基于小波分析和SVM的P300腦電信號識別算法研究

謝清新，杜玉曉，朱春媚（.廣東工業大學 廣東 廣州50006；.電子科技大學 中山學院，廣東 中山58400）

基于小波分析和SVM的P300腦電信號識別算法研究

謝清新1，杜玉曉1，朱春媚2
（1.廣東工業大學 廣東 廣州510006；2.電子科技大學 中山學院，廣東 中山528400）

為了滿足癱瘓人士和虛擬現實的需求，提出基于小波分析和SVM的P300腦電信號處理算法研究，并通過實驗數據論證算法的可行性。本算法首先使用工頻陷波器和小波分析去噪，然后使用小波分解和teager能量算子分別提取時域特征量和能量特征量，并基于SVM判斷特征量是否含有P300腦電信號。實驗數據表明，本算法比單一特征量判別算法有較好的判別精度，符合需求標準。

腦電信號；小波分析；SVM；teager能量算子

腦機接口（brain-computer interface，BCI）是一類通訊接口，通過實時記錄腦電信號并對其進行一定的處理后解讀出大腦思維，而后將其轉換成控制命令實現人腦對機器的控制[1]，滿足癱瘓人士日常生活和虛擬現實的需求。

大腦通過視覺、聽覺等認知某些事件時，其通常在大腦皮層枕葉位置和頂葉位置可以明顯檢測到電位變化，這就是事件相關電位 （ERP，event related potentials），P300為當人體受到刺激后大概300 ms在大腦皮層出現一個正向的幅值變化，其幅值為0.3～50 μV，頻率為2～8 Hz，其誘發方式多樣，由于視覺的刺激方式比較簡便與易實現，因此目前基于P300的腦機接口系統（BCI）大部分都是使用范式視覺刺激。其主要滿足兩個條件：1）目標靶刺激滿足隨機性；2）目標靶在整個刺激周期中出現的刺激比率比較小。本系論文的刺激界面基于以上規則進行設計。

基于以上規則設計好刺激界面后，主要面臨的問題在于如何在范式刺激后產生的腦電信號中判別出其是否含有P300，也即P300的特征提取和判別。文獻[2-5]都采用了一些比較簡易的方法進行特征提取，比如相干平均、隔點采樣等，這些方法雖然簡便但是準確率比較低而且容易丟失原始信號特征；文獻[6-7]基于以上文獻的缺點分別提出了針對性的特征提取方法，例如基于粗糙集理論的特征提取和功率譜分析，雖然這些方法能夠提取出特征但要進行大量數據訓練；文獻[8-10]均提出采用盲源分離的方法提取特征數據，但此方法用于腦信號分析時存在缺陷，即可能干擾過大時無法分離出準確的特征量[11]；文獻 [12-13]的特征提取方法雖然能得到準確的特征，但在判別時存在耗時過長。

小波分析是一類窗口大小不變，大小可變的典型的不論在時域還是頻域都有不錯的局部化信號分析方法，所以可使用小波分析來去噪和分析腦電信號這種非平穩信號并進行特征提取[14，15]。因此本論文采用小波分析進行特征提取并采用支持向量機進行特征量的判別，同時根據P300的特征，其瞬時的幅值和能量比較大，因此引入teager能量算子作為輔助的特征提高判別的精準度。

1 P300與腦電信號的預處理

1.1 工頻陷波器設計

50 Hz的工頻干擾是腦電信號中最大干擾之一，因此腦電信號預處理時專門設計了一個工頻陷波器，濾掉50 Hz的工頻干擾。其特性如圖1所示。

圖1 50Hz工頻濾波器特性

1.2 小波分析腦電信號去噪

進行工頻去噪后的腦電信號中還會含有其他噪聲信號，使用小波分析可以去掉噪聲干擾，同時減少腦電信號信息的丟失。

2 P300的特征提取和識別

P300腦電信號處理算法的總體流程如圖2所示.實時采集的腦電數據是每輪打標點的前200 ms和后600 ms的數據，根據腦電圖機256的采樣率可得206個標定區間采樣數據，首先對其進行工頻濾波和小波去噪的預處理，然后基于小波分解提取時域特征并基于teager能量算子提取能量特征，最后將兩個特征量使用支持向量機判斷是否含有P300，并將根據標定所對應的行列獲得刺激指令。

