，，

(裝甲兵工程學(xué)院 控制工程系，北京 100072)

基于多類運(yùn)動想象任務(wù)的EEG信號分類研究

馬滿振，郭理彬，蘇奎峰

(裝甲兵工程學(xué)院控制工程系，北京100072)

針對多類運(yùn)動想象腦電信號個體差異性強(qiáng)和分類正確率比較低的問題，提出了一種時-空-頻域相結(jié)合的腦電信號分析方法：首先利用小波包對EEG原始信號進(jìn)行分解，根據(jù)EEG信號的頻域分布提取出運(yùn)動想象腦電節(jié)律，通過“一對多”共空間模式(CSP)算法對不同運(yùn)動想象任務(wù)的腦電節(jié)律進(jìn)行空間濾波提取特征；然后將特征向量輸入到“一對多”模式下的支持向量機(jī)(SVM)中，并利用判斷決策函數(shù)值的方法對SVM的輸出結(jié)果進(jìn)行融合；最后通過引入時間窗對腦電信號進(jìn)行時域濾波，消除運(yùn)動想象開始和結(jié)束時腦電的波動，進(jìn)一步提高信號信噪比和算法的分類效果；實驗結(jié)果顯示：在時間窗為2 s時，平均最大Kappa系數(shù)達(dá)到了0.72，比腦機(jī)接口競賽第一名提高了0.15，驗證了該算法能夠有效減小腦電信號個體差異性影響，提高多類識別正確率。

腦機(jī)接口；運(yùn)動想象；共空間模式；支持向量機(jī)；時間窗

0 引言

腦-機(jī)接口(brain-computer interface，BCI)是允許人腦與外部接口直接交流的一種系統(tǒng)。它通過實時測量與使用者意圖相關(guān)的腦電(electroenc ephalo gram，EEG)，并將其轉(zhuǎn)化為相應(yīng)的控制信號，從而達(dá)到對設(shè)備實時控制的目的[1]。目前，BCI的研究不僅僅停留在助殘服務(wù)、醫(yī)療康復(fù)相關(guān)領(lǐng)域，已經(jīng)拓展到智能家電、娛樂、航天以及軍事等各個領(lǐng)域，受到了世界范圍內(nèi)的廣泛關(guān)注和研究。

基于運(yùn)動想象EEG信號的BCI系統(tǒng)國內(nèi)外已經(jīng)進(jìn)行了較多研究，但對于多類運(yùn)動想象任務(wù)的識別還存在個體差異性強(qiáng)、分類識別率不高、采集腦電導(dǎo)聯(lián)數(shù)目過多以及算法實時性不好等問題，導(dǎo)致了BCI在實際應(yīng)用中進(jìn)展緩慢。Luis F Nicolas-Alonso等人[2]直接利用CSP提取特征，通過譜回歸核判別分析對4類運(yùn)動想象任務(wù)進(jìn)行分類，最高分類正確率達(dá)到了94%，Kappa系數(shù)為0.92，但平均分類正確率只有73%，Kappa系數(shù)為0.64，平均分類正確率較低，實際應(yīng)用的穩(wěn)定性較差。Ghaheri H等人[3]采用CSP對每個EEG信號時間段進(jìn)行空間濾波提取特征，利用LDA 線性分類器進(jìn)行分類，分類正確率為80%，由于時域分析的時間太長，導(dǎo)致算法實時性較差。王瑞敏等人[4]利用短時傅里葉變換將運(yùn)動想象EEG信號進(jìn)行多頻段分解，通過 CSP 結(jié)合SVM的方法對單個導(dǎo)聯(lián)信號進(jìn)行分類識別，平均分類正確率僅為65%，且當(dāng)導(dǎo)聯(lián)數(shù)目減少時，分類正確率會大幅降低。萬柏坤等人[5]利用二維時頻分析與 Fisher 分析相結(jié)合提取4類運(yùn)動想象腦電特征，使用SVM進(jìn)行分類，分類正確率達(dá)到了85.71%，實驗中分析了60個導(dǎo)聯(lián)的數(shù)據(jù)，數(shù)據(jù)量大導(dǎo)致算法實時性不好，實際應(yīng)用價值較低。

