具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

针对现有技术中，通过CSP算法对脑电信号进行特征提取时，提取特征数目过多、特征过于冗余、所需计算量过大、模型收敛速度过慢等问题，本申请提供了一种基于共空间模式的脑电信号特征提取方法及装置。

图1给出了本申请一个实施例提供的实现本申请特征提取方法和装置的系统构架图，如图1所示，该系统构架包括：脑电信号采集设备101和电子设备102。其中：

脑电信号采集设备101，用于采集人脑的运动想象任务对应的原始脑电信号，并对该原始脑电信号进行预处理，该原始脑电信号为多通道的脑电信号。

示例性地，对于下肢功能障碍患者，本实施例的运动想象任务，例如可以是腿部的步行运动想象任务，例如，左腿行走、右腿行走。

脑电信号是人体重要的生理信号，是有大脑发出的电信号。本实施例的脑电信号采集设备101可以采用EMOTIV公司生产的EPOC Flex胶电极版。通过胶体导电剂作为中间介质，穿透头发，将电极和头皮连接起来，具体可以根据不同的运动想象任务，将电极放置在头部的预设位置，例如，FPz(额极中线)、C4(右中央)、FP1(左额极)和FP2(右额极)等，以采集多通道的脑电信号。

由于原始脑电信号含有不同成分伪迹干扰，例如，心电伪迹、眼动伪迹、肌电伪迹等，因此，对采集的原始脑电信号需要进行预处理，以滤除脑电信号中的伪迹信号。

电子设备102，用于获取预处理后的脑电信号，能够实现对预处理后的脑电信号进行特征提取和特征分类的功能。

本实施例的电子设备102可以为智能移动设备、计算机等，本实施例不对电子设备的设备类型作限定。

电子设备102将提取的脑电信号特征，输入训练好的分类模型进行特征分类，以确定运动类别，例如，右腿行走。然后输出对应的控制命令，驱动辅助行走设备103按照确定的运动类别辅助人体的行走动作。

本实施例中电子设备102对预处理后的脑电信号采用了深度CSP滤波的方法，实现脑电信号的特征提取。电子设备102对预处理后的脑电信号进行特征提取的具体实施方式将在下文详述。

图2给出了本申请一个实施例提供的基于共空间模式的脑电信号特征提取方法的流程图，下面以图1所示系统构架中的电子设备103为执行主体，对本申请的特征提取方法进行说明，如图2所示，所述方法包括：

S201：获取运动想象任务的预处理后的脑电信号。

具体地，通过预处理，可以滤除脑电信号中的噪声，提升脑电信号的信噪比。

本实施例可以通过EEGLAB对脑电信号进行预处理，主要包括：

FIR滤波，使用FIR滤波器过滤多余部分信号，只保留运动想象信号表征明显的4-35Hz。

基线校准，根据每一次不同运动想象任务，选取运动想象前一秒到运动想象后五秒的信号作为每一次测试的数据。并根据运动想象前一秒到运动想象开始时刻的脑电信号，基线较准该段数据。

ICA分析，通过ICA分析将脑电信号进行解构，剔除非脑电成分的伪迹信号。

关于EEGLAB对脑电信号进行预处理属于本领域比较熟知的技术，在此不再赘述。

本实施例通过电子设备102从脑电信号采集设备101中获取预处理后的脑电信号。

S202：将所述预处理后的脑电信号通过多个巴特沃夫滤波器划分为多个不同频率区间的子带。

具体地，本实施例的子带信号，指的是预处理后的脑电信号整个频率域范围内的其中一段。

可选地，本实施例将预处理后的脑电信号，按照预设的频率间隔，划分为包含预设重叠范围的多个重叠的子带信号。

其中，预设的频率间隔，例如，可以是4Hz。预设重叠范围，例如，可以是2Hz。

按照本实施例的预设频率间隔以及预设重叠范围，示例性地，将预处理后的脑电信号划分为多个子带信号，例如，可以是4-8Hz、6-10Hz、8-12Hz……等。

子带信号的划分还可以采用其他的划分方式，例如，可以将预设频率间隔设置为6Hz，将预设重叠范围设置为1Hz，具体可以是2-8Hz、9-15Hz....等，当然，也可以是没有重叠范围的，具体取决于实际的特征提取需求，本实施例对子带信号的具体划分方式不做限定。

