论文部分内容阅读
摘 要：该文针对脑电特征提取数据量大、分类性能较差等缺点，采用离散小波变换的方法来进行特征提取。分析了小波变换特征提取的特点和特征表示方式，用Daubechies小波函数对基于运动想象的脑电信号进行四层分解，抽取小波变换的重要子带小波系数，小波系数均值和小波系数方差组成不同的特征向量。该文采用神经网络分类器进行分类，实验结果表明，基于重要子带小波系数均值和方差形成的特征向量具有更高的分类性能，为利用脑电识别人的不同意图提供了快速而有效的手段。
关键词：脑-机接口 小波变换 脑电 特征提取
中图分类号：R318 文献标识码：A 文章编号：1674-098X（2015）10（b）-0136-02
脑-机接口（ Brain-Computer Interface，BCI） 是一种不依赖于脑的正常输出通路的通信系统，是一种新的人机接口方式，其实质是通过脑电信号的变化来识别人的意图，实现人机交流。BCI技术在许多领域中正受到世界广泛的关注。
BCI的研究涉及多种学科，许多疑难问题还有待解决，其中特征的提取和分类是目前研究的重点内容。
该文基于离散小波变换进行EEG特征提取，分别抽取小波变换D2、D3子带小波系数与小波系数均值组成特征向量，D2、D3小波系数均值与方差组成特征向量。采用神经网络进行分类，以分类正确率作为指标，将两种特征的分类结果进行比较，得到最优的特征向量。
1 脑电信号特征提取依据
当某一皮层区域活跃起来，特定频率的节律性活动表现为幅度的降低或称为事件相关去同步（Event-Related Desynchronization， ERD），当某一活动在一定时刻没有使相关皮层区域明显地活跃起来，特定频率就表现为幅度升高或称为事件相关同步（Event-Related Synchronization， ERS）。
根据图1的结果表明，信号在不同频率时，信号幅度谱在μ/β频段上有明显的差异。在左手想象运动时，我们发现，C3导联脑电信号的谱峰要比C4导联脑电信号的谱峰高，说明C3大脑皮层区域在想象左手运动时的ERS现象强于C4大脑皮层区域。同理，想象右手运动时，C4导联脑电信号的谱峰明显要比C3导联脑电信号的谱峰高，说明C4大脑皮层区域在想象右手运动时的ERS现象强于C3大脑皮层区域。
2 小波分解算法
该文主要研究用Daubechies小波，想象左右手运动信号是从第3 s正式开始，而经过实验表明，特征最明显的时间段存在于4～7 s，所以我们只选取4～7 s的信号进行处理。分别对想象左右手运动的C3、C4在4～7 s的信号进行4层分解，即f（t）=A4+D4+…+D1，各分量对应的子频带依次为0～4，4～8，8～16，16～32，32～64 Hz，这些子频带频率成分分别与EEG中Delta、Theta、Alpha、Beta、Gamma（>30 Hz）的频段相对应，各子带具有明确的含义，因此我们进行4层小波分解。系数向量C的结构按如下组织：C=[cA4，cD4，cD3，…，cD1]，对EEG样本数据进行分解。
特征提取主要分为三步：
第一步：对左右手运动想象训练样本用选定的小波函数进行4层小波分解，得到对应的系数向量C和长度向量L。
第二步：基于左右手运动想象样本的重要信息表现在8～13Hz或18～24Hz的u/β节律上，他们分别包含在子带系数D2和D3中，在数据预处理过程中，主要将携带重要信息的4～7秒时间段的数据作为研究对象。采用离散小波变换得到只包含D2，D3的小波系数向量C及对应的子带均值向量M，以及子带方差向量D。
第三步：根据上述方法得到向量C，D和M后，产生第一种特征向量cX=[C M]，cX为22维向量。第二种特征向量dX=[D M]，dX为4维向量。
运动想象脑电信号特征参数提取算法流程如图2所示。
3 结语
该文基于离散小波变换，对基于运动想象脑电信号进行特征提取，得到了两种特征向量，第一种特征向量是由重要子带小波系数和小波系数均值形成的；第二种特征向量是由重要子带小波系数均值和小波系数方差形成的。该方法与传统方法相比较采用了更多的有效信息。其次是选择了有效信息丰富的时间段和频率段，提高了分离性能。在分类方面，该文采用神经网络对两种特征进行分类，以平均识别率为指标，最终通过对平均识别率的比较，得到的结果说明了采用重要子带小波系数均值和方差形成的特征向量具有更好的分类性能。
参考文献
[1] Virts J.The third international meeting on brain-computer interface technology： making a difference[J].IEEE Trans Neural Syst Rehabil Eng，2006，14（2）：126-127.
[2] Vaughan TM.Brain-computer interface technology：a review of the second international meeting [J] . IEEE Trans Neural Syst Rehabil Eng ，2003，11（2）：94-109.
[3] 徐宝国，宋爱国.单次运动想象脑电的特征提取和分类[J].东南大学报，2007，37（4）：629-630.
