基于运动相关脑电特征的手运动方向识别

曹玉珍，张庆学

(1.天津大学精密仪器与光电子工程学院，天津 300072；2.天津市生物医学检测技术与仪器重点实验室，天津 300072)

基于运动相关脑电特征的手运动方向识别

曹玉珍1,2，张庆学1

(1.天津大学精密仪器与光电子工程学院，天津 300072；2.天津市生物医学检测技术与仪器重点实验室，天津 300072)

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令，通过设计实验，使右手完成左、上、右 3个方向的运动，同时采集脑电数据和右手运动信息．通过小波时频分析确认与右手运动相关的脑电频带，并提取其小波分解系数作为特征，采用支持向量机进行特征分类，根据方向识别准确率分析提取特征的有效性．结果表明，运动脑电delta和 theta频段的小波系数特征可以有效区分右手不同方向的运动，方向识别准确率的均值接近 65%，并且用准备阶段特征分类的结果普遍优于运动阶段特征，因此，在手运动之前诱发的脑电活动含有丰富的运动信息，可用于脑-机接口系统提取上肢主动康复训练的控制命令．

脑电；连续小波变换；小波分解；支持向量机；脑-机接口

中风偏瘫造成的肢体运动功能障碍严重影响患者的生活质量，像完成伸手够及物品这种最简单的动作对中风偏瘫患者而言也是极为困难的，给日常生活带来极大不便．近年来针对运动障碍患者的诊断和康复实验研究取得了巨大进展，康复治疗引入脑-机接口(brain-computer interface，BCI)技术，使用脑信号作为替代进行机器辅助运动的控制，部分补偿了患者弱化的机体功能．基于脑-机接口技术的康复器械可以根据患者的实际情况，通过神经信号解码患者动作意图，辅以机械配合协调肢体实际动作，可达到最佳的训练效果．因此，从脑电信号中解码运动信息在脑-机接口及康复工程领域有着十分重要的意义[1]．

目前，BCI系统获取脑电信号的方式主要有无创式和有创式两种．对于有创记录方法，如 ECoG、LFP等，其中颅内电极阵列应用广泛，虽然具有较高的空间分辨率但成本较高，且存在手术植入和维护的相关风险[1-2]．对于无创记录方法，使用 EEG信号可以区分手的不同方向的运动[3-4]；使用单次 EEG数据特征，机器学习可以简单分辨不同的运动[5-6]；使用无创技术采集脑电并解码运动方向信息的方法安全可靠，但方向识别准确率比较低，一般在 60%以下[7]，且EEG信号中哪些成分对区分不同方向的运动更有效，以及如何提取这些有用成分，相关的研究较少．使用 EEG特征分辨或预测不同的运动，其困难在于，相对于思维算法实验或增强情绪实验，运动的EEG特征相对较弱，而且引入的额外干扰较大，致使提取特征困难．运动准备前的 EEG中是否包含足以区分运动方向的信息，尚未得到充分的研究[8]．

为了研究如何从运动相关脑电中提取运动信息作为主动康复训练的控制命令，本研究通过设计右手自然触及目标的实验，使右手完成3个方向(左、上、右)的运动，设计的实验任务分别是运动前的准备(思考)阶段和右手运动到目标点的执行阶段．采集两个阶段的EEG数据和手运动数据，通过对EEG的时频分析以及手运动的速度分析，对EEG信号进行分段，并采用小波分解的低频带系数特征进行手运动方向的识别，根据方向识别准确率证实提取特征的有效性.

1 实 验

1.1 实验设计

如图 1所示，受试者坐在舒服的椅子上，正前方的桌子上放置实验用的指示平板，提供实验指示信息，受试者右手食指贴有红外主动发光的标记点(Marker点)．实验前，受试者将右手食指放在显示屏中心圆形区域，其余手指自然握拳．实验开始后，受试者身体保持不动，根据实验提示完成手向左、向上和向右3个方向的运动，并返回中心点．

图1 实验系统示意Fig.1 Schematic diagram of experimental system

每个方向往复1次记为1次实验，每次实验包含3个阶段：运动准备阶段、执行阶段和返回阶段．1次完整的实验过程如图 2所示．脉冲提示实验开始.①运动准备阶段：显示屏随机显示左、上、右 3个方向中的 1个，箭头为红色，即提示受试者目标移动方向，但是并不运动．②运动执行阶段：箭头由红色变为绿色，手向指定的方向缓慢运动到目标点即停止.③运动返回阶段：红色箭头消失，手返回运动起始位置，等待下次实验．3个方向实验，每个方向33次计为 1组；每组实验连续采集，实验期间加入短暂的休息提示，受试者可适当休息．每位受试者分时段共做5组实验，每个方向共获得165次实验的样本数据．

