基于MODWT的運動想象腦電信號識別

李東明,王典洪,嚴 軍,王永濤,宋麥玲,余蓓蓓

(中國地質大學a.信息技術教學實驗中心;b.機械與電子信息學院,武漢430074)

基于MODWT的運動想象腦電信號識別

李東明a,王典洪b,嚴 軍b,王永濤a,宋麥玲a,余蓓蓓b

(中國地質大學a.信息技術教學實驗中心;b.機械與電子信息學院,武漢430074)

對運動想象腦電信號進行分類識別,是腦機接口研究中的重要問題。為此,提出一種基于極大重疊小波變換和AR模型的腦電信號分類方法。將腦電信號波形進行極大重疊小波分解,抽取變換系數的統計特征,利用Burg算法提取其3層光滑的8階AR模型系數以及3層光滑部分的能量曲線特征,將這3類特征進行組合后,使用神經網絡、支持向量機及線性判別進行分類和比較。與BCI2003競賽數據分類精度結果相比,該方法的識別率更高。將模型移植入自行研制的嵌入式腦電信號控制電機轉向系統中,該模式識別方法的平均準確度達到了91.3%,可用于嵌入式腦機接口的系統設計。

腦機接口;運動想象;極大重疊小波變換;能量曲線;模式分類;電機轉向控制

1 概述

腦機接口(Brain Computer Interface,BCI)技術繞開了大腦外周神經和肌肉組織,通過在人腦和計算機與外部設備之間建立起一種新的通信通路,可以幫助肢體殘疾但思維意識正常的患者,為運動功能障礙患者提供了一種新的康復手段,使其在一定程度上修復與外界的信息交流功能[1-3]。目前BCI技術已成為一個涉及生物工程、通信、計算機技術等多領域的研究熱點。

特征提取是BCI系統中的關鍵技術之一。常用的方法有快速傅里葉變換(FFT)、尺度不變特征變換(SFT)、增強現實技術(AR)、小波分析等方法[3-5]。傳統傅里葉分析在平穩信號分析中發揮了重要作用,但對于具有局部時間特性的信號卻無能為力;SFT在一定程度上彌補了FFT局部分析能力的不足,但其本身也有缺陷,SFT的分析對象是有限時間支撐內信號特征的平均量,短時間支撐等同于高的時間分辨率;而長的時間支撐等同于高的頻率分辨率。時間域的高分辨率與頻率域高分辨率不可能同時獲得。AAR模型參數具有隨著樣本點變化的特點,這個特點和大腦思維過程的狀態改變有相似性。但該方法不適合高度非平穩運動想象EEG信號。小波變換的時間分析窗口在分析低頻信號時寬,分析高頻信號時窗口自動變窄,這種特性和低頻信號變化緩慢而高頻信號變化較快的特點相對應,因而它更適合對非平穩的EEG信號進行分析,但是通常小波變換要求分析信號的數據長度必需為2的整數次冪,在計算過程中,需要通過增加或者減少序列的長度以應對小波分析的數據長度。另外,利用小波變換對信號進行分解,對信號的時間起點極為敏感[6-7]。

綜上所述,本文利用極大重疊離散小波變換(Maximum Overlap Wavelet Transform,MODWT)對EEG序列進行分解與重構,以識別腦電信號。MODWT是在小波變換的基礎上改進得到的,在信號分解與重構時對腦電信號的長度和時間起點沒有要求,避免了腦電信號的時間起點不是特別明確的問題,適用性更廣。

本文提出一種基于極大重疊小波系數的特征提取方法,將大腦C3,C4兩路運動想象腦電信號進行極大重疊小波分解,將腦電信號的能量曲線特征、對應頻帶小波系數的均值、方差等特征結合腦電信號光滑成分的8階AR模型系數作為特征向量。

2 實驗數據

2003年世界著名的4個BCI研究中心聯合舉辦了被稱為“BCI Competition 2003”的腦電信號分析競賽[8]。首先采用奧地利格拉茲工業大學腦機接口研究中心提供的運動想象腦電數據(Data setⅢ)對算法進行初步分析,得到最優的分類算法,然后在設計的腦電控制電機的嵌入式系統中進行進一步驗證。實驗由在線BCI系統組成,時序如圖1所示。

