脑电信号特征提取及分类

(完整版电信号特征提取及分类第1章绪论1］复杂而精密的系统，对人脑神现的[2］。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，极化神经元细胞时，可以记录到一个持续1—2ERP的沿轴突波形传导的峰形电位—动作电位。动作电位上升到顶端后开始下降,产生一些小的超极化波动后恢复到静息电位(静息电位(RestingPotential，RP）是指细胞未受刺激时,存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位局部电位是神经系统分析整合信息的基础细胞膜的电特性决定着神经元的电活动［3].当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋,细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通当时并没有引起广泛的关注[4]。1872年，贝克（A。Beck）［5］再一次发表脑电波的论文，才引起广泛关注，从而掀起脑电现象研究的热潮。可是，直至1924年德国的精神病学家贝格尔（H.Berger[6］才真正地记录到了人脑的脑电波人的脑电图诞生了。(完整版电信号特征提取及分类图1.1人脑图 图1。2神经元图脑-机接口（Brain—ComputerInterface，BCI)是在大脑与外部设备之间建立的直接分析脑状况和神经活动的主要依据7］号与神经系统脑部疾病如脑血管病、癫痫、神经,脑［].中来。（或脑干)损伤，肌萎缩性侧索硬化等）的病人设计出合适的BCI装置，让病人恢复对身体肌作业人员提供辅助控制（如医疗手术、航空航天等)；三是BCI装置可为人们提供另一种新的动规律的认知深度[9]。上述四方面中第一个应用场景是目前最重要的应用，而随着研究的深入和扩展，其他的更多的应用场合也正在不断的增加。时至今日，大多数BCI系统仍然处于实验()取及分类室的理论研究阶段，直到最近几年才逐渐看到其在实用的医疗器械装置中崭露头角。",然目前BCI技术的开发中还存在许多技术难关尚未攻破，但从目前所取得的阶段性成果中我们,中国有大约三千两百多万[10]老年人需要不同形式的护理，而目前我国为老年人提供的服务设施严重短缺同时，由于各种灾难和疾病造成的残障人士也很多这就更加增大了对服务设施的需求.多发达国家采用服务机器人为老年人与残疾人士提供服务，用来提高他们的生外部世界交流的能力，帮助他们重新返回现代社会是目前研究的热点［11]。脑机接口是人脑与计.究，目前已经有一些小组成功开发了一些基本可用的脑机接口原型12］。另外，有些企业也认,作能跟上发展迅速的脑机接口潮流[13］。1924年德国精神病学家，耶那大学的HansBerger教授［14]首次发现并记录到人脑由规则的脑电活动.通过大量的实验研究确认了脑电图（electroencephalogram，EEG)的存在后，他于1929年正式发表了“关于人脑电图”的论文，对人脑的电活动和脑电图做了精确的描述，.20世纪70年代,在美国国防部的国防先进技术研究署（DARPA，DefenseAdvancedResearchProjectsAgency，就是这个部门发明了互联网）资助下，加利福尼亚大学洛杉矶分校（UCLA，UniversityofCaliforniaLosAngeles）开始尝试利用脑电信号，将人类思考可以直接控制机械[16]。直到这时,脑-机接口(Brain-computerInterface，BCI)这个名词才首(完整版电信号特征提取及分类次出现在科学文献中。伴随这个词出现的是人们对大脑活动越来越深入的理解年,人们发现猴子可以在训练后，能够快速学会自由地控制初级运动皮层中单个神经元的放电频率17；[18］中的复杂神经信,肢体一样容易使用，人类在进化的1990年代中期随着信号处理和机器学习技术的发展，脑机接口的研究逐渐成为热点;1991年Wolpaw［19］等发表了通过改变脑电信号中的mu节律幅度来控制光标移动的成果，硬化(ALS）症病人成功使用BCI系统控制一个拼写装置并与外界交流［20］。这个系统是根据这2000年,Nature发表了题目为“RealBrainsforRealRobots"的文章,报道了用从猴子大脑皮层获取的神经信号实时控制一个千里之外的机器人的例子［21]。在Birbaumer等人工作的同时，一种以相关于运动想象的脑电信号变化作为控制信号的脑机接口系统也正在发展（PfurtsCheller和Neuper，2001）。