基于小波包分解和共空间模式方法的脑电运动想象分类方法*

王美娥， 徐艳华

(1.河南省省立医院神经内科，郑州 450000 ；2.中原科技学院，郑州 450000)

1 引 言

脑机接口技术是通过采集患者脑电波信号来控制外部辅助设备，以帮助患者复健或者实现生活自理[1]。脑机接口技术开发应用过程中，最大的难题是如何提高脑电运动想象分类，即如何准确分辨患者发出的脑电波信号中所蕴含的控制指令[2]。只有明确脑电运动，才能控制外部设备更好地为患者服务，否则一旦解析错误，将极易给患者带来危险。

针对上述情况，关于脑电运动想象分类问题的研究得到很多学者的重视。程时伟等[3]将卷积神经网络用于脑电运动信号识别与分类，实现人与运行机器人之间的相互传导，控制机器人帮助肢体运动障碍患者的日常生活和康复训练。张进等[4]组合两类分类器，分类不同状态下脑电信号类型，控制机械手臂作业和运动。赵杰等[5]利用奇异谱分析方法进行脑电信号伪迹去除和节律提取，以支持向量机作为分类器，分析孤独症儿童脑电信号，以利于治疗。

基于前人研究经验，本研究提出基于小波包分解和共空间模式方法的脑电运动想象分类方法。该方法以小波包分解算法提取脑电波信号特征，以共空间模式构建分类器，分类脑电运动想象指令，控制外部设备行动，帮助瘫痪患者在一定程度实现行动自由。

2 材料与方法

2.1 实验材料

以3 cm×4 cm中低频通用电极及脑电波采集装置作为电极帽，研究了一种运动想象方法。用一台智能小车控制四类运动想象任务的分类正确率。让实验对象依次进行脑电运动想象控制智能小推车。为确保实验结果的一致性，在同一智能车上进行多组实验样本的采集。

脑电运动是通过脑机接口技术向外部设备发射患者脑电波信号指令，实现辅助设备控制的过程。在该过程中，患者根据想要实现的行为，想象该部位所需要的运动，但此时只有大脑皮层被激活，而肢体并未产生任何活动，被激活的大脑皮层会根据患者想象产生不同类型的脑电信号。因此，采集患者的脑电波信号，即可从中提取出患者想要发出的指令信息，完成对外部设备的控制[6]。

2.2 脑电运动信号采集

脑电运动信号即脑电波信号，其采集是实现脑电运动信号分类的首个环节。脑电波信号以脑电图的形式显示出来[7]。脑电波信号的采集有无创和有创两种方式。无创采集方式，即将电极布置在大脑皮层外部采集脑电波信号。该方式有统一的电极放置标准[8]，标准中电极名称、脑部位、编号间的对应关系见表1。

表1 电极名称、脑部位、编号间的对应关系表

有创采集方式，即通过外科手术将检测电极植入电脑皮层，采集脑电波信号。该采集方式由于零距离接触到大脑皮层神经元，因此，采集到的脑电波信号质量更高，但是该方式需要外科手术介入，会对患者造成二次伤害，且长时间地植入电极，有可能存在被感染的风险，因此，该方式更适用于全身瘫痪或完全丧失行动能力的重症患者。

2.3 脑电运动信号去噪

脑电运动信号在采集过程中易受体内外噪声干扰，且难以避免，只能采集后再处理。根据噪声来源的不同，来自体外的噪声可以通过让患者的头皮保持清爽干净或者让患者剪短头发，使电极与头皮接触更亲密，以提高采集的信号质量，减少噪声干扰[9]。而对于来自患者体内的内源性噪声，则主要利用独立成分分析去除。

独立成分分析(independent component analysis，ICA)是将脑电运动信号分解为若干个独立分量，然后对每个独立分量评判独立程度，选出符合标准的独立分量，即噪声[10-11]。ICA描述如下：

x=A·s

(1)

式中，x={x1,x2,...,xn}代表观测信号矢量；A代表位置混合矩阵；s={s1,s2,...,xm}代表源信号矢量。

独立成分分析，即从x中分离隐藏在里面的s，即寻找可以实现二者之间分离的矩阵W，即

W=y·s

(2)

式中，y代表采集到的观测信号，基于独立成分分析的脑电运动信号去噪具体过程如下：

步骤1：将电极采集到的观测脑电运动信号X中心化处理，即计算所有脑电运动信号的均值，并让均值=0；

步骤2：将观测脑电运动信号再白化，得到Z；

步骤3：设定独立分量的数量m以及迭代的次数，并设置初始迭代次数等于1；

步骤4：随机选择一个初始权向量Wp；

步骤5：令

(3)

式中，E{}代表均值运算；g代表非线性函数；g′代表非线性函数的导数；T代表脑电运动信号采集频率[12]。

步骤6：归一化Wp，得到Wp′：

(4)

步骤7：判断Wp′是否收敛，若不收敛，则回到步骤5；否则继续下一步：

步骤8：令迭代次数p′=p+1；

步骤9：判断p′是否≤设定独立分量的数量m，若小于等于，则回到步骤4；否则，继续下一步:

步骤10：重构去噪后的脑电运动信号。

2.4 脑电运动信号特征提取

脑电运动信号特征提取是整个分类方法中最难的环节，也是本研究的重点环节[13]。特征提取的准确性和全面性直接关系到分类结果的准确性。为此，本研究采用小波包分解和共空间模式方法，分别提取脑电运动信号的时域特征和空间域特征[14]。

