本發(fā)明屬于腦電信號(hào)識(shí)別領(lǐng)域以及人工智能領(lǐng)域，具體涉及一種基于稀疏表征分類算法的運(yùn)動(dòng)想象腦電分類處理方法。

背景技術(shù)：

自人類社會(huì)步入21世紀(jì)以來(lái)，腦科學(xué)與認(rèn)知科學(xué)的研究得到越來(lái)越高的重視，人類對(duì)自身大腦智能的探究始終沒(méi)有停下過(guò)腳步，繼而新世紀(jì)被稱為“生命科學(xué)、腦科學(xué)的百年”。美國(guó)、歐盟、日本相繼投入巨資啟動(dòng)人腦計(jì)劃，中國(guó)國(guó)務(wù)院已批示“中國(guó)腦計(jì)劃”，該計(jì)劃作為我國(guó)六個(gè)長(zhǎng)期重要科學(xué)項(xiàng)目工程之一，將得到長(zhǎng)期資助。作為腦科研的一個(gè)新興應(yīng)用研究分支，腦與計(jì)算機(jī)接口技術(shù)的相關(guān)研究也正日益取得卓越進(jìn)展。腦機(jī)接口(Brain-Computer Interface,BCI)指的是一條特殊通路，這條通路連結(jié)了人或動(dòng)物等有機(jī)生物體的大腦和外界用來(lái)進(jìn)行運(yùn)算處理或機(jī)械控制的電子設(shè)備，使得僅通過(guò)直接傳輸大腦指令便達(dá)到控制的目的。該技術(shù)實(shí)際涉及到對(duì)人的特定思維意識(shí)進(jìn)行解讀，從而提取出具有高分辨率的信號(hào)模式命令來(lái)控制諸如神經(jīng)假肢、輪椅、機(jī)器人等生物機(jī)械設(shè)備以輔助人的活動(dòng)。腦機(jī)接口技術(shù)涉及到神經(jīng)科學(xué)、生物醫(yī)學(xué)工程、計(jì)算機(jī)科學(xué)、信號(hào)檢測(cè)、信號(hào)處理、模式識(shí)別、機(jī)器人控制等多學(xué)科領(lǐng)域，它創(chuàng)新性地改革了人與外部世界的信息交互方式，修復(fù)并擴(kuò)展了人體的生理機(jī)能和認(rèn)知功能，從而重新詮釋了人和機(jī)械的共存形式。

目前，各種腦機(jī)接口的應(yīng)用研究正如火如荼地進(jìn)行中，雖然在不同程度上有了較大的進(jìn)展，但是若將其大范圍地應(yīng)用于實(shí)際生活中則仍需要更好地解決平衡腦電類別識(shí)別精度和識(shí)別速度。識(shí)別精度和識(shí)別速度往往構(gòu)成一對(duì)矛盾，使用復(fù)雜的處理算法能夠提高分類正確率，但會(huì)消耗相對(duì)更長(zhǎng)的處理時(shí)間，從而導(dǎo)致識(shí)別速度跟不上實(shí)際需求。這就要求設(shè)計(jì)的系統(tǒng)能夠在保證分類正確率的前提下盡可能提高分類速度，達(dá)到二者的有效平衡。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種解決了處理多通道識(shí)別腦電信號(hào)時(shí)計(jì)算數(shù)據(jù)量較大，從而導(dǎo)致運(yùn)算速度較低的技術(shù)問(wèn)題的基于稀疏表征分類算法的運(yùn)動(dòng)想象腦電分類處理方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

(1)試備者在外部干擾較小的環(huán)境中，頭部戴上無(wú)線或有線傳輸?shù)念^皮電極帽，根據(jù)提示想象運(yùn)動(dòng)動(dòng)作，腦電帽檢測(cè)到試備者的腦電波信號(hào)，隨后對(duì)其進(jìn)行初步的帶通濾波，將濾波后的腦電信號(hào)傳入上位機(jī)存儲(chǔ)；上位機(jī)軟件對(duì)傳入的原始腦電信號(hào)進(jìn)行整理標(biāo)記，制作出用于分類的樣本集和測(cè)試集；

(2)上位機(jī)端軟件根據(jù)運(yùn)動(dòng)想象腦電信號(hào)固有的ERD/ERS特點(diǎn)，利用共同空間模式濾波 器提取降維特征，并計(jì)算所提取的特征頻帶的功率譜密度值；