这些系统在很长一段时间内都2002,SSVEP)有互适应能力的脑机接口算法;另一方面为研制具有实用价值的脑机接口装置2004年6月，马萨诸塞州福克斯煲的“赛博动力学"公司(Cyberkinetics）［22］为一位24岁的四肢瘫痪者马特·内格尔(MattNagle）脑中植入了一枚芯片。这枚被叫做“脑门"（BrainGate)的芯片只有药片大小。医生为马特做了一个开颅手术把“脑门放在大脑表面。在经过9个月的练习之后,马特可以仅凭思考来收发电子邮件、控制一个机械手臂，甚至可以玩电脑游戏.“脑门”有96个电极,可以探测1000多个神经元细胞的活动.将这些神经元的活动发送出来，通过电脑的分析和处理,让马特获得了更好的生活质量[23]。2008年，匹兹堡大学的一项研究成果发表在《自然》杂志上.他们的一个研究小组将微电,()取及分类肢的控制命令.经过一段时间的训练之后，猴子学会了直接用大脑控制假肢运动，对抓取力度.的脑机接口实验系统.德国柏林的Fraunhofer学院建立了一个叫做B脑机接口的原型机系统,.（motorimage）进行字符输入的系统,这个系统的拼写速度可以达到每分钟7.6个字符［24]。在,入的字符.和之前的基于P300的字符拼写系统相比，这个系统的通讯速度提高了很多.奥地利统，像多媒体控制、虚拟键盘拼写等［25］。无独有偶，德国著名的图宾根大学的wolpaw等使用验室Wadsworth中心主要研究如何用从运动感觉皮质测得的脑电信号控制指针的一维或二维运动[26]。为了便于比较和评估，他们研制了脑机接口—2000通用系统，目前世界上200多个实-2000通用系统。最近，脑电波研究小组和脑电波研究方向的人数都在增加,但即使都是做脑机接口研究的小组，也是从不同的方面找不同的突破口，用来实现不同的应用，可以说是百家齐放,百花争鸣。早在1995年，全球的研究小组还不到6个，可是到了1999年，研究小组的个数已经超过了20，截止目前，世界各地的研究小组也有近百个.随着研究小组的增多，与此相关的学术,,目前研究者们把用在各个领域的特征提取和分类的算法拿来研究对EEG信号的特征提取和分类。常用的特征提取算法有：自回归模型（AR模型）、功率谱密度估计、小波变换、混沌法、公共空间模式、新型描述符、多维统计分析等。常用的分类方法有：线性判别、贝(完整版电信号特征提取及分类经过多年的努力，BCI的研究取得了不少令人欣慰的成果，但不可否认的是尚处于发展阶段。目前，大多数BCI仍然处于实验阶段，大部分测试在正常人中进行，在残疾人中测试较少[27。BCI:如何降低脑机接口系统对感觉输出;估脑机接口系统性能的规范;如何更有效地剔除各种噪声,获取清晰的脑电信号，寻求有效的信脑机接口系统应用广泛性的要求和使用者个体的差异；怎样设计出更为合理的学习训练方法,脑机接口系统的相互适应性［]。尽管目前存在的这些问题,,［室的一种理论,而是遍布我们生活的方方面面，各种新颖独特、高效便捷的脑机接口设备将会深入供便利。P300 P300脑电波判断出受试者回答的是“是”还是“非”的结果。本文选择共空间模式（CSP)作为信号特征提取的算法,然后分别选择了Fisher线性识别和支持向量机（SVM）作为信号分类识别的算法,处理实验采集到的听觉接口的研究背景和研究意义；第2章为脑机接口原理和实验信号采集，首先介绍了脑机接口系统的基本结构和原理,之后介绍了脑电信号的特点和分类，重点介绍了P300信号，最后介绍了脑电信号的采集过程;第3章为脑电信号数据处理方法介绍，主要介绍了脑电信号的各种算法.法,重点介绍了共空间模式，最后，介绍了特征分类算法,重点介绍了支持向量机和Fisher线性判别;第4章为实验数据处理，主要对实验采集到的数据进行处理：脑电信号预处理、脑电信号特征提取、特征分类,最后分析和讨论了数据处理结果；第5章为结论与展望,主要对全文(完整版电信号特征提取及分类第2章脑机接口原理和实验信号采集将发生的特征信号。通过对该信号特征提取和分类识别，分辨出引发脑电变化的动作意图,再,30图2。1脑机接口系统图(完整版电信号特征提取及分类区的活动信号会叠加在一起，最终形成看起来十分混乱的波形.幸好这些缺点可以部分克服[31]。微弱的电信号可以放大而波形的分离早在十九世纪就已经由法国数学家傅立叶解决。现在我们只需要解决脑电波和大脑思考行为的对应关系就可以[32］。“无创”。“有创"[33］.1999年，由JohnDonoghue领导的研究小组在Nature杂志上发表论文称［34］，他们通过操控外界设备,如打开电视机，移动假肢，使用键盘打字,移动鼠标等.皮层表面电极方式和完.电的无创的脑机接口技术.但是,由于脑电信号在传输到头皮时已经衰减很多，信号十分微弱，究方向主要就是集中在对头皮脑电信号的检测和分析上[35］。新一代的可全植入、多功能的微装置也将实现［36］。还有一种无损植入型技术是非侵入式BCI。