基于人工蜂群時(shí)頻參數(shù)優(yōu)化的運(yùn)動(dòng)想象腦電模式識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于腦電信號(hào)模式識(shí)別領(lǐng)域，特別涉及一種基于人工蜂群時(shí)頻參數(shù)優(yōu)化的 運(yùn)動(dòng)想象腦電模式識(shí)別方法。
【背景技術(shù)】
[0002] 經(jīng)過(guò)多年的探索和發(fā)展，基于腦電（electroencephalography，EEG)的腦機(jī)接口 (Brain Computer Interface,BCI)技術(shù)已經(jīng)在神經(jīng)康復(fù)領(lǐng)域顯示了它特殊的價(jià)值，BCI為 人和機(jī)器提供了另外一條消息及控制命令傳輸通道。在基于EEG的多種BCI系統(tǒng)中，基于運(yùn) 動(dòng)想象的BCI系統(tǒng)因?yàn)檫\(yùn)動(dòng)想象任務(wù)和人類(lèi)自然行為的潛在聯(lián)系而被廣泛研究。研究表明， 與人體執(zhí)行實(shí)際的動(dòng)作相類(lèi)似，想象人體某一部位的運(yùn)動(dòng)也會(huì)激活人腦運(yùn)動(dòng)感知皮層的某 一區(qū)域，運(yùn)動(dòng)感知皮層的激活會(huì)引發(fā)皮層電位變化，進(jìn)而造成事件相關(guān)去同步（event-related desynchronization，ERD)及事件相關(guān)同步（event-related synchronization, ERS)現(xiàn)象，因此通過(guò)對(duì)運(yùn)動(dòng)感知節(jié)律(Sensory Motor Rhythms，SMR)的幅度調(diào)制信息進(jìn)行 分析就可以推測(cè)人體運(yùn)動(dòng)意圖。對(duì)于中風(fēng)癱瘓病人，運(yùn)動(dòng)想象腦電可以反映其運(yùn)動(dòng)意圖，進(jìn) 而控制外骨骼、功能性電刺激等設(shè)備輔助其完成特定動(dòng)作或進(jìn)行功能康復(fù)訓(xùn)練。更為重要 的是，由于人腦具有可塑性，對(duì)運(yùn)動(dòng)感知回路及初級(jí)運(yùn)動(dòng)皮層的激活可以進(jìn)一步促進(jìn)神經(jīng) 再連，這對(duì)于中風(fēng)病人的運(yùn)動(dòng)功能恢復(fù)而言具有十分重要的意義。
[0003] 研究表明，ERD和ERS現(xiàn)象均只發(fā)生在特定的頻段及時(shí)間區(qū)間內(nèi)，因此需要通過(guò)帶 通濾波及設(shè)置時(shí)間窗口進(jìn)行抽取。特定頻段及時(shí)間區(qū)間的參數(shù)確定將直接影響后續(xù)特征提 取及特征分類(lèi)的效果，而現(xiàn)有的方法無(wú)法同時(shí)在時(shí)間區(qū)間及頻帶范圍上進(jìn)行全局最優(yōu)參數(shù) 的自動(dòng)選擇。人工蜂群算法作為群體智能算法的一種，與其他算法(如遺傳算法、粒子群算 法)相比，其突出的優(yōu)點(diǎn)是在每次迭代中都進(jìn)行全局和局部搜索，找到最優(yōu)解的概率大大增 加，并在較大程度上避免了局部最優(yōu)，同時(shí)收斂速度較快。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于人工蜂群時(shí)頻參數(shù)優(yōu)化的運(yùn)動(dòng)想象 腦電模式識(shí)別方法，能夠自動(dòng)選擇具有最大類(lèi)間區(qū)分度的特定頻帶及特定時(shí)間窗口，并獲 得更高的分類(lèi)正確率。
