本發(fā)明屬于腦電信號(hào)處理及模式識(shí)別領(lǐng)域，涉及腦機(jī)接口中運(yùn)動(dòng)想象腦電信號(hào)模式分類，特別涉及一種基于小波包分解及邏輯回歸的腦電分類方法。

背景技術(shù)：

腦機(jī)接口使用腦電或者大腦活動(dòng)的其他電生理測(cè)試量為人與外部設(shè)備建立了一個(gè)不依靠傳統(tǒng)神經(jīng)肌肉輸出的通信管道。目前，從人體頭皮采集的運(yùn)動(dòng)想象腦電經(jīng)常被用于無(wú)創(chuàng)腦機(jī)接口控制?；谶\(yùn)動(dòng)想象的腦機(jī)接口主要利用運(yùn)動(dòng)感知節(jié)律的幅度調(diào)制來(lái)反映人體的運(yùn)動(dòng)意圖。運(yùn)動(dòng)感知節(jié)律的幅度調(diào)制通常以事件相關(guān)去同步和事件相關(guān)同步的形式出現(xiàn)。近十年以來(lái)，基于事件相關(guān)去同步和事件相關(guān)同步的腦機(jī)接口技術(shù)由于其在殘疾人康復(fù)訓(xùn)練中的良好應(yīng)用前景而受到廣泛關(guān)注。

小波包分析作為良好的信號(hào)時(shí)頻分析工具，由于它不僅將頻帶進(jìn)行多層次劃分，而且對(duì)高頻部分也進(jìn)行進(jìn)一步的分解，具有比小波分析更好的時(shí)頻特性，對(duì)于提高運(yùn)動(dòng)想象腦電分析的精度而言更具有優(yōu)勢(shì)。此外，邏輯回歸是一種重要的分類方法，它使用輸入變量的系數(shù)加權(quán)線性組合來(lái)分類，自某一給定的類上，能給出相應(yīng)的類分布估計(jì)，具有較高的分類精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種運(yùn)動(dòng)想象腦電模式分類方法，基于小波包分解及邏輯回歸，涉及神經(jīng)科學(xué)、數(shù)字信號(hào)處理、機(jī)器學(xué)習(xí)、模式識(shí)別等領(lǐng)域，通過(guò)小波包分解能有效獲取運(yùn)動(dòng)感知節(jié)律相關(guān)信號(hào)并由邏輯回歸模型進(jìn)行準(zhǔn)確分類。為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于小波包分解及邏輯回歸的腦電分類方法。具體包括以下幾個(gè)步驟：

步驟一、腦電信號(hào)采集及預(yù)處理：采用電極導(dǎo)聯(lián)C3和C4多次采集被試者大腦左右兩側(cè)腦電信號(hào)，并對(duì)每一次電極導(dǎo)聯(lián)C3和C4采集的腦電信號(hào)進(jìn)行帶通濾波，將其中若干次采集樣本作為訓(xùn)練樣本集，剩余樣本作為測(cè)試樣本集；

步驟二、小波包分解及重構(gòu)：針對(duì)每一個(gè)樣本，將步驟一預(yù)處理后的電極導(dǎo)聯(lián)C3和C4采集的腦電信號(hào)分別采用小波包分解進(jìn)行3層分解，得到各自的分解系數(shù)S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，抽取與μ節(jié)律和部分β節(jié)律相關(guān)的分解系數(shù)S(3,1)進(jìn)行信號(hào)重構(gòu)；

步驟三、重構(gòu)信號(hào)能量均值特征提?。簩?duì)步驟二得到的S(3,1)重構(gòu)信號(hào)計(jì)算其能量均值特征E₃和E₄，其中E₃對(duì)應(yīng)電極導(dǎo)聯(lián)C3，E₄對(duì)應(yīng)電極導(dǎo)聯(lián)C4，分別得到各樣本的一個(gè)二維特征向量(E₃,E₄)；

