多类运动想象脑电信号特征提取与分类

设计与应用　文章编号：１６７１—４５９８（２０１６）０２—０２８３—０５　计算机测量与控制．Ｃ２０１　６．２４（２）　ｏｍｐｕｔｅｒ　Ｍｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ　ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１—４７６２／ｔｐ．２０１６．０２．０７８　中图分类号：ＴＰ３９１．４　·２８３　·　文献标识码：Ａ　多类运动想象脑电信号特征提取与分类　段锁林，尚允坤，潘礼正　（常州大学机器人研究所，江苏常州　２１３１６４）　摘要：针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题，提出了一种基于小波包特定频段的小波包方差，小波包　熵和共同空间模式相结合的脑电信号特征提取的方法，并将特征向量输入到支持向量机中达到分类的目的；首先选择重要导联的脑电信　号，进行特定频段的小波包去噪和分解；其次对通道优化的重要导联的每个通道信号计算小波包方差和小波包熵值作为特征向量；然后　对所有重要导联的分解系数重构并进行共同空间模式特征提取；最后结合２种不同导联方式所获取的特征向量作为分类器的输入进行分　类；采用ＢＣＩ２００５ｄｅｓｃ—Ｉｌｉａ中１１ｂ数据进行验证，该算法的分类正确率最高达到８８．７５　，相对２种单一的提取方法分别提高２８．２７　和　６．５５　；结果表明该算法能够有效提取特征向量，进而改善多类识别正确率较低的问题。　关键词：脑电信号；小波包方差；小波包熵；共同空间模式；特征提取；支持向量机　Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　Ｍｕｌｔｉ—ｃｌａｓｓ　Ｍｏｔｏｒ　Ｉｍａｇｅｒｙ　ＥＥＧ　Ｄａｔａ　Ｄｕａｎ　Ｓｕｏｌｉｎ，Ｓｈａｎｇ　Ｙｕｎｋｕｎ，Ｐａｎ　Ｌｉｚｈｅｎｇ　（Ｒｏｂｏｔｉｃｓ　Ｉｎｓｔｉｔｕｔｅ，Ｃｈａｎｇｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｚｈｏｕ　２１３１６４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｄｕｅ　ｔｏ　ＥＥＧ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｃｃｕｒａｃｙ　ｗａｓ　ｒｅｌａｔｉｖｅｌｙ　ｌｏｗ　ｉｎ　ｔｈｅ　ｃａｓｅ　ｏｆ　ｍｕｌｔｉ—ｃｌａｓｓ　ｐｒｏｂｌｅｍ　ｏｆ　ｍｏｔｏｒ　ｉｍａｇｅｒｙ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｍｅｔｈｏｄ　ｔｈａｔ　ａ　ｎｅｗ　ｃｏｍｂｉｎａｔｉｏｎ　ａｂｏｕｔ　ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｖａｒｉａｎｃｅ（ＷＰＶ），ｗａｖｅｌｅｔ　ＥＥＧ　ｆｅａｔｕｒｅ　ｐａｃｋａｇｅ　ｅｎｔｒｏｐｙ（ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｅｎｔｒｏｐｙ，　ＷＰＥ）ａｎｄ　ｃｏｍｍｏｎ　ｓｐａｔｉａｌ　ｐａｔｔｅｒｎｓ（ＣＳＰ）ｅｘｔｒａｃｔ　ｆｅａｔｕｒｅｓ　ｂａｓｅｄ　ｏｎ　ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｓｐｅｃｉｆｉｃ　ｆｒｅｑｕｅｎｃｙ　ｂａｎｄｓ，ｗｈｉｃｈ　ｉｎｐｕｔ　ｉｎｔｏ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ（ＳＶＭ）ｃｌａｓｓｉｆｉｅｒ　