基于小波分析和SVM的P300腦電信號(hào)識(shí)別算法研究

謝清新，杜玉曉，朱春媚（.廣東工業(yè)大學(xué) 廣東 廣州50006；.電子科技大學(xué) 中山學(xué)院，廣東 中山58400）

基于小波分析和SVM的P300腦電信號(hào)識(shí)別算法研究

謝清新1，杜玉曉1，朱春媚2
（1.廣東工業(yè)大學(xué) 廣東 廣州510006；2.電子科技大學(xué) 中山學(xué)院，廣東 中山528400）

為了滿足癱瘓人士和虛擬現(xiàn)實(shí)的需求，提出基于小波分析和SVM的P300腦電信號(hào)處理算法研究，并通過實(shí)驗(yàn)數(shù)據(jù)論證算法的可行性。本算法首先使用工頻陷波器和小波分析去噪，然后使用小波分解和teager能量算子分別提取時(shí)域特征量和能量特征量，并基于SVM判斷特征量是否含有P300腦電信號(hào)。實(shí)驗(yàn)數(shù)據(jù)表明，本算法比單一特征量判別算法有較好的判別精度，符合需求標(biāo)準(zhǔn)。

腦電信號(hào)；小波分析；SVM；teager能量算子

腦機(jī)接口（brain-computer interface，BCI）是一類通訊接口，通過實(shí)時(shí)記錄腦電信號(hào)并對(duì)其進(jìn)行一定的處理后解讀出大腦思維，而后將其轉(zhuǎn)換成控制命令實(shí)現(xiàn)人腦對(duì)機(jī)器的控制[1]，滿足癱瘓人士日常生活和虛擬現(xiàn)實(shí)的需求。

大腦通過視覺、聽覺等認(rèn)知某些事件時(shí)，其通常在大腦皮層枕葉位置和頂葉位置可以明顯檢測(cè)到電位變化，這就是事件相關(guān)電位 （ERP，event related potentials），P300為當(dāng)人體受到刺激后大概300 ms在大腦皮層出現(xiàn)一個(gè)正向的幅值變化，其幅值為0.3～50 μV，頻率為2～8 Hz，其誘發(fā)方式多樣，由于視覺的刺激方式比較簡(jiǎn)便與易實(shí)現(xiàn)，因此目前基于P300的腦機(jī)接口系統(tǒng)（BCI）大部分都是使用范式視覺刺激。其主要滿足兩個(gè)條件：1）目標(biāo)靶刺激滿足隨機(jī)性；2）目標(biāo)靶在整個(gè)刺激周期中出現(xiàn)的刺激比率比較小。本系論文的刺激界面基于以上規(guī)則進(jìn)行設(shè)計(jì)。

基于以上規(guī)則設(shè)計(jì)好刺激界面后，主要面臨的問題在于如何在范式刺激后產(chǎn)生的腦電信號(hào)中判別出其是否含有P300，也即P300的特征提取和判別。文獻(xiàn)[2-5]都采用了一些比較簡(jiǎn)易的方法進(jìn)行特征提取，比如相干平均、隔點(diǎn)采樣等，這些方法雖然簡(jiǎn)便但是準(zhǔn)確率比較低而且容易丟失原始信號(hào)特征；文獻(xiàn)[6-7]基于以上文獻(xiàn)的缺點(diǎn)分別提出了針對(duì)性的特征提取方法，例如基于粗糙集理論的特征提取和功率譜分析，雖然這些方法能夠提取出特征但要進(jìn)行大量數(shù)據(jù)訓(xùn)練；文獻(xiàn)[8-10]均提出采用盲源分離的方法提取特征數(shù)據(jù)，但此方法用于腦信號(hào)分析時(shí)存在缺陷，即可能干擾過大時(shí)無法分離出準(zhǔn)確的特征量[11]；文獻(xiàn) [12-13]的特征提取方法雖然能得到準(zhǔn)確的特征，但在判別時(shí)存在耗時(shí)過長。

小波分析是一類窗口大小不變，大小可變的典型的不論在時(shí)域還是頻域都有不錯(cuò)的局部化信號(hào)分析方法，所以可使用小波分析來去噪和分析腦電信號(hào)這種非平穩(wěn)信號(hào)并進(jìn)行特征提取[14，15]。因此本論文采用小波分析進(jìn)行特征提取并采用支持向量機(jī)進(jìn)行特征量的判別，同時(shí)根據(jù)P300的特征，其瞬時(shí)的幅值和能量比較大，因此引入teager能量算子作為輔助的特征提高判別的精準(zhǔn)度。

