基于因子分析模型的噪聲穩(wěn)健腦電信號(hào)分類方法

彭錦強(qiáng)

摘? ?要：腦電信號(hào)的非線性、非平穩(wěn)性和微弱性造成對(duì)運(yùn)動(dòng)想象腦電信號(hào)的分類存在特征提取困難，分類結(jié)果不理想，分類性能受噪聲影響明顯等問(wèn)題。為此，提出了一種基于因子分析（Factor Analysis，F(xiàn)A）模型的噪聲穩(wěn)健運(yùn)動(dòng)腦電信號(hào)分類方法。首先利用FA模型對(duì)腦電信號(hào)中存在的噪聲分量進(jìn)行抑制，針對(duì)重構(gòu)信號(hào)可分性較差的問(wèn)題，將其轉(zhuǎn)換至功率譜域，進(jìn)而提取三維能夠反映不同運(yùn)動(dòng)狀態(tài)的功率譜特征，最后利用支撐向量機(jī)（Support Vector Machine，SVM）分類器對(duì)所提特征向量進(jìn)行分類判決?；贕raz數(shù)據(jù)的驗(yàn)證實(shí)驗(yàn)表明，所提方法可以明顯提升低信噪比條件下的分類性能，在實(shí)際工程應(yīng)用中具備較強(qiáng)的推廣泛化

能力。

關(guān)鍵詞：腦電信號(hào)分類;因子分析模型;特征提取;噪聲穩(wěn)健;

中圖分類號(hào)：TP39? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Noise Robust EEG Signal Classification Method Based

on Factor Analysis Model

PENG Jin-qiang？覮

（Huizhou City Vocational College，Huizhou，Guangdong 516025，China）

Abstract：In view of the difficulty of feature extraction and the obvious influence of noise on the classification of motor EEG signals，this paper presents a noise robust EEG signal classification method based on factor analysis（FA） model. Firstly，F(xiàn)A was utilized to suppress the noise components in EEG signals，and then the original signals with poor separability were converted to the power spectrum domain and the three-dimensional power spectrum features with good separability were extracted. Finally，Support Vector Machine（SVM） classifier was used to classify the feature vectors. The verification experiment with Graz data shows that the proposed method can significantly improve the classification performance under the condition of low SNR，and has a strong generalization ability.

Key words：classification of EEG signals;factor analysis model;feature extraction;noise robust;

1973年Vidal為了幫助運(yùn)動(dòng)障礙患者實(shí)現(xiàn)與外界的信息交互，第一次提出了腦-機(jī)接口（Brain Computer Interface，BCI）技術(shù)[1-2]。BCI技術(shù)是在大腦與計(jì)算機(jī)或外部通信設(shè)備之間直接建立聯(lián)系，而不依靠傳統(tǒng)的腦外周神經(jīng)和肌肉系統(tǒng)等傳統(tǒng)大腦輸出通路，其實(shí)現(xiàn)途徑是利用計(jì)算機(jī)或其它外圍設(shè)備對(duì)特定任務(wù)下的腦電信號(hào)（Electro Encephalogram Gram，EEG）進(jìn)行采集，進(jìn)而運(yùn)用模式識(shí)別算法對(duì)數(shù)據(jù)進(jìn)行分析并將其與特定任務(wù)（例如抬左手）建立聯(lián)系，從而達(dá)到向外界傳輸信息的目的。模式識(shí)別作為BCI中的關(guān)鍵技術(shù)也成為了當(dāng)前研究的難點(diǎn)和熱點(diǎn)[3]。

