[发明专利]基于CQT多分辨率的被试的脑电信号自适应频谱分析方法

说明书

技术领域

本发明涉及领域脑机接口领域以及脑波信号分析方法，特别是一种基于CQT多分辨率的被试的脑电信号自适应频谱分析方法。

背景技术

随着脑机接口技术研究的深入，越来越多的脑电信号分析方法涌现出来。现阶段的脑机接口虽然已经实现了一部分的控制功能，但这种控制还是比较原始的初级控制，还有诸多的问题有待解决。脑机接口系统的目标是通过脑电实现直接、自然的控制模式。为达到这一目标，关键是采集到能反映大脑思维意图的特征脑电信号模式，并通过数据处理模块实现思维到控制的解码。然而，由于脑波信号低信噪比和非平稳随机的特点，即使对于同一个被试者，诱发的脑波信号也可能存在着一定的差异。针对被试之间的差异问题，寻找行之有效的自适应脑波信号差异识别技术具有重要的意义。

目前脑电信号的处理方法主要以时域分析和频域分析为主。由于脑电信号的时序性，现有的脑电信号大都使用时域分析方法，如过零点分析、直方图分析、方差分析、峰值检测等方法。时域分析主要是直接提取波形特征，直观且物理意义明确。但是时域上点分析结果往往依赖于采样点的分布，而且EEG信号采样比较分散，往往得不到很好的区分效果。因此就有很多学者将时域EEG信号转换到频域，提取其频域特征来进行分析、识别。如：Barry和Chen分别使用EEG频谱分析技术发现了闭眼(Eyes Closed，EC)和睁眼(Eyes Open，EO)的不同。在工程中，采用频率谱估计提取脑电图频谱特征，区分不同的感觉、运动或认知活动，实现脑机接口(brain-computer interface，BCI)。著名的Wadsworth BCI就是通过计算感觉运动皮层的EEG的mu和beta频带特征来控制光标移动。目前在EEG分析中应用较多的是autoregressive(AR)模型谱估计技术。这种方法对被处理信号的线性、平稳性及信噪比要求较高，故不适合对长时的EEG数据进行分析处理。为提高频谱估计性能，Bartlett和Welch分别提出了以傅里叶变换为基础的功率谱非参数估计方法。其将总长为N的长时数据分成M段，每段长度为L，分别计算每一段功率谱密度后求平均。Welch的方法在此基础上进行了改进，数据段允许重叠，并对每个分段数据采用加窗，对原功率谱起到平滑作用。

但是现有的的频谱分析是通过等间隔均匀采样计算得到一系列等间隔的频率的方法。然而，脑电信号的频带间隔却是不相等的，如我们常使用的频带划分方法定义如下：δ(0.5～4Hz)，θ(4～8Hz)，α(8～13Hz)，β(13～20Hz)，以及γ(30～50Hz)。如果我们采用等间隔方法计算频带能量，γ频带由于跨度较大，其频率范围远远超过δ和θ频带。这种等间隔划分频谱分析方法忽略了频带长度差别，势必会造成一定误差。此外，以脑电信号为代表的各种认知信号，均具有相当复杂的谐波成分和精细结构，各种背景噪声和不同类型的认知信号其谐波成分和精细结构各不相同但具有一定的规律性，不同人同一类信号的也具有其个人特点。目前的频谱分析方法都没有考虑到被试之间的差异问题。

发明内容

本发明的目的是针对上述基于等间隔划分频谱分析方法的不足以及被试之间差异大的问题，提出一种基于CQT多分辨率的被试的脑电信号自适应频谱分析方法，克服单一分辨率分析方法的不足，可以有效地提取脑波信号的频谱特异性特征。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于CQT多分辨率的被试的脑电信号自适应频谱分析方法，包括下述步骤：

1)对原始EEG信号进行预处理：