[发明专利]一种基于稀疏建模的事件相关电位波形图谱求解方法

说明书

本发明给出了一种基于稀疏建模的事件相关电位波形图谱求解方法。包括：数据预处理，去燥、分帧和能量归一化；稀疏字典学习，字典初始化，稀疏建模，字典学习和收敛性判断；波形字典聚类；波形字典性质判定。本发明的优点在于：针对数据中固有的事件相关电位活动模式、而非依据认知实验赋予的标签获取ERP波形，不仅可以处理实验环境下的EEG数据，也可以处理没有标签的真实环境下获取的EEG数据，具有更好的普适性和实用性。此外，使用了面向单次、单帧数据处理的信号处理方法，能够有效提升EEG分析处理的灵活性，在脑机接口领域也具有显著的应用前景。

技术领域

本发明涉及波形图谱技术领域，特别涉及一种用于脑活动状态解析与脑活动模式识别的事件相关电位波形图谱(Event-related potential Waveform Atlas,EWA)的求解方法。

背景技术

在现有的脑认知状态解析领域，数据驱动、不依赖认知实验过程中人工赋予的标签的认知状态分析手段是非常缺乏的。EEG是与认知活动直接对应的大脑电生理活动在头皮上的电位反映，其中蕴含着大量认知活动相关联的重要信息，特别是其中的ERP(事件相关)成分，可以认为是事件诱发的神经元集群活动的直接表征，对其进行解析不仅有助于了解大脑的认知活动机制，对BCI(脑机接口)领域也会产生巨大的价值。然而，现有的ERP分析方法往往必须依赖认知试验过程中的事件标签，使用叠加平均的方法获取；这种方法虽然能得到特定刺激事件相关的大致ERP波形，但完全忽略了实验设计外一些意外事件对认知过程产生的干扰，也没有考虑到主观认知状态的变化(如疲劳、走神等)对认知过程的影响。此外，其需要多帧EEG数据叠加才能得出结果的特性也极大限制了其在认知状态分析及BCI领域的应用。其他一些数据驱动的方法也被应用于EEG信号的解析，如主成分分析(PCA)、独立成分分析(ICA)和经验模态分解(EMD)等，这些方法基于统计特性尝试分离EEG信号中的各混合成分，但由于EEG信号的高度时变特性，其统计特性往往很不稳定，从而导致这些方法分离出的成分结果没有明确的认知意义，无法准确表征单一的认知过程，也不能很好地应用于实时的认知状态分析和模式识别过程中。

发明内容

本发明针对现有技术的缺陷，提供了一种基于稀疏建模的电位波形图谱求解方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于稀疏建模的电位波形图谱求解方法，步骤如下：

步骤1：事件相关电位波形图谱的特征在于以下四点(1)：基于含有ERP成分的EEG波形数据，使用任意基于稀疏分解的字典学习方法获取包含EWA和自发成分字典的EEG成分时域波形字典；(2)对波形字典进行无监督聚类，聚类方法可以任意选择；(3)确定聚类后的每类EEG成分时域波形的认知意义；认知意义可以直接通过对时域波形进行分析获取，也可以参考与该类别成分时域波形关联度较高的认知实验数据标签；一般来说，可以通过一类时域波形的频率分布、最大强度和波峰位置识别认知相关成分与非认知相关(自发脑电)成分；(4)将每类认知相关脑电成分波形求平均值，即可获得具有认知意义的ERP成分波形图谱，用于后续的分析或识别。

步骤2：数据预处理，包含以下子步骤：

步骤201去噪：不同来源的EEG信号一般含有不同强度的白噪声，在进行分析和处理之前需要将噪声去除，任何可行的噪声去除方法如卡尔曼滤波、小波去噪、稀疏去噪等方法均可以使用；

步骤202分帧：将EEG样本数据分解为以认知刺激时间开始，认知活动全过程为帧长的单通道数据帧；

步骤203能量归一化：为了保证帧与帧间的能量差异不会使相关图谱条目的波形失真，每帧数据都必须进行能量归一化处理，即系数向量除以所有采样点平方和的平方根，能量差异在重构过程中可以通过系数补偿加以恢复；

步骤3：稀疏字典学习，包括以下子步骤：