于毅++趙云++李振新++董兵超

摘要：在腦-機接口的研究中，針對運動想象的兩種思維任務的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運動中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進行分類，正確率達到88.57%。

關(guān)鍵詞：腦-機接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復雜、低信噪比的特點，要從微弱的腦電信號中有效區(qū)分各種意識活動成分是腦-機接口系統(tǒng)中一個重大課題[1]。常用的特征提取的方法有功率譜法、時頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當腦電信號數(shù)據(jù)長度較短時，采用該方法獲得的腦電信號特征就不明顯了；時頻分析法對腦電信號分類時建立的分類模型較為復雜，難以在實際中應用；小波分析法在低頻時時間分辨率較低，而高頻時時間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點，所以更適合非平穩(wěn)的腦電信號的分析。

2 實驗數(shù)據(jù)

實驗數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學提供。實驗是由一個帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務為根據(jù)屏幕箭頭的指示方向來想象左右手運動，每次實驗持續(xù)9s，前2s為受試者平靜時間，第2s時，屏幕出現(xiàn)一個固定不動十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應地做想象左手或右手運動，每次實驗采集C3、Cz、C4三個通道的腦電信號，采樣頻率為128Hz，每次實驗每個通道包含1152個數(shù)據(jù)?？偣沧?80次實驗，訓練組和測試組各140次，其中訓練組已知每次實驗想象運動的類別，這樣訓練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準原理的前提下，可對運動腦電信號按任意的時頻分辨率分解到不同的頻段，并將運動腦電信號的時頻信息相應地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運動想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運動想象腦電信號的特征提供了很好的條件。小波包在對運動想象腦電信號分解時，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運動時，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進行兩層小波包分解，分解后第二層共有4個節(jié)點，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個節(jié)點和第三個節(jié)點的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運動區(qū)域[4]。由于在想象左右手運動過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運動C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實驗的腦電信號能量均值ECZ作為參考，每次實驗的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運動想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進行預處理，然后，利用小波變換對C3、C4通道腦電信號進行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進行分類識別，對訓練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻[3]中，利用時間相關(guān)去同步特征進行特征提取和線性判別分類器進行分類的正確率為86.43%，利用AR特征和線性判別分類器進行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.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.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運動腦電信號特征的提取[J].中國組織工程研究與臨床康復，2010，14（43）：8061-8064.endprint

摘要：在腦-機接口的研究中，針對運動想象的兩種思維任務的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運動中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進行分類，正確率達到88.57%。

關(guān)鍵詞：腦-機接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復雜、低信噪比的特點，要從微弱的腦電信號中有效區(qū)分各種意識活動成分是腦-機接口系統(tǒng)中一個重大課題[1]。常用的特征提取的方法有功率譜法、時頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當腦電信號數(shù)據(jù)長度較短時，采用該方法獲得的腦電信號特征就不明顯了；時頻分析法對腦電信號分類時建立的分類模型較為復雜，難以在實際中應用；小波分析法在低頻時時間分辨率較低，而高頻時時間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點，所以更適合非平穩(wěn)的腦電信號的分析。

2 實驗數(shù)據(jù)

實驗數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學提供。實驗是由一個帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務為根據(jù)屏幕箭頭的指示方向來想象左右手運動，每次實驗持續(xù)9s，前2s為受試者平靜時間，第2s時，屏幕出現(xiàn)一個固定不動十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應地做想象左手或右手運動，每次實驗采集C3、Cz、C4三個通道的腦電信號，采樣頻率為128Hz，每次實驗每個通道包含1152個數(shù)據(jù)?？偣沧?80次實驗，訓練組和測試組各140次，其中訓練組已知每次實驗想象運動的類別，這樣訓練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準原理的前提下，可對運動腦電信號按任意的時頻分辨率分解到不同的頻段，并將運動腦電信號的時頻信息相應地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運動想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運動想象腦電信號的特征提供了很好的條件。小波包在對運動想象腦電信號分解時，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運動時，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進行兩層小波包分解，分解后第二層共有4個節(jié)點，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個節(jié)點和第三個節(jié)點的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運動區(qū)域[4]。由于在想象左右手運動過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運動C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實驗的腦電信號能量均值ECZ作為參考，每次實驗的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運動想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進行預處理，然后，利用小波變換對C3、C4通道腦電信號進行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進行分類識別，對訓練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻[3]中，利用時間相關(guān)去同步特征進行特征提取和線性判別分類器進行分類的正確率為86.43%，利用AR特征和線性判別分類器進行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.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.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運動腦電信號特征的提取[J].中國組織工程研究與臨床康復，2010，14（43）：8061-8064.endprint

摘要：在腦-機接口的研究中，針對運動想象的兩種思維任務的腦電信號的特征提取，提出了一種基于小波包變換的特征提取方法。該方法利用想象運動中，腦電信號Mu/Beta節(jié)律事件相關(guān)同步化/去同步化特性，采用BCI2003競賽數(shù)據(jù)，輸入Matlab的Classify分類函數(shù)進行分類，正確率達到88.57%。