1 P300與腦電信號(hào)的預(yù)處理

1.1 工頻陷波器設(shè)計(jì)

50 Hz的工頻干擾是腦電信號(hào)中最大干擾之一，因此腦電信號(hào)預(yù)處理時(shí)專門設(shè)計(jì)了一個(gè)工頻陷波器，濾掉50 Hz的工頻干擾。其特性如圖1所示。

圖1 50Hz工頻濾波器特性

1.2 小波分析腦電信號(hào)去噪

進(jìn)行工頻去噪后的腦電信號(hào)中還會(huì)含有其他噪聲信號(hào)，使用小波分析可以去掉噪聲干擾，同時(shí)減少腦電信號(hào)信息的丟失。

2 P300的特征提取和識(shí)別

P300腦電信號(hào)處理算法的總體流程如圖2所示.實(shí)時(shí)采集的腦電數(shù)據(jù)是每輪打標(biāo)點(diǎn)的前200 ms和后600 ms的數(shù)據(jù)，根據(jù)腦電圖機(jī)256的采樣率可得206個(gè)標(biāo)定區(qū)間采樣數(shù)據(jù)，首先對(duì)其進(jìn)行工頻濾波和小波去噪的預(yù)處理，然后基于小波分解提取時(shí)域特征并基于teager能量算子提取能量特征，最后將兩個(gè)特征量使用支持向量機(jī)判斷是否含有P300，并將根據(jù)標(biāo)定所對(duì)應(yīng)的行列獲得刺激指令。

圖2 基于小波分析和支持向量機(jī)的P300腦電信號(hào)處理算法

2.1 基于小波分解的P300的特征提取

根據(jù)第二小節(jié)對(duì)P300腦電信號(hào)的描述可知，要想判斷腦電信號(hào)中是否含有P300，首先要提取出P300的特征分量，根據(jù)上述可知，P300主要出現(xiàn)在頻率為2～8 Hz的腦電信號(hào)中，幅值大約為20～30 μV，因此可使用小波分解對(duì)采集到的腦電信號(hào)進(jìn)行分解，獲得2～8 Hz的特征分量，同時(shí)對(duì)腦電數(shù)據(jù)進(jìn)行降維，便于加快特征分辨和提升準(zhǔn)確率。

2.2 支持向量機(jī)

判斷是否含有P300的特征分量是一個(gè)二分類問題，因此引入支持向量機(jī)進(jìn)行二分類。支持向量機(jī)是線性的分類器，其基本思想為在線性可分的情況下分類樣本的最優(yōu)分類平面可在原空間中尋得；在線性不可分的情況下可將樣本向量以非線性變換映射到高維空間中尋求線性最優(yōu)分類超平面。通過使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，利用支持向量機(jī)尋得滿足能夠很好區(qū)分樣本和分類面距離樣本數(shù)據(jù)的距離盡可能遠(yuǎn)的兩個(gè)條件的全局最優(yōu)分類面。

2.3 teager能量算子

只有腦電時(shí)域特征分量時(shí)使用支持向量機(jī)進(jìn)行二分類，其準(zhǔn)確率不是很高，因此引進(jìn)一種新的特征分量——teager能量算子作為輔助，提高分類的準(zhǔn)確率。

對(duì)于離散信號(hào)x（k），其Teager能量算子的公式如下：

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)采集

根據(jù)文獻(xiàn)[8]和文獻(xiàn)[16]的論述，為了很好的屏蔽眼動(dòng)產(chǎn)生的肌電信號(hào)對(duì)腦電信號(hào)的干擾，本實(shí)驗(yàn)使用的電極編號(hào)為：C3、C4、Cz、P3、P4 5個(gè)通道，另外，耳朵為參考電極，額頭中心為接地。本論文以一名受試者在進(jìn)行“↑”即機(jī)器人向前行走的10輪視覺刺激中采集到通道P3的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)結(jié)果分析。

