３０ 运动想象脑电信号特征的提取与分类 运动想象脑电信号特征的提取与分类 Ｆｅａｔｕｒｅｓ Ｅｘｔｒａｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｍｏｔｏｒ Ｉｍａｇｅｒｙ ＥＥＧ 王 恒 李念强 齐鹏冲 （济南大学信息科学与工程学院，山东济南２５００２２） 摘要 为了能更好地对左右手运动脑电信号进行检测，用ＶＣ设计了脑电处理的上位机系统，利用小波变换和ＳＶＭ的方法 对脑电信号进行研究。这种方法主要是通过小波分解，针对Ｃ３电极处脑电信号，将脑电信号中各成分分剐突出到不同尺 度。提取不同尺度上的脑电信号的两种特征，即变化系数和波动指数。然后再将这两种特征组成一个向量送到支持向量机 中进行训练和检测。共选取了四种采样频率，准确率最高达到９８．３２％。 关键词：脑电，运动想象，小波变换，支持向量机 Ａｂｓｔｒａｃｔ Ｔｈｉｓ ｐａｐｅｒ ＵＳｅＳ ＶＣ ｄｅｓｉｇｎｅｄ ｔｈｅ ＥＥＧ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍ，ｔｈｅｎ ｕｓｅｄ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ ＳＶＭ ｔｏ ｓｔｕｄｙ ＥＥＧｉｎ ｏｒｄｅｒ ｔｏ ｂｅｔｔｅｒ ｒｅｓｅａｒｃｈ ｍｏｖｅｍｅｎｔ ｉｍａｇｉｎａｔｉｏｎ ＥＥＧ ｓｉｇｎａｌｓ．Ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ｍａｉｎｌｙ ｔｈｒｏｕｇｈ ｔｈｅ ｗａｖｅｌｅｔ ｄｅｃｏｍ— ｐｏｓｉｔｉｏｎ。ｔｈｅ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｔｈｅ ＥＥＧ ａｒｅ ｄｉｓｐｌａｙｅｄ ｉｎ ｄｉｆｅｒｅｎｔ ｓｃａｌｅｓ ａｔ ｔｈｅ Ｃ３ ｅｌｅｃｔｒｏｄｅ．Ｅｘｔｒａｃｔｅｄ ｔｗｏ ｆｅａｔｕｒｅ ｏｆ ｔｈｅ ＥＥＧ ｓｉｇｎａｌ Ｏ１－１ ｄｉｆｅｒｅｎｔ ｓｃａｌｅｓ，ｔｈａｔ ｉｓｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｖａｒｉａｔｉｏｎ ａｎｄｖｏｌａｔｉｌｉｔｙ ｉｎｄｅｘ．Ｔｈｅ ｔｗｏ ｋｉｎｄｓ ｏｆ ｆｅａｔｕｒｅ ｆｏｒｍｅｄａ ｖｅｃｔｏｒａｎｄ ｔｈｅｎ ｍｏｖｅ ｔｏｔｈｅＳＶＭ ｔｏ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ．Ｓｅｌｅｃｔｓ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ｓａｍｐｌｉｎｇ ｆｒｅｑｕｅｎｃｙ．ｔｈｅ ｈｉｇｈｅｓｔ ａｃｃｕｒａｃｙ ｒａｔｅ ｒｅａｃｈｅｄ ９８．３２％． Ｋｅｙｗｏｒｄｓ：ＥＥＧ．ｍｏｖｅｍｅｎｔ ｉｍａｇｅｒｙ，ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ，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 参数来反映大脑对应所处的功能状态，从而推断出发病的原因， 但是结果并不能让人满意＿２］。