国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

雙樹復(fù)小波特征在運(yùn)動(dòng)想象腦電識(shí)別中的應(yīng)用*

2014-08-29 11:47羅志增周鎮(zhèn)定周瑛何海洋杭州電子科技大學(xué)智能控制與機(jī)器人研究所杭州310018
傳感技術(shù)學(xué)報(bào) 2014年5期
關(guān)鍵詞:雙樹子帶電信號(hào)

羅志增,周鎮(zhèn)定,周瑛,何海洋(杭州電子科技大學(xué)智能控制與機(jī)器人研究所,杭州310018)

雙樹復(fù)小波特征在運(yùn)動(dòng)想象腦電識(shí)別中的應(yīng)用*

羅志增*,周鎮(zhèn)定,周瑛,何海洋
(杭州電子科技大學(xué)智能控制與機(jī)器人研究所,杭州310018)

提出了一種基于雙樹復(fù)小波變換的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法。針對(duì)傳統(tǒng)離散小波抗混疊性差的缺陷,采用雙樹復(fù)小波變換對(duì)腦電信號(hào)進(jìn)行分解與重構(gòu),得到各子帶信號(hào)能量并進(jìn)行歸一化處理,選取α、β節(jié)律信號(hào)的歸一化能量作為想象運(yùn)動(dòng)的特征進(jìn)行SVM分類。通過對(duì)仿真信號(hào)的分析,證實(shí)雙樹復(fù)小波變換具有良好的混疊抑制能力和抗噪性。最后選用國際腦機(jī)接口競賽和實(shí)驗(yàn)室實(shí)測的運(yùn)動(dòng)想象數(shù)據(jù)進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明,雙樹復(fù)小波變換是一種有效的特征提取方法,其運(yùn)動(dòng)想象特征的識(shí)別率要優(yōu)于常用的特征分析方法。

腦電信號(hào);雙樹復(fù)小波變換;特征提取;抗混疊分析

腦電信號(hào)EEG(Electroencephalogram)是由頭皮表面大量神經(jīng)元突觸后電位同步綜合而形成的,反映大腦運(yùn)行狀態(tài)和神經(jīng)細(xì)胞活動(dòng)情況的生物電信號(hào)?;谀X電信號(hào)的腦機(jī)接口BCI(Brain-Computer Interface)技術(shù)是目前人機(jī)交互領(lǐng)域研究的熱點(diǎn),它對(duì)康復(fù)醫(yī)療[1]、游戲娛樂[2]等諸多方向的研究有著重要意義。

腦電信號(hào)的分類識(shí)別是BCI技術(shù)中一個(gè)非常重要的環(huán)節(jié)。研究表明當(dāng)人進(jìn)行單側(cè)肢體的想象運(yùn)動(dòng)時(shí),對(duì)側(cè)的大腦感覺運(yùn)動(dòng)皮層被激活,特定頻段的信號(hào)幅值下降(ERD,事件相關(guān)去同步);而同側(cè)的大腦皮層則處于阻滯狀態(tài),其對(duì)應(yīng)節(jié)律信號(hào)幅值升高(ERS,事件相關(guān)同步)[3]。ERS/ERD現(xiàn)象為不同運(yùn)動(dòng)想象腦電信號(hào)的識(shí)別提供了依據(jù)。然而,腦電信號(hào)十分微弱,一般只有50μV左右。而且由于信號(hào)源內(nèi)阻大,腦電信號(hào)具有隨機(jī)性和不平穩(wěn)性。同時(shí)因大腦的復(fù)雜性,其產(chǎn)生的腦電信號(hào)具有明顯的非線性特點(diǎn)。因此,有效地提取腦電信號(hào)的特征是一個(gè)嚴(yán)峻的挑戰(zhàn)。

