基于同步提取变换的脑电信号特征提取方法及系统与流程

1.本发明属于信号处理技术领域，尤其涉及一种基于同步提取变换的脑电信号特征提取方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.脑机接口技术是应用在康复医疗领域的一种重要的技术手段，这种技术通过产生一定频率的电流脉冲的方式刺激运动神经元来控制肌肉收缩，可以为脊髓损伤、脑干中风、脑瘫和肌肉营养不良等神经肌肉通路受损的患者提供帮助。
4.目前，脑机接口作为一种与外界的交互系统，通过采集人的脑电信号，再识别分类后转化为仪器可读取的数据，从而通过仪器设备替代患者受损的神经肌肉通路，恢复患者肢体与外界交互的能力，提高患者生活质量，减轻患者及其家庭的经济和生活负担。
5.但是，现有的脑电信号识别及分类方法普遍采用短时傅里叶变换、小波变换、共空间模式等，这些方法存在识别率低，训练时间长，个体差异大等问题，无法脑电信号频率控制各种康复设备提供精确的保障。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种基于同步提取变换的脑电信号特征提取方法及系统，能够识别出不同刺激下的脑电信号，提高识别方法的准确率。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种基于同步提取变换的脑电信号特征提取方法。
9.基于同步提取变换的脑电信号特征提取方法，包括：
10.对脑电信号进行时域分析，得到不同刺激下脑电信号的特征向量；
11.将特征向量输入训练好的svm模型，识别不同刺激下脑电信号的频率。
12.进一步的，在对基于稳态视觉诱发电位的脑电信号进行时域分析之前，包括：
13.获取脑电信号，并对基于稳态视觉诱发电位的脑电信号进行预处理。
14.进一步的，所述预处理包括：采用均值滤波对脑电信号进行消噪、去伪迹处理。
15.进一步的，所述不同刺激下脑电信号的特征向量的获得包括：采用同步提取变换的方法提取不同刺激下的脑电信号时域脊线上的能量，比较不同刺激下能量值的区别，将能量值作为脑电信号的特征向量。
16.进一步的，将特征向量分为训练集和测试集，采用训练集对svm模型进行训练。
17.进一步的，所述svm模型训练的过程包括：
18.将训练集中的特征向量输入svm模型进行训练，直到目标优化函数收敛，得到训练好的svm模型。
19.进一步的，将所述测试集输入训练好的svm模型，检验识别脑电信号频率的准确性。
20.本发明的第二个方面提供一种基于同步提取变换的脑电信号特征提取系统。
21.基于同步提取变换的脑电信号特征提取系统，包括：
22.特征向量提取模块，其被配置为：对脑电信号进行时域分析，得到不同刺激下脑电信号的特征向量；
23.识别模块，其被配置为：将特征向量输入训练好的svm模型，识别不同刺激下脑电信号的频率。
24.本发明的第三个方面提供一种计算机可读存储介质。
25.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于同步提取变换的脑电信号特征提取方法中的步骤。
26.本发明的第四个方面提供一种计算机设备。
27.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于同步提取变换的脑电信号特征提取方法中的步骤。
28.与现有技术相比，本发明的有益效果是：
29.本发明采用同步提取变换的方式进行特征提取，提取频率重心上的能量，更加精确的得知脑电信号的能量值，提高频率的分辨率，特征选取明显，检测准确率高。
30.本发明用识别出来的不同脑电信号频率控制各种康复设备，使得患者的肌肉保持或恢复一定的活力，配合康复动作的训练，达到最终帮助患者康复的结果。
31.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
32.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
33.图1是本发明实施例的基于不同刺激下的脑电信号识别系统示意图；
34.图2是本发明实施例采集脑电信号所使用的设备示意图；
35.图3(a)是本发明实施例的脑电信号经过同步提取变换前的效果图；
36.图3(b)是本发明实施例的脑电信号经过同步提取变换后的效果图；
