本科生毕业论文(毕业设计)_精选_23_基于共空间模式的脑电信号特征提取

本科生毕业论文(毕业设计)_精选_23_基于共空间模式的脑电信号特征提取内容摘要：

α 8～ 13Hz 运动、感觉 β 13～ 30Hz 视觉 ƴ 30Hz以上 特征结合 早在 1947 年 Dawson 就最先提出了诱发电位 (EP)的概念 ,80 年代起诱发电位的研究十分热门。 因为诱发电位的特异性 ,即它与“特定”刺激的有关性以及与特定感觉回路的密切联系 ,使得它携带了关于大脑结构及功能的更多信息。 因此 ,诱发电位非常具有研究的意义。 在研究与高 级神经活动相关的诱发脑电时 ,人们除了采用一些经典的诱发方式 ,如视觉诱发(AEPAuditory Evoked Potential ）、听 觉诱发 (VEPVisual Evoked Potential) 、体感 诱发(SEPSomatosensory Evoked Potential)等外 ,还利用各种不同的心理因素如期待、预备 ,以及各种随意活动进行诱发 ,其电位称为事件相关电位 (ERPEvent Related Potentials)。 事件相关电位 (ERP)把大脑层的神经生理学与认识过程的心理学融合了起来 ,它包 括 P300。 (反映人脑认知功能的客观指标 )、N400(语言理解和表达的相关电位 )等内源性成分。 ERP 和许多认知过程的密切相关的联系 ,使它成为了解认知的神经基础的最主要信息来源 ,这些认识过程包括心理判断、理解、辨识、注意、选择、做出决定、定向反应和某些语言功能。 ERP 是一种特殊的诱发脑电信号 ,它与一般 EP 的区别主要在于 ERP 是在受试者主动参与的情况下获得的诱发电位 ,但两者的信号处理方法大致相同。 EP不同于传统的 EEG。 它具有以下三个特性 : (1)EP 的出现与刺激之间有确定和严格的时相关系 ,即有较稳定的潜伏期。 咔嚓大学 2020届本科生毕业论文 (2)某种刺激引起的 EP 有一定的反应形式 ,不同感觉系统中反应的形式也不相同。 (3)由各种感觉刺激引起的 EP,在大脑内具有各自不同的空间分布。 因为 EP 是在刺激控制下出现 ,同时具有上述特性 ,故它可以提供关于不同感觉系统及相应脑区更多的信息 ,是一个较复杂的、有一定规律的、具有潜伏期、极性、波幅和时程的特定脑电图形。 因此 EP 比 EEG 记录有较多的数量分析的可能 ,是 EEG 无法比拟的。 脑电的采集 脑电信号属于μ V级的微弱信号 ,频率范围在 30Hz之间。 EEG 信号一般通过金属电极和导电胶从颅外头皮表面固定的位置进行记录。 通常可以将头皮上的一个电极的电位位置设为零 ,这个电极成为参考电极电位 ,其他电极与该电极电位差即为记录电位。 国际脑电图学会在 1958 年制定了统一的10/20国际脑电为记录系统（见图 22） [1] 图 22 10/20 系统电极放置法 10一 20系统的原则是头皮电极点之间的相对距离以 10%和 20%来表示 ,并采用下面两条标志线 : 矢状线 :从鼻根到枕外隆凸的连线 ,又称中线。 从前往后标出五个记录点 :Fpz 、 Fz、 Cz、 Pz、 Oz。 Fpz之前和 0z之 后各占中线全长 10%,其余点间距皆占 20%。 冠状线 :两外耳道之间的连线。 从左到右也记录五个点 :T C Cz、 C T4。 T T4外侧各占 10%,其余各点间占 20%。 Cz是矢状线和冠状线的交点 ,因而常作为基准点。 经过上述两线的边缘 4 点 ,以 Cz 为圆心 ,4 个点各在圆周上等距离的取 2 个点 ,在 Fz、 C Pz、 C4间各取一个点。 这样 10一 20 系统共 21个有效电极组成。 电极总数共 23个 ,见表。 咔嚓大学 2020届本科生毕业论文 表 电极名称、部位、编号、代号 部位 名称 代号 电极编号 前额 Frontal Pole Fp1,Fp2 1,2 额 Frontal F3,F4,Fz 3,4,17 中央 Central C3,C4,Cz 5,6,18 顶 Parietal P3,P4,Pz 7,8,19 枕 Occipital O1,O2 9,10 侧额 Inferior Frontal F7,F8 11,12 颞 Temporal T3,T4 13,14 后颞 Posterior Temporal T5,T6 15,16 耳 Auricular A1,A2 22,23 脑电信号数据集 慢 皮层电位数据集 本文采用的慢皮层电位数据集来源于第 2届 BCI竞赛的 Data set Ia(selfregulation of CSPS),由德国 Tuebingen大学提供。 实验期间 ,测试者被要求移动在电脑屏幕上光标向上或向下移动 ,在这个过程中获得测试者的慢皮层电位。 在记录过程中 ,测试者会收到慢皮层电位的反馈。 皮层电位为正时光标向下移动 ,为负时向上移动 ,每次实验持续 6秒。 在每次实验开始后的 ,任务通过屏幕上的显示条来指示测试者向上或向下移动。 慢皮层的反馈指示则在第 2秒开始显示持续到第 ,具体过程见图 31所示。 