沈曉燕，王雪梅，王 燕

(1.南通大學(xué)信息科學(xué)技術(shù)學(xué)院,江蘇 南通 226019;2.南通大學(xué)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(jī)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(xué)工程等領(lǐng)域具有重大研究價(jià)值和現(xiàn)實(shí)意義[1]。目前，基于腦電的運(yùn)動想象訓(xùn)練系統(tǒng)正逐漸成為康復(fù)治療領(lǐng)域的研究熱點(diǎn)[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(jìn)行特征提取時(shí)，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(shí)間，但仍然不能達(dá)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(shí)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(fù)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(yùn)動腦電信號進(jìn)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(gòu)后的信號做特征值提取，并選取每個(gè)通道在想象運(yùn)動時(shí)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(jī)SVM(Support Vector Machine)、學(xué)習(xí)向量化LVQ(Learning Vector Quantization)神經(jīng)網(wǎng)絡(luò)和BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)3種分類器中進(jìn)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(luò)的腦電信號識別算法進(jìn)行研究，可以進(jìn)一步提高腦電信號分類的識別率，為今后實(shí)現(xiàn)外界設(shè)備的控制奠定基礎(chǔ)。

2 腦電信號的采集和預(yù)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(shè)備，采樣頻率為250 Hz。實(shí)驗(yàn)過程參照Craz大學(xué)EEG采集實(shí)驗(yàn)[3 - 5]。將OpenBCI和OpenVIBE相連接，受試者根據(jù)電腦屏幕上的線索進(jìn)行相應(yīng)動作的想象，整個(gè)實(shí)驗(yàn)流程如圖1所示。

Figure 1 Flowchart of motor imagery experiment圖1 運(yùn)動想象實(shí)驗(yàn)的流程圖

實(shí)驗(yàn)流程主要分成以下4個(gè)步驟：(1)準(zhǔn)備：開始2 s內(nèi)，屏幕空白，受試者放松，做好準(zhǔn)備；(2)集中：接下來1 s，屏幕上出現(xiàn)“+”，表示實(shí)驗(yàn)開始，提醒實(shí)驗(yàn)人員即將開始想象運(yùn)動實(shí)驗(yàn)；(3)線索：3～6 s內(nèi)，分別出現(xiàn)3個(gè)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(shí)驗(yàn)結(jié)束。實(shí)驗(yàn)中每個(gè)想象運(yùn)動采集時(shí)間設(shè)置為8 s，主要在C3、C4和Cz腦區(qū)采集3種想象運(yùn)動腦電信號(想象左手、想象右手、想象腳部)，每種想象運(yùn)動采集了70組實(shí)驗(yàn)數(shù)據(jù)。

2.2 腦電信號的預(yù)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(yù)處理是對原始信號進(jìn)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(chǔ)。為提高EEG信號信噪比，本文通過Matlab對原始信號進(jìn)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(xì)節(jié)分量(高頻分量)，末尾序號為分解層數(shù)。對信號進(jìn)行3層分解后得到的分解關(guān)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(gè)分量所對應(yīng)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(shè)備的采樣頻率fs=250 Hz，因此對應(yīng)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(yùn)動為例，選取db4作為小波基函數(shù)，進(jìn)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(yùn)動C4通道小波3層分解圖

本文中采用默認(rèn)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(gè)層數(shù)的標(biāo)準(zhǔn)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(diǎn)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(jìn)行降噪處理，得到軟閾值處理后重構(gòu)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(yùn)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(yùn)動C4通道軟閾值降噪重構(gòu)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(yùn)動與大腦兩個(gè)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(yùn)動腦電實(shí)驗(yàn)中，當(dāng)受試者在進(jìn)行單側(cè)肢體想象運(yùn)動時(shí)，大腦對側(cè)的腦電信號幅值會下降，出現(xiàn)事件相關(guān)去同步化ERD(Event-Related Desynchronization)現(xiàn)象，同時(shí)在大腦同側(cè)則出現(xiàn)事件相關(guān)同步化ERS(Event-Related Synchronization)現(xiàn)象[7]。

想象手部運(yùn)動的ERD/ERS現(xiàn)象主要集中在10 Hz附近和20～24 Hz附近。當(dāng)想象左手運(yùn)動時(shí)，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(yùn)動時(shí)，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(yùn)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(shí)也驗(yàn)證了ERD/ERS現(xiàn)象。

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

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

Figure 8 Spectrogram of imagining foot motion圖8 想象腳部運(yùn)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(yùn)用最為廣泛。但是，近似熵的計(jì)算與數(shù)據(jù)的長度相關(guān)，相對一致性缺乏且計(jì)算時(shí)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(jì)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(jì)算時(shí)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(shí)間序列復(fù)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(shí)間序列復(fù)雜性，新模式產(chǎn)生的概率越大，序列的復(fù)雜度越大，則該時(shí)間序列的樣本熵值越大。反之，序列的復(fù)雜度越小，樣本熵值越小[8]。計(jì)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(gòu)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(jì)算N-m次，距離計(jì)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(dāng)N為有限值時(shí)，可用式(12)估計(jì)：

