基于運動相關腦電特征的手運動方向識別

曹玉珍，張慶學

(1.天津大學精密儀器與光電子工程學院，天津 300072；2.天津市生物醫(yī)學檢測技術與儀器重點實驗室，天津 300072)

基于運動相關腦電特征的手運動方向識別

曹玉珍1,2，張慶學1

(1.天津大學精密儀器與光電子工程學院，天津 300072；2.天津市生物醫(yī)學檢測技術與儀器重點實驗室，天津 300072)

為了研究如何從無創(chuàng)運動相關腦電中提取運動信息作為上肢主動康復訓練的控制命令，通過設計實驗，使右手完成左、上、右 3個方向的運動，同時采集腦電數(shù)據(jù)和右手運動信息．通過小波時頻分析確認與右手運動相關的腦電頻帶，并提取其小波分解系數(shù)作為特征，采用支持向量機進行特征分類，根據(jù)方向識別準確率分析提取特征的有效性．結果表明，運動腦電delta和 theta頻段的小波系數(shù)特征可以有效區(qū)分右手不同方向的運動，方向識別準確率的均值接近 65%，并且用準備階段特征分類的結果普遍優(yōu)于運動階段特征，因此，在手運動之前誘發(fā)的腦電活動含有豐富的運動信息，可用于腦-機接口系統(tǒng)提取上肢主動康復訓練的控制命令．

腦電；連續(xù)小波變換；小波分解；支持向量機；腦-機接口

中風偏癱造成的肢體運動功能障礙嚴重影響患者的生活質(zhì)量，像完成伸手夠及物品這種最簡單的動作對中風偏癱患者而言也是極為困難的，給日常生活帶來極大不便．近年來針對運動障礙患者的診斷和康復實驗研究取得了巨大進展，康復治療引入腦-機接口(brain-computer interface，BCI)技術，使用腦信號作為替代進行機器輔助運動的控制，部分補償了患者弱化的機體功能．基于腦-機接口技術的康復器械可以根據(jù)患者的實際情況，通過神經(jīng)信號解碼患者動作意圖，輔以機械配合協(xié)調(diào)肢體實際動作，可達到最佳的訓練效果．因此，從腦電信號中解碼運動信息在腦-機接口及康復工程領域有著十分重要的意義[1]．

目前，BCI系統(tǒng)獲取腦電信號的方式主要有無創(chuàng)式和有創(chuàng)式兩種．對于有創(chuàng)記錄方法，如 ECoG、LFP等，其中顱內(nèi)電極陣列應用廣泛，雖然具有較高的空間分辨率但成本較高，且存在手術植入和維護的相關風險[1-2]．對于無創(chuàng)記錄方法，使用 EEG信號可以區(qū)分手的不同方向的運動[3-4]；使用單次 EEG數(shù)據(jù)特征，機器學習可以簡單分辨不同的運動[5-6]；使用無創(chuàng)技術采集腦電并解碼運動方向信息的方法安全可靠，但方向識別準確率比較低，一般在 60%以下[7]，且EEG信號中哪些成分對區(qū)分不同方向的運動更有效，以及如何提取這些有用成分，相關的研究較少．使用 EEG特征分辨或預測不同的運動，其困難在于，相對于思維算法實驗或增強情緒實驗，運動的EEG特征相對較弱，而且引入的額外干擾較大，致使提取特征困難．運動準備前的 EEG中是否包含足以區(qū)分運動方向的信息，尚未得到充分的研究[8]．

為了研究如何從運動相關腦電中提取運動信息作為主動康復訓練的控制命令，本研究通過設計右手自然觸及目標的實驗，使右手完成3個方向(左、上、右)的運動，設計的實驗任務分別是運動前的準備(思考)階段和右手運動到目標點的執(zhí)行階段．采集兩個階段的EEG數(shù)據(jù)和手運動數(shù)據(jù)，通過對EEG的時頻分析以及手運動的速度分析，對EEG信號進行分段，并采用小波分解的低頻帶系數(shù)特征進行手運動方向的識別，根據(jù)方向識別準確率證實提取特征的有效性.

