Research of Fusion Classification of EEG Features for Multi-Class Motor Imagery*

ZHANG Huan，QIAO Xiaoyan（College of Physics and Electronics Engineering，Shanxi University，Taiyuan 030006，China）

?

Research of Fusion Classification of EEG Features for Multi-Class Motor Imagery*

ZHANG Huan，QIAO Xiaoyan*
（College of Physics and Electronics Engineering，Shanxi University，Taiyuan 030006，China）

In view of the problems of pattern simplification，low accuracy of classification and poor practicability in motor imagery BCI，they improve feature extraction method to common spatial pattern（CSP），and the support vector machine（SVM）is used to carry out multi-class classification，combining with the CSP to classify the feature signal of EEG.Firstly，they select EEG signal in the specific channel to do wavelet decomposition and reconstruction，in or?der to remove redundant information；Secondly，they improve the method，by doing subtractions between different characteristic parameters，and obtain obvious characteristics of EEG；Finally，the SVM is used to carry out multitask classification，combining with the CSP to classify the feature signal of EEG.Using BCI competition data，the four kinds of motor imagery tasks of left hand，right hand，tongue and feet are identified based on EEG signals.Ex?perimental results show that the correct rate of classifying is 90.9%for maximum，the average accuracy rate is 86.4%，the Kappa coefficient is 0.8867，and the information transmission rate was 0.68bit/trial and the method can extract EEG features effectively and achieve better classification to a multi-task motor imagery of EEG signals.

BCI；motor imagery；feature extraction and classification；wavelet transform；common spatial pattern；support vector machine

腦-機接口（BCI）是在人腦和計算機或其他電子設備之間建立不依賴于常規大腦信息輸出通路（外周神經和肌肉組織）的全新對外信息交流和控制技術［1］。BCI技術在助殘及康復工程、正常人輔助控制、娛樂等領域有著廣泛的應用前景，正受到世界范圍內更多的關注和研究。

對BCI中的運動想象腦電信號進行模式識別，國內外已進行了較多研究，但目前對于四模式運動想象腦電識別還存在分類正確率較低且不穩定，所用導聯數目多，算法復雜導致實際應用不理想等。Ghaheri H等人［2］采用對每個不同的腦電信號時間段進行共空間模式（CSP）的特征提取以及LDA線性分類器進行分類，可達到80.0%的分類正確率，由于時域分析時間開銷大，同時使用了22個腦電導聯，增加了應用的復雜性。Luis F Nicolas-Alonso等人［3］對22個腦電導聯信號濾波后，用CSP提取特征結合譜回歸核判別分析對四種任務運動想象的腦電分類，最好的分類正確率為94%，Kappa值為0.92，但對應的平均正確率卻只有73%，Kappa值為0.64。雖然最高的正確率較好，但平均正確率較低，使得實際應用缺乏穩定性。天津大學萬柏坤等人［4］采用二維時頻分析結合Fisher分析的方法特征提取，使用支持向量機分類處理四種不同肢體部位動作識別，識別率達到85.71%，實驗中使用了60個導聯上的數據，操作復雜可使用性不強。王瑞敏等人［5］用短時傅里葉變換分解轉變成多頻段的時頻信號，然后采用CSP結合支持向量機（SVM）方法對單個導聯上的運動想象腦電信號分類識別，最佳識別準確率為88%，平均準確率只有65%，且在減少導聯時，識別正確率大幅下降。

在運動想象腦電特征提取方面，尤其在多類任務模式的BCI研究中，CSP方法因其生成的空域濾波器可有效提高信號的信噪比，不需要過多的人工干預，使其得到了廣泛應用。但因使用過程中需要多個導聯，限制了其應用范圍。本文將原始腦電信號經過小波分解與重構［6］，既去除了冗余信息同時又把單一的腦電信號轉化成不同頻段上的多個信號，較好的解決了共空間模式方法需要多導聯信號的不足之處，同時在CSP結果輸出時，將不同信號對應的特征作差處理作為新的特征值，可在使用較少腦電導聯情況下有效提取特征信號。在多任務分類時，SVM容易出現無法分類的情況，從而導致分類過程多次循環，也容易出現錯分。文中利用徑向基SVM融合CSP作為分類方法，在SVM分類出現無法判斷時，融合CSP的判斷結果，在提高分類準確度的同時也保證了系統的穩定性，減少分類算法的運行時間，為實際應用提供了良好的條件。因此，采用小波-共空間模式方法進行腦電特征提取，將SVM和CSP進行融合特征分類，對多模式運動想象腦電識別取得了較好的結果。

