楊航

摘要：針對運動想象腦電特征的提取與識別，提出了一種采用經(jīng)驗?zāi)B(tài)分解（EMD）提取腦電信號能量特征與幅值特征的分類識別方法。首先用時間窗對腦電信號進行細分；然后利用EMD方法對細分后的數(shù)據(jù)進行分解，取前三階的固有模態(tài)函數(shù)分量（IMF），提取能量和平均幅值差作為特征向量；最后，使用支持向量機對左右手運動想象進行分類識別。多次仿真試驗數(shù)據(jù)表明，分類準(zhǔn)確度達到88.57%，證明了該方法有效、適用。

關(guān)鍵詞：經(jīng)驗?zāi)B(tài)分解； 特征提?。?運動想象；支持向量機

DOIDOI：10.11907/rjdk.143770

中圖分類號：TP301

文獻標(biāo)識碼：A 文章編號文章編號：16727800（2015）001004403

0 引言

腦機接口（BrainComputer Interface，BCI）技術(shù)是不依賴于腦的正常輸出通路（外周神經(jīng)系統(tǒng)和肌肉組織），即可實現(xiàn)大腦與外界直接通信的一種新的人機交互方式[1]。它能為肢體殘疾患者提供與外部通信的手段，在殘疾人康復(fù)、正常人輔助控制、娛樂等領(lǐng)域有著廣泛應(yīng)用。

特征提取是腦機接口系統(tǒng)中最重要的技術(shù)之一，特征提取常用的技術(shù)有FFT（fast Fourier transform）、AR（AutoRegressive）、ARR（Adaptive AutoRegressive）、ICA（Independent Component Correlation）、小波變換等。經(jīng)驗?zāi)B(tài)分解 （Empirical mode decomposition，EMD）方法是Huang等人[23]提出的一種信號處理方法，該方法能根據(jù)信號本身的尺度特征對信號進行分解，獲得一系列的固有模態(tài)函數(shù)（Intrinsic Mode Function， IMF）分量，信號的非線性和非平穩(wěn)特征能在各階IMF分量中顯示出來。將EMD方法應(yīng)用于腦電信號的特征提取效果較好。

支持向量機（support vector machine，SVM）是在統(tǒng)計學(xué)理論基礎(chǔ)上提出的一種機器學(xué)習(xí)方法，它可以避免以往機器學(xué)習(xí)中存在的欠學(xué)習(xí)和過學(xué)習(xí)問題，在處理非線性、小樣本以及高維模式識別等方面優(yōu)勢明顯[4]。因此，SVM在腦電信號特征分類領(lǐng)域有著廣泛的應(yīng)用。

本文提出了一種采用EMD方法提取運動想象腦電信號中能量特征與幅值特征，然后利用提取的特征對運動腦電信號進行分類識別的方法。該方法對經(jīng)過時間窗細分后的C3、C4兩通道信號進行EMD分解，從前三階的IMF分量中，提取每階IMF分量的能量，以及IMF分量之間的平均幅度差作為特征向量，采用支持向量機進行分類識別，識別率達到88.57%。該方法主要通過細化C3、C4通道之間的幅值差異對不同運動想象進行區(qū)分，為運動想象腦電的特征提取研究提供了新的思路。

1 實驗數(shù)據(jù)

為了客觀評價方法的有效性，本文采用BCI2003競賽中格拉茨科技大學(xué)提供的腦電數(shù)據(jù)（data set Ⅲ）[5]。實驗過程為受試者（性別：女，年齡：25歲）以放松的姿勢坐在屏幕前，根據(jù)屏幕上隨機出現(xiàn)的左右箭頭想象左右手運動。該實驗包含7組數(shù)據(jù)，每組數(shù)據(jù)包括40次實驗，共280次實驗均在一天內(nèi)完成，每次實驗間隔幾分鐘。

整個實驗過程持續(xù)9s，前2s受試者保持安靜，在第2s時屏幕出現(xiàn)十字光標(biāo)，并伴隨著提示音開始實驗，光標(biāo)持續(xù)時間為1s。在第3s時，屏幕出現(xiàn)一個向左或向右的箭頭，同時，受試者根據(jù)箭頭的方向想象左右手運動，4s～9s為有效數(shù)據(jù)區(qū)間。

實驗采用AgCl電極，數(shù)據(jù)從國際標(biāo)準(zhǔn)的10～20導(dǎo)聯(lián)系統(tǒng)的C3、Cz和C4三個通道獲得，如圖1所示。其中，C3、C4電極位于大腦的初級感覺皮層運動功能區(qū)，能反映受試者在想象左右手運動時大腦狀態(tài)變化的有效信息，Cz作為參考電極。EEG信號的采樣頻率為128Hz，通過0.5～30Hz的帶通濾波器濾波。

