基于Mu_Beta节律想象运动脑电信号特征的提取

合集下载

基于运动想象的脑电信号特征提取研究

基于运动想象的脑电信号特征提取研究郭闽榕(福州大学数学与计算机科学学院，福建福州350000)摘要：基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景，被应用于运动障碍人士的辅助控制以及脑卒的预后康复$由于运动想象的脑电信号信噪比低、不平稳以及差异性显著，对脑电信号识别带来负面影响$—个有效的特征提取算法能够提高脑-机系统的脑电信号识别率$提出一种多通道的脑电信号特征提取方法，将数据矩阵分解为基矩阵与系数矩阵的乘积，以类间离散度做为性能判据对系数矩阵进行特征提取，提取可分性更高、维数更少的特征$结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证，证明所提方法是有效的$关键词：脑机接口；脑电信号；运动想象；特征提取；矩阵分解中图分类号：TP391.4文献标识码：I DOI:10.19358/j.issn.2096-5133.2021.01.011引用格式：郭闽榕.基于运动想象的脑电信号特征提取研究[J].信息技术与网络安全,2021,40(1):62-66.Feature extraction of EEG signals based on motor imageryGuo Minrong(College of Mathematics and Computer Science,Fuzhou University,Fuzhou350000,China)Abstract:The brain-computer interface(BCI)system based on motor imagery(MI)electroencephalogram(EEG)has a broad application prospect in the medical field,which can be applied to the auxiliary control of the disabled and the prognosis and rehabilitation of the brain.Because of the low SNR,instability and significant difference of EEG signal in motion imagination,it has a negative effect on EEG signal recognition.An effective feature extraction method can enhance the accuracy of EEG in BCI system.In this paper,a multi一channel feature extraction method for EEG signals is proposed. First of all,the data matrix is decomposed into the product of the basis matrix and the coefficient matrix.Then the coefficient matrix is extracted by using the inter-class dispersion as the performance criterion to extract the features with higher separability and less dimension.The experiment of BCI2008competition data set shows that the method is effective. Key words:brain-computer interface；electroencephalogram；motor imagery；feature extraction；matrix decomposition0引言脑-机接口[1](Brain-Computer Interface,BCI)系统是一种不需要任何外部肌肉活动的通信系统，能够将大脑活动产生的脑信号转化为对电子设备的指令。

脑电信号处理中的特征提取方法研究

脑电信号处理中的特征提取方法研究脑电信号处理是神经科学领域中的一项重要研究，它通过记录和分析头皮表面的脑电波形信号，为研究大脑功能和疾病提供了重要的数据来源。

然而，脑电信号存在信噪比低、干扰多等问题，因此对信号进行预处理和特征提取非常关键。

特征提取是脑电信号处理的一个重要环节，它通过对信号进行抽象和简化，提取其中的关键特征，为后续数据分析和应用提供基础。

当前，脑电信号处理中常用的特征提取方法包括时域特征提取、频域特征提取和时频域特征提取。

时域特征提取是指对信号的幅度、波形等进行分析，常用的特征包括平均值、方差、均方根、峰值等。

这些特征能够反映信号的基本特性，并广泛应用于脑电信号分类、事件相关电位分析等方面。

频域特征提取是指对信号的频谱分布进行分析，常用的特征包括功率谱密度、频谱峰值等。

这些特征能够反映信号在不同频率段内的能量分布情况，有利于分析不同频段对信号意义的影响。

频域特征提取应用广泛，如用于脑电信号振荡分析、脑电图的特征提取等。

时频域特征提取是指对信号的时域和频域进行联合分析，提取其中的时域和频域特征，常用的方法包括小波变换、时频分析等。

时频域特征提取能够反映信号在不同时间和频率上的变化规律，更加丰富的特征信息使其在诸如脑电信号复杂事件分类、睡眠分期识别等方面得到广泛应用。

除了上述传统的特征提取方法，近年来还涌现出了很多新方法，如深度学习、模式识别等，这些方法不仅能够提取更加复杂的特征，也能够应用于更加复杂的任务。

例如，深度学习通过构建深度神经网络，能够有效地提取脑电信号中的非线性特征，应用于自然语言、视觉识别等领域，已经在脑电信号处理中得到广泛应用。

为了更好地挖掘脑电信号中的特征，特征提取方法也在不断发展变化。

例如，近年来多学科的交叉探究，为特征提取提供了更加多样化的思路。

仿生学、图形学、机器视觉等方向的研究，可以为特征提取提供启示，从而创造出更加优秀的特征。

同时，随着智能化的发展，人工智能方法也将会在脑电信号特征提取方面产生更深入的影响。

基于运动想象脑电信号的特征提取与分类

超，等．基于压力控制的常分离式
双离合器膜片弹簧设计与仿真Ｉ－Ｊ］．装甲兵工程学院学
摘要：针对脑一机接口研究中运动想象脑电信
号的模式识别问题，利用Ｃ３，Ｃ４电极处采集的信
号，通过离散小波变化（ＤＷＴ）进行特征提取，使用
ｌｅｃｔｒｏｄｅａｎｄＣ４ｅｌｅｃｔｒｏｄｅ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓａｃｃｏｍｐｌｉｓｈｅｄｂｙｔｈｅｕｓｅｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｏｎｔｈｅｐｒｏｂｌｅｍｏｆｔｈｅｌｅｆｔａｎｄｒｉｇｈｔｈａｎｄｍｏｖｅｍｅｎｔｉｍａｇｉｎａｔｉｏｎ．ＫｅｙБайду номын сангаас ｗｏｒｄｓ：ｂｒａｉｎ —ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ；ｍｏｔｏｒ
ｉｍａｇｅｒｙ；ＥＲＤ／ＥＲＳ；ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；
ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ
脑一机接口（ＢＣＩ）是一种不依赖于正常的由外
围神经和肌肉组成的输出通道的通讯系统［１］。大脑在进行思维活动、产生动作意识之前和动作执行之后，或者受试者受到外界刺激的时候，其神经系统会产生一系列的生物电活动变化，ＢＣＩ系统将这些生物电信号采集出来作为动作即将发生的特征信号，

运动想象脑电信号特征的提取与分类

Ｋｅｙｗｏｒｄｓ：ＥＥＧ．ｍｏｖｅｍｅｎｔｉｍａｇｅｒｙ，ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ＳＶＭ
脑电的特征提取是以脑电原始信号作为源信号，确定信号中的各种参数，并以此参数组成代表该信号特征的特征向量 ” ］。人们一直在进行各种实验，如何从脑电信号中提取可靠准确的
ｓｉｇｎａｌＯ１－１ｄｉｆｅｒｅｎｔｓｃａｌｅｓ，ｔｈａｔｉｓｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎａｎｄｖｏｌａｔｉｌｉｔｙｉｎｄｅｘ．ＴｈｅｔｗｏｋｉｎｄｓｏｆｆｅａｔｕｒｅｆｏｒｍｅｄａｖｅｃｔｏｒａｎｄｔｈｅｎｍｏｖｅｔｏｔｈｅＳＶＭｔｏｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇ．Ｓｅｌｅｃｔｓｆｏｕｒｋｉｎｄｓｏｆｓａｍｐｌｉｎｇｆｒｅｑｕｅｎｃｙ．ｔｈｅｈｉｇｈｅｓｔａｃｃｕｒａｃｙｒａｔｅｒｅａｃｈｅｄ９８．３２％．
小波基函数是小波变换中用到的主要函数，可在有限时间段内的将信号表示为一系列小波函数的叠加，该函数可以是不规则、不对称的而且具有时间上的局部性。假定基本小波（小波基）函数（ｆ）（只）且在时间范围内积分为０嘲。将（ｔ）平移Ｔ并在不同尺

