基于MODWT的运动想象脑电信号识别

李东明,王典洪,严 军,王永涛,宋麦玲,余蓓蓓

(中国地质大学a.信息技术教学实验中心;b.机械与电子信息学院,武汉430074)

基于MODWT的运动想象脑电信号识别

李东明a,王典洪b,严 军b,王永涛a,宋麦玲a,余蓓蓓b

(中国地质大学a.信息技术教学实验中心;b.机械与电子信息学院,武汉430074)

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。

脑机接口;运动想象;极大重叠小波变换;能量曲线;模式分类;电机转向控制

1 概述

脑机接口(Brain Computer Interface,BCI)技术绕开了大脑外周神经和肌肉组织,通过在人脑和计算机与外部设备之间建立起一种新的通信通路,可以帮助肢体残疾但思维意识正常的患者,为运动功能障碍患者提供了一种新的康复手段,使其在一定程度上修复与外界的信息交流功能[1-3]。目前BCI技术已成为一个涉及生物工程、通信、计算机技术等多领域的研究热点。

特征提取是BCI系统中的关键技术之一。常用的方法有快速傅里叶变换(FFT)、尺度不变特征变换(SFT)、增强现实技术(AR)、小波分析等方法[3-5]。传统傅里叶分析在平稳信号分析中发挥了重要作用,但对于具有局部时间特性的信号却无能为力;SFT在一定程度上弥补了FFT局部分析能力的不足,但其本身也有缺陷,SFT的分析对象是有限时间支撑内信号特征的平均量,短时间支撑等同于高的时间分辨率;而长的时间支撑等同于高的频率分辨率。时间域的高分辨率与频率域高分辨率不可能同时获得。AAR模型参数具有随着样本点变化的特点,这个特点和大脑思维过程的状态改变有相似性。但该方法不适合高度非平稳运动想象EEG信号。小波变换的时间分析窗口在分析低频信号时宽,分析高频信号时窗口自动变窄,这种特性和低频信号变化缓慢而高频信号变化较快的特点相对应,因而它更适合对非平稳的EEG信号进行分析,但是通常小波变换要求分析信号的数据长度必需为2的整数次幂,在计算过程中,需要通过增加或者减少序列的长度以应对小波分析的数据长度。另外,利用小波变换对信号进行分解,对信号的时间起点极为敏感[6-7]。

综上所述,本文利用极大重叠离散小波变换(Maximum Overlap Wavelet Transform,MODWT)对EEG序列进行分解与重构,以识别脑电信号。MODWT是在小波变换的基础上改进得到的,在信号分解与重构时对脑电信号的长度和时间起点没有要求,避免了脑电信号的时间起点不是特别明确的问题,适用性更广。

本文提出一种基于极大重叠小波系数的特征提取方法,将大脑C3,C4两路运动想象脑电信号进行极大重叠小波分解,将脑电信号的能量曲线特征、对应频带小波系数的均值、方差等特征结合脑电信号光滑成分的8阶AR模型系数作为特征向量。

2 实验数据

2003年世界著名的4个BCI研究中心联合举办了被称为“BCI Competition 2003”的脑电信号分析竞赛[8]。首先采用奥地利格拉兹工业大学脑机接口研究中心提供的运动想象脑电数据(Data setⅢ)对算法进行初步分析,得到最优的分类算法,然后在设计的脑电控制电机的嵌入式系统中进行进一步验证。实验由在线BCI系统组成,时序如图1所示。

图1 实验时序以及电极安装的位置

实验采用AgCl电极,数据从国际标准的10～20导联系统的C3,CZ,C4这3个通道获得。所有实验包含各140次(70次想象左手运动,70次想象右手运动)样本以及测试数据。实际分析时只采用了C3,C4这2个通道的数据。

3 特征向量的提取方法

3.1 极大重叠小波变换域系数的特征提取

3.1.1 小波变换域系数特征提取的缺陷

小波变换实质上是将待分析的信号展开成一组基函数的加权之和。函数f(t)∈L2(R)的连续小波变换的定义为[6]:

尺度因子a＞0的作用是将小波进行伸缩,b∈R是位移因子。当a＞1时,则用展宽的ψ(t)观察信号频率分辨率的提高;当0＜a＜1时,则用变窄的ψ(t)观察信号,时间分辨率提高。这样可以使用不同的分辨率对信号进行观察。实际计算中采用Mallat快速算法:

其中,cj,dj分别是不同分辨率下的离散尺度系数和小波系数;gn,hn分别为尺度滤波器和小波滤波器,且满足条件:

在脑电信号的采集过程中,由于个体反应的差异,当刺激或者命令产生后,普通的受试者由于没有经过训练,或者由于受试疲劳,脑电响应可能会有短暂延时。这样的脑电信号如果直接利用某个小波基(多比希系列小波基)进行分析,并从小波系数中提取特征,会因为小波分析对信号的时间起点具有敏感性而带来误差。

以一个短时脉冲信号为例,图2表明小波分析对时间的起点是有依赖性的。

图2 使用db8小波的3层分解

3.1.2 极大重叠小波变换域系数的统计特征提取

对2.1.1节中的短时脉冲时间序列的极大小波变换如图3所示。从图中可以看到,MODWT对信号的时间起点不敏感。

图3 脉冲信号X的5层极大重叠小波变换

极大重叠离散小波变换(MODWT)是在小波变换的基础上改进得到的,与经典DWT不同, MODWT是一个高度冗余的,同时对样本容量没有要求的非正交小波变换。MODWT的小波滤波器与尺度滤波器通过下式定义[6-7]:

因此MODWT满足条件:

因为MODWT对信号的时间起点不敏感,所以利用MODWT对EEG信号进行分析,即使不同的个体脑电信号出现的时间点有差别,但是不影响同类脑电信号特征的提取。

本文分析的运动脑电数据的采样频率为128 Hz,将信号分解到第3层,信号分解后的细节部分为D1～D3,光滑部分为S。光滑S对应的最低频带为0～8 Hz,D3对应8 Hz～16 Hz,对应α(9 Hz～12 Hz)波段;D2对应16 Hz～32 Hz,对应β(19 Hz～26 Hz)波段;D1对应32 Hz～64 Hz。而脑电信号的ERD/ERS主要就出现在这2个波段[9-12],选择D2和D3进一步分析,为了进一步减少特征向量的维数,本文提取了MODWT的均值、能量均值、均方差3个统计特征。

3.2 变换域AR模型系数的特征提取

AR模型又称为自回归模型,可用如下差分方程来表示:

其中,ε(n)是均值为0、方差为σ2的白噪声序列;P为AR模型的阶数;αp(i),i=1,2,…,P为P阶AR模型的参数。所以,脑电信号序列x(n)可以看作白噪声通过AR模型H(z)的输出。构建AR参数模型的阶数过高或者过低都会影响分辨率。本文利用8阶AR模型从经过脑电信号的光滑成分中提取8个AR模型系数,作为运动想象脑电信号的又一个特征向量。提取流程如图4所示。

图4 EEG信号3层光滑S3的8阶AR模型系数提取流程

3.3 利用能量聚类特性的特征提取

人脑想象单侧肢体运动时会导致大脑对侧的运动感觉区域的Mu节律和beta节律能量减小,而同侧的运动感觉区域的Mu节律和beta节律能量增强,这种现象被称为事件相关去同步和事件相关同步[13]。根据该生理特性,设LEC3,LEC4,REC3,REC4分别表示脑电信号C3,C4通道运动想象左、右的平均能量,定义如下:

按下式组合成2类曲线:TL=[LEC3LEC4],TR=[REC3REC4],分别表示左运动想象与右运动想象的能量曲线,其变化趋势如图5所示。C3, C4这2个通道的数据各持续6 s,因此,时间轴总共持续12 s。

