软件时空 文章编号：1∞籼570(2∞8)06-3_0266_02 中文核心期刊<微计算机信息：}(管控一体化)2008年第24卷第6·3期 脑机接口系统中E E G信号特征提取与分类 Feature E)(traction and c|assi矗cation for EEG in Brain—C0mputer|nterface 浒昌学院)葛瑜杨钢 GE Yu YANG Gang 摘要：脑机接口(BcI)技术是近年来国际上的研究热点之一，它通常利用脑电(EEG)来实现无动作的人机交互，运动想象是其 中一种重要BCI实验范式，利用第二届国际脑机接口竞赛中的一组实验数据为处理对象，将数据经公共空间模式滤波、小 波时频分解、然后采用T加权提取最后特征，并利用支持向量机进行分类器设计。实验结果表明，该算法效果较好，最终识 别正确率达到89．3％。 关键词：运动想象(MI)；公共空间模式(CSP)：支持向量机(SⅥ旧 中图分类号：TP391．4 文献识别码：A A蛔tr锄ct：Brain—computer intedhce(BCI)is one l【ind of techniques on which ITlore and mo陀inte陀st h船been put by the intemational肥一 searchers recendy．By using electr_oencephalogmm，BCI establishes the interfaces between human and computer，in which motor imagery is an important experimental paradigm．In this paper’the dataset f而m BCI Competition II is analyzed using tIle a190ritIlm designed thmugh common 8patial pattem filter，continuous wavelet仃ansfo珊decomposes，tllen to use the T—weigllted ex仃action final chamcteristic，and using support vector machines to design the classifier．By means of the above叩proaches，better cl鹊sification results ar；e ob协ined．，11le result on testing set revealed an accuracy of 89．3％for class币cation． Key words：brain—computer interface(BCI)；electmencepllalo掣黼(EEG)；motor imagery㈣；伽哪l咖叩鲥m肼嘣晒m (CSP)；support v凹tor m觚hin嚣(SⅥ田 引言 1运动想象实验 近些年来，脑机接口(Bmin—computer Interac“on，BcI)技术 实验中．被试是一名健康女性．坐在椅子上处于放松状态。 的研究在国际上引起了广泛的兴趣并获得了快速的发展。它利 她的任务是根据屏幕上的随机提示．通过想象左右手的运动来 用脑电(electmencephalogram，EEG)来实现无动作的人机交互， 控制光标左右移动。实验一共进行7轮，每轮包括40个实验，7 可以为神经肌肉损伤患者提供一种不依赖正常的外周神经和 轮实验都在同一天进行，期间有几分钟的休息间隔。每个实验 肌肉输出通道的新的通讯T具。举例来说，患者通过BcI系统。 记录长度为9s。前2s为预备期．在第3s时出现向左或向右的 可以利用自己的运动想象(Motor Imagery，MI)直接操控轮椅、神 经假肢，甚至使用计算机。BcI研究具有重要的社会价值和应 用前景。 箭头提示，被试按照提示要求想象左右手运动来控制屏幕上光 标左右移动。所有数据通过3个电极记录．采样频率为128Hz， 最终数据由140个已知类别的训练样本和140个未知类别的 运动想象是利用自发脑电信号实现无动作人机交互的一种 测试样本组成。 重要BcI实验范式，本文所处理的是第二届国际脑一机接口竞赛 第Ⅲ组数据。具体的实验设计原理和方法将在下文巾的实验介 2数据处理 绍中详细阐述。大量T作表明，基于公共空间模式(common 实验采集到的是EEG信号，由于信噪比较低，所以数据处 spatial Pattem，csP)的方法对基于事件相关去同步的运动相关 理过程较为复杂。基本环节由数据预处理、特征提取和svM分 电位的信号特征提取具有很好的分离效果。但是由于EEc信号 类器设计这三个方面组成。 信噪比很低，单纯依靠csP提取特征是不够的，还需要利用数 2．1数据预处理 据驱动的方法作进一步处理．从数据中提取特征规律。实验结果 首先将原始数据经过2．5～25Hz带通滤波。由于运动想象 表明本文算法提取的特征可分度较好，利于分类器设计。 