吳金玲

（上海海事大學(xué) 信息工程學(xué)院,上海 201306）

腦—機(jī)接口（BCI）是一種新型的不依賴人的外圍神經(jīng)和肌肉組織與外部設(shè)備建立的直接交流通道，BCI系統(tǒng)可以把大腦神經(jīng)活動信息直接轉(zhuǎn)換成驅(qū)動外部設(shè)備的命令，實(shí)現(xiàn)大腦直接與外界的交流以及對外部環(huán)境的控制[1]，實(shí)現(xiàn)人與計算機(jī)之間或者人與外部環(huán)境之間的通信，為嚴(yán)重喪失運(yùn)動機(jī)能的病人與外界交流提供了可能性。

當(dāng)人們進(jìn)行肢體運(yùn)動或想象運(yùn)動時，在對側(cè)的大腦皮層會出現(xiàn)事件相關(guān)去同步現(xiàn)象（Event-related desynchronization，ERD），表現(xiàn)為在指定頻帶范圍內(nèi)，腦電信號中對應(yīng)特定神經(jīng)活動相關(guān)的腦電節(jié)律能量的衰減的過程；而運(yùn)動后或放松狀態(tài)下，對側(cè)大腦皮層會有節(jié)律波能量的增加，這稱為事件相關(guān)同步現(xiàn)象（Event-relatedsynchronization，ERS）[2]。在運(yùn)動想象腦-機(jī)接口中，就是通過檢測腦電中的ERD/ERS現(xiàn)象來判斷用戶的運(yùn)動想象腦電模式。

共同空間模式（Common Spatial Pattern，CSP）被認(rèn)為是提取ERD模式特征最好的方法之一，它通過最大化兩類任務(wù)的差異來提取ERD模式的特征[3-4]，但與運(yùn)動想象相關(guān)的ERD/ERS的模式存在著較大的個體差異，每個人腦電信號所表現(xiàn)出來的特性在頻帶分布上會有所差異，運(yùn)用單一頻帶的CSP特征難以良好的區(qū)分不同個體的運(yùn)動想象模式。大量研究表明[5-6]，CSP性能與頻帶選擇有密切的關(guān)系，在不同頻帶的CSP特征包含不同的可辨別的腦電信息,因此分頻帶選擇不同受試的個性化頻帶能夠提高不同任務(wù)的腦電識別準(zhǔn)確度。

為了解決這個問題提，本文著眼于左右手運(yùn)動想象任務(wù)，提出了一種新的特征選擇算法—基于粗糙集離散化的多頻帶CSP腦電特征選擇方法。具體流程分為4步：1）采用帶通濾波器濾波，將單一頻帶段分成多頻帶段；2）運(yùn)用CSP算法提取不同頻帶的腦電特征；3）運(yùn)用粗糙集理論的離散化算法來選取有效頻帶的腦電特征量，剔除冗余特征量；4）運(yùn)用SVM分類器評價最終的分類準(zhǔn)確度。

1 方 法

1.1 系統(tǒng)框架

文中所采用的方法如圖1所示，將每個受試采集的630 Hz的腦電數(shù)據(jù)先經(jīng)過10通道的選擇，再經(jīng)過11個頻帶的帶通濾波器濾波，頻帶寬度為4 Hz，相鄰濾波器之間重疊2 Hz。信號經(jīng)過濾波器濾波后，分別進(jìn)行CSP特征提取，得到腦電特征向量。特征向量經(jīng)過離散化算法進(jìn)行個性化頻帶特征選擇，選擇后的有效特征用于SVM分類器的訓(xùn)練，最終得到分類準(zhǔn)確率。

圖1 離線分析基本框圖Fig.1 Basic block diagram for offline analysis

1.2 基于粗糙集理論的特征選擇算法

假設(shè)選取的特征量對應(yīng)的邏輯系統(tǒng)為T:x→y，其一組樣本構(gòu)成的集合為S={(xi,yi)}(yi∈{-1,1})，建模的目標(biāo)就是要建立分類界面，為此可以由一組折線擬合它，這些折線的坐標(biāo)點(diǎn)構(gòu)成了坐標(biāo)的一組分點(diǎn)，因此可以通過對輸入變量坐標(biāo)選取分點(diǎn)將輸入空間劃分成不同的區(qū)域，在每一區(qū)域中盡可能的只包含同一類的樣本。因此選取最佳特征量可以看作選取適當(dāng)?shù)奶卣髁浚瑢ζ溥x取適當(dāng)?shù)姆贮c(diǎn)劃分后特征空間構(gòu)成的每個區(qū)域中包含同一類的概率最大。

