一种基于源定位和脑网络的自然动作脑电识别方法
阅读说明：本技术 一种基于源定位和脑网络的自然动作脑电识别方法 (Natural action electroencephalogram recognition method based on source localization and brain network ) 是由 徐宝国 邓乐莹 汪逸飞 王欣 宋爱国 于 2020-11-11 设计创作，主要内容包括：本发明公开了一种基于源定位和脑网络的自然动作脑电识别方法,包括：(1)对自然动作进行多通道脑电测量；(2)对采集到的EEG信号进行预处理,提取MRCP、θ波、α波、β波和γ波；(3)确定信号的导程场矩阵,利用L1正则化约束求出源的初值解,利用逐次超松弛法迭代求解得到源定位结果；(4)以源为节点,采用短时滑动窗逐时间点计算每对源之间的PLV,构建脑网络；(5)逐时间点计算网络邻接矩阵和5个脑网络指标,将这些特征送入分类器进行训练和测试,对脑网络指标进行统计检验。本发明采用T-wMNE算法和逐次超松弛法结合的方式对传统源定位方法进行了改进,并以源为节点构建脑网络,有利于提高自然动作脑电的解码精度和揭示人体的神经运作机制。(The invention discloses a natural action electroencephalogram identification method based on source localization and brain network, which comprises the following steps: (1) performing multi-channel electroencephalogram measurement on natural actions; (2) preprocessing the collected EEG signals, and extracting MRCP, theta waves, alpha waves, beta waves and gamma waves; (3) determining a lead field matrix of the signal, solving an initial value solution of a source by utilizing L1 regularization constraint, and obtaining a source positioning result by utilizing successive ultra-relaxation iterative solution; (4) calculating PLV between each pair of sources by using the sources as nodes and adopting a short-time sliding window to construct a brain network; (5) and calculating the network adjacency matrix and 5 brain network indexes by time points, sending the characteristics into a classifier for training and testing, and carrying out statistical test on the brain network indexes. The invention improves the traditional source positioning method by combining the T-wMNE algorithm and the successive super relaxation method, constructs a brain network by taking the source as a node, and is beneficial to improving the decoding precision of the natural action electroencephalogram and revealing the neural operation mechanism of the human body.)
技术领域
本发明属于生物信号处理领域，涉及一种脑电信号识别方法，尤其涉及一种基于源定位和脑网络的自然动作脑电识别方法，为自然动作的脑电解码提供技术手段。