[4] 杨帮华，颜国正，鄢波，等.基于离散小波变换提取脑-机接口中脑电特征[J].中国生物医学工程学报，2007，25 （5）：518-519.
[5] 尧德中.脑功能探测的电学理论与方法[M].北京：科学出版，2003.
关键词：脑-机接口 小波变换 脑电 特征提取
中图分类号：R318 文献标识码：A 文章编号：1674-098X（2015）10（b）-0136-02
脑-机接口（ Brain-Computer Interface，BCI） 是一种不依赖于脑的正常输出通路的通信系统，是一种新的人机接口方式，其实质是通过脑电信号的变化来识别人的意图，实现人机交流。BCI技术在许多领域中正受到世界广泛的关注。
BCI的研究涉及多种学科，许多疑难问题还有待解决，其中特征的提取和分类是目前研究的重点内容。
该文基于离散小波变换进行EEG特征提取，分别抽取小波变换D2、D3子带小波系数与小波系数均值组成特征向量，D2、D3小波系数均值与方差组成特征向量。采用神经网络进行分类，以分类正确率作为指标，将两种特征的分类结果进行比较，得到最优的特征向量。
1 脑电信号特征提取依据
当某一皮层区域活跃起来，特定频率的节律性活动表现为幅度的降低或称为事件相关去同步（Event-Related Desynchronization， ERD），当某一活动在一定时刻没有使相关皮层区域明显地活跃起来，特定频率就表现为幅度升高或称为事件相关同步（Event-Related Synchronization， ERS）。
根据图1的结果表明，信号在不同频率时，信号幅度谱在μ/β频段上有明显的差异。在左手想象运动时，我们发现，C3导联脑电信号的谱峰要比C4导联脑电信号的谱峰高，说明C3大脑皮层区域在想象左手运动时的ERS现象强于C4大脑皮层区域。同理，想象右手运动时，C4导联脑电信号的谱峰明显要比C3导联脑电信号的谱峰高，说明C4大脑皮层区域在想象右手运动时的ERS现象强于C3大脑皮层区域。
2 小波分解算法
该文主要研究用Daubechies小波，想象左右手运动信号是从第3 s正式开始，而经过实验表明，特征最明显的时间段存在于4～7 s，所以我们只选取4～7 s的信号进行处理。分别对想象左右手运动的C3、C4在4～7 s的信号进行4层分解，即f（t）=A4+D4+…+D1，各分量对应的子频带依次为0～4，4～8，8～16，16～32，32～64 Hz，这些子频带频率成分分别与EEG中Delta、Theta、Alpha、Beta、Gamma（>30 Hz）的频段相对应，各子带具有明确的含义，因此我们进行4层小波分解。系数向量C的结构按如下组织：C=[cA4，cD4，cD3，…，cD1]，对EEG样本数据进行分解。
特征提取主要分为三步：
第一步：对左右手运动想象训练样本用选定的小波函数进行4层小波分解，得到对应的系数向量C和长度向量L。
第二步：基于左右手运动想象样本的重要信息表现在8～13Hz或18～24Hz的u/β节律上，他们分别包含在子带系数D2和D3中，在数据预处理过程中，主要将携带重要信息的4～7秒时间段的数据作为研究对象。采用离散小波变换得到只包含D2，D3的小波系数向量C及对应的子带均值向量M，以及子带方差向量D。
第三步：根据上述方法得到向量C，D和M后，产生第一种特征向量cX=[C M]，cX为22维向量。第二种特征向量dX=[D M]，dX为4维向量。
运动想象脑电信号特征参数提取算法流程如图2所示。
3 结语
该文基于离散小波变换，对基于运动想象脑电信号进行特征提取，得到了两种特征向量，第一种特征向量是由重要子带小波系数和小波系数均值形成的；第二种特征向量是由重要子带小波系数均值和小波系数方差形成的。该方法与传统方法相比较采用了更多的有效信息。其次是选择了有效信息丰富的时间段和频率段，提高了分离性能。在分类方面，该文采用神经网络对两种特征进行分类，以平均识别率为指标，最终通过对平均识别率的比较，得到的结果说明了采用重要子带小波系数均值和方差形成的特征向量具有更好的分类性能。
参考文献
[1] Virts J.The third international meeting on brain-computer interface technology： making a difference[J].IEEE Trans Neural Syst Rehabil Eng，2006，14（2）：126-127.
[2] Vaughan TM.Brain-computer interface technology：a review of the second international meeting [J] . IEEE Trans Neural Syst Rehabil Eng ，2003，11（2）：94-109.
[3] 徐宝国，宋爱国.单次运动想象脑电的特征提取和分类[J].东南大学报，2007，37（4）：629-630.
[4] 杨帮华，颜国正，鄢波，等.基于离散小波变换提取脑-机接口中脑电特征[J].中国生物医学工程学报，2007，25 （5）：518-519.
[5] 尧德中.脑功能探测的电学理论与方法[M].北京：科学出版，2003.