ａｃｈｉｅｖｅ　ｒｅｓｕｌｔａｎｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｓｅｌｅｃｔｉｎｇ　ｔｈｅ　ＥＥＧ　ｏｆ　ｉｍｐｏｒｔａｎｔ　ｃｈａｎｎｅｌｓ　ｍａｋｅ　ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｄｅ　ｎｏｉｓｉｎｇ　ａｎｄ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＷＰＤ）ｏｆ　ｓｐｅｃｉｆｉｃ　ｆｒｅｑｕｅｎｃｙ　ｂａｎｄｓ；Ｓｅｃｏｎｄｌｙ，ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｉｍｐｏｒｔａｎｔ　ｃｈａｎｎｅｌｓ　ｃａｌｃｕ　ｌａｔｅ　ｔｈｅ　ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｖａｒｉａｎｃｅ（ＷＰＶ）ａｎｄ　ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｅｎｔｒｏｐｙ（ＷＰＥ）ａｓ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒｓ；ｔｈｅｎ，ｔｈｅ　ｔｈｒｅｅ　ｓｕｂ—ｂａｎｄ　ｃｏｅｆｆｉｃｉｅｎｔｓ　ｆｏｒ　ｅａｃｈ　ｃｈａｎｎｅｌ　ＥＥＧ　ｓｉｇｎａｌ　ｏｆ　ｉｍｐｏｒｔａｎｔ　ｃｈａｎｎｅｌｓ　ａｒｅ　ｒｅｃｏｎｓｔｒｕｃｔｅｄ　ａｎｄ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｃａｒｒｉｅｄ　ｂｙ　ｃｏｍｍｏｎ　ｓｐａｃｅ　ｐａｔｔｅｒｎ（ＣＳＰ）；Ｆｉｎａｌｌｙ，　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒｓ　ｆｒｏｍ　ｄｉｆｆｅｒｅｎｔ　ｗａｙｓ　ｔｈａｔ　ｆｅｅｄ　ｉｎｔｏ　ａ　ｃｌａｓｓｉｆｉｅｒ　ａｎｄ　ａｃｈｉｅｖｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅ　ｈｉｇｈｅｓｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｒａｔｅ　ｏｆ　８８．７５　，ｃｏｍｐａｒｉｎｇ　ｗｉｔｈ　ｔｈｅ　ｒｅｌａｔｉｖｅ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｓｉｎｇｌｅ—ｅｘｔｒａｃｔｉｏｎ　ｍｅｔｈｏｄ　ｉｎｃｒｅａｓｅｄ　２８．２７　ａｎｄ　６．５５　ｂｙ　１１ｂ　ｆｒｏｍ　ＢＣＩ２００５ｄｅｓｃ—ＩＩＩａ．　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｅｘｔｒａｃｔ　ｔｈｅ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒｓ，ｔｈｅｒｅｂｙ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ｌｏｗｅｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｐｒｏｂｌｅｍｓ．　Ｋｅｙｗｏｒｄｓ：ＥＥＧ；ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｖａｒｉａｎｃｅ（ＷＰＶ）；ｗａｖｅｌｅｔ　ｐａｃｋｅｔ　ｅｎｔｒｏｐｙ（ＷＰＥ）；ｃｏｍｍｏｎ　ｓｐａｃｅ　ｐａｔｔｅｒｎ（ＣＳＰ）；ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ；　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ｆ　ＳＶＭ）　０　引言　近年来，一种与人的意念和思维相关的新兴控制系统迅速　提取和分类一般认为有线性和非线性之分，特征提取的方法一　般包括功率谱法（ＰＳＭ）、自适应自回归模型法（ＡＡＲ）、共　同空间模式（ＣＳＰ）法及小波包分析法　一发展　］，它是依赖于大脑外周神经系统对运动想象产生脑电　波变化，从而分析其想象动作的真实脑电波的组成，即脑一机　接口（ｂｒａｉｎ　ｃｏｍｐｕｔｅｒ　ｉｎｔｅｒｆａｃｅ，ＢＣＩ）Ｅ３３。正是因为它可以代　替人的肢体或语言器官实现人与外界交流以及对外部设备的控　制，这才使得国内外学者对其不断研究［４］。其关键在于对信号　分析，它包括信号预处理、特征提取、模式识别。经过几十年　的发展，对信号分析的方法及研究成果也在不断拓展，从残疾　等。而分类的方法　般包括线性判别法（ＬＤＡ）、ｋ最近邻分类器、遗传支持向　等。功率谱是一种反　量机（ＧＡ—ＳＶＭ）、人工神经网络法　映信号的能量随频率变化而变化并表明出频域而存在，但不能　体现出时域的方法；自适应自回归模型（ＡＡＲ）适合于平稳　信号和不需要相关频带的先验信息，以及计算量较小的优点。　但脑电信号属于复杂非稳定的微弱信号而且很容易受到外界干　扰，脑电信号通常比工频、眼电等伪迹微弱的多；共同空间模　式（ＣＳＰ）需要输入多导联以及不能反映出频域的信息等缺　点，但对于两分类问题正确率较高；小波包分析法（ＷＰＡ）　不仅能将频带进行多层次划分，而且能自适应地选择相应频带　服务型机器、康复机器到娱乐、智能化家用设备和军事研究等　广泛的领域得到应用［５］。　ＢＣＩ是综合多门学科的前沿技术，其关键技术在于如何快　速、准确、有效地实时提取ＥＥＧ的特征和分类。常用的特征　收稿日期：２０１５—０９—０６；修回日期：２０１５—１０—０８。　及提高时频分辨率等优点。　针对多类运动想象识别率比较低的问题，本文充分利用小　波包分析法和ＣＳＰ的优点，并采用小波包分解（ＷＰＤ）这种　快速的时频分析算法使ＣＳＰ缺乏频率信息的缺陷得到弥补。　基于小波包特定频段的ｗＰＶ，ＷＰＥ和ＣＳＰ算法相结合的特　基金项目：江苏省科技支撑计划项目（社会发展）（ＢＥＫ２０１３６７１）。　作者简介：段锁林（１９５６一），男，陕西岐山人，博士，教授，主要从事　机器视觉与智能移动机器人控制方向的研究。　·　２８４　·　计算机测量与控制　第２４卷　征不仅能反映出脑电信号的复杂程度，幅值变化，时频与空间　域，而且通过仿真验证了对多类运动想象识别正确率有所　提高。　１算法基本理论　小波包分解能够为信号提供一种更精细的分析方法，并能　够根据分析信号的特征，自适应地选择相应频段，从而提高时　频分辨率　。　。特征提取中用ＣＳＰ来对脑电信号特征提取已经　广泛使用，特别是对二分类问题，已经相当成熟』　】。　在分　类中支持向量机采用结构风险最小化原理兼顾训练误差和泛化　能力，对于小样本、高维数、非线性的分类问题效果显著　。　１．１小波包方差与熵　首先确定合理分解层数，才能有效利用小波包分析法，根　据小波包分解特性，表示为：　一　（Ｂ３／，　）　（１）　式中，　为最终需分解层数，当　非整数时，需向上取整，Ｂａ＂　为信号带宽。　信号ｓ（　）通过小波包分解到第　分解层后得到２　个等频　段的子空问，子空间Ｕ　的子信号为：　ｓ　）一∑ｗ　（ｆ）Ｈ　（２）　式中，ｗ　为子空间Ｌ『　的小波包分解系数，　（￡）为小波函　数。　能量序列的分布被认为各尺度的归一化能量表示为：　尸　一‘／Ｅ　（３）　其中：小波包节点能量Ｅｊ为Ｅ　一∑（ｗ　’”）　，总能量　２　为Ｅ—　Ｅｊ。　根据ｓｈａｎｎｏｎ信息熵的定义，它能够用来对序列未知程度　提供一种测度，也能反映出脑电信号的复杂程度。