左右手运动想象脑电模式识别研究 (2013年).pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：3.23M 资料格式：pdf 举报版权申诉

weixin_38544152-18585798-16359648015898490701.pdf-第1页.png

第1页 / 共6页

weixin_38544152-18585798-16359648015898490701.pdf-第2页.png

第2页 / 共6页

weixin_38544152-18585798-16359648015898490701.pdf-第3页.png

第3页 / 共6页

weixin_38544152-18585798-16359648015898490701.pdf-第4页.png

第4页 / 共6页

weixin_38544152-18585798-16359648015898490701.pdf-第5页.png

第5页 / 共6页

weixin_38544152-18585798-16359648015898490701.pdf-第6页.png

第6页 / 共6页

文本预览

第２５卷第１期２０１３年１月常州大学学报（自然科学版） Journal of Changzhou University （Natural Science Edition） Vol畅２５ No畅１ Jan畅２０１３文章编号：２０９５－０４１１（２０１３）０１－００２５－０６左右手运动想象脑电模式识别研究倡（１畅常州大学信息科学与工程学院，江苏常州２１３１６４；２畅常州市生物医学信息技术重点实验室，江苏常州２１３１６４）刘　成１，何可人１，２，周天彤１，２，邹　凌１，２摘要：如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国 EGI６４导脑电采集系统得到３名健康被试的脑电数据，首先，采用独立成分分析（Independent Component Analysis ，ICA）对采集的数据进行去噪处理；然后，利用离散小波变换方法对分解 C３／C４处的 EEG 平均功率信号，选用尺度６上逼近系数 A６的重构信号作为脑电特征信号；最后，用 Fisher 线性判别分析法（Fisher Linear Discriminant Analysis ，FLDA）、支持向量机方法（Support Vector Machines ，SVM ）和极限学习机分类方法（Extreme Learning Machine ，ELM ）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于 Fisher 方法与 SVM 方法的平均分类率，可以达到９２％，而且运行速度也高于另两种分类算法。关键词：脑机接口；特征提取；模式识别；运动想象中图分类号：TK ２２９畅８　　　　文献标识码： A 　　　　 doi ：１０畅３９６９／j畅issn畅２０９５－０４１１畅２０１３畅０１畅００５ Study of Discrimination between Left and Right Hand Movements Imagery Event － Related EEG Pattern LIU Cheng１，HE Ke －ren１，２，ZHOU Tian －tong１，２，ZOU Ling１，２（１畅School of Information Science and Engineering ，Changzhou University ，Changzhou ２１３１６４，China ；２畅Changzhou Key Laboratory of Biomedical Information Technology ，Changzhou ２１３１６４，China） Abstract ：Recently ，accurate classification of imaginary left and right hand movemetns of EEG is an impor‐ tant issue in brain０computer interface （BCI）．Based on EEG data of ３ subjects which collected by －Amer‐ ican EGI ６４０－channel EEG colletion system ，firstly ，the effective de －noising processing to collected data by the independent component analysis method is carried out ．Secondly ，discrete wavelet transform meth‐ od is used to decompose the average power of the channel C３／C４ in left and right hand movements image‐ ry ．The reconstructed signal of approximation coefficient A６ on the sixth level is selected to build up fea‐ ture signal ．Finally ，to classify the feature signal respectively by Fisher Linear Discriminant Analysis （FL‐ DA），Support Vector Machines （SVM ） and Extreme Learning Machine （ELM ） methods ．The classifica‐ tion results show that the average classification rate of － ELM is higher than that of FLDA and SVM ， which can achieve ９２％．The running speed of ELM is also faster than the other two methods ． Key words ：brain －computer interface ；feature extraction ；motor imagery ；pattern classification 　　用于脑机接口（brain － computer interface ， BCI）研究的认知任务中最普遍的是想象运动［１］。想象运动是在肢体器官没有发生任何真实运动的情况下，运动过程在大脑中的浮现。当一个人没有运倡收稿日期：２０１２ — １２ — １０基金项目：国家自然基金项目（６１２０１０９６）；常州市科技项目（CJ２０１１００２３，CM２０１２３００６）作者简介：刘成（１９８７ — ），男，安徽安庆人，硕士生；通讯联系人：邹凌。

