[发明专利]一种结合多时段多频段CSP算法的运动想象脑电解码方法

说明书

本发明公开了一种结合多时段多频段CSP算法的运动想象脑电解码方法，属于神经信息解码领域。本发明在频率特征基础上，采用多个时段和多个频段的特征提取策略，对原始的运动想象脑电信号进行滑动窗口截取，并分离出多个频段的子带信号，结合CSP算法，能够获取到信号在频率域和时间域的全局特征和局部特征。将提取到的多个时间窗的多频段CSP特征作为SVM分类器的输入，得到的识别结果用于参与最终的决策。本发明提出的提取多频段特征的策略可以细化频带信息，提取多时段特征的策略能捕捉到整个运动想象时段中的有效特征，从而显著提高解码精度。本发明提出的脑电解码方法为在线脑机接口系统的实现提供了新的思路。

技术领域

本发明属于神经信息解码领域，具体涉及从低信噪比，非平稳的运动想象脑电中提取到有效特征，进行准确的识别分类。

背景技术

脑科学是以大脑为研究对象的多学科汇聚的新兴研究领域，是公认的科技前沿。脑电(Electroencephalogram，EEG)用于记录来自大脑皮层的电信息，从而反映部分大脑活动。通过分析EEG信号可以识别出被试的情绪，运动意图，健康状况等信息。脑机接口(BrainComputer Interface，BCI)技术是指在人脑与外界设备之间建立起一条不依赖于传统神经中枢网络的信息传输通道，从而通过人脑控制外界设备。目前，脑机接口已经越来越多的被应用于运动康复、神经干预、游戏娱乐等诸多领域。然而，EEG信号也存在局限性，即低空间分辨特性，低信噪比，非平稳。加之采集到的脑电信号常伴伪迹信息，采集过程困难，可用的公共数据有限。运动想象(Motor Imagery，MI)脑电解码任务通过正确分析大脑信号模式(左手和右手等)，为在线脑机接口的实现做出了铺垫。

在运动想象实验范式中，选取有效的运动想象时间段是一个关键的步骤，在很多运动想象数据实验范式中，被试进行运动想象的时间在3-5s，然而，一方面，实验过程中被试的注意力和想象能力并不一定是持续集中的，另一方面，收到指令后不同被试的反应时间不同，同一被试在每次运动想象的反应时间也不同。因此，在对数据进行解码前如何截取最大效益的运动想象时间段是一个关键的问题。提取有效的运动想象特征对进一步识别脑电信号有着至关重要的作用，有效时间窗的选择以及多频段的脑电分析可以最大化运动想象脑电信号在时间和频率上的特征。其次，在分类决策方面，如何提高分类的准确性也是阻碍脑机接口系统发展的困难之一。科学的分类决策保证了信息的利用率，同时也提高了分类器的性能。围绕这两个问题，相关领域的研究人员展开了大量的工作。目前大部分研究致力于在频域上找出单侧肢体运动想象时，对侧大脑产生的事件相关去同步特征，通过短时傅里叶变换为解码提供更具辨识度的特征信息。目前基于MI-EEG解码的主要挑战有以下两个方面：1、如何从低信噪比，非平稳的脑电信号中提取到有效的辨识特征；2、如何设计科学的解码模型，使其能够高效地利用有限数据量进行正确的脑电解码。传统的特征分析方法通过分析脑电信号的功率谱密度，或者叠加事件相关电位求平均来获得需要的数据特征。这类方法在辨识特征提取上表现地并不理想，有很多深层特征和时间相关信息丢失。

发明内容

为了解决上述问题，本发明提供了结合多时段多频段的CSP运动想象脑电特征提取方法。

具体技术方案为：

先利用MTF-CSP算法对运动想象脑电信号进行特征提取，再通过SVM分类器对提取到的特征进行分类识别，并对识别结果进行最终决策，具体步骤如下：

步骤一 在运动想象脑电数据上截取n个滑动时间窗信号，对每个时间窗信号分离出若干频段的子带信号；

步骤二 对步骤一中的n个滑动时间窗信号按时间顺序进行特征提取得到n组特征值，具体利用CSP算法对每个时间窗信号的多个子带信号进行特征提取；

步骤三 使用SVM分类器对步骤一和步骤二中MTF-CSP算法提取到的运动想象特征进行分类识别，并结合对应的决策方法得到最终识别结果。