基于ERD/ERS现象的运动想象脑电信号分类研究

陈黎黎，国红军，陈国龙（.宿州学院智能信息处理实验室，安徽宿州 234000；2.安徽大学智能计算与信息处理教育部重点实验室，安徽合肥 230039）



基于ERD/ERS现象的运动想象脑电信号分类研究

陈黎黎1，2，国红军1，陈国龙1
（1.宿州学院智能信息处理实验室，安徽宿州 234000；2.安徽大学智能计算与信息处理教育部重点实验室，安徽合肥 230039）

摘 要：运动想象脑电信号的分类正确率直接影响到BCI系统的应用价值.为了提高分类正确率，通过对脑电信号的特征提取和分类识别方法的研究，根据运动想象过程中的ERD/ERS现象，提出利用独立分量分析法对采集到的多导联运动想象脑电信号进行盲源分离，获取与想象任务相关的ICA滤波器，将其作用到预处理后的观测信号上，得到与想象任务相关的脑电成分，再以支持向量机为分类器来实现对三类运动想象任务的脑电信号进行分类识别的方法，并对三位受试者的脑电数据进行了分类实验，实验结果验证了该方法的有效性.

关键词：运动想象；ERD/ERS；独立分量分析；特征提取

0　引言

随着计算机技术的飞速发展和脑科学研究的不断深入，人们开始尝试在大脑与外部世界之间建立一种全新的、不依赖于外周神经和肌肉的、可以直接进行交流和控制的通路，这就是脑－计算机接口（Brain－Computer Interface，BCI），简称脑机接口［1，2］.

人在想象肢体运动但没有发生实际肢体动作的情况下，在相关的头皮电极位置可以记录到大脑神经元群体的自发性电位活动信号［3］，这种信号被称之为运动想象（MI）脑电信号（EEG）.利用BCI系统采集人体的运动想象EEG数据，对其进行特征提取和分类识别，再将其转化为某种控制信号，可以帮助思维正常但存在某种运动障碍的人实现对外界设备的控制［4］，如图1所示.目前，对运动想象EEG的分类研究已成为BCI研究领域中的一个重要分支，受到了国内外众多专家的关注.

图1　BCI系统结构

1　EEG数据采集

本研究使用的运动想象EEG数据是在安徽大学智能计算与信息处理教育部重点实验室采集完成的.实验系统装置采用美国Neuroscan公司的产品，包括40导联电极帽、用于进行刺激实验的Stim2软件、用于EEG信号采集和处理的Scan软件、用于放大信号的NuAmps放大器及其他附属产品.电极安放标准参照国际10－20电极放置法，参考电极置于两耳后乳突位置［5］.实验的受试者为三名身体健康的在校研究生Liu（男，28岁）、Jv（女，22岁）和Ou（女，22岁），三人均为右利手.实验过程中，受试者安静地坐在电脑前保持放松.在每次实验开始后的1s，屏幕上出现运动想象类别的提示符号，受试者随即开始对应的运动想象，持续5s，随后进行4s休息，实验范式如图2所示.实验采样频率为250Hz，同时对采集的数据进行0.5 ～100Hz的带通滤波和50Hz的陷波滤波.实验采样精度为16bit，共采集到每位受试者的4组实验数据，每组包含75次运动想象任务.其中，左手、右手和脚的想象任务各25次，顺序是随机的.每组实验数据均以.cnt格式进行存储.

图2　EEG数据采集的实验范式

上述实验过程采集到的是多导联脑电数据，为了降低多导联数据处理过程的复杂性，根据电极的安放位置，只选取运动感觉区及其周围的FC3，FCz，FC4，C3，Cz，C4，CP3，CPz，CP4共九导数据进行分析.因信号采样频率为250Hz，每次运动想象任务记录的数据长度为9s，因此，单次实验数据为一个9＊2 250的矩阵.