本实施例划分的子带信号均设有重叠范围，可以在通过CSP滤波提取特征时，能够从预处理后的脑电信号中提取到足够充足的脑电信号特征。

S203：分别将每个所述子带对应的脑电信号进行CSP滤波，得到每个所述子带对应的子特征矩阵。

具体地，对每个子带信号分别输入CSP进行CSP滤波，得到每个子带信号对应的子特征矩阵，例如，4-8Hz子带信号对应的子特征矩阵，6-10Hz子带信号对应的子特征矩阵...等，从而得到与每个子带信号对应的多组子特征矩阵。

可选地，本实施例中，针对每个子带的脑电信号，均通过以下方式进行CSP滤波：

将当前子带对应的脑电信号输入预先构建的CSP空间滤波器，得到特征矩阵，具体如下：

对于二分类的运动想象任务，采用预先构建的二分类CSP空间滤波器，进行CSP滤波，得到对应的特征矩阵：

Z_test＝W_sortX_test

对于多分类的运动想象任务，采用预先构建的多分类空间滤波器，进行CSP滤波，得到对应的特征矩阵：

Z_test′＝W_newX_test

其中，W_sort表示构建的二分类空间滤波器，W_new表示构建的多分类空间滤波器，X_test表示待提取特征的脑电信号数据的矩阵，Z_test表示二分类的运动想象任务下，待提取特征的脑电信号数据的特征矩阵，Z_test′表示多分类的运动想象任务下，待提取特征的脑电信号数据的特征矩阵。

本实施例预先构建的CSP空间滤波器，是通过对采集的脑电信号的训练集样本数据采用CSP滤波算法得到的。

可选地，图3给出了本申请一个实施例提供的CSP滤波算法的流程图，如图3所示，本实施例CSP滤波算法的步骤包括：

S301：分别计算每一类运动想象任务的脑电信号训练样本数据对应的空间协方差矩阵，以及对应的混合空间协方差矩阵。

其中，R_i表示第i类运动想象任务的脑电信号训练样本数据对应的空间协方差矩阵，X_i表示采集的脑电信号的训练集样本数据的矩阵，表示X_i的转置矩阵，表示X_i、对角线上的元素和。

从而得到混合空间协方差矩阵R为：

R＝R₁+R₂+...+R_i

对于二分类，i＝1,2。对于多分类，i＝1,2,3....

S302:使用奇异值分解定理对混合空间协方差矩阵R进行特征值分解，并按降序排列。

R＝UλU^T

其中，U是R的特征向量矩阵，λ是对应的特征值构成的对角阵。

S303：计算白化矩阵。

通过正交白化得到白化矩阵P：

S304:构建CSP空间滤波器。

对于二分类的CSP滤波算法，i＝1,2，利用白化矩阵P分别作用于R1、R2，得到对应的两个白化后的矩阵S₁、S₂：

S₁＝PR₁P^T＝Bλ₁B^T

S₂＝PR₂P^T＝Bλ₂B^T

因为S₁、S₂具有公共特征向量矩阵B，而且存在两个对角矩阵λ₁、λ₂，通过主分量分解可得λ₁+λ₂等于单位矩阵I。

因此，构造空间滤波器W＝B^TP，该空间滤波器W满足：当S₁有最大的特征值时，S₂有最小的特征值。

因为特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，所以，选取空间滤波器W的前m行和后m行数据作为最终的二分类空间滤波器W_sort。

对于多分类的CSP滤波算法，i＝1,2,3...，针对每一类脑电信号，将该类脑电信号对应的空间协方差矩阵作为其中一类数据，并将其余类脑电信号对应的空间协方差矩阵归为另一类数据。

