一種腦機(jī)接口中腦電信號特征提取方法

一種腦機(jī)接口中腦電信號特征提取方法

腦機(jī)接口（bci）是一種不依賴正常外部神經(jīng)和肌肉的輸出通道的通信和控制系統(tǒng)。它利用人腦在受到外界刺激時(shí)產(chǎn)生的特定模式的信號實(shí)現(xiàn)控制外界設(shè)備的目的。腦機(jī)接口研究的最初目標(biāo)是為殘疾人提供一個(gè)與外界進(jìn)行交流的方式,比如用思維操控輪椅、假肢等。但隨著腦機(jī)接口研究的發(fā)展和技術(shù)的成熟,它的應(yīng)用也變得越來越豐富,也受到越來越多的關(guān)注。腦機(jī)接口主要分為侵入式和非侵入式兩種,其中非侵入式的EEG(electroencephalog-raphy)信號具有信息量大、時(shí)間分辨率高、設(shè)備便于攜帶及無創(chuàng)性等特點(diǎn),為腦機(jī)接口提供了實(shí)際可行性,逐漸成為目前腦電控制信號的主要選擇。由于EEG信號是一種非平穩(wěn)隨機(jī)信號,具有比較低的信噪比,所以特征的提取對于一個(gè)完整的腦機(jī)接口系統(tǒng)來說就顯得非常重要。目前EEG信號主要的特征提取方法有:(1)單一的利用時(shí)域或是頻域特性的方法如時(shí)域均值、頻域能量等。此方法雖然簡單,但提取的特征太過單一,無法表征EEG信號的本質(zhì)特性,分類正確率較低。(2)傳統(tǒng)時(shí)頻域特征結(jié)合的方法此方法只是將第一種方法提取的特征簡單的組合以提供更多的特征,但仍然是一種平穩(wěn)信號的分析方法,不適用于描述非平穩(wěn)的EEG信號。(3)用AAR(AdaptiveAutoregressive)模型的系數(shù)及小波系數(shù)描述EEG特征的方法這種方法雖然是非平穩(wěn)信號的分析方法,但仍然局限于時(shí)頻特征,并且AAR模型中參數(shù)的選取對最終的結(jié)果影響過大,目前參數(shù)選取只能憑經(jīng)驗(yàn),沒有系統(tǒng)的方法。由于這些不足,該方法也無法提取產(chǎn)生機(jī)理相當(dāng)復(fù)雜的EEG信號的本質(zhì)特性。根據(jù)傳統(tǒng)方法的不足及EEG信號非平穩(wěn)和低信噪比的特點(diǎn),本文提出了一種基于時(shí)、頻、空域結(jié)合的EEG信號特征提取方法。首先利用小波變換提取EEG信號特定頻段的時(shí)頻特性,再利用主成分分析提取EEG信號的空間特征,兩者結(jié)合組成最終的特征矢量。由于空域特征的加入,使得對EEG信號特征的描述更為全面,從而較好的表征了EEG信號的本質(zhì)特征,有效提高了分類正確率;另一方面,最終提取的特征只有10個(gè),相對于傳統(tǒng)特征提取方法要少很多,從而使得分類系統(tǒng)的計(jì)算速度加快,有利于實(shí)際的應(yīng)用。1運(yùn)動界面beep實(shí)驗(yàn)所用的數(shù)據(jù)來自“BCICompetitionII”的數(shù)據(jù)庫,該數(shù)據(jù)采集自一個(gè)帶反饋的BCI系統(tǒng),系統(tǒng)的被試者執(zhí)行的任務(wù)是通過想象左右手運(yùn)動控制光標(biāo)的左右移動,實(shí)驗(yàn)的時(shí)序如圖1所示。所有實(shí)驗(yàn)按照圖1的時(shí)序進(jìn)行,并且數(shù)據(jù)在同一天采集。被試者坐在一個(gè)離電腦屏幕1.5m的舒適的椅子上,并被要求不能移動手臂且保持全身處于放松狀態(tài)。