步驟四、邏輯回歸判別模型建立：基于步驟一得到的訓(xùn)練樣本集，建立基于Sigmoid函數(shù)的邏輯回歸分類器；

步驟五、運(yùn)動(dòng)想象腦電模式分類：對(duì)于步驟一得到的測(cè)試樣本集中的每一個(gè)樣本，將其二維特征向量代入邏輯回歸分類器，得到具體的分類結(jié)果。

進(jìn)一步地，步驟一中一次采集的樣本同時(shí)包含C3和C4電極導(dǎo)聯(lián)信號(hào)，電極導(dǎo)聯(lián)C3和C4分別以128Hz的采樣頻率采集被試者左右兩側(cè)腦電信號(hào)，并對(duì)C3和C4采集的腦電信號(hào)進(jìn)行0.5Hz～30Hz帶通濾波去除低頻基線漂移及無(wú)效的高頻信號(hào)成分；

進(jìn)一步地，步驟一中訓(xùn)練樣本集和測(cè)試樣本集中均包含左手運(yùn)動(dòng)想象和右手運(yùn)動(dòng)想象兩類樣本，其中訓(xùn)練樣本集類標(biāo)簽已知，一類標(biāo)為1，另一類標(biāo)為0，測(cè)試樣本集類標(biāo)簽需要預(yù)測(cè)，將預(yù)測(cè)結(jié)果和真實(shí)類標(biāo)簽進(jìn)行對(duì)比得到分類正確率。；

進(jìn)一步地，步驟二所述的與μ節(jié)律和部分β節(jié)律相關(guān)的分解系數(shù)S(3,1)對(duì)應(yīng)的頻段范圍為8～16Hz；

進(jìn)一步地，所述步驟三中能量均值E，計(jì)算如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\left|x_i\right|}^2$

其中E代表E₃或E₄，i＝1,2,…,m，m為一次采集信號(hào)周期中所截取的事件相關(guān)去同步/同步現(xiàn)象最明顯時(shí)間段的采樣點(diǎn)數(shù)，x_i為采樣點(diǎn)腦電信號(hào)幅值；

進(jìn)一步地，所述步驟四中Sigmoid函數(shù)具體的計(jì)算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此處X₁及X₂為分類器所需輸入的特征，ω₀、ω₁、ω₂為回歸系數(shù)，

最優(yōu)回歸系數(shù)的尋找過(guò)程如下：

1)初始化步長(zhǎng)alpha及迭代次數(shù)maxCycles；

2)初始化回歸系數(shù)，得到一個(gè)N×3維的回歸系數(shù)矩陣dataMatrix，其中N為訓(xùn)練樣本集中的樣本個(gè)數(shù)；

3)將訓(xùn)練樣本集中每一個(gè)樣本的二維特征向量(E₃,E₄)作為輸入求取Sigmoid函數(shù)值，得到一個(gè)N維向量h，向量h中的每一個(gè)元素即為某一個(gè)樣本對(duì)應(yīng)的Sigmoid函數(shù)值；

4)將向量h與訓(xùn)練樣本集的真實(shí)類標(biāo)簽向量label相減，得到偏差向量error，具體公式如下：

error＝label-h

5)更新回歸系數(shù)，具體公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T為dataMatrix的轉(zhuǎn)置矩陣；

6)判別迭代終止，若迭代次數(shù)小于maxCycles，則返回步驟2)，否則輸出weights；

進(jìn)一步地，所述步驟五中，將測(cè)試樣本集中的每一個(gè)樣本的二維特征向量代入邏輯回歸判別模型，若輸出大于0.5則分入一類，小于0.5則分入另一類。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

1)本發(fā)明根據(jù)運(yùn)動(dòng)感知節(jié)律相關(guān)頻帶范圍內(nèi)的事件相關(guān)去同步/同步現(xiàn)象分段內(nèi)的腦電信號(hào)能有效反映不同運(yùn)動(dòng)想象模式的基本生理規(guī)律，提取能量均值特征，能有效反映腦電特性。

