，D2和D1，所述近似系数A4以及四个细节系数D4，D3，D2和D1频带范围分别是0～4Hz,4～8Hz,8～16Hz，16～32Hz,32～64Hz；由于μ节律频段范围为8～12Hz，β节律频段范围为14～35Hz，所以8～16Hz频带包含了部分μ节律和部分β节律，因此分别提取与μ节律和部分β节律相关的C3和C4两路脑电数据的细节系数D3。
[0044] 步骤三、双树复小波重构：对于经步骤二处理后的得到的C3和C4两路脑电数据各自的D3细节系数，均采用双树复小波变换进行重构处理。具体为：
[0045] 对于包含了μ节律和部分β节律的D3系数进行双树复小波重构得到D3重构分量。为了进行有效对比，对某一实际脑电信号分别采用双树复小波变换和离散小波变换进行四层分解并得到D3重构分量的结果如图4-6所示，其中图4为原始脑电信号时域波形，图5为双树复小波变换的D3重构分量时域波形，图6为离散小波变换的D3重构分量时域波形，根据时域波形观察，双树复小波变换和离散小波变换得到的D3重构分量较为相近，接着对其进行频域分析。为了进行有效对照，本发明同时对原始信号采用数字带通滤波器进行了8～16Hz滤波，并提取了滤波后信号的频谱。采用离散小波变换得到的D3重构分量的频谱与采用数字带通滤波得到的信号频谱对比如图7所示，而采用双树复小波变换得到的D3重构分量的频谱与采用数字带通滤波得到的信号频谱对比如图8所示。从图7中可以直观看出，采用传统的离散小波变换所提取的信号存在的失真较大，重构后的D3信号并非原始信号在某一预期频段上的真实组成成分，通过频谱可见，DWT提取的子带频谱与真实子带频谱相比，引入了5Hz、22Hz等虚假的频率成分，并且频带混叠及泄漏较为严重。从图8中可以直观看出，DTCWT提取的子带则能较好地反映真实子带信息，具体体现在频谱较为吻合，存在较少的频带混叠及泄漏。因此双树复小波变换利用实部树和虚部树的信息互补有效地降低了隔点采样对分解的影响，抑制了混叠现象的产生，有利于提取具有更独立的子带信息和更清晰的频带宽度的节律信号，这对于进一步提取运动节律相关频段的能量特征而言具有重要意义。
[0046] 步骤四、重构分量能量均值计算：在步骤三得到的C3和C4电极导联各自的D3重构分量中寻找事件相关去同步/同步(ERD/ERS)现象的时间段，并在该时间段内计算D3重构分量的能量均值。具体为：
[0047] 为了进一步验证ERD/ERS现象，本实施例采用70次想象左手运动和70次想象右手运动，分别经过步骤一到步骤三，并计算重构分量能量的均值，具体结果如图9所示。由图可见，在大脑具有左手运动意图的时候，大脑同侧C3导联能量增加，同时大脑异侧C4导联能量减少，反之亦然。因此8～16Hz频段可以有效反映这一基本规律，由图可见ERD/ERS现象显著发生在4～7s，故截取这一时间段进行重点分析。对于截取的D3重构分量中ERD/ERS现象的部分，采用下式计算其能量均值：
[0048]
[0049] 其中i＝1,2,…,m，m为所截取的事件相关去同步/同步(ERD/ERS)现象部分的采样点数，xi为采样点脑电信号幅值。对于C3和C4电极导联，分别得到截取的D3重构分量中ERD/ERS现象部分的能量均值，记为E3和E4。
[0050] 步骤五、符号函数分类识别：对能量均值差特征采用符号函数法进行左手、右手运动想象模式分类识别。具体为：
[0051] 对于步骤四中得到的C3和C4电极导联的能量均值特征E3和E4，计算能量均值差特征E3-E4。对70次想象左手运动测试和70次想象右手运动测试，选取4～7s这一时间段，分别计算能量均值差，结果如图10所示。从图10可以看出，由于4～7s存在明显的ERD/ERS现象，当想象左手运动时，C3导联的能量大于C4导联的能量，两者差值为正，反之则能量差为负。根据上述ERD/ERS现象的特点，采用符号函数进行左右手运动想象脑电信号判别，判别式如下：
[0052]
[0053] 即当C3通道能量大于C4通道能量，则为左手运动想象，反之则为右手运动想象。
[0054] 以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种脑机接口视觉刺激显示系统 | 2020-05-20 | 66 |
| 一种基于选择性感受的脑机接口系统 | 2020-05-20 | 385 |
| 脑机接口家电遥控装置 | 2020-05-11 | 767 |
| 一种侵入式脑机接口 | 2020-05-13 | 935 |
| 用于脑机接口的系统 | 2020-05-11 | 477 |
| 脑机接口的最优电极组自动选取方法 | 2020-05-20 | 15 |
| 一种基于脑机接口的能量球 | 2020-05-15 | 673 |
| 一种脑机接口通信装置 | 2020-05-12 | 425 |
| 一种40导联脑机接口信息采集系统 | 2020-05-19 | 112 |
| 一种脑机接口脑电头盔 | 2020-05-14 | 667 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