基于樣本熵的運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類方法

馬滿振

摘 要：腦-機(jī)接口是一種允許人腦與外部接口直接交流的系統(tǒng)，它通過識(shí)別不同思維下的腦電信號(hào)，并將其轉(zhuǎn)換為控制信號(hào)，來實(shí)現(xiàn)意念控制。傳統(tǒng)的基于EEG信號(hào)頻域特性進(jìn)行特征提取的方法無(wú)法達(dá)到高分類正確率的要求[1]。本文提出基于小波變換與樣本熵的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法。分析了左右手運(yùn)動(dòng)想象EEG信號(hào)樣本熵的動(dòng)態(tài)變化規(guī)律及其神經(jīng)電生理意義。最后利用Fisher線性判別式進(jìn)行了左右手運(yùn)動(dòng)想象腦電的分類，得到了較好的分類結(jié)果，平均最大分類正確率達(dá)到了90.3%，證明了該方案具有很大的可行性和實(shí)用價(jià)值。

關(guān)鍵詞：腦機(jī)接口；運(yùn)動(dòng)想象；小波變換；樣本熵

DOI：10.16640/j.cnki.37-1222/t.2017.07.262

1 引言

腦-機(jī)接口（Brain-Computer Interface，BCI）是一種允許人腦與外部接口直接交流的一種系統(tǒng)[2]。BCI通過實(shí)時(shí)測(cè)量與使用者意圖相關(guān)的大腦活動(dòng)，并將這個(gè)活動(dòng)轉(zhuǎn)化為相應(yīng)的控制信號(hào)，從而達(dá)到對(duì)設(shè)備實(shí)時(shí)控制的目的[3]。BCI最終的目標(biāo)是形成更加自然順暢的人-機(jī)交流方式，這對(duì)某些特殊環(huán)境中的外部設(shè)備操控人員（如坦克操控人員、潛水員、宇航員等）來說，可以增加人員對(duì)專用設(shè)備的特殊控制技能，同時(shí)還可以達(dá)到減少人員工作量，提高工作效率和控制精度等效果。

基于左右手運(yùn)動(dòng)想象腦電的BCI，其實(shí)現(xiàn)最為關(guān)鍵的環(huán)節(jié)是腦電信號(hào)的特征提取。目前的特征提取方法主要有自回歸（AR）模型[4]、功率譜估計(jì)[5]、小波變換[6]等。AR模型和功率譜估計(jì)屬于頻域分析法，無(wú)法很好的表征EEG信號(hào)的時(shí)域信息；小波變換屬于時(shí)頻分析法，雖然可以同時(shí)分析信號(hào)的時(shí)域和頻域信息，但不能同時(shí)在時(shí)域和頻域有高的分辨率。因此，尋找更加有效的左右手運(yùn)動(dòng)想象腦電特征對(duì)于改善BCI性能是非常有意義的。

本研究提出了將小波與樣本熵結(jié)合進(jìn)行EEG信號(hào)特征提取，首先利用小波對(duì)EEG原始信號(hào)進(jìn)行去噪，然后采用非線性動(dòng)力學(xué)參數(shù)“樣本熵”作為腦電特征進(jìn)行分類。樣本熵的值反映所測(cè)時(shí)間序列中出現(xiàn)新模式的概率，樣本熵值與出現(xiàn)產(chǎn)生新模式的概率成正相關(guān) [7]。這正好能夠用來衡量運(yùn)動(dòng)想象過程中大腦感覺運(yùn)動(dòng)皮層被激活時(shí)EEG信號(hào)的復(fù)雜性變化。實(shí)驗(yàn)中分析了用戶進(jìn)行左右手運(yùn)動(dòng)想象時(shí)EEG信號(hào)樣本熵的動(dòng)態(tài)變化規(guī)律及其神經(jīng)電生理意義。最后利用Fisher線性判別式進(jìn)行了左右手運(yùn)動(dòng)想象腦電的分類，得到了較好的分類結(jié)果，證明了該方案具有很大的可行性和實(shí)用價(jià)值。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)采集

