一種腦電信號特征提取及解釋方法技術

本發明專利技術提出了一種腦電信號特征提取及解釋方法，采用聯合流形學習在提取腦電信號特征時可以同時實現通道選擇，即聯合學習僅從對識別比較重要的通道提取特征。這樣的特征有兩方面優點：一方面可以增強特征實際意義的解釋，另一方面利用聯合學習對特定腦電信號進行通道選擇，所得到的結果也有助于神經生物學的發展，可以幫助研究人員確認相關電位，與神經生物學的研究成果進行相互驗證等。另外，本發明專利技術的通道選擇與特征提取可以應用到未來的BCI系統中，克服現有BCI系統識別率低等問題，對于BCI技術的發展具有重要意義。

【技術實現步驟摘要】

本專利技術屬于信號處理
，具體涉及一種腦電信號特征提取及解釋方法。
技術介紹
腦機接口(Brain-Computer Interface,BCI)是一種不依賴于正常的由外圍神經和肌肉組成的輸出通道的通訊系統。大腦在產生動作意識、進行思維活動之前和動作執行之后，或者大腦受到某種特定的外部刺激(如視覺、聽覺等等)時，其神經系統能夠產生一些生物電活動變化，BCI把相應的生物電活動信號采集出來，作為特征信號，然后對這些特征信號進行模式分類，從而識別出引發生物電信號變化的動作或者刺激的類別，然后利用計算機進行編程，從而把人的思維活動轉變成命令信號驅動外部設備，實現在沒有肌肉和外圍神經直接參與的情況下，人腦對外部設備的通訊和控制。這就是BCI系統的基本原理。現有和正在研究的BCI系統中，絕大多數都基于腦電信號的分類。所以分類器的準確性直接影響BCI系統的性能。通道選擇和特征提取是分類器中的兩個關鍵環節。(1)在設計階段，考慮到腦電信號噪聲大等特點，有必要針對腦電信號分類設計專門的、有效的特征提取算法。(2)在現有方法中，絕大多數把通道選擇和特征提取作為兩個獨立的部分分別進行，通道選擇在一個空間中提取特征，然后進行選擇，特征提取在另外一個空間進行，每個空間可能都是有效的，但是兩個空間的交集未必是有效的，采用聯合學習的思想可以實現在特征選擇的同時，進行通道選擇，兩者基于同一個準則，這有利于提取高效的特征。聯合學習也可以看作是一種特殊的稀疏學習方法，在一般的稀疏表示方法中，得到的稀疏表示結果一般不能起到特征選擇的作用。稀疏學習雖然也能得到很多零，但是相對比與不同樣本，零的位置并不相同，而聯合學習卻可以在一定條件下，使不同樣本的相同維度上，相當于在分類時，對所有樣本不考慮該維度的特征，從而起到一種特征選擇的作用。矩陣L2,1范數等于矩陣每一列的L2范數的和，所以最小化其L2,1范數，可以獲取變換矩陣的列稀疏性,由于變換矩陣具有列稀疏性，所以樣本經過變換之后，在相應的維度上會變成0，相當于進行了特征選擇。利用L2,1范數的這一特性，2010年Nie等在非專利文獻1(Feiping Nie,Heng Huang,Xiao Cai,Chris Ding.Efficient and robust feature selection via joint l2，1-norms minimization.Advances in Neural Information Processing Systems,vol.23,pp.1813-1821,2010)中提出了一種基于L2,1范數的特征選擇算法，并證明了算法的收斂性。Gu等在非專利文獻2(Quanquan Gu,Zhenhui Li,Jiawei Han.Joint feature selection and subspace learning.in Proceedings of the Twenty-Second international joint conference on Artificial Intelligence,vol.2,pp.1294-1299,2011)中提出了基于L2,1測度的聯合特征選擇與子空間學習(Joint Feature Selection and Subspace Learning)方法，該方法在用于傳統的子空間學習算法中引入了L2,1范數，在子空間學習中最小化變換矩陣的L2,1范數，并在人臉識別問題上驗證了該算法的有效性。Ren等學者在非專利文獻3(Chuan-Xian Ren,Dao-Qing Dai,Hong Yan.Robust classification using-norm based regression model,Pattern Recognition,45(7),pp.2708-2718,2012)中提出了一種基于L2,1范數的回歸模型，用于模式分類。取得了良好的效果。2013年J.S.Pan等非專利文獻4(Jeng-Shyang Pan,Lijun Yan*,Zongguang Fang,A Novel feature extraction algorithm based on Joint Learning,The Second International Conference on Robot,Vision and Signal Processing,Japan,31-34,2013)中提出一種聯合學習算法，應用到圖像識別領域，獲得了較好的識別效果。當前的研究具有以下問題：1)腦電信號的通道選擇和特征提取多被作為兩個獨立的問題進行討論。而通道選擇和特征提取實際上都是為了分類任務這個核心服務的，所以這兩者應該是緊密相關的。根據某一最優準則進行通道選擇，然后再根據另一個準則進行特征提取，相當于在兩個特征空間的交集上進行分類，而這兩個特征空間都具有某種最優，但是其交集有可能會變得不是很好，從而使特征提取和通道選擇同步進行，這一思想對腦電信號分類來說具有重要的意義。2)現有的聯合學習思想多是基于向量數據的，對于基于張量數據的聯合學習研究較少，而多通道腦電信號恰恰是一種二階張量數據，所以利用聯合學習的思想來進行腦電信號的通道選擇和特征提取需要研究新的聯合學習算法。3)聯合學習的研究已經取得了一些成果，不過其學習器仍然有很多可以擴展的空間，為了豐富聯合學習的普適性和魯棒性，對其進行進一步的研究十分有必要。
技術實現思路
為解決現有技術中存在的問題，本專利技術提出了一種腦電信號特征提取及解釋方法，本專利技術具體通過如下技術方案實現：一種腦電信號特征提取及解釋方法，包括以下步驟：S1：獲取腦電信號；S2：對所述腦電信號進行預處理；S3：在多尺度多方向域提取所述腦電信號的特征，利用Fisher準則或者最大間隔準則自適應的尋找對分類貢獻最大的若干尺度和方向，利用聯合流形學習的特征選擇特性，直接將尺度和方向作為一種特征，進行學習，使尺度方向選擇與降維同時進行；S4：建立張量聯合流形學習模型，具體地，基于所述腦電信號局部特性、鄰域特性和內蘊特性來建構用于通道選擇和特征提取的數學優化學習模型，構造同類相似矩陣和異類相似矩陣，計算懲罰系數，然后結合聯合學習中引入的L2,1范數，確定最終的優化目標函數；S5：二維聯合流形學習的快速求解，具體地，利用拉格朗日乘子法或者序列二次規劃方法求解所述目標函數；S6：根據所述低信噪比腦電信號的準確分類。本專利技術的有益效果是：本專利技術的聯合流形學習在提取腦電信號特征時可以同時實現通道選擇，即聯合學習僅從對識別比較重要的通道提取特征。這樣的特征有兩方面優點：一方面可以增強特征實際意義的解釋，另一方面利用聯合學習對特定腦電信號進行通道選擇，所得到的結果也有助于神經生物學的發展，可以幫助研究人員確認相關電位，與神經生物學的研究成果進行相互驗證等。另外，本專利技術的通道選擇與特征提取可以應用到未來的BCI系統中，克服現有BCI系統識別率低等問題，對于BCI技術的發展具有重要意義。附圖說明圖1是本專利技術的研究框架圖；圖2是學習模型的建立示意圖；圖3是聯合學習模型求解及應用示意圖；圖4是多尺度多方向變換域中的通道尋則與特征提取示意圖。本文檔來自技高網...

