林文通，張學軍,2，黃麗亞,2，成謝鋒,2

(1.南京郵電大學 電子科學與工程學院，江蘇 南京 210023； 2.江蘇省射頻集成與微組裝工程實驗室，江蘇 南京 210023)

基于ERD和累積能量的腦電特征提取方法

林文通1，張學軍1,2，黃麗亞1,2，成謝鋒1,2

(1.南京郵電大學 電子科學與工程學院，江蘇 南京 210023； 2.江蘇省射頻集成與微組裝工程實驗室，江蘇 南京 210023)

為了提高運動想象腦-機接口的分類正確率，提出了一種基于事件相關去同步(ERD)的頻帶能量特征和累積能量特征相結合的特征提取方法。對腦電信號提取ERD頻帶能量特征，使用線性判別分析(LDA)分類器進行分類，將LDA分類器的輸出D作為分類置信度。當D大于設定的閾值時，判斷進入運動想象狀態(tài)，提取累積能量特征，將ERD頻帶能量特征與累積能量特征相結合，構建聯(lián)合特征向量，使用LDA分類器進行了分類，得到最終分類結果。采用BCI 2003競賽數(shù)據(jù)集Data III進行了實驗。實驗結果以分類正確率和互信息(MI)作為評估標準，提出的方法最大分類正確率為90%，最大互信息為0.51，結果優(yōu)于大部分使用相同數(shù)據(jù)集的參賽隊伍。實驗結果驗證了所提出方法的可行性、有效性，為設計在線腦-機接口模型提供了參考。

腦-機接口；事件相關去同步；累積能量；運動想象

0 引 言

腦-機接口(Brain-Computer Interface,BCI)是一種不依賴大腦周邊神經與肌肉正常輸出通道的通訊控制系統(tǒng)。由于腦電信號與人的意識活動狀態(tài)有相關性，腦-機接口繞開了外部神經和肌肉組織，在大腦與外部設備間直接建立信息通道，實現(xiàn)大腦與電子設備的通信和控制，為運動功能障礙患者提供了一種新的康復手段，為那些不能通過語言或肢體動作來表達想法或操作設備的人提供了一種與外界環(huán)境進行溝通交流的途徑[1]。

運動想象[2]指只進行肢體運動想象而沒有實際的肢體運動。運動感知節(jié)律由μ和β節(jié)律組成，它們是大腦活動位于μ頻帶(7～13 Hz)和β頻帶(19～26 Hz)的波動[2]。當大腦的活動和運動任務相關時，感覺運動節(jié)律會發(fā)生改變，更為重要的是，僅僅進行運動想象也會反映在感覺運動節(jié)律的變化中。運動想象時，大腦感覺運動皮層會產生事件相關同步/去同步(Event-Related Synchronization/Event-Related Desynchronization,ERS/ERD)現(xiàn)象[3]。腦電圖(Electroencephalogram,EEG)數(shù)據(jù)特征提取和分類是BCI系統(tǒng)的關鍵[4]。目前常用的運動想象EEG特征主要有功率譜、頻帶能量[5]、AR/AAR模型參數(shù)[6]、小波分析[7]、CSP[8]等方法；常用判別方法主要有線性判別分析(Linear Discriminant Analysis,LDA)[9]、支持向量機(Support Vector Machine,SVM)[10-11]、神經網絡[12]等。

為此，在研究基于想象左右手運動的BCI系統(tǒng)基礎上，提出了一種基于事件相關同步/去同步現(xiàn)象的ERD特征和累積能量特征相結合的特征提取方法。對數(shù)據(jù)進行頻譜分析，確定ERS/ERD現(xiàn)象發(fā)生的頻帶范圍，對數(shù)據(jù)進行帶通濾波，并提取每個采樣點的ERD特征。采用LDA對特征進行判別分析，檢測ERS/ERD。檢測到ERS/ERD，將ERD特征與累積頻帶能量特征相結合，進行線性判別，得到分類結果，并采用BCI 2003競賽數(shù)據(jù)集Data III進行實驗。

1 實驗數(shù)據(jù)

實驗數(shù)據(jù)來自一位25歲正常女性受試者。受試者坐在一個有扶手的椅子上，全身放松。實驗任務是要求受試者按照屏幕提示，通過想象左右手運動控制反饋進度條。實驗過程中，想象左手運動或者想象右手運動的提示是隨機的。實驗共包含7組，每組40次，共280次實驗(想象左手140次，想象右手140次)，每組實驗之間休息幾分鐘，所有實驗均在1天內完成。

