基于小波分析和SVM的P300脑电信号识别算法研究

谢清新，杜玉晓，朱春媚（.广东工业大学 广东 广州50006；.电子科技大学 中山学院，广东 中山58400）

基于小波分析和SVM的P300脑电信号识别算法研究

谢清新1，杜玉晓1，朱春媚2
（1.广东工业大学 广东 广州510006；2.电子科技大学 中山学院，广东 中山528400）

为了满足瘫痪人士和虚拟现实的需求，提出基于小波分析和SVM的P300脑电信号处理算法研究，并通过实验数据论证算法的可行性。本算法首先使用工频陷波器和小波分析去噪，然后使用小波分解和teager能量算子分别提取时域特征量和能量特征量，并基于SVM判断特征量是否含有P300脑电信号。实验数据表明，本算法比单一特征量判别算法有较好的判别精度，符合需求标准。

脑电信号；小波分析；SVM；teager能量算子

脑机接口（brain-computer interface，BCI）是一类通讯接口，通过实时记录脑电信号并对其进行一定的处理后解读出大脑思维，而后将其转换成控制命令实现人脑对机器的控制[1]，满足瘫痪人士日常生活和虚拟现实的需求。

大脑通过视觉、听觉等认知某些事件时，其通常在大脑皮层枕叶位置和顶叶位置可以明显检测到电位变化，这就是事件相关电位 （ERP，event related potentials），P300为当人体受到刺激后大概300 ms在大脑皮层出现一个正向的幅值变化，其幅值为0.3～50 μV，频率为2～8 Hz，其诱发方式多样，由于视觉的刺激方式比较简便与易实现，因此目前基于P300的脑机接口系统（BCI）大部分都是使用范式视觉刺激。其主要满足两个条件：1）目标靶刺激满足随机性；2）目标靶在整个刺激周期中出现的刺激比率比较小。本系论文的刺激界面基于以上规则进行设计。

基于以上规则设计好刺激界面后，主要面临的问题在于如何在范式刺激后产生的脑电信号中判别出其是否含有P300，也即P300的特征提取和判别。文献[2-5]都采用了一些比较简易的方法进行特征提取，比如相干平均、隔点采样等，这些方法虽然简便但是准确率比较低而且容易丢失原始信号特征；文献[6-7]基于以上文献的缺点分别提出了针对性的特征提取方法，例如基于粗糙集理论的特征提取和功率谱分析，虽然这些方法能够提取出特征但要进行大量数据训练；文献[8-10]均提出采用盲源分离的方法提取特征数据，但此方法用于脑信号分析时存在缺陷，即可能干扰过大时无法分离出准确的特征量[11]；文献 [12-13]的特征提取方法虽然能得到准确的特征，但在判别时存在耗时过长。

小波分析是一类窗口大小不变，大小可变的典型的不论在时域还是频域都有不错的局部化信号分析方法，所以可使用小波分析来去噪和分析脑电信号这种非平稳信号并进行特征提取[14，15]。因此本论文采用小波分析进行特征提取并采用支持向量机进行特征量的判别，同时根据P300的特征，其瞬时的幅值和能量比较大，因此引入teager能量算子作为辅助的特征提高判别的精准度。

1 P300与脑电信号的预处理

1.1 工频陷波器设计

50 Hz的工频干扰是脑电信号中最大干扰之一，因此脑电信号预处理时专门设计了一个工频陷波器，滤掉50 Hz的工频干扰。其特性如图1所示。

图1 50Hz工频滤波器特性

1.2 小波分析脑电信号去噪

进行工频去噪后的脑电信号中还会含有其他噪声信号，使用小波分析可以去掉噪声干扰，同时减少脑电信号信息的丢失。

2 P300的特征提取和识别

P300脑电信号处理算法的总体流程如图2所示.实时采集的脑电数据是每轮打标点的前200 ms和后600 ms的数据，根据脑电图机256的采样率可得206个标定区间采样数据，首先对其进行工频滤波和小波去噪的预处理，然后基于小波分解提取时域特征并基于teager能量算子提取能量特征，最后将两个特征量使用支持向量机判断是否含有P300，并将根据标定所对应的行列获得刺激指令。

