融合多維特征與多元宇宙優(yōu)化算法的腦電信號(hào)處理

摘 要： 針對(duì)運(yùn)動(dòng)想象腦電信號(hào)（MI-EEG）具有非線(xiàn)性、時(shí)變復(fù)雜、分類(lèi)識(shí)別準(zhǔn)確率低等問(wèn)題，提出一種基于多維特征融合并使用多元宇宙算法優(yōu)化支持向量機(jī)的方法進(jìn)行腦電信號(hào)處理。首先，使用小波包變換（WPT）對(duì)預(yù)處理后的EEG 信號(hào)進(jìn)行時(shí)頻分解，并選擇與運(yùn)動(dòng)想象相關(guān)的時(shí)頻信息；然后，分別通過(guò)模糊散布熵（fuzzy dispersion entropy，F(xiàn)DE）和公共空間模式（CSP）對(duì)WPT 獲得的特征集進(jìn)行處理，得到相應(yīng)的非線(xiàn)性特征和空域特征，并通過(guò)并行特征融合方法將兩組特征進(jìn)行融合；最后，導(dǎo)入基于多元宇宙優(yōu)化算法（multi verse optimizer，MVO）優(yōu)化的支持向量機(jī)（SVM）分類(lèi)器中實(shí)現(xiàn)最終的分類(lèi)任務(wù)。分別在2003 年和2005 年國(guó)際BCI 大賽數(shù)據(jù)集上進(jìn)行驗(yàn)證，最終平均分類(lèi)準(zhǔn)確率達(dá)到93.57% 和88.03%，可知該文方法在分類(lèi)準(zhǔn)確率上得到顯著提高。

關(guān)鍵詞： 腦電信號(hào); 特征融合; 模糊散布熵; 多元宇宙優(yōu)化算法

中圖分類(lèi)號(hào)： TB9; TP391 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1674–5124（2025）03–0131–08

0 引 言

腦機(jī)接口（brain-computer interface，BCI）是大腦與外部設(shè)備進(jìn)行連接，使人腦與外部設(shè)備直接進(jìn)行信息交互的一種方式[1]。BCI 作為一門(mén)新型交叉學(xué)科，現(xiàn)已經(jīng)越來(lái)越受到關(guān)注[2]，其中運(yùn)動(dòng)想象腦電信號(hào)（motor imagery electroencephalogram，MI-EEG）是腦機(jī)接口的重要范式之一[3]。

針對(duì)運(yùn)動(dòng)想象腦電信號(hào)（MI-EEG）非平穩(wěn)性、非線(xiàn)性、非周期性、時(shí)變復(fù)雜等特點(diǎn)，研究者們正在優(yōu)化特征提取算法和采用性能更好的分類(lèi)識(shí)別算法。Mishuhing 等[4] 提出一種將提取的空間濾波器特征加權(quán)并對(duì)其特征譜進(jìn)行正則化的方法，其技術(shù)核心是利用所有CSP 特征來(lái)避免信息丟失，同時(shí)解決了腦電信號(hào)處理中數(shù)據(jù)過(guò)擬合的問(wèn)題，但正則化分類(lèi)器的特征權(quán)重會(huì)對(duì)分類(lèi)結(jié)果產(chǎn)生很大的影響，因此分類(lèi)準(zhǔn)確率仍有待提高。Park 等[5] 在前人基礎(chǔ)上，提出一種子帶正則化共空間模式算法（sub-bandregularized common spatial pattern， SBRCSP），其通過(guò)將正則化公共空間模式應(yīng)用于單個(gè)子帶，并使用不同的頻帶克服了對(duì)頻率范圍的依賴(lài)。SBRCSP 首次同時(shí)克服了小樣本設(shè)置情況下的協(xié)方差矩陣估計(jì)問(wèn)題和對(duì)頻帶的依賴(lài)性問(wèn)題，但適合計(jì)算正則化項(xiàng)的試驗(yàn)次數(shù)至少100 次以上才能獲得最佳性能，因此接下來(lái)需要進(jìn)一步研究確定適當(dāng)?shù)恼齽t化參數(shù)和計(jì)算最佳正則化項(xiàng)。

