基于多類運(yùn)動(dòng)想象任務(wù)的EEG信號(hào)分類研究

，，

(裝甲兵工程學(xué)院 控制工程系，北京 100072)

基于多類運(yùn)動(dòng)想象任務(wù)的EEG信號(hào)分類研究

馬滿振，郭理彬，蘇奎峰

(裝甲兵工程學(xué)院控制工程系，北京100072)

針對(duì)多類運(yùn)動(dòng)想象腦電信號(hào)個(gè)體差異性強(qiáng)和分類正確率比較低的問(wèn)題，提出了一種時(shí)-空-頻域相結(jié)合的腦電信號(hào)分析方法：首先利用小波包對(duì)EEG原始信號(hào)進(jìn)行分解，根據(jù)EEG信號(hào)的頻域分布提取出運(yùn)動(dòng)想象腦電節(jié)律，通過(guò)“一對(duì)多”共空間模式(CSP)算法對(duì)不同運(yùn)動(dòng)想象任務(wù)的腦電節(jié)律進(jìn)行空間濾波提取特征；然后將特征向量輸入到“一對(duì)多”模式下的支持向量機(jī)(SVM)中，并利用判斷決策函數(shù)值的方法對(duì)SVM的輸出結(jié)果進(jìn)行融合；最后通過(guò)引入時(shí)間窗對(duì)腦電信號(hào)進(jìn)行時(shí)域?yàn)V波，消除運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)腦電的波動(dòng)，進(jìn)一步提高信號(hào)信噪比和算法的分類效果；實(shí)驗(yàn)結(jié)果顯示：在時(shí)間窗為2 s時(shí)，平均最大Kappa系數(shù)達(dá)到了0.72，比腦機(jī)接口競(jìng)賽第一名提高了0.15，驗(yàn)證了該算法能夠有效減小腦電信號(hào)個(gè)體差異性影響，提高多類識(shí)別正確率。

腦機(jī)接口；運(yùn)動(dòng)想象；共空間模式；支持向量機(jī)；時(shí)間窗

0 引言

腦-機(jī)接口(brain-computer interface，BCI)是允許人腦與外部接口直接交流的一種系統(tǒng)。它通過(guò)實(shí)時(shí)測(cè)量與使用者意圖相關(guān)的腦電(electroenc ephalo gram，EEG)，并將其轉(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[1]。目前，BCI的研究不僅僅停留在助殘服務(wù)、醫(yī)療康復(fù)相關(guān)領(lǐng)域，已經(jīng)拓展到智能家電、娛樂(lè)、航天以及軍事等各個(gè)領(lǐng)域，受到了世界范圍內(nèi)的廣泛關(guān)注和研究。

基于運(yùn)動(dòng)想象EEG信號(hào)的BCI系統(tǒng)國(guó)內(nèi)外已經(jīng)進(jìn)行了較多研究，但對(duì)于多類運(yùn)動(dòng)想象任務(wù)的識(shí)別還存在個(gè)體差異性強(qiáng)、分類識(shí)別率不高、采集腦電導(dǎo)聯(lián)數(shù)目過(guò)多以及算法實(shí)時(shí)性不好等問(wèn)題，導(dǎo)致了BCI在實(shí)際應(yīng)用中進(jìn)展緩慢。Luis F Nicolas-Alonso等人[2]直接利用CSP提取特征，通過(guò)譜回歸核判別分析對(duì)4類運(yùn)動(dòng)想象任務(wù)進(jìn)行分類，最高分類正確率達(dá)到了94%，Kappa系數(shù)為0.92，但平均分類正確率只有73%，Kappa系數(shù)為0.64，平均分類正確率較低，實(shí)際應(yīng)用的穩(wěn)定性較差。Ghaheri H等人[3]采用CSP對(duì)每個(gè)EEG信號(hào)時(shí)間段進(jìn)行空間濾波提取特征，利用LDA 線性分類器進(jìn)行分類，分類正確率為80%，由于時(shí)域分析的時(shí)間太長(zhǎng)，導(dǎo)致算法實(shí)時(shí)性較差。王瑞敏等人[4]利用短時(shí)傅里葉變換將運(yùn)動(dòng)想象EEG信號(hào)進(jìn)行多頻段分解，通過(guò) CSP 結(jié)合SVM的方法對(duì)單個(gè)導(dǎo)聯(lián)信號(hào)進(jìn)行分類識(shí)別，平均分類正確率僅為65%，且當(dāng)導(dǎo)聯(lián)數(shù)目減少時(shí)，分類正確率會(huì)大幅降低。萬(wàn)柏坤等人[5]利用二維時(shí)頻分析與 Fisher 分析相結(jié)合提取4類運(yùn)動(dòng)想象腦電特征，使用SVM進(jìn)行分類，分類正確率達(dá)到了85.71%，實(shí)驗(yàn)中分析了60個(gè)導(dǎo)聯(lián)的數(shù)據(jù)，數(shù)據(jù)量大導(dǎo)致算法實(shí)時(shí)性不好，實(shí)際應(yīng)用價(jià)值較低。

