Research of Fusion Classification of EEG Features for Multi-Class Motor Imagery*

ZHANG Huan，QIAO Xiaoyan（College of Physics and Electronics Engineering，Shanxi University，Taiyuan 030006，China）

?

Research of Fusion Classification of EEG Features for Multi-Class Motor Imagery*

ZHANG Huan，QIAO Xiaoyan*
（College of Physics and Electronics Engineering，Shanxi University，Taiyuan 030006，China）

In view of the problems of pattern simplification，low accuracy of classification and poor practicability in motor imagery BCI，they improve feature extraction method to common spatial pattern（CSP），and the support vector machine（SVM）is used to carry out multi-class classification，combining with the CSP to classify the feature signal of EEG.Firstly，they select EEG signal in the specific channel to do wavelet decomposition and reconstruction，in or?der to remove redundant information；Secondly，they improve the method，by doing subtractions between different characteristic parameters，and obtain obvious characteristics of EEG；Finally，the SVM is used to carry out multitask classification，combining with the CSP to classify the feature signal of EEG.Using BCI competition data，the four kinds of motor imagery tasks of left hand，right hand，tongue and feet are identified based on EEG signals.Ex?perimental results show that the correct rate of classifying is 90.9%for maximum，the average accuracy rate is 86.4%，the Kappa coefficient is 0.8867，and the information transmission rate was 0.68bit/trial and the method can extract EEG features effectively and achieve better classification to a multi-task motor imagery of EEG signals.

BCI；motor imagery；feature extraction and classification；wavelet transform；common spatial pattern；support vector machine

腦-機(jī)接口（BCI）是在人腦和計(jì)算機(jī)或其他電子設(shè)備之間建立不依賴于常規(guī)大腦信息輸出通路（外周神經(jīng)和肌肉組織）的全新對(duì)外信息交流和控制技術(shù)［1］。BCI技術(shù)在助殘及康復(fù)工程、正常人輔助控制、娛樂(lè)等領(lǐng)域有著廣泛的應(yīng)用前景，正受到世界范圍內(nèi)更多的關(guān)注和研究。

對(duì)BCI中的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行模式識(shí)別，國(guó)內(nèi)外已進(jìn)行了較多研究，但目前對(duì)于四模式運(yùn)動(dòng)想象腦電識(shí)別還存在分類正確率較低且不穩(wěn)定，所用導(dǎo)聯(lián)數(shù)目多，算法復(fù)雜導(dǎo)致實(shí)際應(yīng)用不理想等。Ghaheri H等人［2］采用對(duì)每個(gè)不同的腦電信號(hào)時(shí)間段進(jìn)行共空間模式（CSP）的特征提取以及LDA線性分類器進(jìn)行分類，可達(dá)到80.0%的分類正確率，由于時(shí)域分析時(shí)間開銷大，同時(shí)使用了22個(gè)腦電導(dǎo)聯(lián)，增加了應(yīng)用的復(fù)雜性。Luis F Nicolas-Alonso等人［3］對(duì)22個(gè)腦電導(dǎo)聯(lián)信號(hào)濾波后，用CSP提取特征結(jié)合譜回歸核判別分析對(duì)四種任務(wù)運(yùn)動(dòng)想象的腦電分類，最好的分類正確率為94%，Kappa值為0.92，但對(duì)應(yīng)的平均正確率卻只有73%，Kappa值為0.64。雖然最高的正確率較好，但平均正確率較低，使得實(shí)際應(yīng)用缺乏穩(wěn)定性。天津大學(xué)萬(wàn)柏坤等人［4］采用二維時(shí)頻分析結(jié)合Fisher分析的方法特征提取，使用支持向量機(jī)分類處理四種不同肢體部位動(dòng)作識(shí)別，識(shí)別率達(dá)到85.71%，實(shí)驗(yàn)中使用了60個(gè)導(dǎo)聯(lián)上的數(shù)據(jù)，操作復(fù)雜可使用性不強(qiáng)。王瑞敏等人［5］用短時(shí)傅里葉變換分解轉(zhuǎn)變成多頻段的時(shí)頻信號(hào)，然后采用CSP結(jié)合支持向量機(jī)（SVM）方法對(duì)單個(gè)導(dǎo)聯(lián)上的運(yùn)動(dòng)想象腦電信號(hào)分類識(shí)別，最佳識(shí)別準(zhǔn)確率為88%，平均準(zhǔn)確率只有65%，且在減少導(dǎo)聯(lián)時(shí)，識(shí)別正確率大幅下降。

