基于樣本熵和模式識別的腦電信號識別算法研究*

沈曉燕，王雪梅，王 燕

(1.南通大學信息科學技術學院,江蘇 南通 226019;2.南通大學神經再生協同創新中心,江蘇 南通 226019)

1 引言

腦電信號是由大量神經元活動而產生的微弱信號，具有非線性、非平穩、隨機性等特征，對腦電信號的分析與處理，在人工智能、生物醫學工程等領域具有重大研究價值和現實意義[1]。目前，基于腦電的運動想象訓練系統正逐漸成為康復治療領域的研究熱點[2]。

特征提取是腦電信號模式識別的核心內容。近年來，采用小波變換等傳統方法進行特征提取時，雖然在一定程度上提高了腦電信號的識別正確率并縮短了識別時間，但仍然不能達到控制系統穩定性的要求。除此之外，小波變換僅反映出腦電信號的時頻特征，而樣本熵算法是一種非線性分析法，能通過度量腦電信號的復雜度來反映它的非線性特征。

本文通過小波軟閾值降噪對想象運動腦電信號進行降噪處理，提高腦電信號信噪比。利用樣本熵算法對降噪重構后的信號做特征值提取，并選取每個通道在想象運動時間段內數據的樣本熵值作為特征值。將特征向量分別送入支持向量機SVM(Support Vector Machine)、學習向量化LVQ(Learning Vector Quantization)神經網絡和BP(Back Propagation)神經網絡3種分類器中進行模式識別,比較得出最適合腦電信號分類識別的分類器。通過對基于樣本熵和BP神經網絡的腦電信號識別算法進行研究，可以進一步提高腦電信號分類的識別率，為今后實現外界設備的控制奠定基礎。

2 腦電信號的采集和預處理

2.1 腦電信號的采集

本文使用OpenBCI作為腦電信號采集設備，采樣頻率為250 Hz。實驗過程參照Craz大學EEG采集實驗[3 - 5]。將OpenBCI和OpenVIBE相連接，受試者根據電腦屏幕上的線索進行相應動作的想象，整個實驗流程如圖1所示。

Figure 1 Flowchart of motor imagery experiment圖1 運動想象實驗的流程圖

實驗流程主要分成以下4個步驟：(1)準備：開始2 s內，屏幕空白，受試者放松，做好準備；(2)集中：接下來1 s，屏幕上出現“+”，表示實驗開始，提醒實驗人員即將開始想象運動實驗；(3)線索：3～6 s內，分別出現3個線索(想象左手、想象右手、想象腳)，根據提示開始想象；(4)休息：2 s之后，一組實驗結束。實驗中每個想象運動采集時間設置為8 s，主要在C3、C4和Cz腦區采集3種想象運動腦電信號(想象左手、想象右手、想象腳部)，每種想象運動采集了70組實驗數據。

2.2 腦電信號的預處理

腦電信號微弱、背景噪聲大、易受外部干擾(電極接觸不良、工頻干擾、環境噪聲、自身生物信號等因素)。預處理是對原始信號進行降噪與偽跡消除[6],為后續腦電信號的處理提供較好的基礎。為提高EEG信號信噪比，本文通過Matlab對原始信號進行基于db4小波基函數的3層分解，圖2是3層小波分解樹圖。

Figure 2 Tree diagram of three-level wavelet decomposition圖2 3層小波分解樹圖

圖2中A表示低通逼近分量(低頻分量)，D表示不同尺度下的細節分量(高頻分量)，末尾序號為分解層數。對信號進行3層分解后得到的分解關系如式(1)所示：

S=AAA3+DAA3+DA2+D1

(1)

信號S的采樣頻率為fs，則AAA3,DAA3,DA2,D1各個分量所對應的子頻帶范圍依次是：[0,fs/24],[fs/24,fs/23],[fs/23,fs/22],[fs/22,fs/2]。本文腦電采集設備的采樣頻率fs=250 Hz，因此對應的子頻帶范圍依次是：[0,15.6],[15.6,31],[31,62.5],[62.5,125]。以想象左手運動為例，選取db4作為小波基函數，進行3層小波分解，如圖3所示。

Figure 3 C4 channel wavelet three-level decomposition diagram of imagining left-hand motion圖3 想象左手運動C4通道小波3層分解圖

本文中采用默認閾值λ來確定模型，如式(2)所示:

(2)

其中，n為腦電信號長度;σ是從腦電信號S中提取出來的，一般由原始信號小波分解后各個層數的標準來決定。確定閾值以后，需選擇適合的閾值函數。硬閾值降噪和軟閾值降噪是小波閾值降噪中最常見的方法。硬閾值降噪是把絕對值小于λ的信號點全部置為零，如式(3)所示：

(3)

(4)

