一种脑机接口中脑电信号特征提取方法

一种脑机接口中脑电信号特征提取方法

脑机接口（bci）是一种不依赖正常外部神经和肌肉的输出通道的通信和控制系统。它利用人脑在受到外界刺激时产生的特定模式的信号实现控制外界设备的目的。脑机接口研究的最初目标是为残疾人提供一个与外界进行交流的方式,比如用思维操控轮椅、假肢等。但随着脑机接口研究的发展和技术的成熟,它的应用也变得越来越丰富,也受到越来越多的关注。脑机接口主要分为侵入式和非侵入式两种,其中非侵入式的EEG(electroencephalog-raphy)信号具有信息量大、时间分辨率高、设备便于携带及无创性等特点,为脑机接口提供了实际可行性,逐渐成为目前脑电控制信号的主要选择。由于EEG信号是一种非平稳随机信号,具有比较低的信噪比,所以特征的提取对于一个完整的脑机接口系统来说就显得非常重要。目前EEG信号主要的特征提取方法有:(1)单一的利用时域或是频域特性的方法如时域均值、频域能量等。此方法虽然简单,但提取的特征太过单一,无法表征EEG信号的本质特性,分类正确率较低。(2)传统时频域特征结合的方法此方法只是将第一种方法提取的特征简单的组合以提供更多的特征,但仍然是一种平稳信号的分析方法,不适用于描述非平稳的EEG信号。(3)用AAR(AdaptiveAutoregressive)模型的系数及小波系数描述EEG特征的方法这种方法虽然是非平稳信号的分析方法,但仍然局限于时频特征,并且AAR模型中参数的选取对最终的结果影响过大,目前参数选取只能凭经验,没有系统的方法。由于这些不足,该方法也无法提取产生机理相当复杂的EEG信号的本质特性。根据传统方法的不足及EEG信号非平稳和低信噪比的特点,本文提出了一种基于时、频、空域结合的EEG信号特征提取方法。首先利用小波变换提取EEG信号特定频段的时频特性,再利用主成分分析提取EEG信号的空间特征,两者结合组成最终的特征矢量。由于空域特征的加入,使得对EEG信号特征的描述更为全面,从而较好的表征了EEG信号的本质特征,有效提高了分类正确率;另一方面,最终提取的特征只有10个,相对于传统特征提取方法要少很多,从而使得分类系统的计算速度加快,有利于实际的应用。1运动界面beep实验所用的数据来自“BCICompetitionII”的数据库,该数据采集自一个带反馈的BCI系统,系统的被试者执行的任务是通过想象左右手运动控制光标的左右移动,实验的时序如图1所示。所有实验按照图1的时序进行,并且数据在同一天采集。被试者坐在一个离电脑屏幕1.5m的舒适的椅子上,并被要求不能移动手臂且保持全身处于放松状态。每次实验持续9s,开始时在屏幕中央出现一个十字,两秒后会发出声音(图1中的beep)提醒被试者实验即将开始,从3s到4.25s,屏幕上的十字变为随机产生的向左或向右的箭头,被试者从看到箭头开始根据其指向想象左右手运动,直到9s时此次实验结束。每次实验间有0.5s到2.5s的间隔。整个实验由280次上述实验组成,其中想象左右手运动各140组,70组用于训练,70组用于测试。实验所用的电极遵从国际标准的10-20导联系统,并且只取其中C3、C4、Cz三个通道的数据,EEG信号采样频率为128Hz。实验过程的详细描述,如文献所述。2处理数据2.1小波变换多分辨率实验小波变换将信号分解成母小波的叠加,在低频时,时间分辨率较低而频率分辨率较高;在高频时,时间分辨率较高而频率分辨率较低。正由于小波变换这种多分辨率的特点,很适合处理像EEG这类的非平稳信号,所以近年来在EEG信号的处理领域得到广泛的应用。信号f(x)的离散小波变换和逆变换定义为:dj,k=2-j/2∑n=−∞∞∑n=-∞∞f(x)ϕ¯(2−jx−k),j,k∈Z(1)f(x)ϕ¯(2-jx-k),j,k∈Ζ(1)f(x)=∑j=−∞∞∑k=−∞∞∑j=-∞∞∑k=-∞∞dj,kϕj,k(x),j,k∈Z(2)式(1)(2)中,f(x)为待处理信号,dj,k为小波系数,ϕj,k(x)=2-j/2ϕ(2-jx-k)为母小波,其中j代表分解尺度、k代表时间平移量。在实际应用中常常使用Mallat算法对信号进行有限层分解,及先对较大尺度的信号进行小波分解,再选取其中低频部分在原尺度的1/2尺度上再进行小波分解。