关于脑电信号提取的文献综述

1、脑电信号特征提取及分类文献综述胡雪寅3080一、引言脑电信号是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。而脑机接口(,)是建立在脑电信号分析基础上的一种生物技术和计算机技术相结合的应用型研究，它提供了一种新型的人机交互方式，通过制定的脑机接口系统，利用相应的外部设备，直接产生人脑所想象的相应动作。脑机接口系统的核心是对脑电信号的提取与分析，特别是相应的想象所产生的脑电信号特征提取。通过思维活动与脑电信号的对比，可以形成脑电信号-思维活动的对应关系。,脑机接口以及脑电信号特征的提取与分类既是人类了解和提高脑功能的重要手段,又是一种全新的通讯和控制方式,在脑科学、康复工程、生物医学工程

2、、娱乐、外科手术中功能区定位等领域有广泛的应用前景。,二、脑电信号特征的提取与分类的方法,对于不同的脑电信号所使用的特征提取与分类方法是不相同的。常用的特征提取方法有F相关性分析、参数估计、低通滤波、遗传算法、小波变换等，算法的选择与所利用的信号特征及电极位置有关。但目前主流的信号特征抽取方法有：一种是传统时频特征组合法，将时域均值、频域功率谱组合作为特征矢量，主要是利用多种类别信息提供更多的特征，但较多的特征使得建立分类器的模型比较复杂，不利于实际系统中的应用；另一种是小波变化系数法，依据先验知识、抽取感兴趣频段的小波系数作为特征，但选择不同的小波对分类结果有一定的影响。而分类方法主要有决策

3、树、局部算法、贝叶斯分类器、支持向量机()等。以下简要介绍各种脑电特征提取与分类的方法。(1)基于能量特征的脑电信号特征提取与分类：该方法采用带通滤波和小波包分析的方法提取、节律对应的脑电信号在时域范围内将信号幅度的平方作为能量特征值在频域范围内采用模型功率谱估计法所得的功率谱密度作为能量特征值。根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试。,()基于小波包分析的脑电信号特征提取与分类：该方法基于小波变换法和模型法结合线性判别准则对两类思维任务进行特征提取及分类提出以小波系数均值经变换作为特征用判别准则进行分类。结果表明这种方法可以利用少量的数据提

4、取脑电信号的特征。,快速多变量自回归模型的脑电信号的特征提取与分类：该方法利用多变量自回归模型参数和阶数估计，通过分解技术减少了多维矩阵求逆的运算量提高了模型估计的速度，在此基础上进行信号的特征提取分类的正确率明显高于单变量自回归模型。基于信息约简对脑电信号特征进行提取：该方法利用不同的脑电特征分析方法，提取特征并进行分类；其次把连续的脑电信号离散化，利用脑电信号组建脑电信号信息表，最后利用约简理论，对脑电信号进行特征约简，并利用约简特征进行分类，验证分类准确率。该方法在保证分类准确率的情况下降低了特征的数量。基于相位同步对脑电信号分类：该方法是将相位同步应用于运动意识想象分类,采用希尔伯变换

5、信号处理方法计算脑电信号瞬时相位值在合适的时间窗下选取、电极与中央区电极进行配对并进行锁相值计算,采用支持向量机进行运动意识想象分类，具有较高的准确率。,（6）利用能量熵对运动脑电信号分类：该方法通过利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类。三、小结对于脑电信号特征的提取与分类有许多方法，不同的方法有着不同的优点，综合理解与利用各种方法不仅能够推动该领域的发展，也能使得人们对于脑功能有着更深的了解。参考文献:黄思娟，吴效明基于能量特征的脑电信号特征提取与分类传感技术学报.，穆振东，肖丹基于信息约简的脑电信号特征提取中国组织工程研究与临床康

6、复，,余丁峰，程明，高小榕.数字信号处理器在脑机接口系统中的应用北京生物医学工程，余琴,张旭秀基于小波变换的脑电信号特征提取及分类大连交通大学学报.黄思娟，吴效明基于能量特征的脑电信号特征提取与分类传感技术学报.肖丹，王平能量熵在运动想象脑电信号分类中的应用B江西蓝天学院学报.杨帮华，颜国正，鄢波基于离散小波变换提取脑机接口中脑电特征中国生物医学工程学报，吴婷，颜国正,杨帮华一种快速的脑电信号特征提取与分类方法系统仿真学报.薛建中，郑崇勋，闫相国快速多变量自回归模型的意识任务的特征提取与分类a西安交通大学生命科学与技术学报.杨帮华，颜国正,严荣国脑机接口中基于小波包最优基的特征抽取上海交通大学

7、学报.胡剑锋，包学才,穆振东基于相位同步的脑电信号分类算法研究微电子学与计算机.ProVAUGHAyaTM，WUbeETransli.nalR，DORehabEsisoCHng,EGlsignalsG2lbaylisedlCommunicatioleigenblemElifDermplementingmethods/recurrentneuralnetworksAlDigitallSignallProcessing.Nurince，Ae.Tewfik，SamilArica.ltractionlsubject-spimagerytferequencypatternsforsingleltrial

8、lEEGlclassificationComputerinBiologyandMediine.teeLnematio-SpecFtirlatlersforrotinglaiicatoifoSnllinglelrialGIEEETRANSACTISlONlBIOMEDICNGINEERINrieCoaz.eatureExtractiaondClassificatoifonElESGlignalfsolrRlapidl00MindellinnternationallConferencelonlMachinelLearningandplicationBlankertzB,MullerKR,Curio

9、G,etal.eBCompetitionl:lProgressandperspectivesindetectionanddiscriminationloflGlsingleltrialslTransonLBioedicalEng，201.lCareliC，KnyazevMaG，nnoentd,etal.sess-ofmElenEtlsGlynchronizationlbasedonstateaeanalsisJ大.lNeuroImage，l大Kemalolat.ClassificationofepileptiformlEEGlusinglalhybridlondecisiontreeclass

10、ifiearndfasFtouriertransformAA.pplieMdathematicsandComputation.2007.J.RWolpaw,D.J.McFarland,A.GFo.rWnerNise,a“tAannEdEGC-.basedrcoterinterceorccontorl,Electroencelor.lin.erosiol.ol.,-,.er.FlotinerA.cllFet.rer(eetrertionoronlineEEclassificationusingprinciplcoonentsandlineardiscriminants.2M.R.NKaouzsarririzA.iA,sadGihanaFerai.turEextractioanndClassificati