这一困难的主要原因便是脑电信 函数为 。． （ｔ）则有： ａ （ ）ａ）ｏ，Ｔ∈开 称 （ｔ）为依赖于参数ａ、７的小波基函数。由于尺度因子ａ， （ｔ）为连续小波基函数 。 平移因子Ｔ是取连续变化的值，所以 号属于复杂的时变、非平稳信号，且同时还具备非线性，仅靠使 用频域或时域分析并不能确切表示信号的特征。 脑电特征提取的方法主要有时间平面的时域法、频率方面 的频域法以及时频结合的时频域法等。如傅里叶变换，是一种时 域转换成频域的脑电特征提取方法，这种方法简单，但分辨率不 高，信息量较为单一；功率谱分析方法是一种频域特征提取方 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 ｒ＋＊ ．● 度下通过与待分析信号ｆ（ｘ）相乘而得到伸缩，由此得到变换公式： 法，它保留了信号频域的能量信息，但遗失了时间信息；ＡＡＲ模 型法不需要频域的相关信息，但是该方法分析平稳随机信号时 具有较大优势，而脑电信号属于时变的非线性非平稳信号。 小波分析是在时一尺平面上分析非平稳信号，可以采用各种可 调的时尺分度来观察，这就为特征的提取提供了新的有效的方式。 １ 处理方法 ＷＴ，（ａ，Ｔ）＝专Ｖ ａ ｝ 一 ） 。（旱） ｄ （２） ａ，Ｔ分别称为伸缩因子和平移因子。当ａ＞ｌ时，相当于是将 （ｔ）伸展开来以便在整体上对整个信号ｆ（ｔ）进行观察；反之，若 ａ＞ｌ时，则表示将 （ｔ）进行压缩以观察局部细节部分。小波变换 的多分辨率特性正是因为此功能。 １．２支持向量机 ＳＶＭ是一种机器学习方法，机器学习是指用计算机来研究 １．１小波变换 小波变换方法是一种分辨率可调的时域频域结合的分析方 法，具有多分辨率特性，它可以改变的时间窗和频率窗，非常适 合处理脑电之类的非平稳非线性信号＿３］。其变焦距的特性能够 突出表现类别间的不同或差异，对特征识别的准确率有很大提 模拟实现人类的行为，用来获取新的知识和技能，对已有的知识 进行重组并不断改善和发展其自身性能的一门学科。ＳＶＭ是根 据统计学习理论提出的。它集成了最大间隔超平面、Ｍｅｒｃｅｒ核、 凸二次规划和松弛变量等多种技术。是ＶＡＰＮＩＫ等人在多年研 究统计学习理论的基础上提出的一种对线性分类器设计最佳原 则。ＳＶＭ的基本思想是在特征空间中寻找能够把两类样本正确 分开的最优超平面，并且要求距离超平面最近的不同类型的样 本集的之间的间隔最大，进而达到最大的泛化能力。它所处理的 样本的数量是有限的。它能在复杂的情况下求出信号的最优解， 解决了许多的问题。 ２特征提取和分类 高，但缺点表现为分辨率在高频段较差。它可以通过对窗口的伸 缩平移来分析非平稳信号。宽窗适用于信号平缓处即低频处，窄 窗适用于信号剧烈变动处即高频处，从而可以将信号每一个细 节放大观察，因此小波分析能有效提取脑电信号的瞬态稳态信 息，有效准确地获得信号波形特征［４－５］。 小波即小区域的波。确切定义为：设ｅ（ｔ）为一平方可积函 ，一，、２ 数，即 （ｒ）∈Ｌ （开），若其Ｆｏｕｒｉｅｒ变换 （‘Ｉ））满足条件Ｉ ｕＪ Ｌ ２．１提取特征 本文中，所用到的小波为ｄｂ４，ｄｂ是Ｄａｕｂｅｃｈｉｅｓ的缩写， ｄｅ，）￣ｏｏ则称 （ｔ）为一个基本小波或母小波 ］。将小波母函数 （ｔ） 按照伸缩因子ａ平移因子Ｔ进行伸缩和平移，伸缩和平移后的 Ｄａｕｂｅｃｈｉｅｓ系列的小波简写为ｄｂＮ，其中Ｎ为阶数，ｄｂ是小