以R₁为例,将R₁归为一类数据，其余归为另一类数据，记为R′₁，且R′₁＝R₂+R₃+...。

利用白化矩阵P作用于R₁、R′₁，得到矩阵S₁、S′₁：

S₁＝PR₁P^T＝B′λ₁B^′T

S′₁＝PR′₁P^T＝B′λ₁′B^′T

因为S₁、S′₁具有公共特征向量矩阵B′，而且存在两个对角矩阵λ₁、λ′₁，通过主分量分解可得λ₁+λ′₁等于单位矩阵I。

因此，构造空间滤波器为：W′＝B^′TP，该滤波器满足：当S₁有最大的特征值时，S′₁有最小的特征值。

因为特征信息主要集中在特征矩阵的头部和尾部，而中间的特征信息不明显可以忽略，所以选取空间滤波器W′的前m行和后m行数据得到筛选后的空间滤波器W′_sort。

对于多分类的CSP滤波算法，针对每一类运动想象任务，均根据步骤S34确定筛选后的空间滤波器，并分别选取筛选后的空间滤波器W′_sort的2m行数据，从而组成多分类CSP空间滤波器W_new。

S305：CSP滤波。

构建好空间滤波器之后，对于二分类的运动想象任务，采用二分类CSP空间滤波器，对当前子带对应的训练集的脑电信号数据进行CSP滤波，得到对应的特征矩阵：

Z_i＝W_sortX_i，i＝1,2

对于多分类的运动想象任务，采用多分类CSP空间滤波器，对当前子带对应的训练集的脑电信号数据进行CSP滤波，得到对应的特征矩阵：

Z_i′＝W_newX_i，i＝1,2,3....

其中，X_i表示子带对应的训练集的第i类脑电信号数据的矩阵，Z_i表示二分类的运动想象任务下，子带对应的待提取特征的第i类脑电信号数据的特征矩阵，Z_i′表示多分类的运动想象任务下，子带对应的第i类脑电信号数据的特征矩阵。

本实施例进一步对得到的训练集的脑电特征，进行归一化处理，得到特征向量f_i：

得到的该特征向量用于训练分类器。

S204：将各所述子特征矩阵进行竖向拼接，得到拼接后的特征矩阵。

S205：对所述拼接后的特征矩阵进行CSP滤波，得到满足预设要求的特征矩阵，并基于所述满足预设要求的特征矩阵，获取用于特征分类的特征向量。

具体地，本实施例将各子带信号分别按照步骤S203进行CSP滤波后，得到对应的多组脑电信号的特征矩阵，然后将各特征矩阵全部竖向拼接在一起，对拼接后的特征矩阵再次按照步骤S203进行CSP滤波，以获得满足预设要求的特征矩阵M_test(对应二分类运动想象任务)或M′_test(对应多分类运动想象任务)，即：

M_test＝W_sortY_test

M_test′＝W_newY_test

其中，Y_test表示拼接后的特征矩阵。

对特征矩阵M_test或M′_test，进行归一化处理，得到用于特征分类的特征向量，即：

或

其中，f_test表示二分类运动想象任务对应的特征分量，f′_test表示多分类运动想象任务对应的特征分量。

本实施例能够实现更深度的精炼特征，同时去除重复冗余特征，提高了运动想象任务的脑电信号的特征分类的精度。

可选地，本实施例对拼接后的特征矩阵进行CSP滤波的过程，可以重复多次，实现级联CSP滤波，具体为：

将所述脑电信号样本数据输入预先构建的子带级联CSP算法模型，进行级联CSP滤波。

本实施例构建的子带级联CSP算法模型包括至少两层CSP模型，每一层CSP模型的输出均为下一层CSP模型的输入，本实施例基于子带级联CSP算法模型执行级联CSP滤波的步骤包括：

将所述脑电信号样本数据，输入第一层CSP模型进行CSP滤波，得到特征矩阵。将所述特征矩阵作为下一层CSP模型的输入数据，进行CSP滤波，得到下一层所述CSP模型输出的特征矩阵。执行所述将所述特征矩阵作为下一层CSP模型的输入数据，进行CSP滤波，得到下一层CSP模型输出的特征矩阵的步骤；直到最后一层CSP模型进行CSP滤波后，得到满足预设要求的特征矩阵。