(3)將訓(xùn)練樣本的功率譜密度值組成的特征集作為腦電字典對(duì)測(cè)試腦電進(jìn)行稀疏表征；

(4)根據(jù)用訓(xùn)練集計(jì)算得到的稀疏表征腦電字典，求解訓(xùn)練集和測(cè)試集的稀疏表征系數(shù)，然后設(shè)計(jì)判定準(zhǔn)則對(duì)分類腦電的類別標(biāo)簽進(jìn)行標(biāo)記。

在利用共同空間模式濾波器提取降維特征時(shí)，使用兩類樣本的協(xié)方差矩陣設(shè)計(jì)共同空間模式濾波器。

根據(jù)腦電信號(hào)特征提取特點(diǎn)，并從傳統(tǒng)的壓縮感知的稀疏基和字典設(shè)計(jì)思路出發(fā)，設(shè)計(jì)了一種適用于腦電波運(yùn)動(dòng)想象分類的字典矩陣設(shè)計(jì)過(guò)程，具體過(guò)程為：

首先對(duì)兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

為了對(duì)腦電信號(hào)的能量特征進(jìn)行突出展現(xiàn)，對(duì)經(jīng)過(guò)CSP濾波器特征提取后的信號(hào)和 再計(jì)算該8-15Hz頻帶的功率譜密度，得到class1_feat，class2_feat，定義字典矩陣為D＝[class1_feat,class2_feat]，D∈R^2α×N，N為訓(xùn)練集樣本總試驗(yàn)次數(shù)。

利用設(shè)計(jì)計(jì)算好的字典矩陣構(gòu)成的稀疏表征分類器進(jìn)行腦電分類，首先，對(duì)測(cè)試信號(hào)y進(jìn)行求得字典矩陣D中列向量的步驟處理，即對(duì)8-15Hz頻率段的ERD/ERS特征進(jìn)行提取，再經(jīng)CSP濾波器得到相應(yīng)的功率譜值；其維數(shù)同字典矩陣D中列向量的維數(shù)N相同；那么測(cè)試樣本y可以表示為設(shè)計(jì)的字典D中的原子的線性組合；：

其中，x_i,j∈R，j＝1,2,…,N_i代表標(biāo)量系數(shù)；

本發(fā)明有益效果在于：

本發(fā)明將多通道腦電采集的運(yùn)動(dòng)想象信息先進(jìn)行了字典構(gòu)建，并將腦電信息以字典為準(zhǔn)計(jì)算出每次運(yùn)動(dòng)想象的稀疏表征系數(shù)矩陣。相對(duì)于其它多通道腦電信號(hào)處理方法，本發(fā)明的處理方法更加高效，僅計(jì)算構(gòu)建一次大字典矩陣，之后的處理都用稀疏表征系數(shù)矩陣來(lái)計(jì)算，大大減少了多通道運(yùn)動(dòng)想象腦電信息的數(shù)據(jù)量，從而減小了數(shù)據(jù)計(jì)算壓力，提高了運(yùn)算速度。由于字典構(gòu)建的特征方法，本發(fā)明所使用的稀疏表征分類算法，在將特征信號(hào)轉(zhuǎn)變?yōu)榛谧值渚仃嚨南∈璞碚飨禂?shù)矩陣后，就已經(jīng)進(jìn)行了分類處理，即從系數(shù)表征系數(shù)矩陣中元素的數(shù)值大小就可以直觀地判斷出此類想象的類別，無(wú)需進(jìn)行進(jìn)一步獨(dú)立的分類步驟，大大簡(jiǎn)化了 對(duì)于處理分類算法的復(fù)雜度。

附圖說(shuō)明

圖1為腦電分類處理總框圖；

圖2為10-20國(guó)際標(biāo)準(zhǔn)系統(tǒng)電極安放示意圖；

圖3為腦電采集時(shí)間范式；

圖4為字典矩陣示意圖；

圖5為兩組不同想象類別的腦波信號(hào)所計(jì)算出的稀疏表征系數(shù)。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步描述。

步驟(1).試備者在外部干擾較小的環(huán)境中，頭部戴上無(wú)線或有線傳輸?shù)念^皮電極帽，根據(jù)提示想象例如左手運(yùn)動(dòng)，右手運(yùn)動(dòng)等多類運(yùn)動(dòng)動(dòng)作，腦電帽檢測(cè)到試備者的腦電波信號(hào)，隨后對(duì)其進(jìn)行初步的帶通濾波，將濾波后的腦電信號(hào)傳入上位機(jī)存儲(chǔ)。上位機(jī)軟件對(duì)傳入的原始腦電信號(hào)進(jìn)行自動(dòng)加人工手動(dòng)的整理標(biāo)記，制作出用于分類的樣本集和測(cè)試集。本方法令被試者的頭戴電極帽的電極通道數(shù)為118。