1　算法基本理論

1.1小波變換

腦電信號是一種時變非平穩信號，傳統的時域和頻域分析方法不能分辨出某個時間范圍內包含的頻率成份以及一些瞬變細節特征，小波分析［7］是一種多分辨率的時頻信號分析方法，具有變焦距特性，可以在頻域和時域同時分析非平穩時變信號。

小波變換是信號f（x）與小波函數ψa，b（x）做內積，即

在應用中，Mallat算法［8］占有非常重要的地位，它給出了小波分解與重構的快速算法。小波變換分解和重構公式為：

其中，cj，k為分解后的逼近系數，即信號低頻分量，dj，k為分解后的細節系數，即高頻分量。h和g為小波濾波器組，j為分解層數，N為離散采樣點數。式（3）為小波變換的重構公式。

1.2共空間模式

CSP［9］是一種針對兩任務條件下的運算方法，其基本原理是：首先，對兩個協方差矩陣同時對角化；其次，應用主成分分析方法和空域子空間分析提取兩種任務的空間成分；最后，根據所提取到的空間成分構建各類空域濾波器，使得兩類別之間的差異最大化，從而完成兩類信號的特征提取和分離。

對于多類任務想象運動電腦信號，該方法勢必造成識別率的下降，因此CSP必須進行改進。采用‘一對多’CPS算法，把其中一個作為一類，剩余的所有作為第二類，轉化成兩分類問題進行處理。對于N分類問題，只需要構建N個空間濾波器即可。如，經過類1空間濾波器映射后得到一個新的信號Z1

其中，F1為類1空間濾波器，Ei是單次腦電信號，則其余類別對應的空間濾波器分別是Z2，Z3，Z4。式（5）和式（6）是對Zi能量信號求方差取對數得到不同的f值并做差處理，作為最終的特征向量fd。

1.3支持向量機

SVM是以統計學習理論為基礎的一種機器學習算法，其用于分類的實質是尋找一個最優分類超平面。它通過非線性映射（核函數）將低維空間線性不可分的數據轉化到高維空間，并在高維空間尋求一個能實現數據分類的最優分類超平面［10］。選擇不同的核函數，數據就形成不同的映射算法，只要滿足Mercer條件即可。在低維空間中最優決策函數表達公式為：其中，N為支持向量的個數，ai為Lagrange乘子，（xi，y）i為對應的觀察樣本數據，b為分類的閾值，K（x·xi）為核函數，常用的核函數有：①線性核函數K（u，v）=u·v，其相對簡單，解決相對簡單的分類問題。②多項式核函數K（u，v）=（u@v+1）q，q＞0，也稱q階多項式分類器。

支持向量機是針對二分類問題提出的，為實現對多個模式類別的識別，需要對SVM進行推廣。多分類算法主要有‘一對一’法，‘一對多’法，‘決策樹’法等。其中‘一對一’的解決方法是在K類問題中進行兩兩組合，構建k（k-1）/2個分類器，每個分類器完成其中兩類的訓練。分類時，首先每個子分類器對待分類樣本進行判斷，給出分類結果即‘投票’。然后總結所有分類器的‘投票’結果，得票最多的那個類別就是分類的最終結果，如果出現票數一樣時，則返回重新判斷。經過仿真實驗對比幾種多分類的SVM方法，結果表明：‘一對一方法在運動想象腦電分類應用中，方法簡單，而且性能穩定。

2　實驗數據采集

采用BCI 2005data sets шa的競賽實驗數據［11］。受試者放松靜坐在椅子上，根據計算機上出現的提示做想象運動，如圖1、圖2所示。實驗前2 s，受試者保持安靜準備狀態。第2 s時，計算機發出短暫的蜂鳴聲同時屏幕上出現‘+’。3 s時，出現隨機的左右上下箭頭，同時受試者按照提示做相應的想象左手，右手，舌和腳的運動，直到7秒結束作為一次試驗。由k3b，k6b和l1b這3名受試者完成所有實驗，其中k3 b進行了360次試驗，采集360組實驗數據，有標簽的數據為180組。k6b和l1b各采集240組的實驗數據，有標簽的數據各為120組。數據由64導聯的Neuroscan腦電儀采集得到，采樣頻率為250 Hz，實驗過程如圖1所示，本文使用與運動想象相關的5個導聯的腦電電極數據，電極位置如圖2所示。