非侵入式BCI使用头皮电极记录大脑活动产生比，侵入式BCI有损伤，但精确;而非侵入式BCI无损伤，但信号模糊,不易捕获，易被干扰通常应该选择在安静、避光和电磁干扰小的房间。临床使用的脑电图仪至少应有8个导联，此外还有12、16、32导联等多种规格型号.在认知研究中则一般使用32、64、96导联的脑电图()取及分类根据具体情况做出合理的取舍20距离分成10等份,按10，20，20,20,20，10(％）的顺序做好标记。在此线左右等距的相应部位标定出左右前额点（FP1,FP2）、额点（F3,F4）、中间点（C3，C4）、顶点(P3,P4)和枕点 20%处,向后中央、顶、枕诸点的间隔均为图2。210—20电极安放示意图[］自发脑电一般处于几微伏到75微伏之间。而由心理活动所引起的脑电信号比自发脑电信号更为微弱，一般在2到10微伏之间，它通常被淹埋在自发电位中，其成分不规则而复杂.脑电波(完整版电信号特征提取及分类图2。3脑电信号,较小。一般按照频率进行分类以表示各种成分.目前共有几种不同的分法,其中以下两种分法是最常用的,本文根据的是和田丰治的分法［40].和田丰治分类:δ波0.5—3Hz，θ波4-7Hz，α波8—13Hz，β波13-30Hz,γ波〉31Hz；Walter分类：δ波0.5-3。5Hz,θ波4—7Hz,α波8-13Hz,β波14—25Hz,γ波〉26Hz.α波健康人α波的平均振幅在30-50微幅，主要分布于顶枕区,一般呈正弦样波。大多数健康成人的脑电以α波为主要成分，在觉醒安静闭眼状态时出现的数量最多且振幅也最高.β波β波的频率范围为14～30Hz，波幅范围为5～30μV，它遍及整个大脑，以额叶和中央θ波θ波的频率为4～7Hz,波幅范围为10～40μV，两侧对称，颞叶较明显，一般困倦时出意愿受到挫折或抑郁时易出现，并可持续20~60秒之久，精神愉快时就消失。在老年期和病理状态下θ波是很常见的波形δ波δ波出现在熟睡、婴儿及严重器质性脑病患者中,幅值在100微幅左右。该波只能在皮质内发生,而不受脑的较低级部位神经的控制γ波γ波为30~60Hz频率范围内的脑电活动，波幅较低，在额区和前中央区最为明显。现在,基于EEG的脑机接口主要集中在两个方向［41］：诱发的信号和自发的信号。当某个异激后，视觉皮层将会产生视觉诱发电位.这两类信号可以通过诱发产生,并且判断准确率较高，(完整版电信号特征提取及分类关事件发生后的300ms,因此被命名为P300。研究表明，相关事件出现的概率越小，其引起的P300电位越显著。基于P300的脑机接口的优点是使用者无须通过复杂训练就可获得较高的识出反应。在这种条件下，实验记录显示在小概率刺激300ms之后会出现一个正波，这就是P300度增加而变长。关于P300和认知过程的联系，一种猜测是，P300代表大脑结束知觉任务时的,间负电位，当结束反应时这些部位又受到抑制,正是在这个时候会出现P300。关于潜伏期的研究,Donchin认为［43］，P300的潜伏期反映的是大脑对外界刺激的反应所需的时间。这就意味着脑电信号.事件相关电位有两个重要的特性：潜伏期恒定和波形恒定.与此相对,自发脑电则是分的综合,包括自发脑电(噪声)。将由相同刺激引起的多段脑电进行多次叠加，由于自发脑电或噪音是随机变化，有高有低，相互叠加时就出现正负抵消的情况,而ERP信号则有两个恒定，所以不会被抵消,其波幅反而会不断增加，当叠加到一定程度时，ERP信号就会显现出来了。所以，在一般的ERP信号研究处理中，为了提取事件相关电位变化，会进行多次重复刺(完整版电信号特征提取及分类图2。2P300电位图图2。4典型P300电位图7位在读硕士，均身体健康、精神状态良好、矫正视力在5.0以上、右利手;实验室为环境安电活动的干扰，本次实验选择耳垂作为参考电极（耳垂位置为国际10—20系统标准参考电极实验的刺激方案为听觉刺激：录制好6个需要回答“是”或“非”的问题（例如：你是中3机听问题,然后用大脑回答.每位受试者做10组重复性试验.听觉刺激的问题时间间隔图见图图2。5听觉刺激的问题实验图(完整版电信号特征提取及分类图2.6刺激方案时间间隔图.记录脑电图的装置，其工作做原理是:放置在头皮的电极能够检测出微弱的脑电信号，其通过电极导联耦合到差动放大器进行适当放大并且数字化,最后通过与其配套的PC上的记录系统记录下信号数据[45].听觉刺激图2.7脑电信号采集系统()取及分类上图中脑电采集系统主要包括脑电放大器（本实验采用的为一台32导高空间分辨率脑电设备（NT9200））一台、耳机线二根、USB电缆一根、电极帽一个、PC机两台（在采集脑电信号PCPC细性能指标如下•通道数:32；•采样率：1000/1024次/秒；•共模抑制比：≥110dB；•噪声电平:≤2.5μVpp;•时间常数控制：0.03s，0.1s，0。