基于小波包與共空間模式的腦電信號(hào)特征提取與分類

劉春雷

【中圖分類號(hào)】R318 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2095-6851（2017）04--01

腦-機(jī)接口是一個(gè)不依賴于外周神經(jīng)系統(tǒng)與肌肉組織等大腦輸出通道的通信系統(tǒng)[1]。這種全新的技術(shù)能為那些神經(jīng)受損，無(wú)法與外界正常交流的殘疾人提供全新的信息交換與控制通道。小波分析能選擇不同的小波基函數(shù)，通過(guò)基函數(shù)的尺度伸縮與平移來(lái)對(duì)信號(hào)進(jìn)行分析，是一種應(yīng)用非常廣泛的時(shí)頻分析工具[2]。共空間模式算法是在高維空間中給出兩個(gè)分類，找到一個(gè)最大化的第一類方差，同時(shí)最小化第二類方差，然后對(duì)兩個(gè)協(xié)方差矩陣同時(shí)對(duì)角化來(lái)設(shè)計(jì)最優(yōu)的空間濾波器[3]。支持向量機(jī)是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論結(jié)構(gòu)風(fēng)險(xiǎn)最小化提出的機(jī)器學(xué)習(xí)算法[4]。該算法在模式分類尤其是二分類方面能取得理想的效果。本文嘗試將小波包分解，共空間模式與支持向量機(jī)算法結(jié)合應(yīng)用于腦機(jī)接口系統(tǒng)的特征提取與分類環(huán)節(jié)。

1.實(shí)驗(yàn)數(shù)據(jù)獲取

在實(shí)驗(yàn)中，使用Biosemi 32導(dǎo)腦電圖儀進(jìn)行信號(hào)采集，采樣頻率為2kHz，電極按照10-20國(guó)際標(biāo)準(zhǔn)安放。采集過(guò)程中，被試者頭戴電極帽，以舒適姿勢(shì)端坐在顯示屏幕前，雙眼注視屏幕中央視覺(jué)刺激界面，共進(jìn)行4次作業(yè)，每個(gè)作業(yè)包含50次實(shí)驗(yàn)，一次實(shí)驗(yàn)的測(cè)試時(shí)間為3秒。數(shù)據(jù)記錄為通道號(hào)×樣本數(shù)×作業(yè)號(hào)，故實(shí)驗(yàn)數(shù)據(jù)在matlab中記錄為32×6144×200。

2.實(shí)驗(yàn)數(shù)據(jù)處理

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的目的是去除相關(guān)噪聲提高信噪比。對(duì)信號(hào)進(jìn)行如下預(yù)處理：a.去參考，對(duì)每次作業(yè)的記錄減去參考電極均值。b.去除直流成分， 將每個(gè)實(shí)驗(yàn)數(shù)據(jù)記錄點(diǎn)的值減去當(dāng)次實(shí)驗(yàn)記錄數(shù)據(jù)的平均值，從而得到零均值的數(shù)據(jù)。c.降采樣，對(duì)數(shù)據(jù)進(jìn)行4倍降采樣從而降低數(shù)據(jù)量。

2.2 小波包分解

實(shí)驗(yàn)數(shù)據(jù)經(jīng)過(guò)前期預(yù)處理后，采樣頻率降為512Hz。由于腦電信號(hào)中感興趣的成分主要集中在低頻帶，對(duì)信號(hào)進(jìn)行5層小波包分解，5層分解系數(shù)與相應(yīng)的頻帶范圍如表1所示。

信號(hào)經(jīng)過(guò)5層小波包分解后，提取S[5 0] ，S[5 1]， S[5 2] ，S[5 3]小波樹(shù)節(jié)點(diǎn)的系數(shù)如圖1所示。將4個(gè)節(jié)點(diǎn)的系數(shù)取均值之后的數(shù)據(jù)波形圖與原始波形圖對(duì)比，如圖2所示。從圖中可以看出經(jīng)過(guò)小波包分解之后，求取低頻段的系數(shù)均值既能濾除摻雜在EEG信號(hào)中的高頻成分，又可突出信號(hào)時(shí)域特征。

2.3 共空間模式

假設(shè)把某次實(shí)驗(yàn)采集到的腦電信號(hào)數(shù)據(jù)表示為一個(gè)N×T維的矩陣E，其中N表示為通道數(shù)，T表示為每個(gè)通道的采樣點(diǎn)數(shù)，則規(guī)范化的數(shù)據(jù)協(xié)方差矩陣為：

