曹勝海，彭 堯，張建平，冷傳濤

（昆明理工大學(xué)信息工程與自動化學(xué)院，云南 昆明 650000）

基于CSP和RR的多類運動想象腦電信號的識別分類研究

曹勝海，彭 堯，張建平，冷傳濤

（昆明理工大學(xué)信息工程與自動化學(xué)院，云南 昆明 650000）

腦-機接口通過大腦皮層的EEG活動或者大腦里單個神經(jīng)元活動使得用戶可以來控制設(shè)備。這方面最具挑戰(zhàn)性的問題之一就是如何提高腦電信號的識別精度。本文采用少通道以及共同空間模式-嶺回歸分析的模式識別方法，并將其應(yīng)用到四種運動想象腦電的識別分類。首先對原始數(shù)據(jù)進行有效的預(yù)處理，有漂移矯正，濾波，改進的ICA（Independent Component Analysis）去除偽跡；再利用CSP（Common Space Pattern）和HHT（Hibert-Huang Transform）分別對預(yù)處理好的數(shù)據(jù)進行特征提??；最后再將兩種算法提取的特征分別進行 SVM（Support vector machine），LDA（Linear Discriminant Analysis）和RR（Ridge Regression）進行分類。實驗結(jié)果證明，共同空間模式-嶺回歸分析最后的分類效果是最好的,平均分類識別率約為82.93%，數(shù)據(jù)中9名被試的最高和最低的分類識別率之間的標準差為1.37%。

腦-機接口；預(yù)處理；嶺回歸分析（RR）；特征提取

0 引言

在 21 世紀的科學(xué)研究中，人類對大腦的深入探索將是一個重大的熱點研究領(lǐng)域，一些國家或研究團體已經(jīng)提出了“21世紀大腦研究計劃”[1-5]。這一計劃的目標之一是“理解腦”，然后“利用腦”，并通過“利用腦”進一步“理解腦”，更進一步是通過培育生物腦細胞和網(wǎng)絡(luò)而“創(chuàng)造腦”[6]。腦-機接口（Brain-computer interface，BCI）是人類在“理解腦”的基礎(chǔ)上，“利用腦”繞過大腦外周神經(jīng)和肌肉的參與，由腦信號實現(xiàn)大腦與外部設(shè)備直接的通信和控制[6-8]。BCI這一國際重大前沿研究熱點不僅戰(zhàn)略性地可望用于國防軍事目的[9-10]，而且可望為嚴重運動殘障人士提供一種新的用思維直接控制外部設(shè)備或機器人的通道[8]，從而改善他們的生活質(zhì)量；更可望為正常人提供在特殊情況下控制外部設(shè)備或機器人的新方式[11-13]，從而也增加他們生活的質(zhì)量。BCI的研究已經(jīng)取得了一些重大突破，目前正快速發(fā)展[14-16]。與具有很大局限性的侵入式BCI相比，非侵入式采集的腦電（Electroencephalograph，EEG）實現(xiàn)的BCI具有潛在的實用前景[17]。

迄今為止，基于左右手的腦電信號的二分類的識別研究已經(jīng)取得了很可觀的成果，大多文獻表明兩類任務(wù)的分類準確率在80%-95%之間[18-19]。在近兩次的 BCI競賽中，共同空間模式（CSP）算法為多數(shù)參賽者使用，同時在兩類任務(wù)的運動想象特征提取上它得到大多數(shù)使用者的青睞，已然成為了運動想象特征提取研究的熱點。然而，目前二分類的運動想象越來越不能滿足研究者的需求，其信息傳輸速率較慢、實用性較差，應(yīng)用于現(xiàn)實需求具有很大的局限性。目前用于多類運動想象腦電分類的方法并不多，由于共空間模式在兩類運動想象分類中已經(jīng)取得了很好的效果，致使多類腦電的研究很多也是利用CSP來對運動想象模式進行特征提取。