為按照以上思想實(shí)現(xiàn)CSP特征量的選取，可以采用粗糙集理論中的數(shù)據(jù)離散化算法。粗糙集離散化算法有多種，從計算效率上考慮，本文采用基于分點(diǎn)（也稱斷點(diǎn)）重要性的算法[7]。假設(shè)本實(shí)驗中經(jīng)多頻帶濾波后計算出來的CSP特征的維數(shù)為m，粗糙集離散化算法用于在m維的特征中選擇出最有效的特征組合，使其能夠較好的區(qū)分兩類腦電信號。

2 實(shí) 驗

為了驗證方法的有效性，我們離線分析了5名受試左右手兩類運(yùn)動想象的數(shù)據(jù)[8]。5名受試都是右手習(xí)慣，且先前沒有任何BCI經(jīng)驗，平均年齡約為22.3 1.63。實(shí)驗中受試都進(jìn)行左右手的運(yùn)動想象任務(wù)。每個受試參加7次實(shí)驗（隔天一次），每次實(shí)驗包括兩組實(shí)驗, 兩組實(shí)驗之間會有10分鐘左右的休息時間。每組實(shí)驗包括10次實(shí)驗，每次實(shí)驗由20個左中手運(yùn)動想象任務(wù)組成，每類任務(wù)各10個。每個運(yùn)動想象任務(wù)均采用13通道導(dǎo)聯(lián)（FC3 FC4 FCz C5 C3 C1 Cz C2 C4 C6 CP3 CPz CP4）采集數(shù)據(jù)，持續(xù)時間為3 s，分為10個步長（每個步長0.3 s），采樣頻率為256 Hz,濾波頻率為5～30 Hz。本次試驗中我們隨機(jī)選取每個受試1天實(shí)驗中的前一組10次實(shí)驗的數(shù)據(jù)進(jìn)行了離線分析，且選取了C3，C4及其周圍的共10個電極通道（FC3 FC4 C5 C3 C1 C2 C4 C6 CP3 CP4）的數(shù)據(jù)。

2.1 離線數(shù)據(jù)分析方法

1）基于粗糙集離散化算法的分頻帶特征選取

隨機(jī)選取每名受試一天中的前10次實(shí)驗的腦電數(shù)據(jù)，再隨機(jī)選擇其中90%（180個樣本 ）的數(shù)據(jù)進(jìn)行訓(xùn)練，10%（20個樣本）的數(shù)據(jù)進(jìn)行測試，且都經(jīng)過10通道數(shù)據(jù)的選擇。將訓(xùn)練集的數(shù)據(jù)經(jīng)過11個不同頻帶的橢圓帶通濾波器，然后用CSP提取特征（每類2個特征），1個頻帶4個特征，11頻帶44個特征。然后用粗糙集離散化算法對提取的CSP特征進(jìn)行選擇，用選出的特征用來訓(xùn)練模型進(jìn)而對測試數(shù)據(jù)進(jìn)行模式分類。測試集的數(shù)據(jù)也經(jīng)過同樣的11個橢圓帶通濾波器分頻帶濾波，然后得出的多頻帶的特征用SVM進(jìn)行分類。如此對每個受試10次實(shí)驗的數(shù)據(jù)分別進(jìn)行20次實(shí)驗，每次實(shí)驗隨機(jī)選擇訓(xùn)練集和測試集，但訓(xùn)練集和測試集的比例為9:1保持不變。

2）單一頻帶的CSP特征提取

將1）中的隨機(jī)選擇的20次的實(shí)驗數(shù)據(jù)經(jīng)過相同的10通道選擇，不經(jīng)過分頻帶濾波和粗糙集離散化算法特征選取，直接用單頻帶CSP特征訓(xùn)練模型然后用SVM進(jìn)行分類。

