基于W-PCA和无监督GHSOM的脑电信号识别方法技术

本发明专利技术涉及基于W-PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。

【技术实现步骤摘要】
基于W-PCA和无监督GHSOM的脑电信号识别方法
本专利技术涉及脑-机接口(brain-computerinterface,BCI)系统想象运动脑电信号特征的模式识别方法，特别涉及基于小波变换(WaveletTransform,WT)和主元分析(PrincipalComponentAnalysis,PCA)相结合的多尺度主元分析(记为W-PCA)特征提取方法和基于生长、分层的自组织映射(GrowingHierarchicalSelf-OrganizingMap,GHSOM)神经网络的无监督分类方法。
技术介绍
脑-机接口是一种随着计算机技术发展起来的新兴研究系统，它可以在人或者动物大脑与计算机或其他外部设备之间建立直接的信息交互和控制通道。BCI系统工作原理为：大脑在受到某种特定刺激或进行某种特定思考时，脑神经元细胞会产生相应的放电现象，通过介质(导电膏或电极)从大脑皮层提取出后表现为脑电波，使用脑电采集设备将其放大及模数(A/D)转换处理后，经特征提取和模式分类算法分析得到特定的脑电信号，最后将其转换为控制外部设备的信号来完成相应的任务，如图1所示。想象运动脑电属于内源性诱发响应，是通过受试者真正的主观意识诱发的脑电成份。同时，与想象运动紧密联系的是事件相关去同步/事件相关同步(ERD/ERS)现象，即当想象单侧肢体运动时，大脑运动感觉区的mu节律和beta节律震荡的幅度减小或阻滞，对应的特定频段信号幅度降低、频带能量减少/特定频段信号幅度升高、频带能量增加。Pfurtscheller等人有些研究表明，肢体的真实运动或想象运动都会引起大脑运动感觉区相关节律的ERD/ERS现象，想象不同的肢体运动所引起的ERD的空间分布特性符合大脑运动感觉区肢体的对应分布。所以，想象运动无需依赖任何刺激，仅靠想象便可以产生具有区分性的脑电信号，即可以作为BCI系统的输入信号。BCI系统的核心算法集中在对脑电信号的模式识别。如何实现对本征特征的准确提取和有效识别，就涉及到特征提取和分类方法的选择。现有脑电信号模式识别的方法，如利用快速傅里叶变换法、离散小波变换法或主成分分析等方法提取脑电信号特征，再结合BP神经网络或支持向量机(SVM)等分类方法完成脑电信号的模式识别。但是，基于上述方法提取的脑电特征之间存在一定的线性相关性；另外，分类算法大多属于监督学习算法，其学习的大致过程为：对有标记样本进行学习建立分类器模型，再根据已建立模型对未标记样本进行分类测试，这不仅要求实验者花费很多时间进行大量实验来获取有标记的训练样本，而且导致分类器模型自学习能力和泛化能力受限。从而影响了识别方法的自适应性。
技术实现思路
为了克服现有技术中存在的不足，本专利技术提供一种基于小波变换结合主元分析和无监督学习的GHSOM神经网络相结合的方法，实现对想象左、右手运动脑电信号的模式识别，以提高分类准确率及分类器的自适应性。为了实现上述目的，本专利技术采用如下技术方案：实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行2N次左、右手想象运动试验，分别包含想象左手动作和想象右手动作各N次试验。数据通过差分电极从国际标准的10～20导联系统的C3、C4电极获得。脑电记录仪会将此脑电变化的过程完整记录并存储下来。最后利用计算机实现W-PCA和GHSOM神经网络相结合的方法对脑电信号进行模式识别。基于W-PCA和无监督GHSOM的脑电信号识别方法，主要包括以下步骤：步骤一，脑电信号预处理。电生理学研究表明，想象运动导致事件相关去同步化ERD或事件相关同步化ERS产生的μ节律和β节律的频率分别为8-12HZ和13-28HZ，这些生理学上的节律信号可用于判别想象左右手运动的脑电信号，所以利用FIR(FiniteImpulseResponse)滤波器对采集的脑电信号进行8-30HZ带通滤波，以获取较为明显的ERD生理特征数据段。步骤二，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取。基于小波变换的主元分析，将小波变换提取变量局部特征和降低变量自相关性的能力和主成分分析去除变量间的线性相关性的能力相结合。小波变换中的小波分解算法如式(1)所示：式中，h(k)和g(k)成为共轭镜像滤波器组，分别对应低通和高通滤波器的单位脉冲。将信号从尺度j到尺度j+1逐步分解，j为分解层数，小波分解后的小波系数为是分解得到的低频信号，即原信号的逼近信号，Dif是分解得到的高频信号，即细节信号。小波逆变换，对信号重构的算法如式(2)所示：(1)提取C3通道采集到的想象左、右手运动脑电信号特征选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数，如图2所示；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，如图3所示，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集。(2)提取C4通道采集到的想象左、右手运动脑电信号特征选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数，如图4所示；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，如图5所示，并将其标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集。(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_C]，XR＝[Feature_B，Feature_D]，其中，XL表示想象左手运动特征向量集，XR表示想象右手运动特征向量集。步骤三，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM(GrowingHierarchicalSelf-OrganisingMap)神经网络是一种进化的SOM(SelfOrganisingMap)神经网络，一种基于无监督竞争学习的生长、分层的自组织特征映射网络。根据给定的训练数据的内部结构不仅能够自适应地进行分层扩展，实现细化处理，而且还能自适应地完成生长，即调整每层SOM映射网络的神经元个数。GHSOM网络性能的优劣使用量化误差(QuantizationError)来表征，即反映SOM映射网络与输入向量数据的拟合程度，其实质为：输入向量X与获胜神经元及其邻域神经元的权值向量W之间的欧氏距离。(1)映射神经元的量化误差：输入向量xj与映射神经元i的权值向量wi的欧氏距离qei，如式(3)所示：qei＝∑j‖wi-xj‖(3)其中，i是第n层SOM映射网络中的第i个神经元，xj是映射到映射单元i的输入向量数据。(2)SOM映射网络的量化误差：所有输入向量X与其获胜神经元的权值向量间欧氏距离的平均值QEn，如式(4)所示：其中，m为第n层SOM映射网络中所包含的神经元数目。GHSOM网络的自适应调本文档来自技高网...