【技術保護點】
一種腦電信號特征提取及解釋方法，其特征在于：所述方法包括以下步驟：S1：獲取腦電信號；S2：對所述腦電信號進行預處理；S3：在多尺度多方向域提取所述腦電信號的特征，利用Fisher準則或者最大間隔準則自適應的尋找對分類貢獻最大的若干尺度和方向，利用聯合流形學習的特征選擇特性，直接將尺度和方向作為一種特征，進行學習，使尺度方向選擇與降維同時進行；S4：建立張量聯合流形學習模型，具體地，基于所述腦電信號局部特性、鄰域特性和內蘊特性來建構用于通道選擇和特征提取的數學優化學習模型，構造同類相似矩陣和異類相似矩陣，計算懲罰系數，然后結合聯合學習中引入的L2,1范數，確定最終的優化目標函數；S5：二維聯合流形學習的快速求解，具體地，利用拉格朗日乘子法或者序列二次規劃方法求解所述目標函數；S6：根據所述低信噪比腦電信號的準確分類。

【技術特征摘要】
1.一種腦電信號特征提取及解釋方法，其特征在于：所述方法包括以下步驟：S1：獲取腦電信號；S2：對所述腦電信號進行預處理；S3：在多尺度多方向域提取所述腦電信號的特征，利用Fisher準則或者最大間隔準則自適應的尋找對分類貢獻最大的若干尺度和方向，利用聯合流形學習的特征選擇特性，直接將尺度和方向作為一種特征，進行學習，使尺度方向選擇與降維同時進行；S4：建立張量聯合流形學習模型，具體地，基于所述腦電信號局部特性、鄰域特性和內蘊特性來建構用于通道選擇和特征提取的數學優...

【專利技術屬性】
技術研發人員：王岢，張海軍，李旭濤，葉允明，
申請(專利權)人：哈爾濱工業大學深圳研究生院，
類型：發明
國別省市：廣東;44