阅读说明：本技术 一种基于脑网络动态连接特征的运动意图预测方法 (Movement intention prediction method based on brain network dynamic connection characteristics ) 是由 曾洪 刘兴 黄孝妍 沈俊杰 王新志 宋爱国 于 2020-03-24 设计创作，主要内容包括：本发明公开了一种基于脑网络动态连接特征的运动意图预测方法,步骤：构建时变动态贝叶斯网络模型,将时域的EEG信号矩阵转变为时域的电极间的有向加权连接矩阵；将得到的有向加权连接矩阵按定义的运动意图状态和静息状态对每个电极对进行配对t检验,筛选得到在两种状态下差异性显著的电极对,并按筛选得到的电极对和时间重构为特征矩阵；将得到的特征矩阵重构为特征向量,并将该特征向量输入训练好的分类器中,输出运动意图的预测结果。本发明弥补了传统脑电运动意图预测方法忽视大脑皮层不同区域之间的动态联系的缺陷。(The invention discloses a movement intention prediction method based on brain network dynamic connection characteristics, which comprises the following steps: constructing a time-varying dynamic Bayesian network model, and converting an EEG signal matrix of a time domain into an inter-electrode directed weighting connection matrix of the time domain; carrying out pairing t test on each electrode pair according to a defined movement intention state and a defined rest state on the obtained directed weighted connection matrix, screening to obtain electrode pairs with remarkable difference in the two states, and reconstructing the electrode pairs obtained by screening and time into a feature matrix; and reconstructing the obtained feature matrix into a feature vector, inputting the feature vector into a trained classifier, and outputting a prediction result of the movement intention. The invention makes up the defect that the traditional electroencephalogram movement intention prediction method neglects the dynamic connection between different areas of the cerebral cortex.)

一种基于脑网络动态连接特征的运动意图预测方法

技术领域

本发明属于EEG信号分析领域，特别涉及了一种运动意图预测方法。

背景技术

通常来说，人的肢体活动是由大脑意志来操纵的，所以为了辅助和恢复残疾及瘫痪等运动能力受损患者的运动交流能力，通过脑机接口预测患者的运动意图是至关重要的。对于运动意图的预测，目前已经发表的研究中大多是基于运动相关皮层电位(movementrelated cortical potentials)的时域特征或频域特征。虽然运动相关皮层电位的时域特征或频域特征已经被证实可以成功进行运动意图的预测，但是这些方法都忽视了大脑不同区域脑电随时间变化的动态联系。为了考虑到大脑不同区域之间的动态联系，必须采用连接性分析方法。脑电的连接性分析方法大致分为两类，即功能连接(functionalconnectivity)和有效连接(effective connectivity)。大脑一对区域神经活动是相干的还是相关的可以用功能连接方法来测量，但是相关性或一致性并不意味着因果关系，也就是说功能连接并不反映大脑两区域之间相互作用的方向性。与之相反，有效连接是可以反映大脑两区域之间相互作用的方向性和因果关系。

发明内容

为了解决上述背景技术提出的技术问题，本发明提供了一种基于脑网络动态连接特征的运动意图预测方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于脑网络动态连接特征的运动意图预测方法，包括以下步骤：

(1)构建时变动态贝叶斯网络模型，该模型的系数矩阵即为所求有向加权连接矩阵，将其按照时间和电极两个正交的坐标轴方向分解，转化为L1正则化加权最小二乘回归问题，求解该问题，从而将时域的EEG信号矩阵转变为时域的电极间的有向加权连接矩阵，所述有向加权连接矩阵中的每个元素对应为在当前时刻两电极间的连接系数；

(2)将步骤(1)得到的有向加权连接矩阵按定义的运动意图状态和静息状态对每个电极对进行配对t检验，筛选得到在两种状态下差异性显著的电极对，并按筛选得到的电极对和时间重构为特征矩阵；

(3)将步骤(2)得到的特征矩阵重构为特征向量，并将该特征向量输入训练好的分类器中，输出运动意图的预测结果。

进一步地，在步骤(1)中，基于一阶马尔可夫理论构建如下的时变动态贝叶斯网络模型：

X^t＝A^tX^t-1+ε,ε～N(0,σ²I)

上式中， 为电极i在t时刻的值，i＝1,2,…,n，n为电极个数；A^t为t时刻的有向加权连接矩阵；ε～N(0,σ²I)表示ε为方差为σ²的零均值高斯噪声，I为单位矩阵。

进一步地，采用高斯径向基核函数对电极间的连接系数进行加权，通过L1正则化进行有向加权连接矩阵的稀疏：

上式中，T表示EEG时间序列的长度；表示在t^*时刻的有向加权连接矩阵的第i行，为的估计值；λ为正则化参数；为估计t^*时刻有向加权连接矩阵时根据时间t计算得到的权值；t为观测值对应时间，t^*为估计值对应时间；

将有向加权连接矩阵按照时间和电极两个正交轴分解，转化为L1正则化加权最小二乘回归问题，采用坐标下降法迭代求解该问题，直至收敛。

进一步地，所述高斯径向基核函数为则权值的计算式如下：

上式中，h为核宽带。

进一步地，在步骤(1)之前，对EEG信号进行频段划分，将低频段EEG信号直接作为时变动态贝叶斯网络模型的输入，将高频段EEG信号通过Hilbert变换后的信号包络作为时变动态贝叶斯网络模型的输入。

