基于樣本熵的運動想象腦電信號特征提取與分類方法

馬滿振

摘 要：腦-機接口是一種允許人腦與外部接口直接交流的系統(tǒng)，它通過識別不同思維下的腦電信號，并將其轉換為控制信號，來實現(xiàn)意念控制。傳統(tǒng)的基于EEG信號頻域特性進行特征提取的方法無法達到高分類正確率的要求[1]。本文提出基于小波變換與樣本熵的運動想象腦電信號特征提取方法。分析了左右手運動想象EEG信號樣本熵的動態(tài)變化規(guī)律及其神經(jīng)電生理意義。最后利用Fisher線性判別式進行了左右手運動想象腦電的分類，得到了較好的分類結果，平均最大分類正確率達到了90.3%，證明了該方案具有很大的可行性和實用價值。

關鍵詞：腦機接口；運動想象；小波變換；樣本熵

DOI：10.16640/j.cnki.37-1222/t.2017.07.262

1 引言

腦-機接口（Brain-Computer Interface，BCI）是一種允許人腦與外部接口直接交流的一種系統(tǒng)[2]。BCI通過實時測量與使用者意圖相關的大腦活動，并將這個活動轉化為相應的控制信號，從而達到對設備實時控制的目的[3]。BCI最終的目標是形成更加自然順暢的人-機交流方式，這對某些特殊環(huán)境中的外部設備操控人員（如坦克操控人員、潛水員、宇航員等）來說，可以增加人員對專用設備的特殊控制技能，同時還可以達到減少人員工作量，提高工作效率和控制精度等效果。

基于左右手運動想象腦電的BCI，其實現(xiàn)最為關鍵的環(huán)節(jié)是腦電信號的特征提取。目前的特征提取方法主要有自回歸（AR）模型[4]、功率譜估計[5]、小波變換[6]等。AR模型和功率譜估計屬于頻域分析法，無法很好的表征EEG信號的時域信息；小波變換屬于時頻分析法，雖然可以同時分析信號的時域和頻域信息，但不能同時在時域和頻域有高的分辨率。因此，尋找更加有效的左右手運動想象腦電特征對于改善BCI性能是非常有意義的。

本研究提出了將小波與樣本熵結合進行EEG信號特征提取，首先利用小波對EEG原始信號進行去噪，然后采用非線性動力學參數(shù)“樣本熵”作為腦電特征進行分類。樣本熵的值反映所測時間序列中出現(xiàn)新模式的概率，樣本熵值與出現(xiàn)產(chǎn)生新模式的概率成正相關 [7]。這正好能夠用來衡量運動想象過程中大腦感覺運動皮層被激活時EEG信號的復雜性變化。實驗中分析了用戶進行左右手運動想象時EEG信號樣本熵的動態(tài)變化規(guī)律及其神經(jīng)電生理意義。最后利用Fisher線性判別式進行了左右手運動想象腦電的分類，得到了較好的分類結果，證明了該方案具有很大的可行性和實用價值。

3 實驗及結果分析

3.1 數(shù)據(jù)采集

實驗數(shù)據(jù)采用2008年第四屆腦機接口競賽提供的Data sets 1受試b的校準數(shù)據(jù)，該實驗采用59個電極，采樣頻率為100Hz，周期為8s。受試者放松安靜的坐在電腦前舒適的座椅上，根據(jù)屏幕上出現(xiàn)的提示進行運動想象，如圖1所示，每個實驗周期分為以下幾個環(huán)節(jié)：

a）1～2s呈現(xiàn)黑屏狀態(tài)，受試者保持安靜放松；b）2s時，計算機發(fā)出短暫的蜂鳴聲，提醒受試者注意；c）2～4s屏幕上出現(xiàn)十字叉‘+，使受試者注意力集中在屏幕中心；d）4s時屏幕出現(xiàn)向左或者向右的箭頭，用戶根據(jù)箭頭指向進行左手或者右手的運動想象，持續(xù)4s。

實驗數(shù)據(jù)中分別包含受試b進行左手運動想象和右手運動想象各100次，其中前30次用于訓練，后30次用于測試。

3.2 EEG信號預處理

由于EEG信號非常微弱（級），而且內(nèi)部夾雜著各種噪聲（如眼電、肌電、心電偽跡、工頻噪聲等），因此EEG的信噪比很低[9]。為了減少噪聲提高信噪比，我們利用非線性小波變換閾值法對運動想象原始EEG信號（圖2為腦電原始信號）進行處理。通過MATLAB仿真，選取db4作為小波基函數(shù)，對原始EEG信號進行5層分解，舍棄 5層以上的高頻部分，利用軟閾值方法對EEG信號進行去噪處理，處理后得到的信號如圖3所示。