典型的模式識(shí)別算法包含訓(xùn)練和測(cè)試兩個(gè)階段[4-5]，通常訓(xùn)練階段可以離線完成，測(cè)試階段需要在線對(duì)測(cè)試樣本實(shí)現(xiàn)快速判決。訓(xùn)練階段和測(cè)試階段的數(shù)據(jù)處理流程又分為預(yù)處理，特征提取/特征選擇和分類識(shí)別，其中預(yù)處理是指對(duì)信號(hào)中包含的噪聲等對(duì)特征提取和分類識(shí)別無(wú)用的信息進(jìn)行剔除，增強(qiáng)有用信息的過(guò)程;特征提取是指從信號(hào)中提取一些反映不同目標(biāo)差異特性的特征替代高維原始信號(hào)，達(dá)到降低運(yùn)算量的目的;特征選擇是指從特征提取階段獲得的特征中選擇對(duì)分類識(shí)別性能影響較大的特征，進(jìn)一步降低分類識(shí)別階段的運(yùn)算時(shí)間，需要指出的是特征選擇并不是模式識(shí)別中必須的步驟;分類識(shí)別分為訓(xùn)練階段的分類器設(shè)計(jì)和測(cè)試階段的分類決策，其中分類器設(shè)計(jì)是指在訓(xùn)練階段對(duì)分類器進(jìn)行選擇并利用訓(xùn)練階段提取的特征對(duì)分類器參數(shù)進(jìn)行尋優(yōu)，測(cè)試階段的分類決策是利用訓(xùn)練好的分類器對(duì)測(cè)試樣本的類別屬性進(jìn)行判決。

目前國(guó)內(nèi)外針對(duì)運(yùn)動(dòng)腦電信號(hào)的分類識(shí)別開(kāi)展了大量的研究，并取得了顯著的進(jìn)展。例如文獻(xiàn)[6]利用短時(shí)傅里葉變換將原始腦電信號(hào)轉(zhuǎn)換至?xí)r頻域，提取能量熵特征并利用SVM分類器對(duì)特征進(jìn)行分類識(shí)別;文獻(xiàn)[7，8]將小波變換引入腦電信號(hào)分類領(lǐng)域，對(duì)原始信號(hào)進(jìn)行小波分解并提取特征，最后利用線性分類器進(jìn)行分類識(shí)別得到較好的分類結(jié)果;文獻(xiàn)[9]利用改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)腦電信號(hào)進(jìn)行分析，將原始信號(hào)自適應(yīng)的分解為一系列本征模函數(shù)，并提取能量特征和平均幅度差特征構(gòu)建特征向量，最后利用SVM[10]分類器進(jìn)行分類識(shí)別，得到了88.6%的正確識(shí)別率。結(jié)合圖1可以看出，上述研究都是集中在對(duì)模式識(shí)別算法中的特征提取和分類識(shí)別兩個(gè)方面，而腦電信號(hào)除了非線性、非平穩(wěn)性外，微弱性是其另一個(gè)顯著特點(diǎn)，腦電信號(hào)幅度通常處于5 uV ～ 300 uV之間，而外界干擾信號(hào)和噪聲電壓通常處于mV級(jí)，導(dǎo)致腦電信號(hào)容易受到噪聲污染，也是當(dāng)前分類方法在低信噪比情況下的分類性能下降的主要原因[11]。因此，在對(duì)運(yùn)動(dòng)腦電信號(hào)進(jìn)行特征提取前，需要對(duì)其中包含的噪聲分量進(jìn)行抑制。

提出了一種基于因子分析模型[10]的噪聲穩(wěn)健運(yùn)動(dòng)腦電信號(hào)分類方法，首先利用因子分析模型對(duì)腦電信號(hào)中包含的噪聲分量進(jìn)行抑制，在此基礎(chǔ)上提取三維特征將可分性較差的原始信號(hào)轉(zhuǎn)換至特征域，最后利用SVM分類器對(duì)所提特征進(jìn)行分類識(shí)別，基于實(shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明所提方法可以獲得較好的分類性能，并且在低信噪比條件下具有較強(qiáng)的魯棒性。

1? ?實(shí)驗(yàn)數(shù)據(jù)介紹

實(shí)驗(yàn)采用奧地利格拉茲技術(shù)大學(xué)（Graz University of Technology）提供的腦機(jī)接口數(shù)據(jù)[12]，采用了其中Data ⅢA數(shù)據(jù)集中的K3b、K6b和L1b三組運(yùn)動(dòng)腦電數(shù)據(jù)。該數(shù)據(jù)通過(guò)符合國(guó)際標(biāo)準(zhǔn)的64組EEG放大器采集獲得，參考電極設(shè)置為左側(cè)乳突位置。一組典型數(shù)據(jù)的采集流程如圖1所示：