針對(duì)多類運(yùn)動(dòng)想象腦電特征提取與分類識(shí)別效果不好的問(wèn)題，本文利用頻域、空域、時(shí)域相結(jié)合的方法，對(duì)4類運(yùn)動(dòng)想象(左手、右手、雙腳和舌頭)腦電信號(hào)進(jìn)行分類識(shí)別。首先利用小波包對(duì)EEG原始信號(hào)進(jìn)行分解，根據(jù)EEG信號(hào)的頻域分布提取出運(yùn)動(dòng)想象腦電節(jié)律，提高信號(hào)信噪比；利用“一對(duì)多”CSP算法對(duì)4類運(yùn)動(dòng)想象任務(wù)的腦電節(jié)律進(jìn)行空間濾波提取特征；在“一對(duì)多”模式下構(gòu)建4個(gè)SVM子分類器，利用判斷決策函數(shù)值的方法對(duì)分類器的輸出結(jié)果進(jìn)行融合，取得了較好的分類效果。通過(guò)引入時(shí)間窗對(duì)腦電信號(hào)進(jìn)行時(shí)域?yàn)V波，可有效消除運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)腦電的波動(dòng)，進(jìn)一步提高信號(hào)信噪比和算法的分類正確率。結(jié)合時(shí)-空-頻域運(yùn)動(dòng)想象腦電信息利用“一對(duì)多”SVM進(jìn)行分類，實(shí)驗(yàn)取得了很好的分類效果。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

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 2a的校準(zhǔn)數(shù)據(jù)，該實(shí)驗(yàn)采用22個(gè)電極記錄腦電信號(hào)(圖1(a)為電極分布圖)，左乳突作為參考電極，右乳突接地，采樣頻率為250 Hz，所有數(shù)據(jù)都經(jīng)過(guò)0.5～100 Hz的帶通濾波和50 Hz的工頻陷波。實(shí)驗(yàn)時(shí)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(b)所示，每個(gè)實(shí)驗(yàn)周期分為以下幾個(gè)環(huán)節(jié)：

1)試驗(yàn)開(kāi)始時(shí)計(jì)算機(jī)發(fā)出短促的聲音，同時(shí)屏幕上出現(xiàn)十字標(biāo)志持續(xù)兩秒，提醒受試者注意；

2)2 s后，屏幕上隨機(jī)出現(xiàn)向左、向右、向上或向下的箭頭(分別對(duì)應(yīng)左手、右手、舌頭和雙腳運(yùn)動(dòng)想象任務(wù))，持續(xù)1.25 s；

3)3 s后，受試者根據(jù)箭頭指向進(jìn)行相應(yīng)的運(yùn)動(dòng)想象任務(wù)，持續(xù)3 s；

4)6 s時(shí)屏幕上的十字標(biāo)志消失，受試者進(jìn)入放松狀態(tài)。

圖1 電極分布與實(shí)驗(yàn)過(guò)程圖

共有9名受試者(受試A01～A09)參加了實(shí)驗(yàn)。每名受試者的實(shí)驗(yàn)分為兩個(gè)階段，每個(gè)階段進(jìn)行6組試驗(yàn)，每組包含48次運(yùn)動(dòng)想象任務(wù)，共得到288個(gè)訓(xùn)練樣本和288個(gè)測(cè)試樣本。按照競(jìng)賽標(biāo)準(zhǔn)，利用有效時(shí)間內(nèi)誤差最低的時(shí)間點(diǎn)的Kappa系數(shù)對(duì)分類算法進(jìn)行評(píng)價(jià)。Kappa系數(shù)計(jì)算公式為：