将小波包分　解系数能量分布于信息熵结合起来定义小波包熵为：　ＷＰＥ—∑Ｐ　ｌｏｇ。Ｐ　（４）　而小波包方差对于反映大脑皮层点活动被激活后表现出的　幅值变化具有重要意义。其定义为：　ｒ　＝　一　１∑孵　Ｉ　（５）　１．２共同空间模式（ＣＳＰ）　其基本原理是利用矩阵对角化，需找一组最优空间滤波器　参数使得２类信号的方差值相对极值化，从而获得分类准确度　高的特征向量。　设单次任务实验的原始信号表示为一个Ｎ×ｙ维的矩阵　Ｈ，其中Ｎ为所选择的重要导联数，ｙ为脑电信号采集时对应　每个通道的采样点数，每次进行ＣＳＰ时需要”个Ｔｒｉａｌ的数据　采集ｌ　】。一般步骤如下：　对２类运动想象的每个脑电信号进行协方差，可以表　示为：　ｃ——㈦　ｔｒａｃｅ　【　）　其中，ｔｒａｃｅ（ＨＨ　）为矩阵的迹。　混合以后的空间协方差矩阵表示为：　Ｃ　一Ｃ１＋Ｃ２　（７）　其中：Ｃ－一寺　（　，ｃｚ一÷　ｃ　为２类别的平均协　方差，Ｃ　可以表示为Ｃ　一Ｕ　ｕ　，Ｕ＿是矩阵的特征向量，　对　应的特征值。　将特征值按照降序进行排列，对应的特征向量同样如此。　之后进行白化：　Ｓｌ—ＰＣｌＰ　，Ｓ２一ＰＣ　２Ｐ　（８）　其中：Ｐ一　。ｕ　为白化变换，ｓ　和ｓ　拥有共同的特征　向量。ｓ１一瞰１Ｂ　，Ｓ２一瞰２Ｂ了　，而且Ａｌ＋Ａ２一Ｊ，Ｂ为ｓ１与ｓ２　的共同的特征向量，Ｉ为单位矩阵。　将白化后的脑电信号在共同的特征向量Ｂ投影下，获得Ｂ　的前ｍ列和后ｍ列。所得的投影矩阵Ｗ一（Ｂ　Ｐ）　，对应的　单次任务脑电数据Ｈ变换成Ｚ—ＷＨ。　最后关于脑电特征提取的维数＿厂根据Ｈ的噪声大小和分　类器的要求而变化，所形成的的维数不能超出所选择的电极导　联数Ｎ。　滤波后所得到的Ｚ前ｍ行和后ｍ行（２　＜Ｎ）　ｒ　ｗａｒ（Ｚ　）　、　曜ｌ　ｗａｒ（　＝１　，　其中：ｍｒ（ｚ）是计算脑电数据变换后ｚ的方差。　１．３分类算法　基本原理是：对线性不可分的样本数据，通过定义一个非　线性映射，将输入向量映射到一个高维特征向量空间，在这个　特征空间构造一个最优分类面，使得目标样本中正负两类样本　能正确识别并让它们之间的隔离边缘最大化。　设样本集为（ｚ　，ｙ　），ｉ一１，…，ｎ，ｚ∈Ｒ“，Ｙ∈｛一１，＋１）是　类别符号。标准的ＳＶＭ模型为：　ｆｍｉｎｇ（ａ￣）一（÷　ｌ。＋ｃ∑￡　）　｛　．　（　＋６）≥ｌ一亭　ｌ￡≥０，ｉ一１，２，…，　式中，　为惯性权重；ｂ为常数；￡为松弛变量；Ｃ为惩罚参数。　求解公式（１０），得到　和６，进而求得最优分类面。　对于线性不可分的样本，支持向量机通过非线性映射　：　一Ｈ将输入空间样本点映射到高维空间Ｈ中，在高维空间　Ｈ中运用线性方法构造最优分类面。根据泛函相关理论，采　用适当的内积函数Ｋ（　，ｚ　）满足Ｍｅｒｃｅｒ条件，就能实现非线　性变换后的线性分类，此时，公式（１）目标函数变为：　Ｑ（口）一∑　一÷∑∞口　Ｋ（ｚ　，ｚ　）　（１１）　ｉ　１　ｉ．Ｊ一１　式中，嘶为对应的拉格朗日乘子。　解上述问题得到最优分类函数为：　＿，（　）一ｓｇｎ｛　Ｋ（　，·　）＋ｂ　）　（１２）　公式（１３）中函数Ｋ（　，ｚ，）称为核函数，ＳＶＭ中常用的　核函数有多项式核函数、高斯核函数和ｓｉｇｍｏｉｄ核函数。本文　选用径向基核函数（ｒａｄｉａｌ　ｂａｓｉｓ　ｆｕｎｃｔｉｏｎ，ＲＢＦ）作为ＳＶＭ的　核函数。ＲＢＦ公式为：　第２期　段锁林，等：多类运动想象脑电信号特征提取与分类　·２８５　·　Ｋ（ｘ，　）一ｅｘｐ（一　素　）　式（１２），得到最后的最优分类函数：　（１３）　发生脑电功率谱增强（ｅｖｅｎｔ　ｒｅｌａｔｅｄｓｙｎｃｈ　ｒ（）ｎｉｚａｔｉｏｎ，ＥＲＳ）或　减弱（ｅｖｅｎｔ　ｒｅｌａｔｅｄ　ｄｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ，ＥＲＤ）ｌ　现象。