何 群，杜 碩，王煜文，陳曉玲，謝 平

(燕山大學(xué) 河北省測(cè)試計(jì)量技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室, 河北 秦皇島 066004)

1 引 言

腦機(jī)接口(brain-computer interface, BCI)能夠在人腦和電腦或者是外部設(shè)備之間建立直接通路；借此，人無需身體上的動(dòng)作就可以將命令和控制指令直接發(fā)送給外部設(shè)備[1]。運(yùn)動(dòng)想象(motor imagery, MI)分類研究是BCI技術(shù)的重要組成部分; 但由于MI腦電信號(hào)的非平穩(wěn)、非線性以及低信噪比的特點(diǎn)[2,3]，其特征提取與分類識(shí)別的效果均不穩(wěn)定，傳統(tǒng)人工確定最優(yōu)時(shí)段及最優(yōu)頻段的方法又難免造成信息遺漏進(jìn)而導(dǎo)致識(shí)別率的降低；因此基于腦電信號(hào)的MI分類研究成為難點(diǎn)問題。

迄今為止，研究者已經(jīng)基于受試者進(jìn)行MI時(shí)在mu頻帶以及beta頻帶所發(fā)生的事件相關(guān)去同步/事件相關(guān)同步(event-related desynchronization/event-related synchronization, ERD/ERS)[4]現(xiàn)象, 提出了利用時(shí)-頻特征、共空間模式(common spatial pattern, CSP)以及非線性動(dòng)力學(xué)特征在內(nèi)的多種特征提取方法[5～7]用于MI腦電信號(hào)的特征提取； 同時(shí)也將支持向量機(jī)(support vector machine, SVM)、線性判別分析(linear discriminant analysis, LDA)和logistic分類器[8～10]等多種機(jī)器學(xué)習(xí)方法用于MI分類中。 Bashar S K等[11]利用多元經(jīng)驗(yàn)?zāi)B(tài)分解(multivariate empirical decomposition, MEMD)將多通道腦電信號(hào)分解后，選取最優(yōu)模態(tài)進(jìn)行短時(shí)傅里葉變換(short-time Fourier transform, STFT)，將頻譜峰值作為MI特征輸入k-最近鄰(knearest neighbor, KNN)分類器對(duì)MI信號(hào)進(jìn)行分類。李明愛[12]等利用主成分分析(principal component analysis, PCA)進(jìn)行特征提取，以IGHSOM神經(jīng)網(wǎng)絡(luò)為分類器識(shí)別想象模式。此外，有學(xué)者將深度網(wǎng)絡(luò)運(yùn)用于MI分類問題。Ren Y F[13]等利用CSP算法得到特征，并以此作為輸入來訓(xùn)練一個(gè)4層的深度信念網(wǎng)絡(luò)(deep belief network, DBN)，得到MI的分類結(jié)果。 Lu N等[14]獲得腦電信號(hào)的頻域表示, 再以此作為輸入來訓(xùn)練一個(gè)4層的頻率深度信念網(wǎng)絡(luò)(frequency deep belief network, FDBN)得到MI的分類結(jié)果。Tabar Y R等人[15]使用卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)提取特征后使用堆疊自編碼器(stacked autoencoders, SAE)進(jìn)行MI分類。針對(duì)MI分類問題，現(xiàn)有的方法已經(jīng)取得了一定的效果，但腦電信號(hào)的識(shí)別率依然是限制MI腦機(jī)接口發(fā)展的瓶頸；其根源在于現(xiàn)有特征提取及模式識(shí)別方法難以兼顧受試者個(gè)體差異性，同時(shí)手動(dòng)提取最優(yōu)想象時(shí)段以及最優(yōu)頻段的方法難以避免信息遺漏導(dǎo)致的識(shí)別率降低問題。

變分模態(tài)分解(variational mode decomposition, VMD)[16]可將腦電信號(hào)分解為多個(gè)窄帶分量，各分量包含了信號(hào)不同時(shí)-頻尺度上的特征，同時(shí)解決了模態(tài)混疊的問題。深度信念網(wǎng)絡(luò)(deep brief network, DBN)具有自動(dòng)學(xué)習(xí)有效特征的能力[17]，從而達(dá)到特征降維的目的，已有研究者基于這一特性將其應(yīng)用到睡眠分期、情緒識(shí)別和癲癇診斷等腦電信號(hào)處理領(lǐng)域[18]。