圖1　實驗過程時序圖

圖2　電極示意圖

3　腦電特征提取和分析

3.1腦電信號小波變換處理

大腦進行運動想象時，腦電活動有關頻段主要分布在8～30 Hz區間，即α和β節律。文獻［12］中，想象左手和右手運動對應的腦電頻率分別為10 Hz～12 Hz和20 Hz～24 Hz，舌的對應頻率10 Hz～11 Hz，腳的對應頻率為7 Hz～8 Hz和20 Hz～24 Hz。本文選用5個導聯上的腦電信號，分別是24號導聯對應舌的想象運動腦電信號，41和31（Cz）號導聯對應腳的想象運動腦電信號，導聯34（C4）和28（C3）分別對應想象左、右手運動的腦電信號。對應在在圖2上24，31，28，41，34導聯分別對應（1～5）標號的位置。

采用db4小波對腦電信號進行分解和重構，將腦電信號分解成5個對應子頻段（D1～D5）。由于分解后的信號在頻率成分上比原始信號單一，并且小波分解對信號作了平滑，因此小波分解后信號的平穩性比原始信號好。對比所需腦電信號的頻帶范圍，對D3（16 Hz～31 Hz），D4（8 Hz～16 Hz），D5（4 Hz～8 Hz）三個頻帶上的子信號分別進行小波重構，5個導聯數據可以產生15個信號作為后續特征提取的輸入信號。

3.2改進的共空間模式特征提取

改進的CSP方法提取想象運動腦電特征主要體現在：一方面共空間模式的輸入不是原始腦電信號，而是經小波變換之后包含了時頻特性的信號。由于小波變換可以按照不同尺度把信號進行時頻分解，然后再進行CSP處理，克服了CSP特征提取需要多導聯腦電信息的缺陷。另一方面對共空間濾波的輸出特征量采用了差值處理，即空間濾波后的新信號采用方差取對數運算，并使用最大fi值與次大fi值的差值作為特征量，該方法可以增強特征間差異，有效提取多模式運動想象腦電特征。

具體實現步驟如下：①小波重構后，得到N*T個數據樣本（N是信號個數，T是單次試驗的采樣點數，此處是（15×1 750），組成信號矩陣Si。由于前3 s為實驗準備階段，不進行數據處理，此時有效的數據矩陣為（15×1 000）。②單次試驗數據求取協方差矩陣，對每類協方差矩陣求平均，得平均協方差矩陣（i∈1，…，4）。③對平均協方差矩陣構建空間濾波器，使用控制變量法，比較得取前3個最大特征值所對應的特征向量構建空間濾波器，效果最好。對信號Si進行共空間模式映射，得到新的投影信號Zi。④對投影的能量信號，做方差并求對數得f值，之后取差值，得到四類運動想象腦電信號特征向量fd。

圖2是以左手的運動想象為例，采用小波-共空間模式方法進行腦電信號特征提取的結果。從圖中可以看出，想象左手運動的腦電信號在3 s～4.5 s時，腦電特征幅值較其他三種想象動作明顯。

圖3　WT-CSP處理的左手運動想象腦電特征隨時間變化

4　多任務腦電融合分類

4.1支持向量機與CSP融合

特征識別是腦-機接口系統中重要的信號處理環節，是完成使用者自主意識到控制命令轉化的關鍵步驟，本文采用了支持向量機與CSP融合的特征分類方法，具體實現過程如下：（1）對特征向量fd的每個特征值進行歸一化［13］并選擇訓練集和測試集，選取20%樣本作為測試集，其余為訓練集。（2）用CSP構建各類空域分類器，根據運算后最大的f值所對應的標簽，初步判斷待分類模式的類別，其輸出權值為1/13。（3）對于左手、右手、舌和腳的四類運動想象模式，其中任意兩類模式組合，可以構建六個SVM分類器，其中每個分類器的輸出權值均為2/13。（4）將提取的腦電特征數據同時輸入到6個分類器中，每個分類器都會做出一個相應的分類判斷。①當SVM判斷無誤，則有3個分類器會輸出同一標簽，輸出權值等于6/13，此時就直接輸出正確分類標簽。②當SVM判斷有誤，六個分類器的輸出結果中，有兩個標簽的權值并列最大，等于4/13，此時需要與第（2）步中CSP分類方法比對進行輸出標簽判定。如果CSP分類得出的標簽與權值最大的兩個標簽中的一個一致，則輸出一致的那個標簽；如果與這兩標簽都不一致，則返回重新分類。在整個模式分類過程中，SVM分類方法起主導作用同時加權融合CSP分類方法，最終實現多任務運動想象的模式分類。加權方法如下：

