伍智萱 楊晨 王聰

?

基于Matlab工具箱的腦—機接口數(shù)據(jù)處理

伍智萱 楊晨 王聰

鄭州大學(xué) 信息工程學(xué)院，河南 鄭州 450006

腦電信號（EEG）是一種典型的生物電信號，包含大量生理和病理信息，對于神經(jīng)醫(yī)學(xué)、臨床檢測以及新興腦-機接口科技的發(fā)展，都有深遠(yuǎn)的意義。研究簡單介紹了腦電信號的數(shù)據(jù)預(yù)處理、特征抽取和分類。腦電信號的非平穩(wěn)性和背景噪聲等都很強，因此在預(yù)處理中要進行數(shù)字濾波。特征抽取采用小波包分解分析，之后進行小波閾值去噪。采用BP神經(jīng)網(wǎng)絡(luò)LM算法進行分類預(yù)測。

腦電信號；數(shù)字濾波；小波分析；Levenberg—Marquardt算法；MATLAB

引言

腦—機接口（Brain_computer interface，以下簡稱BCI）是在人或動物腦（或者腦細(xì)胞的培養(yǎng)物）與外部設(shè)備間建立的直接連接通路，是基于腦電信號（Eletroencepha logram，EEG）實現(xiàn)人腦與電子設(shè)備之間通信和控制的系統(tǒng)，不依賴于正常的人腦外周神經(jīng)和肌肉輸出通道[1]。BCI既可以恢復(fù)思維正常但有運動障礙的人的感官，也可以用來增強人類，充分發(fā)揮機器計算能力、通信和傳感能力的優(yōu)點，提供與外部環(huán)境進行交流和控制的新途徑。

BCI的基本原理是：人腦能夠產(chǎn)生特定模式的腦電信號，通過對這些腦電信號進行預(yù)處理、特征提取、分類識別與輸出控制，就可以識別出受試者不同的意圖，從而通過通路控制電子設(shè)備進行反應(yīng)[2]。預(yù)處理是對信號進行初步的數(shù)字濾波之后降采樣。特征抽取腦電信號中提取出有用的信息特征之后對信號進行選擇，分類識別則是利用這些特征信息對不同人腦狀態(tài)進行區(qū)分。近年來，全球范圍對此領(lǐng)域的基礎(chǔ)研究已經(jīng)有很多年，研究的主線是大腦不同尋常的皮層可塑性，它與腦—機接口相適應(yīng)，可以像自然肢體那樣控制植入的假肢，在當(dāng)前所取得的技術(shù)與知識的進展之下，對不同狀態(tài)下的腦電信號分類以控制外界環(huán)境是可行的。

1 腦電信號分析及信號轉(zhuǎn)換

1.1 腦電信號的預(yù)處理

EEG的頻率范圍一般在0.5～100Hz，但在實驗的特征分析中只需要提取出0.5到30Hz之間的信號，所以用低通濾波器對信號進行濾波。切比雪夫I型濾波器能夠有效地將技術(shù)指標(biāo)的精確度均勻分布在通帶內(nèi)，實現(xiàn)用階數(shù)較低的系統(tǒng)來滿足要求的目的。在大部分情況下，若不需要特別平坦的通帶，選擇切比雪夫Ⅰ型濾波器會使階數(shù)更低，從而提高計算效率。

原始EEG信號的采樣頻率約為1000Hz，數(shù)據(jù)與運算量較大。為了減少運算量，對采集的EEG信號進行降采樣，每隔5個點抽取一個點，即將采樣頻率由1000Hz變?yōu)?00Hz。選取10000個樣本點（約為39.06s）作為研究對象。

EEG信號是一種微弱（μV級）的非平穩(wěn)的電生理信號，信噪比低，所以極易受到非神經(jīng)源噪聲和神經(jīng)源噪聲，如工頻干擾、高頻干擾、眼動偽差等其他電生理信號的影響[3]。所以需要將混雜在其中的噪聲、偽跡等干擾信號去除掉，以保障信號處理的有效性和可靠性。

1.2 腦電信號的特征提取及去噪

特征提?。禾幚硭脺y量值，通過矩陣變換，使得數(shù)據(jù)模塊中的代表性特征能夠突顯，EEG信號的特征提取，腦電信號經(jīng)過數(shù)字化處理和預(yù)處理，從中提取出能夠表明被測試者的思維狀態(tài)的信號特征。最常用的特征提取有自回歸模，獨立分量分析，小波變換和共空間模式等。在研究中使用的是小波包分解法。

