基于多類運動想象任務的EEG信號分類研究

，，

(裝甲兵工程學院 控制工程系，北京 100072)

基于多類運動想象任務的EEG信號分類研究

馬滿振，郭理彬，蘇奎峰

(裝甲兵工程學院控制工程系，北京100072)

針對多類運動想象腦電信號個體差異性強和分類正確率比較低的問題，提出了一種時-空-頻域相結合的腦電信號分析方法：首先利用小波包對EEG原始信號進行分解，根據EEG信號的頻域分布提取出運動想象腦電節(jié)律，通過“一對多”共空間模式(CSP)算法對不同運動想象任務的腦電節(jié)律進行空間濾波提取特征；然后將特征向量輸入到“一對多”模式下的支持向量機(SVM)中，并利用判斷決策函數值的方法對SVM的輸出結果進行融合；最后通過引入時間窗對腦電信號進行時域濾波，消除運動想象開始和結束時腦電的波動，進一步提高信號信噪比和算法的分類效果；實驗結果顯示：在時間窗為2 s時，平均最大Kappa系數達到了0.72，比腦機接口競賽第一名提高了0.15，驗證了該算法能夠有效減小腦電信號個體差異性影響，提高多類識別正確率。

腦機接口；運動想象；共空間模式；支持向量機；時間窗

0 引言

腦-機接口(brain-computer interface，BCI)是允許人腦與外部接口直接交流的一種系統(tǒng)。它通過實時測量與使用者意圖相關的腦電(electroenc ephalo gram，EEG)，并將其轉化為相應的控制信號，從而達到對設備實時控制的目的[1]。目前，BCI的研究不僅僅停留在助殘服務、醫(yī)療康復相關領域，已經拓展到智能家電、娛樂、航天以及軍事等各個領域，受到了世界范圍內的廣泛關注和研究。

基于運動想象EEG信號的BCI系統(tǒng)國內外已經進行了較多研究，但對于多類運動想象任務的識別還存在個體差異性強、分類識別率不高、采集腦電導聯(lián)數目過多以及算法實時性不好等問題，導致了BCI在實際應用中進展緩慢。Luis F Nicolas-Alonso等人[2]直接利用CSP提取特征，通過譜回歸核判別分析對4類運動想象任務進行分類，最高分類正確率達到了94%，Kappa系數為0.92，但平均分類正確率只有73%，Kappa系數為0.64，平均分類正確率較低，實際應用的穩(wěn)定性較差。Ghaheri H等人[3]采用CSP對每個EEG信號時間段進行空間濾波提取特征，利用LDA 線性分類器進行分類，分類正確率為80%，由于時域分析的時間太長，導致算法實時性較差。王瑞敏等人[4]利用短時傅里葉變換將運動想象EEG信號進行多頻段分解，通過 CSP 結合SVM的方法對單個導聯(lián)信號進行分類識別，平均分類正確率僅為65%，且當導聯(lián)數目減少時，分類正確率會大幅降低。萬柏坤等人[5]利用二維時頻分析與 Fisher 分析相結合提取4類運動想象腦電特征，使用SVM進行分類，分類正確率達到了85.71%，實驗中分析了60個導聯(lián)的數據，數據量大導致算法實時性不好，實際應用價值較低。

針對多類運動想象腦電特征提取與分類識別效果不好的問題，本文利用頻域、空域、時域相結合的方法，對4類運動想象(左手、右手、雙腳和舌頭)腦電信號進行分類識別。首先利用小波包對EEG原始信號進行分解，根據EEG信號的頻域分布提取出運動想象腦電節(jié)律，提高信號信噪比；利用“一對多”CSP算法對4類運動想象任務的腦電節(jié)律進行空間濾波提取特征；在“一對多”模式下構建4個SVM子分類器，利用判斷決策函數值的方法對分類器的輸出結果進行融合，取得了較好的分類效果。通過引入時間窗對腦電信號進行時域濾波，可有效消除運動想象開始和結束時腦電的波動，進一步提高信號信噪比和算法的分類正確率。結合時-空-頻域運動想象腦電信息利用“一對多”SVM進行分類，實驗取得了很好的分類效果。

1 實驗數據

1.1 實驗數據來源

實驗數據采用2008年第四屆腦機接口競賽提供的Data sets 2a的校準數據，該實驗采用22個電極記錄腦電信號(圖1(a)為電極分布圖)，左乳突作為參考電極，右乳突接地，采樣頻率為250 Hz，所有數據都經過0.5～100 Hz的帶通濾波和50 Hz的工頻陷波。實驗時受試者放松安靜的坐在電腦前舒適的座椅上，根據屏幕上出現的提示進行運動想象，如圖1(b)所示，每個實驗周期分為以下幾個環(huán)節(jié)：