发生在第3秒后。所以只截取后6秒的数据进行处理。将其中 支持向量机(support Vector Machines，svM)，是在高维特征 空间使用线性函数假设空间的学习系统，该方法已成功应用于 多维模式识别的分类和回归。近些年来，研究人员开始将其应 140个已知标识的样本作为训练集，另外140个未知标识的样 本作为测试集。利用已知的标识将训练集两类样本进行分离， 得到最终的训练集样本矩阵。 用于事件相关的EEG信号的处理，同样取得了比较理想的分 2．2特征提取 类效果。我们将该算法应用于运动想象实验范式，算法性能较 为突出，在小样本的情况下识别正确率较高。 葛瑜：硕士研究生讲师 一266—360元，年邮局订阅号：82-946 万方数据 特征提取分为三步，首先是cSP滤波，接下来是连续小波 (continuous Wavelet 1'ransfonIl，cwI)分析，最后采用T加权方法 提取特征。 

縻爵露雨爵骄薅孺西溪凋 软件时空 csP是一种有监督的空间滤波方法，其思想是使两类信号 最后得到一维的训练集和测试集特征。图3显示了对应于 滤波后的空间成分在能量上差异最大，换而言之，是要找到使 小波系数的T一权值。 其中一类方差最大同时另一类方差最小的投影方向，这样提取 到的特征有利于分类器设计。 将该算法用于左手和右手运动想象数据集的特征提取。由 预处理得到了两类样本矩阵，将每一类中每个样本数据连接起 来构成矩阵D·和D～。其维数都为3×53760，两类样本矩阵分别 M1=【mlJ，…，mIJ’…，“吣m】 M-2【m-u，…，m．u，…，m_∞m】……………(1) 其中ml。=毗，…，咙】r’m。=咣，…，蜕】r，_，=1，…，53760。 信号Dt和D一协方差可估计为 Rl 2”叫)。j翥似-M-7’ R，cov(Dfp五耘(M埘-r)…………“(2) 对(Rlk、限。k的和进行主成分分析 ∑=Rl+R一。=uoTU07…………… (3) 其中T为非零特征值的对角矩阵，U0为对应的特征向量矩 阵。得到白化矩阵 。 P=T 2u。． (4) 将P分别作用于R。和l乙。 S。=PRlP’ s一。=腿一。P7． (5) 再次对s。做主成分分析，保留所有特征值和特征向量，其 特征向量用矩阵描述为u=【u，，u：，u，】，也就是说，找到空间中的 一组方向，这些方向是按照能量差异大小排序的。从u两端2 列特征向量来选择两类滤波器为 W=-t。P w'。=u，7P． (6) 将训练集经csP滤波后得到原信号在这两个方向上的投 图2训练信号的平均小波系数幅值 图3 T一权值 2．3 SVM分类器设计 支持向量机是从线性可分情况下的最优分类面发展而来 的．其目标是寻找一个最优分类面，不但能将两类样本正确分 开，而且分类间隔7最大。也就是说对于样本集(x，，y，) ，j=L…，，‘xER。，)，∈{一l，+l} ，挣牙足 咒(xf’∞+6)一l≥o f2l，…，疗 (8) 使得间隔y=2川∞』最大，其中co为分类面的投影向量，b为 偏移量。在实际应用中．支持向量机最优化问题可用c—sVM和 v—SvM两种形式来描述．本文使用v—sVM来设计分类器，其表 达式为min 却∞112一vp+专窆每 ‘ J T』-1 影，把原始信号降为两维，图l显示了这两个方向上的平均信 置t y。“x。，∞》+∞≥P一岳 。 5。 其中参数v(o<’，<1)是指错分样本数占总样本数的上界 皇≥qf=L‘一，Ⅳ，p≥o (9) 号(截取了2秒钟数据长度)。 薰一十疗翱 翟 §篱 馨 0{ 们 ¨ 叫 n8时商(-) 1。 1J 1正 1·8 -0” 42i or—面’面一—丽i赢l 2 Ij一1r—i：i广一 图1训练集csP滤波后的平均信号。左图为第一个方向， 右图为第二个方向。 接下来对csP滤波后的数据进行cwT时频变换，其中母 小波函数选Morlet小波。在时频面上对小波系数幅值做最大值 滤波。用来消除纹波效应，结果如图2所示。 从图中可以看出两类任务在两个方向上具有各自的时频 模式。接下来在这两个虚拟通道的小波系数上用T加权方法提 取最后特征，具体过程如下：首先在训练集上使用(7)式计算权 值．然后对训练和测试样本计算加权和作为特征。 。．：—jL丑一，t：l。2…，月 ∽ ’ 万方数据 和支持向量数占总样本数的下界。而p则是指当专=0时，两类 数据之间的分类间隔正好是2呢¨。 首先训练分类器，具体算法采用了chang和Lin的ubsvm 工具箱。我们利用特征提取得到(9)式中训练集特征x。。。，训练 集的已知标识表明在训练集中有70个样本属于第一类．剩下 的70个样本属于第二类，即式(9)中的列向量M。，巾前70个元 素为1，后70个元素为2。经过支持向量机训练之后得到相应 的‘I)和b值。最后利用判别函数 m)-s印(釜觯(I’x．Ⅲ) (1回 将测试集特征代入来判定测试集分类结果。其中N。表示为 支持向量的个数，七(x，x。)表示核函数，本文采用的是常用的高 斯核(Radial Basis Function，RBD。 3结果 原始数据首先经过2．5～25 Hz带通滤波；然后对滤波后的 数据进行特征提取，这个环节包括csP空问滤波、小波分析和 T力Ⅱ权；最后利用v—SVM进行分类器设计。得到的最高分类正 确率为89．3％．识别正确率较高。 汀转第278页) (多_自控一邮局订阅号：82-946 360元，年一267— 

