[发明专利]一种基于相位同步的多类别运动想象脑电信号分类方法

摘要

本发明涉及一种基于相位同步的多类别运动想象脑电信号分类方法。本发明首先利用相位锁定值分别计算训练样本和测试样本的相位同步特征，然后计算两者的相关系数并对其去平均取绝对值后按从大到小的顺序排列，接着根据排序后的相关系数进行脑电信号的粗分类，再将粗分类后的脑电信号进行细分类，此过程涉及共空域模式特征提取方法和线性判别分析分类方法。本发明包括脑电信号采集、数据预处理、滤波、相位同步特征相关系数计算、特征提取和分类以及分类准确率计算。分类结果表明采用基于相位同步的脑电信号分类方法，得到了较好的分类效果，其中基于相位同步的脑电信号的粗分类可以高效率、高准确率地确定测试样本大致所属的类别，减少计算量。

主权项

一种基于相位同步的多类别运动想象脑电信号分类方法，其特征在于该方法包括以下步骤：步骤1、脑电信号采集：使用多通道脑电采集设备采集实验过程中被试者的脑电信号，完成被试者信息录入和脑电信号采集；步骤2、数据预处理：对原始脑电信号进行数据预处理，具体为带通滤波；步骤3、滤波：创建滤波器，将预处理后的脑电信号滤波到计算利用相位同步特征进行分类所需的频段；步骤4、相位同步特征相关系数计算：采用相位锁定值PLV来计算各次实验所得脑电信号每两个通道之间的相位关系，具体的PLV计算公式如下：PLV＝|<exp(j{Φx(t)‑Φy(t)})>|；其中Φx(t)和Φy(t)分别为t时刻脑电信号x(t)和y(t)的瞬时相位；采用希尔伯特变换来计算信号的相位值，信号x(t)的希尔伯特变换定义如下：公式中的P为柯西主值；由此可以定义x(t)的解析信号为：其中Ax(t)和Φx(t)分别为信号x(t)的瞬时振幅以及瞬时相位；同样地，可以定义信号y(t)的解析信号，并计算瞬时相位Φy(t)；根据单次实验的时间流程和样本采样频率，采用时间窗口来计算单次实验特定频段的PLV值；对于训练数据集而言，分别计算各类运动想象脑电信号PLV均值：假设训练数据集中存在Ni段属于第i类运动想象脑电信号样本的不重叠时间片段，则这Ni段片段的PLV均值计算如下：其中ΔΦ为信号x(t)和y(t)的瞬时相位差；设选定的脑电通道数为M，利用两两通道构建不同的通道对，计算某一类运动想象单次实验样本所有通道对的PLV值，此时得到一个M×M的上三角矩阵K；该矩阵不仅包含了不同脑电通道两两之间的相位关系，还包含了脑电通道的空间信息；接下来，对于训练数据集而言，按上述方法计算属于这一类运动想象的其他单次实验样本所有通道对的PLV值，从而得到这一类别运动想象数据集的PLV均值，用同样的方法计算其他各类别运动想象训练数据集的PLV均值，而测试数据集只需计算单次实验样本所有通道对的PLV值；最后，分别计算以上测试样本所有通道对PLV值所组成的矩阵A与各类别运动想象数据集PLV均值所组成的矩阵B的相关系数，具体的相关系数r计算公式如下：其中m,n为各矩阵的行列数，从而形成相关系数列向量E；其中ri是相关系数，i是运动想象脑电信号类别数；步骤5、特征提取和分类：特征提取和分类的步骤大致如下：第一步，基于相位同步特征相关系数的测试样本粗分类：将上述过程计算所得列向量E中的相关系数去平均后取其绝对值按从大到小排序形成列向量Q，即：其中ri'＝abs(ri‑mean(E)),abs(ri‑mean(E))表示相关系数去平均后的绝对值，mean(E)表示相关系数的平均值,i是运动想象脑电信号类别数；若原始脑电信号类别数为偶数，则把Q中相关系数按顺序依次进行无重叠的两两组合，即每一个相关系数只能被组合一次，并把各两两组合相关系数所对应的两个类别脑电数据集作为训练样本进行CSP特征提取，并对测试样本用LDA分类方法进行粗分类,将其归为两个类别中的某一类；若原始脑电信号类别数为奇数，则把Q中相关系数按顺序依次进行无重叠的两两组合，此时Q中最小的相关系数不参与组合，即最小的相关系