基于雙樹復(fù)小波樣本熵的運(yùn)動想象腦電信號特征提取方法
【專利摘要】本發(fā)明提出了一種基于雙樹復(fù)小波樣本熵的運(yùn)動想象腦電信號特征提取方法。首先，利用雙樹復(fù)小波變換將腦電信號分解在不同的頻段，依據(jù)運(yùn)動想象腦電信號中ERD/ERS現(xiàn)象，抽取有用信號的頻段進(jìn)行重構(gòu)；然后，利用樣本熵提取出腦電信號特定頻段的非線性特征。本方法可以作為腦電數(shù)據(jù)信號分析中一種有效的特征處理方法，具有一定的可行性，可以獲得比較高的識別率，它為BCI的特征提取提供了新的思路。
【專利說明】基于雙樹復(fù)小波樣本熵的運(yùn)動想象腦電信號特征提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于腦電信號處理領(lǐng)域，涉及一種腦電信號特征提取方法，特別涉及一種用于腦-機(jī)接口中運(yùn)動想象腦電信號識別的特征提取方法。
【背景技術(shù)】
[0002]腦-機(jī)接口(Brain Computer Interface, BCI)是一種不依賴于外周神經(jīng)系統(tǒng)及肌肉組織的參與，人腦與計(jì)算機(jī)或其它外部設(shè)備之間建立起直接交流和控制的通道，是一種全新的通訊和控制方式。腦電信號是由腦神經(jīng)細(xì)胞自發(fā)性、節(jié)律性的生理電活動產(chǎn)生的，是大腦意識過程中神經(jīng)細(xì)胞電生理活動的外在反映，具有較高的時(shí)間分辨率，因而腦電圖(EEG)成為BCI最重要的信號獲取手段。
[0003]BCI系統(tǒng)中，通過腦電信號控制輔助外設(shè)的方法有多種:按照操作方式的自動化程度可分為單步、半自動、全自動等；按照腦電信號產(chǎn)生機(jī)理可分為誘發(fā)腦電和自發(fā)腦電兩大類。其中，自發(fā)腦電由受試者自主產(chǎn)生，具有靈活性和可控制性，相對誘發(fā)腦電來說是更為自然和實(shí)用的方式。運(yùn)動想象腦電信號是自發(fā)腦電信號的一種，在腦-機(jī)接口研究和應(yīng)用中受到廣泛的關(guān)注。
[0004]基于運(yùn)動想象腦電信號的多模式識別是目前BCI主要應(yīng)用手段之一。以人類大腦為對象的頭皮腦電 信號研究表明，它主要由各種節(jié)律性電活動組成，與運(yùn)動想象緊密聯(lián)系的一種電生理現(xiàn)象是事件相關(guān)去同步(ERD)和事件相關(guān)同步(ERS)現(xiàn)象。在進(jìn)行基于運(yùn)動想象腦電信號的腦-機(jī)接口研究中，將運(yùn)動想象腦電信號分解在不同頻段上進(jìn)行特征提取具有一定的必要性。將腦電信號分解在不同頻段上常見方法有小波變換，小波包變換等。這些方法盡管也取得了不錯(cuò)的效果，但是離散小波分解后的信號在相鄰尺度的過渡頻帶上存在著能量泄漏現(xiàn)象，同時(shí)小波變換在二抽取的過程中會產(chǎn)生較大的混疊現(xiàn)象，這些缺陷在特征提取時(shí)會造成一定程度的假象，影響后續(xù)模式分類器的識別率。Kingsbury等人在1988 年提出雙樹復(fù)小波變換(Dual-Tree Complex Wavelet Transform, DTCWT)，DTCWT 是離散小波變換的衍生，可以有效的克服混疊和能量泄漏，而且還具有時(shí)移不變性、多維方向選擇性、完全重構(gòu)性等諸多優(yōu)點(diǎn)，特征提取的效果明顯好于小波分析。