图2 1次完整的实验过程Fig.2 A complete experimental process

实验受试者为7名健康志愿者(5男2女，(23± 2)岁)，均无精神疾病史，实验前洗1次头，降低接触阻抗，实验时受试者精神状态良好．

1.2 实验设备

使用Phonix EMS 128脑电测量仪采集脑电信号，运动测量装置 Optotrak Certus采样手的三维位置信号即手的运动轨迹，通过同步脉冲信号同步两种数据．

脑电采集使用19导联的Ag/AgCl电极帽，电极配置为国际标准的10-20导联系统，所有电极信号均以左耳垂作为参考，EEG信号和同步信号的采样频率为512,Hz．

运动采集装置对手运动位置(Marker点)和同步信号的采样频率均为100,Hz．

2 信号处理及分类方法

2.1 数据分析

为了提高信号的信噪比，首先对 EEG数据进行滤波预处理，使用 0.5,Hz高通和 40,Hz低通的 FIR数字滤波器．采用连续小波变换对 EEG进行时频分析，以分析运动相关脑电的时频域表现．母小波选用Morlet小波，对于不同的尺度，连续小波变换实质上就是对不同频率成分的逼近，尺度值越大，越逼近低频成分．本文选择的尺度范围是 11～300，对应的频率范围是1.7～46.5,Hz．

依据采集到的手标记点的三维空间位置信号，通过数值微分计算得到标记点运动的瞬时速度，并通过10,Hz低通滤波器对速度曲线进行平滑处理，结合同步信号对比分析手运动准备和运动执行过程中 EEG信号的变化情况．

2.2 特征提取

EEG信号在不同频段的表现特征可以通过多尺度小波分解系数来描述[9]．通过抽取出特征频段的小波分解系数特征构建特征向量．选用 db5小波，用WAVEDEC函数对EEG信号做8层小波分解后，提取其中的第6～第8层细节系数cD6、cD7和cD8组成 1组特征，对应的频带范围大致是 4～8,Hz、2～4,Hz和1～2,Hz．

特征提取和分类器的参数优化是提高分类准确率的主要途径．研究表明，对特征向量进行归一化处理能有效提高分类器的分类准确率，对支持向量机(support vector machine，SVM)算法尤为明显[10-11].本文将3个方向的所有样本特征进行样本间归一化，即将1次实验样本提取的1组特征作为矩阵的1行，构成特征向量，则3个方向共495组特征向量，第x列数据由各组特征相应位置上的特征值组成，该列每一个特征值分别减去该列中最小的特征值，再除以该列最大值与最小值的差，可将特征向量归一化到0与1之间，同时有效消除不同数量级的特征之间的分散性，缩短训练时间，提高方向识别准确率．19导联EEG数据分别计算，求出每个导联的方向识别准确率．

2.3 分类方法

支持向量机是当前一种比较先进的分类方法，属于核方法的范畴，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他领域[12]．

SVM 是一种应用普遍的二分类算法，其主要思想就是建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化．由于本实验设计了 3个不同方向的运动，属于多目标分类，因此分类时就需要使用多个一对一SVM分类器，即将3个方向的特征两两组合，通过训练样本构造出 3个一对一SVM二分类器，再将测试数据分别输入 3个分类器进行分类，对所有组合类进行投票，得票数最多的类即为测试样本所属的类．

为使分类的结果更准确，通过数据集的交叉验证平衡实验间的差异是常用方法之一．交叉验证是一种用来验证分类器性能的统计分析方法[13]，即使用大部分样本进行建模，留下小部分样本用刚建立的模型进行预测，并求这小部分样本的预测准确率．本文采用 11折交叉验证，即将每个方向的总样本(165个)均分为11份，每份15个，每个方向抽取10份作为训练样本，另一份作为测试样本，预测输出类别，如此遍历，直至每一份数据都作为一次测试数据为止．因此，可得到11个分类模型，有11组预测输出，将这些预测结果分别和理想输出类别做比较，共得到11组方向识别准确率，取其均值作为最终结果．

3 结果和讨论

3.1 数据分析结果

对受试者 S1的1组实验数据进行分析，以向上运动为例，结果如图 3所示．图 3(a)为同步脉冲信号，用于区分 1次完整实验的各个阶段(准备阶段、执行阶段和返回阶段)；图3(b)为1次向上运动过程中C3导联的EEG信号；图3(c)为对应的该次向上运动的速度曲线，据此可清楚了解实际运动的开始和结束时刻；对该次向上运动的 EEG数据进行连续小波变换，图 3(d)即其小波变换结果；图 3(e)为向同一方向运动33次的EEG数据分别进行小波变换，再取时频域均值的结果．

由图 3(b)、3(c)可以看出，向上运动任务执行过程中，准备阶段持续 2.85,s，2.85,s时刻提示运动开始，运动阶段持续 3.4,s；运动指示出现后约 0.6,s，手的速度超过了 0.005,m/s，即可认为受试者已经开始运动，4.5,s后运动基本完成，速度降为零．

