基于小波包變換的右手和腳運(yùn)動(dòng)想象任務(wù)分類

蔡 淼，胡 萍

西安兒童醫(yī)院中西醫(yī)結(jié)合科，西安市，710003

基于小波包變換的右手和腳運(yùn)動(dòng)想象任務(wù)分類

【作 者】蔡 淼，胡 萍

西安兒童醫(yī)院中西醫(yī)結(jié)合科，西安市，710003

腦—機(jī)接口為喪失交流能力的人提供了一種新的選擇途徑，因而腦電信號(hào)的識(shí)別一直備受關(guān)注。該文采用小波包變換和遷移學(xué)習(xí)分類右手和腳運(yùn)動(dòng)想象任務(wù)。首先，在分析與事件去同步密切相關(guān)的通道和頻帶的基礎(chǔ)上，對(duì)腦電信號(hào)進(jìn)行小波包分解，然后選擇相關(guān)的節(jié)點(diǎn)計(jì)算小波包能量，最后應(yīng)用遷移學(xué)習(xí)分類BCI競(jìng)賽III數(shù)據(jù)集IVa，獲得了理想的分類結(jié)果。結(jié)果表明該方法簡單有效，對(duì)BCI的在線應(yīng)用具有指導(dǎo)價(jià)值。

腦電信號(hào)；特征提取；小波包能量；右手和腳運(yùn)動(dòng)想象；分類

0 引言

交流是人類長久以來進(jìn)行的一項(xiàng)日?；顒?dòng)，然而由于交通事故、疾病等諸多原因，使得一部分人失去了部分或全部的交流能力，給他們的日常生活帶來諸多不便。為了改善他們的生活質(zhì)量，腦—機(jī)接口就是一種可選擇方式，它繞過了傳統(tǒng)的外周神經(jīng)和肌肉輸出通道，直接建立了大腦與外部的直接聯(lián)系，從而幫助這部分人群在一定程度上實(shí)現(xiàn)了與外界的交流[1-2]。

目前，腦電信號(hào)在腦—機(jī)接口系統(tǒng)中被廣泛地采用，因?yàn)槠渚哂胁杉唵畏奖?、成本低廉等?yōu)點(diǎn)。而根據(jù)腦電信號(hào)產(chǎn)生的方式，可以將腦—機(jī)接口系統(tǒng)分為自發(fā)式和誘發(fā)式腦—機(jī)接口系統(tǒng)，前者的產(chǎn)生通常是采用想象動(dòng)作、如打籃球、剎車等，而后者需要額外的刺激裝置，相比而言自發(fā)式腦—機(jī)接口系統(tǒng)更加自然、更符合人們的習(xí)慣[3]。然而，自發(fā)式腦—機(jī)接口的腦電識(shí)別精度并不理想，一直制約著其進(jìn)一步應(yīng)用，而決定其識(shí)別精度的信號(hào)處理算法特征提取和分類一直是研究者關(guān)注的焦點(diǎn)。目前，自發(fā)式腦—機(jī)接口系統(tǒng)常見的特征提取方法有時(shí)域或頻域的單一信息[4]、組合單一信息法[5]、自回歸模型[6]、共同空間模式[7]、小波變換[8]、希爾伯特黃變換[9]、混沌分析法等。分類方法有線性判別、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、馬氏距離等[10]。在特征提取方面，小波包變換具有時(shí)—頻多分辨率，在兩個(gè)域內(nèi)都能獲得良好的分辨率，它更適合分析腦電這種信號(hào)。在分類方面，現(xiàn)有的分類算法都假定訓(xùn)練和測(cè)試數(shù)據(jù)集具有相同的分布，然而實(shí)際上由于種種原因，如時(shí)間段發(fā)生變化或測(cè)試者發(fā)生變化導(dǎo)致訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)具有不同的分布，利用原來的測(cè)試者建立的分類模型無法應(yīng)用于其他測(cè)試者，在這種情況下，這些分類方法不一定能收到良好的分類結(jié)果，存在一定的局限性，如圖1

所示。而遷移學(xué)習(xí)算法是模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)[11]，恰恰用來處理訓(xùn)練和測(cè)試數(shù)據(jù)集具有不同分布的問題，為了提高腦電信號(hào)的識(shí)別精度，本文采用小波包變換和遷移學(xué)習(xí)進(jìn)行腦電的識(shí)別。

