基于多类运动想象任务的EEG信号分类研究

，，

(装甲兵工程学院 控制工程系，北京 100072)

基于多类运动想象任务的EEG信号分类研究

马满振，郭理彬，苏奎峰

(装甲兵工程学院控制工程系，北京100072)

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题，提出了一种时-空-频域相结合的脑电信号分析方法：首先利用小波包对EEG原始信号进行分解，根据EEG信号的频域分布提取出运动想象脑电节律，通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征；然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中，并利用判断决策函数值的方法对SVM的输出结果进行融合；最后通过引入时间窗对脑电信号进行时域滤波，消除运动想象开始和结束时脑电的波动，进一步提高信号信噪比和算法的分类效果；实验结果显示：在时间窗为2 s时，平均最大Kappa系数达到了0.72，比脑机接口竞赛第一名提高了0.15，验证了该算法能够有效减小脑电信号个体差异性影响，提高多类识别正确率。

脑机接口；运动想象；共空间模式；支持向量机；时间窗

0 引言

脑-机接口(brain-computer interface，BCI)是允许人脑与外部接口直接交流的一种系统。它通过实时测量与使用者意图相关的脑电(electroenc ephalo gram，EEG)，并将其转化为相应的控制信号，从而达到对设备实时控制的目的[1]。目前，BCI的研究不仅仅停留在助残服务、医疗康复相关领域，已经拓展到智能家电、娱乐、航天以及军事等各个领域，受到了世界范围内的广泛关注和研究。

基于运动想象EEG信号的BCI系统国内外已经进行了较多研究，但对于多类运动想象任务的识别还存在个体差异性强、分类识别率不高、采集脑电导联数目过多以及算法实时性不好等问题，导致了BCI在实际应用中进展缓慢。Luis F Nicolas-Alonso等人[2]直接利用CSP提取特征，通过谱回归核判别分析对4类运动想象任务进行分类，最高分类正确率达到了94%，Kappa系数为0.92，但平均分类正确率只有73%，Kappa系数为0.64，平均分类正确率较低，实际应用的稳定性较差。Ghaheri H等人[3]采用CSP对每个EEG信号时间段进行空间滤波提取特征，利用LDA 线性分类器进行分类，分类正确率为80%，由于时域分析的时间太长，导致算法实时性较差。王瑞敏等人[4]利用短时傅里叶变换将运动想象EEG信号进行多频段分解，通过 CSP 结合SVM的方法对单个导联信号进行分类识别，平均分类正确率仅为65%，且当导联数目减少时，分类正确率会大幅降低。万柏坤等人[5]利用二维时频分析与 Fisher 分析相结合提取4类运动想象脑电特征，使用SVM进行分类，分类正确率达到了85.71%，实验中分析了60个导联的数据，数据量大导致算法实时性不好，实际应用价值较低。

针对多类运动想象脑电特征提取与分类识别效果不好的问题，本文利用频域、空域、时域相结合的方法，对4类运动想象(左手、右手、双脚和舌头)脑电信号进行分类识别。首先利用小波包对EEG原始信号进行分解，根据EEG信号的频域分布提取出运动想象脑电节律，提高信号信噪比；利用“一对多”CSP算法对4类运动想象任务的脑电节律进行空间滤波提取特征；在“一对多”模式下构建4个SVM子分类器，利用判断决策函数值的方法对分类器的输出结果进行融合，取得了较好的分类效果。通过引入时间窗对脑电信号进行时域滤波，可有效消除运动想象开始和结束时脑电的波动，进一步提高信号信噪比和算法的分类正确率。结合时-空-频域运动想象脑电信息利用“一对多”SVM进行分类，实验取得了很好的分类效果。

1 实验数据

1.1 实验数据来源

实验数据采用2008年第四届脑机接口竞赛提供的Data sets 2a的校准数据，该实验采用22个电极记录脑电信号(图1(a)为电极分布图)，左乳突作为参考电极，右乳突接地，采样频率为250 Hz，所有数据都经过0.5～100 Hz的带通滤波和50 Hz的工频陷波。实验时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(b)所示，每个实验周期分为以下几个环节：