3s;•高频滤波控制：15，30，45，60，120Hz；•工频陷波：50Hz；•输入范围：±15mV；•分辨率：0.5μV；•标记信号:正极电压：+4。5到+12V（串口8脚+9脚—）（圆形内+外-）•校准方式:方波；•隔离电压：2500V；图2。8脑电放大器NT92002。电极帽。用来采集头皮EEG信号。电极帽上的电极被固定在软橡胶内，以使佩戴者使用(完整版)脑电信号特征提取及分类保证电极与头皮接触电阻小于5kΩ，用于获得精确的脑电数据。实验室采用的是符合国际103.两台PC机，其中一台PC用于安装听觉刺激系统，用来对受试者产生听觉刺激。另外一台.•CPU：IntelPentium3。0GHz，64位；•内存：4GBDDR•主板：华硕P5GD1PROFSB800M;•显卡:七彩虹NVIDIAGeForce6200128M；•显示器：联想，19寸LCD；•硬盘：260GBSATA做实验时，在一个光线可控的屋子里外界噪声和电磁干扰。受试者坐在椅子中,两手自然地放在扶手上，闭上眼睛,戴着带有棉套的耳机,听刺激方案设计的问"或者“不是”,每两个问题之间间隔3s。脑电采集的通道数为32,采样率为1000Hz.与脑电放大器配套的实验数据采集软件的界面（NT9200系列数字脑电分析系统）见下图2。9,实验采集图2。9NT9200系列数字脑电分析系统(完整版电信号特征提取及分类图2.10实验采集到的脑电信号绍了脑电信号的采集和分类,重点介绍了P300电位;之后对脑机接口系统的基本结构和原理进(完整版电信号特征提取及分类第3章脑电信号数据处理脑电信号非常微弱，而背景噪声却很强.背景噪声是指非研究对象的信号,如肌肉动作,眼睛围大致在50uV—100uV之间，这些信号和脑电信号相比，表现比较强烈。这样的话脑电信号的提取就很重要,相应地对设备精度,检测系统参数配置、分析系统等都有很高的要求，只有这样,其活动规律，只,,事件相关电位（ERP，EventRelatedPotential)是一种与特定事件发生进程有锁时关系的是刺激事件引起的实时脑电波，时间精度可以达到纳级。稳定的锁时性和高时.(如视觉。以下通过事件相关电位的产生过程来介绍一些经典的ERP成分[47]，包括CNV，MMN,N400以及本文所研究的P300电位。研究方法包,所有的分类方法都是线性的，最常用的方法是Fisher判别分析和线性支持向量机（SVM）；获胜算法大都使用了CSSD/CSP方法；某些获胜算法联合使用了振荡事件相关去同步(ERD)和非振荡事件相关电位（ERP）特征[48]。这些结论可以一定程度的反应脑机接口信号处理的(完整版电信号特征提取及分类,取。最后,还要对信号进行带通滤波，一般为2—30Hz的滤波。人体脑电信号是一种很微弱的50Hz工频干扰是由人体的分布电容所引分这种干扰[49]。另外,在做实验时一般要考虑眼动干扰和心电干扰的因素。电极接触噪声是瞬号时要注意。滤波器类型的选择要根据要处理的信号特征而定。Butterworth滤波器[50]的频率,,带内肯定有余量。Chebyshev滤波器[51]能将精确度均匀地分布在整个通带内，或者均匀分布在,的。对性能要求一定的情况下，如果对频率截至特性没有特殊要求，考虑采用Chebeshev滤波脑电信号是由人体大脑发出的极其精密、相当复杂并且有规律的微弱信号,外界干扰以及其,上。数据预处理始终是是脑电信号处理中一项非常重要的内容等［52］.自回归AR模型：AR模型参数的估计方法是基于分段法，待处理数据被分为若干段，估计每段数据的AR模型参数,这样会得到一个关于AR模型参数的时间过程，AR的系数就是线性小波变换［53］:小波变换是一种时频信号处理方法。小波这一术语,顾名思义，“小波”就是小区域、长度有限、均值为0的波形。所谓“小”是指它具有衰减性；而“波”则是指它的(完整版)脑电信号特征提取及分类(频率的局部,独立分量分析［54]（independentcomponentanalysis，ICA）:独立分量分析是近年来发展.,独立性.的滤波方法和累加平均方法相比，独立分量分析在消除噪声的同时，对其它信分析，如主成分分析（PCA）、奇异值分解（SVD）等传统信号分离方法相比，独立分量分析是公共空间模式［55］(CommonSpatialPattern，CSP）：共空间模式是假设在高维空间中共空间模式（CSP)算法最早是由Fukunage等人［56］提出来的，Fukunage等通过K—L变换共空间模式的目的是设计空间滤波器,数据通过空间滤波器后得到分类器所需要的特征向量..设计步骤如下：对于包含两个任务信息A，B的信号矩阵（其中包括外界的噪声)，来自A,B两任务的信号源分别用和表示,利用下面两个公式进行建模：（3.1）S

