[发明专利]基于功率谱密度和互相关熵谱密度融合的特征提取方法

说明书

本发明公开了一种基于功率谱密度和互相关熵谱密度融合的特征提取方法，首次将互相关熵谱密度运用于脑电信号处理提取频域特征，并将互相关熵谱密度与功率谱密度融合得到一种新的特征，与传统的功率谱密度和互相关熵谱密度相比，融合后的特征提取方法不仅能很好地提取信号中的频率信息，还能抑制噪声的影响。本发明相比于功率谱密度和互相关熵谱密度分别更适用于信噪比高和信噪比低的信号，新的特征不仅适用于以上两种场景，还为脑电信号的低信噪比及包含环境中未知特性的各种干扰信号提供一种性能良好的频域特征提取方法。因此基于功率谱密度和互相关熵谱密度融合的特征提取方法在实际脑机接口运用中更加易于推广和使用。

【技术领域】

本发明属于信号处理技术领域，涉及基于功率谱密度和互相关熵谱密度融合的特征提取方法。

【背景技术】

脑机交互系统可以被定义为一个包含许多外部辅助设备的系统，该系统可以被用户的意念控制，即其中使用脑机接口直接让神经系统与外界交流。脑机接口能将脑信号转换为控制指令，帮助人不通过自身肌肉直接与外界交互。由于非侵入式的脑电(electroencephalography)信号具有采集方便、设备价格相对便宜、设备相对便携，非侵入式脑电采集是一种在脑机交互中被广泛使用的信号采集技术。基于非侵入式脑电信号的脑机接口技术已被运用于医疗、军事、教育、养老助残、娱乐等领域。

由于脑电信号中包含各种噪声，如电生理信号：肌电、眼电、心电等，此外，还包含环境中各种噪声，如50Hz的工频信号干扰。为了能够从原始信号中提取有效的可分特征，研究者们开发了各种算法。从脑电信号中提取的常见特征有：时域特征、频域特征、时频特征，但目前多数鲁棒特征提取方法研究集中在时域特征，如共同空间模式的鲁棒算法。对于频域特征提取方法的鲁棒性研究较少，主要使用传统的功率谱密度来提取频域特征。

广泛使用的功率谱密度在提取特征时容易受噪声的影响，主要是由于在计算功率谱密度时，直接采用信号的平方，会放大脑电数据中受噪声影响离群值的负面作用，由此求得的特征也会受到噪声的影响。因此，非常有必要开发鲁棒的频域特征提取算法来减轻噪声的影响。

在互相关函数的研究中，研究者定义了广义互相关函数，并将广义互相关函数运用到功率谱密度计算中，得到互相关熵谱密度，并被成功运用于生命检测和心率检测，取得了很好的效果，其关键是能抑制噪声的负面影响。考虑到脑电信号的低信噪比及环境中未知特性的各种干扰信号，将互相关熵谱密度运用于提取脑电信号的特征，并融合传统的功率谱密度特征得到兼具两者特性的新的脑电特征提取方法。相比于单独使用两种特征提取方法，该方法在保证特征提取性能的前提下，能抑制噪声的影响。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供基于功率谱密度和互相关熵谱密度融合的特征提取方法，该方法将互相关熵谱密度与传统的功率谱密度融合得到新的特征，利用互相关熵对大噪声具有鲁棒性这一特点，使得新算法对噪声更加鲁棒，从而使提取的特征可分性更强。

为达到上述目的，本发明采用以下技术方案予以实现：

基于功率谱密度和互相关熵谱密度融合的特征提取方法，包括以下步骤：

步骤1：在获得原始运动想象脑电信号后，对每个通道进行滤波，滤波后得到数据集：

{{X₁，y₁}，{X₂，y₂}，…，{X_N，y_N}}

其中，N是运动想象实验样本数，每一个样本包含一个数据矩阵X_i∈R^c×n和一个值为-1或1的标签y_i，分别对应左和右，c是通道数量，n是每一段运动想象样本的采样点数；

步骤2：针对每个样本的每个通道，使用式(1)计算功率谱密度p_PSD：