■

圖1? ?典型數(shù)據(jù)采集時(shí)序

1）時(shí)間：[0 s ～ 2 s];顯示屏：黑屏;受試者：放松狀態(tài);

2）時(shí)間：2 s;顯示屏：亮起并出現(xiàn)“+”光標(biāo);受試者：準(zhǔn)備開(kāi)始實(shí)驗(yàn);

3）時(shí)間：[3 s ～ 9 s];顯示屏：出現(xiàn)“←”或“→”箭頭;受試者：根據(jù)光標(biāo)提示對(duì)應(yīng)想象左手或者右手運(yùn)動(dòng)。

整個(gè)數(shù)據(jù)集中包含C3和C4兩個(gè)通道的數(shù)據(jù)共280組，其中訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)各一半為140組，包含70組想象左手運(yùn)動(dòng)實(shí)驗(yàn)數(shù)據(jù)，70組想象右手運(yùn)動(dòng)實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)的采集采用128 Hz的采樣頻率，每組數(shù)據(jù)采集時(shí)間為9 s，包含1152個(gè)采樣點(diǎn)。由于每次實(shí)驗(yàn)從第3 s開(kāi)始，本文實(shí)驗(yàn)只對(duì)第3 s到第9 s之間的768個(gè)樣本點(diǎn)進(jìn)行分析。

2? ?預(yù)處理

2.1? ?因子分析模型

因子分析模型（Factor Analysis，F(xiàn)A）是一種廣泛應(yīng)用于數(shù)據(jù)降維及概率分布描述的概率隱空間模型，F(xiàn)A將觀測(cè)數(shù)據(jù)映射到一組基函數(shù)張成的子空間，并利用隱變量表征數(shù)據(jù)在隱空間的分布特性。相對(duì)于其它統(tǒng)計(jì)模型，F(xiàn)A模型具備特有的優(yōu)點(diǎn)：1） 模型的自由度小，不會(huì)引起“維數(shù)災(zāi)難”;2） 考慮了數(shù)據(jù)中的相關(guān)性，對(duì)數(shù)據(jù)結(jié)構(gòu)描述準(zhǔn)確;3） 具備稀疏性，能夠用較少的隱變量實(shí)現(xiàn)對(duì)原始信號(hào)空間的描述。因子分析模型可以表示為：y = Dx + u + ε，其中D = [d1，d2，…，dK]∈RL×K 為因子加載矩陣， u為觀測(cè)信號(hào)的均值，ε為高斯白噪聲。傳統(tǒng)FA模型的因子個(gè)數(shù)K需要預(yù)先設(shè)定，但是因子個(gè)數(shù)設(shè)置過(guò)大會(huì)造成過(guò)匹配，設(shè)置過(guò)小則不能充分描述數(shù)據(jù)的統(tǒng)計(jì)分布。本文采用貝葉斯框架下的FA模型，利用Beta-Benoulli先驗(yàn)自動(dòng)確定因子個(gè)數(shù) ，此時(shí)模型結(jié)構(gòu)可以表示為：

yn = D（zn·xn） + εnznk = Bernoulli（πk）πk = Beta（a0/K，b0（K - 1）/K），k =1，…，Kεn = N（0，γ-1I）γ = Gamma（c0，d0） （1）

對(duì)于上式給出的概率模型，本文采用變分貝葉斯期望最大（Variational Bayes Expectation Maximization ，VBEM）算法求解，這種算法基于變分推理，通過(guò)迭代尋找最小化KL（Kullback-Leibler）距離的邊緣分布來(lái)近似聯(lián)合分布。根據(jù)VBEM算法，參照文獻(xiàn)[10]可以推導(dǎo)出每個(gè)參數(shù)的更新公式為：

