基于w-pca和無監(jiān)督ghsom的腦電信號識別方法
【專利摘要】本發(fā)明涉及基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法。所述方法包括：腦電信號采集，腦電信號預處理，基于小波變換結合主元分析對腦電信號進行特征提取，利用無監(jiān)督GHSOM神經網絡對特征向量進行分類。GHSOM神經網絡在訓練中能自組織學習，無需標記訓練數據，根據數據的相似性進行分類，克服了現實中許多數據無標簽的困難；同時，GHSOM神經網絡根據數據結構自適應地確定分類所需要的神經元個數，減少了被抑制神經元的浪費現象，進而加快訓練速度，縮短訓練所有時間，更有利于在線分析；此外，在對數據訓練的過程中，能夠提供多層次、可視化的拓撲結構圖，有利于對數據進行解釋。
【專利說明】基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法
【技術領域】
[0001]本發(fā)明涉及腦-機接口(brain-computer interface, BCI)系統(tǒng)想象運動腦電信號特征的模式識別方法，特別涉及基于小波變換(Wavelet Transform, WT)和主元分析(Principal Component Analysis, PCA)相結合的多尺度主元分析(記為W-PCA)特征提取方法和基于生長、分層的自組織映射(Growing Hierarchical Self-Organizing Map, GHSOM)神經網絡的無監(jiān)督分類方法。
【背景技術】
[0002]腦-機接口是一種隨著計算機技術發(fā)展起來的新興研究系統(tǒng)，它可以在人或者動物大腦與計算機或其他外部設備之間建立直接的信息交互和控制通道。BCI系統(tǒng)工作原理為:大腦在受到某種特定刺激或進行某種特定思考時，腦神經元細胞會產生相應的放電現象，通過介質(導電膏或電極)從大腦皮層提取出后表現為腦電波，使用腦電采集設備將其放大及模數(A/D)轉換處理后，經特征提取和模式分類算法分析得到特定的腦電信號，最后將其轉換為控制外部設備的信號來完成相應的任務，如圖1所示。
[0003]想象運動腦電屬于內源性誘發(fā)響應，是通過受試者真正的主觀意識誘發(fā)的腦電成份。同時，與想象運動緊密聯(lián)系的是事件相關去同步/事件相關同步(ERD/ERS)現象，SP當想象單側肢體運動時，大腦運動感覺區(qū)的mu節(jié)律和beta節(jié)律震蕩的幅度減小或阻滯，對應的特定頻段信號幅度降低、頻帶能量減少/特定頻段信號幅度升高、頻帶能量增加。Pfurtscheller等人有些研究表明，肢體的真實運動或想象運動都會引起大腦運動感覺區(qū)相關節(jié)律的ERD/ERS現象，想象不同的肢體運動所引起的ERD的空間分布特性符合大腦運動感覺區(qū)肢體的對應分布。所以，想象運動無需依賴任何刺激，僅靠想象便可以產生具有區(qū)分性的腦電信號，即可以作為BCI系統(tǒng)的輸入信號。
[0004]BCI系統(tǒng)的核心算法集中在對腦電信號的模式識別。如何實現對本征特征的準確提取和有效識別，就涉及到特征提取和分類方法的選擇?，F有腦電信號模式識別的方法，如利用快速傅里葉變換法、離散小波變換法或主成分分析等方法提取腦電信號特征，再結合BP神經網絡或支持向量機(SVM)等分類方法完成腦電信號的模式識別。但是，基于上述方法提取的腦電特征之間存在一定的線性相關性；另外，分類算法大多屬于監(jiān)督學習算法，其學習的大致過程為:對有標記樣本進行學習建立分類器模型，再根據已建立模型對未標記樣本進行分類測試，這不僅要求實驗者花費很多時間進行大量實驗來獲取有標記的訓練樣本，而且導致分類器模型自學習能力和泛化能力受限。從而影響了識別方法的自適應性。

【發(fā)明內容】