[0005]腦電信號是一種隨機(jī)的非線性信號，非線性特點(diǎn)比較明顯，隨著非線性理論的發(fā)展，很多非線性方法已經(jīng)被廣泛用于腦電信號的特征提取，例如，Pincus于二十世紀(jì)九十年代提出量化時(shí)間序列復(fù)雜度的近似熵算法。近似熵為相似向量由m維增加至m+1維時(shí)繼續(xù)保持其相似性的條件概率，也是當(dāng)維數(shù)變化的時(shí)候時(shí)間序列中產(chǎn)生新模式的概率大小，所以從統(tǒng)計(jì)的角度來區(qū)別時(shí)間過程的復(fù)雜性。但是近似熵中存在統(tǒng)計(jì)量的不一致性，針對這一不足，一種近似熵的改進(jìn)方法一樣本熵被Richman和Moorman提出。樣本熵不僅具備近似熵的所有優(yōu)點(diǎn)，而且避免了統(tǒng)計(jì)量的不一致性。樣本熵是時(shí)間序列復(fù)雜度的一種度量，在實(shí)際應(yīng)用過程中，與Lyapunov指數(shù)、信息熵、關(guān)聯(lián)維數(shù)、K熵等非線性動力學(xué)方法相比，樣本熵因?yàn)橹恍栎^短的數(shù)據(jù)就能夠得出穩(wěn)健的估計(jì)值，同時(shí)還有較好的抗噪和抗干擾能力，又可用于隨機(jī)成分和確定性成分組成的混合信號中，分析效果優(yōu)于簡單統(tǒng)計(jì)參數(shù)，不需要對原始信號進(jìn)行粗粒化等特點(diǎn)，比較適合對生物信號進(jìn)行分析。
【發(fā)明內(nèi)容】

[0006]本發(fā)明提出一種雙樹復(fù)小波樣本熵的特征提取方法。該方法通過雙樹復(fù)小波變換，把采集到的運(yùn)動想象腦電信號進(jìn)行分解，抽取出對應(yīng)于運(yùn)動想象腦電信號中ERD和ERS現(xiàn)象的節(jié)律波信號，進(jìn)行重構(gòu)，然后對該信號利用樣本熵方法進(jìn)行特征提取。實(shí)驗(yàn)表明，雙樹復(fù)小波樣本熵的特征提取方法的具有一定的可行性，可以獲得比較高的識別率。
[0007]為了實(shí)現(xiàn)以上目的，本發(fā)明方法主要包括以下步驟:
[0008]步驟(1).抽取出對應(yīng)頻段的運(yùn)動想象腦電信號。將采集到的運(yùn)動想象腦電信號通過雙數(shù)復(fù)小波變換進(jìn)行分解，抽取出對應(yīng)于運(yùn)動想象腦電信號中ERD和ERS現(xiàn)象的節(jié)律波信號，再對其進(jìn)行重構(gòu)。
[0009]步驟(2).對信號進(jìn)行特征提取。對含有有用成分的各層重構(gòu)信號利用樣本熵方法進(jìn)行特征提取。
[0010]本發(fā)明與已有的運(yùn)動想象腦電特征提取方法相比，具有如下特點(diǎn):
[0011]1、利用雙樹復(fù)小波變換方法，在信號分解與重構(gòu)過程中有實(shí)虛兩平行的包含小波變換的雙正交濾波器的小波樹構(gòu)成，能夠?qū)崿F(xiàn)交替奇偶濾波，有效地彌補(bǔ)復(fù)小波金字塔算法的重構(gòu)性差的缺點(diǎn)，同時(shí)兼有計(jì)算效率高，數(shù)據(jù)冗余少的優(yōu)點(diǎn)。 [0012]2、非線性動力學(xué)方法一樣本熵，能夠分析腦電信號的非線性特征。同時(shí)，運(yùn)動想象腦電信號中的ERD和ERS現(xiàn)象在一些頻段較為顯著，更容易獲取運(yùn)動想象腦電信號的特征向量。
[0013]本發(fā)明可以有效表征運(yùn)動想象時(shí)的EEG特征變換。因此，基于雙樹復(fù)小波樣本熵的特征提取方法可以作為腦電數(shù)據(jù)信號分析中一種有效的特征處理方法，它為BCI的特征提取提供了新的思路，在腦-機(jī)接口領(lǐng)域具有廣闊的應(yīng)用前景。
【專利附圖】

【附圖說明】
[0014]圖1腦電信號特征提取流程圖
[0015]圖2雙樹復(fù)小波變換的分解和重構(gòu)過程
【具體實(shí)施方式】