圖1 實驗時序以及電極安裝的位置

實驗采用AgCl電極,數據從國際標準的10～20導聯系統的C3,CZ,C4這3個通道獲得。所有實驗包含各140次(70次想象左手運動,70次想象右手運動)樣本以及測試數據。實際分析時只采用了C3,C4這2個通道的數據。

3 特征向量的提取方法

3.1 極大重疊小波變換域系數的特征提取

3.1.1 小波變換域系數特征提取的缺陷

小波變換實質上是將待分析的信號展開成一組基函數的加權之和。函數f(t)∈L2(R)的連續小波變換的定義為[6]:

尺度因子a＞0的作用是將小波進行伸縮,b∈R是位移因子。當a＞1時,則用展寬的ψ(t)觀察信號頻率分辨率的提高;當0＜a＜1時,則用變窄的ψ(t)觀察信號,時間分辨率提高。這樣可以使用不同的分辨率對信號進行觀察。實際計算中采用Mallat快速算法:

其中,cj,dj分別是不同分辨率下的離散尺度系數和小波系數;gn,hn分別為尺度濾波器和小波濾波器,且滿足條件:

在腦電信號的采集過程中,由于個體反應的差異,當刺激或者命令產生后,普通的受試者由于沒有經過訓練,或者由于受試疲勞,腦電響應可能會有短暫延時。這樣的腦電信號如果直接利用某個小波基(多比希系列小波基)進行分析,并從小波系數中提取特征,會因為小波分析對信號的時間起點具有敏感性而帶來誤差。

以一個短時脈沖信號為例,圖2表明小波分析對時間的起點是有依賴性的。

圖2 使用db8小波的3層分解

3.1.2 極大重疊小波變換域系數的統計特征提取

對2.1.1節中的短時脈沖時間序列的極大小波變換如圖3所示。從圖中可以看到,MODWT對信號的時間起點不敏感。

圖3 脈沖信號X的5層極大重疊小波變換

極大重疊離散小波變換(MODWT)是在小波變換的基礎上改進得到的,與經典DWT不同, MODWT是一個高度冗余的,同時對樣本容量沒有要求的非正交小波變換。MODWT的小波濾波器與尺度濾波器通過下式定義[6-7]:

因此MODWT滿足條件:

因為MODWT對信號的時間起點不敏感,所以利用MODWT對EEG信號進行分析,即使不同的個體腦電信號出現的時間點有差別,但是不影響同類腦電信號特征的提取。

本文分析的運動腦電數據的采樣頻率為128 Hz,將信號分解到第3層,信號分解后的細節部分為D1～D3,光滑部分為S。光滑S對應的最低頻帶為0～8 Hz,D3對應8 Hz～16 Hz,對應α(9 Hz～12 Hz)波段;D2對應16 Hz～32 Hz,對應β(19 Hz～26 Hz)波段;D1對應32 Hz～64 Hz。而腦電信號的ERD/ERS主要就出現在這2個波段[9-12],選擇D2和D3進一步分析,為了進一步減少特征向量的維數,本文提取了MODWT的均值、能量均值、均方差3個統計特征。

3.2 變換域AR模型系數的特征提取

AR模型又稱為自回歸模型,可用如下差分方程來表示:

其中,ε(n)是均值為0、方差為σ2的白噪聲序列;P為AR模型的階數;αp(i),i=1,2,…,P為P階AR模型的參數。所以,腦電信號序列x(n)可以看作白噪聲通過AR模型H(z)的輸出。構建AR參數模型的階數過高或者過低都會影響分辨率。本文利用8階AR模型從經過腦電信號的光滑成分中提取8個AR模型系數,作為運動想象腦電信號的又一個特征向量。提取流程如圖4所示。

圖4 EEG信號3層光滑S3的8階AR模型系數提取流程

3.3 利用能量聚類特性的特征提取

人腦想象單側肢體運動時會導致大腦對側的運動感覺區域的Mu節律和beta節律能量減小,而同側的運動感覺區域的Mu節律和beta節律能量增強,這種現象被稱為事件相關去同步和事件相關同步[13]。根據該生理特性,設LEC3,LEC4,REC3,REC4分別表示腦電信號C3,C4通道運動想象左、右的平均能量,定義如下:

按下式組合成2類曲線:TL=[LEC3LEC4],TR=[REC3REC4],分別表示左運動想象與右運動想象的能量曲線,其變化趨勢如圖5所示。C3, C4這2個通道的數據各持續6 s,因此,時間軸總共持續12 s。

圖5 EEG信號3層光滑的平均能量曲線

從圖5中可以看出,C3,C4這2個通道的腦電信號能量的變化時間特性不同。想象左手運動時,TL=[LEC3LEC4]曲線的前半部分在TR=[REC3REC4]的上方,呈現能量增強,同時,TL=[LEC3LEC4]曲線的后半部分在TR=[REC3REC4]的下方,呈現能量減弱;想象右手運動時,TL=[LEC3LEC4]曲線的前半部分在TR=[REC3REC4]的下方,呈現能量減弱,而此時,TR=[REC3REC4]的左半部分能量得到增強。TL,TR兩類曲線在進行左右手想象時,呈現能量對稱的趨勢,并且在最初的0.5 s～2 s內呈現能量差異化最大。因此,腦電信號的早期能量差異可以用作特征進行腦電的識別。特征提取步驟如下。

Step 2 計算左、右手想象時的能量曲線:TL= [LEC3LEC4],TR=[REC3REC4]。

Step 4 計算相對能量曲線:TC3=EC3-LEC3,TC4=EC4-LEC4;或者TC3=EC3-REC3,TC4=EC4-REC4。

Step 5 設置一個長度為N的滑動窗口,將TC3,TC4分別分割成長度為N的若干子序列,并計算每個序列的均值、方差,得到一組模式向量:T= [PC3PC4],其中,PC3,PC4如下:

這樣最終每個通道就獲得了6個極大重疊小波系數的統計特征、8個AR模型系數以及基于能量特性曲線的極大重疊小波系數的統計特征,取m= 128,則本文共計48個特征,將它們作為分類器的輸入特征向量。

4 腦電模式分類

4.1 BP網絡分類

BP算法是一種監督式的機器學習算法,其主要思想為誤差后向傳播法。本文用創建一個輸入層節點數為30、隱含層神經元個數為20、輸出節點數為2的BP神經網絡。圖6顯示了不同小波基提取的特征利用BP的分類結果,最好的識別率達到88.1%,而利用 MODWT提取的特征最好分類效果達92.1%。

圖6 BP網絡的分類結果

4.2 支持向量機分類

首先利用訓練樣本向量確定判別函數f(X),然后結合訓練樣本,根據Sgn(f(X))值的不同進行分類。Sgn(f(X))為1對應于向左運動想象EEG;如果Sgn(f(X))為-1,則對應于向右運動想象EEG。圖7顯示了不同小波基下支持向量機的分類結果,最好的識別率達到91.0%。利用MODWT提取的特征最好分類效果達91.8%。

圖7 支持向量機的分類結果

4.3 歐氏距離分類判別

首先,通過訓練數據的2個通道的運動想象腦電特征矢量的均值PC組成左右手想象運動的n維矢量中心。按照第2節中的方法提取每個通道的某次實驗的C3,C4通道曲線的特征向量,并計算該時間段內和中心之間的歐式距離D1,如果它到集合G1的距離短,它就屬于第1類,否則為第2類。圖8顯示了不同小波基下歐式距離線性判別的分類結果,最好的識別率達到91.5%,而利用MODWT提取的特征最好分類效果達92.86%。

圖8 歐式距離線性判別的分類結果

4.4 結果分析

基于距離的分類器獲得了最好的分類效果。表1為BCI Competition 2003腦機接口大賽參賽對本組數據所使用的方法和結果[8]。本文的特征提取和分類算法對BCI2003的競賽數據Data set III處理的最優結果為92.86%,相對現有的特征提取方法有較大的提高,與競賽的最優識別率89.29%也有3.6%的提高,并且MODWT消除了因為不同小波基所帶來的影響,基本保持識別率在一個較高的水平。