2　数据预处理

人的脑电信号频率范围为0.5～50 Hz，其中包含有delta波（0.5～3Hz）、theta波（4～7Hz）、alpha波（8～13Hz）、beta波（18～30Hz）和gamma波（＞30Hz）等成分.与运动想象脑电信号密切相关的mu节律和beta节律对应的频率范围分别是8～13Hz和18～26Hz［6］.研究表明，当人在做单侧肢体运动或者运动想象时，大脑同侧运动感觉区的mu/beta节律幅度就会升高，产生事件相关同步现象（Event－Related Synchronization，ERS），而对侧的mu/beta节律幅度会降低，产生事件相关去同步现象（Event－Related Desynchronization，ERD）［7］.为了滤除其它节律的干扰，只选择ERD/ERS现象表现比较明显的频率段进行分析和处理，本文使用加窗滤波的方式，对运动想象EEG数据集进行滤波，采用的窗函数为Hamming窗，阶数为64.经多次实验，最终确定将受试者Liu和Jv的滤波频段设置为10～14Hz，Ou的滤波频段设置为10～18Hz.图3和图4为受试者Liu的某次EEG实验数据在滤波前后的波形图.

为了验证滤波效果，同时找出左手、右手和脚三类运动想象任务对应的ERD/ERS现象比较明显的时间段，下面对滤波后的EEG数据进行平均能量分析［8］.

对于每位受试者的每一类运动想象，假设x（i，j）为第i次实验的第j个EEG数据，则N次实验对应的第j个EEG数据的平均能量可表示为：这里，N＝25；i＝1，2，…，25；j＝1，2，…，2 250.

图3　原始脑电波形

图4　10～14Hz滤波后的脑电波形

由式（1）可以计算出每类运动想象实验在各导联上的每个采样点的平均能量.图5、图6和图7分别为受试者Liu在想象左手、右手和脚运动时C3，C4和Cz导联对应的平均能量图.从图中可以看出，在进行左手运动想象时，C4导联的能量受到了抑制；在进行右手运动想象时，C3导联的能量受到了抑制；在进行脚运动想象时，Cz导联的能量受到了抑制.这与运动想象ERD现象完全一致.同时，从图中我们还发现，受试者在运动想象任务开始后的0.5～5s内，数据能量特征的区分度较为明显.因此，从时间段上，实验选取0.5～5s内的数据做分析.这样，每类运动想象任务的单次实验数据为一个9＊1 125的矩阵.

3　特征提取

3.1 盲源分离

如果将某次实验获得的运动想象脑电观测信号表示为X＝［x1（t），x2（t），…，xn（t）］T，其中n为通道数，则这种n维的脑电观测信号实际上是由大脑不同部位（信号源）发出的m（假设m≤n）个相互独立的非高斯源组成的源信号S＝［s1（t），s2（t），…，sm（t）］T在空间上线性混叠而成，如图8所示，即：其中还常伴随着一些噪声干扰.

图5　想象左手运动时的平均能量

图6　想象右手运动时的平均能量

图7　想象脚运动时的平均能量

图8　盲源分离原理

为了改善脑－机通信的正确识别率，必须从多通道混合观测信号中有效分离出隐含的独立信号源成分.独立分量分析（Independent Component Analysis，ICA）［9－11］是近年来出现的一种基于多通道的盲源信号分离方法，它可以从EEG中分离出干扰信号，实现对源信号的特征增强.

在图8中，假定m＝n，此时，ICA要解决的问题就是在源信号S和混合矩阵A都未知，仅有观测信号X的情况下，选择一种合适的优化方法求出解混矩阵W，使其作用于观测信号X后所得的估计信号U＝［u1（t），u2（t），…，um（t）］T的各个分量尽可能地相互独立且最逼近未知源信号S.即：

我们将预处理后的训练样本作为观测信号X，选择基于信息极大准则，可以同时适用于超高斯和亚高斯信号分离的扩展Infomax算法对解混矩阵进行估计［12］，解混矩阵W的调整公式可表示为：

式中，I为单位矩阵，K是概率模型切换矩阵，kii为K对角线上的元素，当kii＝1时，对应超高斯信号，kii＝－1对应亚高斯信号，kii的取值可通过估计信号的峭度来确定，即：

n为迭代次数，μ为学习率.扩展Infomax算法按式（5）进行解混矩阵W的迭代求解，直至算法收敛.

