【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。