本文主要就多類運動想象的腦電信號特征提取和分類方法進行了研究。首先將采集的原始腦電信號進行預(yù)處理，再分別使用CSP和HHT算法來提取四類腦電的特征，從而進行分類，我們設(shè)計了三種分類的算法，有 SVM（支持向量機），LDA（線性判別分析），RR（嶺回歸分析）。通過對比分類結(jié)果來觀察同一數(shù)據(jù)在同一提取算法不同分類方法下的分類效果。

1 材料和方法

1.1 腦電采集

本研究的數(shù)據(jù)為第四屆腦機-接口國際競賽中的2a數(shù)據(jù)集，采集設(shè)備是利用22個Ag/AgCl電極的EEG放大器（每個電極間的距離為3.5 cm）進行試驗，該放大器常規(guī)參數(shù)如下：采樣率為250 Hz，采用左側(cè)乳突作為記錄參考電極，帶通濾波器：0.5-100 Hz，放大器靈敏度為100 μV，此外50 Hz陷波濾波用來去除工頻干擾。如下圖1所示。

圖1 22導(dǎo)聯(lián)腦電帽腦電采集的電極位置Fig.1 22 Electrode position for EEG acquisition of lead EEG cap

1.2 預(yù)處理

最常見的方法之一就是線性濾波法。腦電信號的偽跡會出現(xiàn)在特定的頻帶之中，不會與原始腦電信號進行重疊的，低通濾波器適用于濾除肌電所產(chǎn)生的偽跡，而高通濾波器可以去除眼電產(chǎn)生的偽跡。同時由于腦機接口系統(tǒng)里的運動相關(guān)的電位一般隱藏在低頻的腦電神經(jīng)信號里，以上說的方法似乎解決不了這些問題，因這些神經(jīng)信號可能會在同一頻帶內(nèi)進行重疊，使得它們和眼電偽跡一樣區(qū)分不了。然而，對于BCI系統(tǒng)來說這種方法在高頻帶（如β或μ節(jié)律）的神經(jīng)信號使用是很有效的。

另一個就是ICA方法。ICA是一種基于高階統(tǒng)計信息的盲源分離方法，即主要從多個通道數(shù)據(jù)中分離出相互獨立的源。該算法假定源是非高斯分布，分離后的源信號具有最大的獨立性。由于EEG信號具有非高斯性，且各個局部神經(jīng)皮層產(chǎn)生的神經(jīng)活動可近似認為相互獨立，所以可利用ICA算法從頭皮 EEG信號分離出具有明確神經(jīng)電生理意義的神經(jīng)活動。

假設(shè) N個通道采集的腦電數(shù)據(jù) x(t)=[x1(t),…,xn(t)]T是由多個隱含源腦電信號 s(t)=[s1(t),…,sn(t)]T經(jīng)過線性混合而成的，如下式(1)所示：

x(t)=As(t) （1）

其中為A混合矩陣，混合矩陣A和s(t)是未知的。由于源腦電瞬時相互獨立，可以找到一個線性變換分離矩陣W，使得輸出信號最近似等于源信號s(t)，則與（1）對應(yīng)的分離模型如（2）式：

y(t)=Wx(t) （2）y(t)=Wx(t)=WAs(t) （3）式中(2)中，W是分離矩陣，y(t)=[y1(t),…,yn(t)]T是對源信號s(t)的近似估計，y(t)中的各個分量要是相互獨立存在的。由以上可以得到分離變換矩陣W，本文所采用的是實驗室改進的ICA算法，其中是利用FastICA算法來得出最優(yōu)W。