1)试验开始时计算机发出短促的声音，同时屏幕上出现十字标志持续两秒，提醒受试者注意；

2)2 s后，屏幕上随机出现向左、向右、向上或向下的箭头(分别对应左手、右手、舌头和双脚运动想象任务)，持续1.25 s；

3)3 s后，受试者根据箭头指向进行相应的运动想象任务，持续3 s；

4)6 s时屏幕上的十字标志消失，受试者进入放松状态。

图1 电极分布与实验过程图

共有9名受试者(受试A01～A09)参加了实验。每名受试者的实验分为两个阶段，每个阶段进行6组试验，每组包含48次运动想象任务，共得到288个训练样本和288个测试样本。按照竞赛标准，利用有效时间内误差最低的时间点的Kappa系数对分类算法进行评价。Kappa系数计算公式为：

(1)

P为分类正确率，C为类别数。

1.2 实验数据预处理

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8～12 Hz的μ节律和18～26 Hz的β节律脑电。人在进行单侧肢体运动想象时，大脑中对侧的μ节律和β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(event related desynchronization，ERD)；而大脑中同侧的μ节律和β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[6-7](event related synchronization，ERS)。依据ERD/ERS现象，利用小波包变换的多分辨率特性[8]，选择EEG原始信号中的最佳分量组合关系，从而可提取出包含有用信息频段的μ节律和β节律。

表1 各子带所对应的频率范围 Hz

从表1中可以看出，μ节律脑电包含在小波包子带(3,0)中，β节律脑电包含在小波包子带(3,1)中。由于μ节律的带宽较小，子带带宽较大，因此子带(3,0)中信号的信噪比较低，同时为了减小特征向量维数，缩短计算时间，只对信噪比较高的小波包子带(3,1)进行重构，提取β节律脑电，作为后期运动想象脑电特征提取和分类的依据。图3为不同运动想象任务的小波包子带(3,1)重构信号。

图2 不同运动想象任务的小波包子带(3,1)重构信号

2 基于改进CSP的多类特征提取

传统CSP算法适用于二分类问题，通过两类数据的协方差矩阵同时对角化，并应用主成分分析方法提取出两类数据的不同部分，构建出最优的空间滤波器，两类数据经过空间滤波后，其空间成分在能量上的差异达到最大，即一类的方差最大化，另一类的方差最小化，从而有效提取出两类数据的特征[9]。

对于多类任务运动想象EEG信号的分类，本文利用“一对多”的方法对CSP进行改进，即把多类任务的特征提取问题转化为多个一类任务对其余所有任务的两类特征提取问题[10]，对于N类任务可转化为N个一类对其余所有类别的两类问题。如图3所示为4类运动想象实验数据在“一对多”方法下完成CSP特征提取的流程。

图3 “一对多”方法下的CSP特征提取

2.1 求4类任务的混合空间协方差矩阵

每类任务的单次实验EEG数据可表示为N×T的矩阵Ei，其中i表示第i类(i∈1,…,4)，N是数据采集时的通道数，T是每一个通道的采样点数。EEG数据的归一化空间协方差如式(2)所示:

(2)

(3)

2.2 应用主成分分析法，求出白化值矩阵P

(4)

(5)

2.3 构造空间滤波器

针对类1时，利用白化值矩阵P对协方差矩阵做如下变换：

(6)

I为单位矩阵，由此可以发现，S1最大特征值对应的特征向量是S2最小特征值对应的特征向量;反之，S2最大特征值对应的特征向量是S1最小特征值对应的特征向量。利用特征向量矩阵B构造针对类1时的空间滤波器为:

W1=BTP

(7)

同理，可分别构造出针对其它三类的空间滤波器W2、W3、W4。

2.4 提取脑电特征

将单次实验数据Ei分别经过4组空间滤波器进行滤波，

(8)

(9)

