基于na-memd和互信息的腦電imf分量選擇方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于腦-機接口領(lǐng)域，涉及一種基于NA-MEMD和互信息的腦電頂F分量選 擇方法。
【背景技術(shù)】
[0002] 腦電信號（electroencephalogram,EEG)是大腦內(nèi)部的神經(jīng)細胞活動在大腦皮層 的綜合反映，包含著與大腦狀況，思維過程等方面的相關(guān)信息，因而對腦電信號進行處理并 提取有用信息已經(jīng)成為腦科學研究的重要內(nèi)容。
[0003] 噪聲輔助的多變量經(jīng)驗?zāi)Ｊ椒纸猓╪oise-assistedmultivariateempirical modedecomposition,NA-MEMD)方法，是一種非線性的時頻域分析方法，可以自適應(yīng)地將 多變量數(shù)據(jù)同時分解成對應(yīng)多通道的具有不同特征尺度的多組本征模態(tài)函數(shù)（intrinsic modefunction，頂F)。但該方法存在分解結(jié)果包含大量虛假的頂F分量問題，這會對后續(xù) 的分類產(chǎn)生不良影響。因此，從分解得到的各階IMF分量中選取包含有用信息的成分顯得 尤為重要。但現(xiàn)有的選取方法依賴于先驗信息，具有主觀性。
[0004] 互信息方法廣泛應(yīng)用于量化兩個隨機變量間共有的線性和非線性信息以衡量變 量的相關(guān)程度，可以用于頂F的選取。但傳統(tǒng)互信息方法用于腦電信號時，一次只能處理兩 個通道的信號。當用于多通道處理時，運算復雜，不能充分利用多通道間的有效信息。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是針對現(xiàn)有的選取有用分量的方法存在的依賴于先驗信息，運算 復雜度高，有效信息利用不充分的問題，提出基于NA-MEMD和互信息的提取腦電信號有用 分量的方法。
[0006] 為了實現(xiàn)以上目的，本發(fā)明方法主要包括以下步驟：
[0007] 步驟（1)使用NA-MEMD同時對多通道的EEG和輔助噪聲共同組成的信號進行分 解，得到數(shù)量和頻率一致的IMF分量；
[0008] 步驟⑵分別計算出多通道的EEG與多通道的EEG的頂F分量、輔助噪聲與輔助 噪聲的MF分量、多通道的EEG的頂F分量與輔助噪聲的頂F分量的相關(guān)性；
[0009] 步驟（3)根據(jù)相關(guān)性得到的敏感因子篩選出有用的頂F分量并重構(gòu)，使用共空 間模式（commonspatialpattern,CSP)對重構(gòu)信號進行特征提取，并使用支持向量機 (SupportVectorMachine，SVM)對特征向量進行分類。
[0010] 本發(fā)明具有如下有益效果：
[0011] 1、減少運算量，提高特征提取效率
[0012] 本發(fā)明對傳統(tǒng)的互信息進行改進，將單通道腦電信號看成是一個向量，將多通道 的信號組合成矩陣，然后對矩陣進行二維互信息分析?？梢砸淮涡越沂径嗤ǖ赖南嚓P(guān)性，降 低了計算復雜度。
[0013] 2、不依賴于先驗信息，提高特征區(qū)分度
[0014] 本發(fā)明根據(jù)二維互信息計算相關(guān)性得到的敏感因子選取有用分量，且加入不相關(guān) 的噪聲通道輔助選取，選取依據(jù)客觀充分，且不需要預(yù)先明確腦電信號的有用頻帶信息。
[0015] 圖1為本發(fā)明的實施流程圖。
[0016] 下面結(jié)合附圖詳細描述本發(fā)明基于NA-MEMD和二維互信息的提取腦電信號有用 分量的方法。
[0017] 下面逐一對各步驟進行詳細說明。
[0018] 步驟一：使用NA-MEMD同時對多通道的EEG和輔助噪聲共同組成的信號進行分解， 得到數(shù)量和頻率一致的IMF分量：
[0019] (1)引入s通道不相關(guān)高斯白噪聲信號n(t)，其長度與V通道的待處理信號x(t) 等長，假設(shè)都為L;
[0020] (2)將生成的s通道噪聲信號n(t)加入到V通道待處理信號x(t)中，構(gòu)成q通道 的多元信號z(t)，其中q=s+v;
[0021] (3)在一個球面上，選擇q_l個采樣點集，即得到q維空間的方向向量
[0022] (4)計算信號z(t)沿著方向向量，的投影，記作
[0023] (5)找出投影信號{/1 的局部極值（包括極大值和極小值）所對應(yīng)的瞬時時 間fj表示極值點位置，jG[1，L];
[0024] (6)對利用樣條插值法獲得多變量包絡(luò)曲線二：
