本发明专利技术公开了一种基于自适应最优频带选择的运动想象脑电解码方法，属于脑机接口(BCI)领域。所述方法包括：运动想象脑电信号关键通道选择；脑电数据预处理；基于功率谱峰值的自适应最优频带选择；脑电信号特征提取及特征选择；运动想象意图识别，获得分类结果。本发明专利技术从运动想象所诱发脑电信号呈现节律性特征这一本质出发，自适应对脑电信号进行频带划分，提取更显著的BCI特征，能够有效提升意图识别效果。
【技术实现步骤摘要】
本专利技术涉及脑机接口领域，具体而言，涉及一种基于自适应频带选择的运动想象脑电解码方法。
技术介绍
1、脑机接口(brain computer interface,bci)是一种新型的人机交互模式，它将大脑的主观意图解码为控制指令，从而实现与外部设备的控制。其中，基于运动想象的脑机接口是脑机接口领域重要的范式之一，它通过对不同肢体动作的运动想象，可以激活人脑运动感知皮层的神经振荡，从而产生事件相关去同步(event-related desynchronization,erd)和事件相关同步(event-related synchronization,ers)现象。研究表明，这种神经振荡具有明显的节律性，主要集中于[8,36]hz的频带内，其中α频带和β频带尤为明显。同时，基于运动想象的脑机接口有助于促进受损皮层神经的功能性重塑，因此，在神经康复领域同样具有重要价值。
2、然而，基于运动想象的脑电信号在频域上具有显著的个体差异，因此高精度的脑机接口解码依赖于高度自适应化的频带选择。目前，常用的频带选择是采用多频带滤波器组对脑电信号进行多频带划分(例如fbcsp)。然而，其选用的频带和频带数均是人为设定的，这种固定的频带划分策略，直接影响了后续的特征提取和模式分类效果。
技术实现思路
1、本专利技术的目的在于从运动想象脑电信号的节律性振荡这一本质出发，提供了一种基于自适应频带选择的运动想象脑电解码方法，通过对运动想象脑电信号频带的自适应选择，实现脑机接口的高效与准确解码。</p>2、为实现上述目的，本专利技术采用了如下技术方案：
3、一种基于自适应频带选择的运动想象脑电解码方法，选择运动想象脑电信号关键通道，并对其进行预处理；然后计算各个通道信号的功率谱密度，采用功率谱峰值进行自适应最优频带选择；随后使用所选择的频带对脑电信号进行多频带分解，采用共空间模式算法(csp)对每个子频带数据进行空域特征提取，并对各子频带特征合并；使用互信息最优特征选择算法(mibif)对合并的特征集进行选择；最后，采用向量机(svm)分类器进行脑电解码。具体包含以下步骤：
4、s1、关键通道选择：对运动想象脑电信号进行关键通道选择，并对所选择的关键通道进行预处理；
5、s2、最优频带选择：对s1中预处理后的脑电数据，计算任务诱发平均功率谱曲线，并根据平均功率谱峰值进行自适应最优频带选择；
6、s3、脑电信号特征提取及特征选择：利用s2中所选择的最优频带分别对训练集数和测试集数据进行频带划分；提取每个子频带特征，并对合并的各子频带特征进行选择；
7、s4、运动想象特征分类：使用支持向量机(svm)分类器对特征进行分类，以实现运动想象模式识别。
8、优选地，s1中所述预处理具体包括对eeg数据分段截取、采用共平均参考(commonaverage reference,car)进行重参考、去除工频干扰和基线漂移。
9、优选地，所述s2具体包括如下内容：
10、s2.1、构建通带频率为8-36hz的五阶巴特沃斯带通滤波器，对预处理后的脑电信号进行带通滤波；
11、s2.2、使用welch方法计算每个通道信号的功率谱密度；
12、s2.3、对不同运动想象任务所激活脑区的关键通道的功率谱求平均，获得任务诱发平均功率谱曲线；
13、s2.4、对平均功率谱曲线进行平滑处理，以去除曲线微小波动造成的伪峰值；
14、s2.5、获取平均功率谱曲线的功率谱峰值，其中峰值个数即为所要划分的频带数；
15、s2.6、动态调节确定每个功率谱峰值处频带宽度。
16、优选地，所述s2.3进一步包括如下内容：左手运动想象激活脑区位于右侧脑区，右手运动想象激脑区位于左侧脑区；将左手运动想象任务时右侧脑区和右手运动想象任务时左侧脑区的所有关键通道的功率谱曲线求平均，获得任务诱发平均功率谱曲线。
17、优选地，所述s2.6进一步包括如下内容：
18、s2.6.1、针对所确定的每个功率谱峰值点，以该峰值点所对应频率值f0为中心，以h为步长，确定该峰值点的初始频带[f0-h,f0+h]；采用共空间模式算法提取初始频带内的脑电特征，使用支持向量机(svm)分类器进行特征分类，获得分类正确率acc0；
19、s2.6.2、以h为步长，增大频带带宽为[f0-2*h,f0+2*h]，并使用共空间模式算法(csp)提取特征，使用支持向量机(svm)分类器进行特征分类，获得分类正确率acc1。