分别是和任务A、B有关的源，C

是他们相应的空间模式,S

是相应的空间模式。假设记录脑电信号的通道数为N，每个导联信号的采样点数为T,则X

RNN可表示为SSPRPSSPRP(完整版电信号特征提取及分类

trace(X

3共空间模式方法的目的是从数据集和估计运动诱发的源分量CS和CS。对两个协方 RR

3之后,构造白化矩阵并转换协方差矩阵1P2UT

[1)S

2)S

对应的特征值之和总是为I，即

I。和分别是和的特征值矩阵，I为单位阵。假设的对角元素以降序排列，那么BFFUPBBP(完整版电信号特征提取及分类构造空间过滤器：根据特征值分解可知,和中最大的几个特征值所对应的特征向量就

AB

FU

F

F每个导联采集到的脑电信号组成一个N*T的矩阵，其中N为导联的数量，T为采样点数量。共空间模式把N*T矩阵的每一列视为N维空间的一个点，T个N维空间的点构成了一个点云。被试执行不同运动或运动想象任务时，产生EEG构成的点云呈现出不同的空间分布特CSP的具体计算过程可描述如下：

分别对两组数据的协方差矩阵求平均，这样能够得到两个协方差矩阵,这两个协方差矩阵分 两个协方差矩阵经白化转换矩阵的变换拥有同样的特征向量，然后，计算出线性变换矩阵.［59(完整版电信号特征提取及分类的类别。Schloegl的研究小组

［60]把适应性自回归AR和线性判别分析相结合，取得了较为理贝叶斯-卡尔曼滤波(Bayesian-Kalman）［61]：贝叶斯—卡尔曼滤波是一种经验估值方法，人工神经网络[62］：人工神经网络是脑机接口系统中应用最多的分类器,它的应用比较简单,,理。最小二乘支持向量机是由Suykens等人提出来的一种新型的支持向量机,它是把最小二乘线性方法进入到支持向量机中，将标准的支持向量机中二次规划问题转变成线性方程求解,因此简化了计算的复杂度,机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度）和学习能力.求解一个凸二次规划的问题。进展.由于支持向量机的学习性能非常优秀，在数据挖掘中也备受青睐,现在已然成为机器学习，数据挖掘领域的研究热点,并且也能够一定程度上解决“维数灾难”和“过学习"等经典难,()取及分类,,习抽象出规律并利用这些规律去分析新的实例对象，对新实例数据进行分析判断从而得出比统计学习理论针对小样本数据的统计问题建立了一套新的理论体系,这种理论是一种专门研.息条件下取得最优的结果.统计学习理论主要包含以下4方面的内容:(1)经验风险最小化准则下统计学习一致性的条件；(2)在上述概念基础上的反映统计学习方法推广能力的界；(3)在这些界的基础上的针对小样本数据的归纳推理原则；（推理的方法。所谓VC维,是对函数类的一种度量,可以简单的理解为问题的复杂程度，VC维数越高,一个问题就越复杂。正是因为SVM关注的是VC维，后面我们可以看到，SVM解决问题的时候,和样概念，在计算函数集与分布无关的泛化能力界中起着重要的作用。维的直观定义是对一个指示函数集F，如果存在h个样本能够被函数集里的函数按照所有可能的2h种形式分开（如图.图3。1VC维示意图结构风险最小化原则（StructuralRiskMinimization,SRP)：结构风险最小化是针对小杂性越高，VC维度越高，置信界限就越大,这将导致真实风险与经验风险之间的可能的差别越的增加，经验风险将减小置信范围将增加(完整版电信号特征提取及分类h1 hk hn F1 Fk 图3。2结构风险最小化示意图支持向量机是从线性可分情况下的最优分类面(OptimalHyperplane)发展来的.所谓最优分类面，就是要求分类面不但能够将两类样本点无误地分开,而且要使得两类的分类空隙最i 别1,记yi

为1，否则记为yi

线性情况:(3。9)i i wxb1,y1,i1,2,…n0)

b)1,i1,2,…,n

3.11((完整版电信号特征提取及分类 图3.3最优分类超平面(3.12）训练样本集为线性不可分时，需引入非负松驰变量，i1,2,…,n，分类超平面的最优化问题其中C是惩罚参数，它为一个常数，C越大表示对错误分类的惩罚越大。采用拉格朗日乘子法其中

，0，i=0，此时y0,i0,此时x(完整版电信号特征提取及分类316分析式。153。16),下发现：1.

