基于时频特征优化选择的运动想象脑电信号分类研究

陈黎黎

（宿州学院 智能信息处理实验室，安徽 宿州 234000）

人在想象肢体运动而没有实际的肢体动作时，大脑的感觉运动皮层记录到的脑电波信号被称为运动想象脑电信号。运动想象脑电信号的特征提取和分类识别是脑-机接口（brain-computer interface,BCI）研究领域的重要分支［1-2］。

研究表明，当人类进行单侧肢体运动或运动想象时，大脑对侧和同侧运动感觉区的mu节律的振幅会发生明显变化，即出现基于mu节律的事件相关去同步化/同步化（ERD/ERS）现象［3］。 这种电生理现象常被用作运动想象脑电信号的分类标准，用来辨别受试者的运动意图。

1 时频特征优化选择算法

国内外的许多高校和科研机构都对运动想象脑电信号的特征提取和分类识别方法进行了大量的实验，提出了许多切实可行的算法。人们从已有的研究中发现，尽管与运动想象ERD/ERS现象密切相关的mu节律主要集中在8～12 Hz，但不同受试者的脑电信号的时频特性存在着较大的个体差异，即每位受试者进行运动想象时产生ERD/ERS现象的反应频率和反应时间各不相同，甚至是同一受试者在不同实验中的表现也会有所不同。这种现象常常导致对一位受试者可以成功应用的分类识别算法，对其他受试者可能不适用。

笔者通过对个性化的BCI设计方法进行研究发现，要想快速准确地找出不同受试者出现ERD/ERS现象的最佳频率段和时间段，需要解决两个主要问题：一是确定不同受试者对ERD/ERS现象起主要作用的频率段间隔和时间段间隔，即最佳频带窗宽度和最佳时间窗宽度；二是选择对应的频带窗和时间窗的起始点。

为了有效地解决运动想象脑电信号在时域、频域等方面存在的个体差异，更加准确地提取在每位受试者的脑电信号中起主要作用的时间段和频率段，进一步提高多任务脑电信号的分类正确率，Ang等［4］提出了利用滤波器组来选择CSP带通滤波频带的FBCSP（滤波器组共空间模型）算法，利用脑电信号功率谱的Fisher比来选择受试者的滤波频带的DCSP算法和以互信息为基础的受试者最优时间段和频带的自动选择算法；王东洋［5］利用相关性分析法，先求出受试者的运动想象脑电信号时频功率特征的相关度，再将其中强相关的时频段数据剔除，以剩下的时频段功率值作为每位受试者最终的分类特征，提高了分类正确率。

笔者提出利用滑动窗技术对运动想象脑电信号的总体频率变化范围［fmin，fmax］和总体时间变化范围［tmin，tmax］进行分段截取和优化选择，算法的总体思路如图1所示。假设截取的频带窗宽度为Δf，则finf∈［fmin，fmax-Δf］为带通滤波的低截止频率，即频带窗的起始点；假设截取的时间窗宽度为 Δt，则 tinf∈［tmin，tmax-Δt］为时间窗的起始点。然后，采用循环嵌套的方式，不断改变频带窗和时间窗的宽度Δf和Δt，并在每种窗口宽度下，通过滑动频带窗和时间窗的起始位置finf和tinf来构造各种时频组合。再将原始脑电数据按照每种组合中的时频要求分别进行带通滤波和时间段截取，经ICA算法提取脑电信号特征，使用SVM进行分类识别，并找出分类效果最好的时频组合，它们即为对应受试者进行运动想象的最佳频率段和时间段。

图1 时频特征选择算法

2 运动想象BCI实验

为了验证上述算法的有效性，进行如下实验。实验采用40导联脑电采集系统来获取受试者的运动想象脑电信号，如图2所示。

图2 脑电采集系统

2.1 脑电数据采集

实验受试者为两名研究生Liu和Ju，两人均为右利手且多次参与实验，熟悉实验环境。实验中的电极安放位置参照国际10-20系统电极导联定位标准。对两位受试者各进行4组、每组75次的实验。实验范式如图3所示。每当计算机发出“哔”的一声提示音，代表实验开始，受试者进入准备状态。1 s后，屏幕上出现运动想象类别提示符 （←代表左手，→代表右手，↓代表脚），受试者随即开始对应的运动想象。提示符持续显示5 s后消失，同时受试者进入休息状态，持续4 s。为了防止提示符出现的规律性使实验受试者产生条件反射而影响实验结果，实验范式设计中的三种箭头符号是随机出现的，但左手、右手和脚的想象任务次数完全相同，均为25次。实验过程的采样频率为250 Hz，数据采样精度为16 bit，同时对原始脑电数据进行0.5～10 0 Hz的带通滤波和50 Hz的陷波滤波。