基于样本熵的运动想象脑电信号特征提取与分类方法

基于样本熵的运动想象脑电信号特征提取与分类方法作者：马满振来源：《山东工业技术》2017年第07期摘要：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.2017.07.2621 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。

文献名称和文献综述要求

1.刘乐. 钢琴演奏评价系统研究2005年5月清华大学工学信息与通信工程2.杨立东王晶谢湘. 匡镜明基于Tucker分解的音频分类研究. 第31卷第二期2015年2月（1.北京理工大学信息与电子学院，北京100081；2．内蒙古科技大学信息工程学院，内蒙古包头014010）3.姜洪臣王磊徐波. 面向音视频内容快速定位浏览的广播电视节目切分技术（中科院自动化所北京100190）4.高晗裴玉龙. 基于车辆噪音时域特征的交通量统计方法第25卷第4期2008年4 月( 哈尔滨工业大学交通科学与工程学院, 黑龙江哈尔滨150090)5.黄思娟，吴效明. 基于Mu/Beta 节律想象运动脑电信号特征的提取[J].中国组织工程研究与临床康复，2010，14(43):8061-8064.6.罗昕炜方世良.基于ＨＨＴ的宽带幅度非平稳调制信号的特征提取第27卷第6期2011年6月.（东南大学水声信号处理教育部重点实验室南京，210096）7.王永轩邱天爽刘蓉李春月马征.基于信号投影能量特征的脑电意识动态分类第28 卷第8期2012年8月.（大连理工大学电子信息与电气工程学部，大连116024）8.黄昊郭立李琳. 基于失真测度的直接扩频音频隐写分析第25卷第2期2008年3月. （中国科学技术大学电子科学与技术系电路与系统实验室，合肥230027）9.郑继明邢峰吴渝李婧. 基于小波变换和支持向量机的音频分类第20卷第2期2008年4月.（ 1.重庆邮电大学应用数学研究所，重庆400065 2.重庆邮电大学计算机科学与技术学院，重庆400065）10.芮瑞鲍长春. 噪声环境下的窄带音频信号快速分类方法2011，47（16）. (北京工业大学电子信息与控制工程学院语音与音频信号处理实验室，北京100124)11.李晨周明全. 音频检索技术研究第l8卷第8期2008年8月.(西北大学信息科学与技术学院，陕西西安710127 )12.魏静明李应. 基于纹理特征与随机森林的生态声音识别第32卷第3期2015年3月.（福州大学与计算机科学学院福州福建350108）13.魏国华郑继明. 基于局域判别基的音频信号特征提取方法第26卷第11期2009年11月. （重庆邮电大学计算机科学与技术学院重庆400065）14.俞金莲郭世杰. 基于支持向量机的多类音频分类第27卷第4期2010年4月. （上海航天技术研究院信号处理部上海201109）15.陈莎莎李应. 结合时-频纹理特征的随机森林分类器应用于鸟声识别第31卷第1期2014年1月. (福州大学数学与计算机科学学院福建福州350108)16.周跃海童峰洪青阳.采用DTW算法和语音增强的嵌入式盛文识别系统第51卷第2期.2012年3月（厦门大学信息科学与技术学院，福建，厦门361005）17.王孝国张小宁杨吉斌张雄伟.一种基于离散小波变换和支持向量机的人脸识别新方法第7卷第6期2006年12月.（解放军理工大学通信工程学院江苏南京210007）18.占勇程浩忠丁屹峰吕干云孙毅斌.基于S变换的电能质量扰动支持向量机分类识别第25卷第4期2005年2月. （上海交通大学电气工程系上海市黄浦区200080）19.汤维维基于MA TLAB的谱相减语音增强算法的设计与实现（武汉理工大学信息工程学院湖北武汉430070）20.李云峰欧宗瑛. 基于Gabor小波变换和支持向量机的人脸识别第32卷第19期2006年10月.（河南科技大学机电工程学院洛阳471003）21.陈华丰乔磊柳双林. 基于小波变换和支持向量机的电能质量扰动识别（西安交通大学电气工程学院成都610031）22.朱兴宇万洪杰基于麦克风阵列语音增强系统设计第30卷第3期2013年3月. （北京化工大学信息科学与技术学院）23.Gianluca Antonini, Vlad Popovici, and Jean-Philippe Thiran. Independent Component Analysis and Support VectorMachine for Face Feature Extraction (Signal Processing InstituteSwiss Federal Institute of Technology LausanneCH-1015 Lausanne, Switzerland)24.Anil Nagathil, Peter Gottel, and Rainer Martin. HIERARCHICAL AUDIO CLASSIFICATION USING CEPSTRAL MODULATION RATIOREGRESSIONS BASED ON LEGENDRE POL YNOMIALS (Institute of Communication Acoustics, Ruhr-Universit¨at Bochum, Bochum, Germany)25.Syed Zubair,Wenwu Wang. Audio Classification Based on Sparse Coefficients (Centre for Vision, Speech and Signal Processing , University of SurreyGuildford, GU2 7Xh, United Kingdom）26.Akira Maezawa, Katsutoshi Itoyama, Toru Takahashi, Tetsuya Ogata, Hiroshi G. Okuno. Bowed String Sequence Estimation of a Violin Based on Adaptive Audio SignalClassification and Context-Dependent Error Correction2009 11th IEEE International Symposium on Multimedia. ( Department of Intelligence Science and TechnologyKyoto University, Japan)27.Alain Biem, Member, IEEE, Shigeru Katagiri, Fellow, IEEE, Erik McDermott, and Biing-Hwang Juang, Fellow, IEEE. An Application of Discriminative Feature Extractionto Filter-Bank-Based Speech RecognitionIEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, VOL. 9, NO. 2, FEBRUARY 2001.28.余炜韩强马晶晶谢培. 基于EMD 和SVM 的脑电信号处理方法第37卷第6期2012年12月. （昆明理工大学信息工程与自动化学院，云南昆明650500）29.艾玲梅李营马苗. 基于EMD和PCA的P300分类算法第36卷第5期2010年3月. (陕西师范大学计算机科学学院，西安710062)30.张毅. 基于EMD和小波包的轴承故障特征提取第10卷第3期2012年6月. (长治学院电子信息与物理系，山西长治046011)。

基于小波分析的脑电信号特征提取

基于小波分析的脑电信号特征提取摘要：在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,该方法首先采用AR 模型功率谱估计法对想象左右手运动的C3,C4 通道信号进行频谱分析，确定事件相关同步/去同步（ERD/ERS）较明显的频率范围，并采用小波包对脑电信号进行分解，然后重构8～13Hz、18～23Hz 频段的事件相关同步/去同步（ERD/ERS ）信号，滤除其他频段信号。

最后分别求得想象左手、右手运动时C3、C4 通道相对应的能量，提取通道能量差作为分类器的特征输入值。

为脑机接口研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口。

关键词：脑机接口；运动想象；小波包分解；事件相关同步/去同步；频谱分析；子带能量EEG feature extraction method based onwavelet packet energyAbstract:In the study of brain-computer interface (BCI), a novel method of extracting motor imagery electroencephalography (EEG) features based on the wavelet packet transform and is proposed. First the EEG signals sampled from the C3and C4positions of the brain are decomposed to two levels , and the features of the wavelet are computed. Then, the fifth-order AR coefficients of the EEG signals are estimated by the Burg s algorithm. Finally, by combining the two kinds of features, the combination features are used as the input vectors for classifier.The experimental results show that the eigenvector extracted by theThis method provides a new idea for the EEG pattern recognition in BCI research. In addition, this method has a high recognition rate and low complexity. It is suitable for the application in online BCI systems.Key words: brain-computer interface (BCI); motor imagery; wavelet packet transform; event-related desynchronization (ERD) / synchronization (ERS);spectral analysis;band energy1.引言人在接受外界刺激或主动思维中,能够产生特定模式的脑信号。

