基于樣本熵和模式識別的腦電信號識別算法研究*

沈曉燕，王雪梅，王 燕

(1.南通大學信息科學技術學院,江蘇 南通 226019;2.南通大學神經(jīng)再生協(xié)同創(chuàng)新中心,江蘇 南通 226019)

1 引言

腦電信號是由大量神經(jīng)元活動而產(chǎn)生的微弱信號，具有非線性、非平穩(wěn)、隨機性等特征，對腦電信號的分析與處理，在人工智能、生物醫(yī)學工程等領域具有重大研究價值和現(xiàn)實意義[1]。目前，基于腦電的運動想象訓練系統(tǒng)正逐漸成為康復治療領域的研究熱點[2]。

特征提取是腦電信號模式識別的核心內(nèi)容。近年來，采用小波變換等傳統(tǒng)方法進行特征提取時，雖然在一定程度上提高了腦電信號的識別正確率并縮短了識別時間，但仍然不能達到控制系統(tǒng)穩(wěn)定性的要求。除此之外，小波變換僅反映出腦電信號的時頻特征，而樣本熵算法是一種非線性分析法，能通過度量腦電信號的復雜度來反映它的非線性特征。

本文通過小波軟閾值降噪對想象運動腦電信號進行降噪處理，提高腦電信號信噪比。利用樣本熵算法對降噪重構后的信號做特征值提取，并選取每個通道在想象運動時間段內(nèi)數(shù)據(jù)的樣本熵值作為特征值。將特征向量分別送入支持向量機SVM(Support Vector Machine)、學習向量化LVQ(Learning Vector Quantization)神經(jīng)網(wǎng)絡和BP(Back Propagation)神經(jīng)網(wǎng)絡3種分類器中進行模式識別,比較得出最適合腦電信號分類識別的分類器。通過對基于樣本熵和BP神經(jīng)網(wǎng)絡的腦電信號識別算法進行研究，可以進一步提高腦電信號分類的識別率，為今后實現(xiàn)外界設備的控制奠定基礎。

2 腦電信號的采集和預處理

2.1 腦電信號的采集

本文使用OpenBCI作為腦電信號采集設備，采樣頻率為250 Hz。實驗過程參照Craz大學EEG采集實驗[3 - 5]。將OpenBCI和OpenVIBE相連接，受試者根據(jù)電腦屏幕上的線索進行相應動作的想象，整個實驗流程如圖1所示。

Figure 1 Flowchart of motor imagery experiment圖1 運動想象實驗的流程圖

實驗流程主要分成以下4個步驟：(1)準備：開始2 s內(nèi)，屏幕空白，受試者放松，做好準備；(2)集中：接下來1 s，屏幕上出現(xiàn)“+”，表示實驗開始，提醒實驗人員即將開始想象運動實驗；(3)線索：3～6 s內(nèi)，分別出現(xiàn)3個線索(想象左手、想象右手、想象腳)，根據(jù)提示開始想象；(4)休息：2 s之后，一組實驗結(jié)束。實驗中每個想象運動采集時間設置為8 s，主要在C3、C4和Cz腦區(qū)采集3種想象運動腦電信號(想象左手、想象右手、想象腳部)，每種想象運動采集了70組實驗數(shù)據(jù)。

2.2 腦電信號的預處理

腦電信號微弱、背景噪聲大、易受外部干擾(電極接觸不良、工頻干擾、環(huán)境噪聲、自身生物信號等因素)。預處理是對原始信號進行降噪與偽跡消除[6],為后續(xù)腦電信號的處理提供較好的基礎。為提高EEG信號信噪比，本文通過Matlab對原始信號進行基于db4小波基函數(shù)的3層分解，圖2是3層小波分解樹圖。

Figure 2 Tree diagram of three-level wavelet decomposition圖2 3層小波分解樹圖

圖2中A表示低通逼近分量(低頻分量)，D表示不同尺度下的細節(jié)分量(高頻分量)，末尾序號為分解層數(shù)。對信號進行3層分解后得到的分解關系如式(1)所示：

S=AAA3+DAA3+DA2+D1

(1)