37.图4是本发明实施例为遗传算法优化支持向量机的结果。
具体实施方式
38.下面结合附图与实施例对本发明作进一步说明。
39.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
40.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
41.需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
42.实施例一
43.如图1所示，本实施例提供了一种基于同步提取变换的脑电信号特征提取方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。本实施例中，该方法包括以下步骤：
44.s101：对脑电信号进行时域分析，得到不同刺激下脑电信号的特征向量；
45.s102：将特征向量输入训练好的svm模型，识别不同刺激下脑电信号的频率。
46.具体的，本实施的详细步骤如下：
47.(1)使用脑电采集设备收集受试者在观看不同频率的黑白闪烁动图下脑电数据；
48.(2)对采集到的脑电数据进行消噪、去伪迹等预处理；
49.(3)选取预处理后的数据进行特征提取，计算不同刺激下各数据点的能量值作为特征向量；
50.(4)选取特征提取后的数据制作数据集，并按7：3的比例分为训练集和测试集；
51.(5)对整个训练集进行训练得到svm模型，并识别测试集样本的脑电信号的频率。
52.步骤(1)中，使用脑电采集设备收集受试者在观看不同频率的黑白闪烁动图下脑电数据，具体为：
53.受试者端坐于安静的实验室中，准备5hz、7hz、9hz的黑白闪烁动图等实验条件，保证受试者无其他环境因素影响及对照条件切换迅速。所使用设备如图2所示，将导电膏抹至所有脑电帽电极上，受试者戴上脑电帽，调整脑电帽与电极位置，保证所有电极均可贴到头皮适当位置，该实验使用32通道电极帽，实验采集cp3、cp4、tp7、pz、p4、o1、oz、o2这8个通道，采样频率为750hz。每次实验采集30s的数据长度，该设备可以将数据流实时存储为.csv文件，每次更换动图频率的时候让受试者的眼睛休息60s，防止受试者出现视觉疲劳。
54.步骤(2)中，具体为：
55.在原始脑电信号中，主要存在呼吸、皮电、心电等低频噪声和肌电产生的高频噪声，使用均值滤波将明显的噪声去除。
56.步骤(3)中，具体为：
57.去除各种噪声后，我们需要对其进行特征提取，从而提取到不同刺激下脑电信号的特征向量。傅里叶变换是将难以处理的时域信号转换成易于分析的频域信号，然后再利用一些工具对频域信号进行处理和加工，从而表示出时域信号的特征，但是对一些不平稳信号，比如说脑电信号，其频域信号随时间变化，对这种变化的信号，傅里叶变换无法解决，这时候就引入短时傅里叶变换，通过窗函数将完整的信号切割成和设定的窗口长度一致的时间间隔，得到不同时段的能量值。短时傅里叶变换的公式为：
58.g(t,ω)＝∫[x(τ)g(τ-t)e-iωτ
dτ]
[0059]
其中，x(t)是信号函数，g(τ)是窗函数，ω是信号函数中的基频率。
[0060]
短时傅里叶变换的窗口选择也是一项重要的因素，其时频联合分辨率取决于窗函数的选择，有很多窗口功能，例如，矩形窗和海明窗(hamming)是最常用的，矩形窗的时域表示形式的公式为：
[0061][0062]
频率响应函数为：
[0063][0064]
海明窗作为改进的升余弦窗，有一部分不连续，其表达形式为：
[0065][0066]
频率相应函数为：
[0067][0068]
在进行短时傅里叶变换的时候、会存在海森堡不确定性原则的制约，即不能同时以任意的精度同时在时间和频率方向对信号进行观察，也就是时间分辨率高，必然导致频率分辨率差。因此我们引用同步提取变换的方法来进行信号的时频分析。
[0069]
不同的刺激下，采集到的脑电信号的能量是不同的，比较能量值的区别即可以得到不同刺激下获得的脑电信号的特征，将脑电信号经过短时傅里叶变换后提取的能量会进行分散，无法准确获得能量的具体数值，同步提取变换可以提取频率重心上的能量，提高频率的分辨率，使得到的特征值更优化，如图3(a)-图3(b)所示。
[0070]
在同步提取变换算法中，最重要的是通过短时傅里叶变换求取其中的瞬时频率估计算ω0(t,ω)，步骤如下：
