本發(fā)明屬于腦電信號識別領(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動想象腦電分類處理方法。

背景技術(shù)：

自人類社會步入21世紀(jì)以來，腦科學(xué)與認(rèn)知科學(xué)的研究得到越來越高的重視，人類對自身大腦智能的探究始終沒有停下過腳步，繼而新世紀(jì)被稱為“生命科學(xué)、腦科學(xué)的百年”。美國、歐盟、日本相繼投入巨資啟動人腦計劃，中國國務(wù)院已批示“中國腦計劃”，該計劃作為我國六個長期重要科學(xué)項目工程之一，將得到長期資助。作為腦科研的一個新興應(yīng)用研究分支，腦與計算機接口技術(shù)的相關(guān)研究也正日益取得卓越進(jìn)展。腦機接口(Brain-Computer Interface,BCI)指的是一條特殊通路，這條通路連結(jié)了人或動物等有機生物體的大腦和外界用來進(jìn)行運算處理或機械控制的電子設(shè)備，使得僅通過直接傳輸大腦指令便達(dá)到控制的目的。該技術(shù)實際涉及到對人的特定思維意識進(jìn)行解讀，從而提取出具有高分辨率的信號模式命令來控制諸如神經(jīng)假肢、輪椅、機器人等生物機械設(shè)備以輔助人的活動。腦機接口技術(shù)涉及到神經(jīng)科學(xué)、生物醫(yī)學(xué)工程、計算機科學(xué)、信號檢測、信號處理、模式識別、機器人控制等多學(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)并擴展了人體的生理機能和認(rèn)知功能，從而重新詮釋了人和機械的共存形式。

目前，各種腦機接口的應(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)用于實際生活中則仍需要更好地解決平衡腦電類別識別精度和識別速度。識別精度和識別速度往往構(gòu)成一對矛盾，使用復(fù)雜的處理算法能夠提高分類正確率，但會消耗相對更長的處理時間，從而導(dǎo)致識別速度跟不上實際需求。這就要求設(shè)計的系統(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別腦電信號時計算數(shù)據(jù)量較大，從而導(dǎo)致運算速度較低的技術(shù)問題的基于稀疏表征分類算法的運動想象腦電分類處理方法。

本發(fā)明的目的是這樣實現(xiàn)的：

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

(2)上位機端軟件根據(jù)運動想象腦電信號固有的ERD/ERS特點，利用共同空間模式濾波 器提取降維特征，并計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測試腦電進(jìn)行稀疏表征；

(4)根據(jù)用訓(xùn)練集計算得到的稀疏表征腦電字典，求解訓(xùn)練集和測試集的稀疏表征系數(shù)，然后設(shè)計判定準(zhǔn)則對分類腦電的類別標(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，使用兩類樣本的協(xié)方差矩陣設(shè)計共同空間模式濾波器。

根據(jù)腦電信號特征提取特點，并從傳統(tǒng)的壓縮感知的稀疏基和字典設(shè)計思路出發(fā)，設(shè)計了一種適用于腦電波運動想象分類的字典矩陣設(shè)計過程，具體過程為：

首先對兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

為了對腦電信號的能量特征進(jìn)行突出展現(xiàn)，對經(jīng)過CSP濾波器特征提取后的信號和 再計算該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)練集樣本總試驗次數(shù)。

利用設(shè)計計算好的字典矩陣構(gòu)成的稀疏表征分類器進(jìn)行腦電分類，首先，對測試信號y進(jìn)行求得字典矩陣D中列向量的步驟處理，即對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；那么測試樣本y可以表示為設(shè)計的字典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動想象信息先進(jìn)行了字典構(gòu)建，并將腦電信息以字典為準(zhǔn)計算出每次運動想象的稀疏表征系數(shù)矩陣。相對于其它多通道腦電信號處理方法，本發(fā)明的處理方法更加高效，僅計算構(gòu)建一次大字典矩陣，之后的處理都用稀疏表征系數(shù)矩陣來計算，大大減少了多通道運動想象腦電信息的數(shù)據(jù)量，從而減小了數(shù)據(jù)計算壓力，提高了運算速度。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，無需進(jìn)行進(jìn)一步獨立的分類步驟，大大簡化了 對于處理分類算法的復(fù)雜度。