脑电功　１公式（１５）中　为核函数的核参数，将公式（１３）代人公　率谱增强或减弱主要体现在８～３０　Ｈｚ，由于运动想象的脑电　频段会因被试不同，存在着差异，对不同的被试选择不同的最　厂（ｚ）一ｓｇｎ｛∑ａ　ｘｐ（悭　）＋６　）　（１４）　佳滤波器及滤波频段是提高正确分类的关键。因此，本文首先　对不同被试的重要通道的频段所在范围进行分析，并对其进行　２基于小波包方差和熵与ＣＳＰ相结合的特征提取　小波包去噪降低噪声。　与分类　对于ＢＣＩ最核心部分包括预处理、特征提取、分类识别。　根据本文提出的算法将对国际ＢＣＩ２００５ｄｅｓｃ—ＩＩＩａ组的数据进　行处理。　２．１实验环境与数据　实验的仿真环境：ＣＰＵ　Ｅ４５００　２．２　ＧＨｚ，ＲＡＭ　２．１９　ＧＨｚ，　Ｗｉｎｄｏｗｓ　ＸＰ　ＳＰ３，ＭａｔｌａｂＲ２００９ｂ。　数据采集工具为来自Ｎｅｕｒｏｓｃａｎ的６４导脑电放大器，其　中左乳突作为参考，右乳突作为地面。采样频率为２５０　Ｈｚ，　对采集的数据进行带通滤波（１～５０　Ｈｚ）。电极放置位置如图　１（ａ）所示。被试坐在有扶手的休闲椅上，根据所提示的线索　进行想象左手，右手，脚或舌头运动，提示的顺序是随机的。　实验进行的步骤过程（图１（ｂ））如下：开始前的２　Ｓ为被试　调整状态，使自己处于安静状态，到２　Ｓ时计算机不仅发出提　示音而且屏幕也会出现“＋”，接下来１　Ｓ结束后，计算机便　会随机出现向左、向右、向上或向下的箭头，要求被试按照所　提醒的方向进行运动想象，该运动想象过程一直持续４　Ｓ。　Ｎｏｓｅ　／—　—＼　④①④　④④①⑧①　⑩①⑥⑩⑩⑤⑥　⑥⑥⑥⑧①⑧⑨⑧⑤　③⑧⑧⑨⑨⑧⑧⑧⑧⑨⑧　ｏ　⑨⑧⑧⑨①⑧⑥④⑥　Ｒｅｌ　④⑨⑨⑨⑩①⑧　ｏ　⑧⑩⑩⑩⑥　ＧＮＤ　⑤④⑥　＼＼　／　（ａ）　ＥＥＧ电极位置图　ｒＦ　㈣ｓｓ　Ｔｒｉｇｇｅ……一…………一　＝＝Ｅ兰兰●　Ｉ　●　．　０　ｌ　２　３　４　５　６　７　８　ｔ／ｓ　（ｂ）　实验时序不意图　图１　电极位置与实验过程图　２．２脑电信号预处理　对于脑电信号的预处理主要是对其进行滤波，使脑电中噪　声尽可能较少，为后续处理提供很好的基础。研究表明，大脑　皮层神经活动所引发的事件相关电位　（ｅｖｅｎｔ　ｒｅｌａｔｅｄ　ｐｏｔｅｎ　ｔｉａｌ，ＥＲＰ）是人体感受到外界或内在刺激时相应产生电位变　化。大脑进行运动想象时，在特定频段（ａ节律和．８节律）会　２．３小波包方差和熵与ＣＳＰ相结合的特征提取　对所选择的通道进行４层ＷＰＤ后，获得基于特定频段的　方差与熵所形成的特征向量和ＣＳＰ对特定频段重构信号提取　的特征向量，以及其结合后的特征向量。将小波包方差和小波　包熵算法简化成ｗＰＶＥ，ＣＳＰ对特定频段重构信号提取的算　法简化成ｗＰ—ＣＳＰ。算法流程如图２所示。　图２　小波包方差和熵与ＣＳＰ相结合的算法　ＢＣＩ２００５ｄｅｓｃＩＩＩａ所采用的采样频率为２５０　Ｈｚ，　取值　为８　ＨＺ，带入式（１），Ⅲ向上取整为４。由于ｄａｕｂｅｃｈｉｅｓ小波　函数具有更有效的分析性和综合性，本文使用‘ｄｂ４’作为小　波基。对与运动想象密切相关的９个重要导联通道（】８、２１、　２４、Ｃ。、Ｃ　、Ｃ　、３８、４１、４４）的信号进行小波包去噪和４层小　波包分解。根据文献［１６］时频结论以及在线脑极接口应用，　优化选取５个重要导联的每个通道求取ＷＰＥ和ｗＰＶ，形成　２Ｏ维特征向量厂。；９个重要导联的每个通道选取２　４子带系　数进行重构，之后进行ＣＳＰ特征提取，其中将多类问题转化　成一对…的二分类特征提取的问题，对于一个Ｎ类运动想象　任务的特征提取，转化以后得到Ｎ×（Ｎ一１）／２个两类问题。　采用本文数据得到６对空间滤波器参数，每类对应３个，对于　９个重要导联的相关频带系数进行重构，获得９维数组形成　Ｈ９×ｙ。　ｆ　再对Ｈ。　