DBN能夠?qū)Ω呔S特征降維得到MI的最優(yōu)特征，從而避免手動(dòng)確定最優(yōu)想象時(shí)段及最優(yōu)頻段導(dǎo)致的識(shí)別率降低問題。因此，本文提出使用VMD對(duì)腦電信號(hào)分解；利用希爾伯特變換提取邊際譜(marginal spectrum, MS)、特征頻帶下的瞬時(shí)能譜(instantaneous energy spectrum, IES)以及時(shí)-頻聯(lián)合特征(joint time-frequency features, JT-F)來涵蓋完整MI時(shí)程下的時(shí)頻域特征，并融合3種特征；引入DBN對(duì)融合后的高維特征降維得到MI的最優(yōu)特征并實(shí)現(xiàn)MI腦電模式的識(shí)別，避免了手動(dòng)確定最優(yōu)時(shí)段及最優(yōu)頻段導(dǎo)致的識(shí)別率降低問題。

2 基于VMD的高維時(shí)頻特征提取

由于腦電信號(hào)具有非線性、非平穩(wěn)和低信噪比的特點(diǎn)，經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)及局部均值分解(local mean decomposition, LMD)等自適應(yīng)分解方法被廣泛應(yīng)用于腦電信號(hào)特征的提取[19, 20]。

但現(xiàn)有的自適應(yīng)分解框架存在多種缺陷[16]：(1)缺乏數(shù)學(xué)理論支撐；(2)多數(shù)分解方法基于遞歸篩選，誤差因多次遞歸被放大，進(jìn)而出現(xiàn)模態(tài)混疊現(xiàn)象；(3)缺乏噪聲魯棒性。

VMD是一種新的自適應(yīng)分解方法，與EMD及LMD等遞歸式分解方式不同；VMD假設(shè)每個(gè)模態(tài)為帶寬有限，中心頻率不同的窄帶分量，將模態(tài)的估計(jì)問題轉(zhuǎn)化為求解變分問題，改善了EMD及LMD等方法的模態(tài)混疊問題。

VMD算法中，定義本征模態(tài)分解函數(shù)(intrinsic mode function，IMF)為調(diào)幅-調(diào)頻信號(hào)，記為：

uk(t)=Ak(t)cos(φk(t))

(1)

(2)

式中：{u1,…,uK}及{ω1,…,ωK}分別為分解得到的K個(gè)模態(tài)分量及每個(gè)模態(tài)對(duì)應(yīng)的中心頻率。

式(2)引入增廣拉格朗日函數(shù)得到式(3)：

(3)

式中：α為懲罰參數(shù)；λ為拉格朗日乘子。

(4)

采用Parseval/Plancherel傅里葉等距變換將式(4)轉(zhuǎn)化到頻域中，得到各模態(tài)分量及中心頻率的的頻域更新分別為：

(5)

(6)

同時(shí)利用式(7)更新：

(7)

本文首先對(duì)MI腦電信號(hào)進(jìn)行8～30 Hz帶通濾波，然后對(duì)濾波后的腦電信號(hào)進(jìn)行VMD得到K個(gè)IMF分量。

為提取運(yùn)動(dòng)想象腦電信號(hào)的時(shí)頻特征，對(duì)分解得到的各IMF分量進(jìn)行希爾伯特變換：

(8)

Zk(t)=uk(t)+jYk(t)=ak(t)ejθk(t)

(9)

式中： PV是柯西主值；t′為時(shí)域中的某一時(shí)刻；ak(t)是瞬時(shí)幅值;θk(t)是瞬時(shí)相位。則瞬時(shí)頻率定義為：

(10)

則原始腦電信號(hào)可以表示為各IMF分量的和值形式：

(11)

定義希爾伯特譜為：

(12)

本文按照式(13)～式(15)分別求取希爾伯特邊際譜(MS)，特征頻帶下的瞬時(shí)能譜(IES)及時(shí)-頻聯(lián)合特征(JT-F)。

(13)

(14)

(15)

對(duì)于式(13)，為避免人工選擇造成的時(shí)、頻域信息遺漏，將式中的T定為運(yùn)動(dòng)想象結(jié)束時(shí)刻，由于C3與C4通道分別分布在大腦的左側(cè)和右側(cè)，CZ通道則分布在大腦的正中央，所以受試者在進(jìn)行左右手MI實(shí)驗(yàn)時(shí)，僅C3與C4通道腦電信號(hào)能夠體現(xiàn)出ERS/ERD現(xiàn)象。因此，本文在進(jìn)行特征提取時(shí)，不對(duì)CZ通道腦電信號(hào)進(jìn)行處理, 可以得到完整MI時(shí)程下C3、C4通道的邊際譜特征F1：