[0071]
(1)对短时傅里叶变换的频域表达式进行改进，对其乘一个旋转因子e
iωt
来进行改进，并转换为其时域表达式，公式如下：
[0072][0073]
(2)对于一个谐波信号,对其时域表达式进行偏导后可以得到：
[0074][0075]
(3)脑电信号作为一个非平稳信号，假设其表达式为将其短时傅里叶变换带入(2)中式子得：
[0076][0077]
即对于一个弱频率调制信号，频率估计算子可以很准确的对信号的瞬时频率进行估计，其表达式为：
[0078]
te(t,ω)＝ge(t,ω)δ(ω-ω0(t,ω))
[0079]
同步提取变换是通过构建一个提取算子，只将短时傅里叶变换中的时频脊线上能量提取，而将其余的能量都忽略来提高信号的分辨率，以此来计算每个刺激下脑电信号的特征值。
[0080]
步骤(4)中，具体为：
[0081]
经过预处理后的数据和特征提取的数据是二维的，为了选取更好的数据段，删掉每次实验开始和结束的2s的数据段。将剩余数据按照样本、通道数、样本点数、数据组的格式保存为四维数据组，以此来制作数据集，数据集中包含观察5hz、7hz、9hz的动图下的脑电信号，并把其中70％作为训练集，30％作为测试集。
[0082]
步骤(5)中，具体为：
[0083]
利用svm分类器对特征样本进行分类，svm是一款有监督机器学习分类器，被广泛应用于二类分类模型的人机接口识别系统，且有较好的鲁棒性和有效性。svm算法通过构造最佳超平面来从训练样本中获得最大间隔，从而将两组或多组训练数据集进行分离，然后对测试数据集进行分类。在面对复杂的分类时，在有限维的空间中数据集线性不可分的情况下，使用核函数可以将数据重新投入到足够高的维数空间里。选用径向基函数作为核函数，其公式为：
[0084]
k(xi,xj)＝exp(-g||x
i-xj||2)
[0085]
其中，k(xi,xj)为映射函数，g为核函数参数。
[0086]
将数据转换到高维空间线性可分的条件下后，通常需要在约束条件中引入松弛变量，在目标函数中引入惩罚因子，分类优化问题的计算公式如下：
[0087][0088]
yi[k(xi)
·
ω+b]≥1-ζi，ζi≥0，i＝1，2
…
l
[0089]
其中松弛变量ζi,yi为实际指示值，c为惩罚因子。
[0090]
选择合适的惩罚因子c和核函数参数g可以提高svm分类的正确率，本文采用遗传算法对参数进行优化[9]。步骤如下：
[0091]
(1)对优化参数进行二进制编码，迭代次数为100次。
[0092]
(2)计算适应度值，以交叉法进行交配，交叉概率为0.4，变异概率为0.01。
[0093]
(3)将所得最优参数带入svm模型。
[0094]
实施例二
[0095]
本实施例提供了一种基于同步提取变换的脑电信号特征提取系统。
[0096]
基于同步提取变换的脑电信号特征提取系统，包括：
[0097]
特征向量提取模块，其被配置为：对脑电信号进行时域分析，得到不同刺激下脑电信号的特征向量；
[0098]
识别模块，其被配置为：将特征向量输入训练好的svm模型，识别不同刺激下脑电信号的频率。
[0099]
此处需要说明的是，上述特征向量提取模块和识别模块对应于实施例一中的步骤s101至s102，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0100]
实施例三
[0101]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于同步提取变换的脑电信号特征提取方法中的步骤。
[0102]
实施例四
[0103]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于同步提取变换的脑电信号特征提取方法中的步骤。
[0104]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0105]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质
中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0109]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。