專利名稱:基于小波變換和bp神經網絡的腦電特征提取方法
技術領域:
本發(fā)明涉及腦機接口 (brain-computer interface, BCI)系統(tǒng)想象動作腦電 信號特征的提取方法,特別涉及利用離散小波變換和BP神經網絡提取想象動 作腦電特征的方法。
背景技術:
腦-機接口(brain-computer interface, BCI)是指一種不依賴于腦的正常輸出 通路(即外周神經和肌肉)的腦-機(計算機或其它裝置)通訊系統(tǒng),它是一種全新 的通訊和控制方法。BCI系統(tǒng)通常由四個部分組成即信號采集系統(tǒng)、信號 處理系統(tǒng)、模式識別系統(tǒng)和控制裝置系統(tǒng),如圖1所示。信號分析和處理環(huán) 節(jié)是每個BCI系統(tǒng)的核心部分,其功能是將輸入的腦電信號轉換成控制外界 裝置的輸出信號。
想象運動是在動作未發(fā)生的情況下,對將要發(fā)生的動作的一種預測。當 人們想象單側肢體運動時,大腦對側的運動感覺區(qū)的mu節(jié)律和beta節(jié)律能量 減小,而同側的運動感覺區(qū)mu節(jié)律和beta節(jié)律能量增大,這是大腦神經元突 觸后電位相互削弱和增強的結果。這種現(xiàn)象也被稱為事件相關去同步和事件 相關同步。也就是說,這兩種現(xiàn)象反映了特定頻率段上的腦電信號,在能量 上的減小或增加變化。它成為判斷左右手想象運動最根本的依據。但是利用 現(xiàn)有技術,如疊加平均法、快速傅立葉變換法,自回歸模型譜估計,獨立分 量分析等方法,從含有大量噪聲的腦電信號中提取出特征信號,存在著低信噪比、識別準確率不高,識別速度慢等缺點。
發(fā)明內容
為了改善現(xiàn)有技術的不足,本發(fā)明的目的是以想象動作思維引起的能量
變化作為區(qū)分左右手想象運動的特征,提供一種基于離散小波變換和BP神經 網絡相結合的方法,對含有大量噪聲的原始腦電信號進行特征提取及腦電分 類,以提高信噪比,分類準確率和通訊速度。
為了實現(xiàn)上述目的,本發(fā)明采用了如下技術方案-
通過電極帽釆集腦電信號,受試者進行N次想象動作試驗,分別包含想
象左手動作和想象右手動作試驗各^iV次。數(shù)據由差分電極從國際標準的10
2
20導聯(lián)系統(tǒng)的C3,C4通道獲得(如圖1所示)。采集到的腦電信號經過放大, 模數(shù)(A/D)轉換等前置處理后傳送到計算機中,并以信號電壓幅值形式存儲于 存儲器中。利用計算機實現(xiàn)小波變換和BP神經網絡相結合組成的小波神經網 絡對腦電信號進行特征提取和分類。N的取值范圍是140 300;該方法依次 包括下列步驟
1.腦電信號預處理
l)計算想象左手動作的平均功率
按照平均功率公式i^ 計算^iV次想象左手動作從C3、 C4通道
獲取的腦電信號(以下簡稱左手C3和左手C4)在0 9s內所有采樣點對應的平
均功率PLC3、 PLC4,式中/[力為第j個腦電數(shù)據所有次試驗的平均功率,N 為實驗次數(shù),《,.,,為第i次第j個腦電數(shù)據。對求出的平均功率設置3. 5 8s的時間窗;處理過程如圖3所示。
2)計算想象右手動作的平均功率
同理,按照平均功率公式^)=去|>/2(,,,),計算〉次想象右手動作從C3、
C4通道獲取的腦電信號(以下簡稱右手C3和右手C4)在0 9s內所有采樣點 對應的平均功率PRC3、 PRC4。對求出的平均功率設置3.5 8s的時間窗。 處理過程如圖4所示。 2.離散小波變換
1) 左手C3、 C4的離散小波變換
對左手C3、 C4在加窗段內的平均功率進行離散二進小波變換。選用 Daubechies類db5小波,采用6層分解。分解結果如圖5所示,可以看出左手C3 在尺度6上的逼近信號L3a6高于左手C4在尺度6上的逼近信號L4a6。
