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