(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(guān)，根據(jù)實(shí)踐建議計(jì)算樣本熵時(shí)，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(biāo)準(zhǔn)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(dāng)大腦某區(qū)域出現(xiàn)ERD現(xiàn)象時(shí)，該區(qū)域?qū)?yīng)的樣本熵值比出現(xiàn)ERS現(xiàn)象的其他腦區(qū)的樣本熵值要大。本文對每個(gè)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(gè)通道之間的關(guān)系。如圖9所示，當(dāng)想象左手運(yùn)動時(shí)，C4通道出現(xiàn)ERD現(xiàn)象，C4腦區(qū)復(fù)雜度比C3腦區(qū)高，樣本熵值比C3區(qū)域高；如圖10所示，當(dāng)想象右手運(yùn)動時(shí)，C3通道出現(xiàn)ERD現(xiàn)象，C3腦區(qū)復(fù)雜度比C4腦區(qū)高，樣本熵值比C4腦區(qū)高；如圖11所示，當(dāng)想象腳部運(yùn)動時(shí)，C3和C4通道出現(xiàn)ERS現(xiàn)象，腦電復(fù)雜度低，樣本熵值變低，Cz通道出現(xiàn)ERD現(xiàn)象，腦電復(fù)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(yùn)動的樣本熵圖

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

Figure 11 Sample entropy diagram of imagining foot motion圖11 想象腳部運(yùn)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(yùn)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(shù)中至關(guān)重要的一步，控制外部設(shè)備的關(guān)鍵在于分類器識別結(jié)果的精確度，只有將腦電信號準(zhǔn)確分類，才能完美地實(shí)現(xiàn)人機(jī)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(jī)、LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)。

4.1 支持向量機(jī)

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(jì)算尋找一個(gè)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(fù)類”，如果只有2類樣本數(shù)，只需要1個(gè)二類分類器。文中有3類樣本數(shù)，則需要3個(gè)二類分類器。設(shè)特征向量分為樣本1、樣本2和樣本3。該分類器計(jì)算過程為：令樣本1為正類，樣本2和樣本3為負(fù)類，使用第1個(gè)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(fù)類，使用第2個(gè)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(fù)類，需要使用第3個(gè)分類器對2類數(shù)據(jù)分類，計(jì)算之后將3個(gè)樣本識別結(jié)果的最大值作為最終結(jié)果。

將3個(gè)想象運(yùn)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(yùn)動的分類結(jié)果

4.2 LVQ神經(jīng)網(wǎng)絡(luò)

學(xué)習(xí)向量化(LVQ)神經(jīng)網(wǎng)絡(luò)[10]是一種兼?zhèn)涓偁帉W(xué)習(xí)方法和帶監(jiān)督學(xué)習(xí)算法的輸入前向神經(jīng)網(wǎng)絡(luò)。LVQ神經(jīng)網(wǎng)絡(luò)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(gè)想象運(yùn)動特征向量代入LVQ神經(jīng)網(wǎng)絡(luò)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(luò)對3種想象運(yùn)動的分類結(jié)果

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

4.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[11]作為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，其突出優(yōu)點(diǎn)是輸入的樣本數(shù)據(jù)經(jīng)過學(xué)習(xí)和訓(xùn)練，能快速找出輸入與輸出之間的聯(lián)系，因此有很強(qiáng)的自適應(yīng)功能和自學(xué)習(xí)能力。網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)能力，輸入樣本中個(gè)別誤差對BP神經(jīng)網(wǎng)絡(luò)影響較小。因其具有柔性的網(wǎng)絡(luò)結(jié)構(gòu)，所以網(wǎng)絡(luò)隱含層層數(shù)、各層神經(jīng)元個(gè)數(shù)可根據(jù)具體情況任意設(shè)定，隨著網(wǎng)絡(luò)結(jié)構(gòu)變換其性能也有所區(qū)別。本文用Matlab創(chuàng)建神經(jīng)網(wǎng)絡(luò)時(shí)設(shè)置BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)個(gè)數(shù)為3，對應(yīng)3維特征向量，輸出節(jié)點(diǎn)個(gè)數(shù)為3，對應(yīng)3種不同假肢控制指令。將3個(gè)想象運(yùn)動特征向量代入BP神經(jīng)網(wǎng)絡(luò)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(luò)對3種想象運(yùn)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(luò)不論是對單個(gè)肢體想象運(yùn)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(yùn)動腦電信號特征向量的分類都有明顯提升，整體識別率達(dá)到93%?？紤]到BP神經(jīng)網(wǎng)絡(luò)可移植性和識別率高的特點(diǎn)，將BP神經(jīng)網(wǎng)絡(luò)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(yùn)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(yùn)動的頭皮腦電信號，將其用于研究想象運(yùn)動時(shí)腦電信號與大腦區(qū)域產(chǎn)生ERS/ERD現(xiàn)象之間的關(guān)系，并展開了大量研究和腦電信號實(shí)驗(yàn)，包括4個(gè)部分：3通道腦電信號的采集實(shí)驗(yàn)、閾值降噪、特征提取、分類識別。實(shí)驗(yàn)中采集想象左手、右手和腳部運(yùn)動的腦電信號，對3種腦電信號采用小波軟閾值法進(jìn)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(luò)和BP神經(jīng)網(wǎng)絡(luò)中分類比較。實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)更適合用于分類識別，可有效克服SVM分類器運(yùn)算慢、LVQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢的缺點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)對3種想象運(yùn)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(luò)(89%)的都高。