亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于非線性動(dòng)力學(xué)的八類運(yùn)動(dòng)想象腦電信號(hào)特征提取方法研究

        2017-02-16 22:23:07田敏婷
        價(jià)值工程 2017年4期

        田敏婷

        摘要: 對(duì)多類運(yùn)動(dòng)想象的腦電信號(hào)進(jìn)行特征提取是腦機(jī)接口的關(guān)鍵技術(shù)之一,很多研究表明大腦是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)[1]。本文采用非線性動(dòng)力學(xué)的Lyapunov指數(shù)、相關(guān)維數(shù)、近似熵對(duì)八類運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行特征提取,并分析了其提取效果,得出近似熵算法對(duì)腦電信號(hào)進(jìn)行特征提取時(shí)效果最好。最后確定了近似熵算法最優(yōu)參數(shù),為之后的腦電信號(hào)特征提取工作提供了依據(jù)。

        Abstract: Feature extraction of multiple motor imagery EEG signals is one of the key techniques of BCI. Many studies show that the brain is a nonlinear dynamic system. This paper uses Lyapunov exponent, correlation dimension and approximate entropy of nonlinear dynamics to carry out the feature extraction of eight kinds of motor imagery EEG. The extraction effect is analyzed. It is obtained that the approximate entropy algorithm has the best effect on feature extraction of EEG signals. Finally, the optimal parameters of the approximate entropy algorithm are determined, which provides the basis for the feature extraction of EEG signals.

        關(guān)鍵詞: 近似熵;相關(guān)維數(shù);Lyapunov指數(shù)

        Key words: approximate entropy;correlation dimension;Lyapunov index

        中圖分類號(hào):TN911.7 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1006-4311(2017)04-0192-03

        0 引言

        腦機(jī)接口技術(shù)是當(dāng)前的前沿技術(shù)之一,基于運(yùn)動(dòng)想象的腦機(jī)接口技術(shù)可通過(guò)運(yùn)動(dòng)想象實(shí)現(xiàn)對(duì)外部設(shè)備的控制(如機(jī)械手、智能輪椅等),給漸凍人癥、重癥肌無(wú)力、中風(fēng)等神經(jīng)肌肉通道破壞的病人帶來(lái)了曙光。在以往的研究中,兩類運(yùn)動(dòng)想象任務(wù)識(shí)別已經(jīng)取得了很大的進(jìn)步,平均正確率達(dá)到了90%以上[2],但三類及三類以上的運(yùn)動(dòng)想象任務(wù)識(shí)別正確率還未達(dá)到令人滿意的結(jié)果。然而在實(shí)際的應(yīng)用中如對(duì)輪椅的控制,至少需要四類運(yùn)動(dòng)想象來(lái)控制它的前進(jìn)、后退、拐彎和停止等任務(wù)。特征提取是保證分類正確率的關(guān)鍵步驟,因此本文對(duì)八類運(yùn)動(dòng)想象任務(wù)的特征提取方法進(jìn)行研究,傳統(tǒng)的分析方法通常在分析非線性系統(tǒng)時(shí)很難保證數(shù)據(jù)的變化在可以控制的范圍之內(nèi),同時(shí)也無(wú)法解釋相關(guān)問(wèn)題。隨著非線性動(dòng)力學(xué)的不斷發(fā)展,越來(lái)越多的證據(jù)表明大腦是一個(gè)非線性動(dòng)力學(xué)系統(tǒng),腦電信號(hào)可以看作是它的輸出,非線性動(dòng)力學(xué)分析方法在腦電信號(hào)處理領(lǐng)域的引入很好的解釋了腦電序列的非線性特征。非線性動(dòng)力學(xué)的分析方法有復(fù)雜度、分維數(shù)、Lyapunov指數(shù)、相關(guān)維數(shù)等。本文分別采用Lyapunov、相關(guān)維數(shù)、近似熵的方法對(duì)八類運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行了特征提取,并分析了各方法的提取效果。

        1 Lyapunov的特征提取方法

        Lyapunov指數(shù)是衡量系統(tǒng)動(dòng)力學(xué)特性的一個(gè)重要指標(biāo),可以衡量相空間中臨近的軌道間混沌或收斂的情況[3]。Lyapunov指數(shù)中最大值正值時(shí),系統(tǒng)是混沌的;Lyapunov指數(shù)全部都是負(fù)值時(shí),系統(tǒng)是收斂的。當(dāng)最大Lyapunov指數(shù)為0時(shí),則系統(tǒng)運(yùn)動(dòng)是周期性的。當(dāng)有兩個(gè)或兩個(gè)以上的Lyapunov指數(shù)為正值時(shí),系統(tǒng)是超混沌的。Lyapunov的定義為:

        取一個(gè)n維無(wú)窮小球體,讓球體以本身的各點(diǎn)為初值沿著軌跡運(yùn)動(dòng),由于局部變形,該球體將隨著時(shí)間的推移變?yōu)閚維橢球體。則關(guān)于軌道?覫(t,t0)的第i個(gè)Lyapunov指數(shù)定義為:

        2 相關(guān)維數(shù)的特征提取方法

        相關(guān)維數(shù)是傳統(tǒng)意義上維數(shù)的推廣,用于描述系統(tǒng)的自由度。相關(guān)維數(shù)目前在非線性動(dòng)力學(xué)的分析中已經(jīng)有了廣泛的應(yīng)用。本文中采集到的腦電數(shù)據(jù)是一維序列,在進(jìn)行相關(guān)維數(shù)算法的計(jì)算前先要對(duì)信號(hào)的相空間進(jìn)行重新構(gòu)造。

        3 近似熵的特征提取方法

        1991年,Pincus對(duì)近似熵進(jìn)行了定義,用來(lái)描述復(fù)雜系統(tǒng)的不規(guī)則性,越是不規(guī)則的時(shí)間序列對(duì)應(yīng)的近似熵越大[4]。近似熵是另一個(gè)隨機(jī)復(fù)雜度,反映序列相鄰的m個(gè)點(diǎn)所連成的折線段的模式互相近似概率與由m+1個(gè)點(diǎn)所連成的折線段的模式相互近似的概率之差,反應(yīng)當(dāng)維數(shù)由m增加到m+1時(shí),產(chǎn)生新模式的可能性大小,ApEn越大,產(chǎn)生新模式的機(jī)會(huì)越大,序列越復(fù)雜,計(jì)算近似熵時(shí),只要短的數(shù)據(jù)就可算得比較穩(wěn)健的估計(jì)值,對(duì)非平穩(wěn)的生物信號(hào)非常有用。

        3.1 ApEn的特點(diǎn)

        ①比較短的數(shù)據(jù)就能得出比較穩(wěn)定的估計(jì)值,生物信號(hào)一般取100~5000個(gè)點(diǎn)。

        ②有較好的抗噪和抗干擾的能力。

        ③適用于隨機(jī)信號(hào)和確定信號(hào),也可用于確定信號(hào)和隨機(jī)信號(hào)組成的混合信號(hào)。

        3.2 ApEn的定義

        3.3 ApEn的優(yōu)點(diǎn)

        要求數(shù)據(jù)點(diǎn)較少,對(duì)數(shù)據(jù)的長(zhǎng)度不太敏感,不需要對(duì)原始數(shù)據(jù)做明顯的粗粒化預(yù)處理;但是計(jì)算量較大,很難推廣到高維情況。

        本文介紹了3種基于非線性動(dòng)力學(xué)分析的提取算法,不同的算法具有其各自的特性,因此對(duì)提取的原始運(yùn)動(dòng)想象腦電信號(hào)分別使用上述3種方法進(jìn)行特征提取,并根據(jù)特征提取結(jié)果選擇最適合多類運(yùn)動(dòng)想象識(shí)別的特征提取算法。

        使用上述3種特征提取算法對(duì)腦電信號(hào)進(jìn)行提取后,其數(shù)據(jù)的變化曲線如圖1所示。

        圖1顯示了8類運(yùn)動(dòng)想象腦電信號(hào)的相關(guān)維數(shù)值變化情況,其窗口大小選擇的是360,從圖1可以看出,同類運(yùn)動(dòng)想象狀態(tài)之間,特征值波動(dòng)太大,圖中曲線交叉點(diǎn)太多,可區(qū)分性比較差,獨(dú)立性偏低,8類運(yùn)動(dòng)想象特征之間相關(guān)程度高,這會(huì)增加后期的模式識(shí)別的難度。

        圖2顯示了8類運(yùn)動(dòng)想象腦電信號(hào)的Lyapunov值變化情況,其窗口大小選擇的是1000,從圖2可以看出,同類運(yùn)動(dòng)想象之間,特征值較之于相關(guān)維數(shù)算法來(lái)說(shuō)較為相近,圖中曲線交叉點(diǎn)偏多,可區(qū)分性較之于相關(guān)維數(shù)來(lái)說(shuō)能高一些,獨(dú)立性偏低,8類運(yùn)動(dòng)想象特征之間相關(guān)程度偏高,這會(huì)使得后期的模式識(shí)別變得困難。

        圖3顯示了8類運(yùn)動(dòng)想象腦電信號(hào)的近似熵值變化情況,其窗口大小選擇的是1500,從圖3可以看出,同類運(yùn)動(dòng)想象狀態(tài)之間,特征值較為相近,圖中曲線交叉點(diǎn)少,可區(qū)分性比前兩種算法好,獨(dú)立性也高,8類運(yùn)動(dòng)想象特征之間相關(guān)程度較低,有利于后期的模式識(shí)別。