2) 右手C3、 C4的離散小波變換
同理,對右手C3、 C4在加窗段內的平均功率進行離散二進小波變換。同 樣選用Daubechies類db5小波,采用6層分解。分解結果如圖6所示,可以看出 右手C3在尺度6上的逼近信號R3a6低于右手C4在尺度6上的逼近信號R4a6。
經上述分析可知,對于尺度6上的逼近信號a6,左右手存在明顯差異。該 差異表現(xiàn)為左手C3在尺度6上的逼近信號L3a6高于左手C4在尺度6上的逼近信 號L4a6,而右手C3在尺度6上的逼近信號R3a6則低于右手C4在尺度6上的逼近 信號R4a6。因此需要按照公式La6-L3a6-L4a6, Ra6= R3a6-R4a6計算出左右 手C3、 C4在尺度6上的逼近信號a6的差值La6和Ra6。選取La6和Ra6作為區(qū)分左右手的特征量。 '其中:,所述的離散二進小波變換, 一維快速分解與重建算法為<formula>formula see original document page 7</formula> (2)上式中h(n)和g(n)稱為共軛鏡像濾波器組,分別對應于低通和高通濾波器 的單位脈沖響應。式(l)為小波分解公式,信號f(t:)可從j尺度到j+l尺度進行 逐步分解。原始信號/(/)=《/,其小波分解為"7,(iVU,J為某一整數(shù),是在尺度下分解得到的逼近信號,是尺度2卩下分解得到的細節(jié)信 號。式(2)為小波重建公式。3.利用BP神經網絡對特征量進行分類所述的基于小波變換和BP神經網絡的腦電特征提取方法,其特征在于將 上述離散小波變換與BP神經網絡相結合組成小波BP神經網絡。 本發(fā)明具有如下優(yōu)點本文采用離散小波變換和BP神經網絡提取想象運動腦電特征的方法。由 于小波變換具有多分辨率的特點,在低頻時,時間分辨率較低但頻率分辨率 較高;在高頻時,時間分辨率較高但頻率分辨率較低,它的這種變焦距特性, 容易將類別間差距最大的部分突出表示,從而將不同類之間的差異"放大", 有助于提高想象動作電位的信噪比和識別正確率。另外,小波變換是一種線 性變換,計算速度快,適合于在線分析。
圖1為BCI系統(tǒng)基本結構示意2為想象左右手動作實驗基本構成示意3為左手C3、 C4在0 9s內所有釆樣點對應的平均功率圖4為右手C3、 C4在0 9s內所有采樣點對應的平均功率圖5為左手C3、 C4經離散小波分解后各尺度的細節(jié)信號和逼近信號其中dl-d6為尺度l-6上的細節(jié)信號,a6為尺度6上的逼近信號;其中L3a6為左手C3在尺度6上的逼近信號,L4a6為左手C4在尺度6上的逼近信號;圖6為想象右手C3、 C4經離散小波分解后各尺度的細節(jié)信號和逼近信 號,其中dl-d6為尺度l-6上的細節(jié)信號,a6為尺度6上的逼近信號;其中 R3a6為右手C3在尺度6上的逼近信號,R4a6為右手C4在尺度6上的逼近 信號;圖7為想象左右手C3、 C4在尺度6上的逼近信號a6的差值其中La6為左手C3與C4在尺度6上逼近信號a6的差值,Ra6為右手C3與C4在尺度6上逼近信號a6的差值。
具體實施方式
下面對本發(fā)明作進一步詳細說明想象運動是在動作未發(fā)生的情況下,對將要發(fā)生的動作的一種預測。人體大腦的C3,C4位置包含了想象對側手運動時最為豐富的信息,即手的運動感覺區(qū)。本發(fā)明研究的是想象運動的腦電分類,并針對運動感覺敏感的C3, C4 通道的腦電信號,采用離散小波變換和BP神經網絡方法對原始信號進行特征提取、分類,以達到區(qū)分左右手想象運動的目的。1. 實驗設計方案實驗是由一個含有反饋信號控制的在線腦機接口系統(tǒng)完成,所執(zhí)行的意 識任務是通過想象左右手運動來控制反饋的光標。