1 實 驗

1.1 實驗設計

如圖 1所示，受試者坐在舒服的椅子上，正前方的桌子上放置實驗用的指示平板，提供實驗指示信息，受試者右手食指貼有紅外主動發(fā)光的標記點(Marker點)．實驗前，受試者將右手食指放在顯示屏中心圓形區(qū)域，其余手指自然握拳．實驗開始后，受試者身體保持不動，根據(jù)實驗提示完成手向左、向上和向右3個方向的運動，并返回中心點．

圖1 實驗系統(tǒng)示意Fig.1 Schematic diagram of experimental system

每個方向往復1次記為1次實驗，每次實驗包含3個階段：運動準備階段、執(zhí)行階段和返回階段．1次完整的實驗過程如圖 2所示．脈沖提示實驗開始.①運動準備階段：顯示屏隨機顯示左、上、右 3個方向中的 1個，箭頭為紅色，即提示受試者目標移動方向，但是并不運動．②運動執(zhí)行階段：箭頭由紅色變?yōu)榫G色，手向指定的方向緩慢運動到目標點即停止.③運動返回階段：紅色箭頭消失，手返回運動起始位置，等待下次實驗．3個方向實驗，每個方向33次計為 1組；每組實驗連續(xù)采集，實驗期間加入短暫的休息提示，受試者可適當休息．每位受試者分時段共做5組實驗，每個方向共獲得165次實驗的樣本數(shù)據(jù)．

圖2 1次完整的實驗過程Fig.2 A complete experimental process

實驗受試者為7名健康志愿者(5男2女，(23± 2)歲)，均無精神疾病史，實驗前洗1次頭，降低接觸阻抗，實驗時受試者精神狀態(tài)良好．

1.2 實驗設備

使用Phonix EMS 128腦電測量儀采集腦電信號，運動測量裝置 Optotrak Certus采樣手的三維位置信號即手的運動軌跡，通過同步脈沖信號同步兩種數(shù)據(jù)．

腦電采集使用19導聯(lián)的Ag/AgCl電極帽，電極配置為國際標準的10-20導聯(lián)系統(tǒng)，所有電極信號均以左耳垂作為參考，EEG信號和同步信號的采樣頻率為512,Hz．

運動采集裝置對手運動位置(Marker點)和同步信號的采樣頻率均為100,Hz．

2 信號處理及分類方法

2.1 數(shù)據(jù)分析

為了提高信號的信噪比，首先對 EEG數(shù)據(jù)進行濾波預處理，使用 0.5,Hz高通和 40,Hz低通的 FIR數(shù)字濾波器．采用連續(xù)小波變換對 EEG進行時頻分析，以分析運動相關腦電的時頻域表現(xiàn)．母小波選用Morlet小波，對于不同的尺度，連續(xù)小波變換實質(zhì)上就是對不同頻率成分的逼近，尺度值越大，越逼近低頻成分．本文選擇的尺度范圍是 11～300，對應的頻率范圍是1.7～46.5,Hz．

依據(jù)采集到的手標記點的三維空間位置信號，通過數(shù)值微分計算得到標記點運動的瞬時速度，并通過10,Hz低通濾波器對速度曲線進行平滑處理，結合同步信號對比分析手運動準備和運動執(zhí)行過程中 EEG信號的變化情況．

2.2 特征提取

EEG信號在不同頻段的表現(xiàn)特征可以通過多尺度小波分解系數(shù)來描述[9]．通過抽取出特征頻段的小波分解系數(shù)特征構建特征向量．選用 db5小波，用WAVEDEC函數(shù)對EEG信號做8層小波分解后，提取其中的第6～第8層細節(jié)系數(shù)cD6、cD7和cD8組成 1組特征，對應的頻帶范圍大致是 4～8,Hz、2～4,Hz和1～2,Hz．

特征提取和分類器的參數(shù)優(yōu)化是提高分類準確率的主要途徑．研究表明，對特征向量進行歸一化處理能有效提高分類器的分類準確率，對支持向量機(support vector machine，SVM)算法尤為明顯[10-11].本文將3個方向的所有樣本特征進行樣本間歸一化，即將1次實驗樣本提取的1組特征作為矩陣的1行，構成特征向量，則3個方向共495組特征向量，第x列數(shù)據(jù)由各組特征相應位置上的特征值組成，該列每一個特征值分別減去該列中最小的特征值，再除以該列最大值與最小值的差，可將特征向量歸一化到0與1之間，同時有效消除不同數(shù)量級的特征之間的分散性，縮短訓練時間，提高方向識別準確率．19導聯(lián)EEG數(shù)據(jù)分別計算，求出每個導聯(lián)的方向識別準確率．