1 實(shí)驗(yàn)數(shù)據(jù)

本文采用的實(shí)驗(yàn)數(shù)據(jù)來源于BCI競(jìng)賽III數(shù)據(jù)集IVa，競(jìng)賽數(shù)據(jù)由測(cè)試者完成右手和腳運(yùn)動(dòng)想象得到。測(cè)試者1、測(cè)試者2、測(cè)試者3、測(cè)試者4、測(cè)試者5自然地坐在扶手椅上，在t=0 s時(shí)，出現(xiàn)一個(gè)向右或向下的箭頭，持續(xù)3.5 s，這段時(shí)間內(nèi)測(cè)試者被要求完成右手或腳的運(yùn)動(dòng)想象任務(wù)，在t=3.5 s時(shí)，出現(xiàn)白屏，持續(xù)（1.75~2.25）s的隨機(jī)時(shí)間段，這段時(shí)間測(cè)試者休息，單次任務(wù)的時(shí)序如圖2所示。腦電信號(hào)記錄于118個(gè)電極，與運(yùn)動(dòng)想象任務(wù)右手和腳相關(guān)的電極C3和Cz的位置分布如圖3所示。信號(hào)的采樣頻率為100 Hz，帶通濾波范圍為（0.5~200）Hz。每個(gè)測(cè)試者完成280次實(shí)驗(yàn)，訓(xùn)練和測(cè)試數(shù)據(jù)集中實(shí)驗(yàn)事件的個(gè)數(shù)如表1所示。

圖1 傳統(tǒng)分類方法的局限性示意圖Fig.1 Schematic diagram of traditional classif i cation method limitations

圖2 單次事件的時(shí)序過程Fig.2 Timing scheme of one trial

圖3 相關(guān)電極位置示意圖Fig.3 Diagram of related electrode positions

表1 每個(gè)測(cè)試者的訓(xùn)練和測(cè)試事件數(shù)目Tab.1 Numbers of training and testing trials per tester

2 特征考慮及小波包變換特征提取

2.1 特征考慮

當(dāng)人們想象肢體動(dòng)作時(shí)，大腦的感覺運(yùn)動(dòng)區(qū)表現(xiàn)出特定腦電EEG的節(jié)律性活動(dòng)。當(dāng)想象右手和腳運(yùn)動(dòng)時(shí)，（8~12）Hz 的μ節(jié)律的能量發(fā)生相應(yīng)改變，能量減小時(shí)稱為事件相關(guān)去同步，能量增大時(shí)稱為事件相關(guān)同步，并且這一現(xiàn)象在C3和Cz通道最明顯，這種大腦感覺運(yùn)動(dòng)區(qū)的腦電節(jié)律的差異可用于區(qū)分右手和腳的運(yùn)動(dòng)想象任務(wù)。

事件相關(guān)去同步ERD的定義[12]：

式中：R－在特定頻帶內(nèi)腦電數(shù)據(jù)的平均能量值；A(j)－在特定頻帶內(nèi)第j個(gè)腦電數(shù)據(jù)的平均能量值。

我們選擇測(cè)試者1的訓(xùn)練數(shù)據(jù)，利用5階Butterworth濾波器在（8~12）Hz范圍內(nèi)對(duì)C3和Cz通道的腦電數(shù)據(jù)進(jìn)行濾波并取能量均值，得到的ERD結(jié)果，如圖4和圖5所示，總體來說，在C3通道處想象右手的ERD低于想象腳的ERD，在Cz通道處則相反，這與ERD現(xiàn)象一致。

圖4 測(cè)試者1的C3通道ERDFig.4 ERD in C3 channel for tester one

圖5 測(cè)試者1的 Cz通道ERDFig.5 ERD in Cz channel for tester one

2.2 小波包變換

小波變換是由傅里葉變換發(fā)展起來的一種多尺度變化的信號(hào)分析方法，它對(duì)信號(hào)的頻帶以指數(shù)等間隔劃分，在高頻段頻帶寬，低頻段頻帶窄，導(dǎo)致可能對(duì)某些有用的信號(hào)精度檢測(cè)較低；而小波包變換能夠?qū)⑿〔ㄗ儞Q后沒有細(xì)分的高頻段進(jìn)一步分解，并能夠根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，因而具有更好的時(shí)—頻特性和廣泛的應(yīng)用價(jià)值，能提高對(duì)運(yùn)動(dòng)想象腦電的識(shí)別精度度。