图2 基于小波分析和支持向量机的P300脑电信号处理算法

2.1 基于小波分解的P300的特征提取

根据第二小节对P300脑电信号的描述可知，要想判断脑电信号中是否含有P300，首先要提取出P300的特征分量，根据上述可知，P300主要出现在频率为2～8 Hz的脑电信号中，幅值大约为20～30 μV，因此可使用小波分解对采集到的脑电信号进行分解，获得2～8 Hz的特征分量，同时对脑电数据进行降维，便于加快特征分辨和提升准确率。

2.2 支持向量机

判断是否含有P300的特征分量是一个二分类问题，因此引入支持向量机进行二分类。支持向量机是线性的分类器，其基本思想为在线性可分的情况下分类样本的最优分类平面可在原空间中寻得；在线性不可分的情况下可将样本向量以非线性变换映射到高维空间中寻求线性最优分类超平面。通过使用结构风险最小化原理，利用支持向量机寻得满足能够很好区分样本和分类面距离样本数据的距离尽可能远的两个条件的全局最优分类面。

2.3 teager能量算子

只有脑电时域特征分量时使用支持向量机进行二分类，其准确率不是很高，因此引进一种新的特征分量——teager能量算子作为辅助，提高分类的准确率。

对于离散信号x（k），其Teager能量算子的公式如下：

3 实验结果分析

3.1 数据采集

根据文献[8]和文献[16]的论述，为了很好的屏蔽眼动产生的肌电信号对脑电信号的干扰，本实验使用的电极编号为：C3、C4、Cz、P3、P4 5个通道，另外，耳朵为参考电极，额头中心为接地。本论文以一名受试者在进行“↑”即机器人向前行走的10轮视觉刺激中采集到通道P3的数据进行实验结果分析。

3.2 预处理结果

获得的脑电数据根据算法步骤，首先进行工频滤波，结果如图3所示。

图3 工频滤波前后

可以看出，设计的工频陷波器能够很好的滤掉了50 Hz的工频干扰，并保持脑电信号的完整性。

进行工频滤波后，信号还是有很多的毛刺，根据一些小波分析文献的描述[17]和针对本系统实验室数据的分析经验提出采用的小波基是“sym6”，进行3层分解重构，数据结果如图4所示。由图可得，小波分析去噪的效果是非常明显的，不仅能够使信号滤掉毛刺，而且能够使信号相对平滑与完整，效果比较理想和符合实验要求。

图4 小波去噪前后

3.3 小波分解后的结果

根据上述的描述，一段区间的脑电数据有206个采样点，4次分解后脑电数据只剩大约23个点。图5为通道P3的第六轮预处理后“↑”视觉刺激的数据，可以从图5看出，在采样点150左右，即刺激后经过300 ms，有“↑”刺激的脑电会出现一个正向的峰值，而无“↑”刺激的脑电很明显没有此类峰值。

图5 第6轮预处理后的数据

图6 第6轮预处理后的数据4次分解后的近似分量

可以从图6中看出，进行4次小波分解后的进似分量保存了原始信号的特征量同时减少了数据量，提高了分辨是否含有P300的速率。

3.4 支持向量机分类结果

1）只用小波分解所得特征分量的结果

将小波第四次分解后的脑电信号分量作为支持向量机分类的特征向量，实验中总共有6名健康的受试者，每人进行10轮的各类指令训练，因此获得的特征量为6×10×6。

表1 6名受试者指令判别准率

从表1中可以看出，受试者3的效果比较好，但是受试者2、4、5的准确率相对比较低，这可能和受试者的注意力、放松程度和电极的松动程度有关，从而P300没有产生或者峰值较小等等。因此引进了teager能量算子计算此期间的能量作为辅助的判别特征。

2）使用双重特征分类的结果

对通道P3的第六轮预处理后脑电数据进行teager能量计算，如图7可以看出，在采样点10～50之间，可以看出有无P300具有较大的能量差别，因此可以用于作为辅助特征向量。

图7 teager能量计算后的波形

加入辅助特征向量后的判别准确率如表2所示。

表2 6名受试者指令判别准率

根据上述的结果，使用小波分解和teager能量算子提取的特征分量进行二分类的准确率有明显提高，但是分辨的速度稍微慢了一点[18-19]。

4 结束语

根据实验数据显示使用小波分析去噪、分解与提取脑电信号特征量并基于支持向量机的特征量判断算法设计达到了预期的效果，能够实现对命令的解读。加入了teager能量算子后能够提高了准确率，比只有小波分解后的特征分量有所提升。为了使本算法能够更好的满足实际和复杂环境的需求，下一步将着力于在复杂环境下进一步提高判断精度和速度。

[1]高上凯.神经工程与脑-机接口[J].生命科学，2009 （2）:177-180.