對于給定的信號我們需要分析所對應(yīng)的頻率和幅值，傳統(tǒng)的分析手段運用傅里葉變換，但是它不能將時域和頻域聯(lián)系起來，后來D.Gabor提出了短時傅里葉變換對信號進行加窗。短時傅里葉變換的窗口大小和形狀與信號的頻率無關(guān)，而所需的時頻分析窗應(yīng)具有隨頻率變化而自動調(diào)節(jié)分析帶寬的能力。小波分析克服了這個不足，當(dāng)在較小的尺度下對信號分析時，實際上是用高頻小波對信號進行細(xì)致觀察，當(dāng)在較大的尺度對信號進行分析時，實際上是用低頻小波對信號進行概貌觀察[4]。

小波變換采用Mallat算法：在滿足測不準(zhǔn)原理的條件下將腦電信號y（t）按任意的視頻分辨率分解到不同的頻段，并將信號y（t）的時頻相應(yīng)的投到所有代表不同頻段的正交小波包空間上[5]。

傳統(tǒng)信號處理得到時域頻域信息主要采用傅里葉變換。傅里葉分析是將信號在頻率域中分析來實現(xiàn)去噪，缺乏時域定位功能[6]，它不能用于分析不平穩(wěn)的信號，因為傅里葉變換的特性使它無法顯示信號在某個時間點上的變化情況，不能有效的區(qū)分信號中可能包含的尖峰或突變部分還是不平穩(wěn)的白噪聲。小波變換具有多分辨率分析的特點，良好的時頻局部化特性，能夠?qū)Ω鞣N時變信號進行有效的分解，從而較好的將信號與噪聲加以分離[7]。

小波分析常用去噪方法：默認(rèn)閾值去噪處理，給定閾值去噪處理，強制去噪處理[8]。首先將信號進行n層小波變換得到小波系數(shù)，然后在小波變換域上利用信號與噪聲的不同特性，對小波變換進行閾值化處理，把噪聲從信號中區(qū)分開來（主要是對高頻系數(shù)進行閾值化處理）。

1.3 腦電信號的分類識別

腦電信號常用的分類方法有：Fisher線性判別、貝葉斯方法、BP神經(jīng)網(wǎng)絡(luò)等，這里我們使用基于LM（Levenberg -Marquardt）算法的神經(jīng)網(wǎng)絡(luò)來進行腦電信號分類器的設(shè)計。

BP網(wǎng)絡(luò)（Back Propagation），是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。傳統(tǒng)的BP算法就是把一組數(shù)據(jù)輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，并通過負(fù)梯度下降算法，利用迭代運算求解權(quán)值問題的一種學(xué)習(xí)方法[9]。

雖然基本的BP算法具有簡單易行、并行性強、計算量小等優(yōu)點，但它同時也具有學(xué)習(xí)時間長、易陷入局部最小、收斂速度慢等問題。LM算法是介于牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，它能使目標(biāo)函數(shù)陷入局部極小值的機率大大降低，且訓(xùn)練的迭代次數(shù)少，能有效節(jié)省訓(xùn)練時間，非常適合性能指數(shù)是均方誤差的神經(jīng)網(wǎng)絡(luò)訓(xùn)練[10]。LM優(yōu)化算法利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)，具有高斯一牛頓法的局部收斂性和梯度下降法的全局特性，在局部搜索能力上強于BP網(wǎng)絡(luò)[11]。

在本文中使用LM算法進行信號的分類，希望可以更高效地處理信號。它的關(guān)鍵是用模型函數(shù)f對待估參數(shù)向量p在其領(lǐng)域內(nèi)做線性近似，忽略掉二階以上的導(dǎo)數(shù)項，需要對每一個待估參數(shù)求偏導(dǎo)。

1.4 輸出控制

信號轉(zhuǎn)換是根據(jù)信號分析、分類之后得到的特征信號產(chǎn)生驅(qū)動或操作命令，通過信號處理將特征變量轉(zhuǎn)換為驅(qū)動和控制外圍設(shè)備的指令，對外圍設(shè)備進行操作，或直接輸出表示患者意圖的字母或單詞，達(dá)到與外界交流的目的[12]。輸出設(shè)備主要指接受控制指令并做出相應(yīng)動作的設(shè)備終端。

2 仿真設(shè)計實驗過程及結(jié)果

本實驗所使用腦電信號數(shù)據(jù)組成的數(shù)據(jù)集是來自CSDN.NET。

使用切比雪夫Ⅰ型濾波器對腦電信號進行低通濾波處理。在MATLAB command窗口下，執(zhí)行FDATool命令，F(xiàn)DATool（Filter Design&Analysis Tool）是MATLAB信號處理工具箱里專用的濾波器設(shè)計和分析工具，操作簡單，方便靈活。在Design Filter設(shè)置濾波器的設(shè)計參數(shù).設(shè)置Fstop=0.5Hz，F(xiàn)pass=30Hz。設(shè)置完以后點擊Design Filter即可得到所設(shè)計的FIR切比雪夫Ⅰ型低通濾波器。設(shè)計完成后將結(jié)果保存為l.fda文件[4]。