步驟(2).上位機(jī)端軟件根據(jù)運(yùn)動(dòng)想象腦電信號(hào)固有的ERD/ERS特點(diǎn)，利用共同空間模式濾波器提取降維特征，并計(jì)算所提取的特征頻帶的功率譜密度值。我們采用當(dāng)想象肢體運(yùn)動(dòng)時(shí)產(chǎn)生的ERD/ERS現(xiàn)象進(jìn)行任務(wù)區(qū)分。從腦電中直觀體現(xiàn)該現(xiàn)象的是μ節(jié)律和β節(jié)律。由于μ節(jié)律的頻帶范圍為8-14Hz，β節(jié)律的頻帶范圍為14-30Hz，當(dāng)然最佳節(jié)律頻帶的劃分會(huì)因人而異。本方法設(shè)計(jì)的是一個(gè)8-15Hz的帶通濾波器來(lái)提取μ節(jié)律。

根據(jù)空間濾波器的原理與設(shè)計(jì)思慮，本方法使用兩類訓(xùn)練樣本的協(xié)方差矩陣設(shè)計(jì)共同空間模式濾波器。設(shè)測(cè)試樣本為X_R∈R^C×T，X_L∈R^C×T，C為通道數(shù)，T為每通道的采樣點(diǎn)數(shù)。分別計(jì)算兩類樣本的自相關(guān)矩陣covR和covL：

covR＝X_L·X_L^T

covL＝X_R·X_R^T

將兩個(gè)自相關(guān)矩陣作和：

covRL＝covR+covL

求取方陣covR和covRL的C個(gè)廣義特征值，構(gòu)成C×C階對(duì)角陣D，同時(shí)返回特征向量滿足covR·V＝covRL·V·D。這樣得到的投影矩陣W即為V。具體地，W＝[w₁,w₂,...,w_C]，稱每個(gè)w_i∈R^C(i＝1,2,...,C)為一個(gè)共同空間模式濾波器，且從前至后分別對(duì)應(yīng)于最大到最小的特征值。選取W的前α列和后α列，構(gòu)造一個(gè)C×2α階共同空間模式濾波器W_CSP＝[w₁,...,w_α,w_C-α+1,...,w_C]，這里2α為該CSP濾波器的個(gè)數(shù)。由于實(shí)驗(yàn)數(shù)據(jù)采集通道數(shù)為118，則我們?nèi)?α為2至70之間的所有偶數(shù)個(gè)。

步驟(3).將訓(xùn)練樣本的功率譜密度值組成的特征集作為腦電字典對(duì)測(cè)試腦電進(jìn)行稀疏表征。首先對(duì)兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

為了對(duì)腦電信號(hào)的能量特征進(jìn)行突出展現(xiàn)，對(duì)經(jīng)過(guò)CSP濾波器特征提取后的信號(hào)和 再計(jì)算該8-15Hz頻帶的功率譜密度(PSD)，得到class1_feat，class2_feat，那么可以定義字典矩陣為D＝[class1_feat,class2_feat]，D∈R^2α×N，N為訓(xùn)練集樣本總試驗(yàn)次數(shù)。

步驟(4).根據(jù)用訓(xùn)練集計(jì)算得到的稀疏表征腦電字典，求解訓(xùn)練集和測(cè)試集的稀疏表征系數(shù)，然后設(shè)計(jì)判定準(zhǔn)則對(duì)分類腦電的類別標(biāo)簽進(jìn)行標(biāo)記。首先，對(duì)測(cè)試信號(hào)y進(jìn)行如求得上述字典矩陣D中列向量的步驟處理，即對(duì)8-15Hz頻率段的ERD/ERS特征進(jìn)行提取，再經(jīng)CSP濾波器得到相應(yīng)的功率譜值。其維數(shù)同字典矩陣D中列向量的維數(shù)N相同。那么測(cè)試樣本y可以表示為設(shè)計(jì)的字典D中的原子的線性組合。表達(dá)式如下：