例如,给定一个长度为N的信号S,那么整个算法在log2N步内完成,单步流程如图2所示:假设S信号采样频率为f,则cA、cD分别对应S信号的0至f/(2×2)、f/(2×2)至f/2频段的时频特性。Mallat算法不断的对cA进行上述分解,直到达到理想的分辨率,这样做的原因是在物理信号中低频部分表征信号本身特征,高频部分表征信号间的细微差别,此算法也说明了小波变换多分辨率的原因。脑电中与大脑运动皮层神经活动密切相关的事件相关电位(Event-RelatedPotential,ERP)是人体感觉系统受某种刺激时在大脑皮层相应区域产生的电位变化。研究表明,大脑在想象或实施左右手运动时会在两侧脑半球的某些频段(α波、μ节律)产生ERP信号,导致脑电功率谱出现增强(EventRelatedSynchronization,ERS)和减弱(EventRelatedDesynchronization,ERD)现象。本实验的预处理阶段即利用小波变换提取ERS和ERD出现的特定频段的EEG信号,之后的所有处理无特殊说明均在此频段进行。已知原始EEG信号采样频率为128Hz,则依采样定理原始信号的最高频率为64Hz。首先对原始3×280个EEG信号进行2层的小波分解,母小波采用Daubechies4小波。提取第二层的近似系数重建原信号,根据图2的Mallat算法,两层小波分解将原始信号平均分为四个频段,而近似系数对应低频部分,所以得到原始EEG信号中0至16Hz的部分,此部分刚好包含了α波和μ节律。由于ERS/ERD现象分别是脑电信号功率谱的增强和减弱,所以首先按照式(3)计算小波变换提取的0-16Hz频段各导EEG信号的平均能量。p(j)=(1/N)∑i=1N∑i=1Νx2(i,j)(3)式(3)中,x(i,j)为第i个信号的第j个脑电数据,N为信号个数,p(j)为平均能量信号的第j个数据。实验数据中想象左右手运动EEG信号各140组,采样点数为1152,及N=140、j=1152。由于ERS/ERD现象发生在左右脑半球,所以在分别位于左右脑半球的C3、C4电极处较明显,因此分别计算想象左右手运动时C3、C4导EEG信号0-16Hz频段的平均能量,如图3(a)、(b)所示:由图3(a)、(b)可以看出,想象左右手运动时C3、C4导联的功率谱在3.5s-6s间存在着明显的差异:想象左手运动时在C4导出现ERD现象;想象右手运动时在C3导出现ERD现象。因此,对小波变换提取的0-16Hz的EEG信号进行时域的截断,截取3.5s-6s间的数据进行后续的处理。通过在时域、频域均做数据截取的预处理方法,提高了EEG信号的信噪比,并且时域截取使样本点减少,从而有效地提高了系统的计算速度。在经过时域、频域的预处理后,进入特征提取阶段。2.2资源提取(1)独立分量分析的基本原理由于独立分量分析在信号空间滤波领域的广泛应用,并且能很好提取信号的空间特性,所以选取它作为提取想象左右手运动脑电信号空域特征的方法。独立分量分析是一种盲源分离的方法,旨在将观测数据分离为潜在的独立的源信号,并且事先并不知道这些源信号的任何信息及它们是如何混合成观测信号的。独立分量分析算法具体描述如下:Xnk=Anu·Suk(4)Y=W·X(5)式(4)、(5)中X为观测信号,S为源信号,且各分量互相独立,其中n为信号通道数,k为采样点数,u为分离出源信号的数量,一般应用中为了方便,均假设n=u。A为混合矩阵,W为解混矩阵,Y为实际算法的输出,及对源信号S的估计值。独立分量分析算法的主要目标是在只有X已知的情况下,找到最优的W,并且计算出S的估计值Y,以此作为最终分离的结果。独立分量分析计算W的算法很多,主要区别在于求取W时选用的目标函数和优化算法不同。本实验采用Imfomax算法。Imfomax算法的原理是最大化一个非线性神经网络的输出熵或信息流,这样做的动机是极大化输入X和输出Y的之间的互信息,实现信息的有效传送。假设X为神经网络的输入,Y为输出:Y=g(UX)(6)式(6)中g为非线性函数,U为神经网络的权重,利用熵变换的经典式则输出Y的熵定义为:H(Y)=H(X)+E{log2|det∂Y∂U(X)|}(7)Η(Y)=Η(X)+E{log2|det∂Y∂U(X)|}(7)从式(7)可以看出,H(Y)为U的函数,可以通过调节U的值实现最大化输出熵的目的。