2 特征向量獲取

2.1 EMD方法簡介

EMD分解方法處理過程非常簡單，其基本思想是：假設(shè)任何復(fù)雜信號都是由一系列幅度和相位都隨時間變化的基本模式分量構(gòu)成，這種基本模式分量滿足兩個條件：①它的極點數(shù)與零點數(shù)必須相等或至多相差1個；②對任一數(shù)據(jù)點，它的極大值包絡(luò)與極小值包絡(luò)的均值為0，即由極大值構(gòu)成的上包絡(luò)和極小值構(gòu)成的下包絡(luò)關(guān)于時間軸局部對稱。Huang把這種基本模式分量定義為固有模態(tài)函數(shù)，即IMF。EMD分解方法就是將多分量信號內(nèi)部的各階IMF分量一一篩選出來。設(shè)原始信號為s（t），具體步驟如下[67]：

圖1 電極位置及實驗時序

（1）獲取信號s（t）的極大值點集合和極小值點集合。

（2）通過3次樣條插值函數(shù)分別擬合極大值和極小值點集，得到信號的上下包絡(luò)，分別為u（t）和v（t），求得包絡(luò)線的平均曲線：

m11（t）=12[u（t）+v（t）]（1）

（3）原始信號去除包絡(luò)平均值，得到h11（t），即h11（t）=s（t）-m11（t） 。

（4）用h11（t）代替原始信號s（t），重復(fù)以上3步k次，直到所得的包絡(luò)趨近于零為止，此時即可認為h1k（t）是一個IMF分量，記c1=h1k（t），r1（t）=s（t）-c1，s（t）=r1（t）。

（5） 重復(fù)以上4步，直到rn小于一個足夠小的設(shè)定值或者變成一個單調(diào)函數(shù)，EMD分解過程終止，得到s（t）的分解式如下：

s（t）=∑ni=1ci+r（2）

分解的每階IMF分量能突出原始信號中不同時間尺度的局部特征，并且是窄帶信號，從而使得瞬時頻率具有確切的物理意義。對采集的EEG信號進行EMD分解得到各階IMF分量，然后從中提取相應(yīng)頻段的特征向量。

2.2 EEG特征向量提取

首先選用基于Burg算法的AR模型對去噪后的EEG信號進行功率譜密度估計，通過功率譜密度來判斷信號的能量分布范圍，以此來決定EMD分解的層數(shù)。圖2為C3通道、C4通道的EEG信號功率譜密度。從圖中可以看出，腦電信號的能量主要分布在8～11Hz和19～22Hz頻段，分別對應(yīng)腦電信號中的mu節(jié)律和beta節(jié)律。

圖2 想象左右手運動的功率譜密度

為了明確各階IMF對應(yīng)的頻段范圍，利用傅里葉變換計算各階IMF分量的頻譜。圖3為進行右手運動想象時，C3、C4通道前4階IMF分量的頻譜圖。

圖3 想象右手C3、C4前4階IMF分量的幅值譜

從圖3可以看出，mu節(jié)律（8～11Hz）和beta節(jié)律（19～22Hz）段信號主要分布在前3個分量中，IMF4分量中mu節(jié)律和beta節(jié)律段的信號幅度可忽略不計。此外，前3階的IMF分量包含了原始信號90%的能量，前3階的IMF分量能基本代表原始信號中的特征，故選取前3階IMF分量進行特征提取。

（1）能量特征。通過對比圖2，分別試驗左右手運動想象時C3、C4通道功率譜密度，可以明顯看出，二者在mu/beta節(jié)律頻段的能量差別較大。因此，利用C3、C4兩個通道的能量作為特征值是可行的。

實驗過程中，受試者是從第3s開始執(zhí)行想象任務(wù)的，采集的數(shù)據(jù)有效時間段為4～9s。經(jīng)過多次實驗測試，選取4～8s時間段內(nèi)的數(shù)據(jù)進行分類準(zhǔn)確度最高。為了進一步提高分類的準(zhǔn)確度，利用1s的時間窗將每組數(shù)據(jù)中的4～8s段信號分成4段，對每一段進行EMD分解，并分別計算前3階IMF的能量值，計算公式如下：

El=∑ni=1[c（i）]2（3）

其中El是第l個IMF分量的能量，c（i）是該IMF分量中的第i個值，n為該IMF分量的長度。

（2）平均幅度差。對比圖3中各階IMF分量頻譜，可以看出，當(dāng)進行右手運動想象時，相比于其它的IMF分量，C4中的IMF2分量幅值波動十分明顯，而對應(yīng)的C3中的IMF2分量波動不大。因此，可以定義平均幅度差作為一個特征值，計算公式如下：

