基于多元变分模态分解的脑电多域特征提取方法技术

本发明专利技术公开了一种基于多元变分模态分解的脑电多域特征提取方法，本发明专利技术首先利用MVMD对原始脑电多通道数据进行自适应分解，然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征，同时将IMF分量合并构造新的信号矩阵，并采用共空间模式(CSP)法对重构信号提取空间特征，进行时域、非线性动力学以及空域特征的结合，最后通过支持向量机(SVM)对此特征集分类。本发明专利技术能有效判别与特定任务相关的重要信息成分，为脑电信号的特征提取提供了新的思路。

【技术实现步骤摘要】
基于多元变分模态分解的脑电多域特征提取方法
本专利技术属于模式识别领域，是针对运动想象脑电信号(EEG)，提出利用多元变分模态分解(MVMD)对原始脑电多通道数据进行自适应分解，然后从分解得到的固有模态函数(IMF)分量提取信号的时域特征以及非线性动力学特征，同时将IMF分量合并构造新的信号矩阵，并采用共空间模式(CSP)法对重构信号提取空间特征，来进行时域、非线性动力学以及空域特征的结合的特征及分类的方法。
技术介绍
脑机接口技术(BCI)是一种不依赖于人体神经和肌肉组织的正常传输通路，而直接进行人脑与外界之间信息交流的人机交互系统，对于活动能力缺失患者的能力恢复和功能训练具有重要意义，可以为意识障碍和中风患者的康复提供很大的帮助，患者可以通过该技术实现机械设备的控制，完成所需的动作。基于运动想象的BCI是研究最为广泛的一类，运动想象型BCI通过捕捉和识别不同运动想象任务下的EEG信号来实现大脑与外界的信息交换和控制。然而，EEG信号具有非平稳性、非线性等特点，单一角度的特征不能有效体现出信号特点的全面性，因此如何从EEG信号中提取出能全面且有效的识别运动任务的特征，对BCI系统的性能至关重要。判别运动想象EEG信号通常需要三个步骤：预处理、特征提取、分类器分类。而特征提取往往是最重要的环节，提取的特征好坏直接决定了分类的效果，因此如何提取有利分类的特征是研究的重要课题。近年来，针对传统特征提取算法在运动想象脑电信号时频特性分析的不足，1998年Huang等人提出了经典的由数据驱动进行分解的时频分析法，称为经验模态分解(EmpiricalModeDecomposition,EMD)算法，并且定义了固有模态函数(IntrinsicModeFunctions,IMF)的概念，这种方法具有很强的自适应性，在信号分析领域受到广泛关注。但EMD存在模态混叠现象，Wu和Huang针对此问题，提出利用噪声辅助EMD的算法EEMD(EnsembleEMD)，因为白噪声在频域内其功率谱密度分布均匀，被分析信号与白噪声混合可以改变极值点特性，补充一些缺失的尺度，在信号分解中有较好的表现。但是，EEMD和EMD不适用于同时处理多通道脑电数据，造成分解得到的IMFs个数以及频率的不匹配现象，2010年，Rehman等人提出多元经验模态分解MEMD(MultivariateEMD)，改进了EMD算法，它能够同时分解多通道的脑电信号，但是仍然没有解决模态混叠的问题。2014年，Dragomiretskiy等提出变分模态分解(variationalmodedecomposition,VMD)，将信号的分解引入到变分模型中，利用寻找约束变分模型最优解的过程实现信号的分解，同样定义分解得到的分量为固有模态函数(IMF)分量，其中每个分量都具有平稳性，是有限带宽的调频调幅信号。这种方法避免了因局部突变而引起的模态混叠现象，并且在计算速度上具有一定优势，但与EMD算法一样，存在不能同时处理多通道脑电信号的限制，2019年NaveedurRehman等提出的多元变分模态分解MVMD(multivariatevariationalmodedecomposition,MVMD)算法，将VMD算法从单通道拓展到多通道，可以同时处理多通道数据，避免了频率不匹配问题，又解决了MEMD的模式混叠问题，通过MVMD算法对多通道信号自适应地分解成多个具有物理意义的IMF，接着对各阶IMF作Hilbert变换，可以获得高分辨率的时频特征。此外，通过非线性动力学特征分析脑电信号也是一种有效的处理方法，其中近似熵(ApproximateEntropy,AE)、样本熵(SampleEntropy,SE)是近年来脑电信号在非线性动力学研究中的特征代表，Richman和Moorman等提出样本熵，解决了近似熵的计算过程中“自我比较”引起偏差的问题，但没有考虑到时间序列中可能存在的不同时间尺度特征，为了计算不同时间尺度下信号的复杂性，Costa等提出了多尺度熵(MultiScaleEntropy)的算法，将样本熵扩展到多个时间尺度，有效的避免原数据进行线性平滑的过程中丢失有效的特征信息。尽管时频特征以及多尺度熵特征已表现出良好的效果，但随着大脑状态的变化特征会有波动，如果可以同步利用EEG信号的空间相关性，便能在一定程度上消除信号的噪声，并实现局部皮层神经活动的定位，共空间模式(Commonspatialpattern,CSP)便是一种应用于分析多维脑电信号的空间滤波算法，可以补充EEG信号的空域特征。近年来相关研究者综合考虑多种特征方法进行特征提取。ChenS等提出了融合香农熵、小波熵和样本熵进行特征提取；杨默涵等基于总体经验模态分解和近似熵提出一种多特征提取方法。以上方法都表现出很好的自适应性和较高的识别准确率，但都忽略了每一类运动想象脑电信号中重要的时域特征和空间分布成分。为了得到更全面有效的特征，本专利技术提出基于MVMD的时域特征，非线性动力学特征以及空域特征结合的多域特征提取方法。
技术实现思路
针对运动想象脑电信号具有非平稳性、非线性等特点，单一角度的特征不能有效体现出信号特点的全面性，本专利技术提出了基于MVMD的时域特征，非线性动力学特征以及空域特征结合的多域特征提取方法，并基于此完成运动想象脑电信号分类的方法。本专利技术包括以下步骤：步骤(1)：多通道脑电信号采集并进行预处理。采集受试者的多通道运动想象脑电信号；接着利用带通滤波器对脑电信号进行8～30HZ的低通滤波，用于脑电信号特征提取。步骤(2)：对多通道脑电信号进行多元变分模态分解(MVMD)，得到每个通道的K个本征模态函数(IMF)。步骤(3)：对各IMF分量采用在时域具有很高分辨率的希尔伯特-黄变换(HHT)来提取瞬时幅值，并求瞬时能量，以此作为区分两类运动想象脑电信号的时域特征。步骤(4)：对各IMF分量提取多尺度样本熵作为区分两类运动想象脑电信号的非线性动力学特征。步骤(5)：将每个IMF分量看作为单个通道的脑电信号，并以原始信号的采样频率对其采样，然后合并分量构造两类运动想象任务下新的信号矩阵，对其进行CSP分解得到区分两类的方差向量。步骤(6)：将步骤(3)～(5)中求得的特征值结合，构造输入特征向量，并对输入向量进行归一化。将训练集特征输入SVM分类器训练分类模型后，对测试集特征进行分类得到测试结果。本专利技术的有益效果：运动想象脑电信号通常具有非平稳性、非线性等特点，而传统的方法采用的都是单个角度特征进行特征提取，不能较好地体现有效特征的全面性，本专利技术从多个角度获取信号的更完整描述，且信号特征都是基于MVMD算法，保证了信号稳定地分解为多个具有物理意义的IMF分量，为获得有效的多特征创造了条件。附图说明图1为本专利技术的流程图；图2(a)为C3通道运动想象脑电信号MVMD分解后的分量波形；图2(b)为C4通道运动想象脑电信号MVMD分解后的分量波形；图3(a)为C3通道特征向量F本文档来自技高网...