小波包變換的核心思想可以理解為對(duì)空間的分解。在小波包變換過程中，將原始信號(hào)分解為低頻系數(shù)和高頻系數(shù)兩部分，下一步將這個(gè)低頻系數(shù)和高頻系數(shù)繼續(xù)分解成兩個(gè)部分，依次重復(fù)上面的分解步驟，直到滿足實(shí)際需要的條件為止，在這里以一個(gè)三層的分解進(jìn)行說明，其小波包分解結(jié)構(gòu)如圖6所示。

圖6 三層小波包分解結(jié)構(gòu)Fig.6 Structure with three layers of wavelet packet decomposition

其中：S表示原始信號(hào)；A表示低頻系數(shù)部分；D表示高頻系數(shù)部分；末尾的序號(hào)表示小波包分解的層數(shù)；（i，j）表示節(jié)點(diǎn)。

2.3 特征提取

由于實(shí)驗(yàn)數(shù)據(jù)的采樣頻率為100 Hz，根據(jù)采樣定理EEG數(shù)據(jù)的頻率范圍為（0~50）Hz?？紤]與右手和腳運(yùn)動(dòng)想象相關(guān)的通道和EEG節(jié)律，本文選用db3小波對(duì)C3和Cz通道的腦電信號(hào)進(jìn)行3層小波包分解，將信號(hào)劃分為8個(gè)頻段，各節(jié)點(diǎn)對(duì)應(yīng)的頻率范圍如表2所示。

表2 小波包分解第三層各節(jié)點(diǎn)對(duì)應(yīng)的頻帶范圍Tab.2 Frequency range of each node for the 3rd level of wavelet packet decomposition

表3 識(shí)別正確率(%)Tab.3 Results of pattern recognition (%)

由于與右手和腳運(yùn)動(dòng)想象ERD現(xiàn)象密切相關(guān)的頻率發(fā)生在（8~12）Hz頻帶的μ節(jié)律上[13]，所以選取節(jié)點(diǎn)（3, 1）的信號(hào)部分DAA3進(jìn)行小波重構(gòu)作進(jìn)一步分析。

目前采用小波包變換進(jìn)行特征提取利用的物理量的形式較多，如部分分解系數(shù)[14]，小波包能量均值、小波包熵[15]、方差、相對(duì)小波包能量[16]等。而腦電信號(hào)ERD現(xiàn)象正是大腦皮層某一區(qū)域被激活時(shí)表現(xiàn)出來的特定頻率EEG的能量的相對(duì)變化，因此本文選擇小波包能量均值作為特征，特征向量維數(shù)低，不僅計(jì)算簡單方便，而且理論意義清楚。

根據(jù)以上分析，將 C3、Cz通道的腦電數(shù)據(jù)進(jìn)行3層小波包分解，選擇節(jié)點(diǎn)（3, 1）對(duì)應(yīng)的信號(hào)進(jìn)行重構(gòu)，并計(jì)算其能量均值作為區(qū)分右手和腳運(yùn)動(dòng)想象的特征。

3 遷移學(xué)習(xí)識(shí)別

3.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種模式識(shí)別方法，它運(yùn)用已有的知識(shí)對(duì)不同的相關(guān)領(lǐng)域問題進(jìn)行求解。傳統(tǒng)的模式識(shí)別方法通常假設(shè)訓(xùn)練和測(cè)試數(shù)據(jù)具有相同的分布，但在實(shí)際應(yīng)用中，我們通常面對(duì)訓(xùn)練和測(cè)試數(shù)據(jù)來自于不同但相關(guān)的分布，這樣傳統(tǒng)的模式識(shí)別方法不能獲得滿意的性能。于是，遷移學(xué)習(xí)自然地可以借助其他領(lǐng)域的數(shù)據(jù)，更好地對(duì)本領(lǐng)域的數(shù)據(jù)進(jìn)行分類。目前，遷移學(xué)習(xí)算法的形式較多，針對(duì)源領(lǐng)域和目標(biāo)領(lǐng)域數(shù)據(jù)是否標(biāo)注及任務(wù)是否相同，將遷移學(xué)習(xí)分為歸納遷移學(xué)習(xí)、直推式和無監(jiān)督遷移學(xué)習(xí)等；針對(duì)遷移學(xué)習(xí)采用的技術(shù)將其分為基于特征選擇的遷移學(xué)習(xí)、基于特征映射和權(quán)重的遷移學(xué)習(xí)，文獻(xiàn)[17][18]對(duì)典型的遷移學(xué)習(xí)算法給出詳細(xì)描述，給出其實(shí)現(xiàn)和改進(jìn)的基本工具包，指出其應(yīng)用領(lǐng)域說明該方法的優(yōu)越性。在這里，我們不詳細(xì)闡述各種遷移學(xué)習(xí)算法的原理和形式，而是嘗試應(yīng)用該方法在測(cè)試者改變條件下對(duì)腦電信號(hào)進(jìn)行識(shí)別，具體地采用一種叫做結(jié)構(gòu)化學(xué)習(xí)方法[19]。對(duì)于測(cè)試者1，其信號(hào)處理過程如圖7所示，同樣地，其他測(cè)試者的腦電信號(hào)識(shí)別過程類似。