采样频率为 256Hz,有 6个电极通道采集脑电信号（ 通道 1:A1Cz(10/20系统 )(A1 =左乳突 )；通道 2:A2Cz；通道 3:2厘米额的 F3；通道 4:2厘米顶骨的 C3；通道 5:2厘米额的 F4；通道 6:2厘米顶骨的 C4）。 这样记录到的第 2一 896个采样点。 训练数据有 268组 ,其中 135组属于 class0(光标向上移动 ),133组属于 class1(光标向下移动 )。 测试数据有 293组。 数据集 Ia该数据包含 268次试验 ,其中 168次试验数据来自第一天 ,100次来自第二天 ,两者随机混合。 训练数据中 135次试验属于类别 0（慢皮层电位为正向） ,133次试验属于类别 1（慢皮层电位为负向）。 测试数据包含 293次试验 ,全部来自第二天 ,判断属于类别 0还是类别 1,对测试数据判别准确率的高低作为比赛结果的依据 ]11[。 图 31 实验过程示意图 咔嚓大学 2020届本科生毕业论文 BCI 数据结构 在提取慢皮层电位数据的特征前 ,需要先对采取到的信号数据进行处理。 Class0和 class1分别有135组数据和 133组 数据。 采取二维矩阵排列为 135 5376与 133 5376；先将数据组进行维数转换 ,把原始数据分通道 ,转换成三维矩阵 135 896 6与 133 896 6；由于转换后的两组数据个数不一样 ,为保证矩阵大小一样 ,只取前 130个的。 结果处理得到的 Traindata0forCSP和 Traindata1forCSP都是780 896,从而使用 CSP算法对两组信号进行特征提取。 下面针对该数据进行数据读取和维数转换，用两个子代码实现： 子代码一 : 功能是先提取文件中数据某一行 tline 变量，然后 判断 tline 变量是否是 字符串类型的变量 ，如果变量 tline 属于非字符串，那么执行 break，否则执行 if 语句将 tline 变量转换 数字字符串矩阵。 Traindata0=[]。 while 1 tline=fgetl(fid)。 if ~ischar(tline),break。 end tline=str2num(tline)。 Traindata0=[Traindata0。 tline]。 end 子代码二 : 功能是确保数据组的个数也即是矩阵大小一样，只取前 130个，并从 3维矩阵 1 896 6转换为二维矩阵 896 6。 Traindata0forCSP=[]。 for i=1:130 t=Traindata0_sect(i,:,:)。 t=shiftdim(t)。 Traindata0forCSP=[Traindata0forCSP。 t]。 end 咔嚓大学 2020届本科生毕业论文 第 3 章 慢皮层电位特征提取及分析结果 脑电特征的提取方法 CSP 简介 目前以运动想象为基础的 BCI 系统中 ,CSP 特征提取方法作为一种有效的处理方法被广泛使用。 CSP算法在 BCI系统的应用中取得了巨大的成功 ,它由 Fukunaga和 Koles首先提出并应用于分类问题。 在以往几届 BCI 竞赛中 ,CSP 算法被广泛采用 ,并取得了较好的效果。 然而 ,基于多通道特性的 CSP 算法在这些应用中只是作为空间滤波器来处理脑电信号的空间信息 ,对时域以及频域的信息并未做任何加工。 为了弥补这一不足 ,多种方法随之被提出 ,大致可分为两类思路。 第一类思路是在应用 CSP算法之前对频段和时间段进行选择 ,将其作 为 CSP算法的预处理过程。 CSP 算法利用代数上矩阵同时对角化的理论 ,寻找一组空间滤波器 ,使得在这组滤波器的作用下 ,一类信号的方差达到极大。 另一类信号是方差达到极小 ,从而达到分类的目的。 设一个 Trial 的原始 EEG 信号为 EN T,其中 N 为电极导联数 ,T 为单次训练采样点数 ,即采样时间长度与采样率的乘积。 对光标上移运动和光标下移运动分别进行 n 个 Trial 的数据采集。 CSP 运算过程如下 [5]:第 1步 : 计算 2 类光标移动信号的每个 Trial 的协方差 ,协方差计算公式为 : )( TTEEtraceEEC  （ ） 式中 : trace( X) 为矩阵 X 的迹 ,既矩阵 X 的对角线元素之和。 而后计算出所有 Trial的平均协方差 :  ni ill CC 1 , （ ）  ni ilr CC 1 , （ ） 进而求得混合空间的协方差 : rlC CCC  （ ） 第 2步 : 对混合空间协方差进行特征值分解 : TCCCC UAUC  （ ） 式中 : Uc为特征向量矩阵 ,Ac为特征值对角矩阵。 第 3步 : 进行白化 : TCC UAP 21 （ ） Tll PPCS  （ ） 咔嚓大学 2020届本科生毕业论文 Trr PPCS  （ ） 利用白化之后 lS 、 rS 具有相同的特征向量的特点 ,经特征值分解后可得 : Ttl BBAS  （ ） Trr BBAS  （ ） 由此求得所需的空间滤波器 W = ( BTP)T,通过 W滤波后获得 ZN T= WN NEN。