2)本發(fā)明采用小波包分解抽取運(yùn)動(dòng)感知節(jié)律相關(guān)信號(hào)分解系數(shù)，能有效重構(gòu)特征成分。

3)本發(fā)明利用邏輯回歸建立分類模型對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行分類，大大提高了分類的準(zhǔn)確性和便利性。

附圖說(shuō)明

圖1為本發(fā)明整體流程示意圖；

圖2為小波包3層分解示意圖；

圖3為Sigmoid函數(shù)示意圖；

圖4為基于訓(xùn)練樣本集的分類決策邊界示意圖；

圖5為測(cè)試樣本集的邏輯回歸判別模型輸出值分布圖；

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步的描述。

如圖1所示，本發(fā)明基于小波包分解及邏輯回歸的腦電分類方法具體包括以下幾個(gè)步驟：

步驟一、腦電信號(hào)采集及預(yù)濾波：采用電極導(dǎo)聯(lián)C3和C4多次采集被試者大腦左右兩側(cè)腦電信號(hào)，并對(duì)每一次采集的C3和C4導(dǎo)聯(lián)腦電信號(hào)進(jìn)行帶通濾波，將其中二分之一的采集樣本作為訓(xùn)練樣本集，剩余的二分之一樣本作為測(cè)試樣本集。具體為：

通過(guò)多通道采集器上的電極導(dǎo)聯(lián)C3，Cz和C4采集腦電運(yùn)動(dòng)想象腦電信號(hào)，電極導(dǎo)聯(lián)C3，Cz和C4從左到右放置，采樣頻率為128Hz，并進(jìn)行濾波處理，帶通濾波頻段為0.5Hz～30Hz；由于Cz通道的腦電信號(hào)對(duì)想象左右手運(yùn)動(dòng)任務(wù)無(wú)關(guān)，故本發(fā)明只考慮C3和C4二個(gè)通道的腦電信號(hào)。每次運(yùn)動(dòng)想象實(shí)驗(yàn)持續(xù)時(shí)間為9秒，0到2秒為休息時(shí)間；2秒后在屏幕中央出現(xiàn)一個(gè)“+”提示符表明實(shí)驗(yàn)即將開(kāi)始，持續(xù)1秒；在3秒后屏幕中央出現(xiàn)一個(gè)箭頭，隨機(jī)地指示向左或向右，要求受試者根據(jù)箭頭方向進(jìn)行左手或右手的運(yùn)動(dòng)想象。一共采集280組樣本，隨機(jī)抽取140組樣本作為訓(xùn)練樣本集，另外140組樣本作為測(cè)試樣本集，訓(xùn)練樣本集和測(cè)試樣本集中均包含兩類樣本：70組左手運(yùn)動(dòng)想象樣本及70組右手運(yùn)動(dòng)想象樣本。訓(xùn)練樣本集中樣本類標(biāo)簽已知，一類標(biāo)為1，另一類標(biāo)為0，測(cè)試樣本集類標(biāo)簽需要預(yù)測(cè)，將預(yù)測(cè)結(jié)果和真實(shí)類標(biāo)簽進(jìn)行對(duì)比可以得到分類正確率。

步驟二、小波包分解及重構(gòu)：對(duì)于經(jīng)步驟一預(yù)處理后的C3和C4電極導(dǎo)聯(lián)采集的兩路腦電信號(hào)數(shù)據(jù)進(jìn)行并行處理，兩路信號(hào)處理的方法完全相同：均采用‘db5’小波進(jìn)行3層小波包分解，分解示意圖如圖2所示，分別得到C3和C4兩路腦電數(shù)據(jù)的分解系數(shù)S(3,0)，S(3,1)，S(3,2)，S(3,3)，S(3,4)，S(3,5)，S(3,6)及S(3,7)，其頻帶范圍分別是0～8Hz，8～16Hz，16～24Hz，24～32Hz，32～40Hz，40～48Hz，48～56Hz，56～64Hz，由于μ節(jié)律頻段范圍為8～12Hz，β節(jié)律頻段范圍為14～35Hz，所以8～16Hz頻帶包含了部分μ節(jié)律和部分β節(jié)律，因此分別提取與μ節(jié)律和部分β節(jié)律相關(guān)的C3和C4兩路腦電數(shù)據(jù)的S(3,1)系數(shù)進(jìn)行信號(hào)重構(gòu)。

