[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

说明书

本发明公开了一种基于静息态脑电特征的运动想象响应能力筛选方法，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，分类正确率表征MI响应能力；分别提取开目静息各导联EEG在8～13Hz频带(alpha频带)的归一化能量、功率谱熵与Lempel‑Ziv复杂度；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，不仅可以筛除“BCI盲”，避免其无效的训练过程，而且能够提前预测被试的MI响应能力并为其制定相匹配的训练方案，进而优化实验训练流程，最终降低用户操作BCI的错误率。

技术领域

本发明涉及运动想象脑-机接口领域，尤其涉及一种基于静息态脑电特征的运动想象响应能力筛选方法。

背景技术

脑-机接口(Brain-Computer Interface，BCI)是一种不依赖于大脑外围神经与肌肉正常输出通道的通讯控制系统。运动想象BCI(Motor Imagery based BCI，MI-BCI)是一种典型的主动式BCI，受试者通过想象身体某部位运动(如想象左右手、腿或舌部动作)诱发大脑产生不同模式的脑电(Electroencephalography，EEG)信号，再检测和识别所产生EEG信号的模式特征，将人的运动思维转化为相应的模式输出指令以控制指定外部设备执行预定工作任务。由于MI-BCI在临床康复、运动增强等领域具有广泛的应用前景而得到了研究者们的关注。但相比于操控其它范式的BCI，大部分用户需要接受一定时间的训练方可熟练操控MI-BCI。虽然近些年硬件信号采集技术与软件信号解码算法日益更新，通过比较已有研究结果发现，在MI-BCI实验中，由于被试MI响应能力具有较大的个体差异性，即使在相同的EEG信号采集、特征提取与模式识别算法条件下，EEG特征识别结果仍存在较大的个体差异性。并且，在日常的实验中，我们常发现一些被试即使经过训练，也难以成功地诱发运动相关EEG典型特征，通常，将这些被试称之为“BCI盲”。研究表明，约有20％的被试不能成功诱发典型EEG特征，从而无法有效使用BCI。

有文献报道，被试静息态的神经活动与其MI响应能力存在相关性。由于BCI中最常用的电生理信号为头皮EEG，因此寻找静息态EEG中所包含与使用者MI响应水平相关的个体信息特征，不仅可以筛除“BCI盲”，避免其无效的训练过程，还可对不同MI响应能力的被试制定相匹配的训练方案，进而优化实验训练流程，同时还有助于探究MI响应水平个体差异性存在的深层次原因，从而具有重要的研究价值。

发明内容

本发明提供了一种基于静息态脑电特征的运动想象响应能力筛选方法，用于MI-BCI用户的MI响应能力的预测与筛选，详见下文描述：

一种基于静息态脑电特征的运动想象响应能力筛选方法，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(分类正确率越高，MI响应能力越强)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(alpha频带)的归一化能量、功率谱熵与Lempel-Ziv复杂度；

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，而且能够提前预测用户的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，最终降低用户操作BCI的错误率。

其中，所述Lempel-Ziv复杂度具体为：