針對多類運(yùn)動想象腦電特征提取與分類識別效果不好的問題，本文利用頻域、空域、時域相結(jié)合的方法，對4類運(yùn)動想象(左手、右手、雙腳和舌頭)腦電信號進(jìn)行分類識別。首先利用小波包對EEG原始信號進(jìn)行分解，根據(jù)EEG信號的頻域分布提取出運(yùn)動想象腦電節(jié)律，提高信號信噪比；利用“一對多”CSP算法對4類運(yùn)動想象任務(wù)的腦電節(jié)律進(jìn)行空間濾波提取特征；在“一對多”模式下構(gòu)建4個SVM子分類器，利用判斷決策函數(shù)值的方法對分類器的輸出結(jié)果進(jìn)行融合，取得了較好的分類效果。通過引入時間窗對腦電信號進(jìn)行時域濾波，可有效消除運(yùn)動想象開始和結(jié)束時腦電的波動，進(jìn)一步提高信號信噪比和算法的分類正確率。結(jié)合時-空-頻域運(yùn)動想象腦電信息利用“一對多”SVM進(jìn)行分類，實驗取得了很好的分類效果。

1 實驗數(shù)據(jù)

1.1 實驗數(shù)據(jù)來源

實驗數(shù)據(jù)采用2008年第四屆腦機(jī)接口競賽提供的Data sets 2a的校準(zhǔn)數(shù)據(jù)，該實驗采用22個電極記錄腦電信號(圖1(a)為電極分布圖)，左乳突作為參考電極，右乳突接地，采樣頻率為250 Hz，所有數(shù)據(jù)都經(jīng)過0.5～100 Hz的帶通濾波和50 Hz的工頻陷波。實驗時受試者放松安靜的坐在電腦前舒適的座椅上，根據(jù)屏幕上出現(xiàn)的提示進(jìn)行運(yùn)動想象，如圖1(b)所示，每個實驗周期分為以下幾個環(huán)節(jié)：

1)試驗開始時計算機(jī)發(fā)出短促的聲音，同時屏幕上出現(xiàn)十字標(biāo)志持續(xù)兩秒，提醒受試者注意；

2)2 s后，屏幕上隨機(jī)出現(xiàn)向左、向右、向上或向下的箭頭(分別對應(yīng)左手、右手、舌頭和雙腳運(yùn)動想象任務(wù))，持續(xù)1.25 s；

3)3 s后，受試者根據(jù)箭頭指向進(jìn)行相應(yīng)的運(yùn)動想象任務(wù)，持續(xù)3 s；

4)6 s時屏幕上的十字標(biāo)志消失，受試者進(jìn)入放松狀態(tài)。

圖1 電極分布與實驗過程圖

共有9名受試者(受試A01～A09)參加了實驗。每名受試者的實驗分為兩個階段，每個階段進(jìn)行6組試驗，每組包含48次運(yùn)動想象任務(wù)，共得到288個訓(xùn)練樣本和288個測試樣本。按照競賽標(biāo)準(zhǔn)，利用有效時間內(nèi)誤差最低的時間點的Kappa系數(shù)對分類算法進(jìn)行評價。Kappa系數(shù)計算公式為：

(1)

P為分類正確率，C為類別數(shù)。

1.2 實驗數(shù)據(jù)預(yù)處理

人在放松清醒的狀態(tài)下進(jìn)行運(yùn)動想象時，在大腦的感覺運(yùn)動皮層區(qū)域就會產(chǎn)生8～12 Hz的μ節(jié)律和18～26 Hz的β節(jié)律腦電。人在進(jìn)行單側(cè)肢體運(yùn)動想象時，大腦中對側(cè)的μ節(jié)律和β節(jié)律會出現(xiàn)幅值衰減的現(xiàn)象，這種現(xiàn)象被稱為事件相關(guān)去同步(event related desynchronization，ERD)；而大腦中同側(cè)的μ節(jié)律和β節(jié)律會出現(xiàn)幅值增強(qiáng)的現(xiàn)象，這種現(xiàn)象被稱為事件相關(guān)同步[6-7](event related synchronization，ERS)。依據(jù)ERD/ERS現(xiàn)象，利用小波包變換的多分辨率特性[8]，選擇EEG原始信號中的最佳分量組合關(guān)系，從而可提取出包含有用信息頻段的μ節(jié)律和β節(jié)律。

表1 各子帶所對應(yīng)的頻率范圍 Hz

從表1中可以看出，μ節(jié)律腦電包含在小波包子帶(3,0)中，β節(jié)律腦電包含在小波包子帶(3,1)中。由于μ節(jié)律的帶寬較小，子帶帶寬較大，因此子帶(3,0)中信號的信噪比較低，同時為了減小特征向量維數(shù)，縮短計算時間，只對信噪比較高的小波包子帶(3,1)進(jìn)行重構(gòu)，提取β節(jié)律腦電，作為后期運(yùn)動想象腦電特征提取和分類的依據(jù)。圖3為不同運(yùn)動想象任務(wù)的小波包子帶(3,1)重構(gòu)信號。

