本發(fā)明屬于腦機(jī)接口研究領(lǐng)域，涉及便攜式腦機(jī)接口的EEG信號(hào)處理方法，特別涉及一種基于意識(shí)任務(wù)的特征EEG處理方法。

背景技術(shù)：

腦機(jī)接口(Brain-Computer Interface，BCI)是測(cè)量中樞神經(jīng)系統(tǒng)的活動(dòng)并將它轉(zhuǎn)換成用來(lái)代替和增強(qiáng)中樞神經(jīng)系統(tǒng)輸出的人工輸出系統(tǒng)。目前，基于EEG的BCI系統(tǒng)應(yīng)用最為廣泛。它通過(guò)安裝在頭皮的固定位置處的電極，檢測(cè)到相應(yīng)的神經(jīng)元活動(dòng)彌散到頭皮上的電勢(shì)分布，然后解讀電勢(shì)信號(hào)的分布，來(lái)解碼一些運(yùn)動(dòng)意圖信息，將這些運(yùn)動(dòng)意圖信息相應(yīng)的編碼，就可以控制外部的設(shè)備，為人們提供一種全新的與外界交互的能力。BCI常用于殘疾人輔助設(shè)備，如腦控輪椅，腦控義肢，通過(guò)EEG控制經(jīng)顱磁刺激對(duì)受損的肌肉進(jìn)行康復(fù)治療與殘疾人輔助機(jī)器人等。目前，讓BCI新技術(shù)走出實(shí)驗(yàn)室，服務(wù)廣大有需求的患者和特殊的人群成為BCI研究的新挑戰(zhàn)。低成本便攜式腦電采集系統(tǒng)就代替高性能研究型腦電采集系統(tǒng)成為日后腦機(jī)接口系統(tǒng)的趨勢(shì)。

想象運(yùn)動(dòng)與想象單詞生成都是意識(shí)任務(wù)的一種。想象運(yùn)動(dòng)表示有意識(shí)的想象一個(gè)運(yùn)動(dòng)意圖。可以在沒(méi)有外界刺激的情況下誘發(fā)出ERD/ERS特征波。當(dāng)單邊肢體運(yùn)動(dòng)或想象運(yùn)動(dòng)時(shí)，對(duì)側(cè)初級(jí)感覺(jué)運(yùn)動(dòng)皮層區(qū)域活躍起來(lái)，mu與beta頻率的節(jié)律性活動(dòng)表現(xiàn)為幅度的降低，稱為事件相關(guān)去同步(ERD)；反之，其同側(cè)皮層區(qū)域受到抑制，mu與beta頻率的節(jié)律性活動(dòng)表現(xiàn)為幅度的升高，稱為事件相關(guān)同步(ERS)。被試在一段時(shí)間內(nèi)根據(jù)提示的首字母拼寫(xiě)一連串單詞，拼寫(xiě)的過(guò)程是由幾個(gè)不同的腦區(qū)同時(shí)作用的結(jié)果。如拼寫(xiě)單詞“top”：顳葉語(yǔ)言區(qū)，額葉中回區(qū)，視覺(jué)區(qū)等大腦相應(yīng)區(qū)域會(huì)被激活，表現(xiàn)為相應(yīng)腦區(qū)alpha頻段的升高。

目前，共空間模式(CSP)算法被證明在ERD/ERS特征提取中達(dá)到很好的效果，CSP是一種空間濾波器，用CSP的方法從多導(dǎo)聯(lián)EEG中計(jì)算出頭皮的特定激活區(qū)，根據(jù)每個(gè)導(dǎo)聯(lián)的重要性使任務(wù)間特征區(qū)分開(kāi)。Thomas K P等人提出Filter Bank方法，將原始EEG從6-40Hz分為4段進(jìn)行濾波，再對(duì)子信號(hào)進(jìn)行CSP。PengXu教授提出了局部時(shí)間相關(guān)的共空間模式算法(LTCCSP)，LTCCSP算法計(jì)算了局部時(shí)間相關(guān)信息，有效抑制了奇異值點(diǎn)對(duì)協(xié)方差矩陣的影響。以上兩種算法分別在頻域與時(shí)域?qū)υ糃SP算法進(jìn)行改進(jìn)，忽略了時(shí)頻域聯(lián)合特征的效果，本發(fā)明結(jié)合這兩種算法的優(yōu)勢(shì)，將濾波器組算法提取的EEG頻域信息，局部時(shí)間相關(guān)算法提取的EEG時(shí)域信息，與CSP算法提取的EEG空間信息，這三種信息融合，達(dá)到更優(yōu)的特征提取效果。

