專利名稱：想象單側肢體運動的腦電特征的提取方法
技術領域：
本發明涉及腦-機接口 (brain-co卿uter interface, BCI)系統中想象動 作電位的提取方法。
技術背景目前，有多種疾病可以損傷腦與外部環境進行交流和控制的神經肌肉通 路，如腦癱多發性硬化和肌萎縮性脊髓側索硬化(Amyotrophic Lateral Sclerosis, ALS)等。這些疾病會使人部分或全部失去自主的肌肉控制。現 代的生命支持技術可以使延長患者生命時間，但患者的生活質量低下，給家 庭和社會造成的負擔也十分沉重。隨著計算機技術的進步和腦功能研究的不斷深入，人們開始嘗試建立一 種全新的、不依賴于肌肉的交流和控制通路，在腦和外部世界之間傳遞信息 和命令，這就是所謂的腦-計算機接口 (Brain-Computer Interface, BCI)，簡稱腦機接口。BCI系統結構圖如圖l所示。腦電采集裝置首先從大腦皮層采集腦電信號，其次經過信號預處理部分 進行濾波，而后經過模式識別方法將腦電信號進行分類，得到控制信號，最 終利用這些控制信號通過程序實現對外設的控制。根據臨床電生理學的研究成果，不同的肢體部位運動所激活的大腦皮層 區域也各不相同。單側的肢體運動或想象運動主要激活感覺運動皮層，大腦對側產生事件相關去同步電位(event-related desynchronization ，ERD)， 同側產生事件相關同步電位(event-related synchronization, ERS)。 ERD是 指當某一皮層區域活躍起來時，特定頻率的節律性活動表現出幅度的降低， ERS是指當某一活動在一定時刻沒有使相關皮層區域明顯地活躍起來，特定 頻率就表現出幅度升高。因此，通過分析的腦電信號模式及其分布特征，可 以預測出想要發生動作的部位(例如是手部或者足部)。圖2為2003年BCI競賽中由GRAZ大學提供的腦電數據進行經過8-30HZ 濾波，并平均140次實驗數據后所得的功率圖。圖中第3秒開始想象單側腦 電運動。在第3秒后，C3， C4兩個電極信號功率明顯的變化印證了 ERD和ERS 這一生理特征。基于此生理特征基礎之上進行的。目前，空間濾波特征(common spacial pattern, CSP)算法與支持向量機 (SVM)相結合是腦機接口技術采取的特征提取和分類方法之一。但是存在支持向 量機輸入維數較高，分類器推廣能力差的問題。另外單純采用線性判別分析(FDA)分類器，簡單、容易實現、需要的計算 量和存儲量小，它假定判別函數g(x)是輸入特征向量x的線性函數。然而， 由于EEG的非線性，得到的特征向量很難具有線性可分性，因此線性分類法在 分類自發EEG信號時，必然會導致識別率低。 發明內容將數據按照不同的頻率分成多個子頻帶，對每個不同的子頻帶再進行CSP 算法轉換并結合線性判別分析(FDA)進行特征提取。分類器采用支持向量機。CSP方法結合FDA線性變換能夠降低輸入特征矢量的維數，避免了維數災難問題，有利于推廣分類器的使用，在腦機接口技術領域的中提高識別準確 率，顯示了一定的優勢。本發明采取的技術方案是電極的放置遵循國際IO - 20系統，總共電極數為16個，采樣頻率為128Hz。電極帽采集腦電信號EEG，腦電信號經過腦電放 大器放大及A/D轉換，由USB口輸入計算機中，并以信號電壓幅值形式在存儲器 中存儲。利用計算機實現CSP算法，FDA線性變換結合支持向量機對腦電信號 進行分類想象試驗次數為m (me(180,240))次，任意取其中^m次(左右手試驗次數各為iw)為訓練數集，剩下的im次(左右手試驗次數隨機)為測試數集。 3 3本申請的特征包括 (1)腦電信號的時域頻域濾波1) 設計48階、12采樣點的FIR濾波器對存儲器中腦電信號數據進行0-3Hz 低頻帶濾波，設置想象動作發生前『(『e(300,600)) ms時間窗，對訓練集|附 次經過頻域、時域濾波后的數據取均值設為datal，為CSP左右手動作空間濾波器的構造做準備。