[0016]下面結(jié)合附圖描述本發(fā)明基于雙樹復(fù)小波樣本熵的運(yùn)動想象腦電信號特征提取方法。
[0017]圖1為腦電信號特征提取流程圖，其實(shí)施主要包括以下幾個(gè)步驟:
[0018](I)利用雙樹復(fù)小波變換將采集到的運(yùn)動想象腦電信號分解在不同的頻段，依據(jù)運(yùn)動想象腦電信號中ERD和ERS現(xiàn)象，抽取有用頻段的信號進(jìn)行重構(gòu)；
[0019](2)采用樣本熵方法對重構(gòu)后的不同頻段的腦電信號提取非線性特征。
[0020]下面逐一對各步驟進(jìn)行詳細(xì)說明。
[0021]步驟一，利用雙樹復(fù)小波變換提取出對應(yīng)頻段的運(yùn)動想象腦電信號。
[0022](一)雙樹復(fù)小波變換的基本原理
[0023]DTCffT采用了二叉樹結(jié)構(gòu)的兩路小波變換，將復(fù)小波的實(shí)部和虛部分離開，由兩組并行的實(shí)數(shù)濾波器組獲取實(shí)部和虛部的小波變換系數(shù)。DTCWT的主要思想是:在第一層分解時(shí)，要確保虛部樹中的二抽取剛好采樣得到實(shí)部樹在二抽取過程中丟掉的信息，所以要在虛部樹前面增加一個(gè)延遲器使得實(shí)部濾波器與虛部濾波器之間的延遲剛好是一個(gè)采樣間隔，在之后的各層分解過程中，要求實(shí)虛兩樹對應(yīng)濾波器的幅頻響應(yīng)相等，相頻響應(yīng)有半個(gè)采樣周期的群延遲。同時(shí)，實(shí)虛濾波器采用雙正交變換保證相位為線性的，兩樹濾波器長度分別是奇數(shù)長度和偶數(shù)長度，且每樹不同層次之間交替采用奇偶濾波器，保證兩樹呈好的對稱性。
[0024]由于雙樹復(fù)小波變換是基于兩個(gè)并行的小波變換，因而根據(jù)小波分析的相關(guān)理論，在圖2雙樹復(fù)小波變換的分解和重構(gòu)過程中，丨2表示下取樣算子，丨2表示上取樣算
子，實(shí)部樹的小波系數(shù)<Re(?)及尺度系數(shù)Cf (?)分別如下:
[0025]
【權(quán)利要求】
1.基于雙樹復(fù)小波樣本熵的運(yùn)動想象腦電信號特征提取方法，其特征在于: 步驟(1).抽取出對應(yīng)頻段的運(yùn)動想象腦電信號:將采集到的運(yùn)動想象腦電信號通過雙數(shù)復(fù)小波變換進(jìn)行分解，抽取出對應(yīng)于運(yùn)動想象腦電信號中ERD和ERS現(xiàn)象的節(jié)律波信號，再對其進(jìn)行重構(gòu)，具體是: 設(shè)采集腦電信號的采樣頻率為fs，采用雙樹復(fù)小波變換對信號進(jìn)行分解的層次為L，對低頻子帶復(fù)系數(shù)cA^和高頻子帶復(fù)系數(shù)cDy cDl_1；......，CD1進(jìn)行系數(shù)重構(gòu)，根據(jù)分解原理得到L+1個(gè)重構(gòu)信號，頻段范圍由低到高依次為[0，?；/2?+1]，[fs/2L+1, fs/2L], [fs/2\ fs/2L^],……，[fs/22, fs/2]；其中 f(Dx) e [fs/21+1, f^jHz,Ie l,2,...,L,f(AL) e [0, fs/2L+1];然后選取有用信號的alpha節(jié)律和beta節(jié)律波對應(yīng)的頻率范圍作為重構(gòu)信號； 雙樹復(fù)小波變換重構(gòu)過程的小波系數(shù)4(t)和尺度系數(shù)q(t)如下:
【文檔編號】A61B5/0476GK103961091SQ201410150878
【公開日】2014年8月6日 申請日期:2014年4月15日 優(yōu)先權(quán)日:2014年4月15日
【發(fā)明者】孟明, 佘青山, 羅志增, 魯少娜, 滿海濤 申請人:杭州電子科技大學(xué)