图4 4类运动想象脑电特征值分布

3 多类任务模式的分类

3.1 基于SVM的多类任务模式分类

支持向量机(support vector machines，SVM)是一种基于统计学习理论的机器学习方法，它在解决小样本、非线性及高维模式识别中表现出很好的效果。SVM 的基本思想是：通过非线性映射的方法将低维空间线性不可分的样本映射到高维特征空间，通过构建特征空间中的最优分割超平面，使机器学习器达到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。如图5所示，圆点和五角星分别代表两类样本，H为分类线，H1、H2是分别为过各类中离分类线最近的样本且平行于分类线的直线，H1、H2之间的距离叫做分类间隔(margin)。最优分类线不但能正确分开两类，同时要使分类间隔达到最大。

图5 最优超平面示意图

SVM是一种典型的二分类器，针对4类任务模式的分类问题采用“一对多”的分类方法需要构建4个子分类器{f1,f2,f3,f4}。在对分类器fi(i=1,…,4)进行训练时，将第i类的数据作为正训练数据集，其余3类数据作为负训练数据集，训练后的分类器fi可将属于第i类的数据和其它3类的数据分开。如图6所示，本文利用判断决策函数值的方法对4个子分类器的输出结果进行融合：11找到判定结果为正集的子分类器fi；22提取出这些子分类器进行判定的决策值Di；33比较这些决策值的绝对值大小，将绝对值最大的子分类器输出为正集的类别Ci作为最终的判定结果。

图6 判断决策函数值方法的4类任务分类流程

由于每组数据提取到的特征包含22个特征点，为了得到最佳的分类结果，需要对特征向量维数进行选择。由于不同任务的CSP特征值分布在两端差异较大，因此选择每组数据的前m个特征点和后m个特征点组成长度为2 m的特征向量作为分类器的输入，通过对比m(范围1～11)取不同值时的分类结果，最终确定当m=5时分类效果最好。在“一对多”分类模式下，利用训练数据集对每个SVM子分类器进行训练，通过判断决策函数值的方法对测试数据集进行分类，得到9名受试者的分类结果如表2所示。

表2 BCI竞赛前3名与本文方法的最大Kappa系数

分析表2可以得到：利用判断决策函数值的方法对“一对多”模式下的CSP特征进行分类时，受试者A01、A03、A07的最大Kappa系数均大于0.8，得到了较好的分类效果；受试者A05、A06的分类效果较差，最大Kappa系数低于0.5，可能是由于脑电信号存在很强的个体差异性，该受试者的脑电特征相比于其他受试者不显著；9名受试者的平均Kappa系数达到了0.64，高于竞赛第1名0.07。

3.2 基于不同时间窗的运动想象任务分类

考虑到每名受试者的运动想象时间为3 s，在运动想象开始和结束时都存在受试者的思维转换和思维延迟问题，导致运动想象脑电在每个周期的开始和结束时会产生较大波动，降低了信号的信噪比，从而影响了特征提取和分类识别的效果。针对该问题，可利用时间窗的方法消除运动想象开始和结束时脑电的波动。实验将时间窗设为0.5 s、1 s、1.5 s、2 s、2.5 s五种情况，截取3 s运动想象数据的中间部分，提取出每种情况的“一对多”CSP特征，通过多任务模式的SVM分类器对9名受试者的数据进行分类，分类结果如图7所示。

图7 9名受试者在不同时间窗下的最大Kappa系数

由图7可看出：11时间窗设为2.5 s时，除受试者A06、A08的其余6名受试者的最大Kappa系数均有所提高；时间窗设为2 s时，9名受试者的最大Kappa系数均达到了最大值，9名受试者的平均Kappa系数达到了0.72，明显优于时间窗为3 s时的分类结果，验证了时间窗的设置，可有效消除运动想象开始和结束时脑电的波动，进一步提高了运动想象脑电特征提取的效果和分类识别的正确率。22时间窗小于2 s时，每名受试者的最大Kappa系数均有所降低；当时间窗为0.5 s时，除受试者A09外，8名受试者的最大Kappa系数均低于3 s时间窗，说明当时间窗太小时，在消除脑电波动的同时也会丢失大量运动想象有用信息，导致分类正确率不高。综合以上，时间窗设为2 s时，在消除脑电波动的同时可保留运动想象主要信息，分类效果达到最好。

