基于脑源域空间的MI-EEG识别方法技术

本发明专利技术公开了基于脑源域空间的MI‑EEG识别方法，对采集到的运动想象脑电信号进行共平均参考及带通滤波等预处理；使用标准化低分辨率脑电磁断层扫描成像算法对脑电信号进行逆变换，得到脑源域偶极子偶极矩幅值时间序列；使用数据驱动方法，基于偶极子偶极矩幅值大小进行偶极子的初选，并采用连续小波变换对其进行时频分析，实现偶极子的精选及最优时间段的确定；选用一对一共空间模式算法提取偶极子小波系数功率序列特征，并输入到支持向量机中进行分类。本发明专利技术提高空间分辨率的同时，使得其时域、频域、空域信息在偶极子的优选、最优时间段的确定，及特征提取中得以充分利用，对于提高计算效率和分类精度具有重要意义。

MI-EEG Recognition Method Based on Brain Source Space

【技术实现步骤摘要】
基于脑源域空间的MI-EEG识别方法
本专利技术属于基于脑源空间的运动想象脑电信号(MI-EEG)识别与处理
，具体涉及：采用标准化低分辨率脑电磁断层扫描成像(sLORETA)方法将头皮层脑电信号逆变换到脑皮层，基于数据驱动(Data-driven)及连续小波变换(CWT)进行偶极子优选及最优时间段的确定，并采用一对一共空间模式算法(OVO-CSP)以及支持向量机(SVM)实现MI-EEG在脑源空间的特征提取和分类。
技术介绍
脑机接口BCI(brain-computerinterface)是一种不依赖于外周神经和肌肉组织等常规大脑信息输出通路，而运用工程技术手段在大脑和计算机或者其他机电设备之间建立连接，实现“让思想变成行动”的对外信息交流和控制的新途径。因此，BCI技术在多种医疗与康复领域中获得广泛应用。BCI主要分为侵入式和非侵入式两类，特别是非侵入式BCI，使用头皮上的电极测量脑电信号(EEG)以反映大脑皮层活动，且该信号因具有采集便捷、价格低廉、时间分辨率高等特点，在BCI系统中广泛采用。运动想象脑电信号(MI-EEG)具有空间分布的特点，即不同运动想象任务，其在脑皮层对应的激活区域不同，因此由头皮层测得的脑电信号在空间分布上也会产生差异。而共空间模式算法(CommonSpatialPatterns,CSP)能够利用MI-EEG在空间上具有分布差异性的特点，通过设计一组空间滤波器，使不同想像任务下的脑电信号滤波后的方差差异最大化，从而达到提取MI-EEG的特征、提高其可分离性的目的。然而，MI-EEG信号容易受到来自传感器以及头骨传导结构等噪声的严重污染，导致信噪比(SNR)降低；同时，因体积传导效应及头皮电极数量的限制，使得头皮层测得的EEG信号的空间分辨率较低。这些因素均会造成头皮层MI-EEG在传感器域难以获得高质量的特征信息。脑电源成像(ESI)指的是利用头皮层记录的脑电数据对其在脑皮层源信号进行估计的一种常用技术，即将头皮层传感器空间转换为脑皮层源空间，获得脑皮层偶极子的源分布估计。近年来有研究表明，在脑皮层空间上应用CSP算法对偶极子进行特征提取，对降低脑电信号在头骨传导过程中噪声的干扰、弥补头皮层脑电信号空间分辨率不足有一定作用，取得了比头皮层MI-EEG更好的特征提取效果。然而，采用ESI与CSP相结合对运动想象脑电信号进行特征提取仍存在以下问题：(1)求解脑电逆问题得到的不同类别运动想象任务偶极子时间序列杂乱无章，很少有规律可循，尤其是复杂的同侧肢体运动想象时，相应的皮层激活区域可能存在重叠，或者彼此非常接近，仅从时域上分析偶极子偶极矩时间序列，没有突显与运动想象有关的节律特点，因此很难提取到可分性较好的特征；(2)脑源成像后得到的偶极子数量庞大，对所有偶极子进行特征提取将会造成特征信息冗余，大量与想象任务不相关的特征混杂其中，影响分类准确率；而且通过脑电正问题计算零导域矩阵时，由于实验设备的限制，无法对每个受试者进行fMRI扫描，通常基于通用模板采用数值计算方式构建头模型。因数值方法存在近似性，这使求解正问题时对于不同受试者无法自适应地获得头皮电极和皮质神经元之间的精确对应关系。因此，通过脑电逆问题求得偶极子分布估计同样存在误差，从而影响基于神经生理学分区方法(Brodmann分区)选取ROI区域的准确性；(3)对整个运动想象期间或者某个特定时段的偶极子进行分析，没有考虑在运动想象期间偶极子的时变特性，及不同受试者和不同运动想象任务造成的偶极子变化的差异性对分类识别率的影响。