小波變換是一種時(shí)頻相結(jié)合的分析方法,具有多分辨率的特性,適用于非平穩(wěn)、非線性生物醫(yī)學(xué)信號(hào)的檢測。很多學(xué)者結(jié)合運(yùn)動(dòng)想象腦電信號(hào)的ERS/ERD現(xiàn)象,利用離散小波變換提取腦電信號(hào)的節(jié)律特征(能量、均值、均方差等)進(jìn)行分析[4-6]。離散小波變換相對(duì)成熟,但由于小波濾波器的非理想頻率截止特性以及對(duì)分解過程的隔點(diǎn)采樣,離散小波變換存在抗混疊性差的缺陷[7],使得子帶的節(jié)律信號(hào)容易引入不真實(shí)的頻率成分,導(dǎo)致相鄰頻帶的信號(hào)不能有效地分離,影響特征的提取效果[8]。故基于經(jīng)典離散小波變換提取的特征不能很好地反映大腦的想象運(yùn)動(dòng),尤其是頻率相近的子帶特征。雙樹復(fù)小波變換DTCWT(Dual-Tree Complex Wavelet Transform)理論[9]相對(duì)與傳統(tǒng)的離散小波變換,有著近似平移不變和有效的抗混疊等優(yōu)良特性,能夠準(zhǔn)確地表達(dá)信號(hào)的細(xì)節(jié)特征,已被成功地運(yùn)用于機(jī)械故障檢測[10]、人臉識(shí)別[11]。基于腦電信號(hào)的特點(diǎn)和雙樹復(fù)小波變換的特性,本文提出一種采用雙樹復(fù)小波變換提取腦電節(jié)律信號(hào),并將與肢體運(yùn)動(dòng)相關(guān)節(jié)律的能量歸一化作為特征來識(shí)別左右手想象運(yùn)動(dòng)的方法。通過仿真信號(hào)頻帶混疊對(duì)比分析,證實(shí)雙樹復(fù)小波在腦電特征提取中有較好的抗混疊特性,能更有效地描述腦電信號(hào)的節(jié)律特征。最后采用國際BCI競賽數(shù)據(jù)與實(shí)驗(yàn)室實(shí)測數(shù)據(jù)對(duì)4個(gè)典型時(shí)間段內(nèi)的運(yùn)動(dòng)想象信號(hào)進(jìn)行分類驗(yàn)證,結(jié)果顯示不同運(yùn)動(dòng)想象下雙樹復(fù)小波變換的特征有著明顯的區(qū)分度,而且識(shí)別率要優(yōu)于常用的腦電運(yùn)動(dòng)想象特征提取方法。

1 雙樹復(fù)小波變換

雙樹復(fù)小波變換是一種有限冗余的改進(jìn)小波變換。為消除信號(hào)分析中存在的頻帶混疊,構(gòu)建平移不變小波,Kingsbury采用兩個(gè)平行的實(shí)離散小波變換樹來實(shí)現(xiàn)信號(hào)的分解和重構(gòu),分別稱之為實(shí)部樹和虛部樹。它的分解示意圖如圖1所示。

圖1 雙樹復(fù)小波變換的分解示意圖

兩個(gè)離散小波變換樹分別使用了一個(gè)互不相同實(shí)數(shù)濾波器組,通過這兩個(gè)濾波器組可分別得到雙樹復(fù)小波的實(shí)部系數(shù)與虛部系數(shù)。與傳統(tǒng)小波變換不同,Kingsbury等人對(duì)雙樹復(fù)小波變換的濾波器重新進(jìn)行了設(shè)計(jì),使其具有快速衰減性和近似半采樣延遲等多個(gè)優(yōu)點(diǎn)。這使得雙樹復(fù)小波變換在信號(hào)的分解過程中虛部樹的采樣位置點(diǎn)保持在實(shí)部樹的中間,使其恰好能抽取到實(shí)部樹丟失的采樣信息,等價(jià)于沒有對(duì)信號(hào)進(jìn)行隔點(diǎn)采樣,所以能夠充分利用實(shí)部樹和虛部樹分解系數(shù)實(shí)現(xiàn)信息的互補(bǔ)。另外,雙樹復(fù)小波在各層分解過程中采用了小波系數(shù)的二分法降低冗余度,相對(duì)地提高了算法的效率。