1)試驗開始時計算機發(fā)出短促的聲音，同時屏幕上出現十字標志持續(xù)兩秒，提醒受試者注意；

2)2 s后，屏幕上隨機出現向左、向右、向上或向下的箭頭(分別對應左手、右手、舌頭和雙腳運動想象任務)，持續(xù)1.25 s；

3)3 s后，受試者根據箭頭指向進行相應的運動想象任務，持續(xù)3 s；

4)6 s時屏幕上的十字標志消失，受試者進入放松狀態(tài)。

圖1 電極分布與實驗過程圖

共有9名受試者(受試A01～A09)參加了實驗。每名受試者的實驗分為兩個階段，每個階段進行6組試驗，每組包含48次運動想象任務，共得到288個訓練樣本和288個測試樣本。按照競賽標準，利用有效時間內誤差最低的時間點的Kappa系數對分類算法進行評價。Kappa系數計算公式為：

(1)

P為分類正確率，C為類別數。

1.2 實驗數據預處理

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)域就會產生8～12 Hz的μ節(jié)律和18～26 Hz的β節(jié)律腦電。人在進行單側肢體運動想象時，大腦中對側的μ節(jié)律和β節(jié)律會出現幅值衰減的現象，這種現象被稱為事件相關去同步(event related desynchronization，ERD)；而大腦中同側的μ節(jié)律和β節(jié)律會出現幅值增強的現象，這種現象被稱為事件相關同步[6-7](event related synchronization，ERS)。依據ERD/ERS現象，利用小波包變換的多分辨率特性[8]，選擇EEG原始信號中的最佳分量組合關系，從而可提取出包含有用信息頻段的μ節(jié)律和β節(jié)律。

表1 各子帶所對應的頻率范圍 Hz

從表1中可以看出，μ節(jié)律腦電包含在小波包子帶(3,0)中，β節(jié)律腦電包含在小波包子帶(3,1)中。由于μ節(jié)律的帶寬較小，子帶帶寬較大，因此子帶(3,0)中信號的信噪比較低，同時為了減小特征向量維數，縮短計算時間，只對信噪比較高的小波包子帶(3,1)進行重構，提取β節(jié)律腦電，作為后期運動想象腦電特征提取和分類的依據。圖3為不同運動想象任務的小波包子帶(3,1)重構信號。

圖2 不同運動想象任務的小波包子帶(3,1)重構信號

2 基于改進CSP的多類特征提取

傳統(tǒng)CSP算法適用于二分類問題，通過兩類數據的協(xié)方差矩陣同時對角化，并應用主成分分析方法提取出兩類數據的不同部分，構建出最優(yōu)的空間濾波器，兩類數據經過空間濾波后，其空間成分在能量上的差異達到最大，即一類的方差最大化，另一類的方差最小化，從而有效提取出兩類數據的特征[9]。

對于多類任務運動想象EEG信號的分類，本文利用“一對多”的方法對CSP進行改進，即把多類任務的特征提取問題轉化為多個一類任務對其余所有任務的兩類特征提取問題[10]，對于N類任務可轉化為N個一類對其余所有類別的兩類問題。如圖3所示為4類運動想象實驗數據在“一對多”方法下完成CSP特征提取的流程。

圖3 “一對多”方法下的CSP特征提取

2.1 求4類任務的混合空間協(xié)方差矩陣

每類任務的單次實驗EEG數據可表示為N×T的矩陣Ei，其中i表示第i類(i∈1,…,4)，N是數據采集時的通道數，T是每一個通道的采樣點數。EEG數據的歸一化空間協(xié)方差如式(2)所示:

(2)

(3)

2.2 應用主成分分析法，求出白化值矩陣P

(4)

(5)

2.3 構造空間濾波器

針對類1時，利用白化值矩陣P對協(xié)方差矩陣做如下變換：

(6)

I為單位矩陣，由此可以發(fā)現，S1最大特征值對應的特征向量是S2最小特征值對應的特征向量;反之，S2最大特征值對應的特征向量是S1最小特征值對應的特征向量。利用特征向量矩陣B構造針對類1時的空間濾波器為:

W1=BTP

(7)