基于以上研究背景，本文研究了基于意識(shí)任務(wù)的特征EEG處理方法，提出了LTCFB-CSP特征提取算法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服便攜式腦電設(shè)備采集到EEG的低信噪比問(wèn)題，提供一種便攜式腦機(jī)接口的EEG特征提取方法。本發(fā)明的目的通過(guò)以下的技術(shù)方案實(shí)現(xiàn)：

S1.屏幕上提示被試進(jìn)行三種不同的意識(shí)任務(wù)，分別是想象左手運(yùn)動(dòng)，想象右手運(yùn)動(dòng)與想象單詞生成，在提示想象單詞生成時(shí)屏幕隨機(jī)出現(xiàn)一些單詞首字母，被試根據(jù)首字母想象一連串的單詞。

S2.被試通過(guò)佩戴便攜式腦電帽采集頭皮EEG，并通過(guò)藍(lán)牙傳給計(jì)算機(jī)，14導(dǎo)聯(lián)EEG數(shù)據(jù)采樣率為128Hz，在0.2Hz-43Hz頻率范圍內(nèi)進(jìn)行帶通濾波。離線數(shù)據(jù)使用EEGLAB工具包對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括壞導(dǎo)聯(lián)去除與去偽跡兩步。

S3.對(duì)預(yù)處理后EEG進(jìn)行濾波器組帶通濾波，設(shè)計(jì)9個(gè)切比雪夫Ⅱ型濾波器將整段信號(hào)濾波得到9個(gè)子信號(hào)，以下步驟分別在9個(gè)子信號(hào)中完成。

S4.計(jì)算每個(gè)子信號(hào)的局部時(shí)間相關(guān)，計(jì)算訓(xùn)練集EEG的空間濾波器，再對(duì)EEG進(jìn)行空間濾波，提取信號(hào)的能量作為特征向量，通過(guò)支持向量機(jī)(SVM)訓(xùn)練生成對(duì)應(yīng)每位被試的SVM分類器，生成的SVM分類器將在S5在線檢測(cè)中使用。

S5.在在線的同步算法中，特征EEG檢測(cè)每3秒進(jìn)行一次，每一段子信號(hào)通過(guò)訓(xùn)練好的濾波器模型進(jìn)行濾波，將得到的特征向量輸入到S4中生成的SVM分類器中，得到每段EEG的分類類別。

S6.評(píng)估標(biāo)準(zhǔn)：準(zhǔn)確率是由正確分類的數(shù)目除以全部的數(shù)目而得來(lái)，為了表現(xiàn)系統(tǒng)的復(fù)雜程度，將分類類別數(shù)這一指標(biāo)加入準(zhǔn)確率的計(jì)算中，得到準(zhǔn)確率衡量標(biāo)準(zhǔn)：

其中，acc代表SVM分類器的分類準(zhǔn)確率，N代表意識(shí)任務(wù)的類別數(shù)。

步驟S2中，所述的14個(gè)通道具體為“AF3”、“F7”、“F3”、“FC5”、“T7”、“P7”、“O1”、“O2”、“P8”、“T8”、“FC6”、“F4”、“F8、“AF4”。

步驟S5中，3秒數(shù)據(jù)向量包含384個(gè)數(shù)據(jù)點(diǎn)。

附圖說(shuō)明

圖1為本發(fā)明所述的基于意識(shí)任務(wù)的特征EEG處理方法流程圖；

圖2為意識(shí)任務(wù)的實(shí)驗(yàn)范式示意圖；

圖3為三種特征EEG的功率譜密度圖，其中實(shí)線對(duì)應(yīng)單詞任務(wù)，點(diǎn)線對(duì)應(yīng)左手想象運(yùn)動(dòng)，虛線對(duì)應(yīng)右手想象運(yùn)動(dòng)；