在運(yùn)動(dòng)想象腦電特征提取方面，尤其在多類任務(wù)模式的BCI研究中，CSP方法因其生成的空域?yàn)V波器可有效提高信號(hào)的信噪比，不需要過(guò)多的人工干預(yù)，使其得到了廣泛應(yīng)用。但因使用過(guò)程中需要多個(gè)導(dǎo)聯(lián)，限制了其應(yīng)用范圍。本文將原始腦電信號(hào)經(jīng)過(guò)小波分解與重構(gòu)［6］，既去除了冗余信息同時(shí)又把單一的腦電信號(hào)轉(zhuǎn)化成不同頻段上的多個(gè)信號(hào)，較好的解決了共空間模式方法需要多導(dǎo)聯(lián)信號(hào)的不足之處，同時(shí)在CSP結(jié)果輸出時(shí)，將不同信號(hào)對(duì)應(yīng)的特征作差處理作為新的特征值，可在使用較少腦電導(dǎo)聯(lián)情況下有效提取特征信號(hào)。在多任務(wù)分類時(shí)，SVM容易出現(xiàn)無(wú)法分類的情況，從而導(dǎo)致分類過(guò)程多次循環(huán)，也容易出現(xiàn)錯(cuò)分。文中利用徑向基SVM融合CSP作為分類方法，在SVM分類出現(xiàn)無(wú)法判斷時(shí)，融合CSP的判斷結(jié)果，在提高分類準(zhǔn)確度的同時(shí)也保證了系統(tǒng)的穩(wěn)定性，減少分類算法的運(yùn)行時(shí)間，為實(shí)際應(yīng)用提供了良好的條件。因此，采用小波-共空間模式方法進(jìn)行腦電特征提取，將SVM和CSP進(jìn)行融合特征分類，對(duì)多模式運(yùn)動(dòng)想象腦電識(shí)別取得了較好的結(jié)果。

1　算法基本理論

1.1小波變換

腦電信號(hào)是一種時(shí)變非平穩(wěn)信號(hào)，傳統(tǒng)的時(shí)域和頻域分析方法不能分辨出某個(gè)時(shí)間范圍內(nèi)包含的頻率成份以及一些瞬變細(xì)節(jié)特征，小波分析［7］是一種多分辨率的時(shí)頻信號(hào)分析方法，具有變焦距特性，可以在頻域和時(shí)域同時(shí)分析非平穩(wěn)時(shí)變信號(hào)。

小波變換是信號(hào)f（x）與小波函數(shù)ψa，b（x）做內(nèi)積，即

在應(yīng)用中，Mallat算法［8］占有非常重要的地位，它給出了小波分解與重構(gòu)的快速算法。小波變換分解和重構(gòu)公式為：

其中，cj，k為分解后的逼近系數(shù)，即信號(hào)低頻分量，dj，k為分解后的細(xì)節(jié)系數(shù)，即高頻分量。h和g為小波濾波器組，j為分解層數(shù)，N為離散采樣點(diǎn)數(shù)。式（3）為小波變換的重構(gòu)公式。

