基于样本熵的运动想象脑电信号特征提取与分类方法

（5）增加维数为 m + 1 ，构造一个 m + 1 维矢量，即：
Bm ( r ) =
1 N −m m ∑ Bi ( r ) （4） N − m i =1
（5） X m +1 ( i ) = u ( i ) , u ( i + 1) , , u ( i + m ) , i =1 ~ N − m （6）对每一个 i 值计算矢量 X m +1 ( i ) 与其余矢量 X m +1 ( j ) 之间的距离： （6） i j= 1 ~ N − m, i ≠ j （7）统计不同 i 值对应的 d X m +1 ( i ) , X m +1 ( j ) < r , ( i j= 1 ~ N − m, i ≠ j ) 的 数目，利用式（7）求得与总距离数目 N − m − 1 的比值 Bim +1 ( r ) ，即： = Bim +1 ( r ) {d （7） X m +1 ( i ) , X m +1 ( j ) < r , ( i ≠ j ) } ( N − m − 1) （8）求 Bim +1 ( r ) 对所有 i 值的平均值，记做 B m +1 ( r ) ，即： 理论上次序列的样本熵为：
d X m ( i ) , X m ( j ) < r , ( i j= 1 ~ N − m, i ≠ j ) 的数目，以及此数目与总的距离 数目 N − m − 1 的比值，记作 Bim ( r ) 即： = Bim ( r ) {d （3） X m ( i ) , X m ( j ) < r , ( i ≠ j ) } ( N − m − 1) （4）求 Bim ( r ) 对所有 i 值的平均值 , 记做 B m ( r ) ，即：
B m +1 ( r ) = 1 N − m m +1 ∑ Bi ( r ) （8） N − m i =1
d ( j ) X m +1 ( i ) , X m +1 = max u ( i + k ) − u ( j + k )
k = 0~ m
m +1 m SampEn ( m , r ) lim {− ln = （9） B ( r ) B ( r ) } N →∞ 当 N 为有限值时， 得到序列长度为 N 时的样本熵的估计值， 记作： m +1 m SampEn ( m, r , N ) = − ln （10） B ( r ) B ( r ) ， 样本熵的值显然与 m 、 r 的取值有关，根据经验，通常取 m=2 r = 0.1 ~ 0.25SD ( u ) ，其中 SD ( u ) 表示原始时间序列的标准差。
3 实验及结果分析
3.1 数据采集 实验数据采用 2008 年第四届脑机接口竞赛提供的 Data sets 1 受 试 b 的校准数据，该实验采用 59 个电极，采样频率为 100Hz，周期为 8s。受试者放松安静的坐在电脑前舒适的座椅上，根据屏幕上出现的 提示进行运动想象，如图 1 所示，每个实验周期分为以下几个环节：
289
理论研究
基于样本熵的运动想象脑电信号特征提取 与分类方法
马满振 （装甲兵工程学院控制工程系 , 北京 100072）
摘 要：脑 - 机接口是一种允许人脑与外部接口直接交流的系统， 它通过识别不同思维下的脑电信号， 并将其转换为控制信号， 来实现意念控制。 传统的基于 EEG 信号频域特性进行特征提取的方法无法达到高分类正确率的要求 [1]。本文提出基于小波变换与样本熵的运动想象脑电信号特征 提取方法。分析了左右手运动想象 EEG 信号样本熵的动态变化规律及其神经电生理意义。最后利用 Fisher 线性判别式进行了左右手运动想象 脑电的分类，得到了较好的分类结果，平均最大分类正确率达到了 90.3%，证明了该方案具有很大的可行性和实用价值。 关键词：脑机接口 ; 运动想象 ; 小波变换 ; 样本熵 DOI:10.16640/ki.37-1222/t.2017.07.262
1 引言
脑 - 机接口（Brain-Computer Interface，BCI）是一种允许人脑与 外部接口直接交流的一种系统 [2]。BCI 通过实时测量与使用者意图相 关的大脑活动，并将这个活动转化为相应的控制信号，从而达到对设 备实时控制的目的 [3]。BCI 最终的目标是形成更加自然顺畅的人 - 机 交流方式，这对某些特殊环境中的外部设备操控人员（如坦克操控人 员、潜水员、宇航员等）来说，可以增加人员对专用设备的特殊控制 技能，同时还可以达到减少人员工作量，提高工作效率和控制精度等 效果。 基于左右手运动想象脑电的 BCI，其实现最为关键的环节是脑电 信号的特征提取。目前的特征提取方法主要有自回归（AR）模型 [4]、 功率谱估计 [5]、 小波变换 [6] 等。 AR 模型和功率谱估计属于频域分析法， 无法很好的表征 EEG 信号的时域信息；小波变换属于时频分析法， 虽然可以同时分析信号的时域和频域信息，但不能同时在时域和频域 有高的分辨率。因此，寻找更加有效的左右手运动想象脑电特征对于 改善 BCI 性能是非常有意义的。 本研究提出了将小波与样本熵结合进行 EEG 信号特征提取，首 先利用小波对 EEG 原始信号进行去噪，然后采用非线性动力学参数 “样本熵”作为脑电特征进行分类。样本熵的值反映所测时间序列中 出现新模式的概率，样本熵值与出现产生新模式的概率成正相关 [7]。 这正好能够用来衡量运动想象过程中大脑感觉运动皮层被激活时 EEG 信号的复杂性变化。实验中分析了用户进行左右手运动想象时 EEG 信号样本熵的动态变化规律及其神经电生理意义。最后利用 Fisher 线 性判别式进行了左右手运动想象脑电的分类， 得到了较好的分类结果， 证明了该方案具有很大的可行性和实用价值。