一種運(yùn)動(dòng)想象腦電波解析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種運(yùn)動(dòng)想象腦電波解析方法，屬于生物醫(yī)學(xué)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 基于運(yùn)動(dòng)想象（Motorimagery，MI)腦電的BCI是一類非常重要的BCI，該類BCI 可直接由腦信號(hào)重建運(yùn)動(dòng)控制，可以戰(zhàn)略性地用于軍事目的，也可為嚴(yán)重運(yùn)動(dòng)殘疾人和正 常人提供輔助控制，從而改善他們的生活質(zhì)量。腦電信號(hào)的相關(guān)研宄已廣泛用于神經(jīng)科學(xué)、 認(rèn)知科學(xué)、認(rèn)知心理學(xué)和心理生理等，最近幾十年，腦電信號(hào)已用于新型人機(jī)接口 一腦機(jī) 交互，該研宄成為國(guó)際重大前沿研宄熱點(diǎn)。
[0003] 雖然如此，目前，基于運(yùn)動(dòng)想象的BCI正面臨巨大的挑戰(zhàn)，其中挑戰(zhàn)之一是工程實(shí) 現(xiàn)時(shí)腦電信號(hào)的處理問題，主要是腦電信號(hào)的信噪比低，空間分辨率低，偽跡很強(qiáng)。因此，本 發(fā)明結(jié)合一種新的基于運(yùn)動(dòng)參數(shù)想象腦電范式的BCI，研宄其中腦電信號(hào)處理的問題。
[0004] 其次，腦電信號(hào)存在非平穩(wěn)性且包括大量的噪聲，現(xiàn)有的腦電信號(hào)消噪算法不能 很好消除腦電信號(hào)中的噪聲，從而影響后繼的腦電信號(hào)處理和分析；識(shí)別效果不佳，識(shí)別率 不高，而且現(xiàn)有的腦電信號(hào)消噪算法大多不是自適應(yīng)的，其缺點(diǎn)是：運(yùn)算量大、算法收斂慢、 信號(hào)的分離精度（即穩(wěn)態(tài)性能）差，并且針對(duì)不同的被試，都要相應(yīng)的調(diào)整算法中的參數(shù)， 受參數(shù)影響非常大，很不實(shí)用。
[0005] 綜上所述，針對(duì)現(xiàn)有的腦電信號(hào)消噪算法存在的缺點(diǎn)，本發(fā)明設(shè)計(jì)的基于運(yùn)動(dòng)想 象腦電波的解析方法，能獲取信噪比相對(duì)高，相對(duì)干凈的腦電信號(hào)，很大程度上提高了分類 準(zhǔn)確率，可以為推動(dòng)該類BCI系統(tǒng)走向?qū)嶋H運(yùn)用打下堅(jiān)實(shí)的基礎(chǔ)。因此，具有潛在的實(shí)用價(jià) 值和經(jīng)濟(jì)意義。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供了一種運(yùn)動(dòng)想象腦電波解析方法，以用于解決現(xiàn)有識(shí)別方法識(shí)別效果 不佳、識(shí)別率不高、以及沒有自適應(yīng)功能的問題；本方法能獲取信噪比相對(duì)高，相對(duì)干凈的 腦電信號(hào)，很大程度上提高了分類準(zhǔn)確率，為BCI系統(tǒng)中運(yùn)動(dòng)想象腦電信號(hào)特征提取和分 類提供了新的思路。
[0007] 本發(fā)明運(yùn)動(dòng)想象腦電波解析方法是這樣實(shí)現(xiàn)的：首先將采集到的想象左右手運(yùn)動(dòng) 的腦電信號(hào)利用自適應(yīng)陷波算法剔除線電干擾，然后將得到的信號(hào)利用自適應(yīng)閾值剔除算 法丟棄污染嚴(yán)重的腦電片段，接著利用四階巴特沃茲高通濾波器去除基線漂移，再采用自 動(dòng)獨(dú)立分量分析算法自動(dòng)剔除眼電、肌電偽跡成分和非運(yùn)動(dòng)參數(shù)想象相關(guān)神經(jīng)信號(hào)偽跡， 此時(shí)即可得到干凈的腦信號(hào)，利用共同空間模式對(duì)干凈的腦信號(hào)進(jìn)行特征提取，并得到特 征提取之后得到的腦電特征向量；通過支持向量機(jī)對(duì)腦電特征向量進(jìn)行分類，最終識(shí)別出 腦電信號(hào)相對(duì)應(yīng)的不同含義。
[0008] 所述運(yùn)動(dòng)想象腦電波解析方法的具體步驟如下：
[0009] Stepl、首先將采集到的想象左右手運(yùn)動(dòng)的腦電信號(hào)X(t)利用自適應(yīng)陷波算法剔 除50Hz工頻干擾得到信號(hào)X(t) 1;
[0010]St印2、將剔除工頻干擾的信號(hào)X(t)jlj用自適應(yīng)閾值剔除算法丟棄污染嚴(yán)重的腦 電片段，得到信號(hào)X(t)2;
[0011] 其中，信號(hào)X(t)i的幅值超過±100yV時(shí)，信號(hào)X(t):看作噪聲，那么直接把信號(hào) X(t)Jij除；
[0012] St印3、接著利用四階巴特沃茲高通濾波器對(duì)信號(hào)X(t)2去除基線漂移，得到信號(hào) X(t)3;