雖然傳統(tǒng)的單一特征提取算法以及改進(jìn)算法在某些應(yīng)用場(chǎng)景中仍然有效，但其只能描述有限的信息，為了充分利用不同領(lǐng)域的更多特征以提高分類(lèi)性能，通常需要使用多維度特征融合的方法[6]。除此之外，由于非線(xiàn)性分析方法可以通過(guò)復(fù)雜的數(shù)學(xué)模型提取更多的特征。因此研究者們將非線(xiàn)性分析方法引入到腦電信號(hào)特征提取中，從而更好地反映腦電信號(hào)的動(dòng)態(tài)特性。

苗敏敏等[7] 使用自適應(yīng)優(yōu)化空頻微分熵對(duì)情緒腦電特征進(jìn)行提取，技術(shù)上根據(jù)導(dǎo)聯(lián)重要性進(jìn)行通道選擇，并利用稀疏回歸算法對(duì)多個(gè)局部空間-頻域上的微分熵特征進(jìn)行優(yōu)化篩選。算法優(yōu)點(diǎn)是特征識(shí)別精度數(shù)值較小，具有較好的魯棒性，但是計(jì)算開(kāi)銷(xiāo)大于單一微分熵算法，在接下來(lái)將采集更多不同被試腦電信號(hào)，來(lái)進(jìn)一步優(yōu)化和改進(jìn)算法性能。Chen 等[8] 提出了一種基于微分熵和線(xiàn)性判別分析相結(jié)合的情感腦電特征提取方法，使用微分熵提取時(shí)相信息來(lái)反映腦電變化，并用LDA 算法保留有效的特征信息來(lái)減少數(shù)據(jù)維度，因此縮短了算法運(yùn)行時(shí)間且提升了分類(lèi)準(zhǔn)確率。但所提方法并不能直接降低分類(lèi)方法的時(shí)間復(fù)雜度，因而在今后需要繼續(xù)優(yōu)化算法模型，進(jìn)一步降低運(yùn)行時(shí)間并提高準(zhǔn)確率。Ji 等[9] 為解決寬帶覆蓋問(wèn)題，使用離散小波包與經(jīng)驗(yàn)?zāi)Ｊ椒纸夂徒旗剡M(jìn)行融合的特征提取方法，EMD 算法可以有效去除不相關(guān)信號(hào)，提高信噪比。所提算法優(yōu)點(diǎn)是大大降低了時(shí)間復(fù)雜度，不足是近似熵的統(tǒng)計(jì)上存在不一致，因此準(zhǔn)確率上還有較大提升空間，可以繼續(xù)優(yōu)化模型，提升準(zhǔn)確率；由于該算法模型較低的時(shí)間復(fù)雜度，為今后便攜式BCI 系統(tǒng)的信號(hào)在線(xiàn)采集提供了可行性。

鑒于非線(xiàn)性分析方法在腦電信號(hào)特征提取中的顯著效果，本文引進(jìn)一種新的非線(xiàn)性分析方法——模糊散布熵（fuzzy dispersion entropy，F(xiàn)DE）[10] 到運(yùn)動(dòng)想象中，并融合小波包變換以及公共空間模式提取混合特征，這樣可以更加高效、更穩(wěn)定和多樣地提取腦電信號(hào)的特征。最后，使用多元宇宙優(yōu)化算法（MVO）對(duì)SVM 的懲罰因子與核參數(shù)優(yōu)化選取最優(yōu)值，構(gòu)成MVO-SVM 分類(lèi)模型[11] 進(jìn)行最終分類(lèi)，實(shí)驗(yàn)通過(guò)腦機(jī)大賽標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行驗(yàn)證。

1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理

1.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)所用數(shù)據(jù)均為國(guó)際BCI 競(jìng)賽數(shù)據(jù)集，其中實(shí)驗(yàn)使用2003 年BCI 競(jìng)賽中Data set Ⅲ數(shù)據(jù)集，驗(yàn)證數(shù)據(jù)集使用2005 年BCI 大賽Data set Ⅲa。