从图 3(d)和图 3(e)的时频分析可以看出，运动准备阶段，10,Hz以下的低频带能量较高，运动阶段的能量也集中在低频带；多次实验的时频分析结果均是低频成分占主导．因此，从 EEG中提取频域特征时需重点考虑低频带成分，即主要提取10,Hz以下的delta(1～4,Hz)和theta(4～8,Hz)频带．

图3 信号分析结果Fig.3 Results of signal analysis

图4(a)、4(b)分别对应向左和向右运动时C3导联 EEG信号做小波变换后再取均值的时频分析，与向上运动的时频分析结果基本一致，即准备和运动阶段，能量主要集中在指示开始后约1.5,s的时间内，频率为10,Hz以下的低频段．

图4 小波时频分析Fig.4 Wavelet time-frequency analysis

3.2 特征提取与分类

根据第 3.1节的数据分析结果，截取运动 EEG的长度分别为：准备阶段 768个点(1.5,s)，运动阶段845个点(约 1.65,s)．特征提取时重点提取 10,Hz以下的低频段特征，结合小波分解的多分辨率分析和频带剖分理论[14]，取细节系数cD6、cD7和cD8作为特征，对应的频段范围分别为4～8,Hz、2～4,Hz和1～2,Hz，因此，每次实验每个导联的特征数为：准备阶段11+14+20=45个，运动阶段12+15+22=49个.

对19导联 EEG样本数据分别进行特征提取和运动方向识别，表1为各导联的方向识别准确率的均值，S1～S7表示7位受试者，并且从样本间归一化和未归一化的角度比较识别结果．从表 1可以看出：样本间归一化可以有效提高方向识别的准确率，比未归一化时的识别率高10%左右，但对个别受试者提升较少，如 S3；用准备阶段的特征进行识别，其准确率普遍优于运动阶段．

表1 准备阶段和运动阶段的识别准确率Tab.1 Recognition accuracy of movement direction of ready and motion characteristics of seven subjects %

图5 7位受试者各导联分类结果的分布箱线图Fig.5 Distribution of classification accuracies of each electrode of seven subjects using boxplot

图 5为每位受试者分别进行方向识别的准确率分布，各导联识别准确率的分布情况使用箱线图表示，即利用数据中的 5个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据，加号表示异常值，即个别导联方向识别准确率高于(低于)所有导联方向识别准确率分布的第三四分位数(第一四分位数)与 1.5倍四分位距之和(之差)，四分位距为第三四分位数与第一四分位数之间的间距，即矩形箱的长度．

从图5中可以看出，多数受试者准备阶段特征的方向识别准确率的分布区间比运动阶段要高；各受试者 19导联方向识别准确率的分布具有相似的对称性，中位数均在50%以上；S1～S7准备阶段均值接近65%，与表 1的结果一致，同样受试者之间存在个体差异性，最好与最差准确率差别较大，如S5受试者；个别受试者准备特征和运动特征的方向识别准确率相对差异性较大，如S4受试者．

4 结 语

从识别准确率的结果可以看出，特征向量样本间归一化方法可以有效提高方向识别准确率；对运动EEG进行时频分析再提取小波系数特征的方法，可以有效区分右手不同方向的运动，且有较高的识别准确率；7位受试者的 3个运动方向识别的准确率(准备阶段特征)均值接近 65%，一定程度而言，具备了将识别结果转换为 BCI设备控制命令的条件．另一方面，使用准备阶段特征作为方向识别的依据，其结果优于运动阶段特征，这说明在运动准备阶段集中了较多的运动特征，虽然没有想象运动特征强烈，但还是强于运动阶段，方向识别准确率相对较高，同时表明运动开始前的准备阶段含有较丰富的运动信息，可以作为BCI系统完成主动康复训练的重点研究对象.

综合以上结果表明，从 EEG信号中可以提取有效的信息来区分不同方向的手的运动，而且使用运动准备阶段的 EEG信号提取运动特征更有效，方向识别准确率更高，未来可用于作为主动康复的控制命令的依据．康复治疗时，在大脑完成够及某个目标的思维过程即准备阶段后，可以根据该阶段的大脑意识解码运动方向信息，将这些运动信息转化为命令提供给BCI系统，BCI系统控制辅助装置带动患肢完成够及目标的运动，进行接近正常运动的主动康复练习，以影响中枢神经系统的可塑性，最大可能性地恢复运动机能．

参考文献：

［1］ Wolpaw J R，Birbaumer N，McFarland D J，et al. Brain-computer interfaces for communication and control [J]. Clinical Neurophysiology，2002，113(6)：767-791.

