一种优势电极组合与经验模式分解的脑电特征提取方法 [0002]脑电信号的识别是认知神经科学、信号处理和计算机科学等多交叉研究学科，如何合理地应用这些知识，从脑电信号中提取出能够表征人体不同状态的有效信息，一直是脑电信号研究领域的热点和难点。 [0003]心理学研究发现，不同的刺激或实验任务会导致大脑的不同结构的神经元细胞产生放电行为。因此，在脑电信号的研究过程中，对电极的筛选是不可缺少的环节。传统脑电信号的处理方法基于心理学的结论，然而心理学结论通常只是笼统地给出判断，比如研究发现运动想象激活区域包括辅助运动区，运动前区，主运动区，感觉运动皮层，顶上小叶，顶下小叶。这导致传统脑电信号的处理方法在电极选择时侧重选择这些区域对应的电极,这种选择方式选择范围广而不细。 [0004]脑电信号具有空间分辨率低的特点，为了更精细地采集到大脑的活动信号，目前的采集装置基本采用多通道方式，如较常见的有40导、64导、128导和256导电极帽等等。通道数的增加虽然能够更加准确的采集到刺激激活的脑区的放电现象，但同时也增加了更多的冗余信息。 [0005]另外，大脑自身存在复杂的沟回结构，对不同思维活动大脑的加工方式也不同。在执行有关运动想象任务期间，推测刺激来临时刺激激活脑区之间的联系，对研究大脑的工作方式及大脑的功能有着极其重要的作用及意义。 [0006]综上所述，现有技术存在以下问题:(1)不能精确定位到与任务或刺激有直接联系的电极位置；(2)信息冗余；(3)执行有关运动想象任务时，无法推测刺激激活脑区之间的联系。


[0007]针对上述技术的不足，本发明提出一种优势电极组合与经验模式分解的脑电特征提取方法。该方法将记录电极分为优势电极和非优势电极，克服了传统脑电信号处理方法选择范围的广而不细的缺陷；然后将优势电极进行组合，选出优势组合，多导并行处理脑电信号，去除了脑电数据的冗余信息，有效提高了脑电信号的识别准确度；由于充分考虑了刺激激活脑区之间的联系以及脑电信号自身的非平稳非线性特点，从而取得了更高的分类正确率。
[0008]实现本发明方法的主要思路是:对输入的每一导脑电信号，利用主成分分析法(PCA)进行降维，得到降维后的每一导脑电数据；利用朴素贝叶斯分类器，分别对每一导脑电数据分类，得到每个电极的平均分类正确率；设定判断阈值，根据每个电极的平均分类正确率，用阈值划分出优势电极和非优势电极；对多个优势电极进行组合，利用PCA对每一种电极组合对应的脑电数据进行降维，得到每一种电极组合降维后的脑电数据；利用朴素贝叶斯分类器，分别对每一种电极组合降维后的脑电数据分类，得到每一导电极组合脑电数据的平均分类正确率，将平均分类正确率在80%到100%之间的电极组合称为优势电极组合；利用经验模式分解法(EMD)分别对每一个优势电极组合所对应的初始输入的脑电信号进行特征提取，得到每一种组合信号的特征向量；利用朴素贝叶斯分类器，对每一种组合信号的特征向量进行分类，得到每一种优势电极组合的分类正确率。
[0009]本发明方法包括如下步骤:
[0010]步骤(I):输入N导脑电信号数据(简称脑电信号)。
[0011]所输入的脑电信号包括训练样本集、训练样本集标签、测试样本集、测试样本集标签。其中训练样本集包括样本类别已知的N导脑电信号，测试样本集包括样本类别未知的N导脑电信号。训练(测试)样本标签即每个训练(测试)样本所属类别组成的类别向量。
[0012]步骤(2):选择优势电极。
[0013]所述的优势电极是指与放电脑区相关联的电极。本发明提出的优势电极评判标准是基于电极记录的脑电信号的分类性能，当电极记录的脑电信号的分类性能高于某一阈值时，称该电极为优势电极，否则称之为非优势电极。
[0014]步骤(2.1):将训练样本集中每一导脑电信号都降到d维，利用PCA计算降维后的每导信号主成分对应的特征值的累计贡献率，选择累计贡献率最低的一导信号，其对应的电极为T。对电极T对应的训练样本集中的一导脑电信号，利用PCA计算主成分对应的特征值的累计贡献率，选择累计贡献率在85%到95%之间的维度。再从选出的维度中等边距选取k个维度。