每次實(shí)驗(yàn)持續(xù)9s,開始時(shí)在屏幕中央出現(xiàn)一個(gè)十字,兩秒后會發(fā)出聲音(圖1中的beep)提醒被試者實(shí)驗(yàn)即將開始,從3s到4.25s,屏幕上的十字變?yōu)殡S機(jī)產(chǎn)生的向左或向右的箭頭,被試者從看到箭頭開始根據(jù)其指向想象左右手運(yùn)動,直到9s時(shí)此次實(shí)驗(yàn)結(jié)束。每次實(shí)驗(yàn)間有0.5s到2.5s的間隔。整個(gè)實(shí)驗(yàn)由280次上述實(shí)驗(yàn)組成,其中想象左右手運(yùn)動各140組,70組用于訓(xùn)練,70組用于測試。實(shí)驗(yàn)所用的電極遵從國際標(biāo)準(zhǔn)的10-20導(dǎo)聯(lián)系統(tǒng),并且只取其中C3、C4、Cz三個(gè)通道的數(shù)據(jù),EEG信號采樣頻率為128Hz。實(shí)驗(yàn)過程的詳細(xì)描述,如文獻(xiàn)所述。2處理數(shù)據(jù)2.1小波變換多分辨率實(shí)驗(yàn)小波變換將信號分解成母小波的疊加,在低頻時(shí),時(shí)間分辨率較低而頻率分辨率較高;在高頻時(shí),時(shí)間分辨率較高而頻率分辨率較低。正由于小波變換這種多分辨率的特點(diǎn),很適合處理像EEG這類的非平穩(wěn)信號,所以近年來在EEG信號的處理領(lǐng)域得到廣泛的應(yīng)用。信號f(x)的離散小波變換和逆變換定義為:dj,k=2-j/2∑n=?∞∞∑n=-∞∞f(x)?ˉ(2?jx?k),j,k∈Z(1)f(x)?ˉ(2-jx-k),j,k∈Ζ(1)f(x)=∑j=?∞∞∑k=?∞∞∑j=-∞∞∑k=-∞∞dj,k?j,k(x),j,k∈Z(2)式(1)(2)中,f(x)為待處理信號,dj,k為小波系數(shù),?j,k(x)=2-j/2?(2-jx-k)為母小波,其中j代表分解尺度、k代表時(shí)間平移量。在實(shí)際應(yīng)用中常常使用Mallat算法對信號進(jìn)行有限層分解,及先對較大尺度的信號進(jìn)行小波分解,再選取其中低頻部分在原尺度的1/2尺度上再進(jìn)行小波分解。例如,給定一個(gè)長度為N的信號S,那么整個(gè)算法在log2N步內(nèi)完成,單步流程如圖2所示:假設(shè)S信號采樣頻率為f,則cA、cD分別對應(yīng)S信號的0至f/(2×2)、f/(2×2)至f/2頻段的時(shí)頻特性。Mallat算法不斷的對cA進(jìn)行上述分解,直到達(dá)到理想的分辨率,這樣做的原因是在物理信號中低頻部分表征信號本身特征,高頻部分表征信號間的細(xì)微差別,此算法也說明了小波變換多分辨率的原因。腦電中與大腦運(yùn)動皮層神經(jīng)活動密切相關(guān)的事件相關(guān)電位(Event-RelatedPotential,ERP)是人體感覺系統(tǒng)受某種刺激時(shí)在大腦皮層相應(yīng)區(qū)域產(chǎn)生的電位變化。研究表明,大腦在想象或?qū)嵤┳笥沂诌\(yùn)動時(shí)會在兩側(cè)腦半球的某些頻段(α波、μ節(jié)律)產(chǎn)生ERP信號,導(dǎo)致腦電功率譜出現(xiàn)增強(qiáng)(EventRelatedSynchronization,ERS)和減弱(EventRelatedDesynchronization,ERD)現(xiàn)象。本實(shí)驗(yàn)的預(yù)處理階段即利用小波變換提取ERS和ERD出現(xiàn)的特定頻段的EEG信號,之后的所有處理無特殊說明均在此頻段進(jìn)行。