3.2 ICA空域滤波

由于估计信号U的每一个分量都是由n维脑电观测信号X线性组合而成，组合系数为解混矩阵W中对应行向量的各个元素，因此，从信号处理的角度，解混矩阵W的每个行向量实际上都是一组可用于脑电信号分析的ICA空域滤波器.

为了从W中找出用于左手、右手和脚三个运动想象类别提取的ICA滤波器Wl、Wr和Wf，首先将（2）式改写为：

其中ai为混合矩阵A的列向量.此时，观测信号X可以理解为混合矩阵A的列向量的线性混合，对应的权重则为各个独立的源信号si（t）.由这种线性混合关系可知，ai能够反映独立源si（t）在头皮电极位置的空间分布模式，即ai中元素的最大值所在的行号近似反映了源信号si（t）在各电极中的相对位序.同时，在ICA算法进行盲源分离的理想状态下，即U（t）＝S（t）时，（3）式满足WA＝I （I为单位矩阵），即W＝A－1.于是，根据与左手、右手和脚运动想象相关的C3、C4和Cz电极的相对位置，按最大值出现这些位置的列向量ai的位序，选择W中对应的行向量，它们即为左手、右手和脚三个运动想象类别提取的ICA滤波器.将它们分别作用预处理后的每一组观测信号X上，则可提取出与运动想象任务相关的脑电成分.

为了详细地描述脑电信号特征状态，下面对X进行处理，求其协方差矩阵：然后，采用如下的方法定义各样本的特征向量分量：

这样，每个脑电实验样本数据按照上述方法处理后，提取到的特征向量可表示为：它将作为运动想象脑电信号模式分类识别的依据.

4　模式分类及结果

支持向量机（Support Vector Machine，SVM）是根据统计学习理论的VC维和结构风险最小原理提出的一种机器学习方法，它在解决小样本、非线性、高维数和局部极小点等实际问题中表现出许多特有的优势［13，14］.因此，本文选用SVM作为分类器，借助台湾大学林智仁教授开发的libsvm工具箱，实现运动想象脑电信号的三分类问题.

针对运动想象脑电信号的非线性特点，在脑电信号的分类识别过程中，以径向基函数RBF作为SVM的核函数.对于惩罚因子C和核参数γ取值的确定，使用网格搜索法［15］，设定γ和C的取值范围为2－10～210，在不同的γ和C的取值交叉形成的所有网格中进行搜索，采用5－fold交互检验模式来搜寻γ和C的最优取值.

按照上述方法，从每位受试者的四组数据中选取一组作为训练集，分别对剩下的三组数据进行测试，得到的分类正确率如表1～表3所示.

从实验结果来看，受试者Liu和Ou的实验效果最好，其平均分类正确率最高可达89.78%和87.11%，而受试者Jv的分类效果不太理想，平均分类正确率最高仅为70.33%.出现这种现象，一方面是由于脑电信号是一种非平稳的随机信号，在采集和处理的过程中都极易受到各种干扰，造成数据本身的质量可能存在问题；另一方面主要是由于不同受试者出现运动想象ERD/ERS现象的最佳频率段和时间段各不相同，即受试者之间存在着一定的个性差异.

表1　受试者Liu的分类实验结果

表2　受试者Jv的分类实验结果

表3　受试者Ou的分类实验结果

?5　结论

本文提出的基于ERD/ERS现象的运动想象脑电信号分类识别方法，借助独立分量分析中的扩展Infomax算法对运动想象EEG数据进行了盲源分离，得到了与三种运动想象任务相关的ICA空域滤波器，并结合支持向量机技术，根据ICA空域滤波器提取的脑电信号特征，实现了运动想象脑电信号的分类识别，取得了较好的实验结果.

该方法原理简单，易于操作，大大降低了对脑电专业知识的要求.但同时，由于忽视了不同受试者的脑电信号在时域和频域等方面存在的个体差异问题，在脑电信号处理过程中使用了相同的时间段和相似的频率段，导致该方法对不同受试者的分类效果存在着一定的差异.因此，如何针对不同的受试者进行频率段和时间段的个性化分析和选择，进一步提高分类正确率将是下一步的研究重点.