背景技术
脑机接口(BCI)是一种通过脑电信号直接与外界进行沟通和控制的手段，也是近年来康复医学工程和神经工程技术领域的研究热点。近年来，基于BCI的康复训练主要依赖于对基本运动任务的重复想象，例如通过重复的足部运动想象作为控制信号执行手握玻璃杯的操作，给用户带来了不自然、不协调的操作体验。为了让用户获得更良好的操作体验，应该让想象的运动尽可能接近实际执行的动作。但是，由于自然动作比较复杂，动用的关节较多，例如手握、指捏、旋转、插拔等，且很多时候这些动作激活是相同的运动脑区，导致传统的脑电识别方法无法对自然动作达到很好的区分效果。
脑电源定位和脑网络分析是近年来脑机接口领域的研究热点之一。源定位包括源特征重建和源位置定位，脑网络可以构建节点之间的功能性或因效性连接。研究自然动作在源空间上的信号有助于克服容积传导效应，从而提高解码精度，而以源为对象构建的脑网络有助于揭示人体的神经运作机制。
发明内容
为解决上述问题，本发明公开了一种基于源定位和脑网络的自然动作脑电识别方法，该方法可以通过源定位和构建以源为对象的脑网络对自然动作的脑电信号进行解码。
为实现上述目标，本发明采用如下的技术方案：一种基于源定位和脑网络的自然动作脑电识别方法，具体包括以下步骤：
(1)对自然动作进行多通道脑电测量；
(2)对采集到的EEG信号进行预处理，去除伪迹，并提取MRCP、θ波、α波、β波和γ波；
(3)确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，然后利用逐次超松弛法对初值解进行迭代，迭代结束后以最新的解向量作为源定位的最终估计结果；
(4)以源为节点，采用短时滑动窗计算每个时间点上每对源之间的相位同步PLV，当PLV值大于设定的阈值时在这两个源之间构建一条边，并以该PLV值的标准化值作为该边的权重；
(5)计算每个时间点上的特征路径长度、聚类系数、节点平均强度、平均介数、效率和网络邻接矩阵，将这些特征送入分类器进行训练和测试，并对前5个特征进行统计检验，分析不同动作对应的这些特征在时间上或者频段上的差异。
所述步骤(2)中，包括以下分步骤：
(a1)对采集到的EEG信号进行预滤波；
(a2)剔除具有异常峰度的数据通道，并进行球形插值，使用与被插值通道距离最近的四个通道的平均值作为该通道值；
(a3)使用盲源分离算法找出并去除EEG中的EOG和EMG成分；
(a4)对EEG进行分段和基线校正；
(a5)去除极值大于200μV、具有异常联合概率或异常峰度的试次，后两者的阈值是标准差的5倍；
(a6)对EEG进行共平均参考；
(a7)对重参考后的EEG分别进行0.3～3Hz、4～8Hz、8～13Hz、13～30Hz和30～45Hz的零相巴特沃斯带通滤波，分别提取MRCP、θ波、α波、β波和γ波。
所述步骤(3)中，包括以下分步骤：
(b1)选择头模型；
(b2)求解正问题，得到导程场矩阵L；
(b3)确定想要分析的时间点，设置迭代误差ε和最大迭代次数K；
(b4)利用T-wMNE算法，求出源向量的初解：
其中，W＝diag(||l1||,||l2||,…,||lN||)为加权矩阵，N为源的数量，此处等于电极数量，st表示在时间点t上的源向量，vt表示在时间点t上的电极电势，λ为正则化系数；
(b5)利用逐次超松弛法对第(b4)步得到的初值解进行迭代：
其中，si,t表示第i个源在时间点t上的值，i＝1,2,…,N；vj,t表示第j个电极在时间点t上的电势，j＝1,2,…,N，ω为松弛因子，k表示迭代次数；
(b6)当||st (k+1)-st (k)||≤ε或k>K时，迭代结束，并将最新的解向量作为源定位的最终估计结果，否则继续迭代。
特别的，(b5)中ω的最佳取值是在(1,2)之间以0.01为步长，选取迭代10次后使||vt-Lst||最小的ω。
所述步骤(4)中，先对单个试次的源向量在每个时间点上做希尔伯特变换，得到源向量在每个时间点上的相位，然后计算每对源在每个时间点上的PLV值：
Δφij＝φi-φj
其中，m＝1,2,…,M表示第m个试次；
当PLVij大于阈值时，在源i和源j之间构建一条边，并对该值做标准化处理作为该边的权重：
所述步骤(5)中，所述统计检验方法为t-test，所述分类器为sLDA分类器，并采用10次五折交叉验证对分类器进行训练和测试。
本发明的有益效果：
(1)本发明采用了T-wMNE算法与逐次超松弛法结合的方式对自然动作的脑电进行源定位，相较于传统的源定位方法，在保证解的稀疏性和计算过程的健稳性的同时，提高了求解的精度和速度；