本实施例的子带级联CSP算法模型中，每一层CSP模型均按照步骤S31-S35，对输入的脑电信号进行CSP滤波。

本实施例通过对拼接后的特征矩阵采用构建的子带级联CSP算法模型进行级联CSP滤波，提取特征向量后，能更进一步地增加脑电信号特征识别的准确性。

下面以一个用于对脑电信号进行二分类的特征提取的具体实例，对本申请的脑电信号特征提取方法进行说明：

步骤1，采集脑电信号样本数据。

本实施例采集的运动想象任务分别为左腿步态任务M1和右腿步态任务M2。

脑电信号样本数据是针对两名视力正常或矫正的健全受试者采集的。两名受试者在脑电信号样本数据采集开始前的几分钟内，分别练习左腿行走和右腿行走五次的真实动作，以确保运动想象任务的清晰性。

脑电采集设备是EMOTIV公司生产的EPOC Flex胶电极版。将脑电信号采集设备的6个电极遵循国际上的10-20系统，放置在FPz、FP1、FP2、Cz、C1、C2，参考电极放置在双侧耳垂A1和A2。

对两名受试者的想象的左腿行走和右腿行走进行脑电信号进行采集，以组成脑电信号样本数据。

本实施例中，取“采样频率(128Hz)*单次采样时间(1s)”，即128个采样点，作为每个脑电通道的脑电信号样本数据。然后将采集的所有脑电通道和所有试验的脑电信号汇总为三维脑电数据(即：采样点数*通道数*试验数)，从而获得两类任务标签(即左腿步行运动、右腿步行运动)的运动想象任务的脑电信号样本数据。。

步骤2，对采集的脑电信号进行预处理。

将采集的脑电信号样本数据分为训练集和测试集，并分别通过MATLAB软件的EEGLAB工具进行预处理。

将两名受试者预处理后的脑电信号样本数据，根据任务标签混在一起，得到混合数据集。

将混合数据集按7：3的比例划分训练集和测试集。例如，提取到552组数据，则取其中的400组数据作为训练集，其余的152组数据作为测试集。

步骤3，划分子带。

分别将训练集和测试集划分为多个子带，本实施例是在4-35Hz的频率范围里，以每4Hz为一个子带间隔(除最后一个为3Hz)，并加以2Hz的重叠范围，例如，子带4-8Hz、6-10Hz、8-12Hz……32-35Hz。并设置了4-35Hz的宽子带。

步骤4，CSP滤波

分别对每个子带按照步骤S31-S35进行滤波，得到每个子带对应的特征矩阵，将得到的所有特征矩阵按竖向拼接，得到拼接后的特征矩阵。

对拼接后的特征矩阵，再次按照步骤S31-S35重新进行CSP滤波，并可以执行至少两次，以提取满足预设要求的特征，实现对脑电信号特征更深度的精炼，同时去除重复冗余部分。

表1给出了本申请一个实施例的特征提取方法与CSP、MBCSP以及FBCSP等方法进行特征提取的性能比较，其中，数据里的第一项为最优值，第二项为平均值。本实施例通过分类精度和运行时间来衡量脑电信号特征分类的性能。

表1 SBCCSP和标准CSP及其它改良CSP算法的性能比较汇总

通过表1可以看出，本申请实施例的子带级联CSP算法相比于其它算法，针对运动想象任务的脑电信号的特征分类的性能，有着显著的提高，尤其是在重叠子带和宽子带的加持下，子带级联CSP算法能够从脑电信号中提取到更多有价值的脑电特征，并筛选掉冗余部分，提升了分类的能力。

另外，由于子带级联CSP算法能在提取的脑电信号特征的基础上，再次提取脑电信号特征，因此该算法在收敛速度上，也比其他算法更具有优势。

下面以一个用于多分类的特征提取的具体实例，对本申请的特征提取方法进行说明：

步骤1，采集脑电信号样本数据。

本实施例采集脑电信号样本数据的脑电采集设备同样是EMOTIV公司生产的EPOCFlex胶电极版。

以三分类为例，将脑电信号采集设备的18个电极遵循国际上的10-20系统，放置在FPz、FP1、FP2、FCz、FC1、FC2、FC3、FC4、Cz、C1、C2、C3、C4、CPz、CP1、CP2、CP3、CP4。参考电极放置在双侧耳垂A1和A2。

本实施例中，将“采样频率(128Hz)*单次采样时间(0.5s)”，即64个采样点作为每个脑电通道的脑电数据。由此获得两类任务标签(即左腿步行、右腿步行)的运动想象任务的脑电信号样本数据。

