鮑甜恬，歐陽虹霞，楊天宇，陳伊桓

（南京師范大學泰州學院，江蘇 泰州 225300）

腦-機接口（brain computer interface，BCI）技術，不依賴肌肉和外部神經組織而建立的能夠將人的正常大腦信號進行傳輸?shù)耐ǖ?，能夠實現(xiàn)人腦與計算機直接進行信息的交互與外部設備的控制[1-2]。腦-機接口的誕生與發(fā)展可以為因中樞神經或者運動系統(tǒng)受到損傷的患者提供輔助康復，因而在神經康復領域備受關注。本文研究的是基于運動想象（motor imagery，MI）腦電信號（electroencephalography，EEG）的BCI 系統(tǒng)中的意圖識別。運動想象是指被試者通過想象特定動作而不實際執(zhí)行該運動的行為，BCI 系統(tǒng)通過采集人腦頭皮腦電信號進行與外界交互。研究發(fā)現(xiàn)，運動想象腦電信號具有與實際運動腦電信號相同的節(jié)律且與有創(chuàng)EEG 信號測量相比，具有無創(chuàng)、高時間分辨率、低成本等特點[3]。

如何有效提取EEG 信號的特征以及提高分類準確率是近些年研究MI-EEG-BCI 系統(tǒng)的重點及難點。何群等[4]采用自適應無參經驗小波變換和選擇集成分類模型相結合的方法提高腦電信號的識別率，取得了89.95%的準確率。陳黎等[5]提出一種基于歐氏空間和加權邏輯回歸遷移學習的運動想象腦電解碼方法，比同類算法相比提高了4%的分類準確率，改善了分類模型的通用性問題。劉寶等[6]提出一種基于POS-CSPSVM 結合的運動想象腦電信號意圖識別方法，利用粒子群優(yōu)化算法得到EEG 信號的最佳時段，并采用共空間模式（Common Spatial Pattern，CSP）對最佳時段進行特征提取，最后通過支持向量機對提取的特征進行分類，取得了89.65%的分類準確率。孫會文等[7]提出了一種基于希爾伯特黃變換（Hilbert-Huang Transform，HHT）的EEG 信號識別方法，使用支持向量機進行特征分類，取得了較好的分類準確率。

1 實驗數(shù)據(jù)和方法

1.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)采用2008 年第Ⅳ屆BCI 比賽德國柏林團隊提供的數(shù)據(jù)集Ⅰ的運動想象腦電數(shù)據(jù)[8]。該數(shù)據(jù)由7 名健康的受試者提供（a～g）。包含標準集和評估集2部分，本文選用的是標準集數(shù)據(jù)。單次實驗過程如圖1所示。

圖1 單次運動想象實驗過程圖

在0～2 s 內，顯示屏持續(xù)顯示“+”號，此時受試者保持放松狀態(tài)；第2 s 時，顯示屏隨機顯示←、↓、→，提示受試者做出相應的運動想象（左手、右手、腳），箭頭持續(xù)到第6 s；之后顯示屏空白，提示受試者休息，一次實驗結束。在實驗過程中，每個受試者進行200 次實驗。實驗采用59 導聯(lián)對受試者進行數(shù)據(jù)采集，頻率為100 Hz。

1.2 研究方法

為了獲得較高的運動想象EEG 信號分類準確率，本文提出一種基于ICA-CSP-KNN 相結合的運動想象EEG 信號特征提取及特征分類算法。該算法主要包括ICA 算法對腦電信號進行眼電等干擾信號去除，CSP算法對腦電信號進行特征提取和KNN 算法對特征進行分類識別。該算法的整體結構框圖如圖2 所示。

圖2 ICA-CSP-KNN 算法的整體結構框圖

1.2.1 基于ICA 的預處理

EEG 信號包含豐富的時間和空間信息，但是有用的信息往往被淹沒在無關的背景活動中，而頭皮腦電信號由于其本身特性可能來自于不同位置且代表不同生理活動的源成分信號的線性疊加[9]。因此本文采用ICA 去除腦電信號中包含的眼電等信號的干擾。逐次提取的快速獨立分量分析（FastICA）算法是基于定點迭代結構的算法，目的為找到具有最佳投影方向的單位矩陣W，使原有數(shù)據(jù)在W方向上的投影WTX的非高斯性取得最大值[10]。

1.2.2 特征提取

對經過預處理的數(shù)據(jù)經過CSP 提取特征。CSP 能夠有效地提出EEG 信號的空域特征[11]。具體過程如下所示。

1）提取對應的混合空間協(xié)方差矩陣R

X1和X2歸一化后的協(xié)方差矩陣R1和R2分別為

式中：XT表示X矩陣的轉置，trace（X）表示矩陣對角線上元素的和（i=1，2）分別為平均協(xié)方差矩陣。

2）對R進行奇異值分解，得到白化特征值矩陣P

式中：U是矩陣的特征向量矩陣，λ是對應的特征值構成的對角矩陣。

3）對協(xié)方差矩陣進行變換

4）對特征向量進行主成分分解

式中：λ1和λ2是特征向量中存在的2 個對角矩陣，B為相同特征向量矩陣，I為單位矩陣。

5）計算投影矩陣W

6）求特征矩陣及其特征向量，即

式中：Zi為對應的特征矩陣，fi為對應的特征向量。

CSP 原理流程圖如圖3 所示。

圖3 CSP 原理流圖

1.2.3 特征分類

KNN 是一種有監(jiān)督學習方法[12]，本文用KNN 算法對特征數(shù)據(jù)進行分類。KNN 訓練階段使用經過特征提取后的訓練集EEG 信號和其對應的類別標簽，則訓練集數(shù)據(jù)可表示為

式中：xi為樣本的特征向量，yi為樣本對應的類別，m為樣本數(shù)量。

根據(jù)歐拉距離公式[13]

對于測試集數(shù)據(jù)在訓練集中尋找與其最接近的k 個特征向量，根據(jù)少數(shù)服從多數(shù)的規(guī)則決定測試集的類別。

2 實驗結果

本文用準確度ACC（Accuracy）值和AUC（Area Under Curve）值以及均方誤差（MSE）作為分類效果的評判標準。ACC 值為準確度，ACC 值越高，表示分類器分類正確率越高。

式中：TP，TN為分類正確的個數(shù)；FP，F(xiàn)N表示分類錯誤的個數(shù)。式中分子表示分類正確的個數(shù)，分母表示分類總數(shù)。

AUC 表示ROC 曲線下的面積，AUC 值越大，表示分類器分類效果越好。

MSE 表示預測值與真實值的匹配接近程度，MES值越大，表示預測值與真實值差距越大。

圖4 為7 組受試者在本文提出方法下的分類效果圖。其中圖4（a）中為ACC 與AUC 值，圖4（b）中為MES 值。由實驗結果可知，本文提出的ICA-CSP-KNN結合的運動想象腦電信號分類方法具有較好的分類效果，其中平均準確率可達93%以上。

圖4 受試者兩類運動想象分類結果圖

3 結論

本文主要研究了2 類運動想象腦電信號的分類問題，針對EEG 信號的非平穩(wěn)、非線性的特點，本文提出了一種ICA-CSP-KNN 結合的運動想象腦電信號分類方法。利用ICA 對EEG 信號進行噪聲去除，并通過CSP 進行特征提取，之后利用KNN 分類器進行特征分類，得到了93%的準確率。實驗結果表明，本算法具有較好的分類效果，為2 類運動想象腦電信號分類提供了一種有效的方法。