Imfomax算法即是利用这个原理,通过调节W,使输出熵最大化,从而达到求解最优解混矩阵W的目的。分别对280组数据的能量信号进行独立分量分解,由于每组数据均由C3、Cz、C4三个通道组成,即X=T,所以得到的解混矩阵W为3×3维,由式(5)可知:⎡⎣⎢xc3xczxc4⎤⎦⎥=W−1⎡⎣⎢y1y2y3⎤⎦⎥=⎡⎣⎢w11w21w31w12w22w32w13w23w33⎤⎦⎥⎡⎣⎢y1y2y3⎤⎦⎥(8)[xc3xczxc4]=W-1[y1y2y3]=[w11w12w13w21w22w23w31w32w33][y1y2y3](8)式(8)中yi为独立分量分析分离出的独立分量。通过上式可以看出,W−1jj-1列是yi信号到观测信号X的投影,由于观测信号从大脑不同位置测得,也就是说W−1jj-1表征了独立分量yi在大脑头皮上的空间分布,同样的性质也可以扩展到更多通道的观测信号。由图3(a)、(b)可知大脑在想象左右手运动时所引起的ERD/ERS现象在C3、C4两个电极处较明显,而C3、C4分别处于左右脑(依国际标准的10-20导联系统),也就是说两种想象运动诱发的事件相关电位在大脑皮层的空间分布不一样,而独立分量分析中解混矩阵W的逆矩阵刚好反应了这种空间分布,所以将此逆矩阵的9个元素作为表征脑电信号空域特性的特征提取出来,作为最终特征向量的一部分,并称其为空域特征。(2)eg的信号特性由于ERD/ERS现象所引起的是脑电功率谱的强弱变化,所以仍然延用传统的能量特性来作为时频的特征,但与传统方法不同的是我们用小波系数的平方来表征能量特性,这样做的好处是小波变换的多分辨率特性比传统方法更适合处理像EEG这样的非平稳信号。由预处理阶段已经得到了第2层小波变换的近似系数cA,该系数表征原始EEG信号频域0-16Hz,时域3.5s-6s的特性。求此系数的平方得到840×85维的能量数据。其中,每3行数据代表一次图1所示的实验得到的能量谱,并且3行依次对应C3、Cz、C4导联。因为ERD/ERS现象在C3、C4比较明显,所以将上述840组数据中的C4导数据减去C3导数据得到两个导联的能量差,并且去除Cz导联数据,由此组成新的280×85维的数据。再对每行85个数据点取平均值,得到最终的280×1维时频特征。将由小波变换提取的280×1维时频特征与独立分量分析提取的280×9维空域特征组合到一起,形成最终的特征向量,共280×10维。2.3不同道德特征中的神经元数量由于BP神经网络的自适应能力,泛化能力和非线性环节有利于对EEG信号的处理,所以我们采用BP神经网络作为分类器。由于特征向量共10维,分为想象左右手两类,因此神经网络输入层有10个神经元,输出层有一个神经元。对于隐含层的神经元数量目前还没有好的方法进行计算,一般凭借经验选取。首先确定其范围,然后逐个进行分类,根据其分类正确率选取最佳的隐含层神经元数量。为了使神经网络的学习更充分,以达到好的分类效果,我们将想象左右手运动EEG信号共280组特征中的70%用于训练,其余的30%用于测试。由于神经网络存在过学习的现象,为了让实验得到的结果更具说服力,重复上述分类过程10次,并取其平均值,每次分类前都打乱原来的数据顺序,重新选取70%的训练数据和30%的测试数据。3特征数量对算法有效性的影响依据提出的基于时频空域的EEG信号特征提取方法提取10维特征向量,送入分类器。实验结果如表1所示。为了说明时频空域结合的特征提取方法优于传统的时频特征提取方法,本文采用对比实验,将原始想象左右手运动EEG信号按照文献(该文献中的数据来源与本文相同)中时频特征提取方法进行处理,并且送入BP神经网络分类器进行分类,结果如表2所示。由表1、2可以看出,在神经网络分类器隐含层数量相等的情况下,除隐含层神经元数为4的情况外,采用本文提出的加入空域特征的特征提取方法无论是平均分类正确率还是最高分类正确率都得到了一定的提高。其中隐含层神经元数为7时提高最明显,平均分类正确率提高2.5%,最高分类正确率提高4.8%。另外,本文提出的时频空域结合的脑电信号特征提取方法的特征数量只有10个,文献中的特征提取方法特征数量有15个,可见时频空域结合的特征提取方法大大减少了分类器的计算量,提高了系统的运行速度,如表3所示。实际应用中,系统速率和分类正确率一样是一个重要的性能指标,而较少的特