基于频域选择和双谱特征优化的DRDS脑电识别
ABSTRACT
一种新的方法——WPT-BED:
基于小波包变换(WPT) 和 差分信号的双谱特征值(BED),可以识别受DRDS刺激得到的三种模式的EEG信号。
信号经过小波包变换被分解成不同的频带,合适的子带被选择用来重构;最终,优化的双谱特征值被提取用来分类,以实现更高的精度。
步骤
1、分级立体实验
使用的刺激图像是垂直立体随机点图,用于测量普通人的立体视锐度,并为进一步的EEG实验提供刺激素材。
2、EEG实验
采集EEG信号。
3、预处理
4、通道选择
每次试验的EEG信号都被分成三段,每段1~30Hz部分的功率谱密度(PSD)被计算出。时频域信息的值被用作初始特征值并被支持向量机(SVM)分类,排列高的通道被选中。
5、脑电特征提取
小波包变换(WPT)
在WPT中,诸如节点系数、最大振幅、最小振幅、平均值、方差、标准差、熵和相对能量等统计量通常被用作信号分类。
以db4小波为正交基函数,进行7层小波包分解。信号被分解为128个节点,带宽为3.90Hz。前8个节点已经覆盖了预处理的信号,剩余节点超出范围,不被分析。
基于双谱特征值的频带选择
PSD和相关函数等二阶统计量只能表征时域信号谐波分量的叠加。相位等被忽视的信息也在EEG信号分析中起着重要的作用。双谱(三阶累积量谱)能定量描述随机过程的平方相位耦合,抑制高斯噪声。
对于一个零均值随机信号,它的三阶累积量是它的三阶中心矩,它可以被定义为:
$E[·]$是统计期望,$τ_i(i=1,2)$是时移(time shift?)。随机信号的双谱可以被定义为三阶累积量的二维傅里叶变换:
其中$|ω_1|<π$,$|ω_2|<π$,$|ω_1+ω_2|<π$。
节点信号的双谱特征值被SVM分类,更高分类率的节点可以体现诱发电位的差异,因此被选中用于重构。
差分信号的双谱特征值
为了增强双谱特征值的可分离性,差分信号的双谱特征值被提取出作为优化的双谱特征值。 两个连续脑电信号样本之间的绝对差值被计算生成一个新的序列。新序列的三阶累积量谱被计算得到双谱特征值。这些值被用作最终的分类。详细步骤如下:
信号被分成$M$段,每段为$x(n), n=1,2,…,N$。差分信号$x_d(i)$可由如下公式计算:
将序列变为零均值序列$x_z(i)$:
零均值序列$x_z(i)$的三阶累积量等价于三阶中心矩:
其双谱是三阶累积量的二维傅里叶变换:
双谱的特征矩阵$Λ$如下:
各差分信号的特征值为:
$l$是特征值的长度。信号的全部特征值被表示为:
6、脑电特征分类
被提取的特征值最终被SVM分类器进行分类,并采用六倍交叉验证来获取最终的平均分类结果。
结果与讨论
分级立体实验结果
可以得到被试的立体视锐度;
随着视差的下降,检出率也逐渐降低;
当视差在立体视锐度附近时,交叉视差的检出率明显比非交叉视差的检出率高,反之没有明显区别。可以得出结论:人对DRDS识别中的交叉视差更为敏感。
经过补充实验,综合起来在EEG实验中使用含有交叉视觉的三种DRDS(模式1:5’’,10’’;模式2:45’’,50’’;模式3:300’’,400’’)作为刺激素材。单次试验的DRDS显示时间为3s。
通道选择分析
选择的通道主要处于中央区和颞区;
具有最高精度的通道为$C4$ 。
表现分析
经试验可以测得,最佳段长为60。
在与其他一些对照实验的对比之下(比如BED),WPT-BED的最终分类精度明显更高。
结论
在本次研究中,一种基于小波包变换和双谱特征优化的方法被提出,这种方法可以有效地识别由垂直DRDS诱发的三种类型的脑电信号。首先进行了一次分级立体实验,通过利用垂直DRDS来检测立体视锐度。在EEG实验中,由立体视锐度阈值决定的三种模式的EEG信号被取用。分段信号的功率谱密度被提取用来进行通道选择,以提升数据处理效率。WPT被用来把信号分解为不同频带,子带的双谱特征值被用来进行频带选择和信号重构。最终,差分信号的双谱特征值被提取用于分类。
在研究过程中发现,人对带有交叉视差的DRDS识别的敏感程度大于非交叉视差。在大脑皮层的视觉通路处的通道有更高的分类精确度。