=0,则

〈C，则y

b)1

b)1，xi

为支持向量,我们定义0<〈C所对应的支持向量为非边界支持向量;3．

b)1

为支持向量,我们定义C所对应的支持向量为边(3.17）

非线性情况对于非线性分类问题，我们通过一个非线性函数将训练集数据x从原始模式经过这个非线w*(x)b0 y(x)signw*(x)b (完整版电信号特征提取及分类3212)式中K(x,x)(x)•(x)被称为核函数。判别函数为：i j i 323其中阈值b为：

yK(x•x)

3.24通过非线性函数将样本数据映射到高维特征空间，并在特征空间中构造最优分类超平面,在求难维数问题.核函数的选择必须满足Merce条件。由统计学习理论可知，对于分类器f，实际风险Rstr(f)和经验风险Remp（f）之间至少有1的概率满足(0）str

(f)R

(f)

hln(2l/h1)ln(l/4)

h||w||2r21

326其中,r是包络训练数据的最小球半径.机器学习过程不仅要使经验风险最小,还要使VC维尽量的小,这样对未来样本才会有较好的泛化能力，这是结构风险最小化准则的基本思想。支.(完整版电信号特征提取及分类函数有：p阶多项式核函数、径向基（RadialBasisFunction，RBF）核函数、正切(Sigmoid)双曲核、级数核、神经网络核函数、—样条核。前，已报道的基于P300的BCI分类系统大部分都只选用其中的部分导联，因为选择部分导联,导联的选取可以通过简单的比较4导联,8导联,16导联以及32导联的运算结果之后，根据经验预先设定，也有研究者导联，获得最大贡献导联的算法tpfpfn3.27上式为递归算法中计算识别正确率的公式,其中tp为正确的正值,fp为错误的正值，fn为错误的负值。首先将全部的32路导联都参与进算法中，这样可以得到一个C任意一路导联命名为k,余下导联参与算法会获得一个新的C

值,最后总共会得到32个C这32个C值中最大的对应的导联可以认为识别正确率贡献最小，即其中所含P300信号最小，故将其剔除。剩下的31导联也按照上述的计算方法进行计算，逐个剔除。这样递归计算之后得到的剩余导联组合就是对识别贡献最大的。基于P300信号的脑机接口系统所选择的导联应3.4.3Fisher线性判别Fisher线性判别分析的基本思想：通过寻找一个投影方向(线性变换），将高维问题降低Fisher线性判别分析,就是通过给定的训练数据，确定投影方向W和阈值y1。W的确定

ixXi

3.28i x,,s(x 1l(完整版电信号特征提取及分类

(xm)(xm)T,i1,2i 330)

在投影后的一维空间中，各类样本均值m

。样本类内离散度和总类内

离散度

Fisher准则函数使得投影后各类满足两个性质,小越好。·各类样本尽可能离得远即样本类间离散度越大越好WS

( y

(mm)/2。 3.Fisher线性判别的决策规则

)2

3.32

(完整版电信号特征提取及分类图3.4Fisher线性判别流程图(完整版电信号特征提取及分类第4章实验数据处理首先对包含噪声的信号进行2—30Hz的切比雪夫I型带通滤波处理。由于实验采集到的数据量非常大，所以滤波之后对数据进行了10倍的降采样处理，降低维度。然后进行实验数据.上降低了运算速度，更有利于实现脑电信号实时处理。选取8个导联[Fz,Cz，Pz，Oz,T5P3P4］。2.滤波。每一路提取的信号都由1个8阶的切比雪夫I型带通滤波器进行频率通过区间为,能要求一定的情况下,如果对频率截至特性没有特殊要求，考虑采用Chebyshev滤波图4。1切比雪夫滤波(完整版电信号特征提取及分类

降采样.采样频率为1000Hz，进行10倍降采样，降采样后点数为100Hz。这里的单次图4.3未降采样的信号和将采样后的信号,（第2个听觉刺激的问题后的1s)，1540-1640（第3个听觉刺激的问题后的1s），2090-2190(第4个听觉刺激的问题后的1s)，2545-2645（第5个听觉刺激的问题后的5.数据调整。眨眼、眼睛的转动、肌肉活动，或者测试者的移动都可以导致EEG信号产生整。计算x，使得脑电采样数据中有90%的数值小于x；再计算有y，使得脑电采样数本文将重复实验得到的数据进行10次叠加,叠加后得到了比较明显的含有P300信号的数据。图4。4实线是含有特征信号的脑电数据，在300ms～500ms之间有较大的波峰，为P300成(完整版电信号特征提取及分类图4。4经10次重复试验平均后得到的P300信号（虚线为无听觉刺激时的脑信号）实验过程中的每一个问题所产生的脑电波的有效数据是一个8（个导联）＊100（个数据点）的矩阵（点云）。每个受试者做10组实验，每组实验听6个问题，所以每个受试者会进行10＊6=60次听觉刺激,产生60个样本。总共有7个受试者，所以，本次实验共采集了7＊每个听觉刺激实验采集到的EEG是一个N＊T矩阵，其中N为导联的数量,T为采样点数量．共空间模式把N*T矩阵的每一列视为N维空间的一个点,T个N维空间的点构成了一个点云．被试执行不同运动或运动想象任务时，产生EEG构成的点云呈现出不同的空间分布特CSP"CSP(完整版电信号特征提取及分类图4。5yes类和no类的特征值tpfpfn(4.1）fpfn为错误的负值数。首先将实验得到的全部的32路导联都参与到该算法中，可以得到一个C到一个新的C值；计算出的总共32个C中，值最大的C对应的导联可以认为对分类贡献最 小，即所含P300信号最小，将其剔除，这样就剩下31导联的数据。对剩下的31导联也按照献最大的.基于此算法，从最初32导联计算，最后得到的8个最大贡献导联为：[Fz,Cz，Pz，OzT5,P3P4].下图4。6和图4。7描述了基于Fisher线性判别和SVM（支持向量机)算法时，不同数量.(完整版电信号特征提取及分类图4.6数据全部作为训练组和测试组的分类结果图4。7数据部分作为训练组部分作为测试组的结果确率，表格4。2为把数据的一半作为训练组，然后另一半作为测试组进行分类的正确率对应数量正确率