图3 BCI自主实验范式

2.2 时间段和频率段优化选择

由于运动想象引起的大脑活动与感觉运动皮层的mu 节律（8～12 Hz）和 beta 节律（18～26 Hz）有关［6］，为了去除其他频率段的干扰，提高信噪比，实验选取脑电信号中 8～30 Hz的数据进行分析和处理，即［fmin， fmax］=［8，30］。考虑到受试者从看到运动想象任务提示符到开始运动想象之间存在时间差，故截取运动想象过程中的 0.5～5 s 时间段的数据进行分析，即［tmin，tmax］=［0.5，5］。

为了确定每位受试者在预设的8～30 Hz频率范围和截取的0.5～5 s时间范围内的多通道脑电数据中，产生ERD/ERS现象的最佳频率段和时间段，将频带窗宽度 Δf的范围设定为 4～22 Hz，变化步长为 1 Hz，则实验过程中的频带窗宽度共有19种可能。当Δf=4 Hz时，设置频带窗的滑动步长Sf为 2 Hz，则8～30 Hz的宽频段 将被分解为 8～12 Hz、10～14 Hz、12～16 Hz、……、26～30 Hz，共10种宽度为4 Hz的子频段。同理，将时间窗宽度Δt设定为2～4.5 s，变化步长为0.5 s，则Δt共有6种可能。当Δt为2 s，时间窗的滑动步长St为 0.5 s时，将出现 0.5～2.5 s、1～3 s、1.5～3.5 s、……、3～5 s，共6种宽度为2 s的子时间窗。

对受试者Liu和Ju的每一组实验数据均按上述方法进行频带窗和时间窗分解，即可得到所有可能的频率段和时间段组合。接下来将对各种时频组合下的脑电数据进行分析和处理。

2.3 独立分量分析

由于实验设备采集到的n通道脑电观测信号X=［x1（t），x2（t），…，xn（t）］T实际上是从大脑的不同部位发出的若干个相互独立的源信号 S=［s1（t），s2（t），…，sm（t）］T在空间上线性混合叠加而成的，即

其中A代表混合方式的矩阵。为了确保脑电信号特征提取的准确性，必须从观测信号X中分离出隐含的独立源信号S。

独立分量分析［7-8］（independent component analysis,ICA）是一种十分有效的多维信号盲源分离方法，工作原理如图4所示。该方法按照独立性度量最优的标准，利用仅有的n维观测信号X来构造解混矩阵W，通过对W的不断迭代更新，使W作用于观测信号X后分离出来的估计信号 U 的各个分量 u1（t），u2（t），…，um（t）尽可能相互独立且最逼近未知源信号S，即

图4 盲源分离原理

常用的ICA算法有互信息极小算法、JADE算法、FastICA算法和Infomax算法等。由于脑电信号通常是由超高斯源和亚高斯源组成的混合信号，实验选择可对这两类信号进行同步分离的扩展Infomax算法［9］。算法对解混矩阵W的调整公式可描述为

其中：I是n维单位矩阵；u是全部的数据样本； µ 为学习率；K为概率模型切换的n维对角矩阵；kii为矩阵K的主对角元素，当kii取1时表示超高斯信号，取-1时表示亚高斯信号。

2.4 特征提取

根据盲源分离原理，从信号处理的角度来看，解混矩阵W实际上就是脑电观测信号X的空域滤波器。

为了从解混矩阵W中找出与每类运动想象任务相关的ICA空域滤波器，首先将式（1）改写为

即脑电观测信号X可以看成是由混合矩阵A的列向量 a1，a2，…，an线性组合而成的，其中 si（t）为对应的权重系数。在理想状态下，即假设U=S时，由式（2）可得W=A-1。将W矩阵的行向量与观测信号X相结合，便可提取脑电相关位置的源活动。在确定与左手、右手和脚三类运动想象任务相关的源活动位置后，这些源活动的强度便可以用来判定运动想象任务的类别［6］。