(1)

P為分類正確率，C為類別數(shù)。

1.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

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(jué)運(yùn)動(dòng)皮層區(qū)域就會(huì)產(chǎn)生8～12 Hz的μ節(jié)律和18～26 Hz的β節(jié)律腦電。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μ節(jié)律和β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(event related desynchronization，ERD)；而大腦中同側(cè)的μ節(jié)律和β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[6-7](event related synchronization，ERS)。依據(jù)ERD/ERS現(xiàn)象，利用小波包變換的多分辨率特性[8]，選擇EEG原始信號(hào)中的最佳分量組合關(guān)系，從而可提取出包含有用信息頻段的μ節(jié)律和β節(jié)律。

表1 各子帶所對(duì)應(yīng)的頻率范圍 Hz

從表1中可以看出，μ節(jié)律腦電包含在小波包子帶(3,0)中，β節(jié)律腦電包含在小波包子帶(3,1)中。由于μ節(jié)律的帶寬較小，子帶帶寬較大，因此子帶(3,0)中信號(hào)的信噪比較低，同時(shí)為了減小特征向量維數(shù)，縮短計(jì)算時(shí)間，只對(duì)信噪比較高的小波包子帶(3,1)進(jìn)行重構(gòu)，提取β節(jié)律腦電，作為后期運(yùn)動(dòng)想象腦電特征提取和分類的依據(jù)。圖3為不同運(yùn)動(dòng)想象任務(wù)的小波包子帶(3,1)重構(gòu)信號(hào)。

圖2 不同運(yùn)動(dòng)想象任務(wù)的小波包子帶(3,1)重構(gòu)信號(hào)

2 基于改進(jìn)CSP的多類特征提取

傳統(tǒng)CSP算法適用于二分類問(wèn)題，通過(guò)兩類數(shù)據(jù)的協(xié)方差矩陣同時(shí)對(duì)角化，并應(yīng)用主成分分析方法提取出兩類數(shù)據(jù)的不同部分，構(gòu)建出最優(yōu)的空間濾波器，兩類數(shù)據(jù)經(jīng)過(guò)空間濾波后，其空間成分在能量上的差異達(dá)到最大，即一類的方差最大化，另一類的方差最小化，從而有效提取出兩類數(shù)據(jù)的特征[9]。

對(duì)于多類任務(wù)運(yùn)動(dòng)想象EEG信號(hào)的分類，本文利用“一對(duì)多”的方法對(duì)CSP進(jìn)行改進(jìn)，即把多類任務(wù)的特征提取問(wèn)題轉(zhuǎn)化為多個(gè)一類任務(wù)對(duì)其余所有任務(wù)的兩類特征提取問(wèn)題[10]，對(duì)于N類任務(wù)可轉(zhuǎn)化為N個(gè)一類對(duì)其余所有類別的兩類問(wèn)題。如圖3所示為4類運(yùn)動(dòng)想象實(shí)驗(yàn)數(shù)據(jù)在“一對(duì)多”方法下完成CSP特征提取的流程。

圖3 “一對(duì)多”方法下的CSP特征提取

2.1 求4類任務(wù)的混合空間協(xié)方差矩陣

每類任務(wù)的單次實(shí)驗(yàn)EEG數(shù)據(jù)可表示為N×T的矩陣Ei，其中i表示第i類(i∈1,…,4)，N是數(shù)據(jù)采集時(shí)的通道數(shù)，T是每一個(gè)通道的采樣點(diǎn)數(shù)。EEG數(shù)據(jù)的歸一化空間協(xié)方差如式(2)所示:

(2)

(3)

