LMD算法在腦電信號特征提取中的應用

武警工程大學研究生管理大隊 周寧城 魏緒望 謝佳華

LMD算法在腦電信號特征提取中的應用

武警工程大學研究生管理大隊 周寧城 魏緒望 謝佳華

腦機接口（Brain Computer Interfaces，BCI）是一種不依賴于外周神經和肌肉組織，直接實現大腦與外部設備交互的全新的信息交換通路。局域均值分解（Local Mean Decomposition,LMD）作為近年來新興的時頻分析方法，在處理非線性、非平穩信號方面具有獨特的優勢。本文采用LMD算法對2003年國際BCI競賽數據進行處理，并用支持向量機（SVM）對提取的特征進行分類，驗證了LMD算法在腦電信號的特征提取中的有效性。

腦機接口；支持向量機；局域均值分解

1　 引言

腦電信號處理的方法種類繁多，大體可歸納為時域分析、頻域分析和時頻分析[1]。由于時域分析只能反映出信號幅值隨時間的變化，而頻域僅反映了各頻率分量的大小，因此兩者都存在一定的局限性。時頻分析方法能夠反映出信號能量在事頻空間的變化情況，對于處理非線性、非平穩的腦電信號有著顯著的優勢。局域均值分解（Local Mean Decomposition，LMD）是近年來新興的時頻分析方法。本文主要采用LMD算法對運動想象腦電信號進行分析處理，取得了較好的效果。

2　 LMD基本原理

LMD是一種自適應時頻分析算法，它將多分量信號分解為多個具有實際物理意義的乘積函數（Production Function,PF）之和，每一個PF分量都是包絡信號與調頻信號的乘積，其中，PF分量的瞬時頻率可由調頻信號求出，PF分量的瞬時幅值即為包絡信號，從而得到原信號的時頻分布[2]。對于信號，LMD分解過程如下：

利用滑動平均法對局域均值函數和局域包絡函數進行處理，直至任何相鄰點的值不相等，得到局域均值函數域包絡函數。

其中，每一階PF分量都包含著原信號的時頻特征。

3　 分類結果

支持向量機（SVM）是Vapnik通過總結分析統計學習理論，在線性可分的情況下尋找出最優分類面的分類算法[3]。從物理含義上分析，支持向量機就是通過內積函數將輸入空間非線性變換到一個高維的輸出空間，在這個高維的輸出空間中尋求最優分類面。

本文以第二屆年國際BCI競賽的左右手運動想象腦電數據為研究對象，該數據由奧地利GRAZ大學腦機接口實驗中心提供，為公開的國際權威數據。采用LMD算法求出腦電信號的各階PF分量，將前三階PF分量的能量值作為腦電信號的特征值送入SVM分類器進行分類判別，最高分類準確率達到了86.8%。實驗結果表明，LMD能夠有效地提取腦電信號的時頻特征，在腦電信號特征提取中具有很大的應用價值。

[1]王新光,鄒凌,段鎖林等．腦機接口技術的研究與進展[J]．中國組織工程研究與臨床康復,2008,12(39):7722-7724．

[2]鄭佳寧．局域均值分解算法研究及其應用[D]．西安:西安電子科技大學,2012．

[3]范昕煒．支持向量機算法的研究及應用[D]．杭州:浙江大學,2003．和局

周寧城（1991—），男，武警工程大學信息與通信工程專業碩士研究生在讀，主要研究方向：腦機接口，信號處理。