3 实验结果分析

对两位受试者各进行4组实验，因实验过程的数据量较大，故假设两位受试者的最佳频带窗宽度Δf均为4 Hz，然后遍历各种可能的频率段和时间段的组合，使用SVM进行分类识别。两位受试者的每组实验结果中，分类正确率最高的3组时频段组合如表1和表2所示。

表1 受试者Liu的分类结果

表2 受试者Ju的分类结果

从上述实验结果可以看出，受试者Liu的最佳频率段为10～14 Hz，而受试者Ju的最佳频率段为8～12 Hz。

为了进一步确定在各自的最佳频率段内，究竟是哪一时间段内的脑电数据在表现ERD/ERS现象时效果最为明显，下面对受试者的脑电数据进行时间段分解。时间窗宽度Δt设为2～4.5 s，步长为0.5 s，时间窗的滑动步长St设为0.5 s，因总时间段为0.5～5 s，故单次实验数据将被分解成21种不同的时间窗。每位受试者的每组数据在各时间窗下的分类结果如图5和图6所示，两位受试者各4组数据的平均分类正确率如图7所示。

图5 受试者Liu在10～14 Hz频段下，各时间窗对应的分类结果

图6 受试者Ju在8～12 Hz频段下，各时间窗对应的分类结果

图7 四组实验数据的在各时间窗下的平均分类正确率

从上述不同时间窗下的分类结果来看，受试者Liu在10～14 Hz频带范围内，1.0～4.5 s时间段内的平均分类正确率最高，达到91.67%。因此，1.0～4.5 s应为受试者Liu进行运动想象的最佳时间段，即受试者Liu的运动想象ERD/ERS现象集中体现在这一时间段。不仅如此，从图7所示的实验结果还可以看出，在每种时间窗宽度下，受试者Liu在不同子时间窗下的平均分类正确率都表现出先升后降的趋势，即在运动想象任务刚开始和临近结束的时间段对应的分类正确率相对偏低，在想象任务的中间时段对应的分类正确率相对较高，如Liu在1.0～5.0 s时间段的平均分类正确率为90%。这说明在出现最高分类正确率的1.0～4.5 s之后的0.5 s内（即4.5～5.0 s内），受试者的运动想象脑电活动的强度随着想象任务趋于结束而逐渐减弱。0.5～4.5 s时间段的平均分类正确率为86.67%，说明在1.0～4.5 s之前的0.5 s内（即0.5～1.0 s内），因想象任务刚刚开始，受试者Liu的脑电波信号中出现的ERD/ERS现象还不足够明显。

对受试者Ju来说，在8～12 Hz的最佳频带上，当时间窗宽度较窄时，平均分类正确率较高的时间窗出现在运动想象过程的前期阶段。这表明受试者Jv能够较快地进入运动想象状态。受试者Ju在0.5～5.0 s时间段内的平均分类正确率最高，为89.17%，因此，Ju的运动想象最佳时间段应为0.5～5.0 s。

从两位受试者在相同时间窗的实验结果对比来看，受试者Liu的各时间段平均分类正确率为80.95%，高于受试者Ju的平均分类正确率75.83%。因此，相对而言，Liu的运动想象脑电信号质量更高。

4 结束语

本文提出的基于滑动窗的运动想象脑电信号时频特征选择算法，能够准确地找出不同受试者在运动想象过程中对分类效果起重要作用的最佳频率段和最佳时间段，较好地解决了运动想象脑电信号在不同受试者之间，以及相同受试者的不同实验间存在的时频域的个体差异问题。但由于算法是截取连续的频率段和时间段进行分析的，而对于某些受试者来说，可能对分类效果起重要作用的频率段和时间段都是不连续的，故下一步将对多个不连续的频率段和时间段进行特征分析，以进一步提高运动想象脑电信号的分类正确率。