實(shí)驗(yàn)數(shù)據(jù)采用2008年第四屆腦機(jī)接口競(jìng)賽提供的Data sets 1受試b的校準(zhǔn)數(shù)據(jù)，該實(shí)驗(yàn)采用59個(gè)電極，采樣頻率為100Hz，周期為8s。受試者放松安靜的坐在電腦前舒適的座椅上，根據(jù)屏幕上出現(xiàn)的提示進(jìn)行運(yùn)動(dòng)想象，如圖1所示，每個(gè)實(shí)驗(yàn)周期分為以下幾個(gè)環(huán)節(jié)：

a）1～2s呈現(xiàn)黑屏狀態(tài)，受試者保持安靜放松；b）2s時(shí)，計(jì)算機(jī)發(fā)出短暫的蜂鳴聲，提醒受試者注意；c）2～4s屏幕上出現(xiàn)十字叉‘+，使受試者注意力集中在屏幕中心；d）4s時(shí)屏幕出現(xiàn)向左或者向右的箭頭，用戶根據(jù)箭頭指向進(jìn)行左手或者右手的運(yùn)動(dòng)想象，持續(xù)4s。

實(shí)驗(yàn)數(shù)據(jù)中分別包含受試b進(jìn)行左手運(yùn)動(dòng)想象和右手運(yùn)動(dòng)想象各100次，其中前30次用于訓(xùn)練，后30次用于測(cè)試。

3.2 EEG信號(hào)預(yù)處理

由于EEG信號(hào)非常微弱（級(jí)），而且內(nèi)部夾雜著各種噪聲（如眼電、肌電、心電偽跡、工頻噪聲等），因此EEG的信噪比很低[9]。為了減少噪聲提高信噪比，我們利用非線性小波變換閾值法對(duì)運(yùn)動(dòng)想象原始EEG信號(hào)（圖2為腦電原始信號(hào)）進(jìn)行處理。通過MATLAB仿真，選取db4作為小波基函數(shù)，對(duì)原始EEG信號(hào)進(jìn)行5層分解，舍棄 5層以上的高頻部分，利用軟閾值方法對(duì)EEG信號(hào)進(jìn)行去噪處理，處理后得到的信號(hào)如圖3所示。

運(yùn)動(dòng)想象原始EEG信號(hào)內(nèi)部包含各種干擾，高頻干擾尤為明顯，這將直接影響后期特征提取和分類的效果。由上面的仿真結(jié)果圖3可見：濾波后的信號(hào)很好的濾除了絕大部分噪聲的干擾，保留了運(yùn)動(dòng)想象腦電信息，為后期的特征提取和分類識(shí)別提供有力保證。

3.3 基于樣本熵的左右手運(yùn)動(dòng)想象EEG復(fù)雜度分析

人在放松清醒的狀態(tài)下進(jìn)行運(yùn)動(dòng)想象時(shí)，在大腦的感覺運(yùn)動(dòng)皮層區(qū)域就會(huì)產(chǎn)生8-12Hz的節(jié)律和18-26Hz的節(jié)律腦電[10]。人在進(jìn)行單側(cè)肢體運(yùn)動(dòng)想象時(shí)，大腦中對(duì)側(cè)的節(jié)律和節(jié)律會(huì)出現(xiàn)幅值衰減的現(xiàn)象，這種現(xiàn)象被稱為事件相關(guān)去同步（ERD）；而大腦中同側(cè)的節(jié)律和節(jié)律會(huì)出現(xiàn)幅值增強(qiáng)的現(xiàn)象，這種現(xiàn)象被稱為事件相關(guān)同步（ERS）。基于ERD和ERS現(xiàn)象，可分別計(jì)算出左、右手運(yùn)動(dòng)想象EEG信號(hào)的樣本熵值，選取參考時(shí)間段并計(jì)算樣本熵值，將它們的比值做為運(yùn)動(dòng)想象EEG信號(hào)的復(fù)雜度ERD時(shí)程，從而得到左右手運(yùn)動(dòng)想象時(shí)大腦感覺運(yùn)動(dòng)皮層的EEG復(fù)雜度變化情況。