因此,在該實驗中信號處 理的任務就是在一定的時間內識別出該意識任務是想象左手運動還是右手運動,實現(xiàn)對測試數(shù)據的在線分類和分析。試驗次數(shù)為140次,分別包含想象左 手動作和想象右手動作試驗各70次。實驗的電極位置見圖l,實驗進程示意見 圖2。所有的N次實驗都是在同一天執(zhí)行的,每兩次實驗中間均有幾分鐘的間 隔,實驗時間為9s/次。在起初的2s,受試者保持休息狀態(tài),t-2s時,顯示器上 出現(xiàn)l個持續(xù)ls的十字光標,同時會伴隨l個聲音信號提示實驗開始(受試者準 備開始想象任務)。在t-3 9s時,有l(wèi)個指示左右方向的箭頭代替十字光標作 為指令,同時,要求受試者按照指令所提示的方向通過想象左右手運動控制 進度條向箭頭指示的方向移動。通過位于C3, C4前后(前"+"后"-")各2. 5cm 位置的2對電極記錄腦電信號。腦電信號的采樣頻率是128Hz。2. 腦電信號的預處理 l)計算想象左手動作的平均功率按照平均功率公式<formula>formula see original document page 9</formula>
計算70次左手C3、 C4在0 9s內所有采樣點對應的平均功率PLC3、 PLC4,式中&)為第j個腦電數(shù)據所有次試 驗的平均功率,N為實驗次數(shù),x;力為第i次第j個腦電數(shù)據。對求出的平均功率設置3. 5 8s的時間窗。處理過程如圖3所示。加窗后左手C3、 C4對應的平均功率分別為PLC3' 、 PLC4'。2)計算想象右手動作的平均功率同理,按照平均功率公式4)=丄|>〗(,、,.),計算70次右手C3、 C4在0 9s內所有采樣點對應的平均功率PRC3、 PRC4。對求出的平均功率設置3.5 8s的 時間窗。處理過程如圖4所示。加窗后右手C3、 C4對應的平均功率分別為PRC3 '、PRC4'。 3.離散小波變換離散二進小波變換的一維快速分解與重建算法為- * (1)</ = Z - 2《/ + !>("- (2) 上式中h(n)和g(n)稱為共軛鏡像濾波器組,分別對應于低通和高通濾波器 的單位脈沖響應。式(l)為小波分解公式,信號柳可從j尺度到j+l尺度進行逐步分解。原始信號/(/)=《/,其小波分解為(^/,(",/U, J為某一整數(shù),^/是在尺度2'下分解得到的逼近信號,",/是尺度2'下分解得到的細節(jié)信號。式(2)為小波重建公式。1)左手C3、 C4的離散小波變換對左手C3、 C4在加窗段內的平均功率PLC3'、 PLC4'分別進行離散二進小 波變換。選用Daubechies類db5小波,采用6層分解。分解結果如圖5所示,可 以看出左手C3在尺度6上的逼近信號L3a6高于左手C4在尺度6上的逼近信號 L4a6。2)右手C3、 C4的離散小波變換同理,對右手C3、 C4在加窗段內的平均功率PRC3'、 PRC4'分別進行離散 二迸小波變換。同樣選用Daubechies類db5小波,采用6層分解。分解結果如圖 6所示,可以看出右手C3在尺度6上的逼近信號R3a6低于右手C4在尺度6上的 逼近信號R4a6。對于小波類型和分解層數(shù)的選取,曾先后嘗試過Daubechies類db4、 db5、 db6三種小波分解類型以及4、 5、 6層分解??紤]小波基函數(shù)與待分析信號波 形的相似性,最終選用Daubechies類db5小波,采用6層分解。并發(fā)現(xiàn)了左右手 C3、 C4在尺度6上的逼近信號a6存在明顯差異。該差異表現(xiàn)為左手C3在尺度6 上的逼近信號L3a6高于左手C4在尺度6上的逼近信號L4a6,而右手C3在尺度6 上的逼近信號R3a6則低于右手C4在尺度6上的逼近信號R4a6。