2.4.1小波变换提取脑电运动信号的时域特征 首先，设脑电运动信号为x(n)；其次对x(n)离散化，得到f(n)；然后对f(n) 有限层分解，即：

(5)

式中，L代表小波分解有限层数；AL代表最底层的逼近分量；Dj代表不同层数所对应的细节分量。j代表频率分辨率[15]。信号四层小波分解见图1，cDL,cDL-1,……,cD2,cD1为每层的小波系数。

图1 信号四层小波分解示意图

最后，计算cDL,cDL-1,……,cD2,cD1绝对值的平均值、标准差和能量均值，以此作为脑电运动信号频域特征[16]。

2.4.2共空间模式提取脑电运动信号空间域特征

步骤1：选取脑电运动信号构成N×T的矩阵Yi，其中，i代表脑电运动信号种类；N为脑电导联数，计算协方差矩阵Zi，即

(6)

(7)

(8)

式中，Λ代表特征值矩阵；Β代表特征向量矩阵。

步骤4：构建白化矩阵P。

(9)

步骤5：针对种类1，通过上述变换，协方差矩阵变为如下形式：

(10)

式中，n代表脑电运动信号特征数量。

上述公式中，将类1的协方差归为一类，其余脑电运动信号类别视为另一类，步骤6：构建空间滤波器F。

F=[F1,F2]

(11)

(12)

式中，f为S1，S1共同的特征向量矩阵；f1代表前m个特征向量组成矩阵；f2代表其余特征向量组成的矩阵。

步骤7：对Yi空间滤波，得到投影矩阵Ri。

Ri=F·Yi

(13)

步骤8：对Ri平方运算，得到信号能量值var(Ri2)。

步骤9：对var(Ri2)对数运算，得到空间域特征量Qi。

(14)

步骤10：同上，得到各种模式下的脑电运动信号特征数据[17]。

2.5 脑电运动想象分类实现

基于上述得到的各种模式下的脑电运动信号特征数据，构建分类器，实现脑电运动想象分类[18]。

以决策树算法为基础，一个决策树对应一种脑电运动信号类别，最后完成所有类别的决策树构建，形成完整的随机森林分类器[19]。因此，决策树的构建是分类实现的关键。决策树构建基本流程见图2。

图2 决策树构建基本流程

将脑电运动信号特征数据输入到分类器当中，即可实现脑电运动想象分类[20]。

3 结果与分析

为了验证本研究方法的分类效果，以一名受试者做出的运动想象以及本方法给出的分类结果为标准，进行准确性验证。

3.1 电极布置

按照2.2无创方式采集受试者脑电波。选择3 cm×4 cm中低频通用电极贴片，按表1布置方案缝制一个电极帽，作为脑电波采集装置。电极帽示意图见图3。

图3 电极帽示意图

3.2 实验设计

首先让受试者戴上电极帽，并端坐在椅子上，保持安静，然后给出2～3 s的准备时间，让受试者做好测试准备。屏幕上提示功能键亮起，正式进入测试环节，同时屏幕上会显示出一个“+”字方块，每个方块代表了一个脑电运动想象，最后每隔3 s会亮起一个方块，受试者通过亮起提示想象四种不同部位的运行，即想象左手、右手、舌以及脚，直至第12 s结束。在采集期间，每结束一种脑电波采集，将脑电波信号传输到与之相连的计算机，实时显示脑电图数据。脑电波数据采集现场见图4。

图4 脑电波数据采集现场

采集到的脑电图数据示意图见图5。

图5 脑电图数据示意图

3.3 智能小车控制

以控制智能小车是否与脑电波数据吻合作为四类运动想象任务分类准确性的验证对象。控制命令与想象运动的对应关系，见表2。

表2 控制命令与想象运动的对应关系

让受试者依次做出脑电运动想象，控制智能小车在图6场景下做出一系列开始→前进→左拐→前进→右拐→前进→右拐→后退→前进→左拐→前进→结束的相应运动。

图6 智能小车运动场景

3.4 分类效果分析

以受试者脑电运动想象与控制小车运行的对应关系为分类效果验证标准，一旦小车运动与受试者脑电运动想象存在分歧，即认为分类出现错误。在相同实验条件下，利用基于卷积神经网络的分类方法、基于奇异谱分析的分类方法以及基于组合分类器的分类方法做出脑电运动想象(舌→左手→舌→右手→舌→右手→脚→舌→左手→舌)。受试者脑电运动想象与小车运行对应关系见表3。

表3 受试者脑电运动想象与小车运行对应关系表

由表3可知，当脑电运动想象反应右手时，基于卷积神经网络的分类方法为前进；当脑电运动想象反应是左手时，基于奇异谱分析的分类方法为后退；当脑电运动想象反应是左手时，基于组合分类器的分类方法为右拐。在这三种方法控制下，智能小车给出的运动反应均出现误差，表明分类有误。而本研究分类方法控制的智能小车给出的运动反应与智能小车实际应该给出的运动反应完全一致，证明本研究方法达到了预期的分类结果。

4 结论

综上所述，脑电运动想象的出现可在一定程度上帮助残疾人群恢复一定的行动力，但由于存在脑电想象分类不准确，使外部设备给出的反应与脑电波类型存在偏差。针对该问题，本研究提出了一种基于小波包分解和共空间模式方法的脑电运动想象分类方法，该方法结合小波包分解和共空间模式两种方法，提取了更全面的脑电波特征，从而提高分类结果的准确性。最终经过实验测试验证本研究方法的分类质量更高。