已知原始EEG信號采樣頻率為128Hz,則依采樣定理原始信號的最高頻率為64Hz。首先對原始3×280個(gè)EEG信號進(jìn)行2層的小波分解,母小波采用Daubechies4小波。提取第二層的近似系數(shù)重建原信號,根據(jù)圖2的Mallat算法,兩層小波分解將原始信號平均分為四個(gè)頻段,而近似系數(shù)對應(yīng)低頻部分,所以得到原始EEG信號中0至16Hz的部分,此部分剛好包含了α波和μ節(jié)律。由于ERS/ERD現(xiàn)象分別是腦電信號功率譜的增強(qiáng)和減弱,所以首先按照式(3)計(jì)算小波變換提取的0-16Hz頻段各導(dǎo)EEG信號的平均能量。p(j)=(1/N)∑i=1N∑i=1Νx2(i,j)(3)式(3)中,x(i,j)為第i個(gè)信號的第j個(gè)腦電數(shù)據(jù),N為信號個(gè)數(shù),p(j)為平均能量信號的第j個(gè)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)中想象左右手運(yùn)動EEG信號各140組,采樣點(diǎn)數(shù)為1152,及N=140、j=1152。由于ERS/ERD現(xiàn)象發(fā)生在左右腦半球,所以在分別位于左右腦半球的C3、C4電極處較明顯,因此分別計(jì)算想象左右手運(yùn)動時(shí)C3、C4導(dǎo)EEG信號0-16Hz頻段的平均能量,如圖3(a)、(b)所示:由圖3(a)、(b)可以看出,想象左右手運(yùn)動時(shí)C3、C4導(dǎo)聯(lián)的功率譜在3.5s-6s間存在著明顯的差異:想象左手運(yùn)動時(shí)在C4導(dǎo)出現(xiàn)ERD現(xiàn)象;想象右手運(yùn)動時(shí)在C3導(dǎo)出現(xiàn)ERD現(xiàn)象。因此,對小波變換提取的0-16Hz的EEG信號進(jìn)行時(shí)域的截?cái)?截取3.5s-6s間的數(shù)據(jù)進(jìn)行后續(xù)的處理。通過在時(shí)域、頻域均做數(shù)據(jù)截取的預(yù)處理方法,提高了EEG信號的信噪比,并且時(shí)域截取使樣本點(diǎn)減少,從而有效地提高了系統(tǒng)的計(jì)算速度。在經(jīng)過時(shí)域、頻域的預(yù)處理后,進(jìn)入特征提取階段。2.2資源提取(1)獨(dú)立分量分析的基本原理由于獨(dú)立分量分析在信號空間濾波領(lǐng)域的廣泛應(yīng)用,并且能很好提取信號的空間特性,所以選取它作為提取想象左右手運(yùn)動腦電信號空域特征的方法。獨(dú)立分量分析是一種盲源分離的方法,旨在將觀測數(shù)據(jù)分離為潛在的獨(dú)立的源信號,并且事先并不知道這些源信號的任何信息及它們是如何混合成觀測信號的。獨(dú)立分量分析算法具體描述如下:Xnk=Anu·Suk(4)Y=W·X(5)式(4)、(5)中X為觀測信號,S為源信號,且各分量互相獨(dú)立,其中n為信號通道數(shù),k為采樣點(diǎn)數(shù),u為分離出源信號的數(shù)量,一般應(yīng)用中為了方便,均假設(shè)n=u。A為混合矩陣,W為解混矩陣,Y為實(shí)際算法的輸出,及對源信號S的估計(jì)值。獨(dú)立分量分析算法的主要目標(biāo)是在只有X已知的情況下,找到最優(yōu)的W,并且計(jì)算出S的估計(jì)值Y,以此作為最終分離的結(jié)果。獨(dú)立分量分析計(jì)算W的算法很多,主要區(qū)別在于求取W時(shí)選用的目標(biāo)函數(shù)和優(yōu)化算法不同。