技术实现思路
针对上述不足之处，本专利技术对现有的ESI与CSP相结合对MI-EEG进行特征提取的算法进行了改进，提出了一种基于偶极子和连续小波变换的脑源域MI-EEG识别方法。具体涉及：(1)从脑源域对偶极子时间序列进行时频分析，并采用OVO-CSP算法对偶极子进行特征提取，实现脑皮层偶极子时域、频域、空域的特征有机融合，改善体积传导效应以及头皮MI-EEG空间分辨率低带来的不利影响。(2)采用data-driven方法选择ROI区域，初步减小偶极子量级；进而，对偶极子进行时频分析，精选偶极子，再次减小偶极子数量，精确地获得个性化的偶极子数量与偶极子信息，避免特征信息冗余的同时，提高计算效率。(3)根据各个受试者偶极子的平均小波系数功率曲线图，选择不同想象任务之间差别较大的时间段作为最优时间段，充分体现不同受试者在不同想象任务类别下偶极子的时变特性及激活时间存在的个体差异性，进一步提高分类精度。因此，本专利技术采用的技术方案为：基于脑源域空间的MI-EEG识别方法，首先对头皮层采集的脑电信号进行预处理，利用共平均参考降低原始信号基线漂移现象，同时对脑电信号进行8-32Hz带通滤波，得到与运动节律相关的脑电信号；然后，基于sLORETA的脑源成像逆算法将预处理之后的脑电信号转换到脑皮层空间，得到偶极子偶极矩时间序列，并根据脑皮层偶极子偶极矩幅值分布图对偶极子进行初选；进而，利用CWT对初选的偶极子进行时频分析，根据α波段小波系数功率序列精选偶极子并确定最优时间段；最后，在最优时间段内采用OVO-CSP算法对精选的偶极子的α波段小波系数功率序列进行特征提取，并利用SVM进行特征分类，采用十次十折交叉验证得到平均分类识别率，验证本方法的正确性和有效性。基于上述分析，本专利技术的具体实现步骤如下：S1头皮层EEG信号预处理；S1.1假设为第i次实验采集的运动想像期间的头皮脑电信号，其中，m∈{1，2，3，4}表示运动想象任务的类别标签，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nc代表导联数；Ns代表采样点数。S1.2针对每个导联，选取运动想象前2s，即静息态时段内的脑电信号作为基准参考线，对Xm，i逐行进行共平均参考处理，获得共平均参考处理信号X′m，i。S1.3根据神经生理学理论，构造8-32Hz带通滤波器对脑电信号X′m，i进行滤波，获得与μ、β节律(μ节律为8-12Hz，β节律为13-30Hz)相关的运动想象脑电信号，记为(R代表实数集)。S2基于sLORETA算法的脑电逆变换；S2.1脑源成像正问题模型建立；脑源成像正问题，指在人受到外部环境的刺激或进行特定的思维活动时，大脑皮层中的神经元细胞产生突触后电位，经过脑容积效应和颅骨的传导，产生了头皮层所测量得到的脑电信号，该脑电信号的数学模型建立如下：M＝GD+n(1)式中，D表示脑皮层电流偶极子的偶极矩，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况；G表示零导域矩阵，代表了脑皮层源空间与头皮层脑电信号的一种映射关系，通过BEM边界元法在多层头模型上计算得到；M表示头皮层脑电信号；n为传导噪声。S2.2根据正问题模型，假设偶极子源模型为分布式偶极子模型，方向垂直于脑皮层，数量为Nd，位置已知且固定；令M＝Mm，i，采用sLORETA算法计算公式(1)的逆解，求得Nd个偶极子源估计序列其中，第k个偶极子在t时刻的偶极矩幅值依下式计算：式中，为由最小范数估计算法MNE估计的偶极子源序列中第k个偶极子在t时刻的偶极矩幅值，由下式确定：式中，α为正则化参数，为Nc×Nc的单位矩阵，为零导域矩阵。为的简写；为偶极子电流密度方差矩阵的第k本文档来自技高网...