1.3 特征提取

研究發(fā)現(xiàn)，當想象身體不同部位或不同肢體運動時，大腦皮層運動體感區(qū)上的腦電信號將會發(fā)生節(jié)律性能量波幅的增強和減弱現(xiàn)象[20]；我們將波幅增強的現(xiàn)象稱為事件相關(guān)同步（event related synchronization，ERS）；而將波幅減弱的現(xiàn)象稱為事件相關(guān)去同步（event related desychronization, ERD）。實驗表明人在想象左手運動時，大腦皮層 C4導(dǎo)區(qū)域?qū)霈F(xiàn)ERD現(xiàn)象，在想象右手運動時，大腦皮層C3導(dǎo)區(qū)域?qū)霈F(xiàn)ERD現(xiàn)象，在想象雙腳運動時，大腦皮層Cz導(dǎo)區(qū)域?qū)霈F(xiàn)ERD現(xiàn)象，而在想象舌頭運動時，大腦皮層Cz導(dǎo)區(qū)域?qū)霈F(xiàn)ERS現(xiàn)象。因此我們可以根據(jù)這些區(qū)域能量波幅的差異提取出相應(yīng)的腦電特征。

本文對經(jīng)預(yù)處理后的數(shù)據(jù)進行特征提取的方法分別為CSP和HHT，使用這兩種方法之前需要描述頻帶的特征，μ（8-13 Hz）和β（14-30 Hz）頻帶對代表右手運動想象的C3，左手想象的C4以及舌頭和腳運動想象的Cz的分類有著至關(guān)重要的作用。本文重點是CSP方法的使用，HHT方法就簡單介紹一下。

1.3.1 CSP（共同空間模式）

使用共同空間模式（CSP）進行特征提取，將單次任務(wù)實驗的腦電數(shù)據(jù)表示為一個維的矩陣 E，其中N是腦電測量時的通道數(shù)，T是腦電采集時每個通道的采樣點數(shù)，則歸一化的腦電數(shù)據(jù)協(xié)方差矩陣可以表示為：

分差矩陣，它們可以通過計算每種實驗的平均協(xié)方差矩陣別使用和代表左和右兩種情況下的空間協(xié)方來獲得，合成的空間協(xié)方差矩陣可以表示為：

而可以表示成，其中是矩陣的特征向量，是相應(yīng)的特征值，在這一變化過程中，將特征值按照降序進行了排列，其相應(yīng)的特征向量也重新進行了排列，接下來應(yīng)用主成分分析法，求出白化變換：

則協(xié)方差矩陣和可以變換為：

與擁有共同的特征向量B，將白化后的EEG信號投影在特征向量B的前m和后m列特征向量上，就能夠得出最佳的分類特征，投影矩陣，則單次任務(wù)實驗的腦電數(shù)據(jù)E可以變換為Z=WE。最后將投影后的信號（p=1,…,2m）做如下變化后作為特征值。

1.3.2 HHT（希爾伯特-黃變換）

希爾伯特-黃變換（HHT）由美國工程院院士黃鍔所提出[21]，HHT能夠很好地適用于分析非線性非平穩(wěn)信號。HHT主要包括兩部分，第一部分是經(jīng)驗?zāi)B(tài)分解，第二部分是 Hilbert譜分析（Hilbert spectrum analysis，HSA）。

經(jīng)驗?zāi)Ｊ椒纸猓‥MD）是為了獲得本征模態(tài)函數(shù)（IMF），它具有自適應(yīng)性、正交性、完備性、IMF分量的調(diào)制特性[22]。EMD滿足如下兩個條件：信號極值點的數(shù)量與零點數(shù)相等或相差是 1；信號的由極大值定義的上包絡(luò)和由極小值定義的下包絡(luò)的局部均值為零。

EMD過程后，進行Hilbert譜分析（HSA），以下式對每個IMF分量進行Hilbert譜變換分別求得瞬時幅值、瞬時相位，再利用提取的瞬時幅值來求能量值。

1.4 特征分類

本文對三種分類性能較好的方法進行了研究：SVM，LDA和 RR。支持向量機（support vector machines，SVM）是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，它通過適當?shù)姆蔷€性映射將輸入向量映射到一個高維的特征空間，使得數(shù)據(jù)（屬于兩類）總能被一個超平面分割。所謂最優(yōu)分類面就是要求分類面不但能將數(shù)據(jù)正確分開，而且使分類間隔最大。

線性判別分析（Linear Discriminant Analysis，LDA）是Fisher在1936年提出的，它是有監(jiān)督模式識別。線性判別分析是尋找一個方向使分類信息從高維特征向量映射到一維。線性判別分析的算法如下：

