[发明专利]基于改进的微状态分析的运动想象脑电信号分类方法

说明书

本发明提出了一种基于改进的微状态分析的运动想象脑电信号分类方法，考虑到运动想象这一特定任务状态下微状态分析步骤是否可以优化的问题。首先计算预处理后的多通道脑电信号全局场功率，去除数值较高和较低的点，将剩余局部峰值点时刻对应的电势地形图进行聚类分析；将聚类得到的四种微状态分别与原始脑电信号的电势地形图进行空间相关性计算，构建出微状态时间序列，并计算出每个微状态对应的持续时间、出现频率等参数；将训练集数据的微状态时间序列参数作为特征输入到SVM分类器中训练出分类模型，对测试集特征进行分类得到测试结果。本发明创新性地将微状态分析法应用在运动想象脑电信号上以达到分类的目的，并取得了较好的分类结果。

技术领域

本发明属于脑科学、机器学习交叉研究领域。

背景技术

脑-机接口(Brain Computer Interface，BCI)技术在人脑思维与外部设备之间构建了直接的通路，使得大脑可以在无需神经、肌肉等的参与下便可直接与外界进行通讯，对残疾人、老年人的生活质量的提高有重大意义。脑电图(Electroencephalogram，EEG)是目前检测大脑功能活动的常用手段，具有操作简便、时间分辨率高、记录无损等优点。由运动想象任务产生的脑电信号无需外界刺激，不易引起被试疲劳，容易被残障人群所接受，因此如何识别出运动想象脑电信号的特征对BCI的实现尤为重要。

1987年，Lehmann等人证明了多通道静息状态脑电信号的α频带可以解析为有限数量的不同的准稳态，这种准稳态就是微状态。微状态由记录在头皮上的多通道阵列中的电势地形拓扑图定义，具有以下两个特点。第一，一个微观状态在快速转变为另一个不同微观状态之前大约保持80-120ms的稳定状态。第二，尽管在多通道脑电信号中存在许多类型的电势地形图拓扑图，但是大部分信号可以由少量电势地形图来表示。值得注意的是，通过交叉验证准则，得出微状态的最佳数目为四，且四种微状态可以代表所有数据70％～80％的特征。

提取脑电信号在不同运动想象任务中存在的差异，并将这些差异作为脑电分类的依据便是脑功能特征提取中关键的一步。传统的脑电特征提取方法往往是基于少数电极的脑电数据进行的，存在忽略时空信息、分类准确率低等问题，而脑电信号微状态分析法是通过考虑来自所有电极的信号来建立功能状态的全局表示，解决了传统方法很难处理多通道脑电信号的问题，并且在保留时空信息的基础上对脑电信号进行分析处理。目前已经存在将脑电信号微状态分析法应用到运动想象任务中的例子，但只是按照经典的微状态分析算法步骤进行处理，并没有考虑到运动想象这一特定任务状态下EEG微状态分析步骤是否可以优化的问题。

发明内容

本发明提供了一种基于改进的微状态分析的运动想象脑电信号分类方法，对于微状态分析步骤的改进主要体现在需要进行聚类的电势地形图的选取方式上。将数值较高和较低的全局场功率(Global field power,GFP)对应的采样点分别称为“高GFP”和“低GFP”，而分析表明，“高GFP”和“低GFP”与四类微状态的空间相关度是相似的，也就是说“高GFP”和“低GFP”的空间相关度的可分性较差，这些采样点对于后续步骤中提取特征的贡献不大。因此，本发明在电势地形图的选取方式上进行改进，先将“高GFP”和“低GFP”进行去除再将剩余GFP局部峰值点时刻所对应的电势地形图进行聚类分析。发明内容整体框图如附图1所示。

本发明包括以下步骤：

(1)计算脑电信号全局场功率(Global field power,GFP)，去除数值较高和较低的点，将剩余GFP局部峰值点时刻对应的电势地形图进行聚类分析，获得四种微状态；

(2)将聚类得到的四种微状态分别与原始脑电信号的电势地形图进行空间相关度计算，构建出微状态时间序列，并计算出每个微状态对应的持续时间、出现频率、所占时间比率、转换概率等参数；

(3)将训练集数据的微状态时间序列参数作为特征输入到支持向量机(SupportVector Machine，SVM)分类器中训练出分类模型，对测试集特征进行分类得到测试结果。