信號S的采樣頻率為fs，則AAA3,DAA3,DA2,D1各個分量所對應的子頻帶范圍依次是：[0,fs/24],[fs/24,fs/23],[fs/23,fs/22],[fs/22,fs/2]。本文腦電采集設備的采樣頻率fs=250 Hz，因此對應的子頻帶范圍依次是：[0,15.6],[15.6,31],[31,62.5],[62.5,125]。以想象左手運動為例，選取db4作為小波基函數(shù)，進行3層小波分解，如圖3所示。

Figure 3 C4 channel wavelet three-level decomposition diagram of imagining left-hand motion圖3 想象左手運動C4通道小波3層分解圖

本文中采用默認閾值λ來確定模型，如式(2)所示:

(2)

其中，n為腦電信號長度;σ是從腦電信號S中提取出來的，一般由原始信號小波分解后各個層數(shù)的標準來決定。確定閾值以后，需選擇適合的閾值函數(shù)。硬閾值降噪和軟閾值降噪是小波閾值降噪中最常見的方法。硬閾值降噪是把絕對值小于λ的信號點全部置為零，如式(3)所示：

(3)

(4)

因此，本文使用小波軟閾值法對原始EEG信號(圖4為想象左手C4通道原始腦電信號)進行降噪處理，得到軟閾值處理后重構的信號如圖5所示。從圖5中可以明顯看出降噪處理后的信號比原始信號波形光滑。

Figure 4 C4 channel primitive EEG of imagining left-hand motion圖4 想象左手運動C4通道原始腦電信號

Figure 5 C4 channel reconstructed EEG after soft threshold noise reduction of imagining left-hand motion圖5 想象左手運動C4通道軟閾值降噪重構后的腦電信號

3 腦電信號特征提取

3.1 腦電信號的ERD/ERS現(xiàn)象

人的肢體運動與大腦兩個半球有著緊密的聯(lián)系。大腦對肢體的控制屬于交叉控制，即在想象運動腦電實驗中，當受試者在進行單側(cè)肢體想象運動時，大腦對側(cè)的腦電信號幅值會下降，出現(xiàn)事件相關去同步化ERD(Event-Related Desynchronization)現(xiàn)象，同時在大腦同側(cè)則出現(xiàn)事件相關同步化ERS(Event-Related Synchronization)現(xiàn)象[7]。

想象手部運動的ERD/ERS現(xiàn)象主要集中在10 Hz附近和20～24 Hz附近。當想象左手運動時，從圖6中可以明顯看出,10 Hz附近C4(ERD)區(qū)域幅值要比C3(ERS)區(qū)域幅值小。相反，圖7中想象右手運動時，10 Hz附近C3(ERD)區(qū)域幅值要比C4(ERS)區(qū)域幅值小。想象腳部運動的ERD/ERS現(xiàn)象主要集中在7～8 Hz附近。如圖8所示，Cz(ERD)區(qū)域幅值比C3、C4(ERS)區(qū)域幅值都要小，同時也驗證了ERD/ERS現(xiàn)象。

Figure 6 Spectrogram of imagining left-hand motion圖6 想象左手運動頻譜圖

Figure 7 Spectrogram of imagining right-hand motion圖7 想象右手運動的頻譜圖

Figure 8 Spectrogram of imagining foot motion圖8 想象腳部運動的頻譜圖

3.2 樣本熵特征提取

近似熵ApEn(Approximate Entropy)和樣本熵SampEn(Sample Entropy)在腦電信號處理方面運用最為廣泛。但是，近似熵的計算與數(shù)據(jù)的長度相關，相對一致性缺乏且計算時間長。與近似熵相比，樣本熵則具有2方面的優(yōu)勢：(1)樣本熵不包含自身數(shù)據(jù)段的比較，對丟失數(shù)據(jù)并不敏感，計算也不必依賴數(shù)據(jù)的長度；(2)樣本熵具有較好的一致性且計算時間比近似熵短。因此，基于EEG信號的ERD/ERS現(xiàn)象，本文選用樣本熵算法提取腦電信號特征值。樣本熵是一種新的度量時間序列復雜性的方法，通過度量信號中產(chǎn)生新模式的概率大小衡量時間序列復雜性，新模式產(chǎn)生的概率越大，序列的復雜度越大，則該時間序列的樣本熵值越大。反之，序列的復雜度越小，樣本熵值越小[8]。計算樣本熵的步驟如下所示：