F1={MSC3,MSC4}

(16)

式(14)中的ω1及ω2分別對(duì)應(yīng)MI的mu及beta特征頻帶，分別取兩組對(duì)應(yīng)值，其中mu頻帶下的ωmu1與ωmu2分別為8 Hz和13 Hz，beta頻帶下的ωbeta1與ωbeta2分別為16 Hz和28 Hz，則得到兩個(gè)特征頻帶下的瞬時(shí)能量特征IESmu及IESbeta，至此得到特征頻帶下C3、C4通道的瞬時(shí)能量特征F2為：

F2={IESmuC3,IESmuC4,IESbetaC3,IESbetaC4}

(17)

計(jì)算JT-F特征，則首先對(duì)時(shí)間及頻率分別加窗，定義twindow1及twindow2分別為時(shí)間窗的起止時(shí)間，ωwindow1及ωwindow2分別為頻率窗的起止頻率。本文定義0.25 s時(shí)間窗將完整MI時(shí)程分割為n個(gè)時(shí)段，以2 Hz頻率窗將8～30 Hz的特征頻帶分割為11個(gè)子頻帶，然后以式(15)計(jì)算第i(≤n)個(gè)時(shí)段第j(j≤11)個(gè)頻段下的JT-Fi,j值，則JT-F特征可以表示為：

J={JT-F1,1,JT-F2,1,…JT-Fn,1,…JT-F1,11,

JT-F2,11,…JT-Fn,11}

(18)

則C3、C4通道的時(shí)頻聯(lián)合特征F3為：

F3={JC3,JC4}

(19)

融合3種特征形成高維特征向量F={F1,F2,F3}作為MI特征。

3 基于DBN的高維特征分類

DBN由底層的若干個(gè)限制玻爾茲曼機(jī)(restricted boltzmann machines，RBMS)和頂層的分類器組成，相鄰2層即為一個(gè)RBM,各層內(nèi)部相互獨(dú)立，但數(shù)據(jù)可通過特定的激活函數(shù)按照RBM的學(xué)習(xí)規(guī)則在層間相互轉(zhuǎn)換，圖1為5層DBN網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖1 DBN結(jié)構(gòu)圖Fig.1 The structure of DBN

圖1中，每個(gè)RBM由可視層(v)和隱含層(h)組成，層與層之間通過權(quán)重w彼此互聯(lián)，但層內(nèi)無連接，假設(shè)v層包括n個(gè)可見單元，h層包括m個(gè)隱含單元。則1組確定狀態(tài)的RBM系統(tǒng)的能量為：

(20)

式中：vi為第i個(gè)可見單元狀態(tài)；hj為第j個(gè)隱含單元狀態(tài)；對(duì)?i,j,vi∈{0,1},hj∈{0,1}，θ={wij,aj,bj}為RBM模型的參數(shù)；wij為可見單元i與隱含單元j間的連接權(quán)重；ai為可見單元i的偏置；bj為隱含單元j的偏置。定義可視層和隱含層的聯(lián)合概率密度為：

P(v,h;θ)=e-E(v,h;θ)/Z(θ)

(21)

(22)

由式(22)，隱含節(jié)點(diǎn)與可視節(jié)點(diǎn)被激活的概率為：

(23)

式中:σ為激活函數(shù)。

為使RBM良好擬合訓(xùn)練樣本，將訓(xùn)練目標(biāo)定為最大化似然函數(shù)：

(24)

Hinton利用對(duì)比散度(contrastive divergence，CD)方法，只需少數(shù)次狀態(tài)轉(zhuǎn)移就可以得到對(duì)可視層的較好估計(jì)。該算法首先計(jì)算所有隱含層單元條件概率，并使用Gibbs抽樣確定隱含單元狀態(tài)；再計(jì)算可視層狀態(tài)，完成可視層的重構(gòu)，并求解式(24)。

最后得出權(quán)重、偏置的更新過程為：

(25)

式中:〈·〉data為原始數(shù)據(jù)的期望；〈·〉recon為重構(gòu)數(shù)據(jù)的期望；ε為學(xué)習(xí)率。針對(duì)參數(shù)ε，Hinton提出學(xué)習(xí)動(dòng)量項(xiàng)參數(shù)Momentum，使收斂更為精準(zhǔn)，Momentum定義為：

