基于能量特征的脑电信号上肢运动意图智能识别*

赵志伟，王美玲

(1.内蒙古医科大学 体育教学部，内蒙古 呼和浩特 010110；2.内蒙古医科大学 药学院，内蒙古 呼和浩特 010110)

1 引 言

运动员在体育运动过程中很容易导致肢体活动能力受损，近几年许多研究领域极其关注运动能力的恢复[1]。近年来，世界各国针对运动能力障碍人群的康复训练研究取得了较为可喜的成果，有些康复训练治疗方法也被实践证实了其有效性，但康复治疗的整体效果并未达到预期效果，有高达30%～60%的运动能力障碍患者在出院后不能正常使用上肢进行活动。目前正在实行的上肢运动能力康复治疗和训练方法都依赖于受损肢体的残余运动能力，但是在现实生活中由于有很多运动能力障碍患者几乎没有残余的运动能力，导致其无法接受正常的康复治疗和训练[2]。于是很多学者开始对患者脑电信号进行研究，试图找到脑电信号与上肢运动意图之间的关系，实现上肢运动意图脑电控制[3]。但是，人体的脑电信号是非常复杂的非线性信号，很难摸索到其存在的特征与规律，近年来对于脑电信号的特征提取与识别逐渐增多，为了在脑机交互的康复训练中及时对患者上肢运动意图进行识别，使得康复设备能够提前判断患者上肢运动意图并作出预先反应，更好地帮助患者进行康复治疗，需要研究一种有效的脑电信号上肢运动意图识别方法[4]。

文献[5]提出一种基于支持向量机的脑电信号上肢运动意图智能识别方法，通过利用主成分分析法对患者脑电信号进行特征提取和规律总结，并利用训练好的SVM分类器对提取获得的患者脑电信号进行分类，实现患者上肢运动意图智能识别。实验测试结果显示，该方法对脑电信号上肢运动意图识别准确率较低。文献[6]提出一种基于EEMD的脑电信号上肢运动意图智能识别方法，该方法采用经验模态分解方法提取患者脑电信号的固有模态函数，同时利用加窗函数对提取获得的脑电信号固有模态函数进行非线性动力学特征近似熵特征提取，将提取结果输入线性判别分类器中即可实现患者脑电信号上肢运动意图智能识别。实验结果显示，该方法对脑电信号上肢运动意图识别率不高。

针对上述方法存在的缺点与不足，提出一种基于能量特征的脑电信号上肢运动意图智能识别方法。

2 基于能量特征的脑电信号上肢运动意图智能识别

2.1 脑电信号能量特征提取

采用快速傅里叶变换方法对采集获得的运动障碍患者脑电信号进行频率分析，获得患者脑电信号中的μ波和β波频率分布规律，并找到脑电信号噪声所在频段[7-8]。经过快速傅里叶变换后得到的患者脑电信号为：

(1)

ωN=e(-2πi)/N

(2)

式中，x(j)表示患者原始脑电信号；N表示快速傅里叶级数。

由于经过快速傅里叶变换后的患者原始脑电信号是以复数形式表示的，为了不改变患者原始脑电信号的能量特征，且方便分析，需要对X(k)进行共轭相乘变换[9]，计算公式如下：

(3)

通常情况下小波变换可以与快速傅里叶变换共同处理和分析患者脑电信号，小波可以分为父小波和母小波两种类型，前者用于表征患者脑电信号中较为平滑的低频信号；后者则用于表征具有细节特征的高频信号[10]，二者的计算公式分别如下：

(4)

(5)

式中，h0k和h1k分别代表患者脑电信号的低通滤波系数和高通滤波系数。其计算公式分别为：

(6)

h1k=Ψφ(2t-k)

(7)

其中，F=φ(t)dt=1，Ψ=φ(t)dt=0。

根据上述计算可得患者脑电信号重构方程如下：

式中，j表示患者脑电信号小波分解的阶数；k表示小波分解每阶系数列的个数；sj,k,dj,k，d1,k表示患者脑电信号的小波变换系数。

由于Daubechies小波具有正交性、正则性以及紧支撑性等优点对患者脑电信号具有更高的灵敏度，在进行小波变换低频信号和高频信号分解时的效果更佳。采用Daubechies小波将患者脑电信号进行3阶分解[11]，具体分解流程见图1。

图1中的x(n)表示输入的患者脑电信号；H0(ω)和H1(ω)分别代表患者脑电信号小波分解的低通滤波器和高通滤波器；v和ω分别表示患者脑电信号中的低频部分和高频部分。

图1 患者脑电信号3阶小波分解流程图Fig 1 Wavelet decomposition flow chart of EEG in patients with 3 orders

按照上述流程，将患者脑电信号中低频部分的小波系数进行归零处理后，再进行脑电信号重构，即可消除低频脑电信号中的噪声干扰[12]。在此基础上，采用小波包系数分析患者脑电能量，实现患者脑电信号能量特征提取[13]，计算公式如下：

(9)

2.2 脑电信号上肢运动意图智能识别

在上述提取得到患者脑电信号能量特征的基础上，采用马氏距离判别方法对患者脑电信号上肢运动意图进行识别。假设x和y表示属于均值为μ，协方差为∑的脑电信号能量特征集合G中的两个元素，二者的马氏距离计算公式如下：

D2(x,y)=(x-y)T∑-1(x-y)

