基于能量特征的腦電信號上肢運動意圖智能識別*

趙志偉，王美玲

(1.內蒙古醫科大學 體育教學部，內蒙古 呼和浩特 010110；2.內蒙古醫科大學 藥學院，內蒙古 呼和浩特 010110)

1 引 言

運動員在體育運動過程中很容易導致肢體活動能力受損，近幾年許多研究領域極其關注運動能力的恢復[1]。近年來，世界各國針對運動能力障礙人群的康復訓練研究取得了較為可喜的成果，有些康復訓練治療方法也被實踐證實了其有效性，但康復治療的整體效果并未達到預期效果，有高達30%～60%的運動能力障礙患者在出院后不能正常使用上肢進行活動。目前正在實行的上肢運動能力康復治療和訓練方法都依賴于受損肢體的殘余運動能力，但是在現實生活中由于有很多運動能力障礙患者幾乎沒有殘余的運動能力，導致其無法接受正常的康復治療和訓練[2]。于是很多學者開始對患者腦電信號進行研究，試圖找到腦電信號與上肢運動意圖之間的關系，實現上肢運動意圖腦電控制[3]。但是，人體的腦電信號是非常復雜的非線性信號，很難摸索到其存在的特征與規律，近年來對于腦電信號的特征提取與識別逐漸增多，為了在腦機交互的康復訓練中及時對患者上肢運動意圖進行識別，使得康復設備能夠提前判斷患者上肢運動意圖并作出預先反應，更好地幫助患者進行康復治療，需要研究一種有效的腦電信號上肢運動意圖識別方法[4]。

文獻[5]提出一種基于支持向量機的腦電信號上肢運動意圖智能識別方法，通過利用主成分分析法對患者腦電信號進行特征提取和規律總結，并利用訓練好的SVM分類器對提取獲得的患者腦電信號進行分類，實現患者上肢運動意圖智能識別。實驗測試結果顯示，該方法對腦電信號上肢運動意圖識別準確率較低。文獻[6]提出一種基于EEMD的腦電信號上肢運動意圖智能識別方法，該方法采用經驗模態分解方法提取患者腦電信號的固有模態函數，同時利用加窗函數對提取獲得的腦電信號固有模態函數進行非線性動力學特征近似熵特征提取，將提取結果輸入線性判別分類器中即可實現患者腦電信號上肢運動意圖智能識別。實驗結果顯示，該方法對腦電信號上肢運動意圖識別率不高。

針對上述方法存在的缺點與不足，提出一種基于能量特征的腦電信號上肢運動意圖智能識別方法。

2 基于能量特征的腦電信號上肢運動意圖智能識別

2.1 腦電信號能量特征提取

采用快速傅里葉變換方法對采集獲得的運動障礙患者腦電信號進行頻率分析，獲得患者腦電信號中的μ波和β波頻率分布規律，并找到腦電信號噪聲所在頻段[7-8]。經過快速傅里葉變換后得到的患者腦電信號為：

(1)

ωN=e(-2πi)/N

(2)

式中，x(j)表示患者原始腦電信號；N表示快速傅里葉級數。

由于經過快速傅里葉變換后的患者原始腦電信號是以復數形式表示的，為了不改變患者原始腦電信號的能量特征，且方便分析，需要對X(k)進行共軛相乘變換[9]，計算公式如下：

(3)

通常情況下小波變換可以與快速傅里葉變換共同處理和分析患者腦電信號，小波可以分為父小波和母小波兩種類型，前者用于表征患者腦電信號中較為平滑的低頻信號；后者則用于表征具有細節特征的高頻信號[10]，二者的計算公式分別如下：

(4)

(5)

式中，h0k和h1k分別代表患者腦電信號的低通濾波系數和高通濾波系數。其計算公式分別為：

(6)

h1k=Ψφ(2t-k)

(7)

其中，F=φ(t)dt=1，Ψ=φ(t)dt=0。

根據上述計算可得患者腦電信號重構方程如下：

式中，j表示患者腦電信號小波分解的階數；k表示小波分解每階系數列的個數；sj,k,dj,k，d1,k表示患者腦電信號的小波變換系數。

由于Daubechies小波具有正交性、正則性以及緊支撐性等優點對患者腦電信號具有更高的靈敏度，在進行小波變換低頻信號和高頻信號分解時的效果更佳。采用Daubechies小波將患者腦電信號進行3階分解[11]，具體分解流程見圖1。

圖1中的x(n)表示輸入的患者腦電信號；H0(ω)和H1(ω)分別代表患者腦電信號小波分解的低通濾波器和高通濾波器；v和ω分別表示患者腦電信號中的低頻部分和高頻部分。

圖1 患者腦電信號3階小波分解流程圖Fig 1 Wavelet decomposition flow chart of EEG in patients with 3 orders

按照上述流程，將患者腦電信號中低頻部分的小波系數進行歸零處理后，再進行腦電信號重構，即可消除低頻腦電信號中的噪聲干擾[12]。在此基礎上，采用小波包系數分析患者腦電能量，實現患者腦電信號能量特征提取[13]，計算公式如下：

(9)