图5 EEG信号3层光滑的平均能量曲线

从图5中可以看出,C3,C4这2个通道的脑电信号能量的变化时间特性不同。想象左手运动时,TL=[LEC3LEC4]曲线的前半部分在TR=[REC3REC4]的上方,呈现能量增强,同时,TL=[LEC3LEC4]曲线的后半部分在TR=[REC3REC4]的下方,呈现能量减弱;想象右手运动时,TL=[LEC3LEC4]曲线的前半部分在TR=[REC3REC4]的下方,呈现能量减弱,而此时,TR=[REC3REC4]的左半部分能量得到增强。TL,TR两类曲线在进行左右手想象时,呈现能量对称的趋势,并且在最初的0.5 s～2 s内呈现能量差异化最大。因此,脑电信号的早期能量差异可以用作特征进行脑电的识别。特征提取步骤如下。

Step 2 计算左、右手想象时的能量曲线:TL= [LEC3LEC4],TR=[REC3REC4]。

Step 4 计算相对能量曲线:TC3=EC3-LEC3,TC4=EC4-LEC4;或者TC3=EC3-REC3,TC4=EC4-REC4。

Step 5 设置一个长度为N的滑动窗口,将TC3,TC4分别分割成长度为N的若干子序列,并计算每个序列的均值、方差,得到一组模式向量:T= [PC3PC4],其中,PC3,PC4如下:

这样最终每个通道就获得了6个极大重叠小波系数的统计特征、8个AR模型系数以及基于能量特性曲线的极大重叠小波系数的统计特征,取m= 128,则本文共计48个特征,将它们作为分类器的输入特征向量。

4 脑电模式分类

4.1 BP网络分类

BP算法是一种监督式的机器学习算法,其主要思想为误差后向传播法。本文用创建一个输入层节点数为30、隐含层神经元个数为20、输出节点数为2的BP神经网络。图6显示了不同小波基提取的特征利用BP的分类结果,最好的识别率达到88.1%,而利用 MODWT提取的特征最好分类效果达92.1%。

图6 BP网络的分类结果

4.2 支持向量机分类

首先利用训练样本向量确定判别函数f(X),然后结合训练样本,根据Sgn(f(X))值的不同进行分类。Sgn(f(X))为1对应于向左运动想象EEG;如果Sgn(f(X))为-1,则对应于向右运动想象EEG。图7显示了不同小波基下支持向量机的分类结果,最好的识别率达到91.0%。利用MODWT提取的特征最好分类效果达91.8%。

图7 支持向量机的分类结果

4.3 欧氏距离分类判别

首先,通过训练数据的2个通道的运动想象脑电特征矢量的均值PC组成左右手想象运动的n维矢量中心。按照第2节中的方法提取每个通道的某次实验的C3,C4通道曲线的特征向量,并计算该时间段内和中心之间的欧式距离D1,如果它到集合G1的距离短,它就属于第1类,否则为第2类。图8显示了不同小波基下欧式距离线性判别的分类结果,最好的识别率达到91.5%,而利用MODWT提取的特征最好分类效果达92.86%。

图8 欧式距离线性判别的分类结果

4.4 结果分析

基于距离的分类器获得了最好的分类效果。表1为BCI Competition 2003脑机接口大赛参赛对本组数据所使用的方法和结果[8]。本文的特征提取和分类算法对BCI2003的竞赛数据Data set III处理的最优结果为92.86%,相对现有的特征提取方法有较大的提高,与竞赛的最优识别率89.29%也有3.6%的提高,并且MODWT消除了因为不同小波基所带来的影响,基本保持识别率在一个较高的水平。

