基于ICA-CSP-KNN 的運(yùn)動(dòng)想象腦電意圖識(shí)別

鮑甜恬，歐陽(yáng)虹霞，楊天宇，陳伊桓

（南京師范大學(xué)泰州學(xué)院，江蘇 泰州 225300）

腦-機(jī)接口（brain computer interface，BCI）技術(shù)，不依賴肌肉和外部神經(jīng)組織而建立的能夠?qū)⑷说恼４竽X信號(hào)進(jìn)行傳輸?shù)耐ǖ溃軌驅(qū)崿F(xiàn)人腦與計(jì)算機(jī)直接進(jìn)行信息的交互與外部設(shè)備的控制[1-2]。腦-機(jī)接口的誕生與發(fā)展可以為因中樞神經(jīng)或者運(yùn)動(dòng)系統(tǒng)受到損傷的患者提供輔助康復(fù)，因而在神經(jīng)康復(fù)領(lǐng)域備受關(guān)注。本文研究的是基于運(yùn)動(dòng)想象（motor imagery，MI）腦電信號(hào)（electroencephalography，EEG）的BCI 系統(tǒng)中的意圖識(shí)別。運(yùn)動(dòng)想象是指被試者通過想象特定動(dòng)作而不實(shí)際執(zhí)行該運(yùn)動(dòng)的行為，BCI 系統(tǒng)通過采集人腦頭皮腦電信號(hào)進(jìn)行與外界交互。研究發(fā)現(xiàn)，運(yùn)動(dòng)想象腦電信號(hào)具有與實(shí)際運(yùn)動(dòng)腦電信號(hào)相同的節(jié)律且與有創(chuàng)EEG 信號(hào)測(cè)量相比，具有無創(chuàng)、高時(shí)間分辨率、低成本等特點(diǎn)[3]。

如何有效提取EEG 信號(hào)的特征以及提高分類準(zhǔn)確率是近些年研究MI-EEG-BCI 系統(tǒng)的重點(diǎn)及難點(diǎn)。何群等[4]采用自適應(yīng)無參經(jīng)驗(yàn)小波變換和選擇集成分類模型相結(jié)合的方法提高腦電信號(hào)的識(shí)別率，取得了89.95%的準(zhǔn)確率。陳黎等[5]提出一種基于歐氏空間和加權(quán)邏輯回歸遷移學(xué)習(xí)的運(yùn)動(dòng)想象腦電解碼方法，比同類算法相比提高了4%的分類準(zhǔn)確率，改善了分類模型的通用性問題。劉寶等[6]提出一種基于POS-CSPSVM 結(jié)合的運(yùn)動(dòng)想象腦電信號(hào)意圖識(shí)別方法，利用粒子群優(yōu)化算法得到EEG 信號(hào)的最佳時(shí)段，并采用共空間模式（Common Spatial Pattern，CSP）對(duì)最佳時(shí)段進(jìn)行特征提取，最后通過支持向量機(jī)對(duì)提取的特征進(jìn)行分類，取得了89.65%的分類準(zhǔn)確率。孫會(huì)文等[7]提出了一種基于希爾伯特黃變換（Hilbert-Huang Transform，HHT）的EEG 信號(hào)識(shí)別方法，使用支持向量機(jī)進(jìn)行特征分類，取得了較好的分類準(zhǔn)確率。

1 實(shí)驗(yàn)數(shù)據(jù)和方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用2008 年第Ⅳ屆BCI 比賽德國(guó)柏林團(tuán)隊(duì)提供的數(shù)據(jù)集Ⅰ的運(yùn)動(dòng)想象腦電數(shù)據(jù)[8]。該數(shù)據(jù)由7 名健康的受試者提供（a～g）。包含標(biāo)準(zhǔn)集和評(píng)估集2部分，本文選用的是標(biāo)準(zhǔn)集數(shù)據(jù)。單次實(shí)驗(yàn)過程如圖1所示。

圖1 單次運(yùn)動(dòng)想象實(shí)驗(yàn)過程圖

在0～2 s 內(nèi)，顯示屏持續(xù)顯示“+”號(hào)，此時(shí)受試者保持放松狀態(tài)；第2 s 時(shí)，顯示屏隨機(jī)顯示←、↓、→，提示受試者做出相應(yīng)的運(yùn)動(dòng)想象（左手、右手、腳），箭頭持續(xù)到第6 s；之后顯示屏空白，提示受試者休息，一次實(shí)驗(yàn)結(jié)束。在實(shí)驗(yàn)過程中，每個(gè)受試者進(jìn)行200 次實(shí)驗(yàn)。實(shí)驗(yàn)采用59 導(dǎo)聯(lián)對(duì)受試者進(jìn)行數(shù)據(jù)采集，頻率為100 Hz。

1.2 研究方法

為了獲得較高的運(yùn)動(dòng)想象EEG 信號(hào)分類準(zhǔn)確率，本文提出一種基于ICA-CSP-KNN 相結(jié)合的運(yùn)動(dòng)想象EEG 信號(hào)特征提取及特征分類算法。該算法主要包括ICA 算法對(duì)腦電信號(hào)進(jìn)行眼電等干擾信號(hào)去除，CSP算法對(duì)腦電信號(hào)進(jìn)行特征提取和KNN 算法對(duì)特征進(jìn)行分類識(shí)別。該算法的整體結(jié)構(gòu)框圖如圖2 所示。