基于小波变换的运动想象脑电信号分类

３小波变换
小波包变换采用ＭａＵａｔ＇］￣速分解算法，在满足测不准原理的前提下，可对运动脑电信号按任意的时频分辨率分解到不同的频段，并将运动脑电信号的时频信息相应地投影到所有代表不同频段的小波包空间上。小波包空间的完整性和正交Ｉ生使得运动想象脑电信号经过小波包变换之后，僦量完整无缺，所有成分均得到保留，这为分析运动想象脑电信号的特征提供了很好的条件。小波包在对运动想象脑电信号分解时，分解的层数以对信号有用成分的提取及采
２实验数据
实验数据采用ＢＣＩ２００３竞赛数据ＤａｔａｓｅｔⅢ，由奥地￣ｔＪＧｒａｚ科技大学提供。实验是由一个带有反馈的在线的ＢＣＩ系统组成，受试者为一位健康状况良好的２５岁女志愿者，所执行的意识任务为根据屏幕箭头的指示方向来想象左右手运动，每次实验持续９ｓ，前妫受试者平静时间，第２ｓ时，屏幕出现一个固定不动十字架提示符，持续１ｓ，第３ｓ开始，受试者根据屏幕出现箭头的方向相应地做想象左手或右手运动，每次实验采集ｃ３、Ｃｚ、Ｃ４三个通道的脑电信号，采样频率为１２８Ｈｚ，每次实验每个通道包含１１５２个数据。总共做２８０次实验，训，的差值再与Ｅ，的比值作为特征值。练组和测试组各１４０次，其中训练组已知每次实验想象运动的类别，脑电信号的能量分别与Ｅ这样训练组和测试组的数据集均为１１５２Ｘ３Ｘ１４０。５分类与讨论
１引言样频率为原则。由于脑电信号本身十分复杂、低信噪比的特点，要从微弱的脑４特征提取电信号中有效区分各种意识活动成分是脑— 机接Ｉ：１系统中一个重大想象左右手运动时，Ｍｕ／Ｂｅｔａ节律的ＥＲＤ／ＥＲｓ现象比较明课 “ 。常用的特征提取的方法有功率谱法、时频分析法、小波变换

基于运动想象的脑电特征提取及特征迁移方法研究

摘要运动想象脑-机接口技术不依赖人的外周神经和肌肉组织，直接实现人脑对外部设备的控制，它可以帮助有运动障碍的患者，更好地与外界进行信息交流，在军事、航天、医疗和虚拟现实等领域有巨大的应用价值。

脑电信号具有非平稳性，而传统运动想象技术在应用前需要标注大量的训练样本，并采用多通道采集的方式，这大大限制了其应用范围。

本文在传统脑电信号处理方法的基础上，将迁移学习的思想应用于运动想象的分类，减少训练样本和测试样本的分布差异，以提高分类准确率。

此外，针对运动想象技术对运算实时性要求高的问题，研究通道选择优化方法，在保证分类正确率损失有限的条件下，减少分析脑电信号的通道数量，以提高运动想象脑-机接口技术的实时性。

本文具体研究工作如下。

基于运动想象生理基础，研究运动想象脑电信号预处理方法。

利用AR模型对运动想象脑电信号频谱分析，得出信号有效的频带范围8-30Hz，为滤波器通带频率的选择提供分析依据；并分析公共平均参考法（CAR）空间滤波增加不同思维脑电信号空间分布差异的优势，为获得高信噪比的脑电信号奠定基础。

研究基于小波包变换的特征提取方法，选择小波包分解后特定子节点的小波系数，并提取能量特征，利用支持向量机，识别两种类型的运动想象任务，得出平均分类正确率为79.4%。

在此基础上，研究通道选择的优化方法，基于Relief-F 算法计算通道权重，在对分类效果影响有限的条件下，减少分析脑电信号的通道数量，有助于减少计算量，提高运动想象脑-机接口实时性。

研究基于最小化MMD的迁移学习算法，并将算法应用于运动想象的分类。

结果表明，该方法有助于提高实验者一段时间内运动想象的分类正确率，且能够使一个实验者训练的分类模型更加适用于另一个实验者的测试。

证明了迁移学习算法比传统的分类方法有更好的适应性。

结合以上研究，设计基于运动想象迁移学习实验。

针对真实的脑电信号含有的伪迹问题，研究小波分析眼电伪迹滤除的方法，并探讨迁移学习在线实现方案。

基于Mu_Beta节律想象运动脑电信号特征的提取

中国组织工程研究与临床康复第 14 卷第 43 期 2010–10–22 出版October 22, 2010 Vol.14, No.43Journal of Clinical Rehabilitative Tissue Engineering Research基于Mu/Beta节律想象运动脑电信号特征的提取*★黄思娟，吴效明Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythmHuang Si-juan, Wu Xiao-mingAbstractBACKGROUND: Different sports produce different electroencephalogram (EEG) signals. Brain-computer interface (BCI) utilized characteristics of EEG to communicate brain and external device by modern signal processing technique and external connections. The speed of EEG signals processing is important for BCI online research. OBJECTIVE: To investigate a rapid and accurate method for extracting and classifying EEG for imagery movement. METHODS: Using the attribute of event-related synchronization and event-related desynchronization during imagery movement, the BCI dataset of 2003 was processed. Mu/Beta rhythm was obtained from bandpass filtering and wavelet package analysis. Then feature was formed by the average energy of lead C3, C4, and was sorted out by the function classify of matlab. RESULTS AND CONCLUSION: Appropriate parameters were obtained by detection of training data and used for identification of training data and testing data, with a correct rate of classification of 87.857% and 88.571%. Huang SJ, Wu XM. Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2010;14(43): 8061-8064. [ ]School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China Huang Si-juan★, Studying for master’s degree, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China huangsijuan123@ Correspondence to: Wu Xiao-ming, Doctoral supervisor, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China bmxmwus@scut. Supported by: the Science and Technology Development Program of Guangdong Province, No. 2009B030801004* Received: 2010-05-17 Accepted: 2010-07-13摘要背景：不同的运动会产生不同的脑电信号，脑机接口技术就是利用脑电信号的特异性，通过现代信号处理技术和外部的连接实现人脑与外部设备的通信。