表1 本组数据所使用的方法以及前3名识别率

表2显示了不同特征提取方法欧氏距离线性判别的最优分类结果。本文基于极大重叠小波变换的特征提取方法结合了极大重叠小波分析、AR模型的优点,结果更优。

表2 利用距离线性判别的分类结果对比

5 实验验证

为进一步验证本文方法的有效性,建立了脑电信号控制电动机系统。脑电信号控制电动机系统需要实现脑电信号的在线采集、特征提取和分类、电机的控制等功能。系统硬件由电极帽、脑电导联线、脑电信号调理系统、以PIC32系列80 MHz主频32位MCU为核心的数据采集与处理主控系统、电机控制系统组成。自行研制脑电放大器(放大倍数: 110 000倍,AD分辨率:16位)完成脑电信号的采集,数据在主控系统中完成脑电信号的特征提取和分类。分类结果通过无线方式发送至电机控制系统,电机控制系统根据不同命令控制电机的正反转。整个系统的构成如图9所示。

图9 EEG信号控制电机系统

图10 为受试者利用脑电信号控制电动机的实验照片,显示器上随机出现向左移动或者向右移动的箭头提示受试者想象左手或者右手运动,受试者想象左手运动控制电机左旋,想象右手运动控制电机右旋。

图10 脑电控制电机左、右旋转的实验照片

差分运动想象脑电信号从大脑C3和C4处获取后,送入32位处理器PIC32mx795进行特征提取,并利用欧氏距离线性判别分类器进行分类,分类结果通过无线发送至电机系统的控制系统并控制电机转向。大量实验证实了识别算法的有效性,并且也为系统的改进积累了经验。

表3为部分受试者在不同训练强度下使用脑电信号控制机械手时的准确率,平均达到了91.3%,相比文献[14]提高了1.8%。

表3 不同训练强度下脑电信号控制电机的准确率

图11给出了受试者N3的一组实验结果,将N3的向左、右运动想象的C3,C4通道数据分别进行平均,从功率谱可以看出有明显的能量对称特性,该受试者的C3,C4信号频谱集中在10 Hz和20 Hz附近,并且左侧与右侧的10 Hz左右的能量谱峰呈此消彼长关系。

图11 左、右运动想象情形下的功率谱

6 结束语

采用运动想象脑电信号作为BCI的输入,最大的特点是不需要外部装置对人体进行刺激,使用者的运动想象就可以在大脑运动感觉皮层产生EEG信号。BCI系统采集这些信号经过处理后得到控制指令,从而实现大脑和外界的交流与沟通。本文针对运动想象脑电信号的识别提出了一种基于极大重叠小波分析的特征提取方法,将大脑C3,C4想象脑电信号进行极大重叠小波分解,利用脑电信号的能量曲线特征、对应频带小波系数特征、脑电信号光滑成分的8阶AR模型系数作为特征向量,消除了对时间分析起点的依赖性。实验对比了多种分类方法,对BCI2003的竞赛数据DatasetⅢ处理的最优结果为92.86%。与BCI2003竞赛的最优识别率89.29%相比提高了3.6%。本文最终将欧氏距离线性判别分类器移植进嵌入式电机系统中进行了检验,实验结果表明,可以在此基础上设计可靠的电机转向控制系统。

[1] Van Gerven M,Farquhar J,Schaefer R,et al.The Braincomputer Interface Cycle[J].JournalofNeural Engineering,2009,6(4):1-10.

[2] 高上凯.浅谈脑——机接口的发展现状与挑战[J].中国生物医学工程学报,2007,26(6):801-803.

[3] 徐宝国,宋爱国.基于小波包变换和聚类分析的脑电信号识别方法[J].仪器仪表学报,2009,30(9):25-28.

[4] 高克芳,陈亚光.基于小波的模拟自然阅读事件相关电位的单次提取[J].电子学报,2006,34(10): 1856-1859.

[5] Pfurstcheller G,Neuper C.Motor Imagery and Direct Brain-computer Communication[J].Proceedings of the IEEE,2001,89(7):1123-1134.

[6] Percival D B,Walden A T.时间序列分析的小波方法[M].程正兴,译.北京:机械工业出版社,2006.

[7] Howe D A,Percival D B.Wavelet Variance,Allan Variance,andLeakage[J].IEEE Transactionson Instrumentation and Measurement,1996,44(2):94-97.