进一步地，采用四阶零相移巴特沃斯滤波对EEG信号进行频段划分。

进一步地，在将不同频段的EEG信号输入时变动态贝叶斯网络模型之前，对不同频段的EEG信号进行空间滤波。

进一步地，采用共平均参考CAR和电流源密度CSD叠加的方式对不同频段的EEG信号进行空间滤波。

进一步地，在步骤(2)中，所述运动意图状态被定义为运动开始时刻前的1s内，所述静息状态被定义为运动指示前的1s内。

进一步地，在步骤(3)中，所述分类器采用随机森林分类器，采用五折交叉验证进行分类效果的评估。

采用上述技术方案带来的有益效果：

本发明利用脑网络连接特征进行运动意图的预测，为了弥补传统脑电运动意图预测方法忽视大脑皮层不同区域之间的动态联系的缺陷，本发明根据时变动态贝叶斯网络模型求解的有向加权连接矩阵，而有向加权连接矩阵体现了不同电极之间的连接权值，即有向加权连接矩阵能够反映不同大脑区域之间相互联系的强弱和方向的动态变化，反映大脑不同区域间的因果联系。

附图说明

图1是本发明方法流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种基于脑网络动态连接特征的运动意图预测方法，如图1所示，步骤如下：

步骤1：构建时变动态贝叶斯网络模型(TV-DBN)，将模型中的有向加权连接矩阵按照时间和电极两个正交的坐标轴方向分解，转化为L1正则化加权最小二乘回归问题，求解该问题，从而将时域的EEG信号矩阵转变为时域的电极间的有向加权连接矩阵，所述有向加权连接矩阵中的每个元素对应为在当前时刻两电极间的连接系数；

步骤2：将步骤1得到的有向加权连接矩阵按定义的运动意图状态和静息状态对每个电极对进行配对t检验，筛选得到在两种状态下差异性显著的电极对，并按筛选得到的电极对和时间重构为特征矩阵；

步骤3：将步骤2得到的特征矩阵重构为特征向量，并将该特征向量输入训练好的分类器中，输出运动意图的预测结果。

如图1所示，为了分析不同频段的EEG信号进行运动意图预测的效果优劣，对预处理过后的EEG信号进行四阶零相移巴特沃斯滤波，在本实施例中，划分为[0.1,1]Hz，[1,3]Hz，[4,7]Hz，[8,13]Hz，[14,30]Hz五个频段，其中[0.1,7]Hz低频波段直接将幅值输入模型计算，而[8,30]Hz高频波段采用Hilbert变换后的信号包络作为模型的输入。

如图1所示，采集到的EEG信号经预处理后进行空间滤波以减弱大脑容积导体效应的影响，本实施例中空间滤波的方式选择共平均参考(CAR)和电流源密度(CSD)叠加的方法。

在本实施例中，优选地，上述步骤1可以采用如下优选方案实现：

根据简化的一阶马尔可夫模型，如果在t时刻j电极的活动由t-1时刻i电极的活动所影响，则认为在t时刻电极i和j连接增强。简化的一阶马尔可夫原理结合动态贝叶斯网络构成时变动态贝叶斯网络模型，即如下线性回归模型：

X^t＝A^tX^t-1+ε,ε～N(0,σ²I)

上式中， 为电极i在t时刻的值，i＝1,2,…,n，n为电极个数；A^t为t时刻的有向加权连接矩阵；ε～N(0,σ²I)表示ε为方差为σ²的零均值高斯噪声，I为单位矩阵。

为了降低噪声，保证时变动态的平滑性，本实施例采用高斯径向基核函数对邻近点的连接系数进行加权，L1正则化进行有向加权连接矩阵的稀疏：

上式中，T表示EEG时间序列的长度；表示在t^*时刻的有向加权连接矩阵的第i行，为的估计值；λ为正则化参数；为估计t^*时刻有向加权连接矩阵时根据时间t计算得到的权值；t为观测值对应时间，t^*为估计值对应时间。

高斯径向基核函数权值计算公式：

上式中，h为核宽带。

对于有向加权连接矩阵的求解，将有向加权连接矩阵按照时间和电极两个正交轴分解。

首先令：

则，可将求解优化为标准的L1正则化加权最小二乘回归问题，即：

利用坐标下降法，固定除第j个坐标外的其余n-1个坐标不变，即：

对第j个坐标求偏导：

其中sign表示符号函数，即：

令：

所以：

按上述过程j＝1,…,n，逐步更新的值，直至收敛，i＝1,…,n。即可将时域的EEG信号矩阵转变为时域的有向加权连接矩阵。

在本实施例中，优选地，上述步骤2可以采用如下优选方案实现：

定义运动意图状态为运动开始时刻前1s，即[-1,0]s，0为运动开始时刻；静息状态定义为，运动指示之前的1s。然后对静息状态和运动意图状态所有电极对的连接系数进行配对t检验(t<0.01)，筛选得到两状态下差异显著的电极对，并按照筛选的电极对和时间重构为矩阵。

在本实施例中，优选地，上述步骤3可以采用如下优选方案实现：

所述分类器采用随机森林分类器，随机森林分类器适用于高维稀疏特征的分类，不需考虑对特征向量进行降维。采用五折交叉验证进行分类效果的评估。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。