(10)

x到脑电信号能量特征集合G的马氏距离为：

D2(x,G)=(x-μ)T∑-1(x-μ)

(11)

其中，T表示患者脑电信号采样周期。

将识别目标划分为左手运动意图和右手运动意图，设置二者的均值分别为μ1和μ2，其对应的脑电信号能量特征集合分别用G1和G2表示，则患者新的脑电信号能量特征z到G1和G2的马氏距离计算公式分别如下：

(12)

根据上述计算可得患者脑电信号能量特征随时间变化的判别函数[14]，其计算公式为：

Wt=D2(x,G1)-D2(x,G2)

(13)

根据判别函数值Wt的大小，按照线性判别准则即可实现患者脑电信号上肢运动意图的智能识别[15]，识别公式如下：

(14)

3 实验结果与分析

实验选择视觉提示的形式对研究对象进行脑电信号上肢运动意图识别测试，即每次运动员的上肢运动使研究对象将手指放置在脑电信号指示装置的中心点，根据其语音提示，此次实验选取10名研究对象(A～J)，每人测试50次，研究对象具体信息见表1。研究对象将手指从中心位置向语音指定方向移动。为了能够更加准确地同步采集获得研究对象上肢运动过程中的脑电信号以及脑电信号能量特征，需要根据以下实验流程以及指示装置显示结果设计相应的同步信号，见图2。

表1 实验指标以及研究对象

具体方案操作步骤如下：

(1)实验准备阶段，该阶段持续时间为3 s，指示研究对象做好测试准备，并将手指放置在脑电信号指示装置的绿色圆圈中心位置；

(2)研究对象上肢运动计划阶段，该阶段持续时间为3～4 s，显示画面上出现的同步信号呈现一个短暂的脉冲，指示研究对象手指向某个特定方向移动；

(3)研究对象上肢运动实施阶段，该阶段持续时间为4 s，显示画面上出现的同步信号呈现一个上升沿，指示研究对象将手指重新放置在起始点位置；

(4)实验返回阶段，该阶段显示画面上出现的脑电信号呈现一个下降沿。

从图2中可以看出，第一个上升沿表示脑电波指示装置语音提示手指指示方向的时刻；第二个上升沿表示研究对象上肢运动实施阶段的起始时刻；第二个下降沿表示究对象上肢运动结束的时刻。

为了保证研究对象能够在实验期间具有良好的精神状态，在实验开始之前应避免研究对象出现过度疲劳的现象，在实验过程中也为研究对象预留了充足的休息时间，每实施3个任务后会给研究对象大约15 s左右的短时休息。采集测试数据用于以下实验分析。

图2 实验单次任务执行过程中形成的同步信号波形

Fig2Synchronoussignalwaveformformedduringthesingletaskexecutionofexperiment

由于采集研究对象脑电信号过程中掺杂了较多噪声干扰，需要进行平滑滤波处理，研究采用小波变换与快速傅里叶变换相结合的滤波器，对采集的原始脑电信号进行处理，组合滤波器频率响应特性见图3。

(a)

(b)图3 组合滤波器的频率响应特性 (a).组合滤波器的幅度响应示意图； (b).组合滤波器的相位响应示意图Fig 3 frequency response characteristics of combined filter

利用组合滤波器的频率响应特性对采集获得的研究对象脑电信号进行滤波处理，采用组合滤波器进行滤波处理前后的一段研究对象脑电信号电压变化情况，见图4。

(a)

(b)图4 滤波前后研究对象的一段脑电信号电压变化 (a).滤波前研究对象脑电信号电压变化情况； (b).滤波后研究对象脑电信号电压变化情况Fig 4 Voltage change of EEG signal before and after filtering

观察图4可以发现，研究采用的小波变换与快速傅里叶变换相结合的组合滤波器，对采集的研究对象的原始脑电信号进行处理后，得到的脑电信号变得更加平滑，去除了原始脑电信号中的“毛刺”干扰。该滤波后结果显示，其能量比重随着频率增加而迅速降低，降低速度明显高于普通人员。

实验过程中研究对象的指示方向“左”、“右”是随机出现的，采用基于能量特征的脑电信号上肢运动意图智能识别方法，对10个研究对象分别进行50次测试，最终统计结果见表2。

表2 测试统计结果

采用表2实验结果中研究对象脑电信号上肢运动过程中左右的总正确频率作为总的识别准确结果，除以出现总频率，即可得到研究对象脑电信号上肢运动意图识别率，测试结果见表3。从表3的测试结果中可以看出，基于能量特征的脑电信号上肢运动意图智能识别方法的最佳识别率结果为92%，最差识别率结果为84%，平均识别率结果为88.6%。

表3 研究对象脑电信号上肢运动意图识别率

综合上述实验结果分析可知，所提方法具有较好的平滑滤波效果，且具有识别率和识别准确率较高的优点。

4 结束语

以往的研究结果显示脑电信号是一种极其复杂且不稳定的非线性信号，只是对脑电信号上肢运动意图，即想象左右手运动意图的两类目标识别问题，已然是较为困难的，现有的一些识别方法虽然能够在一定程度上实现对脑电信号上肢运动意图的有效识别，但采集获得的脑电信号有较多毛刺，导致识别准确率不高和识别率较低。鉴于此，提出一种基于能量特征的脑电信号上肢运动意图智能识别方法，通过实验测试，证明了该方法能够实现研究对象脑电信号上肢运动意图的准确识别，且识别率较高。