[发明专利]基于静息态脑电特征的运动想象响应能力筛选方法

权利要求书

1.一种基于静息态脑电特征的运动想象响应能力筛选方法，其特征在于，所述方法包括：

对采集的EEG数据经过预处理、数据分割，提取MI任务的共空间模式特征；

利用支持向量机建立多分类识别模型，通过十折交叉验证计算分类正确率；

分别提取开目静息各导联EEG在8～13Hz频带即alpha频带的归一化能量、功率谱熵与Lempel-Ziv复杂度LZC ；

计算上述静息态EEG特征与MI响应能力的相关性，筛选最优特征用于建立分类模型与回归预测模型；

基于分类模型与回归预测模型对运动想象响应能力进行筛选，可筛除“BCI盲”，避免无效的训练过程，还用于提前预测用户的MI响应能力并为其制定相匹配的训练方案，优化实验训练流程，降低用户操作BCI的错误率；

其中，所述Lempel-Ziv复杂度具体为：

将所分析EEG信号时间序列的中值设定为阈值，序列中大于阈值的时间点为1，小于阈值的时间点为0；定义二值化后的时间序列为S(S₁,S₂,S₃,...,S_n)，n为样本的时间序列长度；

遍历时间序列点，对C(n)进行更新，时间序列每出现一次新的子序列，C(n)值加1；

对最终的C(n)进行归一化处理，对于足够长的随机二进制序列，

最终的LZC为：

利用以上 公式分别计算得到开目静息EEG在alpha频带的Lempel-Ziv复杂度；

其中，所述最优特征为：

选择归一化能量特征、功率谱熵特征、Lempel-Ziv复杂度特征中相关系数最大的导联特征作为下一步回归分析所用的特征，得到3维静息态特征；

其中，分类模型与回归预测模型具体为：

上述3维静息态特征作为自变量x₁,x₂,x₃，MI的响应能力作为因变量y构建多元回归模型，将每个自变量的最高阶次设置为2；

令z₁＝x₁,z₂＝x₂,z₃＝x₃,z₇＝x₁x₂,z₈＝x₁x₃,z₉＝x₂x₃，则基于静息态alpha脑电特征的运动想象响应能力预测模型表示为：

y＝b₀+b₁z₁+b₂z₂+b₃z₃+b₄z₄+b₅z₅+b₆z₆+b₇z₇+b₈z₈+b₉z₉

在上式中，系数b根据实验数据拟合得到。