脑机接口系统中脑电信号特征提取与分类

将训练集经 CSP 滤波后得到原信号在这两个方向上的投影，把原始信号降为两维，图 1
显示了这两个方向上的平均信号(截取了 2 秒钟数据长度)。
0.4 0.3
第一个方向
任务1 任务2
0. 15 0. 1
第二个方向
任务1 任务2
0.2
0. 05
幅( 值mV)
幅( 值mV)
0.1
0
0 -0. 05
-0.1 -0.2 -0.3
1 运动想象实验
实验中，被试是一名健康女性，坐在椅子上处于放松状态。她的任务是根据屏幕上的随 机提示，通过想象左右手的运动来控制光标左右移动。实验一共进行 7 轮，每轮包括 40 个 实验，7 轮实验都在同一天进行，期间有几分钟的休息间隔。每个实验记录长度为 9s，前 2s 为预备期，在第 3s 时出现向左或向右的箭头提示，被试按照提示要求想象左右手运动来
分类器，其表达式为
min
∑ 1 ω 2 −νρ + 1
N
ξ
2
Ni i =1
s.t. y ( x , ω + b) ≥ ρ − ξ
i
i
i
ξ ≥ 0, i = 1,L , N , ρ ≥ 0 ...................................................... (9) i
9
0.8
频率(Hz)
13
0.6
17
0.4
21
0.2
25
0
1
2
3
4
5
6
时间(s) 第二个通道T权值
5
9
0.8
频率(Hz)
13
0.6
17
0.4
21
0.2
25
0
1
2
3
4
5
6
时间(s)
图 3 T-权值
2.3SVM 分类器设计
支持向量机是从线性可分情况下的最优分类面发展而来的[6]，其目标是寻找一个最优分
类面，不但能将两类样本正确分开，而且分类间隔 γ 最大。也就是说对于样本集( xi , yi )， i = 1,K , n, x ∈ Rd , y ∈{−1, +1}，满足
0
0.2
0.4
0.6
0.8
1
时 间 (s)
1. 2
1. 4
1.6
1.8
-0. 1 -0. 15
-0. 2 0
0. 2
0. 4
0. 6
0. 8
1
时 间(s )
1.2
1.4
1.6
1.8
图 1 训练集 CSP 滤波后的平均信号。左图为第一个方向，右图为第二个方向。
接下来对 CSP 滤波后的数据进行 CWT 时频变换，其中母小波函数选 Morlet 小波。在
中图分类号：TP391.4 文献识别码：A Abstract: Brain-computer interface (BCI) is one kind of techniques on which more and more
interest has been put by the international researchers recently. By using electroencephalogram, BCI establishes the interfaces between human and computer，in which motor imagery is an
)
.
..........................................(2)
对 (R1)3×3 、 (R−1)3×3 的和进行主成分分析
∑
=
R1
+
R −1
=
U
0TU
T 0
.....................................................(3)
9
0.8
5
9
0.8
频率(Hz)
13
0.6
13
0.6
17
0.4
17
0.4
21
0.2
21
源自文库
0.2
25
25
频率(Hz)
0
1
2
3
4
5
6
0
1
2
3
4
5
6
时间(s)
时间(s)
图 2 训练信号的平均小波系数幅值
从图中可以看出两类任务在两个方向上具有各自的时频模式。接下来在这两个虚拟通道
的小波系数上用 T 加权方法提取最后特征[5]，具体过程如下：首先在训练集上使用(7)式计
common spatial pattern (CSP); support vector machines (SVM)
引言
近些年来，脑机接口(Brain-Computer Interaction, BCI)技术的研究在国际上引起了广泛的 兴趣并获得了快速的发展。它利用脑电(electroencephalogram, EEG)来实现无动作的人机交 互，可以为神经肌肉损伤患者提供一种不依赖正常的外周神经和肌肉输出通道的新的通讯工 具[1]。举例来说，患者通过 BCI 系统，可以利用自己的运动想象(Motor Imagery, MI)直接操 控轮椅、神经假肢，甚至使用计算机。BCI 研究具有重要的社会价值和应用前景。
2.1 数据预处理 首先将原始数据经过 2.5~25Hz 带通滤波。由于运动想象发生在第 3 秒后，所以只截取 后 6 秒的数据进行处理。将其中 140 个已知标识的样本作为训练集，另外 140 个未知标识的 样本作为测试集。利用已知的标识将训练集两类样本进行分离，得到最终的训练集样本矩阵。
2.2 特征提取 特征提取分为三步，首先是 CSP 滤波，接下来是连续小波(Continuous Wavelet Transform, CWT)分析，最后采用 T 加权方法提取特征。 CSP 是一种有监督的空间滤波方法，其思想是使两类信号滤波后的空间成分在能量上差 异最大[4]，换而言之，是要找到使其中一类方差最大同时另一类方差最小的投影方向，这样
yi (xi ⋅ ω + b) −1 ≥ 0 i = 1,K , n ............................................ (8) 使得间隔 γ = 2 / ω 最大，其中 ω 为分类面的投影向量，b 为偏移量。在实际应用中，支持
向量机最优化问题可用 C − SVM 和ν − SVM 两种形式来描述，本文使用ν − SVM 来设计
其中参数ν （ 0 p ν p 1 ）是指错分样本数占总样本数的上界和支持向量数占总样本数的
提取到的特征有利于分类器设计。
将该算法用于左手和右手运动想象数据集的特征提取，由预处理得到了两类样本矩阵，
将每一类中每个样本数据连接起来构成矩阵 D1 和 D−1 ，其维数都为 3× 53760 ，两类样本矩