[0025](7)對于K個方向向量，包絡(luò)曲線的均值m(t)為：
[0026] = KjJl/ (t) Cl)
[0027] (8)求取Ci (t):計算z(t)與m(t)之差，則Ci (t) =z(t)-m(t)，i表示第i階IMF 分量。如果Ci (t)滿足多變量IMF的停止條件，則!Ti (t) =z(t) -Ci (t);
[0028](9)對!Ti⑴重復上述⑷~⑶步進行w次，當rw(t)變成一個單調(diào)函數(shù)，則停 止篩分，否則對C1U)重復上述步驟。
[0029] 如此，便將多通道組合信號z(t)分解成對應(yīng)的頂F分量，C1 (t)即為分解得到的 IMF分量，如下公式所示：
[0031] 步驟二：分別計算出多通道的EEG與多通道的EEG的頂F分量、輔助噪聲與輔助噪 聲的MF分量、多通道的EEG的頂F分量與輔助噪聲的頂F分量的相關(guān)性：
[0032] (1)計算互信息Ami:即計算多通道的腦電信號x(t)的第i階頂F分量與多通道的 腦電信號x(t)本身的相關(guān)度。
[0033]Ami=I(cxi(t) ；x(t)) (3)其中，CxiU) = {cx^t)，cx2i(t)，…，cxsi(t)}，i =1，2, ...，W0
[0034](2)計算互信息BMI:即計算輔助噪聲信號n(t)的第i階頂F分量與輔助噪聲信號 n(t)本身的相關(guān)度。
[0035]Bmi= I(cn；(t) ；n(t)) (4)其中，Cni (t) =Icnli (t)，cn2i (t)，… ，cnti(t)}，i= 1，2,…，W0
[0036] (3)計算Emi:即計算多通道的腦電信號x(t)的第i階頂F分量與輔助噪聲信號 n(t)的對應(yīng)階IMF分量的相關(guān)度。
[0037] Emi= I (cx i(t)；cni(t)) (5)
[0038] (4)計算敏感因子R:
[0039] R= (Ami+Bmi)/2-Emi (6)
[0040] 步驟三：根據(jù)相關(guān)性得到的敏感因子篩選出有用的MF分量并重構(gòu)，再對重構(gòu)信 號進行特征提取和分類。
[0041] 下面以兩類腦電信號分類為例進行說明。
[0042]a、重構(gòu)分量并使用CSP提取特征向量
[0043] 比較各階頂F分量對應(yīng)的敏感因子R，其值越大，說明該階的頂F分量越敏感，特征 區(qū)分度越大，包含的有用信息越多。根據(jù)R的大小選取包含有用信息的IMF分量。為了避 免直接使用選取的IMF分量進行計算導致高的特征維數(shù)，則先重構(gòu)所選分量，然后對重構(gòu) 后的信號進行特征提取，具體求解算法如下：
[0044] (1)將選取的包含有用信息的IMF分量累加得到重構(gòu)后的多通道腦電信號為矩陣 X，X為vXt維，V表示腦電采集時的通道數(shù)，t表示腦電采集時每次任務(wù)各通道的采樣點數(shù)。
[0045] (2)將腦電信號X歸一化處理后可得到協(xié)方差矩陣：
[0047] 其中不類別d樣本的腦電信號，dG{1，2}，XdT表不X滿轉(zhuǎn)置，trace(…）表 示矩陣的跡，即矩陣對角元素之和。
[0048] (3)合成的空間協(xié)方差矩陣分解：
[0049] COVd= COV !+COV2= U〇5：U01 (8)
[0050] 其中，S為特征值對角矩陣，U。為其對應(yīng)的特征向量矩陣，在這一變換中，將2特 征值按降序排列，其相對應(yīng)的U。也重新排列。
[0051] (4)求白化矩陣，定義白化矩陣p如下：
[0053](5)白化變換協(xié)方差矩陣COVl和C0V2 :
[0054] WM1 = PCOV y，WM2 = PCOV 2Pt (10)
[0055](6)主成分分解：
[0056]WM1= UJWM2= U2S2U2t^以取2 :和5： 2中最大的E個特征值對應(yīng)的特征 向量組成投影矩陣u，U= [U'iU'2]，其中U'i、u'2分別為最大的個特征值對應(yīng)的特征 向量。
[0057] b、使用SVM對特征向量分類
[0058] 為了凸顯本發(fā)明的有效性，并方便與其它方法做比較，將所提取特征向量送入SVM 中分類：
[0059] (1)在使用SVM分類前，訓練樣本和測試樣本按140 :60的固定比例隨機選擇數(shù) 據(jù)，并將訓練數(shù)據(jù)和測試數(shù)據(jù)都歸一化到[0，1]區(qū)間。
[0060] (2)SVM的核函數(shù)選擇分類效果較穩(wěn)定的RBF核函數(shù)。