其中，x_i,j∈R，j＝1,2,…,N_i代表標(biāo)量系數(shù)。

這里本方法采用基追蹤算法對(duì)稀疏表征系數(shù)進(jìn)行求解。

在系數(shù)表征系數(shù)矩陣求解出之后，本方法使用殘差法進(jìn)行分類，基本思想是計(jì)算測(cè)試樣本在與每個(gè)子字典上的重構(gòu)結(jié)構(gòu)之間的誤差，差值最小的那一類被判別為測(cè)試樣本所屬的類別。

對(duì)于第i(i＝L,R)類腦電信號(hào)，定義兩個(gè)示性函數(shù)δ_i(x)，每一個(gè)函數(shù)內(nèi)容為對(duì)應(yīng)于第i類的字典矩陣列向量的表征系數(shù)，而將其它系數(shù)置設(shè)置為零。如對(duì)于屬于類別L的稀疏表征解向量x∈R^2Nt，定義δ_L(x)和δ_R(x)為：

X₁＝[x_L,1,x_L,2,...,x_L,Nt]

X₂＝[x_R,1,x_R,2,...,x_R,Nt]

δ_L(x)＝[X₁,0,...,0]

δ_R(x)＝[0,...,0,X₂]

對(duì)于該測(cè)試樣本y，得到關(guān)于L類的殘差計(jì)算表達(dá)式：

r_L(y)＝||y-Dδ_L(x)||₂

其關(guān)于R類的殘差值為：

r_R(y)＝||y-Dδ_R(x)||₂

比較r_L(y)和r_R(y)的大小，若r_L(y)較小，則說(shuō)明y屬于類別L。其判定標(biāo)準(zhǔn)由公式表示：

圖1為腦電分類處理總框圖，其實(shí)施主要包括以下幾個(gè)步驟：

步驟(1).試備者在外部干擾較小的環(huán)境中，頭部戴上無(wú)線或有線傳輸?shù)念^皮電極帽，根據(jù)提示想象例如左手運(yùn)動(dòng)，右手運(yùn)動(dòng)等多類運(yùn)動(dòng)動(dòng)作，腦電帽檢測(cè)到試備者的腦電波信號(hào)，隨后對(duì)其進(jìn)行初步的帶通濾波，將濾波后的腦電信號(hào)傳入上位機(jī)存儲(chǔ)。上位機(jī)軟件對(duì)傳入的原始腦電信號(hào)進(jìn)行自動(dòng)加人工手動(dòng)的整理標(biāo)記，制作出用于分類的樣本集和測(cè)試集。

步驟(2).上位機(jī)端軟件根據(jù)運(yùn)動(dòng)想象腦電信號(hào)固有的ERD/ERS特點(diǎn)，利用共同空間模式濾波器提取降維特征，并計(jì)算所提取的特征頻帶的功率譜密度值。

步驟(3).將訓(xùn)練樣本的功率譜密度值組成的特征集作為腦電字典對(duì)測(cè)試腦電進(jìn)行稀疏表征.

步驟(4).根據(jù)用訓(xùn)練集計(jì)算得到的稀疏表征腦電字典，求解訓(xùn)練集和測(cè)試集的稀疏表征系數(shù)，然后設(shè)計(jì)判定準(zhǔn)則對(duì)分類腦電的類別標(biāo)簽進(jìn)行標(biāo)記。

下面逐一對(duì)各步驟進(jìn)行詳細(xì)說(shuō)明。

步驟(1)中需要被試者頭戴一個(gè)118通道的電極帽進(jìn)行腦電信號(hào)采集。采集該數(shù)據(jù)集的裝置為BrainAmp放大器和一個(gè)128通道的ECI的電極帽Ag/AgCl，其中的118個(gè)EEG通道是根據(jù)國(guó)際10-20系統(tǒng)位置安置的，10-20國(guó)際標(biāo)準(zhǔn)系統(tǒng)電極安放示意圖如圖2所示。受試者進(jìn)行左手、右手以及右腳三種肢體運(yùn)動(dòng)的想象。這些數(shù)據(jù)集僅包含原始數(shù)據(jù)，沒(méi)有其他反饋信息。腦電信號(hào)通過(guò)0.05-200Hz帶通濾波器并且進(jìn)行數(shù)字化，采樣至100Hz，由柏林研究小組進(jìn)行了離線分析。每次運(yùn)動(dòng)想象部分?jǐn)?shù)據(jù)的采集時(shí)長(zhǎng)為3.5秒，然后休息1.75秒至2.25秒不等。每名受試者都進(jìn)行了280次試驗(yàn)。每一類別各進(jìn)行140次試驗(yàn)。如圖3所示為數(shù)據(jù)采集的時(shí)間范式。