因此需要按照公 式La6-L3a6-L4a6, Ra6= R3a6-R4a6計算出左右手C3、 C4在尺度6上的逼近 信號a6的差值La6和Ra6。選取La6和Ra6作為區(qū)分左右手的特征量。 4.利用BP神經網絡對特征量進行分類選用BP神經網絡作為分類器。BP模型是一個多層感知機構,是由輸入層、 中間層(隱層)和輸出層構成的前饋網絡。相對于其它神經網絡模型來說,BP神經網絡具有自適應功能、泛化功能以及很強的容錯能力。BP網絡的過程 由前向過程和誤差反向傳播過程組成,其中輸入信號經輸入層和隱層神經元 逐層處理,前向傳輸?shù)捷敵鰧虞敵鼋Y果;若輸出層的輸出值與樣本值有誤差,則該誤差沿原來的連接通道反向傳播,經修改各層神經元連接閾值與權值, 縮小誤差并反復迭代,當誤差小于允許值時,網絡訓練過程結束。其前向計算過程如下(1) 輸入層結點i的輸出Q等于其輸入Z,;(2) 隱層節(jié)點j的輸入"",Zc^+A,輸出0 _~^——,式J 7 ■' '' l + exp(—""》中^,為隱層節(jié)點j與輸入層結點i之間的連接權;《.為隱層節(jié)點j的閥值,偽非 線形Sigmoid傳遞函數(shù)。(3) 輸出層結點1的輸入一 =^x。,+《,輸出0/ = ——^——, l + exp(-"W,)式中^.為輸出層節(jié)點l與隱含層結點j之間的連接權;《為隱層節(jié)點l的閥值。 對給定的訓練樣本集(、1 ,...^ )^(//^2,...,^), p-l,2,3,…,P為樣本號,網絡運算結果與訓練樣本目標之間的均方誤差和表示為-J/2對于輸出層與隱層之間的權值%有 fij". (A +1) =(A) + /7.《.A《=X(n)對于輸入層與隱層之間的權值%有 . (A:'+1) =(A:) + 77 《 o,.式中k為迭代次數(shù),ll為學習率;0<T1<1。網絡訓練學習的過程就是通過調節(jié)網絡內部連接權使網絡誤差最小。BP網絡內部連接權的調整過程也就是誤差的反向傳播過程。將上述離散小波變換與BP神經網絡相結合組成小波BP神經網絡提取想象 運動腦電特征的方法,實際實施效果體現(xiàn)在可以提高信噪比,處理后誘發(fā)電位 波形明顯,容易識別。同時縮短了提取視覺誘發(fā)電位所需的時間,有助于提高 腦機接口的通訊速度。與傳統(tǒng)方法相比,該項發(fā)明具有準確率高,識別速度 快的優(yōu)點。
權利要求
1、基于小波變換和BP神經網絡的腦電特征提取方法,通過電極帽采集腦電信號,受試者進行N次想象動作試驗,分別包含想象左手動作和想象右手動作試驗各次;采集到的腦電信號經過放大,模數(shù)轉換前置處理后傳送到計算機中,并以信號電壓幅值形式存儲于存儲器中;其特征在于,所述的N的取值范圍是140~300;依次包括下列步驟1)腦電信號預處理i)計算想象左手動作的平均功率按照平均功率公式<math-cwu><![CDATA[<math> <mrow><mover> <msub><mi>P</mi><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow> </msub> <mo>‾</mo></mover><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msubsup> <mi>x</mi> <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow> <mn>2</mn></msubsup> </mrow></math>]]></math-cwu><!