[0005] 本發(fā)明基于人工蜂群時(shí)頻參數(shù)優(yōu)化的運(yùn)動(dòng)想象腦電模式識(shí)別方法，采用線性判別 準(zhǔn)則量化導(dǎo)聯(lián)通道的類(lèi)間區(qū)分能力，并對(duì)各個(gè)導(dǎo)聯(lián)的區(qū)分能力進(jìn)行排序，選擇區(qū)分能力較 高的導(dǎo)聯(lián)通道腦電信號(hào)。將運(yùn)動(dòng)想象腦電信號(hào)特征提取前的頻帶及時(shí)間窗口參數(shù)優(yōu)化問(wèn)題 中的優(yōu)化變量對(duì)應(yīng)于人工蜂群算法中蜜源的位置，蜜源的花蜜量對(duì)應(yīng)于優(yōu)化問(wèn)題所確定的 適應(yīng)度函數(shù)值，采蜜蜂或觀察蜂的數(shù)量等于解的數(shù)目。從一個(gè)隨機(jī)產(chǎn)生的初始種群開(kāi)始，在 每一次迭代中采蜜蜂根據(jù)記憶信息在原有蜜源的領(lǐng)域內(nèi)進(jìn)行搜索并產(chǎn)生新的蜜源，若新蜜 源處的花蜜量比舊蜜源處的多，則根據(jù)貪婪準(zhǔn)則，用新的蜜源代替舊的蜜源，否則保持舊的 蜜源不變，若經(jīng)過(guò)規(guī)定次數(shù)后依然保持在舊蜜源處，則該采蜜蜂成為偵查蜂。在所有采蜜蜂 完成搜索后，返回跳舞區(qū)與觀察蜂分享蜜源信息及蜜源花蜜量信息，觀察蜂根據(jù)蜜源花蜜 量信息以一定的概率選擇蜜源。在每一次迭代后，記錄當(dāng)前最多的花蜜量及其蜜源。當(dāng)?shù)?次數(shù)達(dá)到最大迭代次數(shù)或花蜜量達(dá)到最大容忍誤差時(shí)，當(dāng)前最多的花蜜量即為全局最優(yōu)適 應(yīng)度函數(shù)值，其蜜源位置即為最優(yōu)參數(shù)變量。對(duì)于經(jīng)過(guò)步驟一和步驟二得到的特定導(dǎo)聯(lián)、頻 帶及時(shí)間窗口內(nèi)的原始腦電信號(hào)，首先進(jìn)行去均值化處理，然后針對(duì)兩類(lèi)運(yùn)動(dòng)想象模式的 腦電信號(hào)，采用共空間模式(Common Spatial Pattern，CSP)算法進(jìn)行空濾濾波，并提取濾 波后信號(hào)的方差作為特征。采用線性判別分析(Linear Discriminant Analysis，LDA)算法 對(duì)特征進(jìn)行兩類(lèi)分類(lèi)。具體包含以下步驟：
[0006] 步驟一、腦電信號(hào)導(dǎo)聯(lián)通道選擇:將采集的包含左右手兩類(lèi)運(yùn)動(dòng)想象模式多導(dǎo)聯(lián) 通道腦電信號(hào)作為訓(xùn)練集中的樣本，采用線性判別準(zhǔn)則量化每個(gè)導(dǎo)聯(lián)通道的類(lèi)間（兩類(lèi)運(yùn) 動(dòng)想象模式）區(qū)分能力，并對(duì)各個(gè)導(dǎo)聯(lián)通道的類(lèi)間區(qū)分能力進(jìn)行降序排序，選擇前若干個(gè)導(dǎo) 聯(lián)通道，抽取所選擇的導(dǎo)聯(lián)通道內(nèi)的腦電信號(hào)；
[0007] 步驟二、最優(yōu)頻帶及最優(yōu)時(shí)間窗口選擇:針對(duì)步驟一選擇的訓(xùn)練集中的若干個(gè)導(dǎo) 聯(lián)通道內(nèi)的腦電信號(hào)，采用人工蜂群算法進(jìn)行最優(yōu)頻帶和最優(yōu)時(shí)間窗口的選擇；
[0008] 步驟三、運(yùn)動(dòng)想象腦電信號(hào)特征提取:將采集的包含左右手兩類(lèi)運(yùn)動(dòng)想象模式多 導(dǎo)聯(lián)通道腦電信號(hào)作為測(cè)試集中的樣本，抽取測(cè)試集中與步驟一所選擇的導(dǎo)聯(lián)通道相對(duì)應(yīng) 的腦電信號(hào)，并根據(jù)步驟二得到的最優(yōu)頻帶對(duì)其進(jìn)行帶通濾波和最優(yōu)時(shí)間窗口對(duì)其進(jìn)行截 ??；
[0009] 將經(jīng)過(guò)上述處理后的訓(xùn)練集和測(cè)試集中的腦電信號(hào)，均采用共空間模式(Common Spatial Pattern，CSP)算法進(jìn)行空域?yàn)V波，并分別提取濾波后訓(xùn)練集和測(cè)試集中的腦電信 號(hào)的方差作為特征；
[0010] 步驟四、特征分類(lèi):根據(jù)步驟三中得到的訓(xùn)練集的特征構(gòu)建線性判別分析(Linear Discriminant Analysis，LDA)分類(lèi)器，然后根據(jù)所述的分類(lèi)器對(duì)測(cè)試集中的特征進(jìn)行分 類(lèi)，獲得分類(lèi)準(zhǔn)確率。