2.2 應(yīng)用主成分分析法，求出白化值矩陣P

(4)

(5)

2.3 構(gòu)造空間濾波器

針對(duì)類1時(shí)，利用白化值矩陣P對(duì)協(xié)方差矩陣做如下變換：

(6)

I為單位矩陣，由此可以發(fā)現(xiàn)，S1最大特征值對(duì)應(yīng)的特征向量是S2最小特征值對(duì)應(yīng)的特征向量;反之，S2最大特征值對(duì)應(yīng)的特征向量是S1最小特征值對(duì)應(yīng)的特征向量。利用特征向量矩陣B構(gòu)造針對(duì)類1時(shí)的空間濾波器為:

W1=BTP

(7)

同理，可分別構(gòu)造出針對(duì)其它三類的空間濾波器W2、W3、W4。

2.4 提取腦電特征

將單次實(shí)驗(yàn)數(shù)據(jù)Ei分別經(jīng)過(guò)4組空間濾波器進(jìn)行濾波，

(8)

(9)

圖4 4類運(yùn)動(dòng)想象腦電特征值分布

3 多類任務(wù)模式的分類

3.1 基于SVM的多類任務(wù)模式分類

支持向量機(jī)(support vector machines，SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出很好的效果。SVM 的基本思想是：通過(guò)非線性映射的方法將低維空間線性不可分的樣本映射到高維特征空間，通過(guò)構(gòu)建特征空間中的最優(yōu)分割超平面，使機(jī)器學(xué)習(xí)器達(dá)到全局最優(yōu)化，并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界。如圖5所示，圓點(diǎn)和五角星分別代表兩類樣本，H為分類線，H1、H2是分別為過(guò)各類中離分類線最近的樣本且平行于分類線的直線，H1、H2之間的距離叫做分類間隔(margin)。最優(yōu)分類線不但能正確分開(kāi)兩類，同時(shí)要使分類間隔達(dá)到最大。

圖5 最優(yōu)超平面示意圖

SVM是一種典型的二分類器，針對(duì)4類任務(wù)模式的分類問(wèn)題采用“一對(duì)多”的分類方法需要構(gòu)建4個(gè)子分類器{f1,f2,f3,f4}。在對(duì)分類器fi(i=1,…,4)進(jìn)行訓(xùn)練時(shí)，將第i類的數(shù)據(jù)作為正訓(xùn)練數(shù)據(jù)集，其余3類數(shù)據(jù)作為負(fù)訓(xùn)練數(shù)據(jù)集，訓(xùn)練后的分類器fi可將屬于第i類的數(shù)據(jù)和其它3類的數(shù)據(jù)分開(kāi)。如圖6所示，本文利用判斷決策函數(shù)值的方法對(duì)4個(gè)子分類器的輸出結(jié)果進(jìn)行融合：11找到判定結(jié)果為正集的子分類器fi；22提取出這些子分類器進(jìn)行判定的決策值Di；33比較這些決策值的絕對(duì)值大小，將絕對(duì)值最大的子分類器輸出為正集的類別Ci作為最終的判定結(jié)果。

圖6 判斷決策函數(shù)值方法的4類任務(wù)分類流程

由于每組數(shù)據(jù)提取到的特征包含22個(gè)特征點(diǎn)，為了得到最佳的分類結(jié)果，需要對(duì)特征向量維數(shù)進(jìn)行選擇。由于不同任務(wù)的CSP特征值分布在兩端差異較大，因此選擇每組數(shù)據(jù)的前m個(gè)特征點(diǎn)和后m個(gè)特征點(diǎn)組成長(zhǎng)度為2 m的特征向量作為分類器的輸入，通過(guò)對(duì)比m(范圍1～11)取不同值時(shí)的分類結(jié)果，最終確定當(dāng)m=5時(shí)分類效果最好。在“一對(duì)多”分類模式下，利用訓(xùn)練數(shù)據(jù)集對(duì)每個(gè)SVM子分類器進(jìn)行訓(xùn)練，通過(guò)判斷決策函數(shù)值的方法對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類，得到9名受試者的分類結(jié)果如表2所示。