圖2 不同運(yùn)動想象任務(wù)的小波包子帶(3,1)重構(gòu)信號

2 基于改進(jìn)CSP的多類特征提取

傳統(tǒng)CSP算法適用于二分類問題，通過兩類數(shù)據(jù)的協(xié)方差矩陣同時對角化，并應(yīng)用主成分分析方法提取出兩類數(shù)據(jù)的不同部分，構(gòu)建出最優(yōu)的空間濾波器，兩類數(shù)據(jù)經(jīng)過空間濾波后，其空間成分在能量上的差異達(dá)到最大，即一類的方差最大化，另一類的方差最小化，從而有效提取出兩類數(shù)據(jù)的特征[9]。

對于多類任務(wù)運(yùn)動想象EEG信號的分類，本文利用“一對多”的方法對CSP進(jìn)行改進(jìn)，即把多類任務(wù)的特征提取問題轉(zhuǎn)化為多個一類任務(wù)對其余所有任務(wù)的兩類特征提取問題[10]，對于N類任務(wù)可轉(zhuǎn)化為N個一類對其余所有類別的兩類問題。如圖3所示為4類運(yùn)動想象實驗數(shù)據(jù)在“一對多”方法下完成CSP特征提取的流程。

圖3 “一對多”方法下的CSP特征提取

2.1 求4類任務(wù)的混合空間協(xié)方差矩陣

每類任務(wù)的單次實驗EEG數(shù)據(jù)可表示為N×T的矩陣Ei，其中i表示第i類(i∈1,…,4)，N是數(shù)據(jù)采集時的通道數(shù)，T是每一個通道的采樣點數(shù)。EEG數(shù)據(jù)的歸一化空間協(xié)方差如式(2)所示:

(2)

(3)

2.2 應(yīng)用主成分分析法，求出白化值矩陣P

(4)

(5)

2.3 構(gòu)造空間濾波器

針對類1時，利用白化值矩陣P對協(xié)方差矩陣做如下變換：

(6)

I為單位矩陣，由此可以發(fā)現(xiàn)，S1最大特征值對應(yīng)的特征向量是S2最小特征值對應(yīng)的特征向量;反之，S2最大特征值對應(yīng)的特征向量是S1最小特征值對應(yīng)的特征向量。利用特征向量矩陣B構(gòu)造針對類1時的空間濾波器為:

W1=BTP

(7)

同理，可分別構(gòu)造出針對其它三類的空間濾波器W2、W3、W4。

2.4 提取腦電特征

將單次實驗數(shù)據(jù)Ei分別經(jīng)過4組空間濾波器進(jìn)行濾波，

(8)

(9)

圖4 4類運(yùn)動想象腦電特征值分布

3 多類任務(wù)模式的分類

3.1 基于SVM的多類任務(wù)模式分類

支持向量機(jī)(support vector machines，SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出很好的效果。SVM 的基本思想是：通過非線性映射的方法將低維空間線性不可分的樣本映射到高維特征空間，通過構(gòu)建特征空間中的最優(yōu)分割超平面，使機(jī)器學(xué)習(xí)器達(dá)到全局最優(yōu)化，并且在整個樣本空間的期望風(fēng)險以某個概率滿足一定上界。如圖5所示，圓點和五角星分別代表兩類樣本，H為分類線，H1、H2是分別為過各類中離分類線最近的樣本且平行于分類線的直線，H1、H2之間的距離叫做分類間隔(margin)。最優(yōu)分類線不但能正確分開兩類，同時要使分類間隔達(dá)到最大。

圖5 最優(yōu)超平面示意圖

SVM是一種典型的二分類器，針對4類任務(wù)模式的分類問題采用“一對多”的分類方法需要構(gòu)建4個子分類器{f1,f2,f3,f4}。在對分類器fi(i=1,…,4)進(jìn)行訓(xùn)練時，將第i類的數(shù)據(jù)作為正訓(xùn)練數(shù)據(jù)集，其余3類數(shù)據(jù)作為負(fù)訓(xùn)練數(shù)據(jù)集，訓(xùn)練后的分類器fi可將屬于第i類的數(shù)據(jù)和其它3類的數(shù)據(jù)分開。如圖6所示，本文利用判斷決策函數(shù)值的方法對4個子分類器的輸出結(jié)果進(jìn)行融合：11找到判定結(jié)果為正集的子分類器fi；22提取出這些子分類器進(jìn)行判定的決策值Di；33比較這些決策值的絕對值大小，將絕對值最大的子分類器輸出為正集的類別Ci作為最終的判定結(jié)果。