脑电信号的特征提取与分析

脑电信号的特征提取与分析随着神经科学和人工智能技术的飞速发展，人们越来越关注脑电信号的特征提取与分析。

这是因为脑电信号所包含的信息对于认知、运动、情绪、睡眠等方面的研究具有重要意义，同时也对于神经疾病的诊断和治疗有着重要的作用。

脑电信号是指通过头皮传递的来自大脑的电信号。

这些信号涵盖了大量的生理和心理信息，但也受到了其他源的干扰。

因此，对脑电信号的特征提取和分析变得至关重要。

脑电信号的特征提取是指从原始的信号中提取出具有生理或心理意义的特征。

这些特征可以是单个波形的振幅、频率、相位、时域分布等，也可以是多个波形之间的同步性、相互交互等。

在脑电信号中，一些常用的特征提取方法包括小波变换、独立成分分析、时频分析、相干性分析等。

小波变换是指将原始信号分解成不同尺度的波形，并进行频率域与时间域上的分析。

这种方法可以提高信号的信噪比，同时也有助于波形的聚类与分类。

独立成分分析则是用于分离混合信号中各个信号源的一种方法。

由于在混合信号中，各个信号源的独立性不好，因此独立成分分析可以最大程度上地分离出信号源。

时频分析则是可以同时获得时间分辨率和频率分辨率的一种方法。

相干性分析则是衡量不同脑区域之间相互协调程度的一种方法，从而可以反映神经网络的形成和功能。

除了特征提取之外，脑电信号的分析也需要考虑信号的分类、预测和数据挖掘。

在分类方面，常见的方法有线性判别分析、支持向量机、随机森林等。

这些方法可以将提取出来的特征和不同类型的信号之间建立映射关系，从而实现信号类型的分类。

在预测方面，常用的方法包括时间序列分析、神经网络模型等。

这些方法可以预测未来一段时间内的信号变化趋势，从而有助于对信号进行预测和分析。

在数据挖掘方面，可以运用聚类、关联规则挖掘等方法，从大量的信号数据中挖掘出有用的信息和关联规律。

总之，脑电信号的特征提取和分析是神经科学和人工智能领域的重要研究方向，这也给医学、生物学、心理学等相关领域带来了前所未有的机遇和挑战。

关于脑电信号提取的文献综述

脑电信号特征提取及分类文献综述胡雪寅 3080104819一、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（Brain -computer interface，BCI）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、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FFT、相关性分析、AR参数估计、CSP、Butterworth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 EEG 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树、局部BP 算法、贝叶斯分类器、MLP、支持向量机（SVM）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Mu、Beta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AR模型功率谱估计法所得的功率谱密度作为能量特征值。

左右手运动想象脑电信号的特征分析1

左右手运动想象脑电信号的特征分析1作者：于毅赵云李振新董兵超来源：《数字技术与应用》2014年第09期摘要：针对运动想象的两种思维任务的脑电信号，本文提出了一种基于能量的特征提取方法。

该方法利用想象运动中，脑电信号Mu/Beta节律事件相关同步化/去同步化特性，采用BCI2003竞赛数据，对C3/C4通道脑电信号进行时域分析，分析得到特征较为明显的脑电信号时间段。

关键词：脑-机接口 ;特征提取 ;Mu/Beta节律 ;能量中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2014）09-0195-011 引言脑-机接口（Brain-computer Interface ;BCI）是基于把脑电信号（EEG）转化为相应的用户命令，从而建立一种直接在人脑与外部设备之间通信和控制路径的系统[1～2]。

该技术可以为那些思维正常但有运动障碍的人（如严重神经或肌肉伤残患者）提供一种有效与外界交流及控制的全新途径，使患者恢复部分运动能力;同时也可以增加正常人的某些功能，来提高生活质量。

脑-机接口在康复医疗行业蕴藏巨大的应用价值，已引起诸多科研工作者的极大兴趣。

脑电信号的特征提取和分类是脑-机接口中的关键技术之一。

在脑-机接口发展史中，有一个革命性的突破就是把脑-机接口中的学习任务从人转移到计算机，这样就可以通过在计算机中编写相应的有效算法，就可以实现脑-机接口系统对脑电信号的特征分析和分类识别，从而达到人脑与外部设备的通信交流和控制的目的。

尽管机器学习技术已经非常成功地应用到脑-机接口系统中，可是，由于脑电信号本身十分复杂、低信噪比的特点，要从微弱的脑电信号中有效区分各种意识活动成分是脑-机接口系统中一个重大课题[3]。

2 实验数据实验数据采用BCI 2003 竞赛数据Data set Ⅲ，由奥地利Graz科技大学提供。

实验是由一个带有反馈的在线的BCI系统组成，受试者为一位健康状况良好的25岁女志愿者，所执行的意识任务为根据屏幕箭头的指示方向来想象左右手运动，实验数据采集图如图1所示，每次实验持续9s，前2s为受试者平静时间，第2s时，屏幕出现一个固定不动十字架提示符，持续1s，第3s开始，受试者根据屏幕出现箭头的方向相应地做想象左手或右手运动，每次实验采集C3、Cz、C4三个通道的脑电信号，采样频率为128Hz，每次实验每个通道包含1152个数据。