1.2共空間模式

CSP［9］是一種針對(duì)兩任務(wù)條件下的運(yùn)算方法，其基本原理是：首先，對(duì)兩個(gè)協(xié)方差矩陣同時(shí)對(duì)角化；其次，應(yīng)用主成分分析方法和空域子空間分析提取兩種任務(wù)的空間成分；最后，根據(jù)所提取到的空間成分構(gòu)建各類空域?yàn)V波器，使得兩類別之間的差異最大化，從而完成兩類信號(hào)的特征提取和分離。

對(duì)于多類任務(wù)想象運(yùn)動(dòng)電腦信號(hào)，該方法勢(shì)必造成識(shí)別率的下降，因此CSP必須進(jìn)行改進(jìn)。采用‘一對(duì)多’CPS算法，把其中一個(gè)作為一類，剩余的所有作為第二類，轉(zhuǎn)化成兩分類問(wèn)題進(jìn)行處理。對(duì)于N分類問(wèn)題，只需要構(gòu)建N個(gè)空間濾波器即可。如，經(jīng)過(guò)類1空間濾波器映射后得到一個(gè)新的信號(hào)Z1

其中，F(xiàn)1為類1空間濾波器，Ei是單次腦電信號(hào)，則其余類別對(duì)應(yīng)的空間濾波器分別是Z2，Z3，Z4。式（5）和式（6）是對(duì)Zi能量信號(hào)求方差取對(duì)數(shù)得到不同的f值并做差處理，作為最終的特征向量fd。

1.3支持向量機(jī)

SVM是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一種機(jī)器學(xué)習(xí)算法，其用于分類的實(shí)質(zhì)是尋找一個(gè)最優(yōu)分類超平面。它通過(guò)非線性映射（核函數(shù)）將低維空間線性不可分的數(shù)據(jù)轉(zhuǎn)化到高維空間，并在高維空間尋求一個(gè)能實(shí)現(xiàn)數(shù)據(jù)分類的最優(yōu)分類超平面［10］。選擇不同的核函數(shù)，數(shù)據(jù)就形成不同的映射算法，只要滿足Mercer條件即可。在低維空間中最優(yōu)決策函數(shù)表達(dá)公式為：其中，N為支持向量的個(gè)數(shù)，ai為L(zhǎng)agrange乘子，（xi，y）i為對(duì)應(yīng)的觀察樣本數(shù)據(jù)，b為分類的閾值，K（x·xi）為核函數(shù)，常用的核函數(shù)有：①線性核函數(shù)K（u，v）=u·v，其相對(duì)簡(jiǎn)單，解決相對(duì)簡(jiǎn)單的分類問(wèn)題。②多項(xiàng)式核函數(shù)K（u，v）=（u@v+1）q，q＞0，也稱q階多項(xiàng)式分類器。

支持向量機(jī)是針對(duì)二分類問(wèn)題提出的，為實(shí)現(xiàn)對(duì)多個(gè)模式類別的識(shí)別，需要對(duì)SVM進(jìn)行推廣。多分類算法主要有‘一對(duì)一’法，‘一對(duì)多’法，‘決策樹’法等。其中‘一對(duì)一’的解決方法是在K類問(wèn)題中進(jìn)行兩兩組合，構(gòu)建k（k-1）/2個(gè)分類器，每個(gè)分類器完成其中兩類的訓(xùn)練。分類時(shí)，首先每個(gè)子分類器對(duì)待分類樣本進(jìn)行判斷，給出分類結(jié)果即‘投票’。然后總結(jié)所有分類器的‘投票’結(jié)果，得票最多的那個(gè)類別就是分類的最終結(jié)果，如果出現(xiàn)票數(shù)一樣時(shí)，則返回重新判斷。經(jīng)過(guò)仿真實(shí)驗(yàn)對(duì)比幾種多分類的SVM方法，結(jié)果表明：‘一對(duì)一方法在運(yùn)動(dòng)想象腦電分類應(yīng)用中，方法簡(jiǎn)單，而且性能穩(wěn)定。