圖2 基于小波分析和支持向量機的P300腦電信號處理算法

2.1 基于小波分解的P300的特征提取

根據第二小節對P300腦電信號的描述可知，要想判斷腦電信號中是否含有P300，首先要提取出P300的特征分量，根據上述可知，P300主要出現在頻率為2～8 Hz的腦電信號中，幅值大約為20～30 μV，因此可使用小波分解對采集到的腦電信號進行分解，獲得2～8 Hz的特征分量，同時對腦電數據進行降維，便于加快特征分辨和提升準確率。

2.2 支持向量機

判斷是否含有P300的特征分量是一個二分類問題，因此引入支持向量機進行二分類。支持向量機是線性的分類器，其基本思想為在線性可分的情況下分類樣本的最優分類平面可在原空間中尋得；在線性不可分的情況下可將樣本向量以非線性變換映射到高維空間中尋求線性最優分類超平面。通過使用結構風險最小化原理，利用支持向量機尋得滿足能夠很好區分樣本和分類面距離樣本數據的距離盡可能遠的兩個條件的全局最優分類面。

2.3 teager能量算子

只有腦電時域特征分量時使用支持向量機進行二分類，其準確率不是很高，因此引進一種新的特征分量——teager能量算子作為輔助，提高分類的準確率。

對于離散信號x（k），其Teager能量算子的公式如下：

3 實驗結果分析

3.1 數據采集

根據文獻[8]和文獻[16]的論述，為了很好的屏蔽眼動產生的肌電信號對腦電信號的干擾，本實驗使用的電極編號為：C3、C4、Cz、P3、P4 5個通道，另外，耳朵為參考電極，額頭中心為接地。本論文以一名受試者在進行“↑”即機器人向前行走的10輪視覺刺激中采集到通道P3的數據進行實驗結果分析。

3.2 預處理結果

獲得的腦電數據根據算法步驟，首先進行工頻濾波，結果如圖3所示。

圖3 工頻濾波前后

可以看出，設計的工頻陷波器能夠很好的濾掉了50 Hz的工頻干擾，并保持腦電信號的完整性。

進行工頻濾波后，信號還是有很多的毛刺，根據一些小波分析文獻的描述[17]和針對本系統實驗室數據的分析經驗提出采用的小波基是“sym6”，進行3層分解重構，數據結果如圖4所示。由圖可得，小波分析去噪的效果是非常明顯的，不僅能夠使信號濾掉毛刺，而且能夠使信號相對平滑與完整，效果比較理想和符合實驗要求。

圖4 小波去噪前后

3.3 小波分解后的結果

根據上述的描述，一段區間的腦電數據有206個采樣點，4次分解后腦電數據只剩大約23個點。圖5為通道P3的第六輪預處理后“↑”視覺刺激的數據，可以從圖5看出，在采樣點150左右，即刺激后經過300 ms，有“↑”刺激的腦電會出現一個正向的峰值，而無“↑”刺激的腦電很明顯沒有此類峰值。

圖5 第6輪預處理后的數據

圖6 第6輪預處理后的數據4次分解后的近似分量

可以從圖6中看出，進行4次小波分解后的進似分量保存了原始信號的特征量同時減少了數據量，提高了分辨是否含有P300的速率。

3.4 支持向量機分類結果

1）只用小波分解所得特征分量的結果

將小波第四次分解后的腦電信號分量作為支持向量機分類的特征向量，實驗中總共有6名健康的受試者，每人進行10輪的各類指令訓練，因此獲得的特征量為6×10×6。

表1 6名受試者指令判別準率

從表1中可以看出，受試者3的效果比較好，但是受試者2、4、5的準確率相對比較低，這可能和受試者的注意力、放松程度和電極的松動程度有關，從而P300沒有產生或者峰值較小等等。因此引進了teager能量算子計算此期間的能量作為輔助的判別特征。

2）使用雙重特征分類的結果

對通道P3的第六輪預處理后腦電數據進行teager能量計算，如圖7可以看出，在采樣點10～50之間，可以看出有無P300具有較大的能量差別，因此可以用于作為輔助特征向量。

圖7 teager能量計算后的波形

加入輔助特征向量后的判別準確率如表2所示。

表2 6名受試者指令判別準率

根據上述的結果，使用小波分解和teager能量算子提取的特征分量進行二分類的準確率有明顯提高，但是分辨的速度稍微慢了一點[18-19]。

4 結束語

根據實驗數據顯示使用小波分析去噪、分解與提取腦電信號特征量并基于支持向量機的特征量判斷算法設計達到了預期的效果，能夠實現對命令的解讀。加入了teager能量算子后能夠提高了準確率，比只有小波分解后的特征分量有所提升。為了使本算法能夠更好的滿足實際和復雜環境的需求，下一步將著力于在復雜環境下進一步提高判斷精度和速度。

[1]高上凱.神經工程與腦-機接口[J].生命科學，2009 （2）:177-180.