主要步驟為：首先從每個(gè)實(shí)驗(yàn)周期的第一秒開始，設(shè)置滑動(dòng)時(shí)間窗寬度為1s（即100點(diǎn)），計(jì)算采樣點(diǎn)處前1秒C3、C4通道EEG信號(hào)的樣本熵。窗口每次向后移動(dòng)一個(gè)采樣點(diǎn)，直至計(jì)算出最后一秒數(shù)據(jù)的樣本熵，從而得到一個(gè)實(shí)驗(yàn)周期中C 3、C 4通道EEG信號(hào)的樣本熵時(shí)間序列。然后將單個(gè)受試者的相同運(yùn)動(dòng)想象EEG信號(hào)的樣本熵值進(jìn)行疊加平均，求得平均樣本熵ERD曲線。由于樣本熵表示的是時(shí)間序列復(fù)雜度，因此，EEG樣本熵ERD曲線表征了EEG復(fù)雜度隨時(shí)間的變化規(guī)律。左右手運(yùn)動(dòng)想象樣本熵ERD曲線如圖4、圖5所示。

根據(jù)神經(jīng)生理學(xué)可知，人在進(jìn)行左右手運(yùn)動(dòng)想象時(shí)，大腦對(duì)側(cè)的感覺運(yùn)動(dòng)皮層區(qū)被激活，該區(qū)域的大腦神經(jīng)進(jìn)行運(yùn)動(dòng)想象信息處理，導(dǎo)致了運(yùn)動(dòng)想象EEG信號(hào)獨(dú)立性增強(qiáng)，同步化程度降低，從而導(dǎo)致了節(jié)律和節(jié)律幅值衰減（ERD），腦電復(fù)雜度反而升高的現(xiàn)象；大腦同側(cè)感覺運(yùn)動(dòng)皮層區(qū)域相對(duì)處于靜息狀態(tài)，神經(jīng)元活動(dòng)被抑制引起腦電信號(hào)同步化程度增強(qiáng)，從而導(dǎo)致節(jié)律和節(jié)律幅值增加（ERS）而腦電復(fù)雜度降低。綜合以上分析可知，左右手運(yùn)動(dòng)想象EEG的樣本熵復(fù)雜度特征與其自身的能量特征具有相同的生理基礎(chǔ)，證明了樣本熵能夠很好的反映出左、右手運(yùn)動(dòng)想象EEG信號(hào)的特征差異性。

3.4 特征提取與分類

本研究通過計(jì)算出單次實(shí)驗(yàn)流程C3、C4通道的EEG信號(hào)樣本熵時(shí)間序列和，將其組合成二維時(shí)變特征向量，用于運(yùn)動(dòng)想象任務(wù)的實(shí)時(shí)連續(xù)分類。計(jì)算每一時(shí)刻前一秒EEG信號(hào)的樣本熵作為該時(shí)刻EEG信號(hào)的樣本熵，相似容限取。

采用Fisher線性判別式對(duì)左、右手運(yùn)動(dòng)想象任務(wù)進(jìn)行動(dòng)態(tài)連續(xù)分類。首先計(jì)算出每一組運(yùn)動(dòng)想象腦電數(shù)據(jù)的時(shí)變特征向量，前30組左手和30組右手運(yùn)動(dòng)想象腦電數(shù)據(jù)作為訓(xùn)練樣本，對(duì)Fisher判別式的權(quán)值系數(shù)和閾值進(jìn)行訓(xùn)練，得到每一個(gè)采樣點(diǎn)處的權(quán)值系數(shù)和閾值，然后利用式（11）求得測(cè)試樣本數(shù)據(jù)每個(gè)采樣點(diǎn)特征向量的Fisher判別式距離，判斷其所屬類別，從而實(shí)現(xiàn)動(dòng)態(tài)連續(xù)分類。

線性判別函數(shù)為：

（11）

其中為被測(cè)試特征向量，當(dāng)時(shí)，判斷屬于第一類（左手運(yùn)動(dòng)想象）；當(dāng)時(shí)，判斷屬于第二類（右手運(yùn)動(dòng)想象）；當(dāng)時(shí)，判斷不屬于任何一類。

利用Fisher準(zhǔn)則，計(jì)算的公式為：

（12）

其中、分別為左、右手運(yùn)動(dòng)想象訓(xùn)練數(shù)據(jù)特征向量的類內(nèi)聚散度矩陣，、分別為左、右手運(yùn)動(dòng)想象訓(xùn)練數(shù)據(jù)特征向量的均值。