同理，可分別構造出針對其它三類的空間濾波器W2、W3、W4。

2.4 提取腦電特征

將單次實驗數據Ei分別經過4組空間濾波器進行濾波，

(8)

(9)

圖4 4類運動想象腦電特征值分布

3 多類任務模式的分類

3.1 基于SVM的多類任務模式分類

支持向量機(support vector machines，SVM)是一種基于統(tǒng)計學習理論的機器學習方法，它在解決小樣本、非線性及高維模式識別中表現出很好的效果。SVM 的基本思想是：通過非線性映射的方法將低維空間線性不可分的樣本映射到高維特征空間，通過構建特征空間中的最優(yōu)分割超平面，使機器學習器達到全局最優(yōu)化，并且在整個樣本空間的期望風險以某個概率滿足一定上界。如圖5所示，圓點和五角星分別代表兩類樣本，H為分類線，H1、H2是分別為過各類中離分類線最近的樣本且平行于分類線的直線，H1、H2之間的距離叫做分類間隔(margin)。最優(yōu)分類線不但能正確分開兩類，同時要使分類間隔達到最大。

圖5 最優(yōu)超平面示意圖

SVM是一種典型的二分類器，針對4類任務模式的分類問題采用“一對多”的分類方法需要構建4個子分類器{f1,f2,f3,f4}。在對分類器fi(i=1,…,4)進行訓練時，將第i類的數據作為正訓練數據集，其余3類數據作為負訓練數據集，訓練后的分類器fi可將屬于第i類的數據和其它3類的數據分開。如圖6所示，本文利用判斷決策函數值的方法對4個子分類器的輸出結果進行融合：11找到判定結果為正集的子分類器fi；22提取出這些子分類器進行判定的決策值Di；33比較這些決策值的絕對值大小，將絕對值最大的子分類器輸出為正集的類別Ci作為最終的判定結果。

圖6 判斷決策函數值方法的4類任務分類流程

由于每組數據提取到的特征包含22個特征點，為了得到最佳的分類結果，需要對特征向量維數進行選擇。由于不同任務的CSP特征值分布在兩端差異較大，因此選擇每組數據的前m個特征點和后m個特征點組成長度為2 m的特征向量作為分類器的輸入，通過對比m(范圍1～11)取不同值時的分類結果，最終確定當m=5時分類效果最好。在“一對多”分類模式下，利用訓練數據集對每個SVM子分類器進行訓練，通過判斷決策函數值的方法對測試數據集進行分類，得到9名受試者的分類結果如表2所示。

表2 BCI競賽前3名與本文方法的最大Kappa系數

分析表2可以得到：利用判斷決策函數值的方法對“一對多”模式下的CSP特征進行分類時，受試者A01、A03、A07的最大Kappa系數均大于0.8，得到了較好的分類效果；受試者A05、A06的分類效果較差，最大Kappa系數低于0.5，可能是由于腦電信號存在很強的個體差異性，該受試者的腦電特征相比于其他受試者不顯著；9名受試者的平均Kappa系數達到了0.64，高于競賽第1名0.07。

3.2 基于不同時間窗的運動想象任務分類

考慮到每名受試者的運動想象時間為3 s，在運動想象開始和結束時都存在受試者的思維轉換和思維延遲問題，導致運動想象腦電在每個周期的開始和結束時會產生較大波動，降低了信號的信噪比，從而影響了特征提取和分類識別的效果。針對該問題，可利用時間窗的方法消除運動想象開始和結束時腦電的波動。實驗將時間窗設為0.5 s、1 s、1.5 s、2 s、2.5 s五種情況，截取3 s運動想象數據的中間部分，提取出每種情況的“一對多”CSP特征，通過多任務模式的SVM分類器對9名受試者的數據進行分類，分類結果如圖7所示。

圖7 9名受試者在不同時間窗下的最大Kappa系數

由圖7可看出：11時間窗設為2.5 s時，除受試者A06、A08的其余6名受試者的最大Kappa系數均有所提高；時間窗設為2 s時，9名受試者的最大Kappa系數均達到了最大值，9名受試者的平均Kappa系數達到了0.72，明顯優(yōu)于時間窗為3 s時的分類結果，驗證了時間窗的設置，可有效消除運動想象開始和結束時腦電的波動，進一步提高了運動想象腦電特征提取的效果和分類識別的正確率。22時間窗小于2 s時，每名受試者的最大Kappa系數均有所降低；當時間窗為0.5 s時，除受試者A09外，8名受試者的最大Kappa系數均低于3 s時間窗，說明當時間窗太小時，在消除腦電波動的同時也會丟失大量運動想象有用信息，導致分類正確率不高。綜合以上，時間窗設為2 s時，在消除腦電波動的同時可保留運動想象主要信息，分類效果達到最好。