2) 設計48階、512采樣點的FIR濾波器對存儲器中的m次試驗的腦電信 號數據分別進行8-30Hz帶通濾波，對每次試驗數據都設置想象動作發生后l-2s 時間段的時間窗，對每次試驗的腦電信號的時間窗內的數據段的所有數據分別取平方值，并設置200ms滑動時間窗，即每次移動一個采樣點，得到m次試驗 的參數時程變化；在m次時程變化后的數據中取訓練集l附部分，經過頻域、 時域濾波后，取該2附次實驗數據算術均值設為data2; (2)對特征矢量v,， ^2降維利用共同空間濾波(CSP)方法對datal數據段提取4維特征矢量Vp對data2數據段提取6維特征矢量V2 。其中V, = [ < < C V ] ', V2= [ V < V2。2 V V 、3 ] r ，Vl， v2由CSP空間濾波器濾波后求得。禾U用Fisher判另lj分析(Fisher discriminant analysis, FDA)對特征矢 量K ， v2分別降維至1維矢量/， /2:1)對特征/的Fisher準則為G(Wi)=,^代表了投影方向，^為左右手動作類間離散度矩陣，^為總類內離散度。當取極大值時的< ，就是將要采用的4維的Vl空間到一維y;空間的方向。 設 為h。1 vJ]t所有列向量e,，/Hi…W的均值向量，N為所選擇的連接 大腦的腦電通道的數目，[V v,。2]t代表了左手模型的特征向量，由csp算法 求解得出。設 為[ 1 V]t所有列向量vJ^1 ...W的均值向量，N為所選擇的連接 大腦的腦電通道的數目，V]t代表了右手模型的特征向量，由csp算法
子幀與ACK/NACK所7t應的上4亍子幀之間有6個子幀的間 隔；設置重傳的數據包所在的上行子幀與前一次傳輸的數據包 所在的子幀之間有14個子幀的間隔；^f吏得此進禾呈的RTT為 15msj
所述第一確定才莫塊確定Tue = 3ms, Tnb=3ms，上/下4亍轉 換周期為5ms;所述第二確定才莫塊確定下/上行子幀比例為3 :
2, 子幀2、 3、 7、 8為上4亍子幀，子幀1、 6的DwPTS上 及子幀0、 4、 5、 9可以發送下行ACK/NACK信令；則所述 配置模塊設置進程的總數為4，分別為進程A、 B、 C、 D; 設置進程A及進程C分別在子幀2和子幀7上發送；設置基 站反饋的ACK/NACK信令在下行子幀上發送，設置這個下行 子幀與ACK/NACK所只十應的上4亍子幀之間有3個子幀的間 隔；設置重傳的數據包所在的上行子幀與前一次傳輸的數據包 所在的子幀之間有9個子幀的間隔；^使得這兩個進程的RTT 為10ms;設置進程B及進程D分別在子幀3及子幀8上發送； 設置基站反饋的ACK/NACK信令在下行子幀上發送，設置這 個下行子幀與ACK/NACK所對應的上行子幀之間有5個子幀 的間隔；i殳置重傳的#:據包所在的上4于子幀與前一次傳輸的凄t 據包所在的子幀之間有9個子幀的間隔；4吏得這兩個進程的 RTT為10ms;
所述第一確定才莫塊確定Tue-3ms, Tnb=3ms，上/下4亍轉 換周期為5ms;所述第二確定模塊確定下/上行子幀比例為4 : 1,子幀2、 7為上行子幀，子幀1、 6的DwPTS上及子幀0、
3、 4、 5、 8、 9可以發送下行ACK/NACK信令；則所述配置 才莫塊設置進程的總數為2，分別為進程A、 B;設置進程A 及進程B分別在子幀2和子幀7上發送；設置基站反饋的 ACK/NACK〗言令在下4于子幀上發送，i殳置這個下4于子幀與 ACK/NACK所對應的上行子幀之間有3個子幀的間隔；設置
分類。使用Fisher判別分析將高維輸入向量v v2 (v^為4維，、為6維)降 為兩個i維輸入向量y;， /2，再經過支持向量機的分類，不但提高了分類準確 率。也避免了由于維數過高帶來的的維數災難問題，有利于分類器的推廣。
圖l BCI系統基本結構示意圖。圖2 2003年BCI競賽中由GRAZ大學提供的腦電數據進行經過8-30HZ濾波，并平均140次實驗數據后所得的功率圖。第3秒開始想象左手運動的C3，C4腦電信號的功率變化圖。 圖3 2003年BCI競賽中由GRAZ大學提供的腦電數據進行經過8-30HZ濾波，并平均140次實驗數據后所得的功率圖。第3秒開始想象右手運動的C3、4腦電信號的功率變化圖。在第三秒后，C3， C4兩個電極信號的變化印證了ERD和ERS生理特征，本實驗裝置就是基于此生理特征基礎之上進行的。 圖4 EEG數據分類算法流程圖 圖5 CSP算法流程圖 圖6腦電信號特征矢量降維流程圖具體實施方式