2　實(shí)驗(yàn)數(shù)據(jù)采集

采用BCI 2005data sets шa的競(jìng)賽實(shí)驗(yàn)數(shù)據(jù)［11］。受試者放松靜坐在椅子上，根據(jù)計(jì)算機(jī)上出現(xiàn)的提示做想象運(yùn)動(dòng)，如圖1、圖2所示。實(shí)驗(yàn)前2 s，受試者保持安靜準(zhǔn)備狀態(tài)。第2 s時(shí)，計(jì)算機(jī)發(fā)出短暫的蜂鳴聲同時(shí)屏幕上出現(xiàn)‘+’。3 s時(shí)，出現(xiàn)隨機(jī)的左右上下箭頭，同時(shí)受試者按照提示做相應(yīng)的想象左手，右手，舌和腳的運(yùn)動(dòng)，直到7秒結(jié)束作為一次試驗(yàn)。由k3b，k6b和l1b這3名受試者完成所有實(shí)驗(yàn)，其中k3 b進(jìn)行了360次試驗(yàn)，采集360組實(shí)驗(yàn)數(shù)據(jù)，有標(biāo)簽的數(shù)據(jù)為180組。k6b和l1b各采集240組的實(shí)驗(yàn)數(shù)據(jù)，有標(biāo)簽的數(shù)據(jù)各為120組。數(shù)據(jù)由64導(dǎo)聯(lián)的Neuroscan腦電儀采集得到，采樣頻率為250 Hz，實(shí)驗(yàn)過(guò)程如圖1所示，本文使用與運(yùn)動(dòng)想象相關(guān)的5個(gè)導(dǎo)聯(lián)的腦電電極數(shù)據(jù)，電極位置如圖2所示。

圖1　實(shí)驗(yàn)過(guò)程時(shí)序圖

圖2　電極示意圖

3　腦電特征提取和分析

3.1腦電信號(hào)小波變換處理

大腦進(jìn)行運(yùn)動(dòng)想象時(shí)，腦電活動(dòng)有關(guān)頻段主要分布在8～30 Hz區(qū)間，即α和β節(jié)律。文獻(xiàn)［12］中，想象左手和右手運(yùn)動(dòng)對(duì)應(yīng)的腦電頻率分別為10 Hz～12 Hz和20 Hz～24 Hz，舌的對(duì)應(yīng)頻率10 Hz～11 Hz，腳的對(duì)應(yīng)頻率為7 Hz～8 Hz和20 Hz～24 Hz。本文選用5個(gè)導(dǎo)聯(lián)上的腦電信號(hào)，分別是24號(hào)導(dǎo)聯(lián)對(duì)應(yīng)舌的想象運(yùn)動(dòng)腦電信號(hào)，41和31（Cz）號(hào)導(dǎo)聯(lián)對(duì)應(yīng)腳的想象運(yùn)動(dòng)腦電信號(hào)，導(dǎo)聯(lián)34（C4）和28（C3）分別對(duì)應(yīng)想象左、右手運(yùn)動(dòng)的腦電信號(hào)。對(duì)應(yīng)在在圖2上24，31，28，41，34導(dǎo)聯(lián)分別對(duì)應(yīng)（1～5）標(biāo)號(hào)的位置。

采用db4小波對(duì)腦電信號(hào)進(jìn)行分解和重構(gòu)，將腦電信號(hào)分解成5個(gè)對(duì)應(yīng)子頻段（D1～D5）。由于分解后的信號(hào)在頻率成分上比原始信號(hào)單一，并且小波分解對(duì)信號(hào)作了平滑，因此小波分解后信號(hào)的平穩(wěn)性比原始信號(hào)好。對(duì)比所需腦電信號(hào)的頻帶范圍，對(duì)D3（16 Hz～31 Hz），D4（8 Hz～16 Hz），D5（4 Hz～8 Hz）三個(gè)頻帶上的子信號(hào)分別進(jìn)行小波重構(gòu)，5個(gè)導(dǎo)聯(lián)數(shù)據(jù)可以產(chǎn)生15個(gè)信號(hào)作為后續(xù)特征提取的輸入信號(hào)。

