于毅++趙云++李振新++董兵超

摘要：在腦-機(jī)接口的研究中，針對運(yùn)動(dòng)想象的兩種思維任務(wù)的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運(yùn)動(dòng)中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進(jìn)行分類，正確率達(dá)到88.57%。

關(guān)鍵詞：腦-機(jī)接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復(fù)雜、低信噪比的特點(diǎn)，要從微弱的腦電信號中有效區(qū)分各種意識活動(dòng)成分是腦-機(jī)接口系統(tǒng)中一個(gè)重大課題[1]。常用的特征提取的方法有功率譜法、時(shí)頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當(dāng)腦電信號數(shù)據(jù)長度較短時(shí)，采用該方法獲得的腦電信號特征就不明顯了；時(shí)頻分析法對腦電信號分類時(shí)建立的分類模型較為復(fù)雜，難以在實(shí)際中應(yīng)用；小波分析法在低頻時(shí)時(shí)間分辨率較低，而高頻時(shí)時(shí)間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點(diǎn)，所以更適合非平穩(wěn)的腦電信號的分析。

2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學(xué)提供。實(shí)驗(yàn)是由一個(gè)帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務(wù)為根據(jù)屏幕箭頭的指示方向來想象左右手運(yùn)動(dòng)，每次實(shí)驗(yàn)持續(xù)9s，前2s為受試者平靜時(shí)間，第2s時(shí)，屏幕出現(xiàn)一個(gè)固定不動(dòng)十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應(yīng)地做想象左手或右手運(yùn)動(dòng)，每次實(shí)驗(yàn)采集C3、Cz、C4三個(gè)通道的腦電信號，采樣頻率為128Hz，每次實(shí)驗(yàn)每個(gè)通道包含1152個(gè)數(shù)據(jù)?？偣沧?80次實(shí)驗(yàn)，訓(xùn)練組和測試組各140次，其中訓(xùn)練組已知每次實(shí)驗(yàn)想象運(yùn)動(dòng)的類別，這樣訓(xùn)練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準(zhǔn)原理的前提下，可對運(yùn)動(dòng)腦電信號按任意的時(shí)頻分辨率分解到不同的頻段，并將運(yùn)動(dòng)腦電信號的時(shí)頻信息相應(yīng)地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運(yùn)動(dòng)想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運(yùn)動(dòng)想象腦電信號的特征提供了很好的條件。小波包在對運(yùn)動(dòng)想象腦電信號分解時(shí)，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運(yùn)動(dòng)時(shí)，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進(jìn)行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進(jìn)行兩層小波包分解，分解后第二層共有4個(gè)節(jié)點(diǎn)，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個(gè)節(jié)點(diǎn)和第三個(gè)節(jié)點(diǎn)的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點(diǎn)的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時(shí)，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運(yùn)動(dòng)區(qū)域[4]。由于在想象左右手運(yùn)動(dòng)過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運(yùn)動(dòng)C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實(shí)驗(yàn)的腦電信號能量均值ECZ作為參考，每次實(shí)驗(yàn)的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運(yùn)動(dòng)想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎(chǔ)上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進(jìn)行預(yù)處理，然后，利用小波變換對C3、C4通道腦電信號進(jìn)行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進(jìn)行分類識別，對訓(xùn)練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻(xiàn)[3]中，利用時(shí)間相關(guān)去同步特征進(jìn)行特征提取和線性判別分類器進(jìn)行分類的正確率為86.43%，利用AR特征和線性判別分類器進(jìn)行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻(xiàn)

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.The BCI competition 2003：progress and perspectives in detection and discrimination of EEG single trials[J].IEEE Trans Biomed Eng，2004，51（6）：1044-1051.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運(yùn)動(dòng)腦電信號特征的提取[J].中國組織工程研究與臨床康復(fù)，2010，14（43）：8061-8064.endprint

摘要：在腦-機(jī)接口的研究中，針對運(yùn)動(dòng)想象的兩種思維任務(wù)的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運(yùn)動(dòng)中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進(jìn)行分類，正確率達(dá)到88.57%。

關(guān)鍵詞：腦-機(jī)接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復(fù)雜、低信噪比的特點(diǎn)，要從微弱的腦電信號中有效區(qū)分各種意識活動(dòng)成分是腦-機(jī)接口系統(tǒng)中一個(gè)重大課題[1]。常用的特征提取的方法有功率譜法、時(shí)頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當(dāng)腦電信號數(shù)據(jù)長度較短時(shí)，采用該方法獲得的腦電信號特征就不明顯了；時(shí)頻分析法對腦電信號分類時(shí)建立的分類模型較為復(fù)雜，難以在實(shí)際中應(yīng)用；小波分析法在低頻時(shí)時(shí)間分辨率較低，而高頻時(shí)時(shí)間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點(diǎn)，所以更適合非平穩(wěn)的腦電信號的分析。