[0061] (3)在訓練時使用5倍交叉驗證，并使用網(wǎng)格搜索（Girdsearch)法尋找最佳懲罰 系數(shù)C和RBF參數(shù)gamma。
[0062] (4)通過訓練建立支持向量機模型，并使用該模型對測試集進行預(yù)測。
[0063] (5)重復上次分類過程100次，得出平均分類準確度。
【主權(quán)項】
1. 基于NA-MEMD和互信息的腦電頂F分量選擇方法，其特征在于，該方法具體包括以下 步驟： 步驟一：使用NA-MEMD同時對多通道的EEG和輔助噪聲共同組成的信號進行分解，得到 數(shù)量和頻率一致的IMF分量； 步驟二：分別計算出多通道的EEG與多通道的EEG的頂F分量、輔助噪聲與輔助噪聲的 頂F分量、多通道的EEG的頂F分量與輔助噪聲的頂F分量的相關(guān)性： ⑴計算互信息Ami:即計算多通道的腦電信號x(t)的第i階頂F分量與多通道的腦電 信號x(t)本身的相關(guān)度； Ami= I (cx ； (t) ；x(t)) (I) 其中，Cxi (t) = Icxli (t)，cx2i (t)，…，cxsi (t)}，i = 1，2, · · ·，w ;其中 w 為 IMF 分量的 分解總階數(shù)； (2) 計算互信息Bmi:即計算輔助噪聲信號n (t)的第i階頂F分量與輔助噪聲信號n (t) 本身的相關(guān)度； Bmi= I (cn ； (t) ；n(t)) (2) 其中，Cni (t) = Icnli (t)，cn2i (t)，…，cnti (t)}，i = 1，2, · · ·，w ; (3) 計算Emi:即計算多通道的腦電信號x(t)的第i階頂F分量與輔助噪聲信號η⑴ 的對應(yīng)階IMF分量的相關(guān)度； Emi= I (cx ； (t) !Cni (t)) (3) (4) 計算敏感因子R : R = (Ami+Bmi) /2-EMi (4) 步驟三：根據(jù)相關(guān)性得到的敏感因子篩選出有用的MF分量并重構(gòu)，再對重構(gòu)信號進 行特征提取和分類。2. 根據(jù)權(quán)利要求1所述的基于NA-MEMD和互信息的腦電頂F分量選擇方法，其特征在 于，步驟一具體包括以下步驟： 步驟（1):引入s通道不相關(guān)高斯白噪聲信號n (t)，其長度與V通道的待處理信號X (t) 等長，假設(shè)都為L ; 步驟（2):將生成的s通道噪聲信號n (t)加入到V通道待處理信號x(t)中，構(gòu)成q通 道的多元信號z (t)，其中q = s+v ; 步驟（3):在一個球面上，選擇q-1個采樣點集，即得到q維空間的方向向量; 步驟⑷：計算信號z(t)沿著方向向量#的投影，記作 步驟（5):找出投影信號的局部極值（包括極大值和極小值）所對應(yīng)的瞬時 時間$，j表示極值點位置，j e [1，L]; 步驟（6):對利用樣條插值法獲得多變量包絡(luò)曲線; 步驟（7):對于K個方向向量，包絡(luò)曲線的均值m(t)為：(5) 步驟（8):求取cjt):計算z(t)與m(t)之差，則CiU) = z(t)-m(t)，i表示第i階 頂F分量；如果C1⑴滿足多變量頂F的停止條件，則Γι (t) = z (t) -C1⑴； 步驟（9):對!Ti (t)重復上述步驟（4)~（8)步進行W次，irw(t)變成一個單調(diào)函數(shù)， 則停止篩分，否則對C1 (t)重復上述步驟； 如此，便將多通道組合信號z (t)分解成對應(yīng)的頂F分量，C1 (t)即為分解得到的頂F分 量，如下公式所示：
【專利摘要】本發(fā)明涉及一種基于NA-MEMD和互信息的選擇IMF分量的方法。在腦電信號處理中，NA-MEMD方法是一種有效的自適應(yīng)性的非線性時頻域分解方法，但該方法存在分解結(jié)果包含大量虛假的IMF分量問題，而現(xiàn)有的方法選取有用IMF分量多依賴于先驗信息。利用二維互信息計算出各通道信號及其IMF分量、噪聲及其IMF，分量、信號IMF分量與噪聲IMF分量的相關(guān)性。然后，根據(jù)相關(guān)性得到的敏感因子篩選出有用的IMF分量并重構(gòu)，使用CSP對重構(gòu)信號進行特征提取。本發(fā)明方法降低了直接選用IMF分量作為特征值導致的高的特征維數(shù)，使用二維互信息減少了算法的處理時間，加強了特征區(qū)分度，是一種有效的選取有用信息的方法。
【IPC分類】G06K9/00
【公開號】CN105069440
【申請?zhí)枴緾N201510511801
【發(fā)明人】佘青山, 韓笑, 陳希豪, 田卓
【申請人】杭州電子科技大學
【公開日】2015年11月18日
【申請日】2015年8月19日