利用16通道電極帽采集腦電信號(EEG)，腦電信號經過腦電放大器放大 及A/D轉換，由USB口輸入計算機中，并以信號電壓幅值形式在存儲器中存儲。進行左右手想象試驗次數為210次，取其中140次(左右手試驗次數各為70) 為訓練數集。1) 設計48階，512采樣點的FIR濾波器對數據進行0-3Hz低頻帶濾波， 設置想象動作發生前500ms時間窗，對140次經過頻域、時域濾波后的數據取 算術均值設為data2，為CSP左右手動作空間濾波器的構造做準備。2) 設計48階，512采樣點的FIR濾波器對數據進行8-30Hz帶通濾波，設 置想象動作發生后l-2s時間窗。對該數據段的數據取平方值，并設置200ms 滑動時間窗，為后期支持向量機的分類做準備。對訓練集140次經過頻域、時 域濾波后的數據取算術均值設為data2。3) 利用CSP方法對ERD/ERS明顯的data2數據段進行預處理。 無論想象左側還是右側肢體的運動，數據采集系統除了采集到與特定任務相關的活動外還包括特定無關的活動，如背景噪聲。所以需要一種合適的方法 來提取在特定目標刺激下與任務相關的腦電分量。CSP共同空間濾波方法就是 處理這類問題的有效方法。CSP是一種在多任務條件下，從多通道EEG數據集中提取某一特定任務信 號成分的方法，這種方法基于兩個實對稱矩陣(協方差矩陣)的同時對角化， 并應用主成分分析(PCA)和空域子空間分析的方法來排除兩種任務的共同部分， 提取不同部分。它通過多任務共空間因子來分解信號矩陣和協方差矩陣，然后 根據數據集中的共空域子空間將空間因子及其對應的空間過濾器分成為兩個部 分，即任務不同的部分和共同的部分。然后，再通過空間因子和相應的空間濾波器將特定信號成分提取出來。CSP算法的目的就是設計與某個特定任務相關的空間濾波器，應用CSP算法于ERD生理現象較明顯的data2數據段，左、右手指動作識別可按下列具體 步驟完成第一步將物理信號轉變為數學信號選用的腦電通道數為16， data2中數據點長度設為/.則建立左手指的動作 信號矩陣為XL，右手指動作信號矩陣為XR均為16x/矩陣，將腦電的物理電壓 信號以數學矩陣形式給出 RL=[XL]x[XL]rRR=[XR]x[XR]r分別求出左、右手指動作的協方差矩陣RL和RR。 對協方差矩陣的和R進行特征值分解 R=[RL]+[RR]=U0XU0r其中，Z為特征值對角陣，U。為對應的特征向量矩陣。第二步應用主成分分析(PCA)，求出白化值矩陣P丄 r為之后的左右手動作空間濾波器的構造做準備。然后，將RL和RR轉換為如下形式 YR=PxRRxPr=UZRUr其中，2:,和i^為特征值對角陣，u為對應的特征向量矩陣，可以征明yl 和YR具有相同的特征向量矩陣u，而且特征值對角陣i:,和2^滿足下式I為單位矩陣。理論上講，2:,和i^中的對角元素只有o和i構成，而且i;,中的i、 o分 別對應i^中的o、 i，實際上，由于腦電放大器的電極噪聲及許多人為因素的影響，L和2^中的對角元素的值是達不到l的，而是由介于0和1之間的許多值構成的。第三步構造左右手動作空間濾波器應用主成分分析可知，z,和i^中最大的一個或幾個特征值所對應的特征向量就表征了左、右手指想象動作這兩種任務成分。現定義L和2^中最大的三個特征值所對應的特征向量構成的矩陣分別為^和^。在此，^和^大小為16x3， 16為腦電通道數量。其中，F1L對應左手指動作電位，F1R對應右手指動作電位。至此，想象 左右手運動的空間濾波器的構造完成。經過空間濾波器濾波之后，信號中左右 手運動任務成分更加突出，為之后的支持向量機的分類創造一個好的基礎。將新的手指想象的信號矩陣X經過相應的濾波器F1L， F1R后，之后，特征矢量定義為、，i<formula>formula see original document page 14</formula>v,。