[0013]St印4、再采用自動(dòng)獨(dú)立分量分析算法ICA自動(dòng)剔除眼電、肌電偽跡成分和非運(yùn)動(dòng) 參數(shù)想象相關(guān)神經(jīng)信號(hào)偽跡；此時(shí)即可得到干凈的腦信號(hào)Y(t);
[0014]St印5、利用共同空間模式CSP對(duì)腦信號(hào)Y(t)進(jìn)行特征提取，并得到特征提取之后 得到的腦電特征向量Mk;
[0015]Step6、通過支持向量機(jī)對(duì)腦電特征向量Mk進(jìn)行模式分類，最終識(shí)別出腦電信號(hào)相 對(duì)應(yīng)的不同含義。
[0016] 所述步驟Step6中，支持向量機(jī)利用核函數(shù)參數(shù)k和誤差懲罰因子c對(duì)腦電特征 向量Mk進(jìn)行分類，核函數(shù)參數(shù)k和誤差懲罰因子c的最佳取值分別為1. 2982和0. 4851。
[0017] 所述步驟St印3中，采用的四階巴特沃茲高通濾波器通帶截止頻率為0. 5Hz和 30Hz。
[0018] 本發(fā)明的有益效果是：
[0019] ⑴本發(fā)明設(shè)計(jì)的腦電波解析方法能夠很好的去除心電、眼電、肌電等干擾信號(hào)， 提高信噪比，增強(qiáng)空間分辨率，得到干凈的腦電信號(hào)。并且本方法中采用的自適應(yīng)陷波算 法、自適應(yīng)閾值剔除算法、自動(dòng)獨(dú)立分量分析算法的實(shí)時(shí)性好，符合在線BCI系統(tǒng)的需求；
[0020] (2)本發(fā)明設(shè)計(jì)的腦電波特征提取和模式分類方法，利用CSP算法利用矩陣同時(shí) 對(duì)角化技術(shù)，能夠方便地構(gòu)造出適用于分類的空間濾波器，從而提高最終的分類效率。通過 支持向量機(jī)對(duì)腦電特征信號(hào)進(jìn)行分類，采用一種核函數(shù)參數(shù)和誤差懲罰因子C的最佳尋優(yōu) 方法，并用互信息（MI)準(zhǔn)則對(duì)支持向量機(jī)進(jìn)行評(píng)判。經(jīng)過實(shí)驗(yàn)驗(yàn)證，該方法與其他運(yùn)動(dòng)想 象腦電特征識(shí)別方法相比較，得到的比特率和分類精度更高，適合于各類BCI系統(tǒng)。
【附圖說明】
[0021] 圖1為本發(fā)明流程圖；
[0022] 圖2為本發(fā)明原始腦電波形；
[0023] 圖3為本發(fā)明利用自適應(yīng)陷波算法剔除線電干擾的腦電波形；
[0024] 圖4為本發(fā)明利用自適應(yīng)閾值剔除算法丟棄污染嚴(yán)重的腦電片段的腦電波形；
[0025] 圖5為本發(fā)明利用四階巴特沃茲高通濾波去基線漂移的腦電波形；
[0026] 圖6為本發(fā)明利用自動(dòng)獨(dú)立分量分析算法剔除眼電等偽跡的腦電波形。
【具體實(shí)施方式】
[0027] 實(shí)施例1 :如圖1-6所示，一種運(yùn)動(dòng)想象腦電波解析方法，首先將采集到的想象左 右手運(yùn)動(dòng)的腦電信號(hào)利用自適應(yīng)陷波算法剔除線電干擾，然后將得到的信號(hào)利用自適應(yīng)閾 值剔除算法丟棄污染嚴(yán)重的腦電片段，接著利用四階巴特沃茲高通濾波器去除基線漂移， 再采用自動(dòng)獨(dú)立分量分析算法自動(dòng)剔除眼電、肌電偽跡成分和非運(yùn)動(dòng)參數(shù)想象相關(guān)神經(jīng)信 號(hào)偽跡，此時(shí)即可得到干凈的腦信號(hào)，利用共同空間模式對(duì)干凈的腦信號(hào)進(jìn)行特征提取，并 得到特征提取之后得到的腦電特征向量；通過支持向量機(jī)對(duì)腦電特征向量進(jìn)行分類，最終 識(shí)別出腦電信號(hào)相對(duì)應(yīng)的不同含義。
[0028] 所述運(yùn)動(dòng)想象腦電波解析方法的具體步驟如下：
[0029]Stepl、首先將采集到的想象左右手運(yùn)動(dòng)的腦電信號(hào)X(t)利用自適應(yīng)陷波算法剔 除50Hz工頻干擾得到信號(hào)X(t) 1;
[0030] St印2、將剔除工頻干擾的信號(hào)X(t)4U用自適應(yīng)閾值剔除算法丟棄污染嚴(yán)重的腦 電片段，得到信號(hào)x(t)2;
[0031] 其中，信號(hào)X(t)i的幅值超過±100yV時(shí)，信號(hào)X(t):看作噪聲，那么直接把信號(hào) X(t)Jij除；
[0032]St印3、接著利用四階巴特沃茲高通濾波器對(duì)信號(hào)X(t)2去除基線漂移，得到信號(hào) X(t)3;
[0033]St印4、再采用自動(dòng)獨(dú)立分量分析算法ICA自動(dòng)剔除眼電、肌電偽跡成分和非運(yùn)動(dòng) 參數(shù)想象相關(guān)神經(jīng)信號(hào)偽跡；此時(shí)即可得到干凈的腦信號(hào)Y(t);
[0034]St印5、利用共同空間模式CSP對(duì)腦信號(hào)Y(t)進(jìn)行特征提取，并得到特征提取之后 得到的腦電特征向量Mk;
[0035]Step6、通過支持向量機(jī)對(duì)腦電特征向量Mk進(jìn)行模式分類，最終識(shí)別出腦電信號(hào)相 對(duì)應(yīng)的不同含義。
[0036] 所述步