3.2改進(jìn)的共空間模式特征提取

改進(jìn)的CSP方法提取想象運(yùn)動(dòng)腦電特征主要體現(xiàn)在：一方面共空間模式的輸入不是原始腦電信號(hào)，而是經(jīng)小波變換之后包含了時(shí)頻特性的信號(hào)。由于小波變換可以按照不同尺度把信號(hào)進(jìn)行時(shí)頻分解，然后再進(jìn)行CSP處理，克服了CSP特征提取需要多導(dǎo)聯(lián)腦電信息的缺陷。另一方面對(duì)共空間濾波的輸出特征量采用了差值處理，即空間濾波后的新信號(hào)采用方差取對(duì)數(shù)運(yùn)算，并使用最大fi值與次大fi值的差值作為特征量，該方法可以增強(qiáng)特征間差異，有效提取多模式運(yùn)動(dòng)想象腦電特征。

具體實(shí)現(xiàn)步驟如下：①小波重構(gòu)后，得到N*T個(gè)數(shù)據(jù)樣本（N是信號(hào)個(gè)數(shù)，T是單次試驗(yàn)的采樣點(diǎn)數(shù)，此處是（15×1 750），組成信號(hào)矩陣Si。由于前3 s為實(shí)驗(yàn)準(zhǔn)備階段，不進(jìn)行數(shù)據(jù)處理，此時(shí)有效的數(shù)據(jù)矩陣為（15×1 000）。②單次試驗(yàn)數(shù)據(jù)求取協(xié)方差矩陣，對(duì)每類協(xié)方差矩陣求平均，得平均協(xié)方差矩陣（i∈1，…，4）。③對(duì)平均協(xié)方差矩陣構(gòu)建空間濾波器，使用控制變量法，比較得取前3個(gè)最大特征值所對(duì)應(yīng)的特征向量構(gòu)建空間濾波器，效果最好。對(duì)信號(hào)Si進(jìn)行共空間模式映射，得到新的投影信號(hào)Zi。④對(duì)投影的能量信號(hào)，做方差并求對(duì)數(shù)得f值，之后取差值，得到四類運(yùn)動(dòng)想象腦電信號(hào)特征向量fd。

圖2是以左手的運(yùn)動(dòng)想象為例，采用小波-共空間模式方法進(jìn)行腦電信號(hào)特征提取的結(jié)果。從圖中可以看出，想象左手運(yùn)動(dòng)的腦電信號(hào)在3 s～4.5 s時(shí)，腦電特征幅值較其他三種想象動(dòng)作明顯。