本實(shí)驗(yàn)采用Imfomax算法。Imfomax算法的原理是最大化一個(gè)非線性神經(jīng)網(wǎng)絡(luò)的輸出熵或信息流,這樣做的動機(jī)是極大化輸入X和輸出Y的之間的互信息,實(shí)現(xiàn)信息的有效傳送。假設(shè)X為神經(jīng)網(wǎng)絡(luò)的輸入,Y為輸出:Y=g(UX)(6)式(6)中g(shù)為非線性函數(shù),U為神經(jīng)網(wǎng)絡(luò)的權(quán)重,利用熵變換的經(jīng)典式則輸出Y的熵定義為:H(Y)=H(X)+E{log2|det?Y?U(X)|}(7)Η(Y)=Η(X)+E{log2|det?Y?U(X)|}(7)從式(7)可以看出,H(Y)為U的函數(shù),可以通過調(diào)節(jié)U的值實(shí)現(xiàn)最大化輸出熵的目的。Imfomax算法即是利用這個(gè)原理,通過調(diào)節(jié)W,使輸出熵最大化,從而達(dá)到求解最優(yōu)解混矩陣W的目的。分別對280組數(shù)據(jù)的能量信號進(jìn)行獨(dú)立分量分解,由于每組數(shù)據(jù)均由C3、Cz、C4三個(gè)通道組成,即X=T,所以得到的解混矩陣W為3×3維,由式(5)可知:???xc3xczxc4???=W?1???y1y2y3???=???w11w21w31w12w22w32w13w23w33??????y1y2y3???(8)[xc3xczxc4]=W-1[y1y2y3]=[w11w12w13w21w22w23w31w32w33][y1y2y3](8)式(8)中yi為獨(dú)立分量分析分離出的獨(dú)立分量。通過上式可以看出,W?1jj-1列是yi信號到觀測信號X的投影,由于觀測信號從大腦不同位置測得,也就是說W?1jj-1表征了獨(dú)立分量yi在大腦頭皮上的空間分布,同樣的性質(zhì)也可以擴(kuò)展到更多通道的觀測信號。由圖3(a)、(b)可知大腦在想象左右手運(yùn)動時(shí)所引起的ERD/ERS現(xiàn)象在C3、C4兩個(gè)電極處較明顯,而C3、C4分別處于左右腦(依國際標(biāo)準(zhǔn)的10-20導(dǎo)聯(lián)系統(tǒng)),也就是說兩種想象運(yùn)動誘發(fā)的事件相關(guān)電位在大腦皮層的空間分布不一樣,而獨(dú)立分量分析中解混矩陣W的逆矩陣剛好反應(yīng)了這種空間分布,所以將此逆矩陣的9個(gè)元素作為表征腦電信號空域特性的特征提取出來,作為最終特征向量的一部分,并稱其為空域特征。(2)eg的信號特性由于ERD/ERS現(xiàn)象所引起的是腦電功率譜的強(qiáng)弱變化,所以仍然延用傳統(tǒng)的能量特性來作為時(shí)頻的特征,但與傳統(tǒng)方法不同的是我們用小波系數(shù)的平方來表征能量特性,這樣做的好處是小波變換的多分辨率特性比傳統(tǒng)方法更適合處理像EEG這樣的非平穩(wěn)信號。由預(yù)處理階段已經(jīng)得到了第2層小波變換的近似系數(shù)cA,該系數(shù)表征原始EEG信號頻域0-16Hz,時(shí)域3.5s-6s的特性。求此系數(shù)的平方得到840×85維的能量數(shù)據(jù)。其中,每3行數(shù)據(jù)代表一次圖1所示的實(shí)驗(yàn)得到的能量譜,并且3行依次對應(yīng)C3、Cz、C4導(dǎo)聯(lián)。因?yàn)镋RD/ERS現(xiàn)象在C3、C4比較明顯,所以將上述840組數(shù)據(jù)中的C4導(dǎo)數(shù)據(jù)減去C3導(dǎo)數(shù)據(jù)得到兩個(gè)導(dǎo)聯(lián)的能量差,并且去除Cz導(dǎo)聯(lián)數(shù)據(jù),由此組成新的280×85維的數(shù)據(jù)。