2.2 結(jié)果與討論

表1 單頻帶/多頻帶平均訓(xùn)練準(zhǔn)確率和平均分類準(zhǔn)確率Tab.1 The average training accuracy and average classif i cation accuracy for single band/multiband

表1中第1列為離線分析的5名受試者的序號，第2-3列分別為5名受試單一頻帶20次試驗的平均訓(xùn)練準(zhǔn)確度和平均分類準(zhǔn)確，第4-5列分別為5名受試分頻帶20次實(shí)驗的平均訓(xùn)練準(zhǔn)確度和平均分類準(zhǔn)確度。

表1為5名受試的單一頻帶和用粗糙集分頻帶的20次實(shí)驗的平均訓(xùn)練準(zhǔn)確率和平均分類準(zhǔn)確率，可以看出，經(jīng)過粗糙集算法處理后的訓(xùn)練準(zhǔn)確率和分類準(zhǔn)確率總體上都有不同程度的提高。從表中可以看出，受試1、受試2、受試4、受試5單一頻帶平均分類準(zhǔn)確率均未超過60%，受試2、受試4甚至低于50%。而經(jīng)過粗糙集處理后受試2、受試4的平均分類準(zhǔn)確率超過了50%接近60%,受試1、受試5的平均分類準(zhǔn)確率均超過60%接近70%,受試3的平均分類準(zhǔn)確率也從67%提升到75%以上。由此說明此特征選擇算法是有效地。

3 結(jié) 論

文中對運(yùn)動想象的腦電數(shù)據(jù)進(jìn)行分頻帶濾波，并且對不同頻帶的數(shù)據(jù)進(jìn)行CSP特征提取，然后運(yùn)用粗糙集離散化算法對冗余特征進(jìn)行選擇，從而得到有效的特征表達(dá)。結(jié)果表明，基于粗糙集離散化的特征選擇方法比常規(guī)單一頻帶CSP可以得到更為有效的特征。

[1]Wolpaw J R, McFarland D J, Vaughan T M, et al. The Wadsworth Center brain-computer interface(BCI)research and development program[J]. Neural Systems and Rehabilitation Engineering, IEEE Transactions on, 2003, 11(2):1-4.

[2]Pfurtscheller G, Lopes da Silva F H.Event-related EEG/MEG synchronization and desynchronization: basic principles[J].Clinical Neurophysiology, 1999, 110(11): 1842-1857.

[3]Pfurtscheller G, Neuper C. Motor imagery and direct braincomputer communication[J]. Proceedings of the IEEE, 2001,89(7):1123-1134.

[4]Blankertz B, Dornhege G,Krauledat M,et al.The non-invasive BerlinBrain-Computer Interface: Fast acquisition of effective performance in untrained subjects[J].NeuroImage,2007,37(2): 539-550.

[5]Novi Q, Guan C, Dat T H, et al. Sub-band common spatial pattern(SBCSP)for brain-computer interface[C]//Neural Engineering,2007. CNE'07. 3rd International IEEE/EMBS Conference on. IEEE, 2007: 204-207.

[6]Ang K K, Chin Z Y, Zhang H, et al. Filter bank common spatial pattern (FBCSP) in brain-computer interface[C]//Neural Networks,2008. IJCNN 2008.(IEEE World Congress on Computational Intelligence). IEEE International Joint Conference on. IEEE, 2008:2390-2397.

[7]謝宏,程浩忠,牛東曉.基于信息熵的粗糙集連續(xù)屬性離散化算法[J].計算機(jī)學(xué)報, 2005, 28(9):1570-1574.

XIE Hong , CHENG Hao-zhong , NIU Xiao-dong. Rough Set DiscretizationAlgorithm Based on InformationEntropy[J].Chinese Journal of Computers, 2005, 28(9):1570-1574.

[8]Xia B, Zhang Q, Xie H, et al. A Neurofeedback training paradigm for motor imagery based Brain-Computer Interface[C]//Neural Networks(IJCNN),The 2012 International Joint Conference on.IEEE, 2012: 1-4.