3.2 實(shí)驗(yàn)結(jié)果及討論

本文對(duì)BCI 競(jìng)賽III數(shù)據(jù)集IVa先進(jìn)行通道選擇和小波包變換形成特征，然后采用遷移學(xué)習(xí)完成對(duì)右手和腳的運(yùn)動(dòng)想象任務(wù)的分類，識(shí)別結(jié)果如表3所示，我們的結(jié)果優(yōu)于競(jìng)賽結(jié)果2.01%。從測(cè)試者1識(shí)別過程來看，借助測(cè)試者2、測(cè)試者3、測(cè)試者4和測(cè)試者5的數(shù)據(jù)集，完成了對(duì)測(cè)試者1的測(cè)試數(shù)據(jù)集的分類，獲得了較好的識(shí)別率。類似地，完成對(duì)其他測(cè)試者的腦電信號(hào)識(shí)別。

在目前BCI研究中，腦電信號(hào)的識(shí)別依賴于特征提取和模式識(shí)別，特征提取是模式識(shí)別的先決條件，他們互相制約，互相影響，所以腦電信號(hào)的處理必須綜合起來考慮方能獲得理想的效果。就特征提取方面來說，小波包變換結(jié)合時(shí)—頻信息分析EEG信號(hào)，優(yōu)于單一的時(shí)域或頻域信息，如傅里葉變換和自適應(yīng)自回歸模型，更容易獲得明顯的特征。而遷移學(xué)習(xí)作為一種新穎的模式識(shí)別方法，它不必假設(shè)訓(xùn)練和測(cè)試數(shù)據(jù)集具有相同的分布，能在測(cè)試者改變的條件下，對(duì)右手和腳運(yùn)動(dòng)想象任務(wù)分類，獲得了理想的效果，為進(jìn)一步減少在線BCI的訓(xùn)練打下基礎(chǔ)。

圖7 測(cè)試者1信號(hào)處理過程Fig.7 Signal processing for tester one

4 結(jié)論

BCI作為一種全新的對(duì)外交流方式，為思維正常但有嚴(yán)重運(yùn)動(dòng)障礙的患者提供了與外界交流和控制的途徑，受到了人們的普遍關(guān)注。而當(dāng)前國內(nèi)對(duì)BCI的研究大多還處于實(shí)驗(yàn)室研究階段，如何尋找一種簡單、快算、準(zhǔn)確的算法使得BCI系統(tǒng)通過較少的訓(xùn)練適用于每一個(gè)測(cè)試者，在實(shí)際應(yīng)用中仍是一個(gè)亟待解決的問題。本文僅利用2個(gè)通道，采用小波包變換和遷移學(xué)習(xí)就能獲得了理想的分了效果。該種方法簡單準(zhǔn)確，能減少在線BCI系統(tǒng)的訓(xùn)練，對(duì)BCI系統(tǒng)從實(shí)驗(yàn)室走入實(shí)際應(yīng)用具有指導(dǎo)意義。

[1] Hochberg L R, Serruya M D, Friehs G M, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia[J]. Nature, 2006, 442(7099): 164-171.

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

[3] 李明愛, 馬建勇, 楊金福. 基于小波包和熵準(zhǔn)則的最優(yōu)頻段提取方法[J]. 儀器儀表學(xué)報(bào), 2013, 33(8):1721-1728.

[4] Millán J R, MourJ. Asynchronous BCI and local neural classi fi ers: an overview of the adaptive brain interface project[J]. IEEE Trans Neural Syst Rehabil Eng, 2003, 11(2): 159-161.