进行ＣＳＰ特征提取，获得２ｍ　ｆ　＜　１维特　·２８６　·　计算机测量与控制　第２４卷　征向量，故取ｍ一３，形成特征向量　为１８维，最终输入到　分类器的特征向量厂．　为３８维。　２．４支持向量机分类　为了更好地使用训练数据来获取训练分类器，采用网格搜　索全局寻优，使其最大化的获得最佳参数。对于运动想象实验　表明，径向基（ＲＢＦ）函数在支持向量机特征分类中优于其他　核函数，由于其能够实现非线性映射，而且参数的数量影响模　型的复杂程度。因此，核参数ｇ的大小决定数据分布范围，惩　罚系数ｃ是对错误分类的惩罚程度，若Ｃ的取值比较大，则减　少错分误差的可能。若ｃ的取值比较小，便会获得较强的泛化　能力。惩罚系数Ｃ和核参数ｇ的最优组合是决定正确分类的关　键。本文采用网格搜索方法对核函数参数ｇ和误差惩罚因子Ｃ　进行全局寻优，最佳参数输入支持向量机（ｃ—ｓＶＭ）进行测　试集的实际分类与预测分类。　３实验数据结果　以ＢＣＩ２００５ｄｅｓｃ—Ｉｌｉａ中ｌｌｂ数据为例，通过小波包去噪　后，通道为Ｃ。的运动想象（１ｅｆｔ）４种节律所在频段，如图３　所示。表明与运动想象有关的频段在８～３０　Ｈｚ，验证了数据　的有效性。　…ｄａｌｔ４ｇ号功率谱　对９个导联的ＥＥＧ信号分别进行４层ＷＰＤ，将信号划分　成１６个频段，故４层ＷＰＤ各个节点对于频段范围如表１所　示，与运动想象最相关频带的节点（４，１）、（４，２）、（４，３）。　表１小波包分解第四层各节点对应的频带范围　节点　频带范围／Ｈｚ　节点　频带范围／Ｈｚ　（４，０）　０～７．８１２５　（４，８）　６２．５～７０．３１２５　（４，１）　１５．６２５～２３．４３７５　（４，９）　７８．１２５～８５．９３７５　（４，２）　７．８１２５～１５．６２５　（４，１０）　７０．３１２５～７８．１２５　（４，３）　２３．４３７５～３１．２５　（４，１１）　８５．９３７５～９３．７５　（４。４）　３１．２５～３９．０６２５　（４。１２）　９３．７５～１０１．５６２５　（４，５）　４６．８７５～５４．６８７５　（４，１３）　１０９．３７５～１１　７．１８７５　（４，６）　３９．Ｏ６２５～４６．８７５　（４，１４）　１０１．５６２５～１０９．３７５　（４，７）　５４．６８７５～６２．５　（４，１　５）　１１７．１８７５～１２５　对于表中的（４，１）和（４，２）节点对应的频带由小波包　的Ｍａｌｌａｔ算法性质决定的。当分解层数达到一定时，便会存　在交错非顺序的现象。采用ｌｂｌ被试的Ｃ。通道，对３个与运　动想象最相关的小波包系数进行提取与重构信号，如图４　ｌ０　ｒ——————ｒ——————ｒ——————ｒ——————Ｔ——————１—ｒ——————ｒ—————］　ｌ０　ｏ　Ｌ．．．．．．．．．．．．．Ｊ．．．．．．．．．．．．Ｗｍ～－．Ｊ　．．．．．．．．．．．．．１．．．．＿　．　．．．．．～　啪　．．ＪＬ．．．．．　．—　．—．Ｉ．—．．—．．．．．．．—ｊ　．　．　．岍　！　．。　．．Ｌ．。　．．　．．＿＿Ｊ　　ｏ　ｖ　＾几ｎ　、～　山　Ｌ—————＿Ｌ—————　—————Ｌ—————Ｌ——　、，Ｌ　１　２ＯＬ————Ｊ—————Ｊ—————．０　１Ｏ０　２００　３００　４００　５００　６００　７００　８００　图４　运动想象最相关的小波包系数的提取与重构　本文将２４０次实验进行３折交叉验证方法，每组包含各类　的２ｏ次任务运动想象，随机选取其中２组作为训练数据，剩　余１组作为测试数据。最后惩罚系数ｃ和核参数ｇ最佳取值分　别为２和０．９１９　５，如图５（ａ）和５（ｂ）所示。确定最佳参数　后，图６对测试数据进行预测分类与实际分类结果作对比，验　证了本文算法的有效性。　ＳＶＣ参数选择结果图（３Ｄ视图）［ＧｒｉｄＳｅａｒｃｈ￣ｅｔｈｏｄ］　∞喜：鲫　Ｂｅｓｔ　ｃ＝２　ｇ＝０．９１∞∞如∞加　９５　Ｃｈｙｃｅｕｒａｃｙ＝８８．