参考文献

［1］王 斐，张育中，宁廷会，等.脑－机接口研究进展［J］.智能系统学报，2011，6（3）：189－199.

［2］叶 竞.左右手运动想象脑－机接口系统的分析与研究［D］.重庆：重庆大学，2012.

［3］孟 霏，张旭秀.运动想象脑电信号的特征提取和分类进展［J］.北京生物医学工程，2013，32（2）：209－214.

［4］葛 瑜，杨 钢，周宗潭，等.基于ECoG的运动想象脑－机接口分类方法［J］.计算机应用与软件，2009，26（6）：21－23.

［5］巩笑晓.运动想象脑电信号的特征提取算法研究［D］.合肥：安徽大学，2014.

［6］黄思娟，吴效明.基于Mu/Beta节律想象运动脑电信号特征的提取［J］.中国组织工程研究与临床康复，2010，14 （43）：8 061－8 064.

［7］Birbaumer N.Breaking the silence：Brain－computer interfaces（BCI）for communication and motor control［J］.Psychophysiology，2006，43（6）：517－532.

［8］洪 杰，于薇薇，乔 静.基于运动想象脑电信号的特征提取与分类［J］.机械与电子，2013（10）：17－20.

［9］Muhammad T A，Wataru M，Christopher J J.Employing spatially constrained ICA and wavelet denoising for automatic removal of artifacts from multi－channel EEG data ［J］.Signal Processing，2012，92（2）：401－416.

［10］郭晓静，吴小培，张道信，等.基于独立分量分析的脑电消噪与特征提取［J］.系统仿真学报，2003，15（2）：287－289.

［11］吴小培，叶中付，郭晓静，等.运动意识脑电的动态独立分量分析［J］.中国生物医学工程学报，2007，26（6）：818－823.

［12］郭晓静.独立分量分析在脑－机接口中的应用研究［D］.合肥：安徽大学，2010.

［13］袁 玲，杨帮华，马世伟.基于HHT和SVM的运动想象脑电识别［J］.仪器仪表学报，2010，31（3）：649－654.

［14］庄 玮，段锁林，徐婷婷，等.基于支持向量机的脑电信号分类方法研究［J］.科学技术与工程，2014，14（9）：73－77.

［15］刘 冲，赵海滨，李春胜，等.基于CSP与SVM算法的运动想象脑电信号分类［J］.东北大学学报，2010，31（8）：1 098－1 101.

Research on classification method based on ERD/ERS phenomenon for the motor imagery eeg

CHEN Li－li1，2，GUO Hong－jun1，CHEN Guo－long1
（1.Laboratory of Intelligent Information Processing，Suzhou University，Suzhou 234000，China；2.The Key Laboratory of Intelligent Computing ＆Signal Processing of MOE，Anhui University，Hefei 230039，China）

Abstract：The correct rate of classification of motor imagery EEG signals has a direct impact on the application of BCI system.In order to improve the correct rate，a study on feature extraction and classification of EEG signals has been made.According to the ERD/ERS phenomenon，the method of independent component analysis has been used to make blind source separation and get ICA filters which are used on the observed multi－channel signals to find components associated with motor imagery task.Then，support vector machine has been used for data classification and recognition of three－class motor imagery EEG.The classification experiments have been carried out on three subjects.Experimental results show that this method is simple and effective.

Key words：motor imagery；ERD/ERS；independent component analysis；feature extraction

作者简介：陈黎黎（1982－），女，安徽宿州人，讲师，研究方向：智能信息处理与人－机交互技术

基金项目：安徽省教育厅自然科学研究计划项目（KJ2014ZD31）；宿州学院优秀青年人才基金重点项目（2013XQRL01）；宿州学院智能信息处理实验室开放课题资助项目（2013KYF17）

收稿日期：2015－04－08

文章编号：1000－5811（2015）04－0157－05

文献标志码：A

中图分类号：TN911.7