本文運用的線性判別分析是 Matlab自帶的Classification Discriminant.fit函數(shù)。

嶺回歸分析方法實質(zhì)上是一種改良的最小二乘估計法（Least-squares estimation）。嶺回歸分析解決了最小二乘估計法的缺點，它是一種專用于共線性數(shù)據(jù)分析的有偏估計回歸方法，該方法放棄最小二乘的無偏性，損失部分信息，以放棄部分精確度為代價來尋求效果稍差但更符合實際的回歸方程[23]。嶺回歸分析的基本思想是當自變量間存在共線性時，解釋變量的相關(guān)矩陣行列式近似為零，是奇異的，也就是說它的行列式的值也接近于零，此時最小二乘估計將失效。此時可采用嶺回歸估計。

2 數(shù)據(jù)描述與結(jié)果

本文的實驗數(shù)據(jù)采用由奧地利工業(yè)大學(xué)提供的第四屆腦-機接口國際競賽中的 2a數(shù)據(jù)集[23]。實驗一共由 9名健康的被試參與此次 EEG數(shù)據(jù)采集實驗，所有的試驗（trials）都在每天的固定時間段進行，實驗包括 6組，每組有 48個trials，總共 288個。每個trial持續(xù)時間為8 s左右，首先提示音提示被試試驗開始，在前 2 s時間里顯示器屏幕呈現(xiàn)"+"字型圖案，被試應(yīng)做好運動想象的準備；t=2 s時，顯示器屏幕中央出現(xiàn)向左，向右，向上及向下的箭頭，提示被試按提示的箭頭方向?qū)?yīng)的想象左手，右手，舌頭及腳的運動；t=3 s至6 s期間，被試按照提示箭頭的指示進行保持該動作的想象；6 s后顯示器白屏，被試停止想象，進行休息。運動想象腦電采集范式如圖2所示。

試驗范式如圖2所示。所有的實驗數(shù)據(jù)來自C3，Cz和C4三個通道的數(shù)據(jù)，三個通道的電極均是雙極導(dǎo)聯(lián)，采樣頻率為250 Hz，且數(shù)據(jù)已經(jīng)過0.5到100 Hz模擬帶通濾波和50 Hz的工頻陷波。

如前所述，μ節(jié)律（8-12 Hz）和β（24-30 Hz）節(jié)律對運動想象相關(guān)腦電信號的分類有著至關(guān)重要的作用。本文采用了改進的 ICA方法，針對 EEG信號較容易收到漂移、EOG信號、ECG信號的干擾，采用了漂移矯正，用改進ICA方法去除EOG信號和ECG信號，這樣的處理就能的得到較為干凈的實驗數(shù)據(jù)，方便進行特征提取和分類[24]。數(shù)據(jù)處理都是基于MATLAB平臺進行的。

在進行上述的濾波和改進的ICA處理之后，試驗的EEG腦電數(shù)據(jù)就變得較為干凈了，接下來進行數(shù)據(jù)的特征處理，本文使用上面已經(jīng)詳細介紹過的CSP和HHT對試驗的EEG腦電數(shù)據(jù)進行特征的提取。SVM，LDA和RR是目前最受歡迎的且性能較好的三種分類器，其中 RR是它們中性能最好的分類器。表1顯示了CSP，HHT特征提取方法和SVM，LDA及RR分類方法的結(jié)果。圖3顯示了用CSP，HHT特征提取方法分類的結(jié)果。圖 4顯示了使用SVM，LDA及RR分類器得到分類結(jié)果。由此可知，在我們這么多種的特征提取和分類方法中，能得到最優(yōu)的分類結(jié)果的是CSP+RR組合的方法。圖5簡明地說明了本文的新穎之處。

圖2 每個trial的實驗范式Fig.2 Experimental paradigms for each trial

表1 9名被試的平均分類準確率Tab.1 The average classification accuracy of 9 subjects

圖3 CSP和HHT特征提取方法分類結(jié)果Fig.3 Classification results of CSP and HHT feature extraction methods