[0015]步骤(2.2):利用PCA将训练样本集和测试样本集中每一导的脑电信号分别降到这k个维度，得到训练样本集和测试样本集每一导脑电信号降维后的数据。再分别将训练样本集和测试样本集每一导脑电信号降维后的数据，以及训练样本集标签、测试样本集标签输入到朴素贝叶斯分类器中进行分类，得到的每一导脑电信号的k个维度对应的分类正确率。对每一导信号的k个维度对应的分类正确率求平均值，得到每一导信号的平均分类正确率。
[0016]步骤(2.3):设定判定阈值为(l/c+0.1)，其中c表示训练样本集标签种类的个数。分别用每一导信号的平均分类正确率与判定阈值比较。将平均分类正确率高于阈值的电极划为优势电极，其余电极划为非优势电极。
[0017]步骤(3):选择优势组合。
[0018]在步骤(2.2)中，已得到了训练样本集中每一导信号的的平均分类正确率。在优势电极中按平均分类正确率从高到低的顺序选取两个电极，将这两个电极作为与任务相关的固有脑区电极。优势电极中除这两个电极外的其余电极组成集合B。将两个固有脑区电极分别和集合B的每一个子集进行组合，得到C种电极组合。对每一种电极组合对应的训练数据集和测试数据集中的脑电数据，利用PCA按步骤(2.1)的方法分别降到k个维度，得到每一种电极组合训练数据集和测试数据集的k个不同维度的脑电数据。再用朴素贝叶斯分类器，对每一种电极组合的k个不同维度的脑电数据分别进行分类，得到每一种电极组合的k个分类正确率。对每一种电极组合的k个分类正确率求平均值，得到每一种电极组合的平均分类正确率。选择平均分类正确率在80%到100%之间的电极组合作为优势组合。
[0019]步骤(4):特征提取。
[0020]利用EMD对每一种优势组合所对应的训练样本集的脑电数据和测试样本集的脑电数据分别进行特征提取，得到每一种优势组合的训练特征向量及测试特征向量。
[0021]步骤(5):分类。
[0022]分别将每一种优势组合的训练特征向量及测试特征向量、训练样本集标签、测试样本集标签输入到朴素贝叶斯分类器里进行分类，得到每一种优势组合的分类正确率。
[0023]步骤(6):输出结果。
[0024]根据每一种优势组合的分类正确率，推测出执行有关运动想象任务时刺激激活脑区之间的联系。
[0025]本发明与现有技术相比，具有以下明显的优势和有益效果:
[0026](I)从所有电极中选出优势电极，不仅能精确定位到与与任务或刺激有直接联系的电极位置，而且去掉了冗余电极信息；
[0027](2)推测出执行有关运动想象任务时刺激激活脑区之间的联系。本发明提出的方法不仅对单个电极进行有效性筛选，同时充分考虑了电极之间的关联性，最大化的保留了脑电信号的有效信息。




[0028]图1为本发明所涉及方法总流程示意图；
[0029]图2为本发明所采用实验数据中电极在头皮表面的位置的示意图；
[0030]图3为每一导脑电信号在不同维度下的累计贡献率；
[0031]图4为组合电极不同维度的分类结果。


[0032]下面结合附图和对本发明做进一步的描述。
[0033]本发明所涉及方法的流程图如图1所示，包括以下步骤:
[0034]步骤I，输入N导脑电信号。
[0035]将BCI2003竞赛标准数据集Data Set Ia输入到本发明方法中。数据采自I个健康的受试者。在这次竞赛中，主要针对两种不同的思维活动。受试者的实验任务是通过想象来上下移动屏幕上的光标。想象所诱发的成分是低频的皮层慢电位(Slow CorticalPotential, SCP)。所谓皮层慢电位是事件相关电位(Event-Related Potential,ERP)的一种。实验数据以02电极为参考电极，以六1、八2、？3、？4、？3、？4电极为记录电极。记录电极用于采集受试者执行运动想象任务时的脑电信号，采样频率为256HZ，电极在头皮表面的位置按照国际10-20标准分布(示意图如图2所示)。在数据采集过程中，受试者连续不间断执行主试给出的实验任务。每次实验包含三个阶段:休息阶段(Is)、提示想象阶段(1.5s)、信息反馈阶段(3.5s)。最终用于信号处理的数据是实验过程中记录到的信息反馈阶段的脑电信号。在提示想象阶段，屏幕上出现向上或向下的光标指示，光标的出现直到反馈阶段结束为止，受试者根据光标的方向执行相应的想象活动。在实验过程中，受试者可以接收到控制信号给出的可视化反馈，此反馈指导受试者进行正确的大脑想象活动。