阵分别描述为
M1 = [m1,1,L , m1, j ,L , m1,53760 ] ，
M−1 = [m−1,1,L , m−1, j ,L , m−1,53760 ] ............................................(1)
支持向量机(Support Vector Machines, SVM)，是在高维特征空间使用线性函数假设空间的 学习系统，该方法已成功应用于多维模式识别的分类和回归。近些年来，研究人员开始将其 应用于事件相关的 EEG 信号的处理，同样取得了比较理想的分类效果。我们将该算法应用 于运动想象实验范式，算法性能较为突出，在小样本的情况下识别正确率较高。
时频面上对小波系数幅值做最大值滤波，用来消除纹波效应，结果如图 2 所示。
任务一的第一个方向 5
任务一的第二个方向 5
9
0.8
9
0.8
频率(Hz)
频率(Hz)
13
0.6
13
0.6
17
0.4
17
0.4
21
21 0.2
0.2
25
25
0
1
2
3
4
5
6
0
1
2
3
4
5
6
时间(s)
时间(s)
任务二的第一个方向
5
任务二的第二个方向
现无动作的人机交互，运动想象是其中一种重要 BCI 实验范式，利用第二届国际脑机接口 竞赛中的一组实验数据为处理对象，将数据经公共空间模式滤波、小波时频分解、然后采用 T 加权提取最后特征，并利用支持向量机进行分类器设计。实验结果表明，该算法效果较好， 最终识别正确率达到 89.3％。
关键词：运动想象(MI)；公共空间模式(CSP)；支持向量机(SVM)
脑机接口系统中 EEG 信号特征提取与分类
Feature Extraction and Classification for EEG in Brain-Computer Interface
(许昌学院)葛瑜 杨钢
Ge，Yu Yang，Gang
摘 要：脑机接口(BCI)技术是近年来国际上的研究热点之一，它通常利用脑电(EEG)来实
其中 T 为非零特征值的对角矩阵， U0 为对应的特征向量矩阵。得到白化矩阵
−1
P = T 2 U0 . (4)
将 P 分别作用于 R1 和 R−1
S1 = PR1PT
S −1
=
PR
PT
−1
.
............................................................(5)
再次对 S1 做主成分分析，保留所有特征值和特征向量，其特征向量用矩阵描述为
U = [u1, u2 , u3 ] ，也就是说，找到空间中的一组方向，这些方向是按照能量差异大小排序的。
从 U 两端 2 列特征向量来选择两类滤波器为
W1 = u1T P
W−1
=
u
T 3
P
.
..............................................................(6)
其中 m1, j
= [D11, j ,L
,
D1 3,
j
]T
，
m −1,
j
=
[
D−1 1, j
,L
,
D−1 3, j
]T
，
j = 1,L
, 53760 。
信号 D1 和 D−1 协方差可估计为
R1
=
cov(D1 )
=
1 53760
(M1M1T
)
R −1
=
cov(D−1 )
=
1 53760
(M
−1M
T −1
decomposes , then to use the T-weighted extraction final characteristic, and using support vector
machines to design the classifier. By means of the above approaches, better classification results
作者简介：葛瑜(1973－)，女，浙江宁海人，硕士研究生，讲师，研究方向：脑－机接口中 的信号处理算法。
控制屏幕上光标左右移动。所有数据通过 3 个电极记录，采样频率为 128Hz，最终数据由 140 个已知类别的训练样本和 140 个未知类别的测试样本组成。
2 数据处理
实验采集到的是 EEG 信号，由于信噪比较低，所以数据处理过程较为复杂。基本环节 由数据预处理、特征提取和 SVM 分类器设计这三个方面组成。
are obtained. The result on testing set revealed an accuracy of 89.3% for classification.
Key words: brain-computer interface (BCI); electroencephalogram (EEG); motor imagery (MI);
运动想象是利用自发脑电信号实现无动作人机交互的一种重要 BCI 实验范式，本文所处 理的是第二届国际脑－机接口竞赛第Ⅲ组数据[2]。具体的实验设计原理和方法将在下文中的 实验介绍中详细阐述。大量工作表明，基于公共空间模式(Common Spatial Pattern, CSP)的方 法对基于事件相关去同步的运动相关电位的信号特征提取具有很好的分离效果[3]，但是由于 EEG 信号信噪比很低，单纯依靠 CSP 提取特征是不够的，还需要利用数据驱动的方法作进 一步处理，从数据中提取特征规律。实验结果表明本文算法提取的特征可分度较好，利于分 类器设计。
算权值，然后对训练和测试样本计算加权和作为特征。
ak
=
xk − yk
,
n1D(xk ) + n2 D(yk )
k = 1, 2,K , n ..................................(7)
最后得到一维的训练集和测试集特征。图 3 显示了对应于小波系数的 T-权值。
第一个通道T权值 5
important experimental paradigm. In this paper, the dataset from BCI Competition II is analyzed
using the algorithm designed through common spatial pattern filter, continuous wavelet transform