７５％　ＳＶＣ参数选择结果图（等高线圈）［ＧｒｉｄＳｅａｒｃｈＭｅｔｈｏｄ］　７Ｃ　７０一一／　ｚ　４．５　７９　言口　、　、　。　、．　、　一（　。一　＼　，三－　鬈　（ｂ）　参数最佳的取值　图５实验数据图　实验的对象有３人，本文主要以ＢＣＩ２００５ｄｅｓｃ—ＩＩＩａ中ｌｌｂ　数据来验证算法的可靠性，通过对比３种算法分类的正确率，　结合以后的算法的分类正确率有所提高，针对分类正确率的实　验结果如图７所示，采用ｗＰＶＥ算法所获得的大约平均正确　第２期　段锁林，等：多类运动想象脑电信号特征提取与分类　＼瓣嚣　嚣　名目智蠼琳霹…　·２８７　·　４·　１　０实际测试集分类　｝　ｌ　预测测试集分类ｌ　３·　３　蛐糊醐嘲蝴删　搠嘲螂嘲蝴峭　鞘　鉴ｚ．　２·　嘲■嘲■嘲蝴　１·　１．　测试集样本　图６测试集的实际分类和预测分类图　率６１　，ｗＰ—ＣＳＰ算法获得的平均正确率８０　，采用本文结　合后的算法获得平均正确率８８　。需要强调的是，由于被试　的不同和采用算法的特点不同，对分类正确率有着不容忽视的　影响，３名被试中ｋ３ｂ的实验次数最多，分类正确率并非最　高，更能说明本文采用的方法因人存在差异性，但整体分类正　确率得到提高。　－卯ＶＥ算法　整　ｓＰ算法　１ｗＰｖＥ与肝一ｃｓＰ相结合算法　１　２　３　被试ｋ３ｂ　被试ｋ６ｂ　被试ｋｌ１ｂ　图７不同被试的平均正确率　将本文的分类结果与其他文献的结果作对比，如表２所　示，与文献Ｅ１２，１６，１７］比较，对于被试ｋ６ｂ，ｌｌｂ，本文采　用的算法分类正确率相较于其他文献有所提高，最高达到　８８．７５　。与文献［１２］得到的结果有所相似，ｋ３ｂ虽然实验　次数最多，并非正确率最高，更能说明被试和算法不同，得到　的分类效果有所不同。整体而言，本文采用的算法较于ＢＣＩ竞　赛分类正确率有所提高。　表２与其他文献的分类正确率比较　方法　ｋ３ｂ／　ｋ６ｂ／　ｌｌｂ／％　本文算法　８８．５　８３．５　８８．７５　文献［１６］　９１．１１　７３．７５　８５．２５　文献［１２］　７６．６７　８１．６７　８２．５　文献［１７］　９１．１２　７９．８９　８６．２５　ＢＣＩ竞赛　８６．６７　８１．６７　８５　４　结论　本文从脑机接口中多类运动想象存在分类正确率较低的角　度，提出了一种基于特定频段的ｗＰＶＥ和ｗＰ—ＣＳＰ相结合　的特征提取方法，其优点不仅结合了方差和熵能反映出信号的　∞　∞　∞　如　加　Ｏ　不同尺度下的特征和能量的分布变化，而且更好地通过ＣＳＰ　考虑运动想象脑电信号的时频与空间域。实验结果表明，针对　多类运动想象分类正确率较低的问题，本文算法相较于其他文　献有所提高。考虑到本文采用的算法是对ＢＣＩ２００５ｄｅｓｃ—ＩＩＩａ　数据在离线状态下进行，下一步将对实时在线脑机接口应用的　可行性深入研究，并将获得的特征转化成控制信号来实现代替　人的肢体或语言器官实现人与外界交流，使诸多患者能够再次　获得正常的生活。　参考文献：　［１］Ｗｏｌｐａｗ　Ｒ，Ｂｉｒｂａｕｍｅｒ　Ｎ，ＭｃＦａｒｌａｎｄ　Ｄ　Ｊ，ｅｔ　ａ１．Ｖａｕｇｈａｎ，Ｂｒａｉｎ—　ｃｏｍｐｕｅｔｒ　ｉｎｔｅｒｆａｃｅｓ　ｆｏｒ　ｃｏｍｕｍｕｎｉｃａｔｉｏｎ　ａｎｄ　ｃｏｎｔｒｏｌ，Ｃｌｉｎ．Ｎｅｕｒｏ—　ｐｈｙｓｉｏｌ　ＥＪ］．Ｎｅｕｒｏｉｍａｇｅ，２００２，１１（３）：７８７—７９１．　［２］王行愚，金晶，张宇．基于脑一机接口的人机融合控制ＥＪ］．　自动化学报，２０１３，３９（３）：２０８—２２１．　Ｅｓ］Ｋｅｌｌｙ，Ｓ　Ｐ，Ｉ　ａｌｏｒ　Ｅ　Ｃ，Ｆｉｎｕｃａｎｅ　Ｃ，ｅｔ　ａ１．Ｖｉｓｕａｌ　ｓｐａｔｉａｌ　ａｔｔｅｎｔｉｏｎ　ｃｏｎｔｒｏｌ　ｉｎ　ａｎ　ｉｎｄｅｐｅｎｄｅｎｔ　ｂｒａｉｎ—ｃｏｍｐｕｔｅｒ　ｉｎｔｅｒｆａｃｅ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．