软件时空 中文核心期刊<微计算机信息：}(管控一体化)2008年第24卷第6—3期 function 【Y1，Y2，…，varargout】=foo(xl，X2，…，v啪蟛n) 映射为vi。ual B船i。代码： Sub f00(narg叫t As bn舀Y1 As V撕aIlt，Y1 AB V撕ant，…， Varargout As Variant，X1 As Vari蚰t，X2 As Variant，…，V羽螂n As Variantl 所有的输入输出参数都是vB默认的vari蛐t类型。该类 型可以容纳任何类型的数据。 4．3．3软件的演示及发布 进入软件界面，首先点击“读取信号”按钮，读入原始信号 并显示，然后点击“小波去噪”，则将原始信号进行去噪处理，并 将提取的脉搏信号显示m来。其效果如图4所示。 图4 VB调用COM组件界面 对比图2、图3和图4．可以看出VB调用c0M处理信号的 结果与MA7rLAB仿真的结果是一致的。所以VB调用c0M的 方法是正确可行的。 将上述vB程序生成的可执行文件复制到安装了它所调用 的COM组件计算机上，该可执行文件即可正常运行。 5结语 本文使用Mallat算法和图形显示算法相结合的方法。成功 的去除了脉搏波中的呼吸干扰。比较了几种VB调用MAⅡAB 的方法的优缺点，从中选用了最具有优势的cOM组件技术作 为本文巾VB调用MATLAB的方法。介绍了MAl’LAB Builder for．NET制作、打包和发布cOM组件的主要过程。以及VB中 调用该组件的方法。并通过该方法制作了基于c0M组件的脉 搏波去噪软件。 本文的创新点：使用Mallat算法和图形显示算法相结合的 方法．成功的去除了脉搏波中的呼吸干扰。基于cOM组件将 MAⅡAB与VB结合，开发出脉搏波去噪软件。 参考文献 [1】李全政，高小榕，欧阳婧．胸阻抗信号中的呼吸波的去除【J】．清 华大学学报(自然科学版)，2000，40(9)：13一16． 【2】王大凯，彭进业．小波分析及其在信号处理中的应用【M】．北 京：电子工业出版社，2005． 【3】杨福生．，J、波变换的工程分析与应用【M】．北京：科学出版社， 1999． 【41王正祥，刘载文，杨斌，薛福霞．MA．11AB6．5与vB混合编程中 的接口技术研究【J1’微计算机信息，2006，10一1：187一189． 【5】苏金明，刘宏，刘波．MATLAB高级编程【M】．北京：电子工业出版 一278—360元，年邮局订阅号：82-946 万方数据 社，2005． 【6】李志勇，丁红胜．MaⅡab COM组件在储层建模软件开发中的 应用【J】．科技信息，2007，(21)：83—84． 【7】MATLAB Builder for．NET 2 User’s Guide【z】．ne MathWorks Inc．2007． 作者简介：刘宝华(1966一)，男(汉族)。副教授。主要研究方向为 单片机应用与开发、机电一体化系统、医疗电子系统等。 Biography： LIU Bao—hua(1966一)， male (han)， Yanshan Unibersity， associate pmfessor， Research area： SCM印plicati∞ aIld development，Mechatronics，medicaI electronic systems，etc． (066004河北秦皇岛燕山大学机械工程学院)刘宝华杜连涛 (0670∞河北承德承德石油高等专科学校机械工程系)王国永 通讯地址：(066004河北秦皇岛燕山大学机械工程学院) 刘宝华 (上接第267页) (收稿日期：2008．3．29)(修稿日期：2008．5．15) 4结束语 本文作者创新点：针对EEG信噪比较低的特性，在提取了 公共空间模式特征后，对特征进行了cwT时频分解，消除纹波 效应，最后利用T加权方法让信号在时域上的每个点都对最终 构造的特征有贡献，使选择出的特征可分度较好；使用SvM设 计分类器，在小样本情况下识别正确率较高。 参考文献 [1】G．Schalk，J．Dennis，H．’nlilo et a1．BCl2000：A General—Pu卜 System【J】． IEEE 7Ih璐． pose Brain—Computer Interface(BCD Biomed．Eng．，2004，5l(6)：1034一1043． 【2】BCI Competition 111 website [0L】： http朋da．fi玛t．fmunhofer．de， projects／bc讹ompetitioIl，． [3】S．kmm，B．Blankkertz，G．Curio，K．一R．M仰er．