【技术保护点】
1.基于脑源域空间的MI‑EEG识别方法，其特征在于：首先对头皮层采集的脑电信号进行预处理，利用共平均参考降低原始信号基线漂移现象，同时对脑电信号进行8‑32Hz带通滤波，得到与运动节律相关的脑电信号；然后，基于sLORETA的脑源成像逆算法将预处理之后的脑电信号转换到脑皮层空间，得到偶极子偶极矩时间序列，并根据脑皮层偶极子偶极矩幅值分布图对偶极子进行初选；进而，利用CWT对初选的偶极子进行时频分析，根据α波段小波系数功率序列精选偶极子并确定最优时间段；最后，在最优时间段内采用OVO‑CSP算法对精选的偶极子的α波段小波系数功率序列进行特征提取，并利用SVM进行特征分类，采用十次十折交叉验证得到平均分类识别率，验证本方法的正确性和有效性。

【技术特征摘要】
1.基于脑源域空间的MI-EEG识别方法，其特征在于：首先对头皮层采集的脑电信号进行预处理，利用共平均参考降低原始信号基线漂移现象，同时对脑电信号进行8-32Hz带通滤波，得到与运动节律相关的脑电信号；然后，基于sLORETA的脑源成像逆算法将预处理之后的脑电信号转换到脑皮层空间，得到偶极子偶极矩时间序列，并根据脑皮层偶极子偶极矩幅值分布图对偶极子进行初选；进而，利用CWT对初选的偶极子进行时频分析，根据α波段小波系数功率序列精选偶极子并确定最优时间段；最后，在最优时间段内采用OVO-CSP算法对精选的偶极子的α波段小波系数功率序列进行特征提取，并利用SVM进行特征分类，采用十次十折交叉验证得到平均分类识别率，验证本方法的正确性和有效性。2.根据权利要求1所述的基于脑源域空间的MI-EEG识别方法，其特征在于：S1头皮层EEG信号预处理；S1.1假设为第i次实验采集的运动想像期间的头皮脑电信号，其中，m∈{1，2，3，4}表示运动想象任务的类别标签，i＝{1，2，3，…，Nm}，Nm表示采集实验次数；Nc代表导联数；Ns代表采样点数；S1.2针对每个导联，选取运动想象前2s，即静息态时段内的脑电信号作为基准参考线，对Xm，i逐行进行共平均参考处理，获得共平均参考处理信号X′m，i；S1.3根据神经生理学理论，构造8-32Hz带通滤波器对脑电信号X′m，i进行滤波，获得与μ、β节律相关的运动想象脑电信号，记为R代表实数集。3.根据权利要求1所述的基于脑源域空间的MI-EEG识别方法，其特征在于：S2基于sLORETA算法的脑电逆变换；S2.1脑源成像正问题模型建立；脑源成像正问题，指在人受到外部环境的刺激或进行特定的思维活动时，大脑皮层中的神经元细胞产生突触后电位，经过脑容积效应和颅骨的传导，产生了头皮层所测量得到的脑电信号，该脑电信号的数学模型建立如下：M＝GD+n(1)式中，D表示脑皮层电流偶极子的偶极矩，模拟了脑皮层中的神经元细胞的分布和其突触后电位的变化情况；G表示零导域矩阵，代表了脑皮层源空间与头皮层脑电信号的一种映射关系，通过BEM边界元法在多层头模型上计算得到；M表示头皮层脑电信号；n为传导噪声；S2.2根据正问题模型，假设偶极子源模型为分布式偶极子模型，方向垂直于脑皮层，数量为Nd，位置已知且固定；令M＝Mm，i，采用sLORETA算法计算公式(1)的逆解，求得Nd个偶极子源估计序列其中，第k个偶极子在t时刻的偶极矩幅值依下式计算：式中，为由最小范数估计算法MNE估计的偶极子源序列中第k个偶极子在t时刻的偶极矩幅值，由下式确定：式中，α为正则化参数，为Nc×Nc的单位矩阵，为零导域矩阵；为的简写；为偶极子电流密度方差矩阵的第k个对角元素，的计算公式如下：4.根据权利要求1所述的基于脑源域空间的MI-EEG识别方法，其特征在于：S3基于连...

【专利技术属性】
技术研发人员：李明爱，董宇欣，杨金福，孙炎珺，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11