圖3　WT-CSP處理的左手運(yùn)動(dòng)想象腦電特征隨時(shí)間變化

4　多任務(wù)腦電融合分類

4.1支持向量機(jī)與CSP融合

特征識(shí)別是腦-機(jī)接口系統(tǒng)中重要的信號(hào)處理環(huán)節(jié)，是完成使用者自主意識(shí)到控制命令轉(zhuǎn)化的關(guān)鍵步驟，本文采用了支持向量機(jī)與CSP融合的特征分類方法，具體實(shí)現(xiàn)過(guò)程如下：（1）對(duì)特征向量fd的每個(gè)特征值進(jìn)行歸一化［13］并選擇訓(xùn)練集和測(cè)試集，選取20%樣本作為測(cè)試集，其余為訓(xùn)練集。（2）用CSP構(gòu)建各類空域分類器，根據(jù)運(yùn)算后最大的f值所對(duì)應(yīng)的標(biāo)簽，初步判斷待分類模式的類別，其輸出權(quán)值為1/13。（3）對(duì)于左手、右手、舌和腳的四類運(yùn)動(dòng)想象模式，其中任意兩類模式組合，可以構(gòu)建六個(gè)SVM分類器，其中每個(gè)分類器的輸出權(quán)值均為2/13。（4）將提取的腦電特征數(shù)據(jù)同時(shí)輸入到6個(gè)分類器中，每個(gè)分類器都會(huì)做出一個(gè)相應(yīng)的分類判斷。①當(dāng)SVM判斷無(wú)誤，則有3個(gè)分類器會(huì)輸出同一標(biāo)簽，輸出權(quán)值等于6/13，此時(shí)就直接輸出正確分類標(biāo)簽。②當(dāng)SVM判斷有誤，六個(gè)分類器的輸出結(jié)果中，有兩個(gè)標(biāo)簽的權(quán)值并列最大，等于4/13，此時(shí)需要與第（2）步中CSP分類方法比對(duì)進(jìn)行輸出標(biāo)簽判定。如果CSP分類得出的標(biāo)簽與權(quán)值最大的兩個(gè)標(biāo)簽中的一個(gè)一致，則輸出一致的那個(gè)標(biāo)簽；如果與這兩標(biāo)簽都不一致，則返回重新分類。在整個(gè)模式分類過(guò)程中，SVM分類方法起主導(dǎo)作用同時(shí)加權(quán)融合CSP分類方法，最終實(shí)現(xiàn)多任務(wù)運(yùn)動(dòng)想象的模式分類。加權(quán)方法如下：

其中Wi為每個(gè)輸出標(biāo)簽類別對(duì)應(yīng)的權(quán)值，i為SVM分類中的標(biāo)簽類別，j是CSP分類中的標(biāo)簽類別（i，j∈1，2，3，4），n是每個(gè)標(biāo)簽類別出現(xiàn)的次數(shù)。

通過(guò)融合CSP分類方法，在SVM多分類出現(xiàn)無(wú)法準(zhǔn)確判斷的時(shí)候，給予決定性的分類識(shí)別，縮短了整個(gè)分類器識(shí)別的時(shí)間，可以較好的優(yōu)化分類結(jié)果，兩者的融合是一種較好的多任務(wù)分類方法。

4.2分類器評(píng)價(jià)

分類正確率是評(píng)價(jià)BCI識(shí)別結(jié)果好壞的常用指標(biāo)。其中，左手、右手、舌和腳想象運(yùn)動(dòng)的腦電分類正確率表示為：正確率（%）=正確判斷任務(wù)類別的次數(shù)/實(shí)際想象運(yùn)動(dòng)的次數(shù)X100%；除了分類正確率外，Kappa系數(shù)也是評(píng)價(jià)BCI系統(tǒng)性能的常用指標(biāo)。對(duì)于四分類問(wèn)題而言，隨機(jī)分類的正確率為25%，而隨機(jī)分類的Kappa系數(shù)為0，因此Kappa系數(shù)作為評(píng)價(jià)指標(biāo)定義為：

其中，PC為隨機(jī)分類正確率，P0為正確識(shí)別率。最后預(yù)測(cè)結(jié)果將根據(jù)有效時(shí)間段內(nèi)誤差最低的時(shí)間點(diǎn)的Kappa系數(shù)來(lái)決定。

BCI技術(shù)作為人腦和外部設(shè)備的一種通訊系統(tǒng)，其信息傳輸速率［14］也是衡量BCI分類器的重要指標(biāo)，是衡量系統(tǒng)性能的標(biāo)準(zhǔn)方法。信息傳輸速率定義為：

式中，N為分類任務(wù)的數(shù)量（本實(shí)驗(yàn)中為4），p為分類正確率，B為每次實(shí)驗(yàn)可傳輸?shù)谋忍財(cái)?shù)，單位為bit，式（9）為轉(zhuǎn)換公式，表2為三名受試者的運(yùn)動(dòng)想象腦電識(shí)別性能比較。