電極位置和實驗過程如圖1所示。

圖1 電極位置和實驗過程

每個實驗持續(xù)9 s，0～2 s受試者處于放松狀態(tài)，不進行任何想象活動；t=2 s，系統(tǒng)發(fā)出提示音，提示受試者集中注意力，并且屏幕顯示十字光標，持續(xù)1 s，此時受試者應做好準備；t=3 s，屏幕顯示向左或向右的箭頭提示，受試者根據(jù)提示想象左手或者右手運動，控制反饋進度條向左或向右移動，受試者的想象活動一直持續(xù)到第9 s。

實驗采用Ag/AgCl電極，電極放置在C3、Cz、C4位置，前正后負。采樣頻率為128 Hz，采樣數(shù)據(jù)通過0.5～30 Hz帶通濾波器濾波。人類大腦的C3、C4位置包含了想象對側手部運動時最豐富的信息，分析中只采用這兩個通道的數(shù)據(jù)。

2 特征提取和分類

2.1 ERD特征

當大腦皮層中的某個部位因某些事件激活時，大腦對信息的處理會使EEG中某個頻段波幅變大，表現(xiàn)為頻帶能量增加過程，這種現(xiàn)象稱為事件相關同步化(ERS)；相反，當頻譜隨事件的發(fā)生表現(xiàn)為波幅減小，這種現(xiàn)象稱為事件相關去同步(ERD)。

實驗腦電數(shù)據(jù)采樣頻率為128 Hz，腦電信號的ERD/ERS主要出現(xiàn)在α(9～12 Hz)和β(19～26 Hz)這兩個波段附近。為進一步精確頻段范圍，先對訓練腦電數(shù)據(jù)進行頻譜分析，分別計算訓練數(shù)據(jù)集中C3、C4電極中所有想象左手運動實驗和所有想象右手運動實驗的平均功率譜。平均功率譜如圖2所示。

從圖2可以看出，11 Hz附近頻譜差異最為突出，故選擇11 Hz為中心頻率，并對EEG數(shù)據(jù)進行10～12 Hz帶通濾波。

濾波后計算C3、C4通道每個采樣點的ERD頻帶能量特征，如式(1)所示：

(1)

其中，n為窗口長度；X(t)為濾波后的信號。

構建每個采樣點的特征向量：

(2)

圖2 訓練數(shù)據(jù)集功率譜

2.2 累積能量特征

對于運動想象BCI系統(tǒng)，頻帶能量是一種簡單快速的特征，但是頻帶能量方法帶來了分類準確率波動問題，而累積能量特征是當前時刻以前所有能量特征的綜合，更能表現(xiàn)出ERS/ERD現(xiàn)象，以其為特征可以獲得相對平穩(wěn)的分類結果。計算步驟如下：

步驟1：分別對C3、C4通道EEG數(shù)據(jù)逐點平方后取平均值：

(3)

其中，n為窗口長度；X(t)為濾波后的信號。

步驟2：將C3、C4通道的頻帶能量特征進行非線性變換：

(4)

步驟3：對變換后的頻帶能量求累積平均，所得累積頻帶能量作為EEG特征：

(5)

其中，yk為第k個采樣時刻的頻帶能量非線性變化的值；N為當前時刻以前的所有采樣的樣本個數(shù)。

由式(5)可以看出，累積頻帶能量作為特征，實際上考慮了當前時刻及以前所有時刻的頻帶能量特征。由于實驗前3 s受試者不進行任何想象任務，而累積能量是前面所有頻帶能量特征的綜合，如果前3 s的頻帶能量算在內，會對分類精確度造成非常大的影響。在線BCI系統(tǒng)無法判斷何時進入想象，因此提出ERD與累積能量結合的特征提取方法。實驗前段采用頻帶能量作為特征，LDA分類器輸出的判決距離作為置信度，當置信度達到某一閾值，判斷進入想象運動階段，再用ERD頻帶能量和累積能量作為聯(lián)合特征進行分類判決。

2.3 分類器

在第二屆、第三屆BCI國際競賽中，很多獲勝隊伍都選擇了LDA作為分類器，其效果相對較好，因此實驗選擇LDA分類器對特征向量進行判別分析。LDA判別公式為：

(6)

