基于样本熵的运动想象脑电信号特征提取与分类方法

马满振

摘 要：脑-机接口是一种允许人脑与外部接口直接交流的系统，它通过识别不同思维下的脑电信号，并将其转换为控制信号，来实现意念控制。传统的基于EEG信号频域特性进行特征提取的方法无法达到高分类正确率的要求[1]。本文提出基于小波变换与样本熵的运动想象脑电信号特征提取方法。分析了左右手运动想象EEG信号样本熵的动态变化规律及其神经电生理意义。最后利用Fisher线性判别式进行了左右手运动想象脑电的分类，得到了较好的分类结果，平均最大分类正确率达到了90.3%，证明了该方案具有很大的可行性和实用价值。

关键词：脑机接口；运动想象；小波变换；样本熵

DOI：10.16640/j.cnki.37-1222/t.2017.07.262

1 引言

腦-机接口（Brain-Computer Interface，BCI）是一种允许人脑与外部接口直接交流的一种系统[2]。BCI通过实时测量与使用者意图相关的大脑活动，并将这个活动转化为相应的控制信号，从而达到对设备实时控制的目的[3]。BCI最终的目标是形成更加自然顺畅的人-机交流方式，这对某些特殊环境中的外部设备操控人员（如坦克操控人员、潜水员、宇航员等）来说，可以增加人员对专用设备的特殊控制技能，同时还可以达到减少人员工作量，提高工作效率和控制精度等效果。

基于左右手运动想象脑电的BCI，其实现最为关键的环节是脑电信号的特征提取。目前的特征提取方法主要有自回归（AR）模型[4]、功率谱估计[5]、小波变换[6]等。AR模型和功率谱估计属于频域分析法，无法很好的表征EEG信号的时域信息；小波变换属于时频分析法，虽然可以同时分析信号的时域和频域信息，但不能同时在时域和频域有高的分辨率。因此，寻找更加有效的左右手运动想象脑电特征对于改善BCI性能是非常有意义的。

本研究提出了将小波与样本熵结合进行EEG信号特征提取，首先利用小波对EEG原始信号进行去噪，然后采用非线性动力学参数“样本熵”作为脑电特征进行分类。样本熵的值反映所测时间序列中出现新模式的概率，样本熵值与出现产生新模式的概率成正相关 [7]。这正好能够用来衡量运动想象过程中大脑感觉运动皮层被激活时EEG信号的复杂性变化。实验中分析了用户进行左右手运动想象时EEG信号样本熵的动态变化规律及其神经电生理意义。最后利用Fisher线性判别式进行了左右手运动想象脑电的分类，得到了较好的分类结果，证明了该方案具有很大的可行性和实用价值。

3 实验及结果分析

3.1 数据采集

实验数据采用2008年第四届脑机接口竞赛提供的Data sets 1受试b的校准数据，该实验采用59个电极，采样频率为100Hz，周期为8s。受试者放松安静的坐在电脑前舒适的座椅上，根据屏幕上出现的提示进行运动想象，如图1所示，每个实验周期分为以下几个环节：

a）1～2s呈现黑屏状态，受试者保持安静放松；b）2s时，计算机发出短暂的蜂鸣声，提醒受试者注意；c）2～4s屏幕上出现十字叉‘+，使受试者注意力集中在屏幕中心；d）4s时屏幕出现向左或者向右的箭头，用户根据箭头指向进行左手或者右手的运动想象，持续4s。

实验数据中分别包含受试b进行左手运动想象和右手运动想象各100次，其中前30次用于训练，后30次用于测试。

3.2 EEG信号预处理

由于EEG信号非常微弱（级），而且内部夹杂着各种噪声（如眼电、肌电、心电伪迹、工频噪声等），因此EEG的信噪比很低[9]。为了减少噪声提高信噪比，我们利用非线性小波变换阈值法对运动想象原始EEG信号（图2为脑电原始信号）进行处理。通过MATLAB仿真，选取db4作为小波基函数，对原始EEG信号进行5层分解，舍弃 5层以上的高频部分，利用软阈值方法对EEG信号进行去噪处理，处理后得到的信号如图3所示。

运动想象原始EEG信号内部包含各种干扰，高频干扰尤为明显，这将直接影响后期特征提取和分类的效果。由上面的仿真结果图3可见：滤波后的信号很好的滤除了绝大部分噪声的干扰，保留了运动想象脑电信息，为后期的特征提取和分类识别提供有力保证。

3.3 基于样本熵的左右手运动想象EEG复杂度分析

人在放松清醒的状态下进行运动想象时，在大脑的感觉运动皮层区域就会产生8-12Hz的节律和18-26Hz的节律脑电[10]。人在进行单侧肢体运动想象时，大脑中对侧的节律和节律会出现幅值衰减的现象，这种现象被称为事件相关去同步（ERD）；而大脑中同侧的节律和节律会出现幅值增强的现象，这种现象被称为事件相关同步（ERS）。基于ERD和ERS现象，可分别计算出左、右手运动想象EEG信号的样本熵值，选取参考时间段并计算样本熵值，将它们的比值做为运动想象EEG信号的复杂度ERD时程，从而得到左右手运动想象时大脑感觉运动皮层的EEG复杂度变化情况。

主要步骤为：首先从每个实验周期的第一秒开始，设置滑动时间窗宽度为1s（即100点），计算采样点处前1秒C3、C4通道EEG信号的样本熵。窗口每次向后移动一个采样点，直至计算出最后一秒数据的样本熵，从而得到一个实验周期中C 3、C 4通道EEG信号的样本熵时间序列。然后将单个受试者的相同运动想象EEG信号的样本熵值进行叠加平均，求得平均样本熵ERD曲线。由于样本熵表示的是时间序列复杂度，因此，EEG样本熵ERD曲线表征了EEG复杂度随时间的变化规律。左右手运动想象样本熵ERD曲线如图4、图5所示。