--img id="icf0002" file="S2008100568387C00012.gif" wi="120" he="43" img-content="drawing" img-format="tif"/-->計算次想象左手動作從C3、C4通道獲取的腦電信號在0~9s內所有采樣點對應的平均功率PLC3、PLC4,式中為第j個腦電數(shù)據所有次試驗的平均功率,N為實驗次數(shù),xf(i,j)2為第i次第j個腦電數(shù)據;對PLC3、PLC4設置3.5~8s的時間窗;記加窗后左手C3、C4通道對應的平均功率分別為PLC3′、PLC4′;ii)計算想象右手動作的平均功率按照平均功率公式<math-cwu><![CDATA[<math> <mrow><mover> <msub><mi>P</mi><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow> </msub> <mo>‾</mo></mover><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msubsup> <mi>x</mi> <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow> <mn>2</mn></msubsup> </mrow></math>]]></math-cwu><!--img id="icf0005" file="S2008100568387C00015.gif" wi="120" he="43" img-content="drawing" img-format="tif"/-->,計算次想象右手動作從C3、C4通道獲取的腦電信號在0~9s內所有采樣點對應的平均功率PRC3、PRC4;對PRC3、PRC4設置3.5~8s的時間窗;加窗后右手C3、C4對應的平均功率分別為PRC3′、PRC4′;2)離散小波變換i)左手C3、C4的離散小波變換對左手C3、C4在加窗段內的平均功率PLC3′、PLC4′進行離散二進小波變換;選用Daubechies類db5小波,采用六層分解;ii)右手C3、C4的離散小波變換對右手C3、C4在加窗段內的平均功率PRC3′、PRC4′分別進行離散二進小波變換;同樣選用Daubechies類db5小波,采用六層分解;按照公式La6=L3a6-L4a6,Ra6=R3a6-R4a6計算出左右手C3、C4在尺度6上的逼近信號a6的差值La6和Ra6;其中L3a6、L4a6分別為左手C3、C4在尺度6上的逼近信號,R3a6、R4a6分別為右手C3、C4在尺度6上的逼近信號;選取La6和Ra6作為區(qū)分左右手的特征量;3)利用BP神經網絡對特征量進行分類按照建立BP神經網絡、對特征量進行訓練、仿真的步驟來完成這一過程。
全文摘要
本發(fā)明是腦機接口系統(tǒng)想象動作腦電信號特征的提取方法,特別是基于小波變換和BP神經網絡的腦電特征提取方法。本發(fā)明是以想象動作思維引起的能量變化作為區(qū)分左右手想象運動的特征,按照平均功率公式分別計算出想象左右手動作從C3、C4通道獲取的腦電信號(以下簡稱左右手C3、C4)在0~9s內所有采樣點對應的平均功率。設置時間窗,對加窗段的數(shù)據進行離散二進小波變換,選取第六尺度上的逼近信號a6,作為信號特征;以BP神經網絡作為分類器進行分類。本文采用離散小波變換和BP神經網絡提取想象運動電位的方法有助于提高想象動作電位的信噪比和識別正確率;另外,小波變換是一種線性變換,計算速度快,適合于在線分析。
文檔編號G06F17/00GK101221554SQ200810056838
公開日2008年7月16日 申請日期2008年1月25日 優(yōu)先權日2008年1月25日
發(fā)明者劉凈瑜, 亮 孫, 左國玉, 李明愛, 蕊 王, 郝冬梅, 阮曉鋼 申請人:北京工業(yè)大學