因此，本文使用小波軟閾值法對原始EEG信號(圖4為想象左手C4通道原始腦電信號)進行降噪處理，得到軟閾值處理后重構的信號如圖5所示。從圖5中可以明顯看出降噪處理后的信號比原始信號波形光滑。

Figure 4 C4 channel primitive EEG of imagining left-hand motion圖4 想象左手運動C4通道原始腦電信號

Figure 5 C4 channel reconstructed EEG after soft threshold noise reduction of imagining left-hand motion圖5 想象左手運動C4通道軟閾值降噪重構后的腦電信號

3 腦電信號特征提取

3.1 腦電信號的ERD/ERS現象

人的肢體運動與大腦兩個半球有著緊密的聯系。大腦對肢體的控制屬于交叉控制，即在想象運動腦電實驗中，當受試者在進行單側肢體想象運動時，大腦對側的腦電信號幅值會下降，出現事件相關去同步化ERD(Event-Related Desynchronization)現象，同時在大腦同側則出現事件相關同步化ERS(Event-Related Synchronization)現象[7]。

想象手部運動的ERD/ERS現象主要集中在10 Hz附近和20～24 Hz附近。當想象左手運動時，從圖6中可以明顯看出,10 Hz附近C4(ERD)區域幅值要比C3(ERS)區域幅值小。相反，圖7中想象右手運動時，10 Hz附近C3(ERD)區域幅值要比C4(ERS)區域幅值小。想象腳部運動的ERD/ERS現象主要集中在7～8 Hz附近。如圖8所示，Cz(ERD)區域幅值比C3、C4(ERS)區域幅值都要小，同時也驗證了ERD/ERS現象。

Figure 6 Spectrogram of imagining left-hand motion圖6 想象左手運動頻譜圖

Figure 7 Spectrogram of imagining right-hand motion圖7 想象右手運動的頻譜圖

Figure 8 Spectrogram of imagining foot motion圖8 想象腳部運動的頻譜圖

3.2 樣本熵特征提取

近似熵ApEn(Approximate Entropy)和樣本熵SampEn(Sample Entropy)在腦電信號處理方面運用最為廣泛。但是，近似熵的計算與數據的長度相關，相對一致性缺乏且計算時間長。與近似熵相比，樣本熵則具有2方面的優勢：(1)樣本熵不包含自身數據段的比較，對丟失數據并不敏感，計算也不必依賴數據的長度；(2)樣本熵具有較好的一致性且計算時間比近似熵短。因此，基于EEG信號的ERD/ERS現象，本文選用樣本熵算法提取腦電信號特征值。樣本熵是一種新的度量時間序列復雜性的方法，通過度量信號中產生新模式的概率大小衡量時間序列復雜性，新模式產生的概率越大，序列的復雜度越大，則該時間序列的樣本熵值越大。反之，序列的復雜度越小，樣本熵值越小[8]。計算樣本熵的步驟如下所示：

(1)將原始信號序列u(1),u(2),…,u(N)按照順序組成m維向量，重構m維向量，即：

Xm(i)=[u(i),u(i+1),…,

u(N+m-1)],1≤i≤N-m+1

(5)

(2)定義矢量X(i)和矢量X(j)之間的最大距離為d[X(i),X(j)]，總共計算N-m次，距離計算如(6)所示：

d[Xm(i),Xm(j)]=max|x(i+k)-x(j+k)|

0≤k≤m-1;1≤i,j≤N-m+1;i≠j

(6)

(7)

(8)

(9)

(10)

(6)樣本熵定義如式(11)所示，當N為有限值時，可用式(12)估計：

(11)

SampEn(m,r,N)=-ln[Bm+1(r)/Bm(r)]

(12)

SampEn與參數m,r,N的取值相關，根據實踐建議計算樣本熵時，維數m一般選擇1或者2，相似容量r一般在0.1～0.25SD，其中SD(Standard Deviation)是原始序列u(i)的標準差。本文中m選擇2維，r的取值為0.2SD。

將樣本熵與ERD/ERS相結合，當大腦某區域出現ERD現象時，該區域對應的樣本熵值比出現ERS現象的其他腦區的樣本熵值要大。本文對每個通道3～6 s內所有腦電數據全部求得樣本熵值，得到了3種想象動作中每個通道之間的關系。如圖9所示，當想象左手運動時，C4通道出現ERD現象，C4腦區復雜度比C3腦區高，樣本熵值比C3區域高；如圖10所示，當想象右手運動時，C3通道出現ERD現象，C3腦區復雜度比C4腦區高，樣本熵值比C4腦區高；如圖11所示，當想象腳部運動時，C3和C4通道出現ERS現象，腦電復雜度低，樣本熵值變低，Cz通道出現ERD現象，腦電復雜度升高，樣本熵值變高。