·62· 常州大学学报（自然科学版）　　　　　　　　　　　　　　　　２０１３年动时（想象运动或实际运动），在各自皮层处的大量神经元非常活跃。当发生运动时，有一种称为 “空闲” 节律的幅度值会产生衰减，这种情况可以在１脑电信号的１０Hz （μ 节律）以及２０Hz （β 节律）附近检测得到［２］。这类现象表现为脑电信号一定频率范围内的改变，通常是一定频段内的能量的减少或增加。 Pfurtscheller 将这种能量的减少称为事件相关去同步（ERD），而能量的增加称为事件相关同步（ERS）。这种由于事件相关去同步／同步引起的脑电信号能量的差异将作为后续信号处理分析的理论基础。脑电信号是一种微弱信号，在采集过程中极容易受到外界干扰，去噪是一个必不可少的步骤，能为特征提取及分类作好铺垫。目前，常用的去噪方法有 ICA ［３－４］、小波去噪［５］、 EMD 方法［６］等，而利用 ICA 对脑电信号进行分析，可以从脑电信号中分离出心电，眼电，以及工频干扰等噪声信号，并且能有效地增强脑电信号中一些重要的基本节律成分。特征提取之后常常采用线性判别分析［７］，支持向量机［８］和神经网络［９］等一些方法作为分类器进行分类。基于美国 EGI 公司６４导脑电采集设备，本文采集了３名健康被试的脑电数据。根据国内外研究报道，运动想象脑电数据常用的电极都是 C３／ C４［１０］，本文选取了 C３／C４处的脑电信号。通过独立成分分析方法去噪，离散小波变换对 C３／C４处的信号进行特征提取，最后采用极限学习机方法将特征提取后的信号进行分类比较，为在线 BCI 实现提供一定理论依据。１　方法１畅１　实验数据的获取及预处理３名健康大学生被试（２男１女，平均年龄２３岁，右利手）自愿参与了左右手运动想象脑电实验。通过 E － Prime 软件［１１］设计实验范式，该实验过程如下：被试坐在舒服的椅子上，保持放松的状态，每次 trail 开始时电脑屏幕会出现 blank （空白），持续２s ，之后呈现 “ ＋ ” 注视点（fixation），持续１s ，并伴随着 “滴” 的声音提示实验开始，紧接着屏幕出现向左或向右的箭头，呈现１畅２５s ，之后又出现 “ ＋ ” ，持续２畅７５s ，接着又出现一个 blank （空白），持续时间是随机的（从５００ms 到２０００ms），如图１所示。实验由７个 runs ，２８０个 trails 组成，每个 runs 由４０个 trail 组成，每个 trail 运行８－９s 。然后将采集的原始脑电数据采用独立成分分析进行去噪预处理。图１　实验过程示意图 Fig畅１　 Timing scheme １畅２　脑电信号的特征提取本文主要是用离散小波变换［１２－１３］对预处理后的数据进行特征提取。小波变换（Wavelet Trans‐ form ，WT ）是近年来国际上热门的前沿研究领域之一，是继 Fourier 之后的一个突破性进展，是一种有效的时频分析方法。小波变换实质是将信号分解成一系列小波函数的叠加，小波窗口大小随频率改变。在低频时，时间分辨率较低但频率分辨率较高；在高频时，时间分辨率较高但频率分辨率较低。 EEG 信号是非平稳信号，由于小波变换的多分辨率特点，很适合提取 EEG 特征。１畅３　模式分类本文采用 Fisher 线性分析判别法、支持向量机分类方法和极限学习机分类方法分别对特征提取后的信号进行分类处理比较，从而选择更好更有效的分类方法。下面简单介绍极限学习机分类方法。极限学习机（Extreme Learning Machine ， ELM ）［１４］是一种基于单层前馈神经网络（Single － hidden Layer Feedforward Neural Networks ， SLFNs）的学习算法。在 ELM 中，隐藏节点参数被随机选择，能够大大缩短对于训练数据的训练时间。在人工智能、机器学习、数据挖掘等领域，支持向量机、极限学习机和其他人工神经网络都得到了广泛地应用。假设给定一个含有 N 个样本的样本集｛（xi ， ti ）｝，i ＝１，２， … ， L 。具有 L 个隐层节点的单隐层前向网络（SLFNs）如图２所示，可以表示为 L i ＝１βiG （ai ， bi ， x j ）＝ ∑ i ＝１βi g （ai · x j ＋ bi ）＝ y j ∑ （１） L 其中 βi 为第 i 隐层节点的输出权值，输入神经元与第 i 个隐层节点和输入权值和偏置分别为 ai 和 bi ，