運動想象原始EEG信號內(nèi)部包含各種干擾，高頻干擾尤為明顯，這將直接影響后期特征提取和分類的效果。由上面的仿真結果圖3可見：濾波后的信號很好的濾除了絕大部分噪聲的干擾，保留了運動想象腦電信息，為后期的特征提取和分類識別提供有力保證。

3.3 基于樣本熵的左右手運動想象EEG復雜度分析

人在放松清醒的狀態(tài)下進行運動想象時，在大腦的感覺運動皮層區(qū)域就會產(chǎn)生8-12Hz的節(jié)律和18-26Hz的節(jié)律腦電[10]。人在進行單側肢體運動想象時，大腦中對側的節(jié)律和節(jié)律會出現(xiàn)幅值衰減的現(xiàn)象，這種現(xiàn)象被稱為事件相關去同步（ERD）；而大腦中同側的節(jié)律和節(jié)律會出現(xiàn)幅值增強的現(xiàn)象，這種現(xiàn)象被稱為事件相關同步（ERS）。基于ERD和ERS現(xiàn)象，可分別計算出左、右手運動想象EEG信號的樣本熵值，選取參考時間段并計算樣本熵值，將它們的比值做為運動想象EEG信號的復雜度ERD時程，從而得到左右手運動想象時大腦感覺運動皮層的EEG復雜度變化情況。

主要步驟為：首先從每個實驗周期的第一秒開始，設置滑動時間窗寬度為1s（即100點），計算采樣點處前1秒C3、C4通道EEG信號的樣本熵。窗口每次向后移動一個采樣點，直至計算出最后一秒數(shù)據(jù)的樣本熵，從而得到一個實驗周期中C 3、C 4通道EEG信號的樣本熵時間序列。然后將單個受試者的相同運動想象EEG信號的樣本熵值進行疊加平均，求得平均樣本熵ERD曲線。由于樣本熵表示的是時間序列復雜度，因此，EEG樣本熵ERD曲線表征了EEG復雜度隨時間的變化規(guī)律。左右手運動想象樣本熵ERD曲線如圖4、圖5所示。

根據(jù)神經(jīng)生理學可知，人在進行左右手運動想象時，大腦對側的感覺運動皮層區(qū)被激活，該區(qū)域的大腦神經(jīng)進行運動想象信息處理，導致了運動想象EEG信號獨立性增強，同步化程度降低，從而導致了節(jié)律和節(jié)律幅值衰減（ERD），腦電復雜度反而升高的現(xiàn)象；大腦同側感覺運動皮層區(qū)域相對處于靜息狀態(tài)，神經(jīng)元活動被抑制引起腦電信號同步化程度增強，從而導致節(jié)律和節(jié)律幅值增加（ERS）而腦電復雜度降低。綜合以上分析可知，左右手運動想象EEG的樣本熵復雜度特征與其自身的能量特征具有相同的生理基礎，證明了樣本熵能夠很好的反映出左、右手運動想象EEG信號的特征差異性。

3.4 特征提取與分類

本研究通過計算出單次實驗流程C3、C4通道的EEG信號樣本熵時間序列和，將其組合成二維時變特征向量，用于運動想象任務的實時連續(xù)分類。計算每一時刻前一秒EEG信號的樣本熵作為該時刻EEG信號的樣本熵，相似容限取。

采用Fisher線性判別式對左、右手運動想象任務進行動態(tài)連續(xù)分類。首先計算出每一組運動想象腦電數(shù)據(jù)的時變特征向量，前30組左手和30組右手運動想象腦電數(shù)據(jù)作為訓練樣本，對Fisher判別式的權值系數(shù)和閾值進行訓練，得到每一個采樣點處的權值系數(shù)和閾值，然后利用式（11）求得測試樣本數(shù)據(jù)每個采樣點特征向量的Fisher判別式距離，判斷其所屬類別，從而實現(xiàn)動態(tài)連續(xù)分類。