表1 本組數據所使用的方法以及前3名識別率

表2顯示了不同特征提取方法歐氏距離線性判別的最優分類結果。本文基于極大重疊小波變換的特征提取方法結合了極大重疊小波分析、AR模型的優點,結果更優。

表2 利用距離線性判別的分類結果對比

5 實驗驗證

為進一步驗證本文方法的有效性,建立了腦電信號控制電動機系統。腦電信號控制電動機系統需要實現腦電信號的在線采集、特征提取和分類、電機的控制等功能。系統硬件由電極帽、腦電導聯線、腦電信號調理系統、以PIC32系列80 MHz主頻32位MCU為核心的數據采集與處理主控系統、電機控制系統組成。自行研制腦電放大器(放大倍數: 110 000倍,AD分辨率:16位)完成腦電信號的采集,數據在主控系統中完成腦電信號的特征提取和分類。分類結果通過無線方式發送至電機控制系統,電機控制系統根據不同命令控制電機的正反轉。整個系統的構成如圖9所示。

圖9 EEG信號控制電機系統

圖10 為受試者利用腦電信號控制電動機的實驗照片,顯示器上隨機出現向左移動或者向右移動的箭頭提示受試者想象左手或者右手運動,受試者想象左手運動控制電機左旋,想象右手運動控制電機右旋。

圖10 腦電控制電機左、右旋轉的實驗照片

差分運動想象腦電信號從大腦C3和C4處獲取后,送入32位處理器PIC32mx795進行特征提取,并利用歐氏距離線性判別分類器進行分類,分類結果通過無線發送至電機系統的控制系統并控制電機轉向。大量實驗證實了識別算法的有效性,并且也為系統的改進積累了經驗。

表3為部分受試者在不同訓練強度下使用腦電信號控制機械手時的準確率,平均達到了91.3%,相比文獻[14]提高了1.8%。

表3 不同訓練強度下腦電信號控制電機的準確率

圖11給出了受試者N3的一組實驗結果,將N3的向左、右運動想象的C3,C4通道數據分別進行平均,從功率譜可以看出有明顯的能量對稱特性,該受試者的C3,C4信號頻譜集中在10 Hz和20 Hz附近,并且左側與右側的10 Hz左右的能量譜峰呈此消彼長關系。

圖11 左、右運動想象情形下的功率譜

6 結束語

采用運動想象腦電信號作為BCI的輸入,最大的特點是不需要外部裝置對人體進行刺激,使用者的運動想象就可以在大腦運動感覺皮層產生EEG信號。BCI系統采集這些信號經過處理后得到控制指令,從而實現大腦和外界的交流與溝通。本文針對運動想象腦電信號的識別提出了一種基于極大重疊小波分析的特征提取方法,將大腦C3,C4想象腦電信號進行極大重疊小波分解,利用腦電信號的能量曲線特征、對應頻帶小波系數特征、腦電信號光滑成分的8階AR模型系數作為特征向量,消除了對時間分析起點的依賴性。實驗對比了多種分類方法,對BCI2003的競賽數據DatasetⅢ處理的最優結果為92.86%。與BCI2003競賽的最優識別率89.29%相比提高了3.6%。本文最終將歐氏距離線性判別分類器移植進嵌入式電機系統中進行了檢驗,實驗結果表明,可以在此基礎上設計可靠的電機轉向控制系統。

[1] Van Gerven M,Farquhar J,Schaefer R,et al.The Braincomputer Interface Cycle[J].JournalofNeural Engineering,2009,6(4):1-10.

[2] 高上凱.淺談腦——機接口的發展現狀與挑戰[J].中國生物醫學工程學報,2007,26(6):801-803.

[3] 徐寶國,宋愛國.基于小波包變換和聚類分析的腦電信號識別方法[J].儀器儀表學報,2009,30(9):25-28.

[4] 高克芳,陳亞光.基于小波的模擬自然閱讀事件相關電位的單次提取[J].電子學報,2006,34(10): 1856-1859.

[5] Pfurstcheller G,Neuper C.Motor Imagery and Direct Brain-computer Communication[J].Proceedings of the IEEE,2001,89(7):1123-1134.