2.4 支持向量機(jī)

支持向量機(jī)的實(shí)現(xiàn)思想是將在低維空間線性不可分的兩類數(shù)據(jù)映射到高維特征空間，從而構(gòu)建分類超平面。超平面能將兩類數(shù)據(jù)點(diǎn)盡可能的分開(kāi)，并且使兩類數(shù)據(jù)的分類間隔最遠(yuǎn)。在高維空間引入松弛變量 與懲罰因子C。松弛變量定義為被錯(cuò)分的樣本點(diǎn)到超平面的距離，懲罰因子定義為對(duì)錯(cuò)誤分類的懲罰程度。則定義目標(biāo)函數(shù)為：

（10）

其中： 為拉格朗日乘子， 為最優(yōu)超平面的法向量， 為最優(yōu)超平面與原點(diǎn)的偏移。則最后問(wèn)題轉(zhuǎn)化為求解目標(biāo)函數(shù)的最優(yōu)解問(wèn)題。

3.實(shí)驗(yàn)結(jié)果

將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理后，利用小波包分解與共空間算法進(jìn)行特征提取.。圖3為特征提取后靶刺激與非靶刺激在新特征空間的示意圖：

從圖3中可以看出在0-125ms，200-300ms時(shí)段內(nèi)靶刺激信號(hào)與非靶刺激信號(hào)有較明顯的差異，說(shuō)明經(jīng)過(guò)CSP處理后能較好的提取出兩類信號(hào)的特征。表2為對(duì)三位被試者（標(biāo)記為A，B，C）的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行10次試驗(yàn)得到的分類識(shí)別率，從表中可知三位被試者的分類識(shí)別率最高可以達(dá)到95%，最低可達(dá)到87%，平均分類識(shí)別率均達(dá)到90%以上。說(shuō)明此試驗(yàn)方法可以較好的實(shí)現(xiàn)腦機(jī)接口信號(hào)的模式分類。

4.結(jié)論

本文利用小波包分解與CSP算法對(duì)采集到的信號(hào)進(jìn)行特征提取，并利用支持向量機(jī)算法對(duì)信號(hào)進(jìn)行了模式分類。通過(guò)三位受試者的實(shí)驗(yàn)結(jié)果對(duì)比驗(yàn)證了其可行性，對(duì)后續(xù)的研究有一定的借鑒意義。本文雖取得了不錯(cuò)的模式識(shí)別效果，但是還有許多值得進(jìn)一步研究的地方。如在小波包分解中可以依據(jù)數(shù)據(jù)特征進(jìn)行最優(yōu)小波基的選擇，也可在系數(shù)均值中選取對(duì)分類最有效的系數(shù)用以降低特征維數(shù)，在CSP環(huán)節(jié)可以選擇不同的通道組合和特征向量選擇從而提高分類精度。

參考文獻(xiàn)

[1] Wolpaw J.R，et al. Brain-Computer Interfaces Technology： A Review of the First Internation Meeting[J].IEEE Trans.Rehab.Eng.，2000，8（2）：166-173.

[2] 楊幫華，顏國(guó)正，嚴(yán)榮國(guó).腦機(jī)接口中基于小波包最優(yōu)基的特征提取[J].上海交通大學(xué)學(xué)報(bào)，2005，39（11）：1879-1882.

[3] 李明愛(ài)，劉凈瑜，郝冬梅.基于改進(jìn)CSP算法的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2009，28（2）：161-165.

[4]官金安，陳亞光.用多通道特征組合和SVM單次提取誘發(fā)腦電信號(hào)[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2006，34（8）：19-22.

[5] 徐寶國(guó)，宋愛(ài)國(guó).基于小波包變換和聚類分析的腦電信號(hào)識(shí)別方法[J].儀器儀表學(xué)報(bào)，2009，30（1）：110-114.

[6] Blankertz B，Muller K R，Curio G，et al.The BCI competition 2003：progress and perspectives in detection and discrimination of EEG single trials[J].IEEE Trans Biomed Eng，2004，51（6）：1044-1051.

[7] Besserve M，Jerbi K，Laurent F，et al.Classification methods for ongoing EEG and MEG signal[J].Biol Res，2007，40（4）：415-437.

[8] 唐艷.基于時(shí)間、頻率和空間域的自發(fā)腦電信號(hào)提取[D]：[中南大學(xué)博士學(xué)位論文].長(zhǎng)沙：中南大學(xué).2008.