[0005]為了克服現有技術中存在的不足，本發(fā)明提供一種基于小波變換結合主元分析和無監(jiān)督學習的GHSOM神經網絡相結合的方法，實現對想象左、右手運動腦電信號的模式識另O，以提高分類準確率及分類器的自適應性。
[0006]為了實現上述目的，本發(fā)明采用如下技術方案:[0007]實驗者戴上電極帽放松安靜地坐在計算機前，按照屏幕上提示的向左、向右的命令執(zhí)行2N次左、右手想象運動試驗，分別包含想象左手動作和想象右手動作各N次試驗。數據通過差分電極從國際標準的10~20導聯(lián)系統(tǒng)的C3、C4電極獲得。腦電記錄儀會將此腦電變化的過程完整記錄并存儲下來。最后利用計算機實現W-PCA和GHSOM神經網絡相結合的方法對腦電信號進行模式識別。
[0008]基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法，主要包括以下步驟:
[0009]步驟一，腦電信號預處理。
[0010]電生理學研究表明，想象運動導致事件相關去同步化ERD或事件相關同步化ERS產生的μ節(jié)律和β節(jié)律的頻率分別為8-12Ηζ和13-28?，這些生理學上的節(jié)律信號可用于判別想象左右手運動的腦電信號，所以利用FIR(Finite Impulse Response)濾波器對采集的腦電信號進行8-30Hz帶通濾波，以獲取較為明顯的ERD生理特征數據段。
[0011]步驟二，基于小波變換結合主元分析對腦電信號在多尺度上進行特征提取。
[0012]基于小波變換的主元分析，將小波變換提取變量局部特征和降低變量自相關性的能力和主成分分析去除變量間的線性相關性的能力相結合。
[0013]小波變換中的小波分解算法如式⑴所示:
【權利要求】
1.基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法，其特征在于包括以下步驟: 步驟I，獲得腦電信號； 實驗者戴上電極帽放松安靜地坐在計算機前，按照屏幕上提示的向左、向右的命令執(zhí)行左、右手想象運動，通過差分電極從國際標準的10~20導聯(lián)系統(tǒng)的C3、C4電極獲得數據； 步驟2，腦電信號預處理； 利用FIR濾波器對采集的腦電信號進行8-30Hz帶通濾波，以獲取較為明顯的相關去同步化ERD生理特征數據段； 步驟3，基于小波變換結合主元分析對腦電信號在多尺度上進行特征提??； 步驟4，利用無監(jiān)督GHSOM神經網絡對特征向量進行分類。
2.根據權利要求1所述的基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法，其特征在于，步驟3所述基于小波變換結合主元分析對腦電信號在多尺度上進行特征提取的方法包括以下步驟: (1)提取C3通道采集到的想象左、右手運動腦電信號特征 首先，選擇Daubechies類db5小波函數對C3通道想象左、右手運動腦電信號數據集LC3、RC3的所有采樣點分解5層，得到每一尺度上相應的小波分解系數，小波分解的表達式為:
3.根據權利要求1所述的基于W-PCA和無監(jiān)督GHSOM的腦電信號識別方法，其特征在于，步驟4所述利用GHSOM神經網絡對特征向量進行分類的方法包括以下步驟:(1)在XL、XR中分別隨機選取樣本向量組成訓練特征向量作為GHSOM網絡的輸入向量數據集X，求其平均值作為GHSOM網絡第O層映射單元U0的權值向量，即GHSOM網絡的第O層只含有一個由一個映射單元Utl構成的SOM映射網絡；分別由式(2)和式(3)計算映射神經元的量化誤差Qetl和SOM映射網絡的量化誤差QEtl:
【文檔編號】G06F3/01GK104035563SQ201410274341
【公開日】2014年9月10日 申請日期:2014年6月19日 優(yōu)先權日:2014年6月19日
【發(fā)明者】李明愛, 田曉霞, 郭碩達, 楊金福, 孫炎郡 申請人:北京工業(yè)大學