基于小波-共空间模式的多类想象运动诱发脑电特征提取
发布时间：2020-07-14 05:31
【摘要】：为了有效获取脑电信息,提取多模式类(左手,右手,舌,脚)想象运动诱发脑电特征,提出了一种小波-共空间模式分析的四类运动想象诱发脑电特征提取方法.首先,使用db4小波对预处理后纯净的脑电信号进行5层小波分解,获得小波变换的各层逼近系数和细节系数,去除冗余频段,并进行重构.然后,采用"一对多"共空间模式方法,构建多个空间滤波器,对滤波信号进行共空间模式映射,得到每种想象运动模式下的投影信号.最后,对该投影信号能量求方差取对数,组成特征值向量,再进行差值处理获得多模式类运动想象脑电特征.仿真实验结果表明,该方法可以较好的提取多类运动想象脑电信号特征.
【图文】：
图１运动想象实验范式Ｆｉｇ．１Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐａｒａｄｉｇｍｆｏｒｍｏｔｏｒｉｍａｇｅｒｙ３小波－共空间模式脑电特征提取与分析对脑电进行滤波选取特定频段，去除冗余信息尤为重要．脑电实验采集中有１２０组数据，每类运动想象随机出现３０次，单次试验持续７ｓ，采样率为２５０Ｈｚ，所以一次事件的采样点为１７５０个点．由于运动想象提示开始在第３ｓ，有效的数据点数是在７５１～１７５０点内，采集的运动想象原始脑电信号如图２所示．大脑进行运动想象时，活动的有关频段信号主要分布在８～３０Ｈｚ区间，即α和β节律．具体左手和右手对应的有关频率为１０～１２Ｈｚ和２０～２４Ｈｚ；舌的对应频率１０～１１Ｈｚ；脚的对应频率为７～８Ｈｚ和２０～２４Ｈｚ．选用２４号导联对应舌的想象运动脑电信号，４１和３１（Ｃｚ）号导联对应脚的想象运动脑电信号，导联３４（Ｃ４）和２８（Ｃ３）分别对应想象左、右手运动的脑电信号．脑电信号特征提取实现步骤如下：１）为去除冗余信息，充分利用有用信息，对脑电信号进行滤波采用ｄｂ４小波对４类运动想象脑电信号的５个导联数据分别进行小波分解，因采样率为２５０Ｈｚ，根据脑电信号的有效信息利用最大化原则，脑电信号ｆ（ｔ）划分５个频段．ｆ（ｔ）＝Ａ５＋Ｄ５＋…＋Ｄ１，Ｄｎ（ｎ＝１，．．．，５）是每个子段的细节信号，Ａｎ（ｎ＝１，．．．，５）是对应的逼近信号，具体如表１所示．图２运动想象原始脑电信号随时间变化图Ｆｉｇ．２ＥＥＧｓｉ
图１运动想象实验范式Ｆｉｇ．１Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐａｒａｄｉｇｍｆｏｒｍｏｔｏｒｉｍａｇｅｒｙ３小波－共空间模式脑电特征提取与分析对脑电进行滤波选取特定频段，去除冗余信息尤为重要．脑电实验采集中有１２０组数据，每类运动想象随机出现３０次，单次试验持续７ｓ，采样率为２５０Ｈｚ，所以一次事件的采样点为１７５０个点．由于运动想象提示开始在第３ｓ，有效的数据点数是在７５１～１７５０点内，采集的运动想象原始脑电信号如图２所示．大脑进行运动想象时，活动的有关频段信号主要分布在８～３０Ｈｚ区间，即α和β节律．具体左手和右手对应的有关频率为１０～１２Ｈｚ和２０～２４Ｈｚ；舌的对应频率１０～１１Ｈｚ；脚的对应频率为７～８Ｈｚ和２０～２４Ｈｚ．选用２４号导联对应舌的想象运动脑电信号，４１和３１（Ｃｚ）号导联对应脚的想象运动脑电信号，导联３４（Ｃ４）和２８（Ｃ３）分别对应想象左、右手运动的脑电信号．脑电信号特征提取实现步骤如下：１）为去除冗余信息，充分利用有用信息，对脑电信号进行滤波采用ｄｂ４小波对４类运动想象脑电信号的５个导联数据分别进行小波分解，因采样率为２５０Ｈｚ，根据脑电信号的有效信息利用最大化原则，脑电信号ｆ（ｔ）划分５个频段．ｆ（ｔ）＝Ａ５＋Ｄ５＋…＋Ｄ１，Ｄｎ（ｎ＝１，．．．，５）是每个子段的细节信号，Ａｎ（ｎ＝１，．．．，５）是对应的逼近信号，具体如表１所示．图２运动想象原始脑电信号随时间变化图Ｆｉｇ．２ＥＥＧｓｉ