(1)將原始信號序列u(1),u(2),…,u(N)按照順序組成m維向量，重構m維向量，即：

Xm(i)=[u(i),u(i+1),…,

u(N+m-1)],1≤i≤N-m+1

(5)

(2)定義矢量X(i)和矢量X(j)之間的最大距離為d[X(i),X(j)]，總共計算N-m次，距離計算如(6)所示：

d[Xm(i),Xm(j)]=max|x(i+k)-x(j+k)|

0≤k≤m-1;1≤i,j≤N-m+1;i≠j

(6)

(7)

(8)

(9)

(10)

(6)樣本熵定義如式(11)所示，當N為有限值時，可用式(12)估計：

(11)

SampEn(m,r,N)=-ln[Bm+1(r)/Bm(r)]

(12)

SampEn與參數(shù)m,r,N的取值相關，根據(jù)實踐建議計算樣本熵時，維數(shù)m一般選擇1或者2，相似容量r一般在0.1～0.25SD，其中SD(Standard Deviation)是原始序列u(i)的標準差。本文中m選擇2維，r的取值為0.2SD。

將樣本熵與ERD/ERS相結(jié)合，當大腦某區(qū)域出現(xiàn)ERD現(xiàn)象時，該區(qū)域?qū)臉颖眷刂当瘸霈F(xiàn)ERS現(xiàn)象的其他腦區(qū)的樣本熵值要大。本文對每個通道3～6 s內(nèi)所有腦電數(shù)據(jù)全部求得樣本熵值，得到了3種想象動作中每個通道之間的關系。如圖9所示，當想象左手運動時，C4通道出現(xiàn)ERD現(xiàn)象，C4腦區(qū)復雜度比C3腦區(qū)高，樣本熵值比C3區(qū)域高；如圖10所示，當想象右手運動時，C3通道出現(xiàn)ERD現(xiàn)象，C3腦區(qū)復雜度比C4腦區(qū)高，樣本熵值比C4腦區(qū)高；如圖11所示，當想象腳部運動時，C3和C4通道出現(xiàn)ERS現(xiàn)象，腦電復雜度低，樣本熵值變低，Cz通道出現(xiàn)ERD現(xiàn)象，腦電復雜度升高，樣本熵值變高。

Figure 9 Sample entropy diagram of imagining left-hand motion圖9 想象左手運動的樣本熵圖

Figure 10 Sample entropy diagram of imagining right-hand motion圖10 想象右手運動的樣本熵圖

Figure 11 Sample entropy diagram of imagining foot motion圖11 想象腳部運動的樣本熵圖

綜上所述，將C3、C4和Cz通道中3～6 s內(nèi)想象運動的樣本熵值作為特征值，用作后面的分類識別。

4 腦電信號模式識別

模式識別是BCI(Brain-Computer Interface)技術中至關重要的一步，控制外部設備的關鍵在于分類器識別結(jié)果的精確度，只有將腦電信號準確分類，才能完美地實現(xiàn)人機交互。本文研究了3種優(yōu)秀的腦電信號分類器，包括：支持向量機、LVQ神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡。

4.1 支持向量機

SVM分類器[9]的原理是利用非線性變換把樣本數(shù)據(jù)映射到高維度空間，通過計算尋找一個最優(yōu)的超平面，使樣本數(shù)據(jù)線性分開。

SVM是典型的二類分類器，分類結(jié)果為“正類”和“負類”，如果只有2類樣本數(shù)，只需要1個二類分類器。文中有3類樣本數(shù)，則需要3個二類分類器。設特征向量分為樣本1、樣本2和樣本3。該分類器計算過程為：令樣本1為正類，樣本2和樣本3為負類，使用第1個分類器對2類數(shù)據(jù)分類；令樣本2為正類，樣本1和樣本3為負類，使用第2個分類器對2類數(shù)據(jù)分類；令樣本3為正類，樣本1和樣本2為負類，需要使用第3個分類器對2類數(shù)據(jù)分類，計算之后將3個樣本識別結(jié)果的最大值作為最終結(jié)果。