2.3 分類方法

支持向量機是當前一種比較先進的分類方法，屬于核方法的范疇，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他領域[12]．

SVM 是一種應用普遍的二分類算法，其主要思想就是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化．由于本實驗設計了 3個不同方向的運動，屬于多目標分類，因此分類時就需要使用多個一對一SVM分類器，即將3個方向的特征兩兩組合，通過訓練樣本構造出 3個一對一SVM二分類器，再將測試數(shù)據(jù)分別輸入 3個分類器進行分類，對所有組合類進行投票，得票數(shù)最多的類即為測試樣本所屬的類．

為使分類的結果更準確，通過數(shù)據(jù)集的交叉驗證平衡實驗間的差異是常用方法之一．交叉驗證是一種用來驗證分類器性能的統(tǒng)計分析方法[13]，即使用大部分樣本進行建模，留下小部分樣本用剛建立的模型進行預測，并求這小部分樣本的預測準確率．本文采用 11折交叉驗證，即將每個方向的總樣本(165個)均分為11份，每份15個，每個方向抽取10份作為訓練樣本，另一份作為測試樣本，預測輸出類別，如此遍歷，直至每一份數(shù)據(jù)都作為一次測試數(shù)據(jù)為止．因此，可得到11個分類模型，有11組預測輸出，將這些預測結果分別和理想輸出類別做比較，共得到11組方向識別準確率，取其均值作為最終結果．

3 結果和討論

3.1 數(shù)據(jù)分析結果

對受試者 S1的1組實驗數(shù)據(jù)進行分析，以向上運動為例，結果如圖 3所示．圖 3(a)為同步脈沖信號，用于區(qū)分 1次完整實驗的各個階段(準備階段、執(zhí)行階段和返回階段)；圖3(b)為1次向上運動過程中C3導聯(lián)的EEG信號；圖3(c)為對應的該次向上運動的速度曲線，據(jù)此可清楚了解實際運動的開始和結束時刻；對該次向上運動的 EEG數(shù)據(jù)進行連續(xù)小波變換，圖 3(d)即其小波變換結果；圖 3(e)為向同一方向運動33次的EEG數(shù)據(jù)分別進行小波變換，再取時頻域均值的結果．

由圖 3(b)、3(c)可以看出，向上運動任務執(zhí)行過程中，準備階段持續(xù) 2.85,s，2.85,s時刻提示運動開始，運動階段持續(xù) 3.4,s；運動指示出現(xiàn)后約 0.6,s，手的速度超過了 0.005,m/s，即可認為受試者已經(jīng)開始運動，4.5,s后運動基本完成，速度降為零．

從圖 3(d)和圖 3(e)的時頻分析可以看出，運動準備階段，10,Hz以下的低頻帶能量較高，運動階段的能量也集中在低頻帶；多次實驗的時頻分析結果均是低頻成分占主導．因此，從 EEG中提取頻域特征時需重點考慮低頻帶成分，即主要提取10,Hz以下的delta(1～4,Hz)和theta(4～8,Hz)頻帶．

圖3 信號分析結果Fig.3 Results of signal analysis

圖4(a)、4(b)分別對應向左和向右運動時C3導聯(lián) EEG信號做小波變換后再取均值的時頻分析，與向上運動的時頻分析結果基本一致，即準備和運動階段，能量主要集中在指示開始后約1.5,s的時間內(nèi)，頻率為10,Hz以下的低頻段．

圖4 小波時頻分析Fig.4 Wavelet time-frequency analysis

3.2 特征提取與分類

根據(jù)第 3.1節(jié)的數(shù)據(jù)分析結果，截取運動 EEG的長度分別為：準備階段 768個點(1.5,s)，運動階段845個點(約 1.65,s)．特征提取時重點提取 10,Hz以下的低頻段特征，結合小波分解的多分辨率分析和頻帶剖分理論[14]，取細節(jié)系數(shù)cD6、cD7和cD8作為特征，對應的頻段范圍分別為4～8,Hz、2～4,Hz和1～2,Hz，因此，每次實驗每個導聯(lián)的特征數(shù)為：準備階段11+14+20=45個，運動階段12+15+22=49個.