附圖說明

圖1為腦電分類處理總框圖；

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

圖3為腦電采集時間范式；

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所計算出的稀疏表征系數(shù)。

具體實施方式

下面結(jié)合附圖對本發(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，頭部戴上無線或有線傳輸?shù)念^皮電極帽，根據(jù)提示想象例如左手運動，右手運動等多類運動動作，腦電帽檢測到試備者的腦電波信號，隨后對其進(jìn)行初步的帶通濾波，將濾波后的腦電信號傳入上位機存儲。上位機軟件對傳入的原始腦電信號進(jìn)行自動加人工手動的整理標(biāo)記，制作出用于分類的樣本集和測試集。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).上位機端軟件根據(jù)運動想象腦電信號固有的ERD/ERS特點，利用共同空間模式濾波器提取降維特征，并計算所提取的特征頻帶的功率譜密度值。我們采用當(dāng)想象肢體運動時產(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)律頻帶的劃分會因人而異。本方法設(shè)計的是一個8-15Hz的帶通濾波器來提取μ節(jié)律。

根據(jù)空間濾波器的原理與設(shè)計思慮，本方法使用兩類訓(xùn)練樣本的協(xié)方差矩陣設(shè)計共同空間模式濾波器。設(shè)測試樣本為X_R∈R^C×T，X_L∈R^C×T，C為通道數(shù)，T為每通道的采樣點數(shù)。分別計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

將兩個自相關(guān)矩陣作和：

covRL＝covR+covL

求取方陣covR和covRL的C個廣義特征值，構(gòu)成C×C階對角陣D，同時返回特征向量滿足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w_i∈R^C(i＝1,2,...,C)為一個共同空間模式濾波器，且從前至后分別對應(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濾波器的個數(shù)。由于實驗數(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。

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測試腦電進(jìn)行稀疏表征。首先對兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

為了對腦電信號的能量特征進(jìn)行突出展現(xiàn)，對經(jīng)過CSP濾波器特征提取后的信號和 再計算該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)練集樣本總試驗次數(shù)。

步驟(4).根據(jù)用訓(xùn)練集計算得到的稀疏表征腦電字典，求解訓(xùn)練集和測試集的稀疏表征系數(shù)，然后設(shè)計判定準(zhǔn)則對分類腦電的類別標(biāo)簽進(jìn)行標(biāo)記。首先，對測試信號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。那么測試樣本y可以表示為設(shè)計的字典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，基本思想是計算測試樣本在與每個子字典上的重構(gòu)結(jié)構(gòu)之間的誤差，差值最小的那一類被判別為測試樣本所屬的類別。

對于第i(i＝L,R)類腦電信號，定義兩個示性函數(shù)δ_i(x)，每一個函數(shù)內(nèi)容為對應(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]

對于該測試樣本y，得到關(guān)于L類的殘差計算表達(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，其實施主要包括以下幾個步驟：

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

步驟(2).上位機端軟件根據(jù)運動想象腦電信號固有的ERD/ERS特點，利用共同空間模式濾波器提取降維特征，并計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測試腦電進(jìn)行稀疏表征.

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

下面逐一對各步驟進(jìn)行詳細(xì)說明。

步驟(1)中需要被試者頭戴一個118通道的電極帽進(jìn)行腦電信號采集。采集該數(shù)據(jù)集的裝置為BrainAmp放大器和一個128通道的ECI的電極帽Ag/AgCl，其中的118個EEG通道是根據(jù)國際10-20系統(tǒng)位置安置的，10-20國際標(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動的想象。這些數(shù)據(jù)集僅包含原始數(shù)據(jù)，沒有其他反饋信息。腦電信號通過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。每次運動想象部分?jǐn)?shù)據(jù)的采集時長為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。每一類別各進(jìn)行140次試驗。如圖3所示為數(shù)據(jù)采集的時間范式。

步驟(2)中我們采用當(dāng)想象肢體運動時產(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)律頻帶的劃分會因人而異。本方法設(shè)計的是一個8-15Hz的帶通濾波器來提取μ節(jié)律。

共同空間模式濾波器(Common Spatial Pattern,CSP)針對不同類別尤其是兩類的運動想象信號構(gòu)建一個共同的空間濾波器，使不同類別的腦電信號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：

若單次運動想象任務(wù)測得的腦電信號表示為X∈R^C×T，C表示通道數(shù)，T表示每通道的采樣點數(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，對應(yīng)于右手和左手的運動想象。使用以下的優(yōu)化步驟，便可計算出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的值等價于對應(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的值可通過式子(C_R-λC_L)w＝0求解。w的值使得對一類信號方差最大化的同時，使另一類信號方差達(dá)到最小。

本發(fā)明使用一種等價的求解方法。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測試腦電進(jìn)行稀疏表征。首先對兩類訓(xùn)練樣本進(jìn)行CSP濾波如下：

其中，

步驟(3)中為了對腦電信號的能量特征進(jìn)行突出展現(xiàn)，對經(jīng)過CSP濾波器特征提取后的信號和再計算該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)練集樣本總試驗次數(shù)。得到的字典機構(gòu)模型如圖4。

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