基于變分模態分解與深度信念網絡的運動想象分類識別研究

何 群，杜 碩，王煜文，陳曉玲，謝 平

(燕山大學 河北省測試計量技術與儀器重點實驗室, 河北 秦皇島 066004)

1 引 言

腦機接口(brain-computer interface, BCI)能夠在人腦和電腦或者是外部設備之間建立直接通路；借此，人無需身體上的動作就可以將命令和控制指令直接發送給外部設備[1]。運動想象(motor imagery, MI)分類研究是BCI技術的重要組成部分; 但由于MI腦電信號的非平穩、非線性以及低信噪比的特點[2,3]，其特征提取與分類識別的效果均不穩定，傳統人工確定最優時段及最優頻段的方法又難免造成信息遺漏進而導致識別率的降低；因此基于腦電信號的MI分類研究成為難點問題。

迄今為止，研究者已經基于受試者進行MI時在mu頻帶以及beta頻帶所發生的事件相關去同步/事件相關同步(event-related desynchronization/event-related synchronization, ERD/ERS)[4]現象, 提出了利用時-頻特征、共空間模式(common spatial pattern, CSP)以及非線性動力學特征在內的多種特征提取方法[5～7]用于MI腦電信號的特征提取； 同時也將支持向量機(support vector machine, SVM)、線性判別分析(linear discriminant analysis, LDA)和logistic分類器[8～10]等多種機器學習方法用于MI分類中。 Bashar S K等[11]利用多元經驗模態分解(multivariate empirical decomposition, MEMD)將多通道腦電信號分解后，選取最優模態進行短時傅里葉變換(short-time Fourier transform, STFT)，將頻譜峰值作為MI特征輸入k-最近鄰(knearest neighbor, KNN)分類器對MI信號進行分類。李明愛[12]等利用主成分分析(principal component analysis, PCA)進行特征提取，以IGHSOM神經網絡為分類器識別想象模式。此外，有學者將深度網絡運用于MI分類問題。Ren Y F[13]等利用CSP算法得到特征，并以此作為輸入來訓練一個4層的深度信念網絡(deep belief network, DBN)，得到MI的分類結果。 Lu N等[14]獲得腦電信號的頻域表示, 再以此作為輸入來訓練一個4層的頻率深度信念網絡(frequency deep belief network, FDBN)得到MI的分類結果。……