[2]林亚静.基于P300的脑机接口的数学模型与算法研究[J].科技创新与应用，2014（3）:53-53.

[3]潘家辉.基于P300和SSVEP的高性能脑机接口及其应用研究[D].广州：华南理工大学，2014.

[4]孙中钱.基于P300和运动想象的脑机接口研究[D].济南：山东大学，2013.

[5]Koo B，Nam Y，Choi S.A hybrid EOG-P300 BCI with dual monitors[C]//Brain-Computer Interface （BCI），2014 International Winter Workshop on. IEEE，2014:1-4.

[6]苏煜.基于SCF范式的在线P300脑机接口研究[D].杭州：浙江大学，2010.

[7]施锦河.运动想象脑电信号处理与P300刺激范式研究[D].杭州：浙江大学，2012.

[8]计瑜.基于独立分量分析的P300脑电信号处理算法研究[D].杭州：浙江大学，2013.

[9]Lee W L，Tan T，Leung Y H.An improved P300 extraction using ICA-R for P300-BCI speller.[C]// Conference:International Conference of the IEEE Engineering in Medicine&Biology Society IEEE Engineering in Medicine & Biology Society Conference.Conf Proc IEEE Eng Med Biol Soc，2013:7064-7067.

[10]Tayeb S， Mahmoudi A， RegraguiF， etal. Efficient detection of P300 using Kernel PCA and support vector machine [C]//Complex Systems （WCCS），2014 Second World Conference on. IEEE，2014.

[11]傅伟，张新友，熊平.WICA算法在脑电P300波成分提取中的应用研究 [J].医疗卫生装备，2009，30（1）:4-6.

[12]王金甲，杨成杰.P300脑机接口控制智能家居系统研究[J].生物医学工程学杂志，2014（4）：762-766.

[13]梁健威.基于多域融合与遗传算法的P300测谎研究[D].杭州：浙江大学，2015.

[14]张玉霞.基于P300和SSVEP的混合型脑机接口的分析与研究[D].济南：山东大学，2015.

[15]Akman Aydin E，Bay O F，Guler I.Classification of P300 event related potentials with Discrete Wavelet Transform [C]//Signal Processing and Communications Applications Conference（SIU），2015 23th.IEEE，2015.

[16]沈之芳.基于P300的脑机接口及其在线半监督学习[D].广州：华南理工大学，2014.

[17]张德丰.MATLAB小波分析[M].北京：机械工业出版社，2009.

[18]姚红革，杜亚勤，刘洋.基于小波分析和BP神经网络的图像特征提取[J].西安工业大学学报，2008 （6）：568-572.

[19]白宇辰，尹华超，刘三军.基于小波分析的改进KDJ指标[J].电子科技，2013（8）:13-15.

Based on wavelet analysis and SVM of P300 EEG signals processing algorithm research

XIE Qing-xin1，DU Yu-xiao1，ZHU Chun-mei
（1.Guangdong University of Technology，Guangzhou 510006，China；2.University of Electronic Science and Technology of China，Zhongshan Institute，Zhongshan 528400，China）

In order to meet the requirements of the paralyzed clinical and virtual reality，proposed based on wavelet analysis and SVM of P300 EEG signals processing algorithm research，and through the experimental data prove the feasibility of this algorithm.The algorithm first makes power frequency filter and wavelet denoising，and then use the wavelet decomposition and teager energy operator respectively extract the time domain characteristics and energy characteristics，and based on the SVM judge whether characteristics contain P300 EEG signals.The experimental data show that this algorithm is better than the single feature discriminant algorithm，accord with the standard requirements

EEG；wavelet analysis；SVM；TEO

TN919.3+2

A

1674－6236（2017）07-0130-04

2016-03-04稿件编号：201603040

谢清新（1990—），男，广东湛江人，硕士研究生。研究方向：脑电信号处理、图像处理、嵌入式及工业控制。