[5] Mensh B D, Werfel J, Seung H S. BCI competition 2003-data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals[J]. IEEE Trans Biomed Eng, 2004, 51(6): 1052-1056.

[6] Penny W D, Roberts S J, Curran E A, et al. EEG-based communication: a pattern recognition approach[J]. IEEE Trans Rehabil Eng, 2000, 8(2): 214-215.

[7] Nasihatkon B, Boostani R, Jahromi M Z. An efficient hybrid linear and kernel CSP approach for EEG feature extraction[J]. Neurocomputing, 2009, 73(1):432-437.

[8] Lee S H, Lim J S, Kim J K, et al. Classification of normal and epileptic seizure EEG signals using wavelet transform, phase-space reconstruction, and Euclidean distance[J]. Comput Meth Prog Bio, 2014, 116(1): 10-25.

[9] 袁玲, 楊幫華, 馬世偉. 基于 HHT 和 SVM 的運(yùn)動(dòng)想象腦電識(shí)別[J]. 儀器儀表學(xué)報(bào), 2010, 31(3): 649-654.

[10] Lotte F, Congedo M, Lécuyer A, et al. A review of classif i cation algorithms for EEG-based brain–computer interfaces[J]. J Neural Eng, 2007, 4(2):1-13.

[11] 莊福振, 羅平, 何清等. 基于混合正則化的無標(biāo)簽領(lǐng)域的歸納遷移學(xué)習(xí)[J]. 科學(xué)通報(bào), 2009, 54 (11): 1618-1625.

[12] Pfurtscheller G, Da Silva F H L. Event-related EEG/MEG synchronization and desynchronization: basic principles[J]. Clin Neurophysiol, 1999, 110(11): 1842-1857.

[13] 徐寶國, 宋愛國. 基于小波包變換和聚類分析的腦電信號(hào)識(shí)別方法[J]. 儀器儀表學(xué)報(bào), 2009, 30(1): 25-28.

[14] 王攀, 沈繼忠, 施錦河. 基于小波變換和時(shí)域能量熵的 P300 特征提取算法[J]. 儀器儀表學(xué)報(bào), 2011, 32(6): 1284-1289.

[15] 王艷景, 喬曉艷, 李鵬, 等. 基于小波包熵和支持向量機(jī)的運(yùn)動(dòng)想象任務(wù)分類研究[J]. 儀器儀表學(xué)報(bào), 2010, 31(12): 2729-2735.

[16] 顏世玉, 劉沖, 趙海濱, 等. 基于小波包分解的意識(shí)腦電特征提取[J]. 儀器儀表學(xué)報(bào), 2013, 33(8): 1748-1752.

[17] Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Trans Knowl Data Eng, 2010, 22(10): 1345-1359.

[18] 羅平, 何清, 史忠植. 遷移學(xué)習(xí)研究進(jìn)展[J]. 軟件學(xué)報(bào), 2015, 26(1): 26-39.

[19] Ando R K, Zhang T. A framework for learning predictive structures from multiple tasks and unlabeled data[J]. J Mach Learn Res, 2005, 6: 1817-1853.

Task Classif i cation of Right-hand and Foot Motion Imagery Based on Wavelet Packet Transform

【Key words 】CAI Miao, HU Ping
Department of Integrated Chinese and Western Medicine, Xi’an Children’s Hospital, Xi’an, 710003

electroencephalogram signals, feature extraction, wavelet packet energy, right-hand and foot motion imagery, classi fi cation

R318.04

A

10.3969/j.issn.1671-7104.2017.03.006

1671-7104(2017)03-0177-04

2016-09-06

蔡淼，E-mail: 304735716@qq.com

【 Abstract 】Brain-computer interface (BCI) provides a new choice for people who lose communication ability, so the recognition of EEG has been paid attention. In this paper, wavelet packet transform (WPT) and transfer learning (TL) were used to classify right-hand and foot motion imagery tasks. Firstly, based on analyzing the channels and frequency bands closely related to event-related desynchronization (ERD), the EEG signals are decomposed by WPT. Then the relevant nodes were selected to calculate wavelet packet energy. Finally, TL was used to classify the BCI competition III data IVa. The ideal classi fi cation result was obtained. The results show that the method is simple and effective, and it is valuable for online application of BCI.