其中Wi為每個輸出標簽類別對應的權值，i為SVM分類中的標簽類別，j是CSP分類中的標簽類別（i，j∈1，2，3，4），n是每個標簽類別出現的次數。

通過融合CSP分類方法，在SVM多分類出現無法準確判斷的時候，給予決定性的分類識別，縮短了整個分類器識別的時間，可以較好的優化分類結果，兩者的融合是一種較好的多任務分類方法。

4.2分類器評價

分類正確率是評價BCI識別結果好壞的常用指標。其中，左手、右手、舌和腳想象運動的腦電分類正確率表示為：正確率（%）=正確判斷任務類別的次數/實際想象運動的次數X100%；除了分類正確率外，Kappa系數也是評價BCI系統性能的常用指標。對于四分類問題而言，隨機分類的正確率為25%，而隨機分類的Kappa系數為0，因此Kappa系數作為評價指標定義為：

其中，PC為隨機分類正確率，P0為正確識別率。最后預測結果將根據有效時間段內誤差最低的時間點的Kappa系數來決定。

BCI技術作為人腦和外部設備的一種通訊系統，其信息傳輸速率［14］也是衡量BCI分類器的重要指標，是衡量系統性能的標準方法。信息傳輸速率定義為：

式中，N為分類任務的數量（本實驗中為4），p為分類正確率，B為每次實驗可傳輸的比特數，單位為bit，式（9）為轉換公式，表2為三名受試者的運動想象腦電識別性能比較。

表1　分類器評價結果對比

從表1中可以看出，本文中3名受試者的分類正確率均高于BCI競賽的結果。文獻［11，15］三名受試者的分類結果有一個略高于本文，其他兩名均低于本文結果，但三名受試者測試結果起伏較大。從三名受試者平均分類正確率來看，本文明顯高于其他算法，達到86.8%的平均分類正確率，同時3名受試者平均的Kappa值比其他幾種算法高，表明本文算法的穩定性比其他算法要好。分類器信息傳輸速率可達到0.68 bit，優于文獻［16］中不同長度時間窗下得到的最好信息傳輸速率0.67 bit，因此，該方法可以用于實際的運動想象BCI多任務分類識別中。

5　總結

小波分析通過變焦距特性在時頻域可以較好的將類別間差異部分突出表示；CSP方法不需要先驗選擇特異性頻帶，可有效提高信號的信噪比；支持向量機基于風險最小化原則，在解決小樣本、非線性、高維數，局部極小點等問題上表現出特有的優勢。本文利用這三種算法對四模式類的運動想象腦電信號進行特征提取與分類。仿真結果表明，本文的算法在達到精度要求的同時又保證了分類器的穩定性和較高的信息傳輸速率，為多任務的運動想象腦-機交互應用提供了一種有效方法。

［1］.EOG Artifact Correction from EEG Recording Using Sta?tionary Subspace Analysis and Empirical Mode Decomposition［J］.Sensors，2013，11（13）：14839-14859.

［2］Ghaheri H，Ahmadyfard A R.Extracting Common Spatial Patterns from EEG Time Segments for Classifying Motor Imagery Classes in a Brain Computer Interface（BCI）［J］.Scientia Iranica D，2013， 20（6）：2061-2072.

［3］Luis F，Nicolas Alonso，Rebeca Corralejo，et al.Adaptive Semi-Supervised Classification to Reduce Intersession Non-Stationarity in Multiclass Motor Imagery-Based Brain-Computer Interfaces［J］.Neurocomputing，2015，159：186-196.