再對每行85個(gè)數(shù)據(jù)點(diǎn)取平均值,得到最終的280×1維時(shí)頻特征。將由小波變換提取的280×1維時(shí)頻特征與獨(dú)立分量分析提取的280×9維空域特征組合到一起,形成最終的特征向量,共280×10維。2.3不同道德特征中的神經(jīng)元數(shù)量由于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力,泛化能力和非線性環(huán)節(jié)有利于對EEG信號的處理,所以我們采用BP神經(jīng)網(wǎng)絡(luò)作為分類器。由于特征向量共10維,分為想象左右手兩類,因此神經(jīng)網(wǎng)絡(luò)輸入層有10個(gè)神經(jīng)元,輸出層有一個(gè)神經(jīng)元。對于隱含層的神經(jīng)元數(shù)量目前還沒有好的方法進(jìn)行計(jì)算,一般憑借經(jīng)驗(yàn)選取。首先確定其范圍,然后逐個(gè)進(jìn)行分類,根據(jù)其分類正確率選取最佳的隱含層神經(jīng)元數(shù)量。為了使神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)更充分,以達(dá)到好的分類效果,我們將想象左右手運(yùn)動EEG信號共280組特征中的70%用于訓(xùn)練,其余的30%用于測試。由于神經(jīng)網(wǎng)絡(luò)存在過學(xué)習(xí)的現(xiàn)象,為了讓實(shí)驗(yàn)得到的結(jié)果更具說服力,重復(fù)上述分類過程10次,并取其平均值,每次分類前都打亂原來的數(shù)據(jù)順序,重新選取70%的訓(xùn)練數(shù)據(jù)和30%的測試數(shù)據(jù)。3特征數(shù)量對算法有效性的影響依據(jù)提出的基于時(shí)頻空域的EEG信號特征提取方法提取10維特征向量,送入分類器。實(shí)驗(yàn)結(jié)果如表1所示。為了說明時(shí)頻空域結(jié)合的特征提取方法優(yōu)于傳統(tǒng)的時(shí)頻特征提取方法,本文采用對比實(shí)驗(yàn),將原始想象左右手運(yùn)動EEG信號按照文獻(xiàn)(該文獻(xiàn)中的數(shù)據(jù)來源與本文相同)中時(shí)頻特征提取方法進(jìn)行處理,并且送入BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類,結(jié)果如表2所示。由表1、2可以看出,在神經(jīng)網(wǎng)絡(luò)分類器隱含層數(shù)量相等的情況下,除隱含層神經(jīng)元數(shù)為4的情況外,采用本文提出的加入空域特征的特征提取方法無論是平均分類正確率還是最高分類正確率都得到了一定的提高。其中隱含層神經(jīng)元數(shù)為7時(shí)提高最明顯,平均分類正確率提高2.5%,最高分類正確率提高4.8%。另外,本文提出的時(shí)頻空域結(jié)合的腦電信號特征提取方法的特征數(shù)量只有10個(gè),文獻(xiàn)中的特征提取方法特征數(shù)量有15個(gè),可見時(shí)頻空域結(jié)合的特征提取方法大大減少了分類器的計(jì)算量,提高了系統(tǒng)的運(yùn)行速度,如表3所示。實(shí)際應(yīng)用中,系統(tǒng)速率和分類正確率一樣是一個(gè)重要的性能指標(biāo),而較少的特