雙樹復(fù)小波變換由兩個(gè)離散小波變換組成,所以有兩個(gè)小波系數(shù)dRje(n)和dljm(n)和兩個(gè)尺度系數(shù)cRJe(n)、clJm(n),其計(jì)算公式可表示為:式(1)~式(4)中,ψh與ψg分別表示雙樹復(fù)小波變換采用的兩個(gè)實(shí)小波,φh與φg為對(duì)應(yīng)的尺度函數(shù)。j為比例因子,J是最大尺度且j=1,2,…,J。

將其他小波系數(shù)設(shè)為零,可以通過式(7)和式(8)重構(gòu)各子帶的小波系數(shù)。

設(shè)腦電信號(hào)s(n)的采樣頻率為fs,用雙樹復(fù)小波變換將原始信號(hào)分為L層,則能得到CAL、CDL、CDL-1、…、CD1等L+1個(gè)子帶的復(fù)系數(shù)。將系數(shù)重構(gòu)后得到的信號(hào)分量AL、DL、DL-1、…D1所對(duì)應(yīng)的頻帶范圍分別為[0,fs/2L+1],[fs/2L+1,fs/2L],[fs/2L,fs/2L-1],…,[fs/22,fs/2]。

2 頻帶混疊的對(duì)比分析

為了驗(yàn)證雙樹復(fù)小波變換在腦電信號(hào)特征提取中良好的抗混疊特性,根據(jù)真實(shí)腦電信號(hào)的波形特點(diǎn),用MATLAB生成一個(gè)采樣頻率為128 Hz,采集時(shí)長為6 s,共768個(gè)采樣點(diǎn)的仿真信號(hào)S。

與腦電信號(hào)的主要節(jié)律(δ、θ、α、β)對(duì)應(yīng)。

仿真信號(hào)的采樣頻率為128 Hz,則其Nyquist頻率為0~64 Hz。運(yùn)動(dòng)想象腦電信號(hào)的ERS/ERD現(xiàn)象主要出現(xiàn)在α(8~14 Hz)和β(14~30 Hz)節(jié)律,結(jié)合上述雙樹復(fù)小波變換的頻帶劃分規(guī)則和節(jié)律信號(hào)頻帶寬度,將分解層數(shù)定為4層。各子帶信號(hào)與節(jié)律信號(hào)的對(duì)應(yīng)關(guān)系如表1所示。

表1 子帶信號(hào)與節(jié)律信號(hào)的對(duì)應(yīng)關(guān)系

分別采用離散小波變換和雙樹復(fù)小波變換對(duì)仿真信號(hào)進(jìn)行4層小波分解與重構(gòu)。選用對(duì)信號(hào)非平穩(wěn)性適應(yīng)性較好的db5作為傳統(tǒng)小波變換的小波基分解腦電信號(hào)。以模擬信號(hào)α節(jié)律所在的子帶信號(hào)D3為例,其分解重構(gòu)后的子帶信號(hào)與頻譜如圖2所示。

圖2 DTCWT和DWT重構(gòu)的D3信號(hào)波形圖和頻譜圖

從圖2可知采用傳統(tǒng)小波變換所提取的信號(hào)存在較大的失真,重構(gòu)后D3信號(hào)并非原始信號(hào)的一個(gè)真實(shí)組成部分。通過其頻譜圖不難發(fā)現(xiàn),離散的小波變換(DWT)提取的子帶信號(hào)引入了虛假的頻率成分9 Hz、12 Hz、19 Hz和由于非理想的濾波器造成的7 Hz頻率泄露。而雙樹復(fù)小波變換(DTCWT)能很好地提取到原始仿真信號(hào)中該頻段的子帶信息。雖然,雙樹復(fù)小波提取的子波也存在少量的頻率泄露,但是由于雙樹復(fù)小波變換利用兩樹的信息互補(bǔ)削弱了隔點(diǎn)采樣對(duì)分解的影響[12],在很大程度上抑制了子帶信號(hào)中混疊現(xiàn)象的產(chǎn)生。