將3個想象運動特征向量代入SVM分類器分類識別，最終得到的分類識別結(jié)果如表1所示。

Table 1 Classification results of three motor imageries by SVM表1 SVM對3種想象運動的分類結(jié)果

4.2 LVQ神經(jīng)網(wǎng)絡

學習向量化(LVQ)神經(jīng)網(wǎng)絡[10]是一種兼?zhèn)涓偁帉W習方法和帶監(jiān)督學習算法的輸入前向神經(jīng)網(wǎng)絡。LVQ神經(jīng)網(wǎng)絡由3層神經(jīng)元組成，即輸入層、競爭層和線性輸出層。

將3個想象運動特征向量代入LVQ神經(jīng)網(wǎng)絡分類識別，最終得到的分類識別結(jié)果如表2所示。

Table 2 Classification results of three motor imageries by LVQ neural network表2 LVQ神經(jīng)網(wǎng)絡對3種想象運動的分類結(jié)果

與表1相比，LVQ神經(jīng)網(wǎng)絡對這3種想象運動腦電信號分類有明顯提升，整體識別率達到89%，提升了4%。

4.3 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[11]作為目前應用最廣泛的神經(jīng)網(wǎng)絡，其突出優(yōu)點是輸入的樣本數(shù)據(jù)經(jīng)過學習和訓練，能快速找出輸入與輸出之間的聯(lián)系，因此有很強的自適應功能和自學習能力。網(wǎng)絡具有很強的容錯能力，輸入樣本中個別誤差對BP神經(jīng)網(wǎng)絡影響較小。因其具有柔性的網(wǎng)絡結(jié)構，所以網(wǎng)絡隱含層層數(shù)、各層神經(jīng)元個數(shù)可根據(jù)具體情況任意設定，隨著網(wǎng)絡結(jié)構變換其性能也有所區(qū)別。本文用Matlab創(chuàng)建神經(jīng)網(wǎng)絡時設置BP神經(jīng)網(wǎng)絡輸入節(jié)點個數(shù)為3，對應3維特征向量，輸出節(jié)點個數(shù)為3，對應3種不同假肢控制指令。將3個想象運動特征向量代入BP神經(jīng)網(wǎng)絡分類識別，最終得到的分類識別結(jié)果如表3所示。

Table 3 Classification results of three imaginary movements by BP neural network表3 BP神經(jīng)網(wǎng)絡對3種想象運動的分類結(jié)果

4.4 比較分析

通過比較3種分類器的識別結(jié)果，如圖12所示，BP神經(jīng)網(wǎng)絡不論是對單個肢體想象運動腦電信號分類結(jié)果還是對整體分類效果都要優(yōu)于前2種分類器的，且對3種想象運動腦電信號特征向量的分類都有明顯提升，整體識別率達到93%。考慮到BP神經(jīng)網(wǎng)絡可移植性和識別率高的特點，將BP神經(jīng)網(wǎng)絡作為樣本熵特征向量模式識別分類器，為假肢控制提供控制信號。

Figure 12 Recognition results of three motor imageries by three classifiers圖12 3種分類器對3種想象運動的識別結(jié)果

5 算法流程

本文整體特征提取及模式識別的算法流程如圖13所示。

Figure 13 Flowchart of algorithm圖13 算法流程圖

6 結(jié)束語

本文通過采集想象運動的頭皮腦電信號，將其用于研究想象運動時腦電信號與大腦區(qū)域產(chǎn)生ERS/ERD現(xiàn)象之間的關系，并展開了大量研究和腦電信號實驗，包括4個部分：3通道腦電信號的采集實驗、閾值降噪、特征提取、分類識別。實驗中采集想象左手、右手和腳部運動的腦電信號，對3種腦電信號采用小波軟閾值法進行降噪處理。將ERS/ERD現(xiàn)象同樣本熵算法相結(jié)合用于腦電信號特征提取，提取的特征向量送入SVM分類器、LVQ神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡中分類比較。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡更適合用于分類識別，可有效克服SVM分類器運算慢、LVQ神經(jīng)網(wǎng)絡訓練速度慢的缺點。BP神經(jīng)網(wǎng)絡對3種想象運動的整體模式識別率結(jié)果為93%，比SVM分類器(85%)和LVQ神經(jīng)網(wǎng)絡(89%)的都高。