4 結論

本文利用小波包對9名受試者的運動想象腦電信號進行預處理，提取腦電β節(jié)律，有效地消除了原始EEG信號中的大量頻域噪聲，提高了EEG信噪比。通過“一對多”CSP算法對4類運動想象腦電信號進行空間濾波提取特征，將特征向量作為“一對多”模式下4個SVM子分類器的輸入，在分類器輸出端利用判斷決策函數值的方法對4個子分類器的輸出結果進行融合，得到了較好的分類結果。通過對數據設置時間窗的方法有效的消除了運動想象開始和結束時腦電的波動，進一步提高了信號信噪比和算法的分類正確率。本文方法充分結合了腦電信號的頻域、空域、時域信息，有效的改善了多類運動想象腦電信號個體差異性強和分類正確率較低的問題，為多類運動想象任務的特征提取與分類提供了新的思路。

[1] Daly L, Muller-Putz G, et al. Fully online and automated artifact removal for brain-computer interfacing[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(5): 725-736.

[2]Luis F, Alonso N, Corralejo R, et al. Adaptive semi-supervised classification to reduce intersession non-stationarityin multiclass motor imagery-based brain-computer interfaces[J]. Neurocomputing, 2015, 159: 186-196.

[3]Ghaheri H, Ahmadyfard A R. Extracting common spatial patternsfrom EEG time segments for classifying motor imagery classes in a brain computer interface(BCI)[J]. Scientia Iranica D, 2013, 20(6): 2061-2072.

[4]Ge S, Wang R, Yu D. Classification of Four-Class Motor Imagery Employing Single-Channel Electroencephalography[J]. Plos One, 2014, 9(6): e98019.

[5]萬柏坤, 劉延剛, 明 東, 等. 基于腦電特征的多模式想象動作識別[J]. 天津大學學報, 2010, 43(10): 895-890.

[6]孫會文,伏云發(fā),熊 馨,等.基于HHT運動想象腦電模式識別研究[J].自動化學報,2015,41(9):1686-1692.

[7]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(yī)學工程學報,2009,28(2):161-165.

[8]李明愛,林 琳,楊金福.基于小波包最優(yōu)基的運動想象EEG自適應特征提取方法[J].計算機測量與控制,2011,19(11): 2755-2758.

[9]葉 檸,孫宇舸,王 旭.基于共空間模式和神經元網絡的腦-機接口信號的識別[J].東北大學學報,2010,31(1):12-15.

[10]劉 沖, 王 宏, 趙海濱,等. 基于多類運動想象任務的腦電信號分類研究[J]. 生物醫(yī)學工程學雜志, 2012,29(6): 1027-1031.

ResearchonEEGSignalClassificationBasedonMulti-classMotionImaginationTask

Ma Manzhen, Guo Libin, Su Kuifeng

(Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China)

For the problem of the individual difference and the classification accuracy of multi class motor imagery EEG signal, a new analysis method for EEG signal based on time-space- frequency domain is put forward: firstly, the wavelet packet is used to decompose the original signal of EEG, and the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted from different motor imagery tasks through the "one-to-rest" common space pattern (CSP) algorithm; then the feature vector is input to the support vector machine (SVM) in "one-to-rest" mode, the output value of SVM is fused via the method of judging the decision function value; finally, the time domain window is used to filter the EEG signals to eliminate the fluctuations of the brain at the beginning and end of motor imagery, and further improve the signal to noise ratio and the classification accuracy of the algorithm. The experimental results show that, when the time window is 2 s, the average maximum coefficient is 0.72, which is 0.15 higher than the first of BCI competition. Meanwhile, the results verify that the algorithm can effectively reduce the influences of the individual differences of EEG signals, and improve the accuracy of multi-class recognition.

brain-computer interface(BCI); motor imagery; common spatial patterns(CSP); support vector machine(SVM); time window

2017-04-13；

2017-04-27。

馬滿振(1994-)，男，河北保定人，碩士研究生，主要從事模式識別與智能系統(tǒng)方向的研究。

蘇奎峰(1976-)，男，河北承德人，副教授，碩士生導師，主要從事自主車輛導航與控制，多傳感器信息融合方向的研究。

1671-4598(2017)10-0232-04

10.16526/j.cnki.11-4762/tp.2017.10.059

TP391.4

A