        綜上所述,我們可以得出,使用近似熵算法提取特征后,不同運(yùn)動(dòng)想象狀態(tài)的數(shù)據(jù)差別比較明顯,并且數(shù)據(jù)交點(diǎn)較少易于模式識(shí)別;而Lyapunov指數(shù)和相關(guān)維數(shù)提取后的數(shù)據(jù)交點(diǎn)多,獨(dú)立性、可區(qū)分性都較差,不利于模式識(shí)別。所以在非線性動(dòng)力學(xué)方法中選擇近似熵作為提取腦電信號(hào)特征的算法。

        4 特征提取算法參數(shù)選取

        要得到區(qū)分性好的數(shù)據(jù)特征,除了選擇合適的算法外,也要確定合理的算法參數(shù),近似熵算法的參數(shù)的選取,主要在于其窗口大小的選取,即連續(xù)使用運(yùn)動(dòng)想象腦電信號(hào)的個(gè)數(shù)。

        窗口大小的選擇要確保所提取的特征狀態(tài)明顯,同時(shí)也要確保軟件系統(tǒng)的實(shí)時(shí)性,不能由于過(guò)多的數(shù)據(jù)使識(shí)別性變高而使軟件的實(shí)時(shí)性變差,同時(shí),對(duì)于大多數(shù)情況來(lái)說(shuō),也不是窗口越大特征就越明顯。

        不同窗口8類運(yùn)動(dòng)想象狀態(tài)近似熵指數(shù)變化對(duì)比圖如圖4~圖6所示。

        圖4~圖6中展示的是窗口分別為500,1000,1500時(shí)近似熵指數(shù)的變化情況,從圖中我們可以看出窗口選擇越大,特征越明顯,如果窗口取更大的值時(shí)軟件的實(shí)時(shí)性會(huì)變差,所以選擇窗口大小為1500進(jìn)行特征提取。

        5 結(jié)論

        本文利用非線性動(dòng)力學(xué)算法中的Lyapunov指數(shù)、相關(guān)維數(shù)、近似熵分別對(duì)八類運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行了特征提取,并分析了其提取效果,得出近似熵對(duì)腦電信號(hào)特征提取優(yōu)于其他兩種算法的結(jié)論。最后通過(guò)分析對(duì)比,確定了近似熵算法的最佳參數(shù)。因此在使用非線性動(dòng)力學(xué)進(jìn)行腦電信號(hào)的特征提取時(shí),推薦使用窗口大小為1500的近似熵算法。

        參考文獻(xiàn):

        [1]賈花萍,趙俊龍.腦電信號(hào)分析方法與腦機(jī)接口技術(shù)[M]. 北京:科學(xué)出版社,2016.

        [2]Ming Aili, Lin Lin, Song Minjia. Multi-class imagery EEG recognition based on adaptive subject-based feature extraction and SVM-BP classifier [C]. Beijing, China: Proceedings of the 2011 IEEE International Conference on Mechatronics and Automation, 2011:1184-1189.

        [3]鄒卓穎,許學(xué)添,陳云洽.基于非線性動(dòng)力學(xué)理論的生理信號(hào)分析[J].微計(jì)算機(jī)信息,2009(9):163-165.

        [4]趙小磊.心室病癥心電信號(hào)的非線性時(shí)間序列分析[D].北京:北京工業(yè)大學(xué),2010.

        [5]樓恩平.抑郁癥腦電信號(hào)特征提取及分類研究[D].浙江:浙江師范大學(xué),2009.

        av二区三区在线观看| 天天综合亚洲色在线精品| 四虎在线播放免费永久视频| 精品国产又大又黄又粗av| 一级黄色一区二区三区| 国产精品a免费一区久久电影| 窝窝影院午夜看片| 国产日韩AV无码免费一区二区| 中文乱码字幕在线亚洲av| 无码熟妇人妻av影音先锋| 国产欧美一区二区精品性色| 超清无码AV丝袜片在线观看| 久久久精品亚洲人与狗| 亚洲av成人噜噜无码网站| 99re6热在线精品视频播放6| 久久精品国产亚洲av热明星| 亚洲一二三四区免费视频| 国产精品多p对白交换绿帽| 亚洲AⅤ无码日韩AV中文AV伦| 中文字幕一区二区区免| 粗大猛烈进出高潮视频大全| 先锋影音av最新资源| 亚洲一区二区三区久久不卡| 亚洲av少妇一区二区在线观看| av国产传媒精品免费| japanesehd中国产在线看| 日韩精品国产一区在线| 国产精品黑丝高跟在线粉嫩| 在线观看免费人成视频| 久久精品爱国产免费久久| 久久精品人妻一区二三区| 国产成人av综合色| 成年人黄视频大全| 国产目拍亚洲精品二区| 影音先锋久久久久av综合网成人| 中国凸偷窥xxxx自由视频| 五月天无码| 中国男男女在线免费av| 少妇av射精精品蜜桃专区| 亚洲AV综合A∨一区二区| 亚洲综合久久中文字幕专区一区|