， ^在對數運算之前的取值位于0和1之間。理論上、對于想象右手動作的數據等于0，而對于想象左手運動的數據等于l。對 結果正好相反。正是這個歸一化減輕了來自不同時間腦信號的幅度或功率差異對分類識別率的 影響。這個對數運算是為了使v,。， 中的元素分布更趨正態。當提取特征/2時，我們選擇三個空域模式。因此， 一個6維的特征矢量 、二[ 1 < 、2、2 v2a3 V ] t被構造，其中上標1、 2和3表示所選空域模式 的索引號。T表示轉置運算符。接下來我們利用線性判別分析(FDA)將由v,， ^兩個特征矢量降維至兩 l維的特征向量/i， /2。對特征/2的Fisher準則為G(w2)= "v^代表了投影方向，^為左右手動作類間離散度矩陣，、2為總類內離散度。 當G(^)取極大值時的vV，也就是將要采用的6維^2空間到一維/2空間的方向。設 為[ 1 v2。2 3]7所有列向量^/^1...^的均值向量，N為所選擇的連接大腦的腦電通道的數目，[ ' 2 3]T代表了左手模型的特征向量，由CSP算法求解得出。 為[V、2 3]T所有列向量。，^{1..1}的均值向量，N為所選擇的連接大腦的腦電通道的數目，v2A2 v^]t代表了右手模型的特征向量，由CSP 算法求解得出。取^2 = 1] 0,—附21)(^—附21,+z ( —附22)(~—附22)7，貝u由>/2=^->21-附22)即可求得《的取值，即6維空間^到1維空間/2的最 好方向。由/2 = WJV2即可把6維樣本、投影到1維空間/2 。對于^采取的降維方法與K基本上是一致的，直接對datal數據段建立CSP 空間濾波器，濾波后經Fisher變換把4維向量v,映射到一維向量/ 。在獲得了兩個一維特征,、/2后，將它們連接成一個兩維的特征矢量， 最后輸入支持向量機(SVM)分類器進行分類。在此選擇徑向基函數作為支持向量機(SVM)的核函數<formula>formula see original document page 15</formula>x,， 分別表示第/,y個樣本模式，y為核參數。理論上說，只要滿足mercer條件的函數都可以作為核函數，但在我們選擇 徑向基核函數的主要依據有以下幾點1) 非線性是腦電信號的一大特點，因此在從低維空間向高維空間變換時我 們要采用非線性變換。另外，線性S函數是徑向基函數的一種特例。2) 與多項式核函數相比，徑向基函數具有更少的參數，即模型復雜度更低， 這有利于訓練時的參數確定。3)在目前支持向量機理論中，S函數還不是很成熟，而且S函數跟線性核函 數一樣，也可以看作是徑向基函數的一個特例。因此綜合以上幾方面的考慮，最終選定徑向基函數作為所用支持向量機的 核函數。另外對于核參數y和誤差懲罰因子C的選擇也非常重要。z的取值影響著空間變換后的數據分布。而作為懲罰因子c則決定了支持向量機的收斂速度及推廣能力。因此對z和c的錯誤選擇就決定了測試樣本并不能被較好的識別，即有可能出現過學習問題。我們采用交叉驗證的方法。交叉驗證法，具體到本文中就是將140份經CSP 空間濾波器濾波和FDA降維處理后的腦電信號訓練數據等分為6份，先用其中的 5份來訓練支持向量機，然后將剩下的一份作為測試數據進行識別，從而得到一 個識別率。對這6份再重新選擇一份作為測試數據，另5份作為訓練數據，重復 上面的過程，從而又得到一個識別率。 一次循環下來作為核參數y和懲罰因子C 的一次驗證，然后在;k和C的允許空間內，改變y和C的值，再重復以上步驟，直 到y和C全部驗證完畢，從而確定出識別率最高的y和C的值作為最終的訓練數據值，交叉驗證方法可以有效地防止數據的過訓練。在以上的交叉驗證過程中，對7和C的改變我們采用網格搜索法。所謂網格 搜索法就是分別以y和C的取值范圍為外圍網格的邊，在取值范圍之內不同y和 C取值交叉成不同的網格，對所有的這些網格進行搜索，以找到需要y和C取值。 在使用網格搜索法時，如果從一開始就不間斷地對每個值進行搜索，無疑會使計算量巨大化，因此，本文采用粗網格和細網格結合使用的方法進行搜索，以降低 計算量，加快搜索速度。