表2 BCI競(jìng)賽前3名與本文方法的最大Kappa系數(shù)

分析表2可以得到：利用判斷決策函數(shù)值的方法對(duì)“一對(duì)多”模式下的CSP特征進(jìn)行分類時(shí)，受試者A01、A03、A07的最大Kappa系數(shù)均大于0.8，得到了較好的分類效果；受試者A05、A06的分類效果較差，最大Kappa系數(shù)低于0.5，可能是由于腦電信號(hào)存在很強(qiáng)的個(gè)體差異性，該受試者的腦電特征相比于其他受試者不顯著；9名受試者的平均Kappa系數(shù)達(dá)到了0.64，高于競(jìng)賽第1名0.07。

3.2 基于不同時(shí)間窗的運(yùn)動(dòng)想象任務(wù)分類

考慮到每名受試者的運(yùn)動(dòng)想象時(shí)間為3 s，在運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)都存在受試者的思維轉(zhuǎn)換和思維延遲問(wèn)題，導(dǎo)致運(yùn)動(dòng)想象腦電在每個(gè)周期的開(kāi)始和結(jié)束時(shí)會(huì)產(chǎn)生較大波動(dòng)，降低了信號(hào)的信噪比，從而影響了特征提取和分類識(shí)別的效果。針對(duì)該問(wèn)題，可利用時(shí)間窗的方法消除運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)腦電的波動(dòng)。實(shí)驗(yàn)將時(shí)間窗設(shè)為0.5 s、1 s、1.5 s、2 s、2.5 s五種情況，截取3 s運(yùn)動(dòng)想象數(shù)據(jù)的中間部分，提取出每種情況的“一對(duì)多”CSP特征，通過(guò)多任務(wù)模式的SVM分類器對(duì)9名受試者的數(shù)據(jù)進(jìn)行分類，分類結(jié)果如圖7所示。

圖7 9名受試者在不同時(shí)間窗下的最大Kappa系數(shù)

由圖7可看出：11時(shí)間窗設(shè)為2.5 s時(shí)，除受試者A06、A08的其余6名受試者的最大Kappa系數(shù)均有所提高；時(shí)間窗設(shè)為2 s時(shí)，9名受試者的最大Kappa系數(shù)均達(dá)到了最大值，9名受試者的平均Kappa系數(shù)達(dá)到了0.72，明顯優(yōu)于時(shí)間窗為3 s時(shí)的分類結(jié)果，驗(yàn)證了時(shí)間窗的設(shè)置，可有效消除運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)腦電的波動(dòng)，進(jìn)一步提高了運(yùn)動(dòng)想象腦電特征提取的效果和分類識(shí)別的正確率。22時(shí)間窗小于2 s時(shí)，每名受試者的最大Kappa系數(shù)均有所降低；當(dāng)時(shí)間窗為0.5 s時(shí)，除受試者A09外，8名受試者的最大Kappa系數(shù)均低于3 s時(shí)間窗，說(shuō)明當(dāng)時(shí)間窗太小時(shí)，在消除腦電波動(dòng)的同時(shí)也會(huì)丟失大量運(yùn)動(dòng)想象有用信息，導(dǎo)致分類正確率不高。綜合以上，時(shí)間窗設(shè)為2 s時(shí)，在消除腦電波動(dòng)的同時(shí)可保留運(yùn)動(dòng)想象主要信息，分類效果達(dá)到最好。

4 結(jié)論

本文利用小波包對(duì)9名受試者的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行預(yù)處理，提取腦電β節(jié)律，有效地消除了原始EEG信號(hào)中的大量頻域噪聲，提高了EEG信噪比。通過(guò)“一對(duì)多”CSP算法對(duì)4類運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行空間濾波提取特征，將特征向量作為“一對(duì)多”模式下4個(gè)SVM子分類器的輸入，在分類器輸出端利用判斷決策函數(shù)值的方法對(duì)4個(gè)子分類器的輸出結(jié)果進(jìn)行融合，得到了較好的分類結(jié)果。通過(guò)對(duì)數(shù)據(jù)設(shè)置時(shí)間窗的方法有效的消除了運(yùn)動(dòng)想象開(kāi)始和結(jié)束時(shí)腦電的波動(dòng)，進(jìn)一步提高了信號(hào)信噪比和算法的分類正確率。本文方法充分結(jié)合了腦電信號(hào)的頻域、空域、時(shí)域信息，有效的改善了多類運(yùn)動(dòng)想象腦電信號(hào)個(gè)體差異性強(qiáng)和分類正確率較低的問(wèn)題，為多類運(yùn)動(dòng)想象任務(wù)的特征提取與分類提供了新的思路。