圖6 判斷決策函數(shù)值方法的4類任務(wù)分類流程

由于每組數(shù)據(jù)提取到的特征包含22個特征點，為了得到最佳的分類結(jié)果，需要對特征向量維數(shù)進(jìn)行選擇。由于不同任務(wù)的CSP特征值分布在兩端差異較大，因此選擇每組數(shù)據(jù)的前m個特征點和后m個特征點組成長度為2 m的特征向量作為分類器的輸入，通過對比m(范圍1～11)取不同值時的分類結(jié)果，最終確定當(dāng)m=5時分類效果最好。在“一對多”分類模式下，利用訓(xùn)練數(shù)據(jù)集對每個SVM子分類器進(jìn)行訓(xùn)練，通過判斷決策函數(shù)值的方法對測試數(shù)據(jù)集進(jìn)行分類，得到9名受試者的分類結(jié)果如表2所示。

表2 BCI競賽前3名與本文方法的最大Kappa系數(shù)

分析表2可以得到：利用判斷決策函數(shù)值的方法對“一對多”模式下的CSP特征進(jìn)行分類時，受試者A01、A03、A07的最大Kappa系數(shù)均大于0.8，得到了較好的分類效果；受試者A05、A06的分類效果較差，最大Kappa系數(shù)低于0.5，可能是由于腦電信號存在很強(qiáng)的個體差異性，該受試者的腦電特征相比于其他受試者不顯著；9名受試者的平均Kappa系數(shù)達(dá)到了0.64，高于競賽第1名0.07。

3.2 基于不同時間窗的運(yùn)動想象任務(wù)分類

考慮到每名受試者的運(yùn)動想象時間為3 s，在運(yùn)動想象開始和結(jié)束時都存在受試者的思維轉(zhuǎn)換和思維延遲問題，導(dǎo)致運(yùn)動想象腦電在每個周期的開始和結(jié)束時會產(chǎn)生較大波動，降低了信號的信噪比，從而影響了特征提取和分類識別的效果。針對該問題，可利用時間窗的方法消除運(yùn)動想象開始和結(jié)束時腦電的波動。實驗將時間窗設(shè)為0.5 s、1 s、1.5 s、2 s、2.5 s五種情況，截取3 s運(yùn)動想象數(shù)據(jù)的中間部分，提取出每種情況的“一對多”CSP特征，通過多任務(wù)模式的SVM分類器對9名受試者的數(shù)據(jù)進(jìn)行分類，分類結(jié)果如圖7所示。

圖7 9名受試者在不同時間窗下的最大Kappa系數(shù)

由圖7可看出：11時間窗設(shè)為2.5 s時，除受試者A06、A08的其余6名受試者的最大Kappa系數(shù)均有所提高；時間窗設(shè)為2 s時，9名受試者的最大Kappa系數(shù)均達(dá)到了最大值，9名受試者的平均Kappa系數(shù)達(dá)到了0.72，明顯優(yōu)于時間窗為3 s時的分類結(jié)果，驗證了時間窗的設(shè)置，可有效消除運(yùn)動想象開始和結(jié)束時腦電的波動，進(jìn)一步提高了運(yùn)動想象腦電特征提取的效果和分類識別的正確率。22時間窗小于2 s時，每名受試者的最大Kappa系數(shù)均有所降低；當(dāng)時間窗為0.5 s時，除受試者A09外，8名受試者的最大Kappa系數(shù)均低于3 s時間窗，說明當(dāng)時間窗太小時，在消除腦電波動的同時也會丟失大量運(yùn)動想象有用信息，導(dǎo)致分類正確率不高。綜合以上，時間窗設(shè)為2 s時，在消除腦電波動的同時可保留運(yùn)動想象主要信息，分類效果達(dá)到最好。