進行低通濾波處理之后，信號的高頻部分被濾除。在matlab命令窗口下繪制出原信號和濾波之后的信號分別如圖1和圖2。

圖1 原始EEG信號波形

圖2 濾波后信號波形

打開小波工具箱wavemenu，用db8波執(zhí)行8層分解，腦電信號所對應(yīng)頻率及子帶如表一所示。之后采用小波閾值去噪如圖三所示。

表1 腦電信號對應(yīng)子帶及頻率

圖3 小波閾值去噪后小波分解波形

打開nntool（Neural Network/Data Manager）工具箱，設(shè)置所需參數(shù)，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)并采用LM訓(xùn)練算法進行分析運算，運算結(jié)果將作為輸出設(shè)備的輸入信號進行使用。

3 結(jié)束語

BCI是一個多學(xué)科交叉的新興技術(shù)，涉及神經(jīng)科學(xué)、信號處理、信號檢測、模式識別等多種學(xué)科領(lǐng)域，研究這項技術(shù)具有重要的理論意義和應(yīng)用前景。運用matlab工具箱來實現(xiàn)BCI不容易出錯且更容易讓人理解。通過BCI技術(shù)，人可以直接通過大腦思維來操縱外部設(shè)備，表達(dá)自己的想法和意愿，而不需要通過語言或是肢體上的表達(dá)，以一種全新的方式來進行通信。雖然大多數(shù)的BCI系統(tǒng)還在實驗研究階段，也仍然有很多的問題需要解決，但是我們依然可以期待它為人類將來的生活帶來更多的便利。

[1]高上凱.基于節(jié)律性腦電信號的腦—機接口[J].生命科學(xué)，2008，20（5）：722.

[2]陳悅，張少白.LM算法在神經(jīng)網(wǎng)絡(luò)腦電信號分類中的研究[J].計算機技術(shù)與發(fā)展，2013，23（2）：119.

[3]徐欣，周運，馬千里.EEG數(shù)據(jù)信號的Matlab濾波仿真設(shè)計分析研究[J].南京郵電大學(xué)學(xué)報：自然科學(xué)版，2011，31（6）：37-38.

[4]姬風(fēng)慶，董愛華.心電信號數(shù)字濾波的matlab仿真[J].中國醫(yī)療器械信息，2007，13（11）：30.

[5]胡曉曼.基于WVD分析的多通道LFPs的θ和γ相位同步振蕩對工作記憶事件的編碼[D].天津：天津醫(yī)科大學(xué)，2011.

[6]孫延奎.小波變換與圖像圖形處理技術(shù)[M].北京：清華大學(xué)出版社，2011.

[7]周鴻表，陳若珠，李軍紅.基于小波變換的癲癇腦電信號特征提取[J].電子測量技術(shù)，2009（10）.

[8]張仁輝，杜民.小波分析在信號去噪中的應(yīng)用[J].計算機仿真，2005，22（8）：69.

[9]鄢玉，楊潔明.BP神經(jīng)網(wǎng)絡(luò)算法探討[J].科技情報開發(fā)與經(jīng)濟，2006，16（3）：241.

[10]張翼鵬，陳亮，郝歡.一種基于LM的量子神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J].計算機科學(xué)，2013，40（9）：221.

[11]張長勝，歐陽丹彤，岳娜，張永剛.一種基于遺傳算法和LM算法的混合學(xué)習(xí)算法[J].吉林大學(xué)學(xué)報（理學(xué)版），2008，46（4）：675.

[12]楊立才，李佰敏，李光林，賈磊.腦—機接口技術(shù)綜述[J].電子學(xué)報，2005，33（7）：1234.

Data Processing of Brain Computer Interface Based on Matlab Toolbox

Wu Zhixuan，Yang Chen，Wang Cong

Information Engineering College，Zhengzhou University，Zhengzhou，450006，China

Electroencephalogram （EEG） is a typical biological signals，and contains a large number of physiological and pathological information，for neural medicine， clinical detection and new brain computer interface technology development，far-reaching significance.This paper briefly introduced EEG data preprocessing， feature extraction and classification.EEG nonstationarity and background noise is very strong，so in the pretreatment to digital filter.Feature extraction using wavelet packet decomposition analysis.After the wavelet threshold denoising.The LM algorithm of BP neural network to classify and predict.

EEG signal；digital filter；wavelet analysis；LM algorithm；MATLAB

TP183

A

1009-6434（2016）05-0074-03