2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學(xué)提供。實(shí)驗(yàn)是由一個(gè)帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務(wù)為根據(jù)屏幕箭頭的指示方向來想象左右手運(yùn)動(dòng)，每次實(shí)驗(yàn)持續(xù)9s，前2s為受試者平靜時(shí)間，第2s時(shí)，屏幕出現(xiàn)一個(gè)固定不動(dòng)十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應(yīng)地做想象左手或右手運(yùn)動(dòng)，每次實(shí)驗(yàn)采集C3、Cz、C4三個(gè)通道的腦電信號，采樣頻率為128Hz，每次實(shí)驗(yàn)每個(gè)通道包含1152個(gè)數(shù)據(jù)。總共做280次實(shí)驗(yàn)，訓(xùn)練組和測試組各140次，其中訓(xùn)練組已知每次實(shí)驗(yàn)想象運(yùn)動(dòng)的類別，這樣訓(xùn)練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準(zhǔn)原理的前提下，可對運(yùn)動(dòng)腦電信號按任意的時(shí)頻分辨率分解到不同的頻段，并將運(yùn)動(dòng)腦電信號的時(shí)頻信息相應(yīng)地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運(yùn)動(dòng)想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運(yùn)動(dòng)想象腦電信號的特征提供了很好的條件。小波包在對運(yùn)動(dòng)想象腦電信號分解時(shí)，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運(yùn)動(dòng)時(shí)，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進(jìn)行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進(jìn)行兩層小波包分解，分解后第二層共有4個(gè)節(jié)點(diǎn)，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個(gè)節(jié)點(diǎn)和第三個(gè)節(jié)點(diǎn)的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點(diǎn)的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時(shí)，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運(yùn)動(dòng)區(qū)域[4]。由于在想象左右手運(yùn)動(dòng)過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運(yùn)動(dòng)C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實(shí)驗(yàn)的腦電信號能量均值ECZ作為參考，每次實(shí)驗(yàn)的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運(yùn)動(dòng)想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎(chǔ)上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進(jìn)行預(yù)處理，然后，利用小波變換對C3、C4通道腦電信號進(jìn)行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進(jìn)行分類識別，對訓(xùn)練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻(xiàn)[3]中，利用時(shí)間相關(guān)去同步特征進(jìn)行特征提取和線性判別分類器進(jìn)行分類的正確率為86.43%，利用AR特征和線性判別分類器進(jìn)行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻(xiàn)

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.The BCI competition 2003：progress and perspectives in detection and discrimination of EEG single trials[J].IEEE Trans Biomed Eng，2004，51（6）：1044-1051.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運(yùn)動(dòng)腦電信號特征的提取[J].中國組織工程研究與臨床康復(fù)，2010，14（43）：8061-8064.endprint

摘要：在腦-機(jī)接口的研究中，針對運(yùn)動(dòng)想象的兩種思維任務(wù)的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運(yùn)動(dòng)中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進(jìn)行分類，正確率達(dá)到88.57%。

關(guān)鍵詞：腦-機(jī)接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復(fù)雜、低信噪比的特點(diǎn)，要從微弱的腦電信號中有效區(qū)分各種意識活動(dòng)成分是腦-機(jī)接口系統(tǒng)中一個(gè)重大課題[1]。常用的特征提取的方法有功率譜法、時(shí)頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當(dāng)腦電信號數(shù)據(jù)長度較短時(shí)，采用該方法獲得的腦電信號特征就不明顯了；時(shí)頻分析法對腦電信號分類時(shí)建立的分類模型較為復(fù)雜，難以在實(shí)際中應(yīng)用；小波分析法在低頻時(shí)時(shí)間分辨率較低，而高頻時(shí)時(shí)間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點(diǎn)，所以更適合非平穩(wěn)的腦電信號的分析。

2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學(xué)提供。實(shí)驗(yàn)是由一個(gè)帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務(wù)為根據(jù)屏幕箭頭的指示方向來想象左右手運(yùn)動(dòng)，每次實(shí)驗(yàn)持續(xù)9s，前2s為受試者平靜時(shí)間，第2s時(shí)，屏幕出現(xiàn)一個(gè)固定不動(dòng)十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應(yīng)地做想象左手或右手運(yùn)動(dòng)，每次實(shí)驗(yàn)采集C3、Cz、C4三個(gè)通道的腦電信號，采樣頻率為128Hz，每次實(shí)驗(yàn)每個(gè)通道包含1152個(gè)數(shù)據(jù)?？偣沧?80次實(shí)驗(yàn)，訓(xùn)練組和測試組各140次，其中訓(xùn)練組已知每次實(shí)驗(yàn)想象運(yùn)動(dòng)的類別，這樣訓(xùn)練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準(zhǔn)原理的前提下，可對運(yùn)動(dòng)腦電信號按任意的時(shí)頻分辨率分解到不同的頻段，并將運(yùn)動(dòng)腦電信號的時(shí)頻信息相應(yīng)地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運(yùn)動(dòng)想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運(yùn)動(dòng)想象腦電信號的特征提供了很好的條件。小波包在對運(yùn)動(dòng)想象腦電信號分解時(shí)，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運(yùn)動(dòng)時(shí)，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進(jìn)行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進(jìn)行兩層小波包分解，分解后第二層共有4個(gè)節(jié)點(diǎn)，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個(gè)節(jié)點(diǎn)和第三個(gè)節(jié)點(diǎn)的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點(diǎn)的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時(shí)，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運(yùn)動(dòng)區(qū)域[4]。由于在想象左右手運(yùn)動(dòng)過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運(yùn)動(dòng)C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實(shí)驗(yàn)的腦電信號能量均值ECZ作為參考，每次實(shí)驗(yàn)的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運(yùn)動(dòng)想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎(chǔ)上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進(jìn)行預(yù)處理，然后，利用小波變換對C3、C4通道腦電信號進(jìn)行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進(jìn)行分類識別，對訓(xùn)練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻(xiàn)[3]中，利用時(shí)間相關(guān)去同步特征進(jìn)行特征提取和線性判別分類器進(jìn)行分類的正確率為86.43%，利用AR特征和線性判別分類器進(jìn)行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻(xiàn)

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.The BCI competition 2003：progress and perspectives in detection and discrimination of EEG single trials[J].IEEE Trans Biomed Eng，2004，51（6）：1044-1051.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運(yùn)動(dòng)腦電信號特征的提取[J].中國組織工程研究與臨床康復(fù)，2010，14（43）：8061-8064.endprint