1.更新q（z）分布：

〈L（Z，Θ）〉 q（Π）q（γ）? = 〈γ〉■■zkwnk■+

■[zk〈Inπk〉+（1-zk）〈In（1-πk）〉]+const

（2）

其中wnk = znk·xn，根據(jù)式（2）可以推斷q（z）具有如下形式：

q（z） = ■q（zk）

= ■Bernoulli（■）? （3）

上式中，zk = 1和zk = 0的概率由下式?jīng)Q定：

p（zk = 1）∝exp（〈Inπk〉） × exp（〈γ〉■||wnk||2）

p（zk = 0）∝exp（〈In（1 - πk）〉）? ? ? ? ? ? ? ?（4）

根據(jù)上述結(jié)果可以得到zk的后驗(yàn)期望為：

〈zk〉=■

（5）

2.更新 分布

■

+ const? ? ? ? ? ? ? ? ? ? ? ?（6）

根據(jù)上式可知q（π）具有如下形式：

q（πk） = ■q（πk） = ■Beta（πk|■k，■k）? ? ?（7）

3.更新

〈L（Z，Θ）〉 q（z）q（π） =

DNln（γ） - γ■ +

（c0-1）lnγ+const? ? ? ? ? （8）

在上述分析的基礎(chǔ)上，可以求得γ的后驗(yàn)期望為：

〈γ〉 = ■? ? ?（9）

4.終止條件：

當(dāng)連續(xù)兩次迭代結(jié)果的變化小于預(yù)先設(shè)置的門限時(shí)，迭代終止，此時(shí)得到的x即為噪聲抑制后的信號(hào)。由于所提模型對(duì)超參數(shù)的初值不敏感，因此在接下來(lái)的實(shí)驗(yàn)中，將模型中超參數(shù)初值設(shè)置為 a0 = b0 = 1，c0 = d0 = 10-6，即超參數(shù)不攜帶任何信息。而因子個(gè)數(shù)K的初值可以設(shè)置為任意大于1的整數(shù)，本文設(shè)置K = 20，同時(shí)將終止門限為設(shè)置為10-8。

2.2? ?仿真驗(yàn)證

為了驗(yàn)證所提方法的噪聲抑制性能，利用仿真產(chǎn)生測(cè)試信號(hào)x（t）：

x（t） = s（t） + n（t）

= cos（2πf1t）+cos（2πf2t）+cos（2πf3t）+n（t）

（10）

其中s（t）為不含噪聲信號(hào)，由三個(gè)頻率分別為f1 = 1 100 Hz，以及f2 = 700 Hz的點(diǎn)頻信號(hào)組成的周期信號(hào)，n（t）表示零均值高斯白噪聲，噪聲功率根據(jù)不同信噪比（Signal Noise Ratio，SNR）計(jì)算得到，本文中SNR定義如下：

SNR=10×long10■=10×long10■? ? （11）

上式中，■為表示不含噪信號(hào)s（t）的平均功率，P s（t） = s（t）■代表s（t）中第t個(gè)樣本的功率，Pn為噪聲n（t）的平均功率，D為仿真信號(hào)長(zhǎng)度。

圖2（a）、圖2（b）和圖2（c）分別給出了仿真得到的不含噪信號(hào)s（t），SNR=0 dB時(shí)的測(cè)試信號(hào)x0 dB（t）以及SNR = 10 dB時(shí)的測(cè)試信號(hào)x10 dB（t）?？梢钥闯鲭S著SNR的下降，s（t）的周期性越來(lái)越不明顯，表明信號(hào)中的有用信息被無(wú)序的噪聲污染，因此在對(duì)信號(hào)進(jìn)行特征提取前需要事先進(jìn)行噪聲抑制預(yù)處理。圖3給出了利用所提方法、傳統(tǒng)小波去噪方法以及主成分分析方法（Principal Component Analysis，PCA）對(duì)x0 dB（t）進(jìn)行噪聲抑制得到的結(jié)果，其中PCA方法選用能量占特征向量95%的大特征值個(gè)數(shù)作為主分量個(gè)數(shù)。圖4給出了對(duì)不同SNR測(cè)試信號(hào)進(jìn)行噪聲抑制得到的重構(gòu)信號(hào)的SNR水平。從上述結(jié)果可以看出，利用所提因子分析模型在不同SNR情況下均可以獲得最好的噪聲抑制性能。

