一種腦電信號的特征提取方法及裝置制造方法
【專利摘要】本發(fā)明適用于信號處理【技術領域】，提供了一種腦電信號的特征提取方法及裝置，包括：利用n個電極對腦電信號進行采集；采用MEMD算法計算每個所述電極采集到的腦電信號的IMF；采用希爾伯特變換，計算不同所述電極采集到的腦電信號之間的PLV；根據計算得到的所述PLV，生成歸一化的PLV矩陣，基于所述PLV矩陣選取P對最為顯著的電極對；計算預設時間段內所述P對最為顯著的電極對的局部PLV，并對所述局部PLV值求平均，以輸出所述腦電信號的PLV特征。本發(fā)明可以實現多通道信號同時從寬頻到窄頻的分解，使得所有通道的信號具備一致模式的IMF，同時，通過結合MEME算法與PLV算法，改進腦電特征的提取效果。
【專利說明】_種腦電信號的特征提取方法及裝置
【技術領域】
[0001] 本發(fā)明屬于信號處理【技術領域】，尤其涉及一種腦電信號的特征提取方法及裝置。
【背景技術】
[0002] 在大腦活動過程中，存在功能分區(qū)自身的整合及不同功能分區(qū)之間的持續(xù)協(xié)作， 不論是在單個神經元對，或是大范圍的神經元群體間，還是在大腦皮層的某個區(qū)域，或者大 腦皮層的不同區(qū)域之間，同步化現象都廣泛存在。為了分析大腦在不同思維狀態(tài)下不同腦 區(qū)間的功能性連接，通常會對腦電節(jié)律進行同步化分析，并將不同腦區(qū)的空間分布特征作 為特征提取的依據。
[0003] 相位同步（Phase Synchronization)方法通過計算兩個信號的瞬時相位和相位鎖 相值（Phase Locking Value，PLV)，實現被測信號的同步化分析，其中，相位鎖定被認為是 與大腦整合直接相關的生理機制，其將給定頻帶范圍內的信號相位信息從幅度信息中分離 出來，可以滿足腦電信號的非平穩(wěn)特征，然而，該方法通常只適用于分析信號的特定窄帶成 分。
[0004] 經驗模式分解（Empirical Mode Decomposition，EMD)算法通過自身篩選過程，將 腦電信號分解為一組固有模式函數（Intrinsic Mode Function，IMF)，可實現從寬帶到窄 帶的信號分解，并通過希爾伯特變換（Hilbert transform)計算相位同步化所需的瞬時相 位。然而，EMD算法由于受數據驅動，最終會將不同信號分解成一組包含不同尺度及個數的 MF，產生模式混疊現象，從而影響了特征提取的效果，降低了特征識別率。
[0005] 在本發(fā)明實施例中，將MEMD算法與PLV算法相結合，在信號分解和重構階段采用 的是MEMD算法，與EMD算法相比，MEMD算法可以實現多通道信號同時從寬頻到窄頻的分 解，使得所有通道的信號具備一致模式的頂F。同時，通過結合MEME算法與PLV算法，可以 改進單純PLV算法對腦電特征的提取效果，為基于運動想象的腦一機接口系統(tǒng)有效分類特 征，以獲得較高的特征識別率。
【發(fā)明內容】
[0006] 本發(fā)明實施例的目的在于提供一種腦電信號的特征提取方法及裝置，旨在解決現 有技術中對腦電信號進行特征提取容易產生模式混疊現象，影響特征提取的效果的問題。
[0007] 本發(fā)明實施例是這樣實現的，一種腦電信號的特征提取方法，包括：
[0008] 利用η個電極對腦電信號進行采集，所述η為大于1的整數；
[0009] 采用多元經驗模式分解MEMD算法計算每個所述電極采集到的腦電信號的固有模 式函數MF ;
[0010] 采用希爾伯特變換，計算不同所述電極采集到的腦電信號之間的相位鎖相值 PLV ；