圖4 SVM，LDA及RR分類器得到分類結(jié)果Fig 4 Classification results of SVM, LDA and RR classifiers

3 討論

BCIs能為嚴重殘疾用戶提供通信交流，還能用大腦對外界設(shè)備進行控制。人工手作為它們的一種應(yīng)用越來越受到人們的重視。此外，它還能控制機器的運轉(zhuǎn)。因此，為了實現(xiàn)以上這些目標，對腦電信號的處理和分析顯得尤為重要。特征提取和分類是其中最關(guān)鍵的兩個階段。在這些方面研究者已經(jīng)提出了好幾種方法。Wei-Yen Hsu對每個trial的運動想象 EEG數(shù)據(jù)提出了一種自適應(yīng)的模糊神經(jīng)分析方法（AFNN）。[25]作者使用增強分段選擇的有效性和小波-分形的特征以及對左右手運動想象數(shù)據(jù)進行自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的識別精度。他們將這種方法與現(xiàn)下最流行的三種有監(jiān)督的分類器結(jié)合以及比較，并且他們在BCI研究中也取得了顯著的成果。這三種分類器為線性判別分析（LDA），多層感知器和支持向量機（SVM）。用AFNN和SVM的方法分別能實現(xiàn)最高平均識別率82.3%而使用LDA分類器獲得了最低的平均識別率 79.3%。此外，近年來易等人的研究表明，他們用基于CPS的三種改進的方法，有混合CPS，混合GECPS和混sTRCPS，分別得到的平均識別率依次為 70.07%，68.73%和70.43%。[26]然而，在本研究中，最重要的腦電模式識別和分類方法已經(jīng)過測試和評估。在特征提取階段，CSP和HHT兩種方法在已經(jīng)被使用[27]。此外，SVM，LDA和RR作為分類的方法也已在文獻[29]中被使用。

圖5 數(shù)據(jù)處理的流程框圖Fig.5 Flow chart of data processing

從結(jié)果來看，使用CSP和HHT特征提取算法的分類識別率分別為50和60。然而，如果用SVM進行分類的話，CSP算法不如HHT算法分類的性能好；如果使用 LDA和 RR的話，CSP算法相比較HHT算法分類效果更好。因此，對于特征提取而言CSP算法有更好的性能。此外，研究結(jié)果顯示在分類階段RR算法相比較SVM和LDA算法表現(xiàn)出更好的分類性能。

對于所有被試，CSP+RR方法的平均分類識別率約為82.93%，數(shù)據(jù)中9名被試的最高和最低的分類識別率之間的標準差為1.37%。與Hsu的研究相比，除了取得了更好的結(jié)果，并且參加實驗的被試人數(shù)也比其多類50%，因此本研究的結(jié)果更具可靠性。此外，相比易等人的研究，[26]混合CPS，混合GECPS和混sTRCPS方法具有較低的分類識別率和較高的標準差。這意味著上述方法的可靠性較低。

4 結(jié)論

本文是針對少通道的 EEG腦電信號更是基于共同空間模式和嶺回歸的算法對運動想象的四種類別進行分類的研究，比較了兩種特征提取算法和三種分類的算法的識別分類的精度。通過比較和組合，得出了最優(yōu)的特征提取和分類的算法。該研究的思路和方法可望為后續(xù)的相關(guān)研究做好鋪墊，同時也為四分類的研究打下一個基礎(chǔ)。

本研究對進一步的多分類任務(wù)相關(guān)的運動想象腦機接口研究提供了一些經(jīng)驗，未來應(yīng)用領(lǐng)域有：（1）殘疾患者可以依據(jù)此研究所研發(fā)的設(shè)備做多任務(wù)得出想象運動，從而實現(xiàn)對外接設(shè)備的控制以及交流，盡可能助于其康復(fù)；（2）依據(jù)多任務(wù)的特點可以實現(xiàn)對腦機接口設(shè)備進行多任務(wù)的，多角度的操作，以滿足現(xiàn)實環(huán)境的復(fù)雜多樣的需求。本研究也有不足之處，目前的研究是離線進行的未進行在線的實現(xiàn)，這就需要做進一步的研究得以改進。

[1] Underwood E, Kaiser J. Brain Project Draws Presidential Interest [online], Science, available: http: //news. sciencemag.org/scienceinsider/2013/02/brain-project-draws-presidential.html?ref=hp/, February 27, 2013.