4 结论

本文利用小波包对9名受试者的运动想象脑电信号进行预处理，提取脑电β节律，有效地消除了原始EEG信号中的大量频域噪声，提高了EEG信噪比。通过“一对多”CSP算法对4类运动想象脑电信号进行空间滤波提取特征，将特征向量作为“一对多”模式下4个SVM子分类器的输入，在分类器输出端利用判断决策函数值的方法对4个子分类器的输出结果进行融合，得到了较好的分类结果。通过对数据设置时间窗的方法有效的消除了运动想象开始和结束时脑电的波动，进一步提高了信号信噪比和算法的分类正确率。本文方法充分结合了脑电信号的频域、空域、时域信息，有效的改善了多类运动想象脑电信号个体差异性强和分类正确率较低的问题，为多类运动想象任务的特征提取与分类提供了新的思路。

[1] Daly L, Muller-Putz G, et al. Fully online and automated artifact removal for brain-computer interfacing[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(5): 725-736.

[2]Luis F, Alonso N, Corralejo R, et al. Adaptive semi-supervised classification to reduce intersession non-stationarityin multiclass motor imagery-based brain-computer interfaces[J]. Neurocomputing, 2015, 159: 186-196.

[3]Ghaheri H, Ahmadyfard A R. Extracting common spatial patternsfrom EEG time segments for classifying motor imagery classes in a brain computer interface(BCI)[J]. Scientia Iranica D, 2013, 20(6): 2061-2072.

[4]Ge S, Wang R, Yu D. Classification of Four-Class Motor Imagery Employing Single-Channel Electroencephalography[J]. Plos One, 2014, 9(6): e98019.

[5]万柏坤, 刘延刚, 明 东, 等. 基于脑电特征的多模式想象动作识别[J]. 天津大学学报, 2010, 43(10): 895-890.

[6]孙会文,伏云发,熊 馨,等.基于HHT运动想象脑电模式识别研究[J].自动化学报,2015,41(9):1686-1692.

[7]李明爱,刘净瑜,郝冬梅.基于改进CSP算法的运动想象脑电信号识别方法[J].中国生物医学工程学报,2009,28(2):161-165.

[8]李明爱,林 琳,杨金福.基于小波包最优基的运动想象EEG自适应特征提取方法[J].计算机测量与控制,2011,19(11): 2755-2758.

[9]叶 柠,孙宇舸,王 旭.基于共空间模式和神经元网络的脑-机接口信号的识别[J].东北大学学报,2010,31(1):12-15.

[10]刘 冲, 王 宏, 赵海滨,等. 基于多类运动想象任务的脑电信号分类研究[J]. 生物医学工程学杂志, 2012,29(6): 1027-1031.

ResearchonEEGSignalClassificationBasedonMulti-classMotionImaginationTask

Ma Manzhen, Guo Libin, Su Kuifeng

(Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China)

For the problem of the individual difference and the classification accuracy of multi class motor imagery EEG signal, a new analysis method for EEG signal based on time-space- frequency domain is put forward: firstly, the wavelet packet is used to decompose the original signal of EEG, and the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted from different motor imagery tasks through the "one-to-rest" common space pattern (CSP) algorithm; then the feature vector is input to the support vector machine (SVM) in "one-to-rest" mode, the output value of SVM is fused via the method of judging the decision function value; finally, the time domain window is used to filter the EEG signals to eliminate the fluctuations of the brain at the beginning and end of motor imagery, and further improve the signal to noise ratio and the classification accuracy of the algorithm. The experimental results show that, when the time window is 2 s, the average maximum coefficient is 0.72, which is 0.15 higher than the first of BCI competition. Meanwhile, the results verify that the algorithm can effectively reduce the influences of the individual differences of EEG signals, and improve the accuracy of multi-class recognition.

brain-computer interface(BCI); motor imagery; common spatial patterns(CSP); support vector machine(SVM); time window

2017-04-13；

2017-04-27。

马满振(1994-)，男，河北保定人，硕士研究生，主要从事模式识别与智能系统方向的研究。

苏奎峰(1976-)，男，河北承德人，副教授，硕士生导师，主要从事自主车辆导航与控制，多传感器信息融合方向的研究。

1671-4598(2017)10-0232-04

10.16526/j.cnki.11-4762/tp.2017.10.059

TP391.4

A