對19導聯(lián) EEG樣本數(shù)據(jù)分別進行特征提取和運動方向識別，表1為各導聯(lián)的方向識別準確率的均值，S1～S7表示7位受試者，并且從樣本間歸一化和未歸一化的角度比較識別結果．從表 1可以看出：樣本間歸一化可以有效提高方向識別的準確率，比未歸一化時的識別率高10%左右，但對個別受試者提升較少，如 S3；用準備階段的特征進行識別，其準確率普遍優(yōu)于運動階段．

表1 準備階段和運動階段的識別準確率Tab.1 Recognition accuracy of movement direction of ready and motion characteristics of seven subjects %

圖5 7位受試者各導聯(lián)分類結果的分布箱線圖Fig.5 Distribution of classification accuracies of each electrode of seven subjects using boxplot

圖 5為每位受試者分別進行方向識別的準確率分布，各導聯(lián)識別準確率的分布情況使用箱線圖表示，即利用數(shù)據(jù)中的 5個統(tǒng)計量：最小值、第一四分位數(shù)、中位數(shù)、第三四分位數(shù)與最大值來描述數(shù)據(jù)，加號表示異常值，即個別導聯(lián)方向識別準確率高于(低于)所有導聯(lián)方向識別準確率分布的第三四分位數(shù)(第一四分位數(shù))與 1.5倍四分位距之和(之差)，四分位距為第三四分位數(shù)與第一四分位數(shù)之間的間距，即矩形箱的長度．

從圖5中可以看出，多數(shù)受試者準備階段特征的方向識別準確率的分布區(qū)間比運動階段要高；各受試者 19導聯(lián)方向識別準確率的分布具有相似的對稱性，中位數(shù)均在50%以上；S1～S7準備階段均值接近65%，與表 1的結果一致，同樣受試者之間存在個體差異性，最好與最差準確率差別較大，如S5受試者；個別受試者準備特征和運動特征的方向識別準確率相對差異性較大，如S4受試者．

4 結 語

從識別準確率的結果可以看出，特征向量樣本間歸一化方法可以有效提高方向識別準確率；對運動EEG進行時頻分析再提取小波系數(shù)特征的方法，可以有效區(qū)分右手不同方向的運動，且有較高的識別準確率；7位受試者的 3個運動方向識別的準確率(準備階段特征)均值接近 65%，一定程度而言，具備了將識別結果轉換為 BCI設備控制命令的條件．另一方面，使用準備階段特征作為方向識別的依據(jù)，其結果優(yōu)于運動階段特征，這說明在運動準備階段集中了較多的運動特征，雖然沒有想象運動特征強烈，但還是強于運動階段，方向識別準確率相對較高，同時表明運動開始前的準備階段含有較豐富的運動信息，可以作為BCI系統(tǒng)完成主動康復訓練的重點研究對象.

綜合以上結果表明，從 EEG信號中可以提取有效的信息來區(qū)分不同方向的手的運動，而且使用運動準備階段的 EEG信號提取運動特征更有效，方向識別準確率更高，未來可用于作為主動康復的控制命令的依據(jù)．康復治療時，在大腦完成夠及某個目標的思維過程即準備階段后，可以根據(jù)該階段的大腦意識解碼運動方向信息，將這些運動信息轉化為命令提供給BCI系統(tǒng)，BCI系統(tǒng)控制輔助裝置帶動患肢完成夠及目標的運動，進行接近正常運動的主動康復練習，以影響中樞神經(jīng)系統(tǒng)的可塑性，最大可能性地恢復運動機能．

參考文獻：

［1］ Wolpaw J R，Birbaumer N，McFarland D J，et al. Brain-computer interfaces for communication and control [J]. Clinical Neurophysiology，2002，113(6)：767-791.

［2］ Tamil E，Radzi H M，Idris M Y I，et al. Electroencephalogram(EEG)Brain Wave Feature Extraction Using Short Time Fourier Transform[R]. Lembah Pantai：Faculty of Computer Science and Information Technology，University of Malaya，2007.

［3］ Abdul-Bary Raouf Suleiman，Toka Abdul-Hameed Fatehi. Features Extraction Techniques EEG Signal for BCI Applications[R]. 2011.

［4］ Murugappan M，Nagarajan R，Yaacob S. Comparison of different wavelet features from EEG signals for classifying human emotions[C]// IEEE Symposium on Industrial Electronics and Applications(ISIEA). Malaysia，2009：836-841.