取来自提示受试者进入准备状态3s中的后2s，以每64个点作为第三个任务标签，即闲置状态(非进行运动想象任务状态)的脑电信号样本数据。

步骤2，脑电信号的预处理。

同样将采集的脑电信号样本数据分为训练集和测试集，并分别通过MATLAB软件的EEGLAB工具进行预处理。

将受试者预处理后的脑电信号样本数据，根据任务标签混在一起，得到混合数据集。

将混合数据集按7：3的比例划分训练集和测试集。例如，本实施例提取到960组数据，则取其中的672组数据作为训练集，其余的288组数据作为测试集。

步骤3，划分子带。

划分子带的方式请参见二分类实施例中的方式，在此不再赘述。

步骤4，CSP滤波

分别对每个子带按照步骤S31-S35进行滤波，得到每个子带对应的特征矩阵，将得到的所有特征矩阵按竖向拼接，得到拼接后的特征矩阵。

对拼接后的特征矩阵，再次按照步骤S31-S35重新进行CSP滤波，并可以执行至少两次，以提取满足预设要求的特征，实现对脑电信号特征更深度的精炼，同时去除重复冗余部分。

表2给出了本申请一个实施例的特征提取方法与CSP、MBCSP以及FBCSP等方法进行特征提取性能的比较结果，其中，数据里的第一项为最优值，第二项为平均值。本实施例通过分类精度和运行时间来衡量脑电信号特征分类的性能。

表2多分类SBCCSP和标准CSP及其它CSP算法的性能比较

由表2可以看出，本实施例的子带级联CSP算法相比于其它算法，针对基于运动想象任务的脑电信号的特征分类性能，有着显著的提高，尤其是在重叠子带和宽子带的加持下，子带级联CSP能够从脑电信号中提取到更多有价值的特征，并筛选掉冗余部分，提升了分类能力。

此外，由于子带级联CSP能在提取的脑电信号特征的基础上，再次提取脑电信号特征，因此该算法在收敛速度上，也比其他算法更具有优势。

本申请还提供一种双主动全桥变换器的负载稳态控制装置，图4给出了本申请一个实施例提供的双主动全桥变换器的负载稳态控制装置的框图，如图4所示，该装置包括：

信号获取模块，用于获取运动想象任务的预处理后的脑电信号，所述预处理后的脑电信号为滤除噪声的脑电信号；

子带划分模块，用于将所述预处理后的脑电信号划分为多个子带；

第一级联CSP滤波模块，用于分别将每个所述子带对应的脑电信号进行CSP滤波，得到每个所述子带对应的子特征矩阵；

拼接模块，用于将各所述子特征矩阵进行竖向拼接，得到拼接后的特征矩阵；

第二级联CSP滤波模块，用于对所述拼接后的特征矩阵进行CSP滤波，得到满足预设要求的特征矩阵，并基于所述满足预设要求的特征矩阵，获取用于特征分类的特征向量。

进一步地，级联滤波模块，还用于：

将所述脑电信号样本数据输入预先构建的子带级联CSP算法模型进行级联CSP滤波，得到满足预设要求的特征矩阵，以获取用于特征分类的特征向量。

上述实施例提供的控制装置与对应的控制方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

需要说明的是：上述实施例中提供的控制装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要将上述功能分配由不同的功能模块完成，即将控制装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

本申请实施例还提供一种电子设备，图5是本申请一个实施例提供的电子设备的结构框图，如图5所示，该电子设备包括处理器和存储器，其中：

处理器，可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。

存储器，可以包括高速随机存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、内存器件、或其他易失性固态存储器件。

本实施例的存储器中存储有计算机程序，所述计算机程序可在所述处理器上运行，所述处理器执行所述计算机程序时，可以实现本申请特征提取方法或上述特征提取装置相关实施例中的所有或部分实施步骤，和/或文本中描述的其他内容。

本领域技术人员可以理解，图5仅仅是本申请实施例电子设备的一种可能的实现方式，其他实施方式中，还可以包括更多或更少的部件，或者组合某些部件，或者不同部件，本实施例对此不作限定。

本申请还提供一种计算机存储介质，所述计算机存储介质上存储有程序，所述程序被处理器执行时，用以实现上述特征提取方法实施例的步骤。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。