根据神经生理学可知，人在进行左右手运动想象时，大脑对侧的感觉运动皮层区被激活，该区域的大脑神经进行运动想象信息处理，导致了运动想象EEG信号独立性增强，同步化程度降低，从而导致了节律和节律幅值衰减（ERD），脑电复杂度反而升高的现象；大脑同侧感觉运动皮层区域相对处于静息状态，神经元活动被抑制引起脑电信号同步化程度增强，从而导致节律和节律幅值增加（ERS）而脑电复杂度降低。综合以上分析可知，左右手运动想象EEG的样本熵复杂度特征与其自身的能量特征具有相同的生理基础，证明了样本熵能够很好的反映出左、右手运动想象EEG信号的特征差异性。

3.4 特征提取与分类

本研究通过计算出单次实验流程C3、C4通道的EEG信号样本熵时间序列和，将其组合成二维时变特征向量，用于运动想象任务的实时连续分类。计算每一时刻前一秒EEG信号的样本熵作为该时刻EEG信号的样本熵，相似容限取。

采用Fisher线性判别式对左、右手运动想象任务进行动态连续分类。首先计算出每一组运动想象脑电数据的时变特征向量，前30组左手和30组右手运动想象脑电数据作为训练样本，对Fisher判别式的权值系数和阈值进行训练，得到每一个采样点处的权值系数和阈值，然后利用式（11）求得测试样本数据每个采样点特征向量的Fisher判别式距离，判断其所属类别，从而实现动态连续分类。

线性判别函数为：

（11）

其中為被测试特征向量，当时，判断属于第一类（左手运动想象）；当时，判断属于第二类（右手运动想象）；当时，判断不属于任何一类。

利用Fisher准则，计算的公式为：

（12）

其中、分别为左、右手运动想象训练数据特征向量的类内聚散度矩阵，、分别为左、右手运动想象训练数据特征向量的均值。

的取值根据经验用下式进行估计：

（13）

利用Fisher线性判别式对左、右手运动想象时变EEG样本熵特征进行分类，求得测试集运动想象数据随时间变化的连续分类结果，实验取得了很好的分类效果，最大平均分类正确率为90.3%。

4 结论

本文针对运动想象脑电能量特征分类正确率不高的问题，提出以样本熵ERD曲线作为区分左、右手运动想象任务的特征，利用Fisher线性判别式对其进行动态连续分类，取得了很好的分类效果，为运动想象EEG信号的特征提取提供了一种新的思路。实验表明，样本熵能够很好的反映出单侧运动想象任务的ERD/ERS生理现象，能够作为区分左、右手运动想象EEG信号的特征，为BCI的特征提取提供了更好的选择，具有很强的实际应用价值。

目前已经成功将样本熵特征提取方法应用到BCI实时系统当中，实现了大脑意念控制无人小车，使其完成无人小车的前进停止等功能，取得了较好的效果.下一步工作，将把小波分解所表征的EEG各层细节特征和用样本熵所表征的EEG复杂度特征进行融合，预计能达到更好的分类效果。

参考文献：

[1]Daly.L， Muller-Putz.G， et al. Fully Online and Automated Artifact Removal for Brain-Computer Interfacing[C]. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2015， 23（5）： 725-736.

[2]Ye Liu ；Dept. of Comput. Sci. ； Eng.， Shanghai Jiao Tong Univ.， Shanghai， China；Hao Zhang；Min Chen；Liqing Zhang . A Boosting-Based Spatial-Spectral Model for Stroke Patients EEG Analysis in Rehabilitation Training. Neural Systems and Rehabilitation Engineering， IEEE Transactions on. 2016. 24（1）： 169-179.

[3]S. Saeedi； R. Chavarriaga； R. Leeb； J. d. R. Millan. Adaptive Assistance for Brain-Computer Interfaces by Online Prediction of Command Reliability. Computational Intelligence Magazine， IEEE. 2016. 11（1）： 32-39.

[4]邹清.基于AR模型的脑电信号特征提取与识别[D].中南大学.2008.

张崇，郑崇勋，欧阳轶，于晓琳.基于脑电功率谱特征的脑力疲劳分析[J].航天医学与医学工程.2008.21（1）.35-39.

[5]Dongying Han； Pei Li； Shujun An； Peiming Shi. Multi-frequency Week Signal Detection Based on Wavelet Transform and Parameter Compensation Band-pass Multi-stable Stochastic Resonance[J]. Mechanical System and Signal Processing. 2016.70-71（000）： 995-1010.

[6]Mourad Kedadouche； Marc Thomas； Antoine Tahan； and Raynald Guilbault. Nonlinear Parameters for Monitoring Gear： Comparison Between Lemple-Ziv， Approximate Entropy， and Sample Entropy Complexity. Shock and Vibration. 2015. 2015（000）： 1-13.

[7]Lei Zhang； Long Zhang； Junfeng Hu； and Guoliang Xiong. Bearing Fault Diagnosis Using a Novel Classifier Ensemble Based on Lifting Wavelet Packet Transforms and Sample Entropy. Shock and Vibration. 2016. 2016（000）： 1-14.

Bermudez i Badia， S.[1]； Using a Hybrid Brain Computer Interface and Virtual Reality System to Monitor and Promote Cortical Reorganization through Motor Activity and Motor Imagery Training. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（2）： 174-181.

[8]Pengfei Wei[1]；Wei He；Yi Zhou；Liping Wang. Performance of Motor Imagery Brain-Computer Interface Based on Anodal Transcranial Direct Current Stimulation Modulation. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（3）： 404-415.