脑电信号的特征提取及其在认知神经科学中的应用

脑电信号的特征提取及其在认知神经科学中的应用人类的大脑是一个如同宇宙一般浩瀚的神秘世界，其中充满了我们尚未完全了解的奇妙机制与规律。

随着科技的发展，各种研究手段得以不断完善，意识流、记忆、思维、语言、情感等等种种人类认知的现象与过程逐渐被揭示。

其中，脑电信号的特征提取技术在现代认知神经科学中扮演着重要角色。

一、脑电信号的产生与特点脑电信号是人类在静息或具体任务下头部表面采集到的生物电信号。

脑电信号的产生源于神经元之间的电化学信号传递过程，而神经元之间的连接形成了庞大而复杂的神经网络，这个网络是人类认知活动的核心。

脑电信号是一种周期性的生物电信号，具有高采样率、高时域分辨率、低频段和非稳态的特点，通常使用恒定时间间隔离散采样。

每个脑电信号都可以表示为一系列基于时间的振幅变化，也可以通过傅里叶变换将其转换为频域表示。

二、脑电信号的特征提取技术脑电信号的特征提取是一项旨在寻找脑电信号信息及其组成的目标的过程。

特征提取技术通常用于分析脑电信号数据的各个方面，如时域、频域、空间和时间-频率域。

不同的特征提取技术与应用领域之间存在广泛的交叉。

下面简单介绍一下脑电信号常见的特征提取技术。

1.时域特征提取时域特征提取是指将脑电信号时域上的参数提取出来。

例如，平均脑电波（Averaged EEG Waveforms）可以通过将来自不同电极的EEG波形叠加而得到。

而具体分析某种认知任务诱发的ERP，如P300波就属于其中之一。

2.频域特征提取频域特征提取是在经过傅里叶变换之后提取信号中的频率信息。

例如，使用谱分析可以提取出EEG信号在不同频段(如alpha波、beta波）的能量分布情况。

另外，在分析EEG数据时，给定某个频带(如theta频带、alpha频带），还可以计算EEG频率特征的相对频率和幅度。

3.时间-频率特征提取时间-频率特征提取是在域频率上同时分析EEG信号的过程，典型的时间-频率分析方法有连续小波变换（CWT）和小波包变换（WPT）。

多类运动想象脑电信号的两级特征提取方法

第42卷第12期自动化学报Vol.42,No.12 2016年12月ACTA AUTOMATICA SINICA December,2016多类运动想象脑电信号的两级特征提取方法孟明1朱俊青1佘青山1马玉良1罗志增1摘要共同空间模式(Common spatial pattern,CSP)是运动想象脑机接口(Brain-computer interface,BCI)中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器(Stacked denoising autoencoders,SDA),提出了一种多类运动想象脑电信号(Electroencephalogram,EEG)的两级特征提取方法.首先利用一对多CSP(One versus rest CSP,OVR-CSP)将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.关键词脑机接口,特征提取,共同空间模式,堆叠降噪自动编码器引用格式孟明,朱俊青,佘青山,马玉良,罗志增.多类运动想象脑电信号的两级特征提取方法.自动化学报,2016,42(12): 1915−1922DOI10.16383/j.aas.2016.c160122Two-level Feature Extraction Method for Multi-class Motor Imagery EEG MENG Ming1ZHU Jun-Qing1SHE Qing-Shan1MA Yu-Liang1LUO Zhi-Zeng1Abstract Common spatial pattern(CSP)is a popular method of feature extraction for motor imagery based brain-computer interface(BCI).However,the classiﬁcation accuracy of multi-class tasks is obviously lower than that of two-class tasks with CSP.By employing the stacked denoising autoencoders(SDA),a two-level feature extraction method for multi-class motor imagery electroencephalogram(EEG)is proposed.Firstly,one versus rest CSP(OVR-CSP)is adopted to convert EEG into low dimensional space in which the discrimination of signal variances is maximized.Then, SDA network is used to extract the higher level abstract features which can characterize the category attributes more eﬀectively.Finally,the motor imagery tasks are classiﬁed with Softmax classiﬁer.In the classiﬁcation experiment with four-class motor imagery tasks from Data-sets2a of the BCI competition IV,this method achieves the average Kappa value of0.69.The results show that the proposed method is eﬀective and robust.Key words Brain-computer interface(BCI),feature extraction,common spatial pattern(CSP),stacked denoising au-toencoders(SDA)Citation Meng Ming,Zhu Jun-Qing,She Qing-Shan,Ma Yu-Liang,Luo Zhi-Zeng.Two-level feature extraction method for multi-class motor imagery EEG.Acta Automatica Sinica,2016,42(12):1915−1922通过大脑神经活动来控制一些外部辅助设备(轮椅、服务机器人等),是使脊髓损伤、肌萎缩脊髓侧索硬化、脑瘫等严重神经肌肉障碍患者在一定程度上恢复其交流和运动能力的有效途径[1].脑机接口(Brain-computer interface,BCI)正是这样一种不依赖人体神经和肌肉组织的正常传输通路,而直接进行人脑与外界之间信息交流的新通道.人收稿日期2016-02-03录用日期2016-06-14Manuscript received February3,2016;accepted June14,2016国家自然科学基金(61671197,61372023),浙江省自然科学基金(LY 14F030023,LY15F010009)资助Supported by National Natural Science Foundation of China (61671197,61372023)and Natural Science Foundation of Zhe-jiang Province(LY14F030023,LY15F010009)本文责任编委程龙Recommended by Associate Editor CHENG Long1.杭州电子科技大学自动化学院智能控制与机器人研究所杭州3100 181.Institute of Intelligent Control and Robotics,School of Au-tomation,Hangzhou Dianzi University,Hangzhou310018在进行不同肢体运动或想象时,在大脑皮层运动感知区会产生特定的自发性的脑电信号(Electroen-cephalogram,EEG)[2].运动想象型BCI通过捕捉和识别不同运动想象任务时的EEG,来实现大脑和外界的信息交换和控制.如何从高度复杂的运动想象EEG中提取出能有效识别运动任务的特征,对于BCI系统的性能至关重要.目前,共同空间模式(Common spatial pattern,CSP)及其改进方法是运动想象EEG分析中最有效的特征提取方法[3].CSP是一种针对两类运动想象EEG的处理算法,通过同时对角化两个协方差矩阵构建最优滤波器来进行特征提取,在两类运动想象任务问题上得到很高的分类准确率.李明爱等[4]运用CSP对BCI 竞赛II Data-sets III的两类运动想象脑电数据得到的最优正确率高达100%和98.57%;Zhang等[5]利用最优空间谱滤波器网络对CSP进行优化,在BCI竞赛IV Data-sets I数据集上得到最好的正确1916自动化学报42卷率达到96%.因此,许多研究者尝试将CSP推广到多类运动想象EEG分类问题上,提出基于CSP 的改进算法,如一对多CSP(One versus rest CSP, OVR-CSP)[6]、一对一CSP(One versus one CSP, OVO-CSP)[7]等.但是,这些方法在多类运动想象任务识别问题上获得的正确率却远低于两类问题.这在一定程度上是由于对多类运动想象EEG来说,尽管CSP方法寻找使各类任务之间差别最大的空间滤波器进行投影,但得到的多类特征空间分布复杂,区分度较低,给后续的分类带来困难.除了对CSP中的滤波器进行改进和优化以外[8−9],从CSP 特征中进一步提取任务区分度高的特征也是提高识别正确率的可行方向,最近兴起的深度学习理论正是能够实现这一目的的有效方法.堆叠降噪自动编码器(Stacked denoising auto-encoders,SDA)是一种典型的深度学习网络模型,它模仿人类大脑机制来解释数据,通过组合低层特征形成更加抽象的高层次的特征表达,是一种自动提取表示属性类别的高层样本特征的方法[10].