[2]林亞靜.基于P300的腦機接口的數學模型與算法研究[J].科技創新與應用，2014（3）:53-53.

[3]潘家輝.基于P300和SSVEP的高性能腦機接口及其應用研究[D].廣州：華南理工大學，2014.

[4]孫中錢.基于P300和運動想象的腦機接口研究[D].濟南：山東大學，2013.

[5]Koo B，Nam Y，Choi S.A hybrid EOG-P300 BCI with dual monitors[C]//Brain-Computer Interface （BCI），2014 International Winter Workshop on. IEEE，2014:1-4.

[6]蘇煜.基于SCF范式的在線P300腦機接口研究[D].杭州：浙江大學，2010.

[7]施錦河.運動想象腦電信號處理與P300刺激范式研究[D].杭州：浙江大學，2012.

[8]計瑜.基于獨立分量分析的P300腦電信號處理算法研究[D].杭州：浙江大學，2013.

[9]Lee W L，Tan T，Leung Y H.An improved P300 extraction using ICA-R for P300-BCI speller.[C]// Conference:International Conference of the IEEE Engineering in Medicine&Biology Society IEEE Engineering in Medicine & Biology Society Conference.Conf Proc IEEE Eng Med Biol Soc，2013:7064-7067.

[10]Tayeb S， Mahmoudi A， RegraguiF， etal. Efficient detection of P300 using Kernel PCA and support vector machine [C]//Complex Systems （WCCS），2014 Second World Conference on. IEEE，2014.

[11]傅偉，張新友，熊平.WICA算法在腦電P300波成分提取中的應用研究 [J].醫療衛生裝備，2009，30（1）:4-6.

[12]王金甲，楊成杰.P300腦機接口控制智能家居系統研究[J].生物醫學工程學雜志，2014（4）：762-766.

[13]梁健威.基于多域融合與遺傳算法的P300測謊研究[D].杭州：浙江大學，2015.

[14]張玉霞.基于P300和SSVEP的混合型腦機接口的分析與研究[D].濟南：山東大學，2015.

[15]Akman Aydin E，Bay O F，Guler I.Classification of P300 event related potentials with Discrete Wavelet Transform [C]//Signal Processing and Communications Applications Conference（SIU），2015 23th.IEEE，2015.

[16]沈之芳.基于P300的腦機接口及其在線半監督學習[D].廣州：華南理工大學，2014.

[17]張德豐.MATLAB小波分析[M].北京：機械工業出版社，2009.

[18]姚紅革，杜亞勤，劉洋.基于小波分析和BP神經網絡的圖像特征提取[J].西安工業大學學報，2008 （6）：568-572.

[19]白宇辰，尹華超，劉三軍.基于小波分析的改進KDJ指標[J].電子科技，2013（8）:13-15.

Based on wavelet analysis and SVM of P300 EEG signals processing algorithm research

XIE Qing-xin1，DU Yu-xiao1，ZHU Chun-mei
（1.Guangdong University of Technology，Guangzhou 510006，China；2.University of Electronic Science and Technology of China，Zhongshan Institute，Zhongshan 528400，China）

In order to meet the requirements of the paralyzed clinical and virtual reality，proposed based on wavelet analysis and SVM of P300 EEG signals processing algorithm research，and through the experimental data prove the feasibility of this algorithm.The algorithm first makes power frequency filter and wavelet denoising，and then use the wavelet decomposition and teager energy operator respectively extract the time domain characteristics and energy characteristics，and based on the SVM judge whether characteristics contain P300 EEG signals.The experimental data show that this algorithm is better than the single feature discriminant algorithm，accord with the standard requirements

EEG；wavelet analysis；SVM；TEO

TN919.3+2

A

1674－6236（2017）07-0130-04

2016-03-04稿件編號：201603040

謝清新（1990—），男，廣東湛江人，碩士研究生。研究方向：腦電信號處理、圖像處理、嵌入式及工業控制。