刘成，等．左右手运动想象脑电模式识别研究 ·72· ③ 根据式 β＝ H＋ t 计算输出权值矩阵 B ； ELM 用于多类别分类时，具有多个输出神经元。如 ELM 用于 m 类分类时，具有 m 个输出神经元。 β为 L × m 维矩阵， t 和 y 都为 N × m 维矩阵，仍然采用上述算法。２　结果与讨论２畅１脑电信号的预处理结果由于 ICA 对除去眼电干扰有很好的效果，本文选取用 ICA 对原始 EEG 信号进行预处理。因为眼电信号主要集中在前额区，所以，这里只显示了前３２导电极处的 EEG 信号，本文共对３位被试的 EEG 信号进行处理，这里只显示一位被试的处理结果。图３和图４是前３２导的原始波形图，从图３和图４中可以看出 FP１和 FP２导电极处存在明显的眼电和肌电干扰。图５和图６是其对应的 ICA 独立成分波形图。图７和图８是前３２导对应的脑电地形图。图９和图１０是 ICA 处理后的 EEG 信号波形图。图３　１－１６导原始 EEG 信号波形图 Fig畅３　 Raw EEG data of １－１６ channels SLFNs 的输出为 y j ， j ＝１，２， … ， N 。根据上述 SLFNS 拟合训练样木，即要使：｜ yj － tj ｜＝０（２）即要调整（ai ， bi ， βi ）使得 N ∑ j ＝１ L i ＝１βi g （ai · x j ＋ bi ）＝ tj ， j ＝１，２ … … ， N ∑ 将上述方程写成矩阵形式： Hβ＝ t 其中隐含层输出矩阵： H＝ g（a１ x１＋ b１） g（a１ x２＋ b１） g（a２ x１＋ b２） g（a２ x２＋ b２） ⁝ ⁝ g（a１ x N ＋ b１） g（a２ x N ＋ b２）（３）（４） … … … g（aL x１＋ bL ） g（aL x２＋ bL ） ⁝ g（aL x N ＋ bL ）（５） H ij 表示第 j 个隐含层节点对输入 x i 的映射。β ＝［β１， β２， … ， βN ］T 为输出权值矩阵，目标矩阵 t ＝［t１， t２， … ， tN ］T 。图２　极限学习机原理图 Fig畅２　 Schematic diagram of ELM ‖ Hβ － t ‖ 在极限学习机中，隐层节点参数（ai ， bi ）都是随机生成的，在训练过程中不再改变，因此， ELM 的训练可以转换为如下优化问题： ∧ ＝ minβ β 当 L ＝ N 时，隐含层输出矩阵 H 通常是可逆的。但是在实际中，通常 L 虫 N ，此时 H 不再是方阵，需要通过 H 的伪逆求解 β＝ H＋ t （６）（７）综上，ELM 的算法流程如下： ① 随机生成输入权值和隐含层神经元偏置（ai ， bi ）； ② 计算隐含层输出矩阵 H ；图４　１７－３２导原始 EEG 信号波形图 Fig畅４　 Raw EEG data of １７－３２ channels