Spalio一8pectral Filters for Impmved Class浓cation of Sinde’IHal EEG 【J】． IEEE ’Ihns．Biomed．Eng．，2005，52(9)：1541一1548． 【4lJ．Mnlle卜Gerking，G．胁rtscheller，H．Fly、，bje瑁．Desi印ing Opti— mal spatial Filters for Sin醴e—trial EEG Cla8smcation in a Move— ment 7r踮k[J]．Clin．Neurophysi01．，110：787—798，1999． 【5】Y．Liu，z．T．zhou，D．w．Hu，G．H．D0ng．T—weighted Appmach for Neural InfoHnation Pmcessing in P300 Based Brain—Computer Interface[C】．Zhao M．S．，Shi Z．Z．． ICNN＆B，Beijing：CNNC， IEEE CIS，2005，3：1535—1539， [6】宋华军，范志刚，朱明．支持向量机和AdaB00st目标跟踪新方 法【J】．微计算机信息．2006，1 1—1：290—292． 【7】C．一C．Chang，C．一J．Lin．UBSVM：A Library for Support Vector Ma- chines【0L】． Available：http：f^^n^n^r．c8ie．ntu．edu．tw，veIb～cjlin／lib— svm．2006． 作者简介：葛瑜(1973一)，女，浙江宁海人，硕士研究生，讲师，研 究方向：脑一机接口中的信号处理算法。 Biography：GE Yu，female，Bom in studying on吐le algorithm8 of 1973， H柚，Lectu陀r，Master， BiI严8l processiIlg in Brain—ComI puter Inted_ace． (46lO∞河南许昌许昌学院)葛瑜杨钢 Ⅸ眦llang Unive商哆，Xuchallg拍lO∞，Chi瑚)GE Yu YANG Gang 通讯地址：(46lo伽河南省许昌市许昌学院电气信息工程学院) 葛瑜 (收稿日期：2008．4．20)(修稿日期：2008．6．05) 

脑机接口系统中EEG信号特征提取与分类 葛瑜， 杨钢， GE Yu， YANG Gang 作者： 作者单位： 刊名： 许昌学院,河南许昌,461000 微计算机信息 英文刊名： CONTROL & AUTOMATION 年，卷(期)： 2008,24(18) 1次 被引用次数： 参考文献(7条) 1.G.Schalk;J.Dennis;H.Thilo BCI2000:A General-Purpose Brain-Computer Interface (BCI) System 2004(06) 2.BCI Competition Ⅲ website 3.S.Lemm;B.Blankkertz;G.Curio;K.-R.Müller Spatio-spoctral Filters for Improved Classification of Single Trial EEG[外文期刊] 2005(09) 4.J.Müller-Gerking;G.Pfurtscheller;H.Flyvbjerg Designing Optimal Spatial Filters for Single-trial EEG Classification in a Movement Task[外文期刊] 1999(5) 5.Y.Liu;Z.T.Zhou;D.W.Hu;G.H.Dong T-weighted Approach for Neural Information Processing in P300 Based Brain-Computer Interface 2005 6.宋华军;范志刚;朱明 支持向量机和AdaBoost目标跟踪新方法[期刊论文]-微计算机信息 2006(11-1) 7.C.-C.Chang;C.-J.Lin LIBSVM:A Library for Support Vector Machines 2006 本文读者也读过(2条) 1. 廖彩萍.李远清.赵慧.LIAO Cai-ping.LI Yuan-qing.ZHAO Hui 基于运动想象的脑电信号的分类研究[期刊论文 ]-自动化与仪表2008,23(4) 2. 谢松云.李楠.张海军.XIE Song-yun.LI Nan.ZHANG Hai-jun 基于灰关联分析的脑电信号识别新方法[期刊论文 ]-微电子学与计算机2007,24(1) 引证文献(1条) 1.胡侠.吴耿锋 基于运动想象脑电信号的导联排序研究[期刊论文]-计算机工程与设计 2010(19) 本文链接：http://d.wanfangdata.com.cn/Periodical_wjsjxx200818108.aspx