為進(jìn)一步探討腦電信號(hào)在不同強(qiáng)度噪聲干擾下雙樹復(fù)小波節(jié)律特征提取方法的適應(yīng)性,對(duì)信噪比為1、5、10加噪后的信號(hào)進(jìn)行仿真分析。分別采用雙樹復(fù)小波和離散小波變換提取引入噪聲后信號(hào)的α節(jié)律波,并用均方根誤差(RMSE)和信噪比(SNR)作為評(píng)價(jià)標(biāo)準(zhǔn)。

式中,si是未加入噪聲時(shí)原始仿真信號(hào)中D3頻段的信號(hào)分量,xi為兩類方法提取后該節(jié)律頻段的重構(gòu)信號(hào),N為數(shù)據(jù)長度??乖胄Ч绫?所示。

表2 抗噪效果表

從表2中的數(shù)據(jù)可知相對(duì)于傳統(tǒng)的離散小波,雙樹復(fù)小波得到的子帶信號(hào)有較小的RMSE和較高的SNR,這反應(yīng)了其提取的節(jié)律信號(hào)更接近于原始信號(hào)中該頻段的波形的特征,有更好的抗噪性能,而且在信噪比較低時(shí),這種效果更加明顯。這主要是由雙樹復(fù)小波突出的細(xì)節(jié)信息表達(dá)能力與良好的混疊抑制特性所決定的。同時(shí),由于雙樹復(fù)小波實(shí)部系數(shù)和虛部系數(shù)信息的互補(bǔ),也有利于提取更多腦電信號(hào)的節(jié)律信息。通過以上分析可知雙樹復(fù)小波提取的節(jié)律信號(hào)有更獨(dú)立的子帶信息與更清晰的頻帶寬度。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

本文所用的實(shí)驗(yàn)數(shù)據(jù)是由奧地利Graz大學(xué)提供的2003年BCI競賽的標(biāo)準(zhǔn)數(shù)據(jù)集DataSetsⅢ[13]和實(shí)驗(yàn)室采集的實(shí)測數(shù)據(jù)兩部分組成。競賽數(shù)據(jù)集采自一位女性受試者。每次實(shí)驗(yàn)持續(xù)的時(shí)間為9 s,0~3 s為想象運(yùn)動(dòng)開始之前的準(zhǔn)備時(shí)間。在3 s時(shí),屏幕中將出現(xiàn)一個(gè)向左或者向右的箭頭。此時(shí),受試者應(yīng)根據(jù)提示箭頭所指的方向進(jìn)行相應(yīng)的左右手想象運(yùn)動(dòng),直至第9s結(jié)束。實(shí)驗(yàn)的采樣頻率為128 Hz,并用0.5 Hz~30 Hz帶通濾波器進(jìn)行濾波。

競賽數(shù)據(jù)由國際標(biāo)準(zhǔn)導(dǎo)聯(lián)系統(tǒng)的C3、C4和Cz 3個(gè)電極采集得到。其中C3、C4位于大腦的感覺運(yùn)動(dòng)功能區(qū),能反映受試者在想象手部運(yùn)動(dòng)時(shí)大腦狀態(tài)變化的最有效信息[14]。整個(gè)數(shù)據(jù)集有已知分類結(jié)果的訓(xùn)練樣本和未知結(jié)果的測試樣本各140組。

實(shí)測數(shù)據(jù)采集自3位精神狀況良好,身體健康的在校大學(xué)生,以Sub 1~Sub 3標(biāo)記。實(shí)驗(yàn)在一個(gè)安靜舒適的環(huán)境下進(jìn)行,并使用Presentation信號(hào)刺激軟件(定時(shí)出現(xiàn)左右方向箭頭提示左右想象任務(wù))和Neuroscan EEG系統(tǒng)配合完成采集任務(wù)。實(shí)驗(yàn)所需電極除了C3、Cz和C4,還要兩個(gè)放置在左右側(cè)乳突處的參考電極,如圖3所示。實(shí)測信號(hào)的采集方案與競賽數(shù)據(jù)一致,每位受試者采集訓(xùn)練樣本和測試樣本各80組。