数所对应的脑电信号类别不参与组合，并把各两两组合相关系数所对应的两个类别脑电数据集作为训练样本进行CSP特征提取，并对测试样本用LDA分类方法进行粗分类,将其归为两个类别中的某一类；第二步，利用上述相关系数两两组合方法所得到的测试样本可能会属于的新的脑电信号类别，对测试样本进行细分类，按不同的情况具体操作如下：①若原始脑电信号类别数为偶数，且新的脑电信号类别数也为偶数，则把新的脑电信号类别按顺序依次进行无重叠的两两组合，即每一个新的脑电信号类别只能被组合一次，并把各两两组合所对应的两个类别脑电数据集作为训练样本进行CSP特征提取并对测试样本用LDA分类方法进行分类,将其归为两个类别中的某一类，形成新的脑电信号类别；若新的脑电信号类别数为奇数，则把新的脑电信号类别按顺序依次进行无重叠的两两组合，此时最后的脑电信号类别不参与组合，并把各两两组合所对应的两个类别脑电数据集作为训练样本进行CSP特征提取并对测试样本用LDA分类方法进行分类,将其归为两个类别中的某一类，形成新的脑电信号类别；②若原始脑电信号类别数为奇数，则把新的脑电信号类别和上一步骤中不参与组合的脑电信号类别组合成又一新的脑电信号类别，然后根据这一新的脑电信号类别数的奇偶性按本步骤①中对新的脑电信号类别的处理方法进行操作；新的脑电信号类别数即为下一次分类的原始脑电信号类别数；第三步，根据第二步中形成的原始脑电信号类别数和新的脑电信号类别数的奇偶性，循环第二步的操作，直到测试样本被最终分类；对上述步骤中涉及的CSP特征提取方法和LDA分类方法具体是：1)CSP特征提取：采用共空域模式CSP方法对两两组合的两个类别脑电数据集进行特征提取；假设X1和X2分别为两类想象运动任务下维数为N×T的多导联脑电信号,其中N为EEG信号的通道数,T为每一个通道采集点数；X1和X2归一化后的协方差矩阵R1和R2分别为：其中XT表示矩阵X的转置,trace(X)为矩阵X对角线上元素的总和；对多次实验得到的空间协方差R1和R2取平均值,得到平均协方差矩阵和构造混合协方差矩阵R′,并对R′做主成分分析可得:其中U是混合协方差矩阵R′的特征向量组成的矩阵,∑是R′的对角线元为相应特征值的对角矩阵；定义白化矩阵P为:P＝∑‑1/2UT；将矩阵和分别通过白化矩阵P进行白化变换:然后再对S1和S2做主成分分析:可以证明矩阵S1的特征向量矩阵U1和矩阵S2的特征向量矩阵U2是相等的,即U1＝U2＝V；同时两个特征值的对角阵∑1和∑2之和为单位矩阵,即∑1+∑2＝I；可知,当矩阵S1的特征值最大时,对应的S2的特征值最小；同理当S2的特征值最大时,对应的S1的特征值最小；根据这一特点,取V中前a行和后a行组成最佳空间滤波器SF,并得到投影矩阵G：G＝SFTP；然后将原始EEG信号通过投影矩阵进行投影分别得到两个类别的新信号：Z1＝GX1，Z2＝GX2；另外，假设X′为测试样本，则测试样本的新信号为：Z＝GX′；最后对各类别新信号各维度上的方差进行取对数处理，作为特征：其中var()表示方差；2)LDA分类：对已知类别的各两两组合的两个类别脑电数据集进行特征提取，形成的特征向量作为训练样本，通过训练样本的训练可以得到分类所需的判别函数：F(xJ)＝wTxJ+ω0；其中{xJ|J＝1,2,...,D}为第J个测试样本的特征向量,D为测试样本的个数；参数w和ω0的计算准则为：使不同类别间的距离最大，同一类别内的距离最小，即使不同的类别尽可能的分开；假设{x1,x2,...,xd}为训练样本的数据集，数据集中的每个特征向量分别对应类别{X1,...,Xc,...,XC}中的一个类别，则类间离散度矩阵Sb和类内离散度矩阵Sw分别为：其中Mc为类别Xc的向量数量，mc为类均值向量，m为所有样本的整体均值；计算矩阵W使类间离散度矩阵和类内离散度矩阵的比值最大：即可求得所需的判别函数；利用这些训练样本所得到的判别函数就可以对未知类别的测试样本进行分类。