其中，Dt為t時刻線性判別輸出的判別距離；Wc為最佳投影矩陣，表示特征向量的最佳投影方向；w0為訓練數(shù)據(jù)集的特征向量均值在Wc方向的投影。

實驗采用錯誤率和互信息[13-14]結合的評估方式。錯誤率是描述特征提取方法性能的標準。然而錯誤率只有分類輸出的符號，沒有特征向量屬于該類別的程度信息，無法提供分類結果的置信度信息，因此采用互信息表示分類結果的置信度，互信息越高，分類結果越可信。錯誤率與互信息之間有著緊密的關系，互信息計算公式為：

MIt=0.5×log2(1+SNRt)

(7)

(8)

3 實驗結果

對ERD頻帶能量特征單獨進行分析，圖3為ERD頻帶能量特征的分析結果。

圖3 ERD頻帶能量特征的實驗結果

圖4 聯(lián)合特征的實驗結果

實驗證明，這種特征提取方法的最大分類正確率可達90%，最大互信息可達0.51。相比ERD特征，該方法使分類準確率時變特征更加平穩(wěn)且分類精度更高；相比累積頻帶能量特征，該方法的準確率更高。

表1列出了BCI2003國際競賽中獲獎的前5支隊伍的結果參數(shù)，與這5支隊伍的結果進行對比，提出方法的最小錯誤率可達10%，最大互信息可達0.51，相比大部分隊伍有著不錯的結果，證明了提出方法的有效性。

表1 與BCI2003使用相同數(shù)據(jù)集的獲獎隊伍進行比較

表2列出了近幾年BCI研究人員提出的一些特征提取算法的結果，分別與提出方法進行比較。2014年,Wang Xiangzhou等[15]提出使用多重自相關分析方法提取運動想象EEG信號特征，采用LDA分類器進行分類；Soumya Sen Gupta等[16]提出使用WOSF(Wavelength Optimal Spatial Filter)和近似熵提取特征；2015年，Syed Khairul Bashar等[17]提出以雙樹復變小波變換域的統(tǒng)計特征作為運動想象EEG信號的特征，使用LDA和KNN進行分類。

表2 與近幾年提出的特征提取算法進行比較

相比這些特征提取算法，使用相同數(shù)據(jù)集和LDA分類器時，提出算法能提供更高的分類精確度，且提出算法是基于能量特征的改進，計算量更小，更適合在線BCI系統(tǒng)。

4 結束語

ERD頻帶能量特征在分類時存在正確率波動問題，而累積能量特征是當前時刻以前所有能量的綜合，能很好地表現(xiàn)ERS/ERD現(xiàn)象。為了提高運動想象腦-機接口的分類正確率，提出一種基于ERD的頻帶能量特征和累積能量特征相結合的特征提取方法。將這兩種能量結合在一起，可以獲得相對平穩(wěn)的分類結果，有利于提高BCI系統(tǒng)的分類正確率。對腦電信號提取EEG頻帶能量特征，使用LDA分類器進行分類，分類器的輸出D作為分類置信度。當D大于設定的閾值時，判斷進入運動想象狀態(tài)，提取累積能量特征，將頻帶能量特征與累積能量特征相結合，構建聯(lián)合特征向量，用LDA分類器進行分類，得到分類結果。采用BCI 2003競賽數(shù)據(jù)集Data III進行實驗。實驗結果驗證了提出方法的可行性和有效性。

[1] Schl?gl A,Lugger K,Pfurtscheller G.Using adaptive autoregressive parameters for a brain-computer-interface experiment[C]//Proceedings of 19th international conference on IEEE/EMBS.[s.l.]:IEEE,1997:1533-1535.

[2] Pfurtscheller G,Neuper C,Schl?gl A,et al.Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters[J].IEEE Transactions on Rehabilitation Engineering,1998,6(3):316-325.

[3] Toro C,Deuschl G,Thatcher R,et al.Event-related desynchronization and movement-related cortical potentialson the ECoG and EEG[J].Electroencephalography and Clinical Neurophysiology/Evoked Potentials Section,1994,93(5):380-389.

[4] 文 念,黃麗亞,于 涵,等.基于ICA和聚類的EEG腦源定位研究[J].計算機技術與發(fā)展,2015,25(5):228-232.

[5] Jia W,Zhao X,Liu H,et al.Classification of single trial EEG during motor imagery based on ERD[C]//26th annual international conference on engineering in medicine and biology society.[s.l.]:IEEE,2004:5-8.

[6] 李紅利,王 江,鄧 斌,等.基于AAR模型和累積頻帶能量的特征提取方法[J].天津大學學報:自然科學與工程技術版,2013,46(9):784-790.