4 結(jié)論

本文利用小波包對9名受試者的運(yùn)動想象腦電信號進(jìn)行預(yù)處理，提取腦電β節(jié)律，有效地消除了原始EEG信號中的大量頻域噪聲，提高了EEG信噪比。通過“一對多”CSP算法對4類運(yùn)動想象腦電信號進(jìn)行空間濾波提取特征，將特征向量作為“一對多”模式下4個SVM子分類器的輸入，在分類器輸出端利用判斷決策函數(shù)值的方法對4個子分類器的輸出結(jié)果進(jìn)行融合，得到了較好的分類結(jié)果。通過對數(shù)據(jù)設(shè)置時間窗的方法有效的消除了運(yùn)動想象開始和結(jié)束時腦電的波動，進(jìn)一步提高了信號信噪比和算法的分類正確率。本文方法充分結(jié)合了腦電信號的頻域、空域、時域信息，有效的改善了多類運(yùn)動想象腦電信號個體差異性強(qiáng)和分類正確率較低的問題，為多類運(yùn)動想象任務(wù)的特征提取與分類提供了新的思路。

[1] Daly L, Muller-Putz G, et al. Fully online and automated artifact removal for brain-computer interfacing[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(5): 725-736.

[2]Luis F, Alonso N, Corralejo R, et al. Adaptive semi-supervised classification to reduce intersession non-stationarityin multiclass motor imagery-based brain-computer interfaces[J]. Neurocomputing, 2015, 159: 186-196.

[3]Ghaheri H, Ahmadyfard A R. Extracting common spatial patternsfrom EEG time segments for classifying motor imagery classes in a brain computer interface(BCI)[J]. Scientia Iranica D, 2013, 20(6): 2061-2072.

[4]Ge S, Wang R, Yu D. Classification of Four-Class Motor Imagery Employing Single-Channel Electroencephalography[J]. Plos One, 2014, 9(6): e98019.

[5]萬柏坤, 劉延剛, 明 東, 等. 基于腦電特征的多模式想象動作識別[J]. 天津大學(xué)學(xué)報, 2010, 43(10): 895-890.

[6]孫會文,伏云發(fā),熊 馨,等.基于HHT運(yùn)動想象腦電模式識別研究[J].自動化學(xué)報,2015,41(9):1686-1692.

[7]李明愛,劉凈瑜,郝冬梅.基于改進(jìn)CSP算法的運(yùn)動想象腦電信號識別方法[J].中國生物醫(yī)學(xué)工程學(xué)報,2009,28(2):161-165.

[8]李明愛,林 琳,楊金福.基于小波包最優(yōu)基的運(yùn)動想象EEG自適應(yīng)特征提取方法[J].計算機(jī)測量與控制,2011,19(11): 2755-2758.

[9]葉 檸,孫宇舸,王 旭.基于共空間模式和神經(jīng)元網(wǎng)絡(luò)的腦-機(jī)接口信號的識別[J].東北大學(xué)學(xué)報,2010,31(1):12-15.

[10]劉 沖, 王 宏, 趙海濱,等. 基于多類運(yùn)動想象任務(wù)的腦電信號分類研究[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2012,29(6): 1027-1031.

ResearchonEEGSignalClassificationBasedonMulti-classMotionImaginationTask

Ma Manzhen, Guo Libin, Su Kuifeng

(Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China)

For the problem of the individual difference and the classification accuracy of multi class motor imagery EEG signal, a new analysis method for EEG signal based on time-space- frequency domain is put forward: firstly, the wavelet packet is used to decompose the original signal of EEG, and the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted from different motor imagery tasks through the "one-to-rest" common space pattern (CSP) algorithm; then the feature vector is input to the support vector machine (SVM) in "one-to-rest" mode, the output value of SVM is fused via the method of judging the decision function value; finally, the time domain window is used to filter the EEG signals to eliminate the fluctuations of the brain at the beginning and end of motor imagery, and further improve the signal to noise ratio and the classification accuracy of the algorithm. The experimental results show that, when the time window is 2 s, the average maximum coefficient is 0.72, which is 0.15 higher than the first of BCI competition. Meanwhile, the results verify that the algorithm can effectively reduce the influences of the individual differences of EEG signals, and improve the accuracy of multi-class recognition.

brain-computer interface(BCI); motor imagery; common spatial patterns(CSP); support vector machine(SVM); time window

2017-04-13；

2017-04-27。

馬滿振(1994-)，男，河北保定人，碩士研究生，主要從事模式識別與智能系統(tǒng)方向的研究。

蘇奎峰(1976-)，男，河北承德人，副教授，碩士生導(dǎo)師，主要從事自主車輛導(dǎo)航與控制，多傳感器信息融合方向的研究。

1671-4598(2017)10-0232-04

10.16526/j.cnki.11-4762/tp.2017.10.059

TP391.4

A