圖2 ICA-CSP-KNN 算法的整體結(jié)構(gòu)框圖

1.2.1 基于ICA 的預(yù)處理

EEG 信號(hào)包含豐富的時(shí)間和空間信息，但是有用的信息往往被淹沒在無關(guān)的背景活動(dòng)中，而頭皮腦電信號(hào)由于其本身特性可能來自于不同位置且代表不同生理活動(dòng)的源成分信號(hào)的線性疊加[9]。因此本文采用ICA 去除腦電信號(hào)中包含的眼電等信號(hào)的干擾。逐次提取的快速獨(dú)立分量分析（FastICA）算法是基于定點(diǎn)迭代結(jié)構(gòu)的算法，目的為找到具有最佳投影方向的單位矩陣W，使原有數(shù)據(jù)在W方向上的投影WTX的非高斯性取得最大值[10]。

1.2.2 特征提取

對(duì)經(jīng)過預(yù)處理的數(shù)據(jù)經(jīng)過CSP 提取特征。CSP 能夠有效地提出EEG 信號(hào)的空域特征[11]。具體過程如下所示。

1）提取對(duì)應(yīng)的混合空間協(xié)方差矩陣R

X1和X2歸一化后的協(xié)方差矩陣R1和R2分別為

式中：XT表示X矩陣的轉(zhuǎn)置，trace（X）表示矩陣對(duì)角線上元素的和（i=1，2）分別為平均協(xié)方差矩陣。

2）對(duì)R進(jìn)行奇異值分解，得到白化特征值矩陣P

式中：U是矩陣的特征向量矩陣，λ是對(duì)應(yīng)的特征值構(gòu)成的對(duì)角矩陣。

3）對(duì)協(xié)方差矩陣進(jìn)行變換

4）對(duì)特征向量進(jìn)行主成分分解

式中：λ1和λ2是特征向量中存在的2 個(gè)對(duì)角矩陣，B為相同特征向量矩陣，I為單位矩陣。

5）計(jì)算投影矩陣W

6）求特征矩陣及其特征向量，即

式中：Zi為對(duì)應(yīng)的特征矩陣，fi為對(duì)應(yīng)的特征向量。

CSP 原理流程圖如圖3 所示。

圖3 CSP 原理流圖

1.2.3 特征分類

KNN 是一種有監(jiān)督學(xué)習(xí)方法[12]，本文用KNN 算法對(duì)特征數(shù)據(jù)進(jìn)行分類。KNN 訓(xùn)練階段使用經(jīng)過特征提取后的訓(xùn)練集EEG 信號(hào)和其對(duì)應(yīng)的類別標(biāo)簽，則訓(xùn)練集數(shù)據(jù)可表示為

式中：xi為樣本的特征向量，yi為樣本對(duì)應(yīng)的類別，m為樣本數(shù)量。

根據(jù)歐拉距離公式[13]

對(duì)于測(cè)試集數(shù)據(jù)在訓(xùn)練集中尋找與其最接近的k 個(gè)特征向量，根據(jù)少數(shù)服從多數(shù)的規(guī)則決定測(cè)試集的類別。

2 實(shí)驗(yàn)結(jié)果

本文用準(zhǔn)確度ACC（Accuracy）值和AUC（Area Under Curve）值以及均方誤差（MSE）作為分類效果的評(píng)判標(biāo)準(zhǔn)。ACC 值為準(zhǔn)確度，ACC 值越高，表示分類器分類正確率越高。

式中：TP，TN為分類正確的個(gè)數(shù)；FP，F(xiàn)N表示分類錯(cuò)誤的個(gè)數(shù)。式中分子表示分類正確的個(gè)數(shù)，分母表示分類總數(shù)。

AUC 表示ROC 曲線下的面積，AUC 值越大，表示分類器分類效果越好。

MSE 表示預(yù)測(cè)值與真實(shí)值的匹配接近程度，MES值越大，表示預(yù)測(cè)值與真實(shí)值差距越大。

圖4 為7 組受試者在本文提出方法下的分類效果圖。其中圖4（a）中為ACC 與AUC 值，圖4（b）中為MES 值。由實(shí)驗(yàn)結(jié)果可知，本文提出的ICA-CSP-KNN結(jié)合的運(yùn)動(dòng)想象腦電信號(hào)分類方法具有較好的分類效果，其中平均準(zhǔn)確率可達(dá)93%以上。

圖4 受試者兩類運(yùn)動(dòng)想象分類結(jié)果圖

3 結(jié)論

本文主要研究了2 類運(yùn)動(dòng)想象腦電信號(hào)的分類問題，針對(duì)EEG 信號(hào)的非平穩(wěn)、非線性的特點(diǎn)，本文提出了一種ICA-CSP-KNN 結(jié)合的運(yùn)動(dòng)想象腦電信號(hào)分類方法。利用ICA 對(duì)EEG 信號(hào)進(jìn)行噪聲去除，并通過CSP 進(jìn)行特征提取，之后利用KNN 分類器進(jìn)行特征分類，得到了93%的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，本算法具有較好的分類效果，為2 類運(yùn)動(dòng)想象腦電信號(hào)分類提供了一種有效的方法。