步驟三、重構(gòu)信號(hào)能量均值特征提?。簩?duì)步驟二得到的S(3,1)重構(gòu)信號(hào)計(jì)算其能量均值特征E₃和E₄(E₃針對(duì)C3導(dǎo)聯(lián)，E₄針對(duì)C4導(dǎo)聯(lián))，能量均值特征計(jì)算公式如下：

$E=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\left|x_i\right|}^2$

其中i＝1,2,…,m，m為所截取的事件相關(guān)去同步/同步現(xiàn)象部分的采樣點(diǎn)數(shù)，x_i為采樣點(diǎn)腦電信號(hào)幅值，所截取的事件相關(guān)去同步/同步現(xiàn)象部分為一次采集信號(hào)的某一局部分段[t₁,t₂]，此處t₁設(shè)為4秒，t₂設(shè)為6秒，這個(gè)時(shí)間段事件相關(guān)去同步/同步現(xiàn)象最明顯。

步驟四、邏輯回歸判別模型建立：基于步驟一得到的訓(xùn)練樣本集(其中的每一個(gè)樣本均具有一個(gè)二維特征向量(E₃,E₄))，建立基于Sigmoid函數(shù)的邏輯回歸分類器，Sigmoid函數(shù)具體的計(jì)算公式如下：

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝ω₀+ω₁X₁+ω₂X₂，此處X₁及X₂為分類器所需輸入的特征，ω₀、ω₁、ω₂為回歸系數(shù)，圖3所示為Sigmoid函數(shù)示意圖。最優(yōu)回歸系數(shù)的尋找過(guò)程如下：

1.初始化步長(zhǎng)alpha為0.001，迭代次數(shù)maxCycles為500；

2.初始化回歸系數(shù)ω₀＝1，ω₁＝1，ω₂＝1，得到一個(gè)N×3維的回歸系數(shù)矩陣dataMatrix，其中N為訓(xùn)練樣本集中的樣本個(gè)數(shù)，此處為140；

3.將訓(xùn)練樣本集中每一個(gè)樣本的二維特征向量(E₃,E₄)作為輸入求取Sigmoid函數(shù)值，得到一個(gè)140維向量h，h向量中的每一個(gè)元素即為某一個(gè)樣本對(duì)應(yīng)的Sigmoid函數(shù)值；

4.將h向量與訓(xùn)練樣本集的真實(shí)類標(biāo)簽向量label相減，得到偏差向量error，具體公式如下：

error＝label-h

5.更新回歸系數(shù)，具體公式如下：

weights＝weights+alpha*dataMatrix^T*error

其中weights＝[ω₀,ω₁,ω₂]，dataMatrix^T為dataMatrix的轉(zhuǎn)置矩陣；

6.判別迭代終止，若迭代次數(shù)小于maxCycles，則返回步驟2，否則輸出weights。根據(jù)最優(yōu)回歸系數(shù)構(gòu)建的分類決策邊界示意圖如圖4所示。

步驟五、運(yùn)動(dòng)想象腦電模式分類：對(duì)于步驟一得到的測(cè)試樣本集中的每一個(gè)樣本，將其二維特征向量代入邏輯回歸分類器，得到具體的分類結(jié)果，具體如圖5所示，若輸出大于0.5則分入標(biāo)簽為1的一類，小于0.5則分入標(biāo)簽為0的另一類。結(jié)果表明，分類準(zhǔn)確率達(dá)到了較為理想的89.29％。

以上僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。