(26)

式中:ρ為動(dòng)量學(xué)習(xí)率。

則權(quán)重偏置的更新法則變?yōu)椋?/p>

(27)

在圖1所示的DBN中，上一個(gè)RBM的隱含層即為下一個(gè)RBM的可視層，上一個(gè)RBM的輸出即為下一個(gè)RBM的輸入，輸入數(shù)據(jù)經(jīng)過低層RBM學(xué)習(xí)后的輸出結(jié)果作為高一層RBM的輸入，直至最后一層；因此高層RBM能夠?qū)W習(xí)到更抽象，更稀疏的特征表示。

以上過程為前向的無監(jiān)督學(xué)習(xí)過程，利用數(shù)據(jù)的標(biāo)簽，采用反向傳播方法從網(wǎng)絡(luò)的softmax分類器開始對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行反向微調(diào)，可以進(jìn)一步優(yōu)化DBN網(wǎng)絡(luò)參數(shù)，避免網(wǎng)絡(luò)陷入局部最優(yōu)。

針對(duì)運(yùn)動(dòng)想象高維細(xì)節(jié)特征F，本文構(gòu)建4層DBN模型對(duì)其進(jìn)行特征降維得到運(yùn)動(dòng)想象的最優(yōu)特征，進(jìn)而實(shí)現(xiàn)對(duì)受試者左右手MI意圖的識(shí)別。至此，本文完成了如圖2所示的基于VMD與DBN的腦電信號(hào)特征提取與識(shí)別框架。

圖2中，利用DBN中的4層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)高維特征F降維得到其稀疏表達(dá)，降低MI高維特征中的噪聲、非線性和非相關(guān)信息，達(dá)到特征降維的目的，從而達(dá)到更好的分類效果。

圖2 基于VMD與DBN的特征提取與識(shí)別框架Fig.2 The framework of feature extraction and recognition based on VMD and DBN

4 實(shí)驗(yàn)研究與結(jié)果分析

4.1 受試對(duì)象與實(shí)驗(yàn)流程

為驗(yàn)證本文提出的方法的普適性及有效性，實(shí)驗(yàn)采用BCI 2003競(jìng)賽Dataset Ⅲ數(shù)據(jù)集[21](S1)、BCI 2005競(jìng)賽Dataset Ⅲb數(shù)據(jù)集[22](S2～S4)以及BCI 2008競(jìng)賽Dataset IIb數(shù)據(jù)集[23](S5～S7)。

各數(shù)據(jù)集信息如表1所示。

表1 數(shù)據(jù)集信息Tab.1 The information of datasets

信號(hào)采集過程中，由于采集設(shè)備原因，個(gè)別時(shí)刻信號(hào)未被成功采集，這些數(shù)據(jù)點(diǎn)在信號(hào)中表現(xiàn)為“NAN”點(diǎn)，為提高信號(hào)信噪比，實(shí)驗(yàn)中對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作，對(duì)數(shù)據(jù)中的“NAN”數(shù)據(jù)點(diǎn)置零，同時(shí)為減小數(shù)據(jù)處理的工作量，對(duì)受試者S5～S7對(duì)應(yīng)數(shù)據(jù)進(jìn)行了降采樣處理，將采樣頻率降為125 Hz。由于運(yùn)動(dòng)想象的ERD/ERS現(xiàn)象主要出現(xiàn)在mu節(jié)律(8～13 Hz)與beta節(jié)律(16～28 Hz)，因此對(duì)原始信號(hào)進(jìn)行8～30 Hz帶通濾波，所用濾波器為6階巴特沃斯濾波器，設(shè)置阻帶截止頻率分別為6 Hz和32 Hz。

實(shí)驗(yàn)中將VMD分解模態(tài)數(shù)K定為7，選擇sigmoid函數(shù)作為DBN網(wǎng)絡(luò)的激活函數(shù)，隱藏層神經(jīng)元個(gè)數(shù)定為[400，200]，動(dòng)量學(xué)習(xí)率定為0.1，批處理容量為全體訓(xùn)練集，各受試者學(xué)習(xí)率、預(yù)訓(xùn)練次數(shù)及微調(diào)次數(shù)等信息如表2所示。