表1　分類器評(píng)價(jià)結(jié)果對(duì)比

從表1中可以看出，本文中3名受試者的分類正確率均高于BCI競(jìng)賽的結(jié)果。文獻(xiàn)［11，15］三名受試者的分類結(jié)果有一個(gè)略高于本文，其他兩名均低于本文結(jié)果，但三名受試者測(cè)試結(jié)果起伏較大。從三名受試者平均分類正確率來(lái)看，本文明顯高于其他算法，達(dá)到86.8%的平均分類正確率，同時(shí)3名受試者平均的Kappa值比其他幾種算法高，表明本文算法的穩(wěn)定性比其他算法要好。分類器信息傳輸速率可達(dá)到0.68 bit，優(yōu)于文獻(xiàn)［16］中不同長(zhǎng)度時(shí)間窗下得到的最好信息傳輸速率0.67 bit，因此，該方法可以用于實(shí)際的運(yùn)動(dòng)想象BCI多任務(wù)分類識(shí)別中。

5　總結(jié)

小波分析通過(guò)變焦距特性在時(shí)頻域可以較好的將類別間差異部分突出表示；CSP方法不需要先驗(yàn)選擇特異性頻帶，可有效提高信號(hào)的信噪比；支持向量機(jī)基于風(fēng)險(xiǎn)最小化原則，在解決小樣本、非線性、高維數(shù)，局部極小點(diǎn)等問(wèn)題上表現(xiàn)出特有的優(yōu)勢(shì)。本文利用這三種算法對(duì)四模式類的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行特征提取與分類。仿真結(jié)果表明，本文的算法在達(dá)到精度要求的同時(shí)又保證了分類器的穩(wěn)定性和較高的信息傳輸速率，為多任務(wù)的運(yùn)動(dòng)想象腦-機(jī)交互應(yīng)用提供了一種有效方法。

［1］.EOG Artifact Correction from EEG Recording Using Sta?tionary Subspace Analysis and Empirical Mode Decomposition［J］.Sensors，2013，11（13）：14839-14859.

［2］Ghaheri H，Ahmadyfard A R.Extracting Common Spatial Patterns from EEG Time Segments for Classifying Motor Imagery Classes in a Brain Computer Interface（BCI）［J］.Scientia Iranica D，2013， 20（6）：2061-2072.

［3］Luis F，Nicolas Alonso，Rebeca Corralejo，et al.Adaptive Semi-Supervised Classification to Reduce Intersession Non-Stationarity in Multiclass Motor Imagery-Based Brain-Computer Interfaces［J］.Neurocomputing，2015，159：186-196.

［4］萬(wàn)柏坤，劉延剛，明東，等.基于腦電特征的多模式想象動(dòng)作識(shí)別［J］.天津大學(xué)學(xué)報(bào)，2010，43（10）：895-890.

［5］Ge S，Wang R，Yu D.Classification of Four-Class Motor Imagery Employing Single-Channel Electroencephalography［J］.Plos One，2014，9（6）：e98019.

［6］Feature.Extraction of Motor Imagery EEG Based on Wavelet Transform and Higher-Order Statistics［J］.International Journal of Wavelets，Multiresolution and Information Processing，2010，3（8）：373-384.

［7］羅志增，周鎮(zhèn)定，周瑛，等.雙樹復(fù)小波特征在運(yùn)動(dòng)想象腦電識(shí)別中的應(yīng)用［J］.傳感技術(shù)學(xué)報(bào)，2014，5（27）：575-580.

［8］.Pattern Recognition of Motor Imagery EEG Using Wavelet Trans?form［J］.Journal of Biomedical Science Engineering，2008（1）：64-67.

［9］Falzon Owen，Camileri Kenneth P，Muscat Joseph.The Analytic Common Spatial Patterns Method for EEG-Based BCI Data［J］. Journal of Neural Engineering，2012：9.

［10］武小年，彭小金，楊宇洋，等.入侵檢測(cè)中基于SVM的兩級(jí)特征選擇方法［J］.通信學(xué)報(bào)，2015，36（4）：19-26.