3.2 預(yù)處理結(jié)果

獲得的腦電數(shù)據(jù)根據(jù)算法步驟，首先進(jìn)行工頻濾波，結(jié)果如圖3所示。

圖3 工頻濾波前后

可以看出，設(shè)計(jì)的工頻陷波器能夠很好的濾掉了50 Hz的工頻干擾，并保持腦電信號(hào)的完整性。

進(jìn)行工頻濾波后，信號(hào)還是有很多的毛刺，根據(jù)一些小波分析文獻(xiàn)的描述[17]和針對(duì)本系統(tǒng)實(shí)驗(yàn)室數(shù)據(jù)的分析經(jīng)驗(yàn)提出采用的小波基是“sym6”，進(jìn)行3層分解重構(gòu)，數(shù)據(jù)結(jié)果如圖4所示。由圖可得，小波分析去噪的效果是非常明顯的，不僅能夠使信號(hào)濾掉毛刺，而且能夠使信號(hào)相對(duì)平滑與完整，效果比較理想和符合實(shí)驗(yàn)要求。

圖4 小波去噪前后

3.3 小波分解后的結(jié)果

根據(jù)上述的描述，一段區(qū)間的腦電數(shù)據(jù)有206個(gè)采樣點(diǎn)，4次分解后腦電數(shù)據(jù)只剩大約23個(gè)點(diǎn)。圖5為通道P3的第六輪預(yù)處理后“↑”視覺刺激的數(shù)據(jù)，可以從圖5看出，在采樣點(diǎn)150左右，即刺激后經(jīng)過300 ms，有“↑”刺激的腦電會(huì)出現(xiàn)一個(gè)正向的峰值，而無“↑”刺激的腦電很明顯沒有此類峰值。

圖5 第6輪預(yù)處理后的數(shù)據(jù)

圖6 第6輪預(yù)處理后的數(shù)據(jù)4次分解后的近似分量

可以從圖6中看出，進(jìn)行4次小波分解后的進(jìn)似分量保存了原始信號(hào)的特征量同時(shí)減少了數(shù)據(jù)量，提高了分辨是否含有P300的速率。

3.4 支持向量機(jī)分類結(jié)果

1）只用小波分解所得特征分量的結(jié)果

將小波第四次分解后的腦電信號(hào)分量作為支持向量機(jī)分類的特征向量，實(shí)驗(yàn)中總共有6名健康的受試者，每人進(jìn)行10輪的各類指令訓(xùn)練，因此獲得的特征量為6×10×6。

表1 6名受試者指令判別準(zhǔn)率

從表1中可以看出，受試者3的效果比較好，但是受試者2、4、5的準(zhǔn)確率相對(duì)比較低，這可能和受試者的注意力、放松程度和電極的松動(dòng)程度有關(guān)，從而P300沒有產(chǎn)生或者峰值較小等等。因此引進(jìn)了teager能量算子計(jì)算此期間的能量作為輔助的判別特征。

2）使用雙重特征分類的結(jié)果

對(duì)通道P3的第六輪預(yù)處理后腦電數(shù)據(jù)進(jìn)行teager能量計(jì)算，如圖7可以看出，在采樣點(diǎn)10～50之間，可以看出有無P300具有較大的能量差別，因此可以用于作為輔助特征向量。

圖7 teager能量計(jì)算后的波形

加入輔助特征向量后的判別準(zhǔn)確率如表2所示。

表2 6名受試者指令判別準(zhǔn)率

根據(jù)上述的結(jié)果，使用小波分解和teager能量算子提取的特征分量進(jìn)行二分類的準(zhǔn)確率有明顯提高，但是分辨的速度稍微慢了一點(diǎn)[18-19]。

4 結(jié)束語

根據(jù)實(shí)驗(yàn)數(shù)據(jù)顯示使用小波分析去噪、分解與提取腦電信號(hào)特征量并基于支持向量機(jī)的特征量判斷算法設(shè)計(jì)達(dá)到了預(yù)期的效果，能夠?qū)崿F(xiàn)對(duì)命令的解讀。加入了teager能量算子后能夠提高了準(zhǔn)確率，比只有小波分解后的特征分量有所提升。為了使本算法能夠更好的滿足實(shí)際和復(fù)雜環(huán)境的需求，下一步將著力于在復(fù)雜環(huán)境下進(jìn)一步提高判斷精度和速度。

[1]高上凱.神經(jīng)工程與腦-機(jī)接口[J].生命科學(xué)，2009 （2）:177-180.