【技术保护点】
1.基于多元变分模态分解的脑电多域特征提取方法，其特征在于：包括以下步骤：/n步骤(1)：多通道脑电信号采集并进行预处理；/n步骤(2)：对多通道数据进行MVMD分解；具体为：/n对于包含C个数据通道的输入数据X(t)，记为[x

【技术特征摘要】
1.基于多元变分模态分解的脑电多域特征提取方法，其特征在于：包括以下步骤：
步骤(1)：多通道脑电信号采集并进行预处理；
步骤(2)：对多通道数据进行MVMD分解；具体为：
对于包含C个数据通道的输入数据X(t)，记为[x1(t),x2(t),…xC(t)]，MVMD算法的具体步骤如下：
①、预先定义k个窄带IMF分量uk(t)，使



其中，uk(t)＝[u1(t),u2(t),…uC(t)]；
利用希尔伯特变换的算法分别得到向量uk(t)中每一个元素的解析表示，记为以计算单边频谱，然后与指数项相乘来调整其对应的中心频率ωk(t)，使每个模态的频谱被调制到与它相对应的基频带上，通过谐波转换后的梯度函数的L2范数来估计出各模态uk(t)的带宽；
由于单个的频率分量ωk被用作为整个向量的谐波混频，因此需要在多元振荡uk(t)中找到在多个通道的共同频率分量ωk，考虑的所有通道，使每个通道所分解的IMF分量之和能够再现该输入信号，且最小化模态函数带宽之和，受约束的相关优化问题变为：



其中，uk,c(t)表示相应的通道数c和向量uk(t)中的元素，表示对应的uk,c(t)中每一个元素的解析表示，表示与时间相关的偏导数；
③、对变分问题求解，构造增广的拉格朗日表示为：



其中，α为二次惩罚因子，其保障存在高斯噪声时信号的重构精度，λc(t)为拉格朗日乘子，使得约束条件保持严格性；
④、为了解决这个转变后的非约束性的变分问题，应用乘子交替方向法来更新和以寻找增广拉格朗日表达式的鞍点；具体做法为：
1)模态更新
模态更新的最小化问题相当于：



利用Parseval傅里叶变换，将其变换到频域，与VMD算法的模式更新方法类似，得到模式更新为：



2)中心频率更新
由于增广拉格朗日函数的后两项不依赖于ωk，则中心频率更新所对应的优化问题可以简化为：



同样利用Parseval傅里叶变换，将该优化转换到频域，得到在傅里叶域中的等效问题为：



得到中心频率的更新方法：



通过更新关系自适应地分解信号的频带，得到k个窄带IMF分量；此外，由于MVMD方法能同时计算多个通道数据，保证了通道间频率的一致性，使信号的分析更趋于稳定；
步骤(3)：将式(1)的各分量uk(t)进行希尔伯特谱分析，定义为uk(t)与1/πt的卷积，即：



其中，μ为积分变量；
由uk(t)作为实部，它的希尔伯特变换作为虚部，得到其解析信号和瞬时幅值为：
Uk(t)＝uk(t)+j0H[uk(t)](10)
其中，j0为虚数单位；



然后计算每个通道的平均瞬时能量值为：



其中n为采样点数目，为第i个采样点对应的瞬时能量值；取瞬时能量均值作为时域特征，记为F1；
步骤...

【专利技术属性】
技术研发人员：孟明，闫冉，尹旭，戴橹洋，胡家豪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33