ＣＳＰ处理的左手运动想象脑电信号随时间变化图Ｆｉｇ．３ＴｈｅｆｅａｔｕｒｅｓｉｇｎａｌｏｆｌｅｆｔｈａｎｄｍｏｔｏｒｉｍａｇｅｒｙＥＥＧｂｙＣＳＰｍｅｔｈｏｄ图３是以左手运动想象为例进行结果分析，对纯净的脑电信号采用ＣＳＰ方法进行特征提取，由于ＣＳＰ本身的特点是在某方向上使一类别的信号方差最大，而另一类信号方差最小．对应在图３上表现为，空间滤波器使想象左手对应的脑电特征最大化，而其他类特征最小化．从图中可以看出，想象左手运动的脑电信号在３～４ｓ时，脑电特征信号较为明显．图４是ＷＴ结合ＣＳＰ方法提取左手运动想象脑电特征，对比图３结果，可以很明显地看出，改进方法提取的脑电特征信号更为显著．在左手想象运动脑电信号特征被提取放大的同时，其他３类特征被缩小，拉大了他们之间的距离，为后续分类提供了良好的基础．图４ＷＴ－ＣＳＰ处理的左手运动想象脑电特征随时间变化图Ｆｉｇ．４ＴｈｅｆｅａｔｕｒｅｓｉｇｎａｌｏｆｌｅｆｔｈａｎｄｍｏｔｏｒｉｍａｇｅｒｙＥＥＧｂｙＷＴ－ＣＳＰｍｅｔｈｏｄ将数据分别进行ＣＳＰ方法与小波结合ＣＳＰ方法处理，ＣＳＰ特点表明想象某类运动时对应类的ｆｉ值为最大．文中将投影后的新信号Ｚｉ取平方，将部分负值转变成正值信号的同时又扩大与其他类之间差异，使特征更加明显．然后进行方差与对数运算作为最终的特征值ｆｉ．在图３与图４对比分析中，通过对比ｆｉ值更能准确的判断出运动想象意图．本文采用ｆｉ的最大值与次大值做差，以差值ｆｄ即对数最小差值作为特征值，很明显差值越大，表明相对接近的两特征值之间差距越
本文编号：2754557
【图文】：
图１运动想象实验范式Ｆｉｇ．１Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐａｒａｄｉｇｍｆｏｒｍｏｔｏｒｉｍａｇｅｒｙ３小波－共空间模式脑电特征提取与分析对脑电进行滤波选取特定频段，去除冗余信息尤为重要．脑电实验采集中有１２０组数据，每类运动想象随机出现３０次，单次试验持续７ｓ，采样率为２５０Ｈｚ，所以一次事件的采样点为１７５０个点．由于运动想象提示开始在第３ｓ，有效的数据点数是在７５１～１７５０点内，采集的运动想象原始脑电信号如图２所示．大脑进行运动想象时，活动的有关频段信号主要分布在８～３０Ｈｚ区间，即α和β节律．具体左手和右手对应的有关频率为１０～１２Ｈｚ和２０～２４Ｈｚ；舌的对应频率１０～１１Ｈｚ；脚的对应频率为７～８Ｈｚ和２０～２４Ｈｚ．选用２４号导联对应舌的想象运动脑电信号，４１和３１（Ｃｚ）号导联对应脚的想象运动脑电信号，导联３４（Ｃ４）和２８（Ｃ３）分别对应想象左、右手运动的脑电信号．脑电信号特征提取实现步骤如下：１）为去除冗余信息，充分利用有用信息，对脑电信号进行滤波采用ｄｂ４小波对４类运动想象脑电信号的５个导联数据分别进行小波分解，因采样率为２５０Ｈｚ，根据脑电信号的有效信息利用最大化原则，脑电信号ｆ（ｔ）划分５个频段．ｆ（ｔ）＝Ａ５＋Ｄ５＋…＋Ｄ１，Ｄｎ（ｎ＝１，．．．，５）是每个子段的细节信号，Ａｎ（ｎ＝１，．．．，５）是对应的逼近信号，具体如表１所示．图２运动想象原始脑电信号随时间变化图Ｆｉｇ．２ＥＥＧｓｉ
图１运动想象实验范式Ｆｉｇ．１Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐａｒａｄｉｇｍｆｏｒｍｏｔｏｒｉｍａｇｅｒｙ３小波－共空间模式脑电特征提取与分析对脑电进行滤波选取特定频段，去除冗余信息尤为重要．脑电实验采集中有１２０组数据，每类运动想象随机出现３０次，单次试验持续７ｓ，采样率为２５０Ｈｚ，所以一次事件的采样点为１７５０个点．由于运动想象提示开始在第３ｓ，有效的数据点数是在７５１～１７５０点内，采集的运动想象原始脑电信号如图２所示．大脑进行运动想象时，活动的有关频段信号主要分布在８～３０Ｈｚ区间，即α和β节律．具体左手和右手对应的有关频率为１０～１２Ｈｚ和２０～２４Ｈｚ；舌的对应频率１０～１１Ｈｚ；脚的对应频率为７～８Ｈｚ和２０～２４Ｈｚ．