圖3 電極放置位置

3.2 特征的提取

Step1:按照表1的劃分規(guī)則對(duì)C3和C4通道的小波系數(shù)進(jìn)行重構(gòu),得到頻帶由低到高的4個(gè)信號(hào)分量a1,a2,a3,a4。

Step2:分別提取4個(gè)分量的能量并對(duì)其做歸一化處理。能量的計(jì)算公式:

m為信號(hào)的采樣點(diǎn)個(gè)數(shù),xi.j為離散節(jié)律信號(hào)的幅值。對(duì)能量作歸一化處理的主要目的是避免同一想象運(yùn)動(dòng)在不同的信號(hào)采集周期內(nèi)所獲取的腦電信號(hào)強(qiáng)度不一致所造成的特征的不穩(wěn)定。歸一化公式:

考慮到腦電的ERS/ERD現(xiàn)象,并降低特征向量維數(shù),只求取a3和a4分量(即包含α波和β波的頻段)的歸一化能量ˉE3、ˉE4作為左右手運(yùn)動(dòng)想象分類特征。

為驗(yàn)證雙樹復(fù)小波變換提取的子帶信號(hào)能量特征能反映運(yùn)動(dòng)想象的ERS/ERD現(xiàn)象。對(duì)訓(xùn)練集的腦電信號(hào)作如下處理:選取長度為2 s的滑動(dòng)時(shí)間窗(256個(gè)采樣點(diǎn)),窗口以一個(gè)采樣點(diǎn)作為滑動(dòng)的間隔,每滑動(dòng)一次便計(jì)算出窗口內(nèi)的兩個(gè)子帶信號(hào)歸一化能量ˉE3和ˉE4,直至最后一個(gè)窗口。然后再分別將每個(gè)滑動(dòng)窗口內(nèi)的C3和C4電極采集的同一想象運(yùn)動(dòng)的分量信號(hào)能量累加求平均,得到平均信號(hào)能量。以競賽數(shù)據(jù)和Sub 1實(shí)測數(shù)據(jù)的C4電極為例,用雙樹復(fù)小波和傳統(tǒng)離散小波提取的a3信號(hào)分量的平均歸一化能量序列如圖4與圖5所示。

圖4 兩類方法提取的競賽數(shù)據(jù)a3分量信號(hào)的平均歸一化能量序列

圖5 兩類方法提取Sub 1的a3分量信號(hào)的平均歸一化能量序列

由圖4(a)和圖5(a)可知,雙樹復(fù)小波重構(gòu)的a3子帶能量序列完全吻合文獻(xiàn)[3]提出的ERS/ ERD現(xiàn)象:當(dāng)進(jìn)行與C4電極同側(cè)的右手想象運(yùn)動(dòng)時(shí)a3(即α波所在的子帶)信號(hào)歸一化能量上升;而異側(cè)左手想象運(yùn)動(dòng)的a3信號(hào)能量下降。對(duì)比圖4 (a)和圖4(b),雙樹復(fù)小波信號(hào)能量序列的各個(gè)時(shí)間點(diǎn)與其前后相鄰時(shí)間點(diǎn)的能量有著良好的一致性,ERS/ERD現(xiàn)象更為明顯,而圖4(b)的平均信號(hào)能量序列震蕩比較嚴(yán)重。這主要是因?yàn)殡p樹復(fù)小波變換的實(shí)部系數(shù)與虛部系數(shù)的信息互補(bǔ),降低頻帶的混疊,提高了腦電信號(hào)平均能量序列的相對(duì)穩(wěn)定性。同時(shí)由圖5(a)和圖5(b)比較可知,對(duì)實(shí)驗(yàn)室的實(shí)測數(shù)據(jù)做相應(yīng)分析也可得到同樣的效果。