1

2

3

4分类器Fisher线性判别

63.9%

73.6%

85。0％

91。3%SVM（支持向量机) 70.1% 77。4％ 89。7％ 93。2％(完整版电信号特征提取及分类表4。1交叉数据作为训练组和测试组的分类结果数量正确率

1

2

3

4分类器Fisher线性判别

52.0%

67。7%

79。4%

84.5%SVM(支持向量机) 65。2％ 72.1% 81。7% 89.3％表4。2195组数据作为训练组,剩余195组数据作为测试组的结果特征向量.由分类结果所示,对于每一条识别曲线，随着分类输入的特征向量的个数的增加,Fisher线性判别和CSP(共空间模式）的分类正确率无一例外都有明显的上升。另外，SVM（支持向量机）的分类正确率比Fisher线性判别的分类正确率要高一些，对于处理P300信号.分类共空间模式，把两类不同空间的信号映射到同一个空间,信号进行分类，使用支持向量机和Fisher算法。之后把脑电信号数据的处理结果进行分析和讨论.研究结果显示，支持(完整版电信号特征提取及分类第5章结论与展望波进行识别：通过预处理、特征提取、分类，最后达到能根据受试者的P300脑电波判断出受,信号在空间分布上的差别最明显.之后对得到的两类信号进行分类，使用支持向量机和Fisher研究结果显示,支持向量机和Fisher线性判别对P300信号都具有很高的识别率和识别速度；对390次实验采集的真实P300脑电信号样本进行数据分析，在标准识别方案的基础上，88.9,沿性问题，而本文也仅对脑机接口的P300信号处理部分进行了研究，该课题进一步的研究工•在离线信号解析的研究中,人们的注意力往往集中在如何提高识别的正确率，而不太顾及实时在线处理。如果处理的速度跟不上,即使在离线分析中取得了很好效果的算法也无法应用到实际的在线应用系统中.本课题的计算量比较大，对实时信号的处理会有比较够进行实时处理的算法.作者相信，随着各学科技术的不断发展脑机接口技术会越来越多地应(完整版电信号特征提取及分类[1]ErikssonJ,KarvanenJ,KoivunenV。SourceDistributionAdaptiveMaximumLikelihoodEstimationofICAModel[A］.HelsinkiProc.ofSecondIntl.WorkshoponIndependentComponentAnalysisandBlindSignalSeparation,2000：227-232.[2]高上凯.浅谈脑—机接口的发展现状与挑战。中国生物医学工程学报，2007.12[3]陈瑞中。关于ECG信号处理与分析的研究[D］.广西师范大学,2000[4]AnAlgorithmforIdle—StateDetectionandContinuousClassifierDesigninMotor-Imagery-BasedBCI［J］。JournalofElectronicScienceandTechnologyofChina，2009，(01).[5]张新闻。脑—机系统中特征提取方法的研究［D］.兰州理工大学,2007.[6]黄安湖.P300脑电诱发电位的分类识别及在脑机接口中的应用［D］.山东大学,2008.[7]魏文庆。基于EEG的BCI的研究与设计[D]。浙江大学,2007。methodsinBCIresearch。IEEETrans.Neural.Sys。Reh。Eng，2003，11(2）：192~195。[9]UlrichHoffmann，Jean-MarcVesin，KarinDiserens，TouradjEbrahimi。AnefficientP300-basedbrain-computerinterfacefordisabledsubjects.JournalofNeuroscienceMethods，2007[10]Jia-CaiZhang,Ya—QinXu，LiYao.P300DetectionUsingBoostingNeuralNetworkswithApplicationtoBCI.ComplexMedicalEngineering，2007;CME。2007,:Page(s）1526—1530.[11]杨帮华.自发脑电脑机接口技术及脑电信号识别方法研究［D]。上海交通大学,2007[12]安文娟。Fisher和支持向量综合分类器［D］.辽宁师范大学,2010。[13]殷志伟.基于统计学习理论的分类方法研究［D］.哈尔滨工程大学，2009。[14]李金华.基于SVM的多类文本分类研究［D］.山东科技大学，2010[15]王晓明.基于统计学习的模式识别几个问题及其应用研究[D］.江南大学,2010.[16]Jia—CaiZhang,Ya-QinXu，LiYao.P300DetectionUsingBoostingNeuralNetworkswithApplicationtoBCI.ComplexMedicalEngineering，2007；CME。2007,：Page(s)1526—1530.[17]ShiliangSun，ChangshuiZhang.AdaptivefeatureextractionforEEGsignalclassification[J］.Medical&BiologicalEngineering&Computing,2006,44(10）.[18]熊杨.最小二乘支持向量机算法及应用研究[D].国防科学技术大学，2010.