[2] 段歆涔. 《科學(xué)》詳解美國大腦活動圖譜項目—關(guān)于人類大腦活動圖譜的9 個問號. 《中國科學(xué)報》, 2013, 第3 版(國際)

[3] Alivisatos A P, Chun M, Church G M, Greenspan R J,Roukes M L, Yuste Y. The Brain Activity Map Project and the Challenge of Functional Connectomics. Neuron, 2012,74(6), 970-974.

[4] Yuste R, Alivisatos A P; Church G M; Greenspan R J,Roukes M L. The Whole Brain Activity Map: Merging Nanoscience and Neuroscience for Technology and Health.Reports: 2011 http: //hdl.handle.net/10022/AC:P:13503.

[5] 李山. 石墨烯和人腦工程入選歐盟旗艦技術(shù)項目[online],available: http://www.stdaily.com/stdaily/content/2013-01/30/content_568220.htm/, 2013/3/8.

[6] Kawato M. Brain controlled robots. HFSP Journal, 2008, 2(3),136-142.

[7] Brain-computer interface From Wikipedia, the free encyclopedia [online], available: http://en.wikipedia.org/wiki/Braincomputer_interface/, December 02, 2012.

[8] Wolpaw J R, Birbaumer N, McFarland D J, Pfurtscheller G,Vaughan T M. Brain-computer interfaces for communication and control. Clinical Neurophysiology, 2002, 113(6): 767-91.

[9] Vidal J J. Toward direct brain-computer communication.Annual Review of Biophysics and Bioengineering, 1973, 2(1):157-180.

[10] Vidal J J. Real-time detection of brain events in EEG.Proceedings of IEEE, 1977, 65(5): 633-641.

[11] Blankertz B, Tangermann M, Vidaurre C, et al. The Berlin brain-computer interface: non-medical uses of BCI technology [J]. Frontiers in Neuroscience/Neuroprosthetics, 2010,4(Article 198): 1-17.

[12] 伏云發(fā), 王越超, 李洪誼, 徐保磊, 李永程. 直接腦控機器人接口技術(shù). 自動化學(xué)報, 2012, 38(8): 1229-1246.

[13] 高上凱. 神經(jīng)工程與BCI [J]. 生命科學(xué), 2009, 21(2):177-180.

[14] 高上凱. 基于節(jié)律性腦電信號的BCI [J]. 生命科學(xué), 2008,20(5): 722-724.

[15] 高上凱. 淺談BCI 的發(fā)展現(xiàn)狀與挑戰(zhàn)[J]. 中國生物醫(yī)學(xué)工程學(xué)報, 2007, 26(6): 801-803, 809.

[16] 高上凱. 無創(chuàng)高通訊速率的實時BCI 系統(tǒng)[J]. 中國基礎(chǔ)科學(xué)·研究進展, 2007, 3: 25-26.

[17] 劉沖, 趙海濱, 李春勝, 等. 基于CSP與SVM算法的運動想象腦電信號分類[J]. 東北大學(xué)學(xué)報, 2010, 31(8): 1098-1021.

[18] Fabien Lotte, Guan Cuntai. Regularizing common spatial patterns to improve BCI designs: unified theory and new algorithms[J]. IEEE Transactions on Biomedical Engineering,2011, 58(2): 355-362.

[19] Li Yan, Koike Yasuharu. A real-time BCI with a small nutuber of channels based on CSP[J]. Neural Computing&Applications, 2011, 20(8): 1187-1192.