但是SDA是以半监督方式自动学习数据的特征,如果原始数据过于复杂或者信噪比较低(例如脑电信号、自然图像、语音信息等),SDA直接学习到的可能并不是与类别属性紧密相关的特征,反而最终导致分类效果并不理想[11−13].而经过CSP特征提取后, EEG的类别区分性得到提高,消除了部分干扰信息,为SDA提取更抽象的类别属性提供了条件.为充分提取原始EEG数据中的有效特征,获得更好的分类效果,本文结合OVR-CSP和SDA方法各自的优势,对于每个运动想象任务EEG,先使用OVR-CSP进行变换,再将变换后的信号作为SDA的输入信号进行高层次特征提取,构成一个两级的多类运动想象EEG特征提取方法,并利用BCI竞赛IV 中Data-sets2a的数据进行了分类实验验证.1一对多共同空间模式CSP是一种两类空间滤波器,通过同时对角化两个协方差矩阵,使得不同模式之间的EEG信号方差能够最大化的区分开来.针对多类运动想象任务的需要,OVR-CSP是将CSP扩展到多类别分类的一种常用方法[7].它把其中一类模式当成一类,而余下的所有模式当成另外的一类,从而形成一个两类的CSP,这样依次对每一类模式计算对应的CSP.对于C类运动想象任务的特征提取,OVR-CSP最后形成C个两类CSP滤波器.记每个运动想象任务样本的EEG分别为N×T维的矩阵X i, i=1,···,C,其中N为通道数,T表示每个通道的采样点数,则每一类想象任务信号的归一化协方差矩阵为R i=X i X Titr(X i X Ti),i=1,···,C(1)式中,X T i是X i的转置，tr(·)为矩阵的迹.对这些协方差矩阵求和可以得到合成空间协方差矩阵R=ci=1R i,R可分解为R=U0∧U T(2)式中,U0和∧分别为特征矢量矩阵和特征值对角阵.对U0和∧进行白化变换使方差均匀化,得到白化矩阵H=∧−1/2U T0.然后采用经典CSP算法，计算各个想象任务模式的空间滤波器.对于模式1为一类，其余C−1个模式为另一类的情况,记R 1=R2+···+R C,令S1=H1R1H T1,S1=H1R1H T1,其中H1是白化矩阵.可以证明,如果S1可以被分解为S1=U1∧1U T1,则S1可以被分解为S 1=U1∧ 1U T1,且有∧1+∧ 1= I[3].综合以上各式,可得(H T1U1)T R1(H T1U1)+(H T1U1)T R1(H T1U1)=I(3)从式(3)可以看出,变换后原协方差矩阵的特征值满足和等于1,即在第1类信号的方差值最大的情况下其余所有模式信号的方差值最小.因此,可以选择U1中前m个最大的特征值所对应的特征向量U T1,m来设计第1类模式的空间滤波器,此类模式下的投影方向可以表示为P1=U T1,mH1(4)同样可以得到其余各类想象任务模式下的投影方向P i=U T1,m H i,i=2,···,C.将样本X向第j 类模式下的投影方向进行投影,可以得到滤波信号Z j=P j X∈R m×T.X在各个投影方向得到的滤波信号可以组合构成新的信号Z=[Z1,···,Z C]∈R M×T,其中M=C×m,即新信号具有M个分量.最后,分别对Z中每个分量的方差进行规范化和取对数计算f p=logvar(z p)Mq=1var(z q),p=1,···,M(5)其中,var(z p)表示Z中第p行分量的方差,得到向量F=[f1,···,f M]作为样本的特征.2堆叠降噪自动编码器2.1自动编码器自动编码器(Autoencoders,AE)是根据人工神经网络层次结构建立起来的特征表达网络,是深12期孟明等:多类运动想象脑电信号的两级特征提取方法1917度学习的一个经典模型[14].对于一个AE 网络,如果使输出结果等于输入,那么可以通过训练使得网络对输入进行重构,从而得到每一隐含层的权重.自然地,我们就得到了输入的集中表达,因为学习过程中没有使用样本标签,所以是属于无监督的方法.AE 由输入层、隐含层和输出层组成,网络结构如图1所示.图1自动编码器结构Fig.1The autoencoder architectureAE 的工作分为编码和解码两个过程,其中编码过程是输入x 到隐含层h 的映射,表示为h =f θ(x )=S f(Wx+b)(6)其中,Sf 是非线性激活函数,常用Sigmoid 函数,即S f (x )=1/(1+exp(−x )),参数集合记为θ={W,b }.解码过程是函数将隐含层数据h 映射回重构y ,表示为y =g θ (h )=S g (W h +b )(7)其中,S g 是采用Sigmoid 函数的非线性激活函数,参数集合记为θ ={W ,b }.在两个参数集θ和θ 中,给权值矩阵W 和W增加限制,使其满足W =W T .然后利用训练样本数据,通过最小化网络的重构误差L (x,y )= x −y 2,来找最优参数θ∗,θ ∗=arg min θ,θL (x,g θ (f θ(x )))(8)2.2降噪自动编码器DAE 是AE 模型的一种变形,对AE 的输入数据x 添加一定比例的噪声,将污染了的数据˜x 作为编码器的输入进行训练,调节参数使其能重新构造出被修复的输入数据[15].DAE 的噪声添加与重构过程如图2所示,首先利用随机函数按一定的概率p ,随机地选择输入数据x 的一些单元置0，余下的数据单元保持不变.再对添加了噪声的数据˜x ,根据式(6)∼(8),训练网络使其能最大化地重构原始数据x .图2降噪自动编码器加噪重构过程Fig.2The procedure of corrupting andreconstruction of DAE由于DAE 网络要消除这些添加了噪声的数据所受到的污染,重构出没有被污染的原始数据,这就使得网络可以学习到对输入的鲁棒表达方式,也说明DAE 相比于一般的AE 网络其泛化能力更强.2.3堆叠降噪自动编码器把若干个DAE 网络堆叠在一起,就可以形成具有深度网络结构的SDA [10,16]，如图3所示.SDA 的每一层都将前一层的输出作为干净的输入数据,添加噪声后作为被污染的数据进行训练,从而使得每一层都是对输入的一种特征表达.图3堆叠降噪自动编码器结构Fig.3The SDA architecture1918自动化学报42卷SDA是一个特征提取器,通过训练网络得到原始输入的不同表达,使高维数据压缩成低维的数据表达,达到特征提取的目的.3基于OVR-CSP 和SDA 的两级特征提取方法结合OVR-CSP 和SDA 方法各自在特征提取上的特点,本文提出一种多类运动想象EEG 两级特征提取方法:1)将预处理后的数据通过CSP 进行变换和特征提取;2)将得到的特征子集作为SDA 网络的输入进行第2级的特征提取.由于SDA 不具有分类能力,所以在SDA 网络特征提取后,选取Softmax 分类器对运动想象任务进行分类.多类运动想象任务的EEG 特征提取和分类的步骤如下:步骤1.由于运动想象时的脑电特征主要体现在α节律与β节律,所以选用8∼30Hz 的Butter-worth 带通滤波器对EEG 进行预处理.步骤2.对滤波后的训练数据集,利用OVR-CSP 进行第1级特征提取.首先对C 类运动想象任务构建C 个空间滤波器,每个滤波器的投影方向可以由式(4)求得,然后将训练样本向这C 个投影模式方向上投影并按式(5)计算特征,从而得到降维的第1级特征向量F .步骤3.将训练数据集的第1级特征作为SDA 网络的输入,运用Hinton 等[17]提出的贪婪逐层训练算法训练网络,即把前一层的输出添加噪声之后作为后一层的输入逐层训练n 层网络,计算网络的参数集合θ={W,b }.步骤4.在第n 层网络上添加Softmax 分类器,作为网络的第n +1层,对整个网络通过有监督学习的方式进行微调.微调过程中运用反向传播算法,将误差从最后一层开始逐层向前进行传递,最小化误差并更新网络的参数集合.步骤5.利用训练好的网络对测试数据进行分类.按步骤2提取测试数据集的第1级特征,然后输入到步骤4中得到的SDA 网络中,对其进行二次特征提取并得出分类结果.4实验及结果分析4.1实验数据描述本文采用的实验数据来自2008年国际BCI 竞赛IV 中的Data-sets 2a 数据集[18],由奥地利格拉茨科技大学提供,包含9名受试者(编号A01∼A09)的左手、右手、舌头和足部动作这四类运动想象任务.数据采集的实验范式如图4所示,在开始后的前2s 中,受试者放松并舒适地坐在屏幕前方,屏幕显示“＋”符号;在2s 结束时屏幕开始提供对应表示四种任务的上下左右方向箭头,受试者需要根据出现的箭头方向做相应的运动想象任务,任务想象的时间为4s,即一直持续到第6s;接下来是一段时间的休息,受试者放松为下一组实验做准备.每个受试者的实验采集在两天内完成,每天采集6组,每组为48次运动想象数据,所有数据被分为288个训练样本和288个测试样本.图4实验范式时序图[18]Fig.4Timing scheme of the paradigm [18]实验共采集了25个通道的信号,其中22个通道为EEG,另外3个通道为眼电信号,均为以左乳突为参考、右乳突为地的单极信号.信号的采样频率为250Hz,并使用0.05∼100Hz 带通滤波器和50Hz 工频陷波器进行滤波.竞赛使用Kappa 系数作为衡量分类准确率的标准,Kappa 系数的计算方法为Kappa =D −1C 1−1C(9)其中,D 为分类正确率,C 为类别数目.4.2参数选取在两级特征提取中,需要确定第1级CSP 特征提取时每类模式所选取的特征向量数目m ,第2级高层特征提取时SDA 网络结构和加噪水平等参数,这些参数将直接影响特征提取的精度,并影响最终的分类正确率.本文采用训练样本数据10倍交叉验证的方法来选取这些参数.每位受试者数据的分类正确率及全部受试者数据的分类正确率总体均值随m 变化的实验结果如图5所示.从图5可以看出,随着m 值从2增大到20,各受试者数据的分类正确率都是按先逐渐增大,达到最大值后开始降低的趋势变化.这个结果与文献[19−20]中所述选取过多的特征值并不能提高分类正确率的论述相吻合.虽然各受试者数据的分类正确率有较大区别,但是正确率最大时所对应的m 值都在4∼10之间.对于全部受试者数据的分类正确率总体均值,m =6时,平均正确率最高,考虑到算法对不同受试者的适应性,本文选取最优特征向12期孟明等:多类运动想象脑电信号的两级特征提取方法1919量数m=6来对全部受试者数据构建空间滤波器进行CSP特征提取.图5取不同m值时的分类准确率Fig.5Classiﬁcation accuracies with various value of m分别选取不同隐含层层数和隐含层单元数进行实验,为方便不同层数的比较,每个隐含层的单元数都取为24,平均Kappa值随层数变化的结果如表1所示.