4.2 實(shí)驗(yàn)結(jié)果與分析

4.2.1 特征組合及對(duì)比

為比較不同特征提取方法對(duì)識(shí)別率的影響，實(shí)驗(yàn)設(shè)計(jì)3個(gè)參照組與所提方法進(jìn)行對(duì)比，分別為：

(1)采用4層DBN網(wǎng)絡(luò)對(duì)邊際譜特征F1降維并識(shí)別MI腦電信號(hào)；(2)采用4層DBN網(wǎng)絡(luò)對(duì)瞬時(shí)能量譜特征F2降維并識(shí)別MI腦電信號(hào)；(3)采用4層DBN網(wǎng)絡(luò)對(duì)時(shí)-頻聯(lián)合特征F3降維并識(shí)別MI腦電信號(hào)。表3呈現(xiàn)了各受試者在3個(gè)參照組與本文所提方法下的最大識(shí)別率。

表2 各受試者參數(shù)信息Tab.2 The parameters information of subjects

表3 不同特征下的最大識(shí)別率Tab.3 The maximum recognition rates of different features (%)

由表3中發(fā)現(xiàn)，采用邊際譜特征所得平均最大識(shí)別率為60.51%，采用瞬時(shí)能量譜特征所得平均最大識(shí)別率為73.03%，采用時(shí)-頻聯(lián)合特征所得平均最大識(shí)別率為77.59%，采用融合特征所得平均最大識(shí)別率為79.00%。

其中，邊際譜特征取得的分類效果相對(duì)較差，這是因?yàn)閷?shí)驗(yàn)范式的設(shè)定導(dǎo)致MI信號(hào)強(qiáng)弱隨時(shí)間變化，完整MI時(shí)程下的邊際譜特征的時(shí)域分辨率較低，不能準(zhǔn)確表征MI，但邊際譜特征的頻域分辨率高，對(duì)最后的識(shí)別結(jié)果有輔助作用；與邊際譜特征相反，特征頻帶下的瞬時(shí)能譜則具有優(yōu)秀的時(shí)域分辨率和較差的頻域分辨率，取得了更加良好的識(shí)別效果；由于兼顧了時(shí)、頻分辨率，3種單一特征中，時(shí)-頻聯(lián)合特征取得了最優(yōu)的識(shí)別效果；而將3種特征融合后，由于時(shí)、頻分辨率均較高，MI的識(shí)別率得到提升，同時(shí)不同受試者識(shí)別率間的標(biāo)準(zhǔn)差降低，分類框架的穩(wěn)定性得到了進(jìn)一步提升。

4.2.2 不同分解方法對(duì)比

實(shí)驗(yàn)對(duì)預(yù)處理后的腦電信號(hào)進(jìn)行VMD分解，S1的C3通道腦電信號(hào)VMD分解結(jié)果及其分量頻譜圖如圖3。

實(shí)驗(yàn)中作為對(duì)比，將腦電信號(hào)進(jìn)行EMD分解，S1的C3通道腦電信號(hào)EMD分解結(jié)果及分量頻譜圖如圖4。

在圖3及圖4中，由于對(duì)腦電信號(hào)預(yù)先進(jìn)行了濾波處理，自適應(yīng)分解的IMF分量頻率集中在8～30 Hz范圍內(nèi)。由圖3及圖4可以看出，EMD分解得到的分量頻帶混疊現(xiàn)象嚴(yán)重，而VMD的分解結(jié)果均為窄帶分量，不會(huì)出現(xiàn)相同成分信息出現(xiàn)在不同分量的情況。實(shí)驗(yàn)中發(fā)現(xiàn)EMD分解所得結(jié)果，特征頻帶主要分布在前3階分量中。

圖3 VMD分解結(jié)果及各分量頻譜圖Fig.3 The decomposition results of VMDand spectral diagrams of components

圖4 EMD分解結(jié)果及各分量頻譜圖Fig.4 The decomposition results of EMD and spectral diagrams of components

本文選取EMD分解的前3階分量，提取相同高維特征，利用DBN對(duì)2種方法所得特征進(jìn)行特征降維與分類，分別對(duì)2種分解方法所得識(shí)別率進(jìn)行比較，識(shí)別結(jié)果如表4所示。表4中可以看出，由于更優(yōu)的分解效果，相比于用EMD提取的特征，VMD所提取的特征具有更佳的識(shí)別率。

表4 EMD與VMD所得識(shí)別率比較Tab.4 Comparison of recognition rates between EMD and VMD (%)