［2］ Tamil E，Radzi H M，Idris M Y I，et al. Electroencephalogram(EEG)Brain Wave Feature Extraction Using Short Time Fourier Transform[R]. Lembah Pantai：Faculty of Computer Science and Information Technology，University of Malaya，2007.

［3］ Abdul-Bary Raouf Suleiman，Toka Abdul-Hameed Fatehi. Features Extraction Techniques EEG Signal for BCI Applications[R]. 2011.

［4］ Murugappan M，Nagarajan R，Yaacob S. Comparison of different wavelet features from EEG signals for classifying human emotions[C]// IEEE Symposium on Industrial Electronics and Applications(ISIEA). Malaysia，2009：836-841.

［5］ Hammon P S，Makeig S，Poizner H，et al. Predicting reaching targets from human EEG [J]. IEEE Signal Processing Magazine，2008，25(1)：69-77.

［6］ Wang Yijun，Makeig Scott. Predicting intended movement direction using EEG from human posterior parietal cortex [J]. Neuroergonomics and Operational Neuroscience，2009(5638)：437-446.

［7］ Waldert S，Preissl H，Demandt E，et al. Hand movement direction decoded from MEG and EEG [J]. Neurosci，2008，28(4)：1000-1008.

［8］ Sanei S，Chambers J A. EEG Signal Processing[M]. Chichester，England：John Wiley & Sons Ltd，2007.

［9］ Mallat S G. A theory for multi resolution signal decomposition：The wavelet representation [J]. IEEE Transactions on Pattern Anal & Mach Intelligence，1989，11(7)：674-693.

［10］ 邹 鹏，姜秋喜，莫翠琼，等. 基于 SVM 识别的雷达辐射源特征向量归一化研究[J]. 电子信息对抗技术，2010，25(6)：30-33.

Zou Peng，Jiang Qiuxi，Mo Cuiqiong，et al. The normalized research of radar emitter feature vector based on SVM identification[J]. Electronic Information Warfare Technology，2010，25(6)：30-33(in Chinese).

［11］ 肖汉光，蔡从中. 特征向量的归一化比较性研究[J].计算机工程与应用，2009，45(22)：117-119.

Xiao Hanguang，Cai Congzhong. The comparative research of feature vector normalization [J]. Computer Engineering and Applications，2009，45(22)：117-119(in Chinese).

［12］ 郎宇宁，蔺娟如. 基于支持向量机的多分类方法研究[J]. 中国西部科技，2010，9(17)：28-29.

Lang Yuning，Lin Juanru. Multi-classification method based on support vector machine [J]. Science and Technology of West China，2010，9(17)：28-29(in Chinese).

［13］ Schoelkopf B，Sung K-K，Burges C J C，et al. Comparing support vector machines with Gaussian kernels to radial basis function classifiers [J]. IEEE Trans on Signal Processing，1997，45(11)：2758-2765.

［14］ Qin L，He B. A wavelet-based time-frequency analysis approach for classification of motor imagery for braincomputer interface applications [J]. J Neural Eng，2005，2(4)：65-72.

(责任编辑：赵艳静)

Recognition of Hand Movement Direction Based on Movement-Related EEG Characteristics

Cao Yuzhen1,2，Zhang Qingxue1
(1. School of Precision Instrument and Opto-Electronics Engineering，Tianjin University，Tianjin 300072，China；2. Tianjin Key Laboratory of Biomedical Detecting Techniques and Instruments，Tianjin 300072，China)

To extract effective motorial information from noninvasive movement-related EEG signal utilized as control commands of active rehabilitation，an experiment was designed which the right hand moved in three directions respectively(left，top，right)and EEG data of reciprocating motion and hand movement trajectory were recorded. Firstly，wavelet analysis was applied to confirm the movement-related bands in frequency domain，and then wavelet decomposition coefficients were extracted as characteristics. Next，the support vector machine algorithm was selected and the effectiveness of feature extraction was estimated through recognition accuracy. The results demonstrate that，the wavelet coefficients of delta and theta bands of movement-related EEG used as characteristics can effectively distinguish right hand movements in different directions and have nice classification accuracies，with the mean classification accuracy of subjects up to nearly 65%. Furthermore，the recognition accuracies adopting characteristics of preparatory stage are superior to that of motorial stage，indicating that EEG evoked by movement preparation has abundant movement information and can be used for extracting control commands of active rehabilitation of braincomputer interface(BCI)system.

EEG；continuous wavelet transform；wavelet decomposition；support vector machine；brain-computer interface

R318

：A

：0493-2137(2014)09-0836-06

10.11784/tdxbz201307001

2013-07-01；

2013-10-30.

曹玉珍（1963— ），女，博士，副教授.

曹玉珍，yzcao@tju.edu.cn.

时间：2013-11-04.

http：//www.cnki.net/kcms/detail/12.1127.N.20131104.1628.004.html.