[0036]实验共采集两组实验数据，一组数据作为训练数据集训练分类器，另一组数据作为测试数据集用于判断分类器的性能。训练数据集包括训练样本集和训练样本集标签。测试数据集包括测试样本集及测试样本集标签。由于本实验只采集了两种类型的脑电信号，因此，整个数据集的预测过程是一个两类分类问题，类别标签分别是O和I。其中O表示向下移动光标对应的信号类别，I表不向上移动光标对应的信号类别。
[0037]步骤2，选择优势电极。
[0038]步骤(2.1):将训练样本集中每一导脑电信号都降到10维，利用PCA计算降维后的每导信号主成分对应的特征值的累计贡献率。通过计算发现，电极F3对应的累计贡献率最小。故，对电极F3对应的训练样本集中的一导脑电信号，利用PCA计算主成分对应的特征值的累计贡献率，通过计算得知:当维数降低到3维时，累积贡献率已经超过85% ;当维度降低到30维时，累积贡献率已经超过95%，即与运动想象相关的脑电信号主成分的特征主要集中在30维空间内。由于85%到95%之间的维度有28个，比较多，因此从这28个维度中等边距选取7个。故，主要将PCA维数参数设置为3、5、10、15、20、25和30维。其中每一导脑电信号在7个不同维度下的累计贡献率如图3所示。
[0039]步骤(2.2):利用PCA将训练样本集和测试样本集中每一导的脑电信号分别降到这7个维度，得到训练样本集和测试样本集每一导脑电信号降维后的数据。再分别将训练样本集和测试样本集每一导脑电信号降维后的数据，以及训练数据集标签、测试数据集标签输入到朴素贝叶斯分类器中进行分类，得到的每一导脑电信号的7个不同维度对应的分类正确率。对每一导信号的7个维度对应的分类正确率求平均值，得到每一导信号的平均分类正确率，结果如表I所示。
[0040]表I每一导的平均分类正确率
[0041]
￠11AlA2OF4ηΡ4
平玛涵涵罩^78J9 82.10 65Α3 53:63 65.24 54.12"""""
[0042]步骤(2.3):由于输入的脑电信号的类别有两个，故设定阈值为60%。分别用每一导信号的平均分类正确率与60%比较，划分出优势电极和分优势电极，如表2所示。
[0043]表2优势电极和非优势电极
[0044]
^F4、P4
[0045]步骤3，选择优势组合。
[0046]从表I找到优势电极，比较优势电极的平均分类正确率，A1、A2最高。故，将Al和A2作为与任务相关的固有脑区电极，则集合B = {F3，P3}。将A1A2分别和集合B的每一个子集进行组合，得到A1A2、A1A2F3、A1A2P3和A1A2F3 P3这4种电极组合。对每一种电极组合对应的训练数据集和测试数据集中的脑电数据，利用PCA分别降到3、5、10、15、20、25和30维，得到每一种电极组合训练数据集和测试数据集的7个不同维度的脑电数据。再用朴素贝叶斯分类器，对每一种电极组合的7个不同维度的脑电数据分别进行分类，得到每一种电极组合的7个分类正确率。对每一种电极组合的7个分类正确率求平均值，得到每一种电极组合的平均分类正确率，如表3所示。选择平均分类正确率在80%到100%之间的电极组合作为优势组合。故，这四种组合全都是优势组合。
[0047]表3四种组合的平均分类性能
[0048]
电极 ^^合A1A2AIA2F3Α?Α2Ρ3AJA2F3P3

84Λ?85.7687J1UM
[0049]步骤4，特征提取。
[0050]利用EMD对四种优势组合所对应的训练样本集的脑电数据和测试样本集的脑电数据分别进行特征提取，得到每一种优势组合的训练特征向量及测试特征向量。
[0051]步骤(5):分类。
[0052]分别将每一种优势组合的训练特征向量及测试特征向量、训练样本集标签、测试样本集标签输入到朴素贝叶斯分类器里进行分类，得到每一种优势组合的分类正确率。
[0053]表4最终分类结果
[0054]
优势电极組合分?正确率<%》
Al A2HS.32
A1A2F39?Λ4
A1A2F393Μ
A1A2F3P3Ε7Μ
[0055]步骤(6):输出结果。
[0056]从表4中结果可以看出，组合A1A2F3和组合Α1Α2Ρ3分类性能较其他组合有明显提升。Al和Α2电极都代表了中央区的信息，F3代表额区的信息，Ρ3代表顶区的信息。推测刺激在中央区和额区有交互效应，刺激在中央区和顶区也存在交互效应。中央顶区的交互效应比中央额区的交互效应明显，但中央区、顶区和额区之间并无明显的交互效应。