[20] Reinhold Scherer, Alois Schloeg, Felix Lee, Horst Bischof,Janez Jansa, Gert Pfurtscheller. The Self-Paced Graz Brain-Computer Interface: Methods and Applications[J]. Computational Intelligence and Neuroscience. 2007, 10: 1-9.

[21] Hilbert-Huang Transform from Wikipedia [Online], available:http://en.wikipedia.org/wiki/Hilbert-Huang_transform, August 13, 2015.

[22] 王浩華, 李勝軍. 嶺回歸中參數(shù)估計的探討. 海南大學(xué)學(xué)報, 2009, 27(1): 5-7.

[23] R. Leeb, C. Brunner, G. R. Muller-Putz, A. Schlogl, and G.Pfurtscheller BCI Competition 2008 -Graz data set B. Institute for Knowledge Discovery, Graz University of Technology, Institute for Human-Computer Interfaces, Graz University of Technology, Austria.

[24] 李松, 伏云發(fā), 等. 基于左右手運動想象單通道腦電信號的預(yù)處理研究[J]. 生物醫(yī)學(xué)工程, 2016, 33(5): 862-866.

[25] Hsu WY. Motor imagery electroencephalogram analysis using adaptive neural-fuzzy classification. Int J Fuzzy Syst 2014; 16: 111-20.

[26] Yi W, Qiu S, Qi H, Zhang L, Wan B, Ming D. EEG feature comparison and classification of simple and compound limb motor imagery. J Neuroeng Rehabil 2013; 10: 106.

[27] 孫會文, 伏云發(fā), 熊馨, 等. 基于HHT運動想象腦電模式識別研究[J]. 自動化學(xué)報, 2015, 41(9): 1686-1692.

[28] He J, Ding L, Jiang L, Ma L, editors. Kernel ridge regression classification. 2014 International Joint Conference on Neural Networks (IJCNN); IEEE. 2014.

Recognition and Classification of Multi-class Motor Imagery EEG Signals Based on CSP and RR

CAO Sheng-hai, PENG Yao, ZHANG Jian-ping, LENG Chuan-tao
(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650000, China)

Users are equipped with the capability of controlling devices through EEG activity of cerebral cortex and one single neuronal activity in the brain, based on the brain-computer interface. In this regard, the most challenging problem lies in how to improve the identification precision of electroencephalogram signals. The paper adopts an identification method called fewer channels and common spaces mode-ridge regression analysis, to identify and categorize four motor imagination EGGs. Original data is pretreated effectively at first, and then drift correction, filtration and modified ICA (Independent Component Analysis) are undertaken to remove artifacts; CSP(Common Space Pattern) and HHT (Hibert-Huang Transform) are used to extract features of pretreated data; The features extracted by two algorithms are categorized in terms of SVM (Support vector machine), LDA (Linear Discriminant Analysis) and RR (Ridge Regression) in the end. Experimental results show that common spaces mode-ridge regression analysis is the most effective tool when it comes to categorization, with an average identification rate of almost 82.93%. The standard deviation between the highest identification rate and the lowest identification reaches 1.37% out of nine samples to be categorized.

Brain-computer interface; Pretreatment; Ridge regression analysis (RR); Feature extraction

曹勝海，昆明理工大學(xué)信息工程與自動化學(xué)院，碩士學(xué)歷在讀研究生，主要研究方向為：腦機接口和控制工程領(lǐng)域；彭堯，昆明理工大學(xué)信息工程與自動化學(xué)院，碩士學(xué)歷在讀研究生，主要研究方向為：腦網(wǎng)絡(luò)和模式識別；張建平，昆明理工大學(xué)信息工程與自動化學(xué)院，碩士學(xué)歷在讀研究生，主要研究方向為：腦機接口和控制工程；冷傳濤，山東中煙工業(yè)有限公司青州卷煙廠，工學(xué)學(xué)士，主要研究方向電氣控制。

TN911.7

A

10.3969/j.issn.1003-6970.2017.12.044

本文著錄格式：曹勝海，彭堯，等. 基于CSP和RR的多類運動想象腦電信號的識別分類研究[J]. 軟件，2017，38（12）：223-228