[8] Blankertz B,Muller K R,Curio G,et al.The BCI Competition 2003:Progress and Perspectives in Detection and Discrimination of EEG Single Trials[J].IEEE Transactions on Engineering,2004,51(6):1044-1051.

[9] Subasi A.EEG SignalClassification Using Wavelet Feature Extraction and a Mixture of Expert Model[J]. Expert System with Application,2007,32(4):1084-1093.

[10] Rosso O A,Martin M T,Figliola A,et al.EEG Analysis Using Wavelet-based Information Tools[J].Journal of Neuroscience Methods,2006,153(2):163-182.

[11] Pfurstcheller G,Lopes S F H.Event-related EEG/MEG Synchronization and Desynchronizaiton:Basic Principles [J].ClinicalNeurophysiology,1999,110(11): 1842-1857.

[12] Houdayer E,Labyt E,Cassim F,et al.Relationship Between Event-related Beta Synchronization and Afferent Inputs:Analysis of Finger Movementand Peripheral Nerve Stimulations [J]. Clinical Neurophysiology,2006,117(3):628-636.

[13] Kalcher J,Pfurtscheller G.Discrimination Between Phase-locked and Non-phase-locked Event-related EEG Activity[J].Electroencephalography and Clinical Neurophysiology.1995,94(5):381-384.

[14] 徐宝国,宋爱国,费树岷.在线脑机接口中脑电信号的特征提取与分类方法[J].电子学报,2011,39(5): 1025-1030.

编辑 顾逸斐

Movement Imagery Electroencephalogram Recognition Based on MOWDT

LI Dong-minga,WANG Dian-hongb,YAN Junb,WANG Yong-taoa,SONG Mai-linga,YU Bei-beib
(a.Teaching and Experiment Centre of Information Technology;
b.School of Mechanical and Electronic Information,China University of Geosciences,Wuhan 430074,China)

To classify and recognize the movement imagery electroencephalogram,is an important problem in Brain Computer Interface(BCI)research.This paper presents a novel method of extracting Electroencephalogram(EEG) features based on Maximum Overlap Wavelet Transform(MODWT)and Autoregressive(AR)model.The EEG signal is decomposed to three levels by MODWT and statistics of wavelet coefficients are computed.Meanwhile,in the EEG signal’s approximation part,the eighth-order AR coefficients are estimated by Burg’s algorithm,and energe feature vector is also extracted.The combination features are used as an input vector for Neural Network(NN)classifier,Support Vector Machine(SVM)classifier,and Linear Discriminant Analysis(LDA)classifier.The recognition result using BCI2003 competition data set is compared with the best result of the competition,and the classification results show the higher recognition rate of the algorithm.Moreover,transplanting the trained successfully model into embedded motor steering control system based on EEG,and the average recognition accuracy of 91.3% is obtained.The method provides a new idea for the study of embedded BCI system for practical application.

Brain Computer Interface(BCI);movement imagery;Maximum Overlap Wavelet Transform(MODWT); energy curve;pattern classification;motor steering control

1000-3428(2014)10-0161-07

A

TN911.7

10.3969/j.issn.1000-3428.2014.10.031

中央高校基本科研业务费专项基金资助项目(CUGL120278);湖北省自然科学基金资助项目(2011335070)。

李东明(1982-),男,讲师、博士,主研方向:脑机接口技术,图像处理;王典洪,教授;严 军,副教授;王永涛、宋麦玲,讲师;余蓓蓓,讲师。

2013-09-02

2013-10-23E-mail:universeli@163.com

中文引用格式:李东明,王典洪,严 军,等.基于MODWT的运动想象脑电信号识别[J].计算机工程,2014, 40(10):161-167.

英文引用格式:Li Dongming,Wang Dianhong,Yan Jun,et al.Motor Imagery Electroencephalogram Recognition Based on MOWDT[J].Computer Engineering,2014,40(10):161-167.