LMD算法在腦電信號特征提取中的應(yīng)用

武警工程大學(xué)研究生管理大隊 周寧城 魏緒望 謝佳華

LMD算法在腦電信號特征提取中的應(yīng)用

武警工程大學(xué)研究生管理大隊 周寧城 魏緒望 謝佳華

腦機接口（Brain Computer Interfaces，BCI）是一種不依賴于外周神經(jīng)和肌肉組織，直接實現(xiàn)大腦與外部設(shè)備交互的全新的信息交換通路。局域均值分解（Local Mean Decomposition,LMD）作為近年來新興的時頻分析方法，在處理非線性、非平穩(wěn)信號方面具有獨特的優(yōu)勢。本文采用LMD算法對2003年國際BCI競賽數(shù)據(jù)進行處理，并用支持向量機（SVM）對提取的特征進行分類，驗證了LMD算法在腦電信號的特征提取中的有效性。

腦機接口；支持向量機；局域均值分解

1　 引言

腦電信號處理的方法種類繁多，大體可歸納為時域分析、頻域分析和時頻分析[1]。由于時域分析只能反映出信號幅值隨時間的變化，而頻域僅反映了各頻率分量的大小，因此兩者都存在一定的局限性。時頻分析方法能夠反映出信號能量在事頻空間的變化情況，對于處理非線性、非平穩(wěn)的腦電信號有著顯著的優(yōu)勢。局域均值分解（Local Mean Decomposition，LMD）是近年來新興的時頻分析方法。本文主要采用LMD算法對運動想象腦電信號進行分析處理，取得了較好的效果。

2　 LMD基本原理

LMD是一種自適應(yīng)時頻分析算法，它將多分量信號分解為多個具有實際物理意義的乘積函數(shù)（Production Function,PF）之和，每一個PF分量都是包絡(luò)信號與調(diào)頻信號的乘積，其中，PF分量的瞬時頻率可由調(diào)頻信號求出，PF分量的瞬時幅值即為包絡(luò)信號，從而得到原信號的時頻分布[2]。對于信號，LMD分解過程如下：

利用滑動平均法對局域均值函數(shù)和局域包絡(luò)函數(shù)進行處理，直至任何相鄰點的值不相等，得到局域均值函數(shù)域包絡(luò)函數(shù)。

其中，每一階PF分量都包含著原信號的時頻特征。

3　 分類結(jié)果

支持向量機（SVM）是Vapnik通過總結(jié)分析統(tǒng)計學(xué)習(xí)理論，在線性可分的情況下尋找出最優(yōu)分類面的分類算法[3]。從物理含義上分析，支持向量機就是通過內(nèi)積函數(shù)將輸入空間非線性變換到一個高維的輸出空間，在這個高維的輸出空間中尋求最優(yōu)分類面。

本文以第二屆年國際BCI競賽的左右手運動想象腦電數(shù)據(jù)為研究對象，該數(shù)據(jù)由奧地利GRAZ大學(xué)腦機接口實驗中心提供，為公開的國際權(quán)威數(shù)據(jù)。采用LMD算法求出腦電信號的各階PF分量，將前三階PF分量的能量值作為腦電信號的特征值送入SVM分類器進行分類判別，最高分類準確率達到了86.8%。實驗結(jié)果表明，LMD能夠有效地提取腦電信號的時頻特征，在腦電信號特征提取中具有很大的應(yīng)用價值。

[1]王新光,鄒凌,段鎖林等．腦機接口技術(shù)的研究與進展[J]．中國組織工程研究與臨床康復(fù),2008,12(39):7722-7724．

[2]鄭佳寧．局域均值分解算法研究及其應(yīng)用[D]．西安:西安電子科技大學(xué),2012．

[3]范昕煒．支持向量機算法的研究及應(yīng)用[D]．杭州:浙江大學(xué),2003．和局

周寧城（1991—），男，武警工程大學(xué)信息與通信工程專業(yè)碩士研究生在讀，主要研究方向：腦機接口，信號處理。