【技术保护点】
基于W‑PCA和无监督GHSOM的脑电信号识别方法，其特征在于包括以下步骤：步骤1，获得脑电信号；实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行左、右手想象运动，通过差分电极从国际标准的10～20导联系统的C3、C4电极获得数据；步骤2，脑电信号预处理；利用FIR滤波器对采集的脑电信号进行8‑30HZ带通滤波，以获取较为明显的相关去同步化ERD生理特征数据段；步骤3，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取；步骤4，利用无监督GHSOM神经网络对特征向量进行分类。

【技术特征摘要】
1.基于W-PCA和无监督GHSOM的脑电信号识别方法，W-PCA中文简称多尺度主元分析，GHSOM中文简称为基于生长、分层的自组织映射，其特征在于，该方法包括以下步骤：步骤1，获得脑电信号；实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行左、右手想象运动，通过差分电极从国际标准的10～20导联系统的C3、C4电极获得数据；步骤2，脑电信号预处理；利用FIR滤波器对采集的脑电信号进行8-30HZ带通滤波，以获取较为明显的相关去同步化ERD生理特征数据段；步骤3，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取；步骤4，利用无监督GHSOM神经网络对特征向量进行分类；步骤3所述基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取的方法包括以下步骤：(1)提取C3通道采集到的想象左、右手运动脑电信号特征：首先，选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点分解5层，得到每一尺度上相应的小波分解系数，小波分解的表达式为：式中，h(k)和g(k)-为共轭镜像滤波器组，分别对应低通和高通滤波器的单位脉冲；将信号从尺度j到尺度j+1逐步分解，j为分解层数，小波分解后的小波系数为是分解得到的低频信号，即原信号的逼近信号，Djf是分解得到的高频信号，即细节信号；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集；(2)提取C4通道采集到的想象左、右手运动脑电信号特征：选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C4通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集；(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_...

【专利技术属性】
技术研发人员：李明爱，田晓霞，郭硕达，杨金福，孙炎郡，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11