■

圖4? ?不同方法得到的重構(gòu)信號(hào)信噪比

3? ?特征提取和分類識(shí)別

3.1? ?特征提取

在得到噪聲抑制的重構(gòu)信號(hào)后，最直接的方式是將重構(gòu)信號(hào)直接作為特征向量進(jìn)行分類，但是由于重構(gòu)信號(hào)維度往往較高，直接進(jìn)行分類存在計(jì)算量大的問(wèn)題，同時(shí)重構(gòu)信號(hào)中除了對(duì)分類有益的信息之外不可避免的會(huì)存在一些冗余信息，因此需要采用特征提取的方式將重構(gòu)信號(hào)轉(zhuǎn)換至特征域，在降低運(yùn)算量的同時(shí)剔除信號(hào)中的冗余信息，提升分類識(shí)別性能。

特征1：重構(gòu)信號(hào)功率譜的熵：

F1 = entropy（S） = -■pf log（pf）

其中，pf? = S（f）/■S（f），S = {S（f）}T? ?f=1= FFT（■）■為重構(gòu)信號(hào)■的功率譜。功率譜的熵特征描述的是信號(hào)的能量分布特性，信號(hào)的能量分布越集中，則對(duì)應(yīng)的熵越小。

特征2：重構(gòu)信號(hào)功率譜的二階中心距：

F2 = ■（f - f）2 pf

其中，f = ■f × pf 二階中心距特征反映了信號(hào)相對(duì)于其質(zhì)心的分布情況。

特征3：重構(gòu)信號(hào)功率譜的方差：

F3 = ■■S（f） - ■■S（f）

方差特征反映的是信號(hào)的波動(dòng)特性。

圖5給出了對(duì)第2部分介紹的腦電信號(hào)實(shí)測(cè)數(shù)據(jù)提取上述三維特征得到的二維歸一化特征分布圖，其中“o”表示對(duì)想象左手運(yùn)動(dòng)EEG信號(hào)提取的特征值，“+”表示對(duì)想象右手運(yùn)動(dòng)EEG信號(hào)提取的特征值，從圖5可以看出，在特征域，想象兩種運(yùn)動(dòng)產(chǎn)生的EEG信號(hào)具有較好的可分性。

圖6給出了對(duì)腦電信號(hào)實(shí)測(cè)數(shù)據(jù)按式（15）增加高斯白噪聲得到SNR=10 dB的含噪信號(hào)后，同樣提取上述三維特征得到的二維歸一化特征分布圖，圖7給出了利用所提因子分析模型對(duì)SNR=10dB含噪信號(hào)進(jìn)行噪聲抑制得到重構(gòu)信號(hào)后，再次提取特征得到的特征分布圖。對(duì)比圖5，圖6和圖7可以看出，對(duì)SNR=10 dB含噪信號(hào)提取的特征在特征空間中的可分性相對(duì)于不含噪信號(hào)特征明顯降低，而經(jīng)過(guò)所提因子分析模型進(jìn)行噪聲抑制后得到重構(gòu)信號(hào)的二維特征分布的可分性接近于原始不含噪信號(hào)，因此在特征提取前需要提前對(duì)信號(hào)中的噪聲分量進(jìn)行抑制。

圖5? ?特征值分布圖

圖6? ?特征值分布圖，SNR=10 dB含噪信號(hào)

圖7? ?因子分析模型重構(gòu)信號(hào)特征值分布圖

3.2? ?分類識(shí)別

在分類識(shí)別階段，需要選取合適的分類器實(shí)現(xiàn)對(duì)特征提取階段獲得的特征進(jìn)行分類判決，當(dāng)前應(yīng)用比較廣泛的分類器有線性分類器、神經(jīng)網(wǎng)絡(luò)分類器和支撐向量機(jī)等，其中SVM在解決小樣本，非線性及高維模式分類問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，因此本文選用SVM分類器對(duì)運(yùn)動(dòng)腦電信號(hào)進(jìn)行分類。

實(shí)驗(yàn)中SVM選用高斯核，采取交叉驗(yàn)證的方式選擇高斯核函數(shù)，首先將訓(xùn)練樣本分為4組，每次實(shí)驗(yàn)中從其中選取一組作為訓(xùn)練集另外三組作為測(cè)試集對(duì)核參數(shù)在[0，5]范圍，步長(zhǎng)為0.1進(jìn)行尋優(yōu)，最終選取分類性能最好的核參數(shù)（1.4）作為最優(yōu)參數(shù)對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類決策。