可以看出,在隐藏层为4层情况下对所有受试者的平均Kappa系数值是最优的.随着层数的增加,网络会变得的更加复杂,分类性能反而有明显下降.确定隐含层数为4层进行隐含层单元数的比较,考虑降低特征维数和避免过拟合,除了各隐含层设置相同单元数外,还选取了各层隐含层单元数不同的网络结构进行实验.三种典型组合结构下的平均Kappa系数如表2所示,与隐含层层数相比,不同隐含层单元数的组合对平均Kappa系数影响不明显.所以,选取网络层数n=4,隐含层单元数为24-20-16-8,数据加噪水平p=0.1,进行SDA特征提取.表1平均Kappa系数随隐含层层数的变化Table1Mean Kappa coeﬃcient variation with thenumber of hidden layers层数2468Kappa0.610.680.620.59表2平均Kappa系数随隐含层单元数组合的变化Table2Mean Kappa coeﬃcient variation with thecombination of the number of units in the hidden layer组合24-24-24-2424-20-16-824-28-32-40Kappa0.6800.6910.6894.3结果分析应用基于OVR-CSP和SDA的两级特征提取方法在Data-sets2a数据集上进行了四类运动想象任务分类测试实验,表3给出了各受试者数据的分类结果,包括BCI竞赛IV中在Data-sets2a数据集上成绩前三名的分类结果[21],以及采用OVO-CSP/KNN方法的文献[22]在同一数据集上的分类结果.从表3可以看出,本文方法得到的全部受试者总体平均Kappa系数为0.69,高出竞赛成绩第1名0.12,相比结果稍优的文献[22]方法也有明显提高.其中竞赛第1名采用OVR方式将改进的滤波器组CSP扩展到多类,使用的分类器为朴素贝叶斯Parzen窗分类器[9,21].竞赛第2名采用OVO-CSP提取特征后再用LDA方法进一步降维,使用贝叶斯分类器进行分类[7,21].竞赛第3名采用CSP进行特征提取,利用SVM作为分类器构建了三组两层二叉树多类分类器进行分类[21].从这五种方法结果的比较来看,OVO-CSP和OVR-CSP这两种多类推广方式的结果比较接近,但相比于分层二叉树的方式表3本文方法与BCI竞赛前三名以及其他文献方法的Kappa系数比较Table3Comparison of Kappa coeﬃcient obtained from proposed method,ﬁrst three teams ofthe competition and other reference method受试者A01A02A03A04A05A06A07A08A09总体均值第1名0.680.420.750.480.400.270.770.750.610.57±0.183第2名0.690.340.710.440.160.210.660.730.690.52±0.230第3名0.380.180.480.330.070.140.290.490.440.31±0.153文献[22]0.730.460.760.480.210.330.760.750.810.59±0.221本文0.820.490.680.650.540.510.860.810.810.69±0.104±0.084±0.109±0.126±0.118±0.134±0.105±0.089±0.096±0.1461920自动化学报42卷有一定的优势.由于本文方法是在OVR-CSP基础上又进行了一级的SDA 特征提取,分类性能比只采用CSP特征的方法有明显提高,总体Kappa系数均值提高约20%,在单个受试者上本文方法也表现出明显优势,仅在A03受试者数据上得到的Kappa系数比其他方法略低一些.从表3中Kappa系数总体均值的标准差来看,本文方法得到的标准差为0.146,在五种方法中最小,虽然第3名的标准差为0.153,仅略高一点,但这是在较低的平均Kappa系数情况下得到的.说明本文方法对各个受试者数据的分类结果都比较稳定,在达到较高的分类正确率的同时还具有较佳的鲁棒性.尽管文献[18]指出基于竞赛数据的分类性能比较,会有随机波动因素的影响,不能充分表明一个算法的性能优劣.但表3中的综合比较结果仍在很大程度上表明本文方法在多类运动想象EEG的特征提取上具有很好的性能.为进一步分析两级特征提取方法的优势,本文对组合使用OVR-CSP与SDA的两级特征提取方法与分别单独使用OVR-CSP和SDA特征提取方法的分类性能进行了比较.实验中,从数据集的288个训练样本中随机选取192个作为训练集,训练SDA和分类器.分类测试使用两个测试集,其一由余下的96个训练样本构成,测试结果如图6(a)所示;其二由从数据集的288个测试样本中随机选取的96个构成,测试结果如图6(b)所示.从图6(a)和图6(b)可以看出,单独使用SDA方法的结果明显低于另外两个方法,平均正确率略高于0.25,接近随机分类的水平,说明SDA对于EEG的特征提取受到其复杂性的影响比较大,难以(a)训练样本测试集(a)Evaluation data set comprised of training samples(b)测试样本测试集(b)Evaluation data set comprised of test samples图6三种方法的分类性能比较Fig.6Comparison of classiﬁcation performance ofthree methods从中学习到与类别属性相关的特征.当测试集为训练样本时,OVR-CSP和SDA的两级方法在所有受试者数据上的分类结果上都比单独OVR-CSP方法要好,这种优势尤其表现在受试者A02、A04和A06上.而当测试集来自测试样本时,两种方法的正确率都有所降低,但两级方法仍要优于单独OVR-CSP方法,只有受试者A03的正确率较OVR-CSP略低.综上所述,两级特征提取方法明显优于单一的OVR-CSP以及SDA特征提取,第1级的CSP特征提取能够得到使运动想象任务具有最大区别的特征,第2级的SDA网络通过自学习更加抽象的类别表达,能提取更高层次的低维特征,使得分类正确率得到明显提高.5结论从复杂的运动想象EEG中提取能够很好表达运动意图的特征是脑机接口系统的关键环节,CSP类方法虽然在两类想象任务分类问题中取得较好的结果,但对于多类任务却难以达到较高的分类正确率.SDA网络可以自动学习复杂的高层次特征,并通过对输入添加噪声使得网络泛化能力增强.本文使用SDA网络从由OVR-CSP变换得到的特征中提取更抽象的类别属性特征,并采用Softmax分类器进行任务分类,构建了多类EEG的两级特征提取方法.该方法在BCI竞赛IV中的Data-sets2a数据集上对四类运动想象任务取得了较好的分类效果,同时相比于单独的OVR-CSP和SDA方法,两级12期孟明等:多类运动想象脑电信号的两级特征提取方法1921方法的分类性能得到明显提高,为多类运动想象脑机接口中的特征提取提供了一种新的思路.但本文方法在第1级CSP特征提取中,直接采用经典方法求解空间滤波器,没有结合运动想象EEG的特点进行滤波器的改进和优化[8−9],同时在SDA网络学习的微调步骤中运用反向传播算法,会面临局部最优解的问题,这些问题可能是限制分类正确率进一步提高的原因.因此,CSP滤波器的改进与SDA参数集的优化将是后续工作中的研究内容.References1Wang Xing-Yu,Jin Jing,Zhang Yu,Wang Bei.Brain con-trol:human-computer integration control based on brain-computer interface.Acta Automatica Sinica,2013,39(3): 208−221(王行愚,金晶,张宇,王蓓.脑控:基于脑–机接口的人机融合控制.自动化学报,2013,39(3):208−221)2Nicolas-Alanso L F,Corralejo R,Gomez-Pilar J,´a lvarez D,Hornero R.Adaptive stacked generalization for multi-class motor imagery-based brain computer interfaces.IEEE Transactions on Neural Systems and Rehabilitation Engi-neering,2015,23(4):702−7123Aghaei A S,Mahanta M S,Plataniotis K N.Separable com-mon spatio-spectral patterns for motor imagery BCI sys-tems.IEEE Transactions on Biomedical Engineering,2016, 63(1):15−294Li Ming-Ai,Liu Jing-Yu,Hao Dong-Mei.EEG recognition of motor imagery based on improved CSP algorithm.Chinese Journal of Biomedical Engineering,2009,28(2):161−165 (李明爱,刘净瑜,郝冬梅.基于改进CSP算法的运动想象脑电信号识别方法.中国生物医学工程学报,2009,28(2):161−165)5Zhang H H,Chin Z Y,Ang K K,Guan C T,Wang C C.Op-timum spatio-spectralﬁltering network for brain-computer interface.IEEE Transactions on Neural Networks,2011, 22(1):52−636Wu W,Gao X R,Gao S K.One-versus-the-rest(OVR)al-gorithm:an extension of common spatial patterns(CSP) algorithm to multi-class case.In:Proceedings of the2005 IEEE Engineering in Medicine and the27th Biology Annual Conference.Shanghai,China:IEEE,2006.2387−23907Liu Guang-Quan,Huang Gan,Zhu Xiang-Yang.Application of CSP method in multi-class classiﬁcation.Chinese Journal of Biomedical Engineering,2009,28(6):935−938(刘广权,黄淦,朱向阳.