·82· 常州大学学报（自然科学版）　　　　　　　　　　　　　　　　２０１３年图５　１－１６导 EEG 信号独立成分波形图 Fig畅５　 Independent components of １－１６ channels 图９　１－１６导 EEG 信号 ICA 处理后波形图 Fig畅９　 ICA cleaned EEG signals from １－１６ channels 图６　１７－３２导 EEG 信号独立成分波形图 Fig畅６　 Independent components of １７－３２ channels 图７　１－１６导 EEG 信号地形图 Fig畅７　 Topo map of １－１６ channels 图８　１７－３２导 EEG 信号地形图 Fig畅８　 Topo map of １７－３２ channels 图１０　１７－３２导 EEG 信号 ICA 处理后波形图 Fig畅１０　 ICA cleaned EEG signals from １７－３２ channels 从图３－图８中可以看出第１、３、８、１２、１６处有明显的眼电干扰信号，２７导有明显的肌电干扰信号，采用置零重构的方法重建脑电信号。也有一些尚不明确的伪迹，例如独立成分６、７、１５。图９、１０为 ICA 方法去除眼电伪迹后的重构脑电信号（１－３２导），从图９、１０中可以看出，明显的眼电、肌电信号已经去除了，但是有未知干扰的导联还有噪声存在。２畅２　脑电信号的特征提取结果想象左手运动时 C３通道获得的平均功率大于 C４通道获得的平均功率；想象右手运动时C３通道获得的平均功率小于 C４通道获得的平均功率。如图１１和图１２所示。这也正符合想象运动脑电信号的 ERD／ERS 特点：单边的肢体运动或想象运动，大脑对侧产生事件相关去同步电位，大脑同侧产生事件相关同步电位。考虑到小波基函数与待分析信号波形的相似性，本文选用 Daubechies （dbN ）小波系，实验表明使用db５小波对实际信号分解，发现其重建信号在时域上基本反映了原信号的特征。因此，利用 db５小波函数分别对想象左右手运动

刘成，等．左右手运动想象脑电模式识别研究的 C３、 C４处预处理后的信号进行６层分解，即 f （t）＝ A６＋ D６＋ … ＋ D１，分解结果如图１３、图１４所示。 ·92· 和 C４分别用 LC３A６和 LC４A６表示，同时，想象右手运动时的最终近似信号分别用 RC３A６和 RC４A６表示。结果如图１５显示，就第六级近似系数 A６的信号而言，左右手想象运动有着显著差异。想象左手运动时 LC３A６的值大于 LC４A６的值，然而，想象右手运动时 RC３A６的值小于 RC４A６。假设 L A６和 RA６分别是 C３和 C４在第６级上近似系数 A６的信号的差异，它们被定义成如下的方程式： L A６＝ L３A６－L４A６ RA６＝ R３A６－R４A６（８）（９）图１１　想象左手运动 C３、 C４平均功率随时间变化 Fig畅１１　 The relationship between the time and the average power of the C３ electrode and C４ electrode for left － hand movement imagery 图１２　想象右手运动 C３、 C４平均功率随时间变化 Fig畅１２　 The relationship between the time and the average power of the C３ electrode and C４ electrode for right － hand movement imagery Fig畅１４　 The wavelet decomposition of the C３ electrode and C４ e‐ 图１４　想象右手运动 C３、 C４小波分解结果 lectrode for right － hand movement imagery 图１５　想象左右手运动的特征信号 Fig畅１５　 The feature signals of the left － right hands movement imagery ２畅３　模式分类结果本文实验数据分别用 Fisher 线性判别分析法、支持向量机和极限学习机３种不同分类方法对３个被试进行分类处理，通过预处理随机选取１４０个 trail ，选取１００个作为训练集，剩下的作为测试集。其分类的结果见表１。从表１中，可以看出极限学习机的平均分类率图１３　想象左手运动 C３、 C４小波分解结果 Fig畅１３　 The wavelet decomposition of the C３ electrode and C４ e‐ lectrode for left － hand imagery movement 在这里，想象左手运动时的最终近似信号 C３