圖8給出了不同信噪比條件下所提方法和其它文獻(xiàn)中介紹方法的分類結(jié)果，其中文獻(xiàn)[13]采用小波包能量進(jìn)行特征提取，并利用基于馬氏距離的線性分類器對(duì)所提特征進(jìn)行分類，文獻(xiàn)[14]在文獻(xiàn)[13]的基礎(chǔ)上對(duì) C3、C4兩個(gè)通道的腦電信號(hào)利用Burg算法提取腦電信號(hào)的5階AR模型系數(shù)作為特征并采用SVM分類器獲得了較好的識(shí)別結(jié)果。從圖8可以看出在高信噪比條件下，本文所提方法可以得到與文獻(xiàn)[14]接近的分類性能，并優(yōu)于文獻(xiàn)[13]的方法。而當(dāng)信噪比低于25 dB時(shí)，本文所提方法的分類性能明顯優(yōu)于其它兩種方法，表明所提方法在低信噪比情況下具有更強(qiáng)的魯棒性。究其原因在于因子分析模型可以看成是主成分分析模型的一種推廣方法，主成分分析是通過(guò)線性組合的方式將原始數(shù)據(jù)綜合成幾個(gè)主分量，從而用綜合后較少的主分量代替原始高維數(shù)據(jù)實(shí)現(xiàn)噪聲抑制，這種綜合的依據(jù)就在于原始高維數(shù)據(jù)之間存在一定的相關(guān)性，而這種相關(guān)性是通過(guò)不能直接觀測(cè)到而又能夠影響觀測(cè)數(shù)據(jù)變化的公共因子體現(xiàn)，這些公共因子即因子分析模型中的隱變量，也就是說(shuō)因子分析模型不僅能夠?qū)崿F(xiàn)噪聲抑制，同時(shí)能夠提取數(shù)據(jù)中包含的隱含信息，因此具有更好的分類性能。同時(shí)SVM分類器是在統(tǒng)計(jì)學(xué)習(xí)理論中的VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的基礎(chǔ)上建立的，相對(duì)于線性分類器在解決小樣本，非線性及高維模式分類問(wèn)題中表現(xiàn)出特有的優(yōu)勢(shì)。

圖8? ?不同方法分類結(jié)果隨信噪比變化

圖9給出了不同信噪比條件下，分別利用所提因子分析模型、小波方法和PCA方法進(jìn)行噪聲抑制得到重構(gòu)信號(hào)后提取前述三維功率譜特征并利用SVM分類器進(jìn)行分類的結(jié)果?？梢钥闯?，在低信噪比條件下（SNR<25dB），所提方法對(duì)分類結(jié)果的提升最為明顯，并且在信噪比高于10 dB時(shí)，所提方法即可獲得優(yōu)于80%的正確分類結(jié)果，明顯優(yōu)于小波方法和PCA方法在低信噪比條件下對(duì)分類結(jié)果的提升。利用PCA進(jìn)行噪聲抑制時(shí)，主分量個(gè)數(shù)的確定通常采用AIC或BIC準(zhǔn)則，而已有試驗(yàn)結(jié)果表明，AIC確定的主分量個(gè)數(shù)較大，導(dǎo)致噪聲抑制不徹底，BIC確定的主分量個(gè)數(shù)較小，在噪聲抑制的同時(shí)會(huì)對(duì)信號(hào)分量產(chǎn)生影響。采用小波方法進(jìn)行噪聲抑制時(shí)，小波基函數(shù)的選取，閾值的確定和分解層數(shù)等對(duì)噪聲抑制結(jié)果影響較大，目前沒(méi)有最優(yōu)的方法實(shí)現(xiàn)對(duì)上述參數(shù)的設(shè)置，而所提基于VBEM算法的因子分析模型是基于數(shù)據(jù)驅(qū)動(dòng)，能夠自適應(yīng)的確定因子個(gè)數(shù)，具備精度高，收斂性好的優(yōu)勢(shì)，因此可以獲得更好的噪聲抑制性能。