的取值根據(jù)經(jīng)驗(yàn)用下式進(jìn)行估計(jì)：

（13）

利用Fisher線性判別式對(duì)左、右手運(yùn)動(dòng)想象時(shí)變EEG樣本熵特征進(jìn)行分類，求得測(cè)試集運(yùn)動(dòng)想象數(shù)據(jù)隨時(shí)間變化的連續(xù)分類結(jié)果，實(shí)驗(yàn)取得了很好的分類效果，最大平均分類正確率為90.3%。

4 結(jié)論

本文針對(duì)運(yùn)動(dòng)想象腦電能量特征分類正確率不高的問題，提出以樣本熵ERD曲線作為區(qū)分左、右手運(yùn)動(dòng)想象任務(wù)的特征，利用Fisher線性判別式對(duì)其進(jìn)行動(dòng)態(tài)連續(xù)分類，取得了很好的分類效果，為運(yùn)動(dòng)想象EEG信號(hào)的特征提取提供了一種新的思路。實(shí)驗(yàn)表明，樣本熵能夠很好的反映出單側(cè)運(yùn)動(dòng)想象任務(wù)的ERD/ERS生理現(xiàn)象，能夠作為區(qū)分左、右手運(yùn)動(dòng)想象EEG信號(hào)的特征，為BCI的特征提取提供了更好的選擇，具有很強(qiáng)的實(shí)際應(yīng)用價(jià)值。

目前已經(jīng)成功將樣本熵特征提取方法應(yīng)用到BCI實(shí)時(shí)系統(tǒng)當(dāng)中，實(shí)現(xiàn)了大腦意念控制無(wú)人小車，使其完成無(wú)人小車的前進(jìn)停止等功能，取得了較好的效果.下一步工作，將把小波分解所表征的EEG各層細(xì)節(jié)特征和用樣本熵所表征的EEG復(fù)雜度特征進(jìn)行融合，預(yù)計(jì)能達(dá)到更好的分類效果。

參考文獻(xiàn)：

[1]Daly.L， Muller-Putz.G， et al. Fully Online and Automated Artifact Removal for Brain-Computer Interfacing[C]. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2015， 23（5）： 725-736.

[2]Ye Liu ；Dept. of Comput. Sci. ； Eng.， Shanghai Jiao Tong Univ.， Shanghai， China；Hao Zhang；Min Chen；Liqing Zhang . A Boosting-Based Spatial-Spectral Model for Stroke Patients EEG Analysis in Rehabilitation Training. Neural Systems and Rehabilitation Engineering， IEEE Transactions on. 2016. 24（1）： 169-179.

[3]S. Saeedi； R. Chavarriaga； R. Leeb； J. d. R. Millan. Adaptive Assistance for Brain-Computer Interfaces by Online Prediction of Command Reliability. Computational Intelligence Magazine， IEEE. 2016. 11（1）： 32-39.

[4]鄒清.基于AR模型的腦電信號(hào)特征提取與識(shí)別[D].中南大學(xué).2008.

張崇，鄭崇勛，歐陽(yáng)軼，于曉琳.基于腦電功率譜特征的腦力疲勞分析[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程.2008.21（1）.35-39.

[5]Dongying Han； Pei Li； Shujun An； Peiming Shi. Multi-frequency Week Signal Detection Based on Wavelet Transform and Parameter Compensation Band-pass Multi-stable Stochastic Resonance[J]. Mechanical System and Signal Processing. 2016.70-71（000）： 995-1010.

[6]Mourad Kedadouche； Marc Thomas； Antoine Tahan； and Raynald Guilbault. Nonlinear Parameters for Monitoring Gear： Comparison Between Lemple-Ziv， Approximate Entropy， and Sample Entropy Complexity. Shock and Vibration. 2015. 2015（000）： 1-13.

[7]Lei Zhang； Long Zhang； Junfeng Hu； and Guoliang Xiong. Bearing Fault Diagnosis Using a Novel Classifier Ensemble Based on Lifting Wavelet Packet Transforms and Sample Entropy. Shock and Vibration. 2016. 2016（000）： 1-14.

Bermudez i Badia， S.[1]； Using a Hybrid Brain Computer Interface and Virtual Reality System to Monitor and Promote Cortical Reorganization through Motor Activity and Motor Imagery Training. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（2）： 174-181.

[8]Pengfei Wei[1]；Wei He；Yi Zhou；Liping Wang. Performance of Motor Imagery Brain-Computer Interface Based on Anodal Transcranial Direct Current Stimulation Modulation. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2013. 21（3）： 404-415.