[7] Hsu W. Improving classification accuracy of motor imagery EEG using genetic feature selection[J].Clinical EEG and Neuroscience,2014,45(3):163-168.

[8] Robinson N,Vinod A P,Guan C,et al.A wavelet-CSP method to classify hand movement directions in EEG based BCI system[C]//8th international conference on information,communications and signal processing.[s.l.]:IEEE,2011:1-5.

[9] Hsu W.Motor imagery EEG discrimination using the correlation of wavelet features[J].Clinical EEG and Neuroscience,2014,46(2):94-99.

[10] 張學軍,丁鈺涵,黃麗亞,等.基于小波包基與能量熵的MEG自動分類方法[J].計算機技術與發(fā)展,2016,26(6):127-132.

[11] Kim J Y,Park S M,Ko K E,et al.Optimal EEG channel selection for motor imagery BCI system using BPSO and GA[C]//Robot intelligence technology and applications.Berlin:Springer,2013:231-239.

[12] 徐寶國,宋愛國,費樹岷.在線腦機接口中腦電信號的特征提取與分類方法[J].電子學報,2011,39(5):1025-1030.

[13] Schl?gl A,Neuper C,Pfurtscheller G.Estimating the mutual information of an EEG-based brain-computer interface[J].Biomedizinische Technik/Biomedical Engineering,2002,47(1-2):3-8.

[14] Kai K A,Zheng Y C,Zhang H,et al.Mutual information-based selection of optimal spatial-temporal patterns for single-trial EEG-based BCIs[J].Pattern Recognition,2012,45(6):2137-2144.

[15] Wang X,Wang A,Zheng S,et al.A multiple autocorrelation analysis method for motor imagery EEG feature extraction[C]//26th Chinese control and decision conference.[s.l.]:IEEE,2014:3000-3004.

[16] Gupta S S,Soman S,Raj P G,et al.Improved classification of motor imagery datasets for BCI by using approximate entropy and WOSF features[C]//International conference on signal processing and integrated networks.[s.l.]:IEEE,2014:90-94.

[17] Bashar S K,Das A B,Bhuiyan M I H.Motor imagery movements detection of EEG signals using statistical features in the dual tree complex wavelet transform domain[C]//International conference on electrical engineering and information communication technology.[s.l.]:IEEE,2015:1-6.

EEG Feature Extraction Method Based on ERD and Accumulated Power

LIN Wen-tong1,ZHANG Xue-jun1,2,HUANG Li-ya1,2,CHENG Xie-feng1,2

(1.School of Electronic Science and Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210023,China; 2.Jiangsu Province Engineering Lab of RF Integration & Micropackage,Nanjing 210023,China)

In order to improve the accuracy of classification based on motor imagery brain-computer interface,a feature extraction method based on the combination of the Event Related Desychronization (ERD) feature and accumulated power feature has been proposed,which extracts ERD band power feature from EEG signal and uses Linear Determination Analysis (LDA) classifier to classify band power feature.The LDA classifier’s outputDhas been taken as confidence level of classification.When it is bigger than the threshold,the motor imagine status has been judged for extraction of accumulated power feature and combining ERD band power feature with accumulated power feature to construct a new vector with combination features.Classification has been conducted with LDA classifier and thus the final results of classification have been achieved.Experiments for verification have been carried out with BCI 2003 Competition’s Data III.The evaluation criteria are classification accuracy and mutual information.A comparison of classification results with teams use the same dataset has been made.The best classification accuracy of proposed method is 90%,and the best mutual information is 0.51.The comparison show that the proposed method is superior to the most of teams used the same dataset and that it is feasible and effective which can act as a reference for design of online BCI system.

Brain-Computer Interface (BCI);ERD;accumulated power;motor imagery

2016-07-12

2016-10-20 網絡出版時間：2017-04-28

國家自然科學基金資助項目(61271334)

林文通(1992-)，男，碩士研究生，研究方向為腦機接口、特征提取和模式識別技術；張學軍，博士,教授,研究方向為智能信號處理、腦機接口技術、無線射頻識別技術等；黃麗亞，博士,教授,研究方向為腦電信號(EEG/MEG)的分析和處理；成謝鋒，碩士,教授，博士生導師,研究方向為智能信號處理等。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170428.1703.064.html

R318

A

1673-629X(2017)06-0086-05

10.3969/j.issn.1673-629X.2017.06.018