步驟(2)中我們采用當(dāng)想象肢體運(yùn)動(dòng)時(shí)產(chǎn)生的ERD/ERS現(xiàn)象進(jìn)行任務(wù)區(qū)分。從腦電中直觀體現(xiàn)該現(xiàn)象的是μ節(jié)律和β節(jié)律。由于μ節(jié)律的頻帶范圍為8-14Hz，β節(jié)律的頻帶范圍為14-30Hz，當(dāng)然最佳節(jié)律頻帶的劃分會(huì)因人而異。本方法設(shè)計(jì)的是一個(gè)8-15Hz的帶通濾波器來(lái)提取μ節(jié)律。

共同空間模式濾波器(Common Spatial Pattern,CSP)針對(duì)不同類別尤其是兩類的運(yùn)動(dòng)想象信號(hào)構(gòu)建一個(gè)共同的空間濾波器，使不同類別的腦電信號(hào)在此空間方向的投影能量分別達(dá)到最大和最小，其基本原理為：

若單次運(yùn)動(dòng)想象任務(wù)測(cè)得的腦電信號(hào)表示為X∈R^C×T，C表示通道數(shù)，T表示每通道的采樣點(diǎn)數(shù)。有兩類腦電數(shù)據(jù)訓(xùn)練樣本，分別表示為X_R∈R^C×T，X_L∈R^C×T，對(duì)應(yīng)于右手和左手的運(yùn)動(dòng)想象。使用以下的優(yōu)化步驟，便可計(jì)算出CSP濾波器矩陣表達(dá)W∈R^C×C。CSP算法的思想轉(zhuǎn)換為數(shù)學(xué)表達(dá)式即求出下式中的向量w：

其中，分別為兩類腦電的協(xié)方差。則上式相當(dāng)于求解最小化問(wèn)題：

利用拉格朗日方法，得出：

L(w,λ)＝-w^TC_Rw+λ(w^TC_Lw-1)

上式對(duì)w求偏導(dǎo)，并將其設(shè)置為0，即于是得到：

C_Rw＝λC_Lw

進(jìn)而得到：

由此可知，w的值等價(jià)于對(duì)應(yīng)于最大特征值的特征向量，而特征值為特征式|C_R-λC_L|＝0的根，w的值可通過(guò)式子(C_R-λC_L)w＝0求解。w的值使得對(duì)一類信號(hào)方差最大化的同時(shí)，使另一類信號(hào)方差達(dá)到最小。

本發(fā)明使用一種等價(jià)的求解方法。訓(xùn)練樣本的功率譜密度值組成的特征集作為腦電字典對(duì)測(cè)試腦電進(jìn)行稀疏表征。首先對(duì)兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

步驟(3)中為了對(duì)腦電信號(hào)的能量特征進(jìn)行突出展現(xiàn)，對(duì)經(jīng)過(guò)CSP濾波器特征提取后的信號(hào)和再計(jì)算該8-15Hz頻帶的功率譜密度(PSD)，得到class1_feat，class2_feat， 那么可以定義字典矩陣為D＝[class1_feat,class2_feat]，D∈R^2α×N，N為訓(xùn)練集樣本總試驗(yàn)次數(shù)。得到的字典機(jī)構(gòu)模型如圖4。

步驟(4)中，利用基追蹤算法對(duì)運(yùn)動(dòng)想象的腦電信號(hào)的稀疏表征系數(shù)進(jìn)行求解。求解后得到的系數(shù)表征系數(shù)矩陣為一個(gè)列向量，經(jīng)過(guò)稀疏表征過(guò)的系數(shù)矩陣可以直觀的得出腦電信號(hào)的所屬類別。圖5中左右兩個(gè)柱狀圖分別代表兩種類別的測(cè)試樣本在字典矩陣上求解的稀疏表征系數(shù)結(jié)果，可以直觀地從絕對(duì)值明顯大的元素分布位置看出左右兩個(gè)稀疏表征系數(shù)矩陣代表的腦電信號(hào)所屬的運(yùn)動(dòng)想象類別。理論上，稀疏表征系數(shù)對(duì)應(yīng)于非相關(guān)的類別值應(yīng)該為0。然而，由于腦電信號(hào)具有非平穩(wěn)特性，導(dǎo)致出現(xiàn)系數(shù)值的波動(dòng)狀況，產(chǎn)生非零元素。