Fi，j=1n∑nk=1ci（k）-cj（k）（4）

其中ci表示第i個IMF分量，cj表示第j個IMF分量，n為信號的長度。本文選取IMF1、IMF2的平均幅度差和IMF2、IMF3的平均幅度差作為特征向量。

3 支持向量機

本文選取CSVC對特征向量進行分類識別。其原理如下：

（1）設(shè)已知訓(xùn)練集T={（x1，y1），…，（xl，yl）}∈（X×Y）l，其中xi是樣本輸入向量，yi是樣本輸出向量，xi∈X=Rn ，yi∈Y={-1，1} ，i=1，…，l。

（2）選取合適的核函數(shù)K（x，x）和適當(dāng)?shù)膮?shù)C，構(gòu)造并求解最優(yōu)化問題：

minα12∑li=1∑lj=1yiyjαiαjK（xi，xj）-∑lj=1αj（5）

s.t.∑li=1yiai=0，0≤αi≤C，i=1，…，l（6）

得到最優(yōu)解α*=（α*1，…，α*l）T。

（3）選取α* 的一個正分量0<α*j

b*=yi-∑li=1yiα*iK（xi，xj）（7）

（4）構(gòu)造決策函數(shù)

f（x）=sgn（∑li=1α*iyiK（x，xi）+b*）（8）

在本文中，選取高斯徑向基核函數(shù)（gaussian radial basis function ，RBF）作為核函數(shù)，其表達式為：

K（x，xi）=exp（-xi-xj2/σ2）（9）

在選定核函數(shù)之后，CSVM還需要確定懲罰參數(shù)c和核參數(shù)g，其中懲罰參數(shù)c能調(diào)節(jié)分類器的置信范圍和經(jīng)驗風(fēng)險的比例，取折衷值能使其泛化能力最好；核參數(shù)g能反映訓(xùn)練樣本數(shù)據(jù)的分布特性，確定局部領(lǐng)域的寬度，較大的g意味著較小的方差。懲罰參數(shù)和局部參數(shù)在很大程度上決定了CSVM的學(xué)習(xí)能力和泛化能力[8]。

本文選取粒子群優(yōu)化算法（particle swarm optimization， PSO）進行參數(shù)尋優(yōu)，得到最佳的懲罰因子c和核參數(shù)g，對測試樣本進行分類。

4 實驗結(jié)果分析

本文對BCI2003競賽中的data set Ⅲ數(shù)據(jù)集進行特征提取與分類。該數(shù)據(jù)集包含280組數(shù)據(jù)，取140組數(shù)據(jù)作為訓(xùn)練樣本，另外140組數(shù)據(jù)作為測試樣本。提取每個通道中的4～8s數(shù)據(jù)，并用1s的時間窗把該數(shù)據(jù)分成4小段；對每小段數(shù)據(jù)進行EMD分解，取前3階IMF分量進行特征提取。單個通道中，每小段數(shù)據(jù)包含3個能量特征和2個平均幅度差特征。每個訓(xùn)練樣本包括2個通道、4小段數(shù)據(jù)，共40個特征向量；用訓(xùn)練樣本確定的SVM最優(yōu)懲罰參數(shù)和核參數(shù)，對140個測試樣本進行分類。分類結(jié)果如表1所示。

從表1可以看出，基于EMD方法的特征提取能獲得較高的識別率。只使用能量作為特征向量的分辨正確率最低，但也達到了85%；單獨使用本文定義的平均幅度差作為特征向量的達到了87.85%的正確率；而同時將能量和平均幅度差作為特征向量進行分類，能達到88.57%的正確率，不僅接近于競賽優(yōu)勝者的成績（BCI競賽中對此數(shù)據(jù)集識別準(zhǔn)確率排名：第一名：89.29%，第二名：86.43%），而且相比其它文獻[1，4，9]中的方法正確率都要高。

5 結(jié)語

EMD方法與小波變換類似，能對非線性非平穩(wěn)信號進行分解，突出原始信號中的局部特征。但與小波變換相比，EMD方法是基于自身的時間尺度進行信號分解的，具有自適應(yīng)性，不需要設(shè)置基函數(shù)。EMD分解所得的IMF隨著尺度的增大頻率逐漸降低，有助于突出各腦電分量中的特征。

本文針對不同的運動想象，C3、C4兩通道的腦電信號存在一定幅值差異的特征，提出了一種利用EMD提取腦電信號能量特征與幅值特征作為特征向量進行分類的方法。該方法能對C3、C4兩通道中腦電信號進行細分比較，通過支持向量機進行分類，獲得滿意的效果，為研究運動想象腦電的特征提取提供了新的思路。