在粗網格搜索時，y和C選值的變化一般采用指數級變化，以2"次方的步 長進行變化，在此，C的變化取C二2-5,2-3,...215，而y = 2-",2-13，...23的變化范圍。 兩者變化時，n的步長取2.當粗網格搜索結束后，C和y最優值被確定在(211,23) 附近。因此對該區域采用細網格搜索方案，此時C的取值變為C-21、21。5,…212， y 的取值變為^215，22,...23 ， n的步長取值為0. 5，對搜索到的值進行細網格搜索， 直到交叉驗證率不再增加為止。確定Z和C的取值后，就可以對支持向量機分 類器進行訓練了，此時將整個訓練數據集以及前邊搜索出來^和C值都用來訓練 支持向量機，最后再用訓練好的支持向量機來預測測試數據集，從而確定該支持 向量機分類器的識別率。CSP空間濾波方法的排除相同任務成分提取不同任務成分的性質決定了它 對想象單側肢體運動腦電特征的分類更有針對性，同時CSP算法與FDA特征提 取相結合，降低了輸入矢量的維數，提高了分類器的推廣性，在一定程度上提 高分類準確率。采用支持向量機分類器，避免了神經網絡易出現的訓練時間過 長和過學習問題，為提高腦機接口技術的實時性創造了前提條件，從而使腦機 接口技術早日走出實驗室，在日常生活中服務于人類成為可能。
權利要求
1、想象單側肢體運動的腦電信號的提取方法，想象左右手運動試驗次數為m次，任意取其中 次為訓練數集，其中左右手試驗次數各為次，剩下的次為測試數集；采集到的腦電信號再經過腦電放大器放大及A/D轉換，由USB口輸入計算機中，并以信號電壓幅值形式在存儲器中存儲；其特征在于，所述的m的取值為180～240；該方法是按以下步驟實現的(1)腦電信號的時域頻域濾波1)設計48階、12采樣點的FIR濾波器對存儲器中腦電信號數據進行0-3Hz低頻帶濾波，設置想象動作發生前W(W∈(300，600))ms時間窗，對訓練集次經過頻域、時域濾波后的數據取均值設為data1，為CSP左右手動作空間濾波器的構造做準備。2)設計48階、512采樣點的FIR濾波器對存儲器中的m次試驗的腦電信號數據分別進行8-30Hz帶通濾波，對每次試驗數據都設置想象動作發生后1-2s時間段的時間窗，對每次試驗的腦電信號的時間窗內的數據段的所有數據分別取平方值，并設置200ms滑動時間窗，即每次移動一個采樣點，得到m次試驗的參數時程變化；在m次時程變化后的數據中取訓練集部分(次)，經過頻域、時域濾波后，取該次實驗數據算術均值設為data2；(2)對特征矢量v1、v2降維利用共同空間濾波(CSP)方法對data1數據段提取4維特征矢量v1，對data2數據段提取6維特征矢量v2。其中v1＝[v1a1v1b1v1a2v1b2]Tv2＝[v2a1v2b2v2a2v2b2v2a3v2b3]T，v1，v2由CSP空間濾波器濾波后求得。利用Fisher判別分析(Fisher discriminant analysis，FDA)對特征矢量v1，v2分別降維至1維矢量f1，f21)對特征f1的Fisher準則為
全文摘要
本發明涉及腦-機接口裝置中想象單側肢體運動的腦電特征的提取方法。CSP空間濾波方法的排除相同任務成分提取不同任務成分的性質決定了它對想象單側肢體運動腦電特征的分類更有針對性，同時CSP算法與FDA特征提取相結合，降低了輸入矢量的維數，提高了分類器的推廣性，在一定程度上提高分類準確率。使用Fisher判別分析(FDA)將10維輸入向量v<sub>1</sub>，v<sub>2</sub>(v<sub>1</sub>為4維，v<sub>2</sub>為6維)降為兩個1維輸入向量f<sub>1</sub>，f<sub>2</sub>，再經過支持向量機的分類，不但提高了分類準確率。也避免了由于為數過高帶來的維數災難問題，有利于分類器的推廣。
文檔編號A61B5/048GK101219048SQ200810056839
公開日2008年7月16日 申請日期2008年1月25日 優先權日2008年1月25日
發明者喬俊飛, 于建均, 劉凈瑜, 李明愛, 蕊 王, 郝冬梅, 龔道雄 申請人:北京工業大學