共空域模式方法在多类别分类中的应用.中国生物医学工程学报,2009,28(6):935−938)8Zhang Y,Zhou G X,Jin J,Wang X Y,Cichocki A.Opti-mizing spatial patterns with sparseﬁlter bands for motor-imagery based brain-computer interface.Journal of Neuro-science Methods,2015,255:85−919Ang K K,Chin Z Y,Wang C C,Guan C T,Zhang H H.Filter bank common spatial pattern algorithm on BCI com-petition IV datasets2a and2b.Frontiers in Neuroscience, 2012,6:3910Vincent P,Larochelle H,Lajoie I,Bengio Y,Manzagol P A.Stacked denoising autoencoders:learning useful representa-tions in a deep network with a local denoising criterion.The Journal of Machine Learning Research,2010,11:3371−340811Li J H,Struzik Z,Zhang L Q,Cichocki A.Feature learning from incomplete EEG with denoising autoencoder.Neuro-computing,2015,165:23−3112Geng Jie,Fan Jian-Chao,Chu Jia-Lan,Wang Hong-Yu.Re-search on marineﬂoating raft aquaculture SAR image target recognition based on deep collaborative sparse coding net-work.Acta Automatica Sinica,2016,42(4):593−604(耿杰,范剑超,初佳兰,王洪玉.基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别.自动化学报,2016,42(4):593−604)13Xu Shou-Jing,Han Li-Xin,Zeng Xiao-Qin.Natural images classiﬁcation and retrieval based on improved SDA.Pattern Recognition and Artiﬁcial Intelligence,2014,27(8):750−757(徐守晶,韩立新,曾晓勤.基于改进型SDA的自然图像分类与检索.模式识别与人工智能,2014,27(8):750−757)14Rumelhart D E,Hinton G E,Williams R J.Learning representations by back-propagating errors.Nature,1986, 323(6088):533−53615Vincent P,Larochelle H,Bengio Y,Manzagol P A.Extract-ing and composing robust features with denoising autoen-coders.In:Proceedings of the25th International Conference on Machine Learning.Helsinki,Finland:ACM,2008.1096−110316Erhan D,Bengio Y,Courville A,Manzagol P A,Vincent P,Bengio Y.Why does unsupervised pre-training help deep learning?The Journal of Machine Learning Research,2010, 11:625−66017Hinton G E,Osindero S,Teh Y W.A fast learning algorithm for deep belief nets.Neural Computation,2006,18(7):1527−155418Tangermann M,M¨u ller K R,Aertsen A,Birbaumer N, Braun C,Brunner C,Leeb R,Mehring C,Miller K J,M¨u ller-Putz G R,Nolte G,Pfurtscheller G,Preissl H,Schalk G, Schl¨g l A,Vidaurre C,Waldert S,Blankertz B.Review of the BCI competition IV.Frontiers in Neuroscience,2012,6: 5519Ramoser H,Muller-Gerking J,Pfurtscheller G.Optimal spa-tialﬁltering of single trial EEG during imagined hand move-ment.IEEE Transactions on Rehabilitation Engineering, 2000,8(4):441−44620Wang H X,Xu prehensive common spatial patterns with temporal structure information of EEG data:minimiz-ing nontask related EEG component.IEEE Transactions on Biomedical Engineering,2012,59(9):2496−25051922自动化学报42卷21Berlin Brain-Computer Interface.BCI competition IV—ﬁ-nal results[Online],available:http://www.bbci.de,January 1,201622Liu Chong,Yan Shi-Yu,Zhao Hai-Bin,Wang Hong.Study on multi-class motor imagery EEG classiﬁcation based on KNN.Chinese Journal of Scientiﬁc Instrument,2013,33(8): 1714−1720(刘冲,颜世玉,赵海滨,王宏.多类运动想象任务脑电信号的KNN 分类研究.仪器仪表学报,2013,33(8):1714−1720)孟明杭州电子科技大学副教授.主要研究方向为机器人智能控制,生物医学信息处理和脑机接口.E-mail:**************.cn(MENG Ming Associate professorat Hangzhou Dianzi University.His re-search interest covers intelligent controlof robot,biomedical information pro-cessing and brain-computer interface.)朱俊青杭州电子科技大学自动化学院硕士研究生.主要研究方向为模式识别,脑机接口及相关应用.E-mail:*****************.cn(ZHU Jun-Qing Master student atthe School of Automation,HangzhouDianzi University.His research interestcovers pattern recognition and brain-computer interface and its applications.)佘青山杭州电子科技大学副教授.主要研究方向为模式识别,生物医学信号处理,脑机接口及相关应用.E-mail:*************.cn(SHE Qing-Shan Associate profes-sor at Hangzhou Dianzi University.Hisresearch interest covers pattern recogni-tion,biomedical signal processing,and brain-computer interface and its applications.)马玉良杭州电子科技大学副教授.主要研究方向为模式识别,脑机接口技术和机器人智能控制.E-mail:*****************.cn(MA Yu-Liang Associate professorat Hangzhou Dianzi University.His re-search interest covers pattern recogni-tion,brain-computer interface,and in-telligent control of robot.)罗志增杭州电子科技大学教授.主要研究方向为模式识别与智能系统,康复机器人,生物信息检测与处理.本文通信作者.E-mail:***********.cn(LUO Zhi-Zeng Professor atHangzhou Dianzi University.His re-search interest covers pattern recogni-tion and intelligent systems,rehabili-tation robot,and detection and processing of biological information.Corresponding author of this paper.)。