选用２４号导联对应舌的想象运动脑电信号，４１和３１（Ｃｚ）号导联对应脚的想象运动脑电信号，导联３４（Ｃ４）和２８（Ｃ３）分别对应想象左、右手运动的脑电信号．脑电信号特征提取实现步骤如下：１）为去除冗余信息，充分利用有用信息，对脑电信号进行滤波采用ｄｂ４小波对４类运动想象脑电信号的５个导联数据分别进行小波分解，因采样率为２５０Ｈｚ，根据脑电信号的有效信息利用最大化原则，脑电信号ｆ（ｔ）划分５个频段．ｆ（ｔ）＝Ａ５＋Ｄ５＋…＋Ｄ１，Ｄｎ（ｎ＝１，．．．，５）是每个子段的细节信号，Ａｎ（ｎ＝１，．．．，５）是对应的逼近信号，具体如表１所示．图２运动想象原始脑电信号随时间变化图Ｆｉｇ．２ＥＥＧｓｉ
ＣＳＰ处理的左手运动想象脑电信号随时间变化图Ｆｉｇ．３ＴｈｅｆｅａｔｕｒｅｓｉｇｎａｌｏｆｌｅｆｔｈａｎｄｍｏｔｏｒｉｍａｇｅｒｙＥＥＧｂｙＣＳＰｍｅｔｈｏｄ图３是以左手运动想象为例进行结果分析，对纯净的脑电信号采用ＣＳＰ方法进行特征提取，由于ＣＳＰ本身的特点是在某方向上使一类别的信号方差最大，而另一类信号方差最小．对应在图３上表现为，空间滤波器使想象左手对应的脑电特征最大化，而其他类特征最小化．从图中可以看出，想象左手运动的脑电信号在３～４ｓ时，脑电特征信号较为明显．图４是ＷＴ结合ＣＳＰ方法提取左手运动想象脑电特征，对比图３结果，可以很明显地看出，改进方法提取的脑电特征信号更为显著．在左手想象运动脑电信号特征被提取放大的同时，其他３类特征被缩小，拉大了他们之间的距离，为后续分类提供了良好的基础．图４ＷＴ－ＣＳＰ处理的左手运动想象脑电特征随时间变化图Ｆｉｇ．４ＴｈｅｆｅａｔｕｒｅｓｉｇｎａｌｏｆｌｅｆｔｈａｎｄｍｏｔｏｒｉｍａｇｅｒｙＥＥＧｂｙＷＴ－ＣＳＰｍｅｔｈｏｄ将数据分别进行ＣＳＰ方法与小波结合ＣＳＰ方法处理，ＣＳＰ特点表明想象某类运动时对应类的ｆｉ值为最大．文中将投影后的新信号Ｚｉ取平方，将部分负值转变成正值信号的同时又扩大与其他类之间差异，使特征更加明显．然后进行方差与对数运算作为最终的特征值ｆｉ．在图３与图４对比分析中，通过对比ｆｉ值更能准确的判断出运动想象意图．本文采用ｆｉ的最大值与次大值做差，以差值ｆｄ即对数最小差值作为特征值，很明显差值越大，表明相对接近的两特征值之间差距越
【相似文献】
相关期刊论文 前2条
1 李明爱;崔燕;杨金福;郝冬梅;;基于HHT和CSSD的多域融合自适应脑电特征提取方法[J];电子学报;2013年12期
2 ;[J];;年期
相关会议论文 前2条
1 江朝晖;冯焕清;刘大路;;用脑电特征划分睡眠状态的一个新方法[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年
2 蒋学慧;周鹏;赵欣;葛佳怡;李宁;郁洪强;刘海婴;王明时;;基于DSP的睡眠脑电特征提取[A];天津市生物医学工程学会2008年年会暨首届生物医学工程与临床论坛论文集[C];2008年
相关博士学位论文 前2条
1 郁洪强;过度使用互联网者的脑电特征分析[D];天津大学;2009年
2 陈昌乐;三种佛家静功操作方法的脑电特征比较研究[D];北京中医药大学;2012年
相关硕士学位论文 前6条
1 沈骥;基于眼动、脑电特征的抑郁识别研究[D];兰州大学;2015年
2 秦绪莹;基于联合通道信息的癔症盲脑电特征研究[D];兰州大学;2015年
3 顼春元;感觉刺激诱发脑电特征研究[D];山西大学;2011年
4 严娜;视听诱发脑电特征研究[D];山西大学;2012年
5 魏凯明;瑜伽不同练习方法脑电特征的研究[D];吉林体育学院;2013年
6 张庆学;上肢运动脑电特征的有效性分析与运动方向识别[D];天津大学;2014年
本文编号：2754557
本文链接：https://www.wllwen.com/kejilunwen/wltx/2754557.html