4.2.3 不同方法對(duì)比

基于相同的腦電數(shù)據(jù)，將本文所述方法與其它方法進(jìn)行比對(duì)，表5及表6給出了比較結(jié)果。

表5中，空白處表示文獻(xiàn)[13]未采用此位受試者的MI腦電數(shù)據(jù)驗(yàn)證所提方法。表5中，文獻(xiàn)[24]選用功率譜密度、Hjorth參數(shù)、AR模型系數(shù)和小波系數(shù)等多種特征對(duì)運(yùn)動(dòng)想象分類。文獻(xiàn)[25]利用總體經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition, EEMD)提取邊際譜、瞬時(shí)能譜及近似熵作為特征輸入線性判別分類器識(shí)別運(yùn)動(dòng)想象腦電信號(hào)。

表6中，文獻(xiàn)[26]采用濾波器組共空間模式(filter bank common spatial pattem, FBCSP)提取MI特征，利用多分類器降低訓(xùn)練集與測(cè)試集之間的分布差異，提升了MI識(shí)別率；文獻(xiàn)[27]則利用新型相空間重構(gòu)算法計(jì)算非線性動(dòng)力學(xué)特征，選用集成分類器識(shí)別想象類別。此類人工確定MI最優(yōu)時(shí)段及最優(yōu)頻段的方法難免遺漏細(xì)節(jié)信息造成識(shí)別率的降低，本文利用DBN網(wǎng)絡(luò)對(duì)高維時(shí)、頻特征降維得到最優(yōu)特征并識(shí)別MI模式，明顯提高了分類準(zhǔn)確率，且S2、S4及S7的識(shí)別率提升明顯。

文獻(xiàn)[13]同樣將深度框架應(yīng)用于MI問題中，利用CSP算法提取特征，并構(gòu)建2層DBN網(wǎng)絡(luò)對(duì)特征降維并識(shí)別腦電模式，從表5的比較可以看出本文所構(gòu)建的方法在特征提取與識(shí)別框架方面優(yōu)于文獻(xiàn)[13]所提的方法。

表5 S1～S4所得識(shí)別率比較Tab.5 The comparison of recognition rates of S1～S4 (%)

表6 S5～S7所得識(shí)別率比較Tab.6 The comparison of recognition rates of S5～S7 (%)

BCI 2003競(jìng)賽Dataset Ⅲ數(shù)據(jù)集中，組織者將互信息與識(shí)別率同時(shí)定為判斷指標(biāo)；BCI 2005競(jìng)賽Dataset Ⅲb數(shù)據(jù)集中，組織者將互信息作為判斷指標(biāo)；BCI 2008競(jìng)賽Dataset IIb數(shù)據(jù)集中，組織者將Kappa值與識(shí)別率作為判斷指標(biāo)；實(shí)驗(yàn)中將本文方法所得分類結(jié)果與BCI競(jìng)賽冠軍指標(biāo)進(jìn)行對(duì)應(yīng)比較，比較結(jié)果見表7。表7中空白處表示此屆比賽組織者未采取此項(xiàng)指標(biāo)作為評(píng)判標(biāo)準(zhǔn)。

表7 BCI競(jìng)賽冠軍結(jié)果與所提方法結(jié)果比較Tab.7 Comparison of results between the BCI competition’s winner and the proposed method

從表7中可以看出：對(duì)于S2、S4、S5～S7，本文所述方法所得指標(biāo)均優(yōu)于BCI冠軍所得結(jié)果；對(duì)于S1，本文方法所得互信息低于BCI冠軍結(jié)果，但所得識(shí)別率優(yōu)于BCI冠軍結(jié)果。

5 結(jié) 論

本文應(yīng)用VMD方法對(duì)腦電信號(hào)分解，利用希爾伯特變換提取邊際譜、特征頻帶下的瞬時(shí)能譜和時(shí)-頻聯(lián)合特征表征MI，引入4層DBN網(wǎng)絡(luò)對(duì)融合后的高維特征降維得到最優(yōu)特征并分類，避免了人工確定最優(yōu)時(shí)段及最優(yōu)頻段導(dǎo)致的信息遺漏，提升了MI腦電信號(hào)的識(shí)別率。運(yùn)用所述方法采用腦機(jī)接口競(jìng)賽數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)，平均準(zhǔn)確率達(dá)到79%。本文方法有效提升了MI腦電信號(hào)的識(shí)別率，為MI腦機(jī)接口的應(yīng)用奠定了基礎(chǔ)。