［4］萬柏坤，劉延剛，明東，等.基于腦電特征的多模式想象動作識別［J］.天津大學學報，2010，43（10）：895-890.

［5］Ge S，Wang R，Yu D.Classification of Four-Class Motor Imagery Employing Single-Channel Electroencephalography［J］.Plos One，2014，9（6）：e98019.

［6］Feature.Extraction of Motor Imagery EEG Based on Wavelet Transform and Higher-Order Statistics［J］.International Journal of Wavelets，Multiresolution and Information Processing，2010，3（8）：373-384.

［7］羅志增，周鎮定，周瑛，等.雙樹復小波特征在運動想象腦電識別中的應用［J］.傳感技術學報，2014，5（27）：575-580.

［8］.Pattern Recognition of Motor Imagery EEG Using Wavelet Trans?form［J］.Journal of Biomedical Science Engineering，2008（1）：64-67.

［9］Falzon Owen，Camileri Kenneth P，Muscat Joseph.The Analytic Common Spatial Patterns Method for EEG-Based BCI Data［J］. Journal of Neural Engineering，2012：9.

［10］武小年，彭小金，楊宇洋，等.入侵檢測中基于SVM的兩級特征選擇方法［J］.通信學報，2015，36（4）：19-26.

［11］Wan Baikun，Liu Yangang，Ming Dong，et al.Feature Recognition of Multi-Class Imaginary Movements in Brain-Computer Interface［C］//Proceedings of the International Conference on Virtual Envi?ronments，Human-Computer Interfaces and Measurements Sys?tems.Hong Kong：IEEE，2009：250-254.

［12］施錦河，沈繼忠，王攀.四類運動想象腦電信號特征提取與分類算法［J］.浙江大學學報（版）2012，46（2）：338-344.

［13］孟明，滿海濤，佘青山.基于CI-HMM的運動想象腦電信號分類［J］.傳感技術學報，2013，12（26）：1638-1643.

［14］鄭敏敏，高小榕.基于眼電的字符輸入系統研究［J］.中國生物醫學工程學報，2012，31（6）：801-806.

［15］Li M A，Lin L，Jia S M.Multi-Class Imagery EEG Recognition Based on Adaptive Subject-Based Feature Extraction and SVMBP Classifier［J］.International Conference on Mechatronics andAutomation（ICMA），IEEE，2011：1184-1189.

［16］Eoin Thomas，Matthew Dyson，Maureen Clerc.Ananalysis of Per? formance Evaluation for Motor-Imagery Based BCI［J］.Neural En?gineering，2013，10（3）：10.1088/1741-2560/10/3/031001.

張煥（1990-），女，山東菏澤人，碩士研究生，要研究方向為生物醫學信號檢測與處理、腦-機交互技術，525287792@ qq.com；

喬曉艷（1969-），女，山西運城人，副教授，博士。主要從事生物醫學信號檢測與處理、腦-機交互、仿生機器人方向的研究工作，xyqiao@sxu.edu.cn。

EEACC：7220；7510D10.3969/j.issn.1004-1699.2016.06.003

多任務運動想象腦電特征的融合分類研究*

張煥，喬曉艷*
（山西大學物理電子工程學院，太原030006）

針對運動想象腦-機交互任務模式單一、識別精度低、實用性較差等問題，采用改進的共空間模式（CSP）的特征提取方法，并利用支持向量機（SVM）與CSP融合分類方法對多類任務運動想象腦電特征進行分類識別。首先，選擇特定導聯上的腦電信號進行小波分解與重構，去除冗余信息；其次，利用特征參數做差的方法，得到較為明顯的腦電特征；最后，通過SVM融合CSP的分類模式，對腦電特征進行多任務分類。利用BCI競賽數據，對左手，右手，舌和腳四類運動想象任務的腦電進行識別。結果表明：分類正確率最高達到90.9%，平均正確率為86.8%，Kappa系數為0.886 7，信息傳輸速率可達0.68 bit/trial，能夠有效的獲得腦電特征并較好的實現多任務運動想象腦電識別。

腦機接口；運動想象；特征提取和分類；小波變換；共空間模式；支持向量機

TP391

A

1004-1699（2016）06-0802-06

2015-11-18修改日期：2016-03-03

項目來源：國家自然科學基金項目（81403130）；山西省自然科學基金項目（2013011016-2）