[6] Percival D B,Walden A T.時間序列分析的小波方法[M].程正興,譯.北京:機械工業出版社,2006.

[7] Howe D A,Percival D B.Wavelet Variance,Allan Variance,andLeakage[J].IEEE Transactionson Instrumentation and Measurement,1996,44(2):94-97.

[8] Blankertz B,Muller K R,Curio G,et al.The BCI Competition 2003:Progress and Perspectives in Detection and Discrimination of EEG Single Trials[J].IEEE Transactions on Engineering,2004,51(6):1044-1051.

[9] Subasi A.EEG SignalClassification Using Wavelet Feature Extraction and a Mixture of Expert Model[J]. Expert System with Application,2007,32(4):1084-1093.

[10] Rosso O A,Martin M T,Figliola A,et al.EEG Analysis Using Wavelet-based Information Tools[J].Journal of Neuroscience Methods,2006,153(2):163-182.

[11] Pfurstcheller G,Lopes S F H.Event-related EEG/MEG Synchronization and Desynchronizaiton:Basic Principles [J].ClinicalNeurophysiology,1999,110(11): 1842-1857.

[12] Houdayer E,Labyt E,Cassim F,et al.Relationship Between Event-related Beta Synchronization and Afferent Inputs:Analysis of Finger Movementand Peripheral Nerve Stimulations [J]. Clinical Neurophysiology,2006,117(3):628-636.

[13] Kalcher J,Pfurtscheller G.Discrimination Between Phase-locked and Non-phase-locked Event-related EEG Activity[J].Electroencephalography and Clinical Neurophysiology.1995,94(5):381-384.

[14] 徐寶國,宋愛國,費樹岷.在線腦機接口中腦電信號的特征提取與分類方法[J].電子學報,2011,39(5): 1025-1030.

編輯 顧逸斐

Movement Imagery Electroencephalogram Recognition Based on MOWDT

LI Dong-minga,WANG Dian-hongb,YAN Junb,WANG Yong-taoa,SONG Mai-linga,YU Bei-beib
(a.Teaching and Experiment Centre of Information Technology;
b.School of Mechanical and Electronic Information,China University of Geosciences,Wuhan 430074,China)

To classify and recognize the movement imagery electroencephalogram,is an important problem in Brain Computer Interface(BCI)research.This paper presents a novel method of extracting Electroencephalogram(EEG) features based on Maximum Overlap Wavelet Transform(MODWT)and Autoregressive(AR)model.The EEG signal is decomposed to three levels by MODWT and statistics of wavelet coefficients are computed.Meanwhile,in the EEG signal’s approximation part,the eighth-order AR coefficients are estimated by Burg’s algorithm,and energe feature vector is also extracted.The combination features are used as an input vector for Neural Network(NN)classifier,Support Vector Machine(SVM)classifier,and Linear Discriminant Analysis(LDA)classifier.The recognition result using BCI2003 competition data set is compared with the best result of the competition,and the classification results show the higher recognition rate of the algorithm.Moreover,transplanting the trained successfully model into embedded motor steering control system based on EEG,and the average recognition accuracy of 91.3% is obtained.The method provides a new idea for the study of embedded BCI system for practical application.

Brain Computer Interface(BCI);movement imagery;Maximum Overlap Wavelet Transform(MODWT); energy curve;pattern classification;motor steering control

1000-3428(2014)10-0161-07

A

TN911.7

10.3969/j.issn.1000-3428.2014.10.031

中央高校基本科研業務費專項基金資助項目(CUGL120278);湖北省自然科學基金資助項目(2011335070)。

李東明(1982-),男,講師、博士,主研方向:腦機接口技術,圖像處理;王典洪,教授;嚴 軍,副教授;王永濤、宋麥玲,講師;余蓓蓓,講師。

2013-09-02

2013-10-23E-mail:universeli@163.com

中文引用格式:李東明,王典洪,嚴 軍,等.基于MODWT的運動想象腦電信號識別[J].計算機工程,2014, 40(10):161-167.

英文引用格式:Li Dongming,Wang Dianhong,Yan Jun,et al.Motor Imagery Electroencephalogram Recognition Based on MOWDT[J].Computer Engineering,2014,40(10):161-167.