圖4為特征提取算法中拉普拉斯矩陣L的計(jì)算示意圖；其中陰影部分代表每個(gè)長(zhǎng)度為的數(shù)據(jù)段；

圖5為特征提取算法中PW與OVR方法的準(zhǔn)確率比較結(jié)果圖，其中實(shí)線代表PW算法，虛線代表OVR算法。

具體實(shí)施方式

下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

如圖1，一種基于意識(shí)任務(wù)的特征EEG處理方法，具體包含以下部分：

一、離線訓(xùn)練階段實(shí)驗(yàn)范式設(shè)計(jì)：

屏幕上提示被試進(jìn)行三種不同的意識(shí)任務(wù)，分別是想象左手運(yùn)動(dòng)，想象右手運(yùn)動(dòng)與想象單詞生成，在提示想象單詞生成時(shí)屏幕隨機(jī)出現(xiàn)一些單詞首字母，被試根據(jù)首字母想象一連串的單詞。當(dāng)被試的訓(xùn)練正確率達(dá)到70％以上時(shí)，訓(xùn)練結(jié)束，帶事件標(biāo)簽的EEG數(shù)據(jù)被保存在計(jì)算機(jī)中。接著用離線數(shù)據(jù)中執(zhí)行任務(wù)的部分做離線分析。

二、數(shù)據(jù)處理和算法

第一步：濾波器組帶通濾波。為了減少由于數(shù)據(jù)段短引起的邊緣效應(yīng)，對(duì)整段原始腦電信號(hào)進(jìn)行濾波器組帶通濾波，設(shè)計(jì)9個(gè)切比雪夫Ⅱ型濾波器將整段數(shù)據(jù)濾波后得到9段子信號(hào)，濾波器參數(shù)為最優(yōu)化參數(shù)。

第二步：分段。將子信號(hào)以3s為一段分段，由于信號(hào)采樣率為128Hz，因此每段信號(hào)包含T＝384個(gè)采樣點(diǎn)，共有S＝312個(gè)試次。

第三步：求局部時(shí)間相關(guān)。設(shè)置一個(gè)大約100ms的局部時(shí)間滑動(dòng)窗，對(duì)時(shí)間窗內(nèi)兩個(gè)時(shí)間點(diǎn)的數(shù)據(jù)做相關(guān)，相關(guān)系數(shù)越高，代表頭皮電勢(shì)越相似，反之越不相似，若時(shí)間窗內(nèi)計(jì)算出的相關(guān)值都很高，則代表這個(gè)“微狀態(tài)”為做任務(wù)態(tài)。對(duì)每個(gè)試次的τ個(gè)采樣點(diǎn)內(nèi)EEG求相關(guān)。

其中corr(x_l,x_m)為相關(guān)系數(shù)運(yùn)算符，τ是局部時(shí)間范圍。x_l和x_m的頭皮電勢(shì)分布越相似，權(quán)值矩陣的相應(yīng)位置會(huì)得到一個(gè)相對(duì)較大的系數(shù)值。τ的取值因人而異，根據(jù)經(jīng)驗(yàn)選擇取值范圍為2-12，最終選擇對(duì)應(yīng)分類結(jié)果最優(yōu)的τ值。

第四步：求投影矩陣Γ。采用CSP方法計(jì)算Γ，其目標(biāo)函數(shù)為：

其中分別代表兩種任務(wù)下的腦電原始信號(hào)X，Y的平均歸一化空間協(xié)方差矩陣，投影矩陣Γ的目的是最大化一種任務(wù)方差的同時(shí)最小化另一種任務(wù)的方差。

提出Γ的前m列為例，公式(2)可以寫(xiě)成：

其中，K_X和K_Y分別是每種想象任務(wù)下的試次數(shù)，i代表第i個(gè)試次，γ_j是矩陣Г的第j列，矩陣Г的后m列也可以由上式過(guò)程推導(dǎo)。運(yùn)用維度減小策略，二次型被變換成：

將第三步中求出的局部時(shí)間相關(guān)矩陣引入公式(4)來(lái)提高局部信息：

對(duì)兩種任務(wù)下的平均協(xié)方差矩陣求和，構(gòu)造白化矩陣P，再對(duì)兩種任務(wù)下的協(xié)方差矩陣同時(shí)對(duì)角化。得出矩陣Γ，取Γ的前3列與后3列，就得出最終的投影矩陣Γ。

第五步：空間濾波。與第三步對(duì)應(yīng)，將濾波器組濾波后EEG乘以局部時(shí)間相關(guān)矩陣的半正定分解矩陣Z＝ΓCL^1/2，對(duì)最終的空間濾波信號(hào)按空間維數(shù)求方差得到特征向量。

第六步：分類。采用支持向量機(jī)作為分類器，核函數(shù)選擇線性核函數(shù)。又對(duì)線性核函數(shù)中的懲罰因子c參數(shù)進(jìn)行優(yōu)化。

此方法提出了腦電信號(hào)的頻域信息，時(shí)間特征與空間特征，原理上可行，有明確的物理意義。就分類準(zhǔn)確率而言，本論文所提出的算法具有更優(yōu)越的性能。