[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

摘要

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。

主权项

1.一种基于稀疏建模的事件相关电位波形图谱求解方法，其特征在于，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；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：步骤301字典初始化：一般来说，可以将训练数据中相关度最低的若干个样本作为初始波形字典原子；步骤302稀疏建模：对所有训练样本进行稀疏建模，获取当前字典下所有样本较优的稀疏模型；步骤303字典学习：使用上一步骤得到的稀疏模型修正现有波形字典；步骤304收敛性判断：如果当前误差和稀疏程度已满足事先设定的收敛条件，则进入下一步骤，否则返回步骤202；步骤4波形字典聚类，包括以下子步骤：步骤401 SOM规模设定：SOM的自组织节点数量需要显著多于ERP成分波形类别以及EEG自发成分类别的总量；步骤402 SOM自组织聚类：使用SOM算法，获取波形字典原子的聚类结果；步骤5波形字典性质判定，包括以下子步骤：步骤501基于平稳性度量的ERP波形评价：首先对每一类EEG成分波形原子取均值，而后使用基于差分平稳性度量的方法评估该均值波形的有序程度，从而发现潜在的未知认知活动所引发的ERP波形；我们依以下指标判定残差的平稳性Smoothness：其中e(t)(t＝1…N)为残差，t为时间点，为残差中值滤波结果,max(e′(t))为残差中值滤波结果的最大值，min(e′(t))为中值滤波结果的最小值，i是求和运算的索引；将所有认知相关成分波形类别取均值，并汇总，即得到一个可靠的EWA条目；步骤502认知事件相关的EWA图谱条目认知意义解析：如果训练数据中有认知事件类别相关的信息，则可以通过认知事件类别与EWA图谱条目类别的相关性解析EWA条目的认知意义；步骤503基于新数据的EWA扩展：使用训练获取的EWA和自发成分波形字典对新的训练数据进行稀疏建模，若误差超过一定水准则首先对残差进行30HZ低通滤波，而后使用步骤401中的平稳性指标度量其平稳性，若平稳性指标低于7则认为存在新的ERP成分波形，将残差作为一个备选EWA图谱条目纳入EWA中；在出现多个新样本数据与该备选EWA条目对应后，则认为该认知相关电位波形确实存在，将其作为一个正式条目纳入EWA中。