·03· 常州大学学报（自然科学版）　　　　　　　　　　　　　　　　２０１３年要略高于支持向量机分类的分类率，能达到９２％。而且极限学习机分类方法处理数据的时间要快于支持向量机分类方法。此外，不同被试分类结果的个体差异较明显，这可能跟实验者做实验时的心理状态以及实验环境有关。表１　不同方法的分类结果 Table １　 Classification of different methods SVM 畅０８４９５畅０畅０９０ FLDA 畅０７１８８畅０畅０８３被试１／％被试２／％被试３／％分类方法 C３／C４ ELM 畅５８６９７畅０畅５９２平均分类率／％平均时间３　结　论８０畅６畅３２ s ５０畅６９２８９畅０畅００ min ０畅２４ s 针对运动想象 EEG 数据，本文提出采用 DWT ＋ ELM 识别方法，相对其他两种方法，其分类效果更佳，也证实了该方法对运动想象 EEG 数据识别的有效性，同时，也为 BCI 的运动想象脑电信号的特征提取和模式分类提供了新的思路。本文实验数据分析研究只是在离线环境中进行，而且都是健康被试，下一步将会针对真正的运动障碍患者（思维正常）的在线 BCI 问题进行深入研究，促进 BCI 在康复工程领域的应用与发展。参考文献：［１］李明爱，刘净瑜，郝冬梅畅基于改进 CSP 算法的运动想象脑电信号识别方法［J ］畅中国生物医学工程学报，２００９，２８（２）：１６１－１６５畅［２］叶竟，石锐，何庆华．基于 HHT 和改进 CSP 算法的运动想象 BCI 系统［J］．重庆理工大学学报，２０１２，２６（５）：７０－７３．［３］谢松云，张振中，张伟平，等．基于 ICA 的脑电信号去噪方法研究与应用［J］．中国医学影像技术，２００７，２３（１０）：１５６２－１５６５．［６］ Yannis Kopsinis ， Stephen McLaughlin ． Development ［４］孔薇，杨杰，周越，等．基于独立成分分析的强背景噪声去噪方法［J］．上海交通大学学报，２００４，３８（１２）：１９５７－１９６１．［５］王巧兰，季忠，秦树人，等．基于小波变换的脑电噪声消除方法［J］．重庆大学学报，２００５，２８（７）：１５－２６． of EMD — based denoising methods inspired by wavelet threshol‐ ding ［J］．IEEE Trunsactiom on Signal Processing ，２００９，５７（４）：１３５１－１３６１．［７］ Fraiwan L ，Lweesy K ，Khasawneh N畅 “Classification of sleep stages using multi － wavelet time frequency entropy and LDA” ［J］． Methods Inf Med ，２０１０，４９（３）：２３０－２３７畅［８］袁玲，杨帮华，马世伟畅基于 HHT 和 SVM 的运动想象脑电识别［J］畅仪器仪表学报，２０１０，３１（３）：６４９－６５４畅［９］ Zou Ling ，Wang Xinguang ，Shi Guodong ，et al畅 EEG feature extraction and pattern classification based on motor imagery in brain － computer interface ［J ］．International Journal of Soft‐ ware Science and Computational Intelligence ，２０１１，３（３）：４３－５６畅［１０］ Lou Bin ，Hong Bo ，Gao Xiaorong ，et al畅 Bipolar electrode se‐ lection for a motor imagery based brain – computer interface ［J］畅 J Neural Eng ，２００８（５）：３４２ – ３４９畅［１１］曾祥炎，陈军畅E － Prime 实验设计技术［M ］畅广州：暨南大学出版社，２００９：２５－２１６．［１２］徐宝国，宋爱国，费树岷，等．在线脑机接口中脑电信号的特征提取与分类方法［J ］．电子学报，２０１１，３９（５）：１０２５－１０３０．［１３］邹凌，陈树越，孙玉强，等畅小波分析和独立分量分析结合的诱发电位信号提取研究［J］畅生物医学工程学杂志，２０１０（４）：７４１－７４５畅［１４］陈盛双畅基于极限学习机的 XML 文档分类［J］畅计算机工程，２０１１，３７（１９）：１７７－１７９畅

分享到：

赞收藏

资料库

左右手运动想象脑电模式识别研究 (2013年).pdf

相关推荐

开发技术

热门标签

最新资料