Figure 9 Sample entropy diagram of imagining left-hand motion圖9 想象左手運動的樣本熵圖

Figure 10 Sample entropy diagram of imagining right-hand motion圖10 想象右手運動的樣本熵圖

Figure 11 Sample entropy diagram of imagining foot motion圖11 想象腳部運動的樣本熵圖

綜上所述，將C3、C4和Cz通道中3～6 s內想象運動的樣本熵值作為特征值，用作后面的分類識別。

4 腦電信號模式識別

模式識別是BCI(Brain-Computer Interface)技術中至關重要的一步，控制外部設備的關鍵在于分類器識別結果的精確度，只有將腦電信號準確分類，才能完美地實現人機交互。本文研究了3種優秀的腦電信號分類器，包括：支持向量機、LVQ神經網絡和BP神經網絡。

4.1 支持向量機

SVM分類器[9]的原理是利用非線性變換把樣本數據映射到高維度空間，通過計算尋找一個最優的超平面，使樣本數據線性分開。

SVM是典型的二類分類器，分類結果為“正類”和“負類”，如果只有2類樣本數，只需要1個二類分類器。文中有3類樣本數，則需要3個二類分類器。設特征向量分為樣本1、樣本2和樣本3。該分類器計算過程為：令樣本1為正類，樣本2和樣本3為負類，使用第1個分類器對2類數據分類；令樣本2為正類，樣本1和樣本3為負類，使用第2個分類器對2類數據分類；令樣本3為正類，樣本1和樣本2為負類，需要使用第3個分類器對2類數據分類，計算之后將3個樣本識別結果的最大值作為最終結果。

將3個想象運動特征向量代入SVM分類器分類識別，最終得到的分類識別結果如表1所示。

Table 1 Classification results of three motor imageries by SVM表1 SVM對3種想象運動的分類結果

4.2 LVQ神經網絡

學習向量化(LVQ)神經網絡[10]是一種兼備競爭學習方法和帶監督學習算法的輸入前向神經網絡。LVQ神經網絡由3層神經元組成，即輸入層、競爭層和線性輸出層。

將3個想象運動特征向量代入LVQ神經網絡分類識別，最終得到的分類識別結果如表2所示。

Table 2 Classification results of three motor imageries by LVQ neural network表2 LVQ神經網絡對3種想象運動的分類結果

與表1相比，LVQ神經網絡對這3種想象運動腦電信號分類有明顯提升，整體識別率達到89%，提升了4%。

4.3 BP神經網絡

BP神經網絡[11]作為目前應用最廣泛的神經網絡，其突出優點是輸入的樣本數據經過學習和訓練，能快速找出輸入與輸出之間的聯系，因此有很強的自適應功能和自學習能力。網絡具有很強的容錯能力，輸入樣本中個別誤差對BP神經網絡影響較小。因其具有柔性的網絡結構，所以網絡隱含層層數、各層神經元個數可根據具體情況任意設定，隨著網絡結構變換其性能也有所區別。本文用Matlab創建神經網絡時設置BP神經網絡輸入節點個數為3，對應3維特征向量，輸出節點個數為3，對應3種不同假肢控制指令。將3個想象運動特征向量代入BP神經網絡分類識別，最終得到的分類識別結果如表3所示。

Table 3 Classification results of three imaginary movements by BP neural network表3 BP神經網絡對3種想象運動的分類結果

4.4 比較分析

通過比較3種分類器的識別結果，如圖12所示，BP神經網絡不論是對單個肢體想象運動腦電信號分類結果還是對整體分類效果都要優于前2種分類器的，且對3種想象運動腦電信號特征向量的分類都有明顯提升，整體識別率達到93%。考慮到BP神經網絡可移植性和識別率高的特點，將BP神經網絡作為樣本熵特征向量模式識別分類器，為假肢控制提供控制信號。

Figure 12 Recognition results of three motor imageries by three classifiers圖12 3種分類器對3種想象運動的識別結果

5 算法流程

本文整體特征提取及模式識別的算法流程如圖13所示。

Figure 13 Flowchart of algorithm圖13 算法流程圖

6 結束語

本文通過采集想象運動的頭皮腦電信號，將其用于研究想象運動時腦電信號與大腦區域產生ERS/ERD現象之間的關系，并展開了大量研究和腦電信號實驗，包括4個部分：3通道腦電信號的采集實驗、閾值降噪、特征提取、分類識別。實驗中采集想象左手、右手和腳部運動的腦電信號，對3種腦電信號采用小波軟閾值法進行降噪處理。將ERS/ERD現象同樣本熵算法相結合用于腦電信號特征提取，提取的特征向量送入SVM分類器、LVQ神經網絡和BP神經網絡中分類比較。實驗結果表明，BP神經網絡更適合用于分類識別，可有效克服SVM分類器運算慢、LVQ神經網絡訓練速度慢的缺點。BP神經網絡對3種想象運動的整體模式識別率結果為93%，比SVM分類器(85%)和LVQ神經網絡(89%)的都高。