[0011] 進(jìn)一步地，步驟一包含如下幾個(gè)步驟：
[0012] (1)將一組包含左右手兩類(lèi)運(yùn)動(dòng)想象模式多導(dǎo)聯(lián)通道腦電信號(hào)對(duì)應(yīng)一個(gè)樣本，針 對(duì)訓(xùn)練集內(nèi)的每個(gè)樣本，對(duì)腦電信號(hào)進(jìn)行滑動(dòng)窗口處理，時(shí)間窗口長(zhǎng)度設(shè)為1秒，在每個(gè)導(dǎo) 聯(lián)通道的每一個(gè)時(shí)間窗口內(nèi)計(jì)算能量?。以=1(^(>31^。1 1,1;))，其中1。11,1;為導(dǎo)聯(lián)通道(311上在 滑動(dòng)時(shí)間窗口t內(nèi)的腦電信號(hào)，var()為方差函數(shù)，log()為log函數(shù)；
[0013] (2)在每個(gè)導(dǎo)聯(lián)通道ch的每一個(gè)滑動(dòng)時(shí)間窗口 t內(nèi)，針對(duì)訓(xùn)練集中的左右手兩類(lèi)運(yùn) 動(dòng)想象模式，采用線性判別準(zhǔn)則量化類(lèi)間區(qū)分度
其中πη和陽(yáng)分別為訓(xùn)練集中 兩類(lèi)運(yùn)動(dòng)想象模式樣本的Pch,t的平均值，吃和起為訓(xùn)練集中兩類(lèi)運(yùn)動(dòng)想象模式樣本的Pch,t 的方差；
[0014] (3)在每個(gè)導(dǎo)聯(lián)通道上，針對(duì)所有滑動(dòng)時(shí)間窗口內(nèi)的chS求取其最大值作為該導(dǎo)聯(lián) 的類(lèi)間區(qū)分度指標(biāo)；
[0015] (4)針對(duì)所有導(dǎo)聯(lián)通道，按類(lèi)間區(qū)分度指標(biāo)進(jìn)行降序排序，選取前若干個(gè)導(dǎo)聯(lián)通道 腦電信號(hào)。
[0016] 進(jìn)一步地，步驟二中采用人工蜂群算法進(jìn)行最優(yōu)頻帶和最優(yōu)時(shí)間窗口的選擇具體 包括以下步驟：
[0017] (1)種群初始化:包括蜜蜂總數(shù)NP，采蜜蜂數(shù)量FoodNumber，= jiVP ,控 制參數(shù)1^111；[1：，最大迭代次數(shù)1]^11丨61'以及容忍誤差1：〇161311〇61'11，初始化迭代次數(shù)1丨61=1， 隨機(jī)生成一個(gè)含有NP個(gè)解的初始種群，每個(gè)解Xi是一個(gè)4維矢量，其中i = l，2,. . .，NP，Xi(l) 代表頻帶起始端點(diǎn)，xi (2)代表頻帶寬度，xi (3)代表時(shí)間窗口起始端點(diǎn)，Xi (4)代表時(shí)間窗口 長(zhǎng)度；
[0018] (2)計(jì)算步驟（1)中每個(gè)解Xi(i = l，2, . . .，NP)的適應(yīng)度值，此處的適應(yīng)度值為左 右手兩類(lèi)運(yùn)動(dòng)想象模式的5折交叉驗(yàn)證的平均分類(lèi)準(zhǔn)確率；
[0019] (3)采蜜蜂搜索領(lǐng)域內(nèi)的蜜源，產(chǎn)生新1 解 xnew(Param) = x〇id(Param)+fix(rand(x〇id (Param)-Xneighbour(Param)))，其中Param是 1，2，3，4四個(gè)數(shù)中的一個(gè)隨機(jī)數(shù)，Xneighbour是任一 采蜜蜂且Xneighbour矣X(jué)old，Xold為采蜜蜂初始解，Xnew為采蜜蜂新解，fix()代表取整數(shù)；
[0020] (4)利用貪婪選擇策略，從步驟(3)中產(chǎn)生的新解和原來(lái)的解中選擇適應(yīng)度值更高 的解，并根據(jù)適應(yīng)度值計(jì)算當(dāng)前采蜜蜂對(duì)應(yīng)的選擇概率，概率計(jì)算公式為
其 中fiti是采蜜蜂i的適應(yīng)度值；
[0021] (5)觀察蜂κ-根據(jù)步驟(4)中得到的概率選擇解，并搜索領(lǐng)域內(nèi)的解，產(chǎn)生新解 XL〇〇