一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法

本发明涉及电子通信，特别地，涉及一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法。

背景技术：

1、脑机接口可将大脑与外部环境之间建立一种全新的不依赖于外周神经和肌肉的交流与控制通道，通过将大脑信号转化为控制信号，实现大脑与外部设备的直接交互。该技术能够起到监测、替代、改善/恢复、增强、补充的作用，无论是在临床上还是军事、企业的生产制造上都发挥了显著的应用价值。

2、在脑机接口系统中，脑电信号(electroencephalogram，eeg)因其无创、高时间分辨率、低成本等特点成为脑机接口研究中采用最多的信号。运动想象(motor imagery，mi)是一种不需要外界刺激，能自发产生的脑电信号，具有事件相关同步和事件相关去同步的特点。不同mi任务的eeg信号通常伴随着不同的感觉运动节律(sensory motor rhythm，smr)，即各脑区特定频带功率的升高或降低。而且，脑机接口解码方面的一大难点是eeg信号具有显著的个体差异性。

3、因此能够主动选择用户具有区别性的特定频带，对于分类任务至关重要。然而，现阶段在黎曼流形分类方面，多采用宽频段的带通滤波，并没有考虑到用户的频段差异性。若能在现有研究的基础上，实现自动提取用户mi-eeg的最优频带特征，将会提高运动想象脑机接口识别率。

技术实现思路

1、本发明目的在于提供一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法，以解决分类精度不够的技术问题。

2、为实现上述目的，本发明提供了一种基于非均匀频带多滤波器黎曼最小均值距离mfmdrm(multi-filter minimum distance riemannian mean)的运动想象脑电信号分类算法，包括以下步骤：

3、(1)对脑电信号进行预处理，提取脑电数据；

4、(2)使用多个带通滤波器对脑电信号进行频带滤波，划分为若干个非均匀频带信号；

5、(3)提取每个频带的样本协方差特征，将样本空间由欧式空间转换到黎曼空间；

6、(4)对黎曼空间中的样本特征进行类均值协方差矩阵计算，得到每个类别的均值点

7、(5)使用黎曼流形方法和交叉验证得到最佳感觉运动频带；

8、(6)对测试信号进行最佳感觉运动频带的带通滤波；

9、(7)采用mdrm(minimum distance riemannian mean)方法进行分类。

10、优选的，步骤(1)的具体方法为：选取样本mi任务提示后0.5-4.5s时间窗的数据。

11、优选的，步骤(2)中，运动想象脑机接口的运动意图识别是通过对脑电信号中感觉运动节律smr的时间相关去同步erd和时间相关同步ers特性进行分类实现的。受试者进行运动想象任务时，smr会发生变化，在脑部的感觉运动区可记录到8-12hz的μ节律，也可以记录到18-26hz的β节律脑电波以及部分α和γ节律。然而，smr因受试者不同、想象运动的肢体或部位不同，其节律成分和带宽会发生变化，并且这种变化因人而异。因此找到试验者的最佳感觉运动频带，将最大程度提高运动意图识别精度。基于这种思路，文章使用7个带通滤波器，将脑电信号频带划分为以下7个非均匀重叠频带：4-8hz,8-12hz,12-26hz,18-26hz,26-30hz,30-36hz,36-40hz，以找到试验者最佳感觉运动频带。

12、优选的，步骤(3)包括：

13、(3.1)采集脑电信号的电极分布在大脑皮层各脑区，并非一个平面，相比较欧式空间两点之间的距离度量方式，黎曼空间的黎曼度量方法可测量流形两点之间的真实测地距离(geodesic distance)，且具有仿射不变性；具体的形式如下：

14、δ(ci，cj)＝δ(xtcix，xtcjx)   (1)

15、ci，cj是黎曼流形上的两个样本点(i,j分别第i和j个样本)，δ为两个点之间的黎曼距离，x为混合信号,上标t表示矩阵转置。

16、(3.2)黎曼仿射不变性可以使传感器空间样本点之间的距离与源空间保持一致；

17、假设测量到的脑电信号生成模型为x＝a·s，其中s为脑偶极源的线性混合信号，由偶极子在大脑中的位置用户状态和头皮上电极的位置决定，a为混合矩阵，，si，sj为源空间任意两个样本的协方差矩阵，则传感器空间i和j样本的协方差矩阵为

18、ci＝xi·xit＝atsitsia＝atsia   (2)

19、cj＝xj·xjt＝atsjtsja＝atsja   (3)

20、由黎曼度量的仿射不变性可知，

21、δ(ci，cj)＝δ(xtsix，xtsjx)＝δ(si，sj)   (4)

22、无论a发生什么变化，都能保持特征空间的信息不变，相比欧式度量，黎曼度量具有更好的泛化能力；

23、(3.3)对于第i个试次，样本协方差矩阵ciεrn×n的计算方式如下：

24、

25、其中，ci为样本协方差矩阵的无偏估计，n为样本数，x为原始脑电信号矩阵，上标t表示矩阵转置，ts为每个样本的采样时间点数量。

26、优选的，步骤(4)的具体方法为：已知n∈r属于四个类别，每个类别ci的均值协方差矩阵计算方法为：

27、

28、其中，k为每个类别的样本数，，δr为两个样本点之间的黎曼距离。

29、优选的，步骤(5)的具体方法为：基于特征选择的hold-out方法，对于每一个频带，在每个黎曼空间中使用mdrm分类器对训练样本进行十折交叉验证，根据分类结果选出最佳感觉运动频带。

30、优选的，步骤(6)的具体方法为：使用一个会话的数据作为训练集，另一个会话的数据作为测试集；由于黎曼度量的强泛化能力，在跨会话中，测试结果也完全不受影响；

31、假设si，sj为源空间任意两个样本的协方差矩阵，则传感器空间的协方差矩阵为

32、ci＝atsia,cj＝atsja   (7)

33、其中，a为信号传导过程中的混合矩阵。上标t表示矩阵转置。

34、测试集与训练集具有相同的源过程si，sj，这次的线性混合矩阵为e，新会话的传感器协方差矩阵为

35、ti＝etsie，tj＝etsje   (8)

36、显然，

37、δr(ti，tj)＝δr(si，sj)   (9)

38、黎曼距离δr(ci，c)具体计算方法如下：

39、

40、其中r代表黎曼距离，ci，c为黎曼流形上的两个样本点，λi,i＝1…n是的实特征值，f为矩阵的范数。

41、即可根据以下公式估计出未知样本所属的类别标签

42、i＝arg miniδr(c，ci)   (11)。本发明具有以下有益效果：

43、(1)特征信息全面：使用频带划分的方法，可以避免与mi不相关频段的干扰，提取到最优的时频空特征。

44、(2)分类精度高：相较宽频带的特征分类，该方法能够自动选取用户具有区别性的最佳感觉运动频带，使用最优频段特征以提高分类精确度。

45、(3)泛化能力强：由于黎曼度量具有仿射不变特性，可保持不同样本之间的特征信息不变性，只需计算未知类别与已知类别的黎曼距离即可判定分类且保持高精度。

46、(4)频带优化稳定：感觉运动节律会随着mi进行非均匀的变化，对mi-eeg划分多个非均匀频带，最大程度确保用户的最佳频带选择。

47、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。