[2]林亞靜.基于P300的腦機(jī)接口的數(shù)學(xué)模型與算法研究[J].科技創(chuàng)新與應(yīng)用，2014（3）:53-53.

[3]潘家輝.基于P300和SSVEP的高性能腦機(jī)接口及其應(yīng)用研究[D].廣州：華南理工大學(xué)，2014.

[4]孫中錢.基于P300和運(yùn)動(dòng)想象的腦機(jī)接口研究[D].濟(jì)南：山東大學(xué)，2013.

[5]Koo B，Nam Y，Choi S.A hybrid EOG-P300 BCI with dual monitors[C]//Brain-Computer Interface （BCI），2014 International Winter Workshop on. IEEE，2014:1-4.

[6]蘇煜.基于SCF范式的在線P300腦機(jī)接口研究[D].杭州：浙江大學(xué)，2010.

[7]施錦河.運(yùn)動(dòng)想象腦電信號(hào)處理與P300刺激范式研究[D].杭州：浙江大學(xué)，2012.

[8]計(jì)瑜.基于獨(dú)立分量分析的P300腦電信號(hào)處理算法研究[D].杭州：浙江大學(xué)，2013.

[9]Lee W L，Tan T，Leung Y H.An improved P300 extraction using ICA-R for P300-BCI speller.[C]// Conference:International Conference of the IEEE Engineering in Medicine&Biology Society IEEE Engineering in Medicine & Biology Society Conference.Conf Proc IEEE Eng Med Biol Soc，2013:7064-7067.

[10]Tayeb S， Mahmoudi A， RegraguiF， etal. Efficient detection of P300 using Kernel PCA and support vector machine [C]//Complex Systems （WCCS），2014 Second World Conference on. IEEE，2014.

[11]傅偉，張新友，熊平.WICA算法在腦電P300波成分提取中的應(yīng)用研究 [J].醫(yī)療衛(wèi)生裝備，2009，30（1）:4-6.

[12]王金甲，楊成杰.P300腦機(jī)接口控制智能家居系統(tǒng)研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2014（4）：762-766.

[13]梁健威.基于多域融合與遺傳算法的P300測(cè)謊研究[D].杭州：浙江大學(xué)，2015.

[14]張玉霞.基于P300和SSVEP的混合型腦機(jī)接口的分析與研究[D].濟(jì)南：山東大學(xué)，2015.

[15]Akman Aydin E，Bay O F，Guler I.Classification of P300 event related potentials with Discrete Wavelet Transform [C]//Signal Processing and Communications Applications Conference（SIU），2015 23th.IEEE，2015.

[16]沈之芳.基于P300的腦機(jī)接口及其在線半監(jiān)督學(xué)習(xí)[D].廣州：華南理工大學(xué)，2014.

[17]張德豐.MATLAB小波分析[M].北京：機(jī)械工業(yè)出版社，2009.

[18]姚紅革，杜亞勤，劉洋.基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的圖像特征提取[J].西安工業(yè)大學(xué)學(xué)報(bào)，2008 （6）：568-572.

[19]白宇辰，尹華超，劉三軍.基于小波分析的改進(jìn)KDJ指標(biāo)[J].電子科技，2013（8）:13-15.

Based on wavelet analysis and SVM of P300 EEG signals processing algorithm research

XIE Qing-xin1，DU Yu-xiao1，ZHU Chun-mei
（1.Guangdong University of Technology，Guangzhou 510006，China；2.University of Electronic Science and Technology of China，Zhongshan Institute，Zhongshan 528400，China）

In order to meet the requirements of the paralyzed clinical and virtual reality，proposed based on wavelet analysis and SVM of P300 EEG signals processing algorithm research，and through the experimental data prove the feasibility of this algorithm.The algorithm first makes power frequency filter and wavelet denoising，and then use the wavelet decomposition and teager energy operator respectively extract the time domain characteristics and energy characteristics，and based on the SVM judge whether characteristics contain P300 EEG signals.The experimental data show that this algorithm is better than the single feature discriminant algorithm，accord with the standard requirements

EEG；wavelet analysis；SVM；TEO

TN919.3+2

A

1674－6236（2017）07-0130-04

2016-03-04稿件編號(hào)：201603040

謝清新（1990—），男，廣東湛江人，碩士研究生。研究方向：腦電信號(hào)處理、圖像處理、嵌入式及工業(yè)控制。