Step3:分別將C3和C4電極得到的兩個(gè)歸一化能量進(jìn)行組合,構(gòu)成出一個(gè)4維的特征矩陣,用于后續(xù)的腦電想象運(yùn)動(dòng)的識(shí)別。

3.3 運(yùn)動(dòng)想象分類

本文采用支持向量機(jī)(SVM)對(duì)左右手想象運(yùn)動(dòng)進(jìn)行分類。支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的一種學(xué)習(xí)算法。通過引入核函數(shù),將非線性問題巧妙地轉(zhuǎn)換為一個(gè)高維空間的線性問題,而不增加方法的復(fù)雜度。SVM在處理非線性,高維數(shù)和小樣本等問題上有著明顯的優(yōu)勢(shì),已經(jīng)被廣泛地用于模式分類領(lǐng)域[15]。

由于徑向基核函數(shù)對(duì)非線性樣本有良好的適應(yīng)能力,選取rbf作為支持向量機(jī)的核函數(shù)。首先確定SVM分類系統(tǒng)的懲罰參數(shù)C和核函數(shù)參數(shù)γ,實(shí)驗(yàn)采用遺傳算法遍歷參數(shù)空間,通過對(duì)每位受試者的訓(xùn)練樣本數(shù)據(jù)集進(jìn)行5折交叉驗(yàn)證,選取其中最優(yōu)的參數(shù)組合;其次選取運(yùn)動(dòng)想象時(shí)間區(qū)間內(nèi)3 s~9 s、3 s~7 s、4 s~8 s、4 s~7 s 4個(gè)典型時(shí)間段,計(jì)算各時(shí)間段內(nèi)受試者想象運(yùn)動(dòng)分類的準(zhǔn)確率。重復(fù)上述分類過程10次,取平均識(shí)別率。同時(shí),為進(jìn)一步證明雙樹復(fù)小波特征提取方法的有效性,將本文方法與腦電信號(hào)特征提取中常用的CSP方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果如圖6所示。圖中的編號(hào)1~4分別代表03年競賽數(shù)據(jù)的女性受試者以及實(shí)測數(shù)據(jù)的Sub 1~Sub 3。

由圖6可以看出,在4個(gè)典型的運(yùn)動(dòng)想象時(shí)間段的分類結(jié)果中,4位受試者運(yùn)動(dòng)想象腦電信號(hào)的雙樹復(fù)小波特征的正確識(shí)別率都要高于離散小波變換與CSP方法。在4 s~7 s時(shí)間段內(nèi)這3種方法所提取的特征的分類準(zhǔn)確率都達(dá)到了最高。結(jié)合圖4與圖5不難發(fā)現(xiàn),在該階段運(yùn)動(dòng)想象腦電的ERS/ ERD現(xiàn)象最為明顯。4位受試者的DTCWT節(jié)律特征在該典型時(shí)間段的識(shí)別率分別為89.1%、87. 5%、85.4%、82.0%;DWT的識(shí)別結(jié)果為84.1%、83.4%、81.4%和76.3%;而CSP特征的識(shí)別率為83.7%、84.9%、79.3%、79.2%,分類正確率最大的提升幅度分別為5.7%與6.1%。這是因?yàn)殡p樹復(fù)小波變換利用了兩棵采樣樹分解得到的系數(shù)實(shí)現(xiàn)信息的互補(bǔ),最大限度地提取到了運(yùn)動(dòng)想象過程中大腦皮層的生物電活動(dòng)的特征,獲得了較高的識(shí)別率。同時(shí),為更好地說明DTCWT方法的普適性,消除對(duì)單一的時(shí)間段分析可能帶來的偶然性誤差,本文分別對(duì)4個(gè)時(shí)間段內(nèi)的4位受試者識(shí)別率的平均提升百分比進(jìn)行分析,如表3所示。