圖9? ?不同去噪方法對(duì)分類性能的影響

4? ?結(jié)? 論

腦電信號(hào)的非線性、非平穩(wěn)性和微弱性導(dǎo)致對(duì)運(yùn)動(dòng)腦電信號(hào)進(jìn)行分類識(shí)別時(shí)存在特征提取困難，低信噪比條件下魯棒性差，分類性能不好等問(wèn)題。針對(duì)運(yùn)動(dòng)想象腦電信號(hào)的模式分類問(wèn)題，重點(diǎn)對(duì)噪聲抑制預(yù)處理和特征提取兩個(gè)維度進(jìn)行了研究，提出了一種基于因子分析模型的噪聲穩(wěn)健分類方法，首先利用因子分析模型對(duì)腦電信號(hào)進(jìn)行預(yù)處理，濾除其中包含的噪聲分量，在此基礎(chǔ)上將時(shí)域信號(hào)轉(zhuǎn)換至功率譜域，提取三維功率譜特征，最后利用SVM分類器對(duì)特征向量進(jìn)行分類可以得到93.3%的分類結(jié)果，并且在SNR高于10 dB時(shí)即可得到優(yōu)于80%的分類結(jié)果，極大的提高了低信噪比條件下的魯棒性。相對(duì)于其它對(duì)比方法具備明顯優(yōu)勢(shì)。

參 考 文 獻(xiàn)

[1]? ? PFURTSCHELLER G，NEUPER C，GUGER C，et al. Current trending Graz brain-ccomputer interface（BCI）research[J]. IEEE Transactions on Rehabilitation Engineering，2000，8（2）：216—219.

[2]? ? WOLPAW J R，BIRBAUMER N，MCFARLAND D J，et al. Brain-computer interfaces for communication and control[J]. Clinical Neurophysiology，2002，113（6）：767—791.

[3]? KEVRIC J，SUBASI A. Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system[J]. Biomedical Signal Processing and Control，2017，31：398—406.

[4]? ? 杜蘭，史蕙若，李林森，等.基于分?jǐn)?shù)階傅里葉變換的窄帶雷達(dá)飛機(jī)目標(biāo)回波特征提取方法[J]. 電子與信息學(xué)報(bào)，2016，12（38）：3093—3099.

[5]? ?KAR A，HANE C，MALIK J. Learning a multi-view stereo machine[C]. Advances in Aeural Information Processing Systems，2017：365—376.

[6]? ? 段鎖林，尚允坤，潘禮正.多類運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類[J]. 計(jì)算機(jī)測(cè)量與控制，2016，24（2）：283—287.

[7]? ? BURKE D P，KELLY S P，DE CHAZAL P，et al. A parametric feature extraction and classification strategy for brain-computer interfacing[J]. IEEE Trans on Neural System Rehabilitation Engineering，2005，13（1）：12—17.

[8]? ? 徐寶國(guó)，宋愛(ài)國(guó)，費(fèi)樹(shù)岷.在線腦機(jī)接口中腦電信號(hào)的特征提取與分類方法[J]. 電子學(xué)報(bào)，2011，39（5）：1025—1030.

[9]? ? ANDERSON C W，STOLZ E A，SHAMSUNDER S. Multivariate auto regressive models for classification of spontaneous electro encephalographic signals during mental tasks[J]. IEEE Trans on Biomed Engineering，1998，45（3）：277—286.

[10]? TIPPING M E，BISHOP C M. Probabilistic principle component analysis[J]. Journal of Royal Statistical Society，1999，61（3）：611—622.

[11]? YILDIZ A，AKIN M，POYRAZ M，et al. Application of adaptive neuro-fuzzy inference system for vigilance level estimation by using wavelet entropy feature extraction[J]. Expert System Application，2009，36（4）：7390—7399.

[12]? HUANG N E，SHEN Z，LONG S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A：Mathematical，Physical and Engineering Sciences，2003，33（2）：903—915.

[13]? FLANDRIN P，RILLING G，GONCALVES P. Empirical mode decomposition as a filter bank[J]. IEEE Signal Processing Letters 2001，11（2）：112—114.

[14]? 徐寶國(guó)，宋愛(ài)國(guó).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.

[15]? 段鎖林，尚允坤，潘禮正.多類運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類[J].計(jì)算機(jī)測(cè)量與控制，2016，24（2）：283—287.