(2)本发明以源为节点构建脑网络，相较于传统的以电极通道为节点构建脑网络的方法，该方法能够直观地看出不同自然动作对应的源的动态变化过程的差异，有利于揭示人体的神经运作机制；
(3)本发明对多个频段分别进行源定位和脑网络分析，可以直观地看出不同自然动作在频段激活上的差异以及MRCP对于不同自然动作具有辨识性的根本原因。
附图说明
图1为本发明基于源定位和脑网络的自然动作脑电识别方法的流程图。
图2为本发明基于源定位和脑网络的自然动作脑电识别方法中EEG信号预处理的流程图。
图3为本发明基于源定位和脑网络的自然动作脑电识别方法中EEG源定位的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明设计了一种基于源定位和脑网络的自然动作脑电识别方法，如图1所示，步骤如下：
(1)对自然动作进行多通道脑电测量；
(2)对采集到的EEG信号进行预处理，去除伪迹，并提取动作相关皮层电位(MRCP)、θ波、α波、β波和γ波；
(3)确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，然后利用逐次超松弛法对初值解进行迭代，迭代结束后以最新的解向量作为源定位的最终估计结果；
(4)以源为节点，采用短时滑动窗计算每个时间点上每对源之间的相位同步PLV，当PLV值大于设定的阈值时在这两个源之间构建一条边，并以该PLV值的标准化值作为该边的权重；
(5)计算每个时间点上的特征路径长度、聚类系数、节点平均强度、平均介数、效率和网络邻接矩阵，将这些特征送入分类器进行训练和测试，并对前5个特征进行统计检验，分析不同动作对应的这些特征在时间上或者频段上的差异。
如图2所示，步骤(2)中包括以下分步骤：
(a1)对采集到的EEG信号进行预滤波；
(a2)剔除具有异常峰度的数据通道，并进行球形插值，使用与被插值通道距离最近的四个通道的平均值作为该通道值；
(a3)使用盲源分离算法找出并去除EEG中的EOG和EMG成分；
(a4)对EEG进行分段和基线校正；
(a5)去除极值大于200μV、具有异常联合概率或异常峰度的试次，后两者的阈值是标准差的5倍；
(a6)对EEG进行共平均参考(CAR)；
(a7)对重参考后的EEG分别进行0.3～3Hz、4～8Hz、8～13Hz、13～30Hz和30～45Hz的零相巴特沃斯带通滤波，分别提取MRCP、θ波、α波、β波和γ波。
如图3所示，步骤(3)包括以下分步骤：
(b1)选择头模型。
(b2)将头皮分割成N个较小的3D网格，在每个网格中分别放置3个偶极矩沿X、Y和Z轴方向的电流偶极子，其矢量和等效为一个可能的电流偶极子，并根据下列方程确定导程场矩阵L：
其中，L的第i列表示第i个电流偶极子源在每个电极位置处产生的电位分布，ri *表示电流偶极子的位置矢量，rj表示测量的头皮电极的位置矢量，s＝sei表示电流偶极子的偶极矩(s为大小，ei为方向)，v(rj,t)表示在时间点t上的第j个电极的电势，i＝1,…,N表示有N个电流偶极子，j＝1,…,N表示有N个测量电极。
(b3)确定想要分析的时间点，设置迭代误差ε和最大迭代次数K。
(b4)利用T-wMNE算法，求出源向量的初解：
其中，W＝diag(||l1||,||l2||,,||lN||)为加权矩阵，N为源的数量，此处等于电极数量，st表示在时间点t上的源向量，vt表示在时间点t上的电极电势，λ为正则化系数。
(b5)利用逐次超松弛法对第(b4)步得到的初值解进行迭代：
其中，ω∈(1,2)为松弛因子，选择在(1,2)上以0.01为步长迭代10次后使||vt-Lst||最小的ω作为最佳松弛因子，si,t表示第i个源在时间点t上的值，i＝1,2,…,N，vj,t表示第j个电极在时间点t上的电势，j＝1,2,…,N，k表示迭代次数。
(b6)当||st (k+1)-st (k)||≤ε或k>K时，迭代结束，并将最新的解向量作为源的最终定位估计结果，否则继续迭代。
在所述步骤(4)中，先对单个试次的源向量在每个时间点上做希尔伯特变换，得到源向量在每个时间点上的相位，然后计算每对源在每个时间点上的PLV值：
Δφij＝φi-φj
其中，m＝1,2,…,M表示第m个试次。
当PLVij大于设定的阈值时，在源i和源j之间构建一条边，并对该值做标准化处理作为该边的权重：
在所述步骤(5)中，所述统计检验方法为t-test，所述分类器为sLDA分类器，并采用10次五折交叉验证对分类器进行训练和测试。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于幅值的自动脑电去伪迹方法