Ｂｉｏｍｅｄ．Ｅｎｇ．２００５，５２，１５８８—１５９２．　［４］Ｐｆｕｒｔｓｃｈｅｌｌｅｒ　Ｇ，Ｂｒｕｎｎｅｒ　Ｃ，Ｓｅｈ１．ｏｇｌ　Ａ，ｅｔ　ａｔ．Ｍｕ　ｒｈｙｔｈｍ（ｄｅ）ｓｙｎ　ｃｈｒｏｎｉｚａｔｉｏｎ　ａｎｄ　ＥＥＧ　ｓｉｎｇｌｅ——ｔｒｉａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｍｏｔｏｒ　ｉｍａｇｅｒｙ　ｔａｓｋｓ　ＥＪ］．Ｎｅｕｒｏｉｍａｇｅ，２００６，３ｌ（１）：１５４—１５７．　Ｅｓ］何庆华，彭承琳，吴宝明．脑机接ＩＺｌ技术研究方法ＥＪ］．重庆：重　庆大学学报，２００２，２５（１２）：１０６—１０９．　［６］Ｍｕｌｌｅｒ　Ｇ，Ｐｕｔｚ　Ｇ　Ｒ，Ｓｅｈｌｏｇｌａ，ｅｔ　ａ１．１５　ｙｅａｒｓ　ｏｆ　ｒｅｓｅａｒｃｈ　ａｔ　Ｇｒａｚ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ：Ｃｕｒｒｅｎｔ　ｐｒｏｊｅｃｔｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．　Ｎｅｕｒａｌ　Ｓｙｓ．Ｒｅｈａｂ．Ｅｎｇ，２００６，１４（２）：２０５—２１０．　［７３李明爱，林琳，杨金福．基于小波包最优基的运动想象ＥＥＧ自　适应特征提取方法［Ｊ］．计算机测量与控制，２０１１，１９（１１）：　２７５５—２７６２．　Ｅｓ］刘冲，颜世玉，赵海滨，等．多类运动想象任务脑电信号的　ＫＮＮ分类研究ＥＪ］．仪器仪表学报，２０１２，３３（８）：１７１４—１７２０．　［９］刘胜，李妍妍，等．自适应ＧＡ—ＳＶＭ参数选择算法研究［Ｊ］．　哈尔滨工程大学学报，２００７，２８（４）：３９８—４０２．　［１０］任亚莉．小波包熵和ＢＰ神经网络在意识任务识别中的应用［Ｊ］．　计算机应用与软件，２００９，２６（８）：７８—８１．　［１１］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［Ｊ］．中国生物医学工程学报，２００９，２８（６）：９３５—９３８．　［１２］王璐，吴小培，高湘萍．四类运动想象任务的脑电特征分析及　分类［Ｊ］．计算机技术与发展，２００８，１８（１０）：２３—２６．　［１３］杨帮华，陆文宇，何美燕，等．脑机接口中基于ＷＰＤ和ＣＳＰ的　特征提取ＬＪ］．仪器仪表学报，２Ｏｌ２，３３（１１）：２５６Ｏ一２５６５．　［１４］Ｐｆｕｒｔｓｃｈｅｌｌｅｒ　Ｇ，Ｎｅｕｐｅｒ　Ｃ，Ｓｃｈｌｏｇｌ　Ａ，ｅｔ　ａ１．Ｓｅｐａｒａｂｉｌｉｔｙ　ｏｆ　ＥＥＧ　ｓｉｇｎａｌｓ　ｒｅｃｏｒｄｅｄ　ｄｕｒｉｎｇ　ｒｉｇｈｔ　ａｎｄ　ｌｅｆｔ　ｍｏｔｏｒ　ｉｍａｇｉｎａｒｙ　ｕｓｉｎｇ　ａｄａｐ—　ｔｉｖｅ　ａｕｔｏｒｅｇｒｅｓｓｉｖｅ　ｐａｒａｍｅｔｅｒｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．Ｒｅｈａｂｉｌ　Ｅｎｇ．，　１９９８（６）：３１６—３２５．　［１５］Ｗｏｌｐａｗ　Ｊ　Ｒ，ＭｃＦａｒｌａｎｄ　Ｄ　Ｊ，Ｖａｕｇｈａｎ　Ｔ　Ｍ，ｅｔ　ａ１．Ｂｒａｉｎ　ｃｏｍｐｕｔ—　ｅｒ　ｉｎｔｅｒｆａｃｅ　ｒｅｓｅａｒｃｈ　ａｔ　ｔｈｅ　Ｗａｄｓｗｏｒｔｈ　Ｃｅｎｔｅｒ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．ＲｅｈａｂｉＩ　Ｅｎｇ．，２０００（８）；２２２—２２５．　［１６］施锦河，沈继忠，王攀．四类运动想象脑电信号特征提取与分　类算法ＥＪ］．浙江大学学报，２０１２，４６（２）：３３８—２４４．　［１７］庄玮，段锁林，徐亭婷．基于ＳＶＭ的４类运动想象的脑电信　号分类方法ＦＪ］．常州大学学报，２０１４，２６（１）：４２—４６．