線性判別函數(shù)為：

（11）

其中為被測試特征向量，當時，判斷屬于第一類（左手運動想象）；當時，判斷屬于第二類（右手運動想象）；當時，判斷不屬于任何一類。

利用Fisher準則，計算的公式為：

（12）

其中、分別為左、右手運動想象訓練數(shù)據(jù)特征向量的類內(nèi)聚散度矩陣，、分別為左、右手運動想象訓練數(shù)據(jù)特征向量的均值。

的取值根據(jù)經(jīng)驗用下式進行估計：

（13）

利用Fisher線性判別式對左、右手運動想象時變EEG樣本熵特征進行分類，求得測試集運動想象數(shù)據(jù)隨時間變化的連續(xù)分類結果，實驗取得了很好的分類效果，最大平均分類正確率為90.3%。

4 結論

本文針對運動想象腦電能量特征分類正確率不高的問題，提出以樣本熵ERD曲線作為區(qū)分左、右手運動想象任務的特征，利用Fisher線性判別式對其進行動態(tài)連續(xù)分類，取得了很好的分類效果，為運動想象EEG信號的特征提取提供了一種新的思路。實驗表明，樣本熵能夠很好的反映出單側運動想象任務的ERD/ERS生理現(xiàn)象，能夠作為區(qū)分左、右手運動想象EEG信號的特征，為BCI的特征提取提供了更好的選擇，具有很強的實際應用價值。

目前已經(jīng)成功將樣本熵特征提取方法應用到BCI實時系統(tǒng)當中，實現(xiàn)了大腦意念控制無人小車，使其完成無人小車的前進停止等功能，取得了較好的效果.下一步工作，將把小波分解所表征的EEG各層細節(jié)特征和用樣本熵所表征的EEG復雜度特征進行融合，預計能達到更好的分類效果。

參考文獻：

[1]Daly.L， Muller-Putz.G， et al. Fully Online and Automated Artifact Removal for Brain-Computer Interfacing[C]. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2015， 23（5）： 725-736.

[2]Ye Liu ；Dept. of Comput. Sci. ； Eng.， Shanghai Jiao Tong Univ.， Shanghai， China；Hao Zhang；Min Chen；Liqing Zhang . A Boosting-Based Spatial-Spectral Model for Stroke Patients EEG Analysis in Rehabilitation Training. Neural Systems and Rehabilitation Engineering， IEEE Transactions on. 2016. 24（1）： 169-179.

[3]S. Saeedi； R. Chavarriaga； R. Leeb； J. d. R. Millan. Adaptive Assistance for Brain-Computer Interfaces by Online Prediction of Command Reliability. Computational Intelligence Magazine， IEEE. 2016. 11（1）： 32-39.

[4]鄒清.基于AR模型的腦電信號特征提取與識別[D].中南大學.2008.

張崇，鄭崇勛，歐陽軼，于曉琳.基于腦電功率譜特征的腦力疲勞分析[J].航天醫(yī)學與醫(yī)學工程.2008.21（1）.35-39.

[5]Dongying Han； Pei Li； Shujun An； Peiming Shi. Multi-frequency Week Signal Detection Based on Wavelet Transform and Parameter Compensation Band-pass Multi-stable Stochastic Resonance[J]. Mechanical System and Signal Processing. 2016.70-71（000）： 995-1010.

[6]Mourad Kedadouche； Marc Thomas； Antoine Tahan； and Raynald Guilbault. Nonlinear Parameters for Monitoring Gear： Comparison Between Lemple-Ziv， Approximate Entropy， and Sample Entropy Complexity. Shock and Vibration. 2015. 2015（000）： 1-13.

[7]Lei Zhang； Long Zhang； Junfeng Hu； and Guoliang Xiong. Bearing Fault Diagnosis Using a Novel Classifier Ensemble Based on Lifting Wavelet Packet Transforms and Sample Entropy. Shock and Vibration. 2016. 2016（000）： 1-14.

Bermudez i Badia， S.[1]； Using a Hybrid Brain Computer Interface and Virtual Reality System to Monitor and Promote Cortical Reorganization through Motor Activity and Motor Imagery Training. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（2）： 174-181.

[8]Pengfei Wei[1]；Wei He；Yi Zhou；Liping Wang. Performance of Motor Imagery Brain-Computer Interface Based on Anodal Transcranial Direct Current Stimulation Modulation. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（3）： 404-415.