［5］ Hammon P S，Makeig S，Poizner H，et al. Predicting reaching targets from human EEG [J]. IEEE Signal Processing Magazine，2008，25(1)：69-77.

［6］ Wang Yijun，Makeig Scott. Predicting intended movement direction using EEG from human posterior parietal cortex [J]. Neuroergonomics and Operational Neuroscience，2009(5638)：437-446.

［7］ Waldert S，Preissl H，Demandt E，et al. Hand movement direction decoded from MEG and EEG [J]. Neurosci，2008，28(4)：1000-1008.

［8］ Sanei S，Chambers J A. EEG Signal Processing[M]. Chichester，England：John Wiley & Sons Ltd，2007.

［9］ Mallat S G. A theory for multi resolution signal decomposition：The wavelet representation [J]. IEEE Transactions on Pattern Anal & Mach Intelligence，1989，11(7)：674-693.

［10］ 鄒 鵬，姜秋喜，莫翠瓊，等. 基于 SVM 識別的雷達輻射源特征向量歸一化研究[J]. 電子信息對抗技術，2010，25(6)：30-33.

Zou Peng，Jiang Qiuxi，Mo Cuiqiong，et al. The normalized research of radar emitter feature vector based on SVM identification[J]. Electronic Information Warfare Technology，2010，25(6)：30-33(in Chinese).

［11］ 肖漢光，蔡從中. 特征向量的歸一化比較性研究[J].計算機工程與應用，2009，45(22)：117-119.

Xiao Hanguang，Cai Congzhong. The comparative research of feature vector normalization [J]. Computer Engineering and Applications，2009，45(22)：117-119(in Chinese).

［12］ 郎宇寧，藺娟如. 基于支持向量機的多分類方法研究[J]. 中國西部科技，2010，9(17)：28-29.

Lang Yuning，Lin Juanru. Multi-classification method based on support vector machine [J]. Science and Technology of West China，2010，9(17)：28-29(in Chinese).

［13］ Schoelkopf B，Sung K-K，Burges C J C，et al. Comparing support vector machines with Gaussian kernels to radial basis function classifiers [J]. IEEE Trans on Signal Processing，1997，45(11)：2758-2765.

［14］ Qin L，He B. A wavelet-based time-frequency analysis approach for classification of motor imagery for braincomputer interface applications [J]. J Neural Eng，2005，2(4)：65-72.

(責任編輯：趙艷靜)

Recognition of Hand Movement Direction Based on Movement-Related EEG Characteristics

Cao Yuzhen1,2，Zhang Qingxue1
(1. School of Precision Instrument and Opto-Electronics Engineering，Tianjin University，Tianjin 300072，China；2. Tianjin Key Laboratory of Biomedical Detecting Techniques and Instruments，Tianjin 300072，China)

To extract effective motorial information from noninvasive movement-related EEG signal utilized as control commands of active rehabilitation，an experiment was designed which the right hand moved in three directions respectively(left，top，right)and EEG data of reciprocating motion and hand movement trajectory were recorded. Firstly，wavelet analysis was applied to confirm the movement-related bands in frequency domain，and then wavelet decomposition coefficients were extracted as characteristics. Next，the support vector machine algorithm was selected and the effectiveness of feature extraction was estimated through recognition accuracy. The results demonstrate that，the wavelet coefficients of delta and theta bands of movement-related EEG used as characteristics can effectively distinguish right hand movements in different directions and have nice classification accuracies，with the mean classification accuracy of subjects up to nearly 65%. Furthermore，the recognition accuracies adopting characteristics of preparatory stage are superior to that of motorial stage，indicating that EEG evoked by movement preparation has abundant movement information and can be used for extracting control commands of active rehabilitation of braincomputer interface(BCI)system.

EEG；continuous wavelet transform；wavelet decomposition；support vector machine；brain-computer interface

R318

：A

：0493-2137(2014)09-0836-06

10.11784/tdxbz201307001

2013-07-01；

2013-10-30.

曹玉珍（1963— ），女，博士，副教授.

曹玉珍，yzcao@tju.edu.cn.

時間：2013-11-04.

http：//www.cnki.net/kcms/detail/12.1127.N.20131104.1628.004.html.