[1] Daly L, Muller-Putz G, et al. Fully online and automated artifact removal for brain-computer interfacing[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(5): 725-736.

[2]Luis F, Alonso N, Corralejo R, et al. Adaptive semi-supervised classification to reduce intersession non-stationarityin multiclass motor imagery-based brain-computer interfaces[J]. Neurocomputing, 2015, 159: 186-196.

[3]Ghaheri H, Ahmadyfard A R. Extracting common spatial patternsfrom EEG time segments for classifying motor imagery classes in a brain computer interface(BCI)[J]. Scientia Iranica D, 2013, 20(6): 2061-2072.

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

[5]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.

[6]孫會(huì)文,伏云發(fā),熊 馨,等.基于HHT運(yùn)動(dòng)想象腦電模式識(shí)別研究[J].自動(dòng)化學(xué)報(bào),2015,41(9):1686-1692.

[7]李明愛(ài),劉凈瑜,郝冬梅.基于改進(jìn)CSP算法的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2009,28(2):161-165.

[8]李明愛(ài),林 琳,楊金福.基于小波包最優(yōu)基的運(yùn)動(dòng)想象EEG自適應(yīng)特征提取方法[J].計(jì)算機(jī)測(cè)量與控制,2011,19(11): 2755-2758.

[9]葉 檸,孫宇舸,王 旭.基于共空間模式和神經(jīng)元網(wǎng)絡(luò)的腦-機(jī)接口信號(hào)的識(shí)別[J].東北大學(xué)學(xué)報(bào),2010,31(1):12-15.

[10]劉 沖, 王 宏, 趙海濱,等. 基于多類運(yùn)動(dòng)想象任務(wù)的腦電信號(hào)分類研究[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2012,29(6): 1027-1031.

ResearchonEEGSignalClassificationBasedonMulti-classMotionImaginationTask

Ma Manzhen, Guo Libin, Su Kuifeng

(Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China)

For the problem of the individual difference and the classification accuracy of multi class motor imagery EEG signal, a new analysis method for EEG signal based on time-space- frequency domain is put forward: firstly, the wavelet packet is used to decompose the original signal of EEG, and the motor imagery EEG rhythm is extracted according to the frequency distribution of EEG signal, and the spatial features of EEG are extracted from different motor imagery tasks through the "one-to-rest" common space pattern (CSP) algorithm; then the feature vector is input to the support vector machine (SVM) in "one-to-rest" mode, the output value of SVM is fused via the method of judging the decision function value; finally, the time domain window is used to filter the EEG signals to eliminate the fluctuations of the brain at the beginning and end of motor imagery, and further improve the signal to noise ratio and the classification accuracy of the algorithm. The experimental results show that, when the time window is 2 s, the average maximum coefficient is 0.72, which is 0.15 higher than the first of BCI competition. Meanwhile, the results verify that the algorithm can effectively reduce the influences of the individual differences of EEG signals, and improve the accuracy of multi-class recognition.

brain-computer interface(BCI); motor imagery; common spatial patterns(CSP); support vector machine(SVM); time window

2017-04-13；

2017-04-27。

馬滿振(1994-)，男，河北保定人，碩士研究生，主要從事模式識(shí)別與智能系統(tǒng)方向的研究。

蘇奎峰(1976-)，男，河北承德人，副教授，碩士生導(dǎo)師，主要從事自主車輛導(dǎo)航與控制，多傳感器信息融合方向的研究。

1671-4598(2017)10-0232-04

10.16526/j.cnki.11-4762/tp.2017.10.059

TP391.4

A