20、s2.6.3、如果acc1≥acc0，停止频带增加，同时s2.6.2中所使用的带宽即为该峰值点的频带带宽；否则，重复s2.6.2增加带宽，计算新分类正确率，并更新acc1；
21、s2.6.4、当频带下限频率f0-n*h≤8hz或上限频率f0+n*h≥36hz时，停止频带增加；同时，确定f0-n*h为8hz或f0+n*h为36hz，计算分类正确率，并设定为acc1；如果acc1≥acc0，则此时的带宽为该峰值点带宽；否则，acc0对应带宽为峰值点频带带宽。
22、优选地，所述频带步长h由功率谱峰值点数确定，若峰值点个数大于2时，步长h为0.5hz；若峰值点数小于或等于2时步长h为1hz。
23、优选地，所述s3具体包括如下内容：
24、s3.1、使用所选择的自适应最优频带，分别将训练集和测试集脑电信号分解为多个子频带；
25、s3.2、使用共空间模式算法(csp)对每个子频带数据进行特征提取；
26、s3.3、将训练集数据和测试集数据的多个子频带特征分别合并为训练集特征矢量和测试集特征矢量；
27、s3.4、采用互信息最优特征选择算法(mibif)选择最佳特征，获得训练集最佳特征和测试集最佳特征。
28、优选地，s3.2中所述提取每个子频带特征具体指使用共空间模式算法(csp)对每个子频带数据进行特征提取，具体包括如下内容：
29、假设x1和x2为运动想象信号的两个不同类数据，其协方差矩阵分别为：
30、
31、
32、式中，分别表示x1和x2的转置，trace(·)表示矩阵的迹；
33、对两协方差矩阵之和r进行特征分解：
34、r＝r1+r2＝uλut (3)
35、其中，λ为矩阵r的特征值对角阵，u为特征向量矩阵；
36、利用白化矩阵对r1和r2进行白化处理：
37、s1＝pr1pt (4)
38、s2＝pr2pt (5)
39、对s1和s2进行特征值分解：
40、
41、矩阵s1和s2的特征向量矩阵相等，即：
42、u1＝u2＝u0 (8)
43、则，投影矩阵w为：
本文档来自技高网
...
【技术保护点】
1.一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，S1中所述预处理具体包括对EEG数据分段截取、采用共平均参考进行重参考、去除工频干扰和基线漂移。
3.根据权利要求1所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述S2具体包括如下内容：
4.根据权利要求3中所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述S2.3进一步包括如下内容：左手运动想象激活脑区位于右侧脑区，右手运动想象激脑区位于左侧脑区；将左手运动想象任务时右侧脑区和右手运动想象任务时左侧脑区的所有关键通道的功率谱曲线求平均，获得任务诱发平均功率谱曲线。
5.根据权利要求3中所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述S2.6进一步包括如下内容：
6.根据权利要求5中所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述频带步长H由功率谱峰值点数确定，若峰值点个数大于2时，步长H为0.5Hz；若峰值点数小于或等于2时步长H为1Hz。
7.根据权利要求1所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述S3具体包括如下内容：
8.根据权利要求7所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，S3.2中所述提取每个子频带特征具体指使用共空间模式算法对每个子频带数据进行特征提取，具体包括如下内容：
...
【技术特征摘要】
1.一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，s1中所述预处理具体包括对eeg数据分段截取、采用共平均参考进行重参考、去除工频干扰和基线漂移。
3.根据权利要求1所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述s2具体包括如下内容：
4.根据权利要求3中所述的一种基于自适应最优频带选择的运动想象脑电解码方法，其特征在于，所述s2.3进一步包括如下内容：左手运动想象激活脑区位于右侧脑区，右手运动想象激脑区位于左侧脑区；将左手运动想象任务时右侧脑区和右手运动想象任务时左侧脑区的所有关键通道的功率谱曲线求平均，获得任务诱...
【专利技术属性】
技术研发人员：韩向可，苗晓鹏，马铭，田龙，王赫，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：
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。