[发明专利]一种结合公共空间模式算法和EMD的脑电信号特征提取方法

说明书

技术领域

本发明属于智能信息处理领域，具体涉及一种结合公共空间模式算法和EMD(经验模式分解)的脑电信号特征提取方法。

背景技术

脑机接口是一种基于脑电信号实现人脑与计算机或其他设备之间通信和控制的接口，通过大脑活动产生的脑电信号(Electroencephalogram,EEG)为人类和环境之间提供了新的通信和控制渠道，拓宽了人类的控制能力，具有广泛的应用前景。该领域的发展不仅帮助瘫痪病人使用计算机、神经假体、机器臂等电子设备，也实现了包括：运动恢复、通信、环境控制甚至娱乐等其他功能。

目前，基于EEG的脑机接口主要包含五个主要步骤：获取信号、预处理、特征提取、特征分类和接口设备控制。在以上步骤中：因为有效地在降维特征空间展现了输入信号特征并适用于进一步标识不同想象运动脑电信号的判别信息，特征提取在BCI 研究界受到广泛的关注。

作为基于运动想象的脑机接口(Motor Imagery-Brain Computer Interface,MI-BCI)系统的信号源，包括脑电图(EEG)和脑皮层电图(Electrocorticography,ECoG)，EEG信号是一种弱的、非线性、非平稳并且随时间变化的信号。所以提出一种有效的特征提取方法是改善识别精度的关键。目前，时间-频率分析作为处理智能信号一种潜在的强大方法并且被广泛地应用于脑信号的研究。传统的时间-频率方法包括：短时傅里叶变换 (Short-time Fourier Transform,STFT)，小波变换(Wavelet Transform,WT)，Winger-Ville 分布，但是这些方法的本质都是基于傅里叶变换，根据海森堡不确定性原理，该方法不可能同时得到时间-频率的良好分辨率。近年，希尔伯特黄变换 (Hilbert-Huang Transform,HHT)作为另一种时间-频率分析法已经变得越来越流行，可以有效地分析非线性和非平稳信号。原信号经过经验模式分解(Empirical Mode Decomposition，EMD)被分解为一系列固有模态函数(IMFs)，随后对每个固有模态函数进行希尔伯特黄变换。HHT不涉及海森堡不确定性原理可以获得时域和频域的高分辨率。目前它被广泛应用于许多信号处理领域，如雷达探测，地震信号和生物医学信号等。

再者，由于EEG信号低空间分辨率，EEG信号构成的BCI系统需要进行有效的空间滤波，从而确保从受试的相关脑域中提取特征信息。在这一方面，常用的算法有：共域空间分解(Common Spatial Pattern，CSP)、独立主成分分析(Independent Component Analysis,ICA)和共域空间谱模式(CSSP)、滤波器CSP(Filter Bank Common Spatial Pattern,FBCSP)、判别滤波CSP(Discriminant Filtering Common Spatial Pattern,DFBCSP) 等多种CSP的修改版本。

然而，传统的CSP客观存在着需要大量的输入通道以及缺乏频率信息的不足之处，需要进行改进。

发明内容

本发明目的在于针对传统公共空间模式算法的不足，本发明提出一种公共空间模式算法结合经验模式分解的脑电信号特征提取方法，利用三个通道EMD分解后的固有模态函数进行CSP滤波，在CSP的基础上加入EMD的频域信息，可以很好地解决上述问题，为更好地进行想象运动判别提供了一个可选的途径。

本发明解决上述技术问题所采取的技术方案为一种结合公共空间模式算法和EMD 的脑电信号特征提取方法，具体包括如下步骤：

步骤1：选取若干位受试者的脑电信号作为训练集和测试集，分别对单个受试者的 C3、C4两个通道中的信号进行预处理；

步骤2：对预处理后的EEG信号x(t)进行经验模式分解，得到一系列固有模态函数IMF_i，并绘制所有固有模态函数的能谱图；

步骤3：将单次试验的C3、C4通道前三阶IMF分量合并，构成一个N*T的矩阵X_i， i＝L表示想象左手运动，i＝R表示想象右手运动，其中，N为IMF个数，可看作通道数， T为一次试验的采样点个数，即窗口长度，整个实验过程包含G组试验，共得到G组向量矩阵，分为G1组测试向量矩阵和G2组训练向量矩阵，分别进行公共空间模式分解。

进一步，上述步骤2中，对EEG信号进行经验模式分解的具体步骤如下：