關(guān)鍵詞：腦-機接口 特征提取與分類 Mu/Beta節(jié)律 小波包變換

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2014）08-0090-01

1 引言

由于腦電信號本身十分復雜、低信噪比的特點，要從微弱的腦電信號中有效區(qū)分各種意識活動成分是腦-機接口系統(tǒng)中一個重大課題[1]。常用的特征提取的方法有功率譜法、時頻分析法、小波變換法等。功率譜法可以獲得意義明顯的特征參數(shù)，但當腦電信號數(shù)據(jù)長度較短時，采用該方法獲得的腦電信號特征就不明顯了；時頻分析法對腦電信號分類時建立的分類模型較為復雜，難以在實際中應用；小波分析法在低頻時時間分辨率較低，而高頻時時間分辨率較高，即符合低頻信號變換緩慢而高頻信號變化較快的特點，所以更適合非平穩(wěn)的腦電信號的分析。

2 實驗數(shù)據(jù)

實驗數(shù)據(jù)采用BCI 2003競賽數(shù)據(jù)Data set Ⅲ，由奧地利Graz科技大學提供。實驗是由一個帶有反饋的在線的BCI系統(tǒng)組成，受試者為一位健康狀況良好的25歲女志愿者，所執(zhí)行的意識任務為根據(jù)屏幕箭頭的指示方向來想象左右手運動，每次實驗持續(xù)9s，前2s為受試者平靜時間，第2s時，屏幕出現(xiàn)一個固定不動十字架提示符，持續(xù)1s，第3s開始，受試者根據(jù)屏幕出現(xiàn)箭頭的方向相應地做想象左手或右手運動，每次實驗采集C3、Cz、C4三個通道的腦電信號，采樣頻率為128Hz，每次實驗每個通道包含1152個數(shù)據(jù)?？偣沧?80次實驗，訓練組和測試組各140次，其中訓練組已知每次實驗想象運動的類別，這樣訓練組和測試組的數(shù)據(jù)集均為1152×3×140。

3 小波變換

小波包變換采用Mallat快速分解算法，在滿足測不準原理的前提下，可對運動腦電信號按任意的時頻分辨率分解到不同的頻段，并將運動腦電信號的時頻信息相應地投影到所有代表不同頻段的小波包空間上。小波包空間的完整性和正交性使得運動想象腦電信號經(jīng)過小波包變換之后，信息量完整無缺，所有成分均得到保留，這為分析運動想象腦電信號的特征提供了很好的條件。小波包在對運動想象腦電信號分解時，分解的層數(shù)以對信號有用成分的提取及采樣頻率為原則。

4 特征提取

想象左右手運動時，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象比較明顯，因此我們對原始采集的C3、Cz、C4通道腦電信號進行8～28Hz的帶通濾波，本文采用橢圓濾波器，通帶截止頻率為8～28Hz，阻帶截止頻率為5Hz和35Hz，通帶衰減0.5dB，阻帶衰減50dB。然后本文利用具有緊支集和正交性[2]的db4小波函數(shù)，對濾波后的信號進行兩層小波包分解，分解后第二層共有4個節(jié)點，頻帶分別為：8～13Hz、13～18Hz、18～23Hz、23～28Hz，而第一個節(jié)點和第三個節(jié)點的頻率范圍正好與Mu/Beta節(jié)律頻帶范圍相近，因此 分別重構(gòu)第二層第一、三節(jié)點的小波系數(shù)，然后把它們疊加，即可提取所要研究的Mu/Beta節(jié)律信號。重構(gòu)后信號如圖1所示，Mu/Beta節(jié)律的ERD/ERS現(xiàn)象較為清晰。

在采集腦電信號時，由于C3、C4電極所在位置的大腦皮質(zhì)分別代表大腦左、右手感覺運動區(qū)域[4]。由于在想象左右手運動過程中，C3、C4通道得ERD/ERS現(xiàn)象是相反的，也就是說在此過程中C3、C4通道腦電信號的能量幅值是有差別的。因此，本文充分利用想象左右手運動C3、C4通道腦電信號的ERD/ERS現(xiàn)象，并且以Cz通道N次實驗的腦電信號能量均值ECZ作為參考，每次實驗的C3、C4通道腦電信號的能量分別與ECZ的差值再與ECZ的比值作為特征值。

5 分類與討論

本文在分析運動想象腦電信號Mu/Beta節(jié)律的ERD/ERS現(xiàn)象的生理特性基礎上，以BCI 2003數(shù)據(jù)作為處理對象，利用帶通濾波器對腦電信號進行預處理，然后，利用小波變換對C3、C4通道腦電信號進行特征分析，提取特征值，構(gòu)造特征向量，最后把特征向量輸入Matlab中的Classify分類函數(shù)進行分類識別，對訓練組數(shù)據(jù)和測試組數(shù)據(jù)分類正確率最高均為88.57%。而在文獻[3]中，利用時間相關(guān)去同步特征進行特征提取和線性判別分類器進行分類的正確率為86.43%，利用AR特征和線性判別分類器進行特征提取和分類的正確率為84.29%。因此，本文方法所得到的分類結(jié)果明顯優(yōu)于上述方法。

參考文獻

[1]Reinhold Scherer，Josef Faller，David Balderas，et al.Brain–computer interfacing： more than the sum of its parts[J].Soft Computing，2013，17（2）：317-331.

[2]Priyanka G，Bhosale，et al.Classification of EEG Signals Using Wavelet Transform and Hybrid Classifier For Parkinsons Disease Detection[J]. The International Journal of Engineering And Science，2012，1（2）：106-112.

[3]Blankertz B，Muller K R，Curio G，et a1.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.

[4]黃思娟，吳效明.基于Mu/Beta節(jié)律想象運動腦電信號特征的提取[J].中國組織工程研究與臨床康復，2010，14（43）：8061-8064.endprint