基于小波包與共空間模式的腦電信號特征提取與分類

劉春雷

【中圖分類號】R318 【文獻標識碼】A 【文章編號】2095-6851（2017）04--01

腦-機接口是一個不依賴于外周神經系統與肌肉組織等大腦輸出通道的通信系統[1]。這種全新的技術能為那些神經受損，無法與外界正常交流的殘疾人提供全新的信息交換與控制通道。小波分析能選擇不同的小波基函數，通過基函數的尺度伸縮與平移來對信號進行分析，是一種應用非常廣泛的時頻分析工具[2]。共空間模式算法是在高維空間中給出兩個分類，找到一個最大化的第一類方差，同時最小化第二類方差，然后對兩個協方差矩陣同時對角化來設計最優的空間濾波器[3]。支持向量機是根據統計學習理論結構風險最小化提出的機器學習算法[4]。該算法在模式分類尤其是二分類方面能取得理想的效果。本文嘗試將小波包分解，共空間模式與支持向量機算法結合應用于腦機接口系統的特征提取與分類環節。

1.實驗數據獲取

在實驗中，使用Biosemi 32導腦電圖儀進行信號采集，采樣頻率為2kHz，電極按照10-20國際標準安放。采集過程中，被試者頭戴電極帽，以舒適姿勢端坐在顯示屏幕前，雙眼注視屏幕中央視覺刺激界面，共進行4次作業，每個作業包含50次實驗，一次實驗的測試時間為3秒。數據記錄為通道號×樣本數×作業號，故實驗數據在matlab中記錄為32×6144×200。

2.實驗數據處理

2.1 數據預處理

數據預處理的目的是去除相關噪聲提高信噪比。對信號進行如下預處理：a.去參考，對每次作業的記錄減去參考電極均值。b.去除直流成分， 將每個實驗數據記錄點的值減去當次實驗記錄數據的平均值，從而得到零均值的數據。c.降采樣，對數據進行4倍降采樣從而降低數據量。

2.2 小波包分解

實驗數據經過前期預處理后，采樣頻率降為512Hz。由于腦電信號中感興趣的成分主要集中在低頻帶，對信號進行5層小波包分解，5層分解系數與相應的頻帶范圍如表1所示。

信號經過5層小波包分解后，提取S[5 0] ，S[5 1]， S[5 2] ，S[5 3]小波樹節點的系數如圖1所示。將4個節點的系數取均值之后的數據波形圖與原始波形圖對比，如圖2所示。從圖中可以看出經過小波包分解之后，求取低頻段的系數均值既能濾除摻雜在EEG信號中的高頻成分，又可突出信號時域特征。

2.3 共空間模式

假設把某次實驗采集到的腦電信號數據表示為一個N×T維的矩陣E，其中N表示為通道數，T表示為每個通道的采樣點數，則規范化的數據協方差矩陣為：

2.4 支持向量機

支持向量機的實現思想是將在低維空間線性不可分的兩類數據映射到高維特征空間，從而構建分類超平面。超平面能將兩類數據點盡可能的分開，并且使兩類數據的分類間隔最遠。在高維空間引入松弛變量 與懲罰因子C。松弛變量定義為被錯分的樣本點到超平面的距離，懲罰因子定義為對錯誤分類的懲罰程度。則定義目標函數為：

（10）

其中： 為拉格朗日乘子， 為最優超平面的法向量， 為最優超平面與原點的偏移。則最后問題轉化為求解目標函數的最優解問題。

3.實驗結果

將實驗數據進行預處理后，利用小波包分解與共空間算法進行特征提取.。圖3為特征提取后靶刺激與非靶刺激在新特征空間的示意圖：

從圖3中可以看出在0-125ms，200-300ms時段內靶刺激信號與非靶刺激信號有較明顯的差異，說明經過CSP處理后能較好的提取出兩類信號的特征。表2為對三位被試者（標記為A，B，C）的實驗數據進行10次試驗得到的分類識別率，從表中可知三位被試者的分類識別率最高可以達到95%，最低可達到87%，平均分類識別率均達到90%以上。說明此試驗方法可以較好的實現腦機接口信號的模式分類。

4.結論

本文利用小波包分解與CSP算法對采集到的信號進行特征提取，并利用支持向量機算法對信號進行了模式分類。通過三位受試者的實驗結果對比驗證了其可行性，對后續的研究有一定的借鑒意義。本文雖取得了不錯的模式識別效果，但是還有許多值得進一步研究的地方。如在小波包分解中可以依據數據特征進行最優小波基的選擇，也可在系數均值中選取對分類最有效的系數用以降低特征維數，在CSP環節可以選擇不同的通道組合和特征向量選擇從而提高分類精度。

參考文獻

[1] Wolpaw J.R，et al. Brain-Computer Interfaces Technology： A Review of the First Internation Meeting[J].IEEE Trans.Rehab.Eng.，2000，8（2）：166-173.

[2] 楊幫華，顏國正，嚴榮國.腦機接口中基于小波包最優基的特征提取[J].上海交通大學學報，2005，39（11）：1879-1882.

[3] 李明愛，劉凈瑜，郝冬梅.基于改進CSP算法的運動想象腦電信號識別方法[J].中國生物醫學工程學報，2009，28（2）：161-165.

[4]官金安，陳亞光.用多通道特征組合和SVM單次提取誘發腦電信號[J].華中科技大學學報（自然科學版），2006，34（8）：19-22.

[5] 徐寶國，宋愛國.基于小波包變換和聚類分析的腦電信號識別方法[J].儀器儀表學報，2009，30（1）：110-114.

[6] Blankertz B，Muller K R，Curio G，et al.The BCI competition 2003：progress and perspectives in detection and discrimination of EEG single trials[J].IEEE Trans Biomed Eng，2004，51（6）：1044-1051.

[7] Besserve M，Jerbi K，Laurent F，et al.Classification methods for ongoing EEG and MEG signal[J].Biol Res，2007，40（4）：415-437.

[8] 唐艷.基于時間、頻率和空間域的自發腦電信號提取[D]：[中南大學博士學位論文].長沙：中南大學.2008.