圖6 三類方法提取的特征在4個(gè)典型時(shí)間段的分類結(jié)果

表3 4個(gè)時(shí)間段的DTCWT特征識(shí)別率的平均提升百分比

由表3可知,在各時(shí)間段內(nèi)采用雙樹復(fù)小波方法得到的4位受試者的識(shí)別率相比于其他兩種方法都有不同幅度的提升,最大平均提升幅度分別為4. 8%和4.5%。這也進(jìn)一步從客觀上證明了具有抗混疊性的雙樹復(fù)小波在各個(gè)典型時(shí)間段都有很好的適應(yīng)能力,其提取的特征比離散小波變換和CSP算法能更好地反應(yīng)運(yùn)動(dòng)想象腦電信號(hào)的真實(shí)特性。

4 結(jié)論

針對(duì)傳統(tǒng)小波變換在腦電信號(hào)特征提取中存在的缺點(diǎn),本文提出了一種基于雙樹復(fù)小波變換的節(jié)律特征提取方法。首先通過仿真信號(hào)證實(shí)雙樹復(fù)小

波在腦電信號(hào)特征提取上有良好的抗混疊特性和抗噪能力,能夠保證不同頻帶信息的準(zhǔn)確分離。然后,結(jié)合ERS/ERD現(xiàn)象,采用雙樹復(fù)小波將想象左右手運(yùn)動(dòng)的腦電信號(hào)進(jìn)行分解,提取α和β頻段所在子帶信號(hào)的歸一化能量作為運(yùn)動(dòng)想象的特征。最后用支持向量機(jī)對(duì)BCI競賽數(shù)據(jù)和實(shí)驗(yàn)室實(shí)測數(shù)據(jù)的4個(gè)典型運(yùn)動(dòng)想象時(shí)間段內(nèi)的特征進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明,雙樹復(fù)小波提取的特征能很好地表征左右手想象運(yùn)動(dòng),相對(duì)于傳統(tǒng)的小波變換和常用的CSP算法,能更準(zhǔn)確地識(shí)別出大腦的想象運(yùn)動(dòng)。因此,雙樹復(fù)小波變換可以作為一種有效方法,用于腦電信號(hào)運(yùn)動(dòng)想象特征的提取。

[1]Valbuena D,Cyriacks M,F(xiàn)riman O,etal.Brain-Computer Interface for High-Level Controlof Rehabilitation Robotic Systems[C]//Rehabilitation Robotics,2007.ICORR 2007.IEEE 10th International Conference on.IEEE,2007:619-625.

[2]Marshall D,Coyle D,Wilson S,et al.Games,Gameplay,and BCI: The State of the Art[J].IEEE Transactions on Computational Intelligence and AI in Games,2013,5(2):82-99.

[3]Pfurtscheller G,Lopes F H.Event-Related EEG/MEG Synchronization and Desynchronization Basic Principles[J].Clinical Neurophysiology,1999,110(11):1842-1857.

[4]徐寶國,宋愛國,費(fèi)樹岷.在線腦機(jī)接口中腦電信號(hào)的特征提取與分類方法[J].電子學(xué)報(bào),2011,39(5):1025-1030.

[5]Xu Q,Zhou H,Wang Y,et al.Fuzzy Support Vector Machine for Classification of EEG Signals Using Wavelet-Based Features[J]. Medical Engineering and Physics,2009,31(7):858-865.

[6]王攀,沈繼忠,施錦河.想象左右手運(yùn)動(dòng)的腦電特征提取[J].傳感技術(shù)學(xué)報(bào),2010,(23)9:1221-1225.

[7]楊建國.小波分析及其工程應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2007:44-54.

[8]艾樹峰.基于雙樹復(fù)小波變換的軸承故障診斷研究[J].中國機(jī)械工程,2011,22(20):2446-2451.

[9]Kingsbury N G.The Dual-Tree Complex Wavelet Transform:A New Technique for Shift Invariance and Directional Filters[C]//Proc 8th IEEE DSP Workshop.Utah,1998,8:86.