[0011] 根據計算得到的所述PLV，生成歸一化的PLV矩陣，基于所述PLV矩陣選取P對最 為顯著的電極對，所述P為大于1的整數；
[0012] 計算預設時間段內所述P對最為顯著的電極對的局部PLV，并對所述局部PLV值求 平均，以輸出所述腦電信號的PLV特征。
[0013] 本發(fā)明實施例的另一目的在于提供一種腦電信號的特征提取裝置，包括：
[0014] 采集單元，用于利用η個電極對腦電信號進行采集，所述η為大于1的整數；
[0015] 第一計算單元，用于采用多元經驗模式分解MEMD算法計算每個所述電極采集到 的腦電信號的固有模式函數IMF ;
[0016] 第二計算單元，用于采用希爾伯特變換，計算不同所述電極采集到的腦電信號之 間的相位鎖相值PLV ;
[0017] 選取單元，用于根據計算得到的所述PLV，生成歸一化的PLV矩陣，基于所述PLV矩 陣選取P對最為顯著的電極對，所述P為大于1的整數；
[0018] 輸出單元，用于計算預設時間段內所述P對最為顯著的電極對的局部PLV，并對所 述局部PLV值求平均，以輸出所述腦電信號的PLV特征。
【專利附圖】
【附圖說明】
[0019] 圖1是本發(fā)明實施例提供的腦電信號的特征提取方法的實現流程圖；
[0020] 圖2是本發(fā)明實施例提供的22個電極在腦部的安放位置示意圖；
[0021] 圖3是本發(fā)明實施例提供的單次實驗的時間序列圖；
[0022] 圖4是本發(fā)明實施例提供的腦電信號的特征提取方法S103的具體實現流程圖；
[0023] 圖5是本發(fā)明實施例提供的腦電信號的特征提取方法S104的具體實現流程圖；
[0024] 圖6是本發(fā)明實施例提供的腦電信號的特征提取方法的算法實現流程圖；
[0025] 圖7是本發(fā)明實施例提供的腦電信號的特征提取裝置的結構框圖。
【具體實施方式】
[0026] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0027] 圖1示出了本發(fā)明實施例提供的腦電信號的特征提取方法的實現流程，詳述如 下：
[0028] 在SlOl中，利用η個電極對腦電信號進行采集，所述η為大于1的整數。
[0029] 在本實施例中，采用格拉茨技術大學BCI實驗室提供的BCI Competition IV Data Set 2a中的運動想象腦電數據。該數據的采集有九名健康受試者參與，受試者根據電腦屏 幕的相應提示執(zhí)行左手、右手、腳、舌頭四類運動想象任務，實驗采集的每組數據均包含了 22個通道的腦電信號，這22個通道對應的電極安放位置如圖2所示，采樣頻率為250Hz，帶 通濾波范圍是0. 5Hz?IOOHz。
[0030] 圖3是單次實驗的時間序列圖，每個受試者共執(zhí)行288次實驗，每次實驗持續(xù)約8 秒，每一次數據記錄過程如下：
[0031] 首先給受試者2秒鐘的安靜準備時間，同時屏幕中心顯示十字符號，當2秒鐘的安 靜準備時間結束時，屏幕出現提示箭頭，提示受試者執(zhí)行相應的運行想象任務并持續(xù)4秒 鐘，4秒之后，屏幕短暫黑屏，則一次實驗結束。
[0032] 在 S102 中，米用多元經驗模式分解（Multivariate Empirical Mode Decomposition，MEMD)算法計算每個所述電極采集到的腦電信號的IMF。
[0033] 在本實施例中，利用MEMD算法同時對多通道的腦電信號進行經驗模式分解，并最 終得到具有相同尺度及個數的頂F，可以避免各電極采集到的腦電信號的相同MF分量對 應不同子帶的情況。