［11］Wan Baikun，Liu Yangang，Ming Dong，et al.Feature Recognition of Multi-Class Imaginary Movements in Brain-Computer Interface［C］//Proceedings of the International Conference on Virtual Envi?ronments，Human-Computer Interfaces and Measurements Sys?tems.Hong Kong：IEEE，2009：250-254.

［12］施錦河，沈繼忠，王攀.四類運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類算法［J］.浙江大學(xué)學(xué)報(bào)（版）2012，46（2）：338-344.

［13］孟明，滿海濤，佘青山.基于CI-HMM的運(yùn)動(dòng)想象腦電信號(hào)分類［J］.傳感技術(shù)學(xué)報(bào)，2013，12（26）：1638-1643.

［14］鄭敏敏，高小榕.基于眼電的字符輸入系統(tǒng)研究［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2012，31（6）：801-806.

［15］Li M A，Lin L，Jia S M.Multi-Class Imagery EEG Recognition Based on Adaptive Subject-Based Feature Extraction and SVMBP Classifier［J］.International Conference on Mechatronics andAutomation（ICMA），IEEE，2011：1184-1189.

［16］Eoin Thomas，Matthew Dyson，Maureen Clerc.Ananalysis of Per? formance Evaluation for Motor-Imagery Based BCI［J］.Neural En?gineering，2013，10（3）：10.1088/1741-2560/10/3/031001.

張煥（1990-），女，山東菏澤人，碩士研究生，要研究方向?yàn)樯镝t(yī)學(xué)信號(hào)檢測(cè)與處理、腦-機(jī)交互技術(shù)，525287792@ qq.com；

喬曉艷（1969-），女，山西運(yùn)城人，副教授，博士。主要從事生物醫(yī)學(xué)信號(hào)檢測(cè)與處理、腦-機(jī)交互、仿生機(jī)器人方向的研究工作，xyqiao@sxu.edu.cn。

EEACC：7220；7510D10.3969/j.issn.1004-1699.2016.06.003

多任務(wù)運(yùn)動(dòng)想象腦電特征的融合分類研究*

張煥，喬曉艷*
（山西大學(xué)物理電子工程學(xué)院，太原030006）

針對(duì)運(yùn)動(dòng)想象腦-機(jī)交互任務(wù)模式單一、識(shí)別精度低、實(shí)用性較差等問(wèn)題，采用改進(jìn)的共空間模式（CSP）的特征提取方法，并利用支持向量機(jī)（SVM）與CSP融合分類方法對(duì)多類任務(wù)運(yùn)動(dòng)想象腦電特征進(jìn)行分類識(shí)別。首先，選擇特定導(dǎo)聯(lián)上的腦電信號(hào)進(jìn)行小波分解與重構(gòu)，去除冗余信息；其次，利用特征參數(shù)做差的方法，得到較為明顯的腦電特征；最后，通過(guò)SVM融合CSP的分類模式，對(duì)腦電特征進(jìn)行多任務(wù)分類。利用BCI競(jìng)賽數(shù)據(jù)，對(duì)左手，右手，舌和腳四類運(yùn)動(dòng)想象任務(wù)的腦電進(jìn)行識(shí)別。結(jié)果表明：分類正確率最高達(dá)到90.9%，平均正確率為86.8%，Kappa系數(shù)為0.886 7，信息傳輸速率可達(dá)0.68 bit/trial，能夠有效的獲得腦電特征并較好的實(shí)現(xiàn)多任務(wù)運(yùn)動(dòng)想象腦電識(shí)別。

腦機(jī)接口；運(yùn)動(dòng)想象；特征提取和分類；小波變換；共空間模式；支持向量機(jī)

TP391

A

1004-1699（2016）06-0802-06

2015-11-18修改日期：2016-03-03

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金項(xiàng)目（81403130）；山西省自然科學(xué)基金項(xiàng)目（2013011016-2）