[10]Wang Yanxue,He Zhengjia,Zi Yanyang.Enhancement of Signal Denoising and Multiple Fault Signatures Detecting in Rotating Machinery Using Dual-Tree Complex Wavelet Transform[J].Mechanical Systems and Signal Processing,2010,24(1):119-137.

[11]?elik T,?zkaramanl?H,Demirel H.Facial Feature Extraction U-sing Complex Dual-Tree Wavelet Transform[J].Computer Vision and Image Understanding,2008,111(2):229-246.

[12]Selesnick I W,Baraniuk R G,Kingsbury N C.The Dual-Tree Complex Wavelet Transform[J].Signal Processing Magazine,2005,22 (6):123-151.

[13]BCI Competition Data set,http://bbci.de/competition/ii/download.

[14]羅志增,曹銘.基于多尺度Lempel-Ziv復(fù)雜度的運(yùn)動(dòng)想象腦電信號(hào)特征分析[J].傳感技術(shù)學(xué)報(bào),2011,24(7):1032-1037.

[15]袁玲,楊幫華,馬世偉.基于HHT和SVM的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別[J].儀器儀表學(xué)報(bào),2010,31(3):649-654.

羅志增(1965-),男,浙江慈溪人,教授,博士生導(dǎo)師,1998年在浙江大學(xué)獲博士學(xué)位,主要從事機(jī)器人技術(shù)、傳感器及多信息融合、生物醫(yī)學(xué)信息檢測與利用等領(lǐng)域的研究,luo@hdu.edu.cn;

周鎮(zhèn)定(1989-),男,碩士研究生,主要研究方向?yàn)樯镝t(yī)學(xué)信息檢測、信息融合與信息處理,zzd198911@163.com。

The Application of DTCWT Feature in Recognition of Motor Imagery*

LUO Zhizeng*,ZHOU Zhending,ZHOU Ying,HE Haiyang

(Intelligent Control and Robot Research Institute,Hangzhou Dianzi University,Hangzhou 310018,China)

The paper proposed an algorithm of feature extraction of EEG based on Dual-Tree Complex Wavelet Transform.Considering the defect of severe frequency aliasing resulted from Discrete Wavelet Transform,this paper first extracted the sub-band signals of EEG by DTCWT decomposition and reconstruction,and then calculated the energy of each signal and normalized them.Support Vector Machine was applied to recognize the pattern of motor imagery by selecting the normalized rhythmα,βas the features.Also,the simulated signals were analysed to confirm that the DTCWT had a satisfying effect on reducing aliasing effects and noise resistance.Finally,international BCI competition signals and the measured motor imagery data were selected for classification.The results showed that the DTCWT was an effective method of feature extraction,which could also obtain a higher recognition rate than the methods in common use.

EEG;DTCWT;feature extraction;anti-aliasing analysis

TP391

A

1004-1699(2014)05-0575-06

10.3969/j.issn.1004-1699.2014.05.001

項(xiàng)目來源:國家自然科學(xué)基金項(xiàng)目(61172134);浙江省國際科技合作項(xiàng)目(2013C24016)

2013-12-13

2014-04-22

猜你喜歡
雙樹子帶電信號(hào)
基于聯(lián)合聚類分析的單通道腹部心電信號(hào)的胎心率提取
一種基于奇偶判斷WPT的多音干擾抑制方法*
子帶編碼在圖像壓縮編碼中的應(yīng)用
基于Code Composer Studio3.3完成對(duì)心電信號(hào)的去噪
一個(gè)村莊的紅色記憶
基于雙樹復(fù)小波的色譜重疊峰分解方法研究
基于隨機(jī)森林的航天器電信號(hào)多分類識(shí)別方法
婆羅雙樹樣基因2干擾對(duì)宮頸癌HeLa細(xì)胞增殖和凋亡的影響
雙樹森林圖與同階(p,p)圖包裝的研究
基于虛擬孔徑擴(kuò)展的子帶信息融合寬帶DOA估計(jì)