[0034] 具體地：將η維腦電信號
【權利要求】
1. 一種腦電信號的特征提取方法，其特征在于，包括： 利用n個電極對腦電信號進行采集，所述n為大于1的整數； 采用多元經驗模式分解MEMD算法計算每個所述電極采集到的腦電信號的固有模式函 數頂F; 采用希爾伯特變換，計算不同所述電極采集到的腦電信號之間的相位鎖相值PLV; 根據計算得到的所述PLV，生成歸一化的PLV矩陣，基于所述PLV矩陣選取P對最為顯 著的電極對，所述P為大于1的整數； 計算預設時間段內所述P對最為顯著的電極對的局部PLV，并對所述局部PLV值求平 均，以輸出所述腦電信號的PLV特征。
2. 如權利要求1所述的方法，其特征在于，在所述采用MEMD算法計算每個電極采集到 的腦電信號的MF之前，所述方法還包括： 對所述電極采集到的腦電信號進行濾波。
3. 如權利要求2所述的方法，其特征在于，所述濾波頻帶為9?30Hz。
4. 如權利要求1所述的方法，其特征在于，所述采用希爾伯特變換，計算不同所述電極 采集到的腦電信號之間的PLV包括： 對計算得到的所述IMF分別進行希爾伯特變換，得到每個所述電極采集到的腦電信號 的瞬時相位； 根據每個所述電極采集到的腦電信號的瞬時相位計算不同所述電極采集到的腦電信 號之間的PLV。
5. 如權利要求1所述的方法，其特征在于，所述根據計算得到的所述PLV，生成歸一化 的PLV矩陣，基于所述PLV矩陣選取P對最為顯著的電極對包括： 提取出所述PLV的最大值； 根據計算得到的所述PLV和所述PLV的最大值，生成歸一化的PLV矩陣； 基于所述PLV矩陣選取P對最為顯著的電極對。
6. -種腦電信號的特征提取裝置，其特征在于，包括： 采集單元，用于利用n個電極對腦電信號進行采集，所述n為大于1的整數； 第一計算單元，用于采用多元經驗模式分解MEMD算法計算每個所述電極采集到的腦 電信號的固有模式函數IMF; 第二計算單元，用于采用希爾伯特變換，計算不同所述電極采集到的腦電信號之間的 相位鎖相值PLV; 選取單元，用于根據計算得到的所述PLV，生成歸一化的PLV矩陣，基于所述PLV矩陣選 取P對最為顯著的電極對，所述P為大于1的整數； 輸出單元，用于計算預設時間段內所述P對最為顯著的電極對的局部PLV，并對所述局 部PLV值求平均，以輸出所述腦電信號的PLV特征。
7. 如權利要求6所述的裝置，其特征在于，所述裝置還包括： 濾波單元，用于對所述電極采集到的腦電信號進行濾波。
8. 如權利要求7所述的裝置，其特征在于，所述濾波頻帶為9?30Hz。
9. 如權利要求6所述的裝置，其特征在于，所述第二計算單元包括： 變換子單元，用于對計算得到的所述IMF分別進行希爾伯特變換，得到每個所述電極 采集到的腦電信號的瞬時相位； 計算子單元，用于根據每個所述電極采集到的腦電信號的瞬時相位計算不同所述電極 采集到的腦電信號之間的PLV。
10.如權利要求6所述的裝置，其特征在于，所述選取單元包括： 提取子單元，用于提取出所述PLV的最大值； 生成子單元，用于根據計算得到的所述PLV和所述PLV的最大值，生成歸一化的PLV矩 陣； 選取子單元，用于基于所述PLV矩陣選取P對最為顯著的電極對。
【文檔編號】A61B5/0476GK104510468SQ201410844356
【公開日】2015年4月15日 申請日期:2014年12月30日 優(yōu)先權日:2014年12月30日
【發(fā)明者】梁爽, 秦璟, 王瓊, 王平安 申請人:中國科學院深圳先進技術研究院