[19]M.J.Zhong,F。Lotte,M。Girolami，A.Lécuyer.ClassifyingEEGforbraincomputerinterfacesusingGaussianprocesses.PatternRecognitionLetters,2008，vol.29(no。3)：pp。354—359.[20]张振旺.脑机接口中想象运动分类算法的研究［D]。山东大学,2007.[21]刘东辉,卞建鹏,付平,刘智青.支持向量机最优参数选择的研究[J]。河北科技大学学报,2009,（01）。[22]HoneyC,SpornsO,CammounL，etal。Predictinghumanresting-statefunctionalconnectivityfromstructuralconnectivity.ProcNatlAcadSciUSA,2009，106(6):2035-2040.[23]任亚莉.基于脑电的脑-机接口系统[J]。中国组织工程研究与临床康复,2011,（04)。[24]李晓欧，乐建威.基于小波预处理和贝叶斯分类器的P300识别算法［J]。数据采集与处理，2011，(04）。[25]邓赵红.基于神经模糊的模式识别的几个问题的研究[D］.江南大学,2008[26]AStudyofElectromyogramBasedonHuman—ComputerInterface［J］.JournalofElectronicScienceandTechnologyofChina，2009,（01).[27]刘铁军，徐鹏,余茜，尧德中.运动想象的脑机制及其在运动功能康复中应用的研究进展［J]。生物化学与生物物理进展，2011,(04）。(完整版电信号特征提取及分类[28]J.Müller—Gerking,G。Pfurtscheller,H。Flyvbjerg.Classificationofmovement—relatedEEGinamemorizeddelaytaskexperiment。ClinicalNeurophysiology，2000,vol.111（no。8）：pp.1353—1365.[29]A.Rakotomamonjy,V.Guigue.BCICompetitionIII:datasetII—ensembleofSVERPforBCIP300Speller.IEEETrans。Biomed。Eng，2008，vol。55（no.3):pp.1147-1154.[30]尧德中,刘铁军,雷旭,杨平，徐鹏，张杨松。基于脑电的脑—机接口:关键技术和应用前景［J］.电子科技大学学报，2009，(05）。[31]ProbabilisticMethodsinMulti—ClassBrain-ComputerInterface［J］.JournalofElectronicScienceandTechnologyofChina,2009，(01）.[32]S.G.Mason，A。Bashashati，M.Fatourechi,K。F.Navarro,G。E。Birch.AComprehensiveSurveyofBrainInterfaceTechnologyDesigns［J]。AnnalsofBiomedicalEngineering，2007，35(2）。[33]ZhangH，GuanC,WangC。AsynchronousP300—basedbrain-computerinterfaces:acomputationalapproachwithstatisticalmodels.IEEETransBiomedEng，2008,55(6）：1754-1763。[34]BlankertzB，TomiokaR,LemmS，etal.OptimizingspatialfiltersforrobustEEGsingle—trialanalysis。IEEESignalProcessingMaga-zine，2008,25（1):41—56。[35]WangYijun，WangRuiping,GaoXiaorong，GaoShangkai。Brain-computerInterfacebasedontheHigh-frequencySteady-stateVisualEvokedPotential。FirstInternationalConferenceonNeuralInterfaceandControlProceedings，pp.37-39,May。2005。[36]YokyMatsuoka，AnthonyBrockwell，TakeoKanade，NancyPollard,AndrewSchwartz,GeorgeStetten。ANeuromuscularFrameworkforMotorControl。CarnegieMellonUniversity，［DoctoralDissertation],2007[37]徐丁峰,程明，高小榕,高上凯.数字信号处理器在脑—机接口系统中的应用［J］。北京生物医学工程，2002，(04）.[38]李丽君,黄思娟,吴效明，熊冬生。基于ECOG的运动想象特征提取和分类[A］。中国生物医学工程学会成立30周年纪念大会暨2010中国生物医学工程学会学术大会壁报展示论文[C］,2010[39]CommonSpatialPatternEnsembleClassifierandItsApplicationinBrain-ComputerInterface