2.2 腦電信號上肢運動意圖智能識別

在上述提取得到患者腦電信號能量特征的基礎上，采用馬氏距離判別方法對患者腦電信號上肢運動意圖進行識別。假設x和y表示屬于均值為μ，協方差為∑的腦電信號能量特征集合G中的兩個元素，二者的馬氏距離計算公式如下：

D2(x,y)=(x-y)T∑-1(x-y)

(10)

x到腦電信號能量特征集合G的馬氏距離為：

D2(x,G)=(x-μ)T∑-1(x-μ)

(11)

其中，T表示患者腦電信號采樣周期。

將識別目標劃分為左手運動意圖和右手運動意圖，設置二者的均值分別為μ1和μ2，其對應的腦電信號能量特征集合分別用G1和G2表示，則患者新的腦電信號能量特征z到G1和G2的馬氏距離計算公式分別如下：

(12)

根據上述計算可得患者腦電信號能量特征隨時間變化的判別函數[14]，其計算公式為：

Wt=D2(x,G1)-D2(x,G2)

(13)

根據判別函數值Wt的大小，按照線性判別準則即可實現患者腦電信號上肢運動意圖的智能識別[15]，識別公式如下：

(14)

3 實驗結果與分析

實驗選擇視覺提示的形式對研究對象進行腦電信號上肢運動意圖識別測試，即每次運動員的上肢運動使研究對象將手指放置在腦電信號指示裝置的中心點，根據其語音提示，此次實驗選取10名研究對象(A～J)，每人測試50次，研究對象具體信息見表1。研究對象將手指從中心位置向語音指定方向移動。為了能夠更加準確地同步采集獲得研究對象上肢運動過程中的腦電信號以及腦電信號能量特征，需要根據以下實驗流程以及指示裝置顯示結果設計相應的同步信號，見圖2。

表1 實驗指標以及研究對象

具體方案操作步驟如下：

(1)實驗準備階段，該階段持續時間為3 s，指示研究對象做好測試準備，并將手指放置在腦電信號指示裝置的綠色圓圈中心位置；

(2)研究對象上肢運動計劃階段，該階段持續時間為3～4 s，顯示畫面上出現的同步信號呈現一個短暫的脈沖，指示研究對象手指向某個特定方向移動；

(3)研究對象上肢運動實施階段，該階段持續時間為4 s，顯示畫面上出現的同步信號呈現一個上升沿，指示研究對象將手指重新放置在起始點位置；

(4)實驗返回階段，該階段顯示畫面上出現的腦電信號呈現一個下降沿。

從圖2中可以看出，第一個上升沿表示腦電波指示裝置語音提示手指指示方向的時刻；第二個上升沿表示研究對象上肢運動實施階段的起始時刻；第二個下降沿表示究對象上肢運動結束的時刻。

為了保證研究對象能夠在實驗期間具有良好的精神狀態，在實驗開始之前應避免研究對象出現過度疲勞的現象，在實驗過程中也為研究對象預留了充足的休息時間，每實施3個任務后會給研究對象大約15 s左右的短時休息。采集測試數據用于以下實驗分析。

圖2 實驗單次任務執行過程中形成的同步信號波形

Fig2Synchronoussignalwaveformformedduringthesingletaskexecutionofexperiment

由于采集研究對象腦電信號過程中摻雜了較多噪聲干擾，需要進行平滑濾波處理，研究采用小波變換與快速傅里葉變換相結合的濾波器，對采集的原始腦電信號進行處理，組合濾波器頻率響應特性見圖3。

(a)

(b)圖3 組合濾波器的頻率響應特性 (a).組合濾波器的幅度響應示意圖； (b).組合濾波器的相位響應示意圖Fig 3 frequency response characteristics of combined filter

利用組合濾波器的頻率響應特性對采集獲得的研究對象腦電信號進行濾波處理，采用組合濾波器進行濾波處理前后的一段研究對象腦電信號電壓變化情況，見圖4。

(a)

(b)圖4 濾波前后研究對象的一段腦電信號電壓變化 (a).濾波前研究對象腦電信號電壓變化情況； (b).濾波后研究對象腦電信號電壓變化情況Fig 4 Voltage change of EEG signal before and after filtering

觀察圖4可以發現，研究采用的小波變換與快速傅里葉變換相結合的組合濾波器，對采集的研究對象的原始腦電信號進行處理后，得到的腦電信號變得更加平滑，去除了原始腦電信號中的“毛刺”干擾。該濾波后結果顯示，其能量比重隨著頻率增加而迅速降低，降低速度明顯高于普通人員。

實驗過程中研究對象的指示方向“左”、“右”是隨機出現的，采用基于能量特征的腦電信號上肢運動意圖智能識別方法，對10個研究對象分別進行50次測試，最終統計結果見表2。

表2 測試統計結果

采用表2實驗結果中研究對象腦電信號上肢運動過程中左右的總正確頻率作為總的識別準確結果，除以出現總頻率，即可得到研究對象腦電信號上肢運動意圖識別率，測試結果見表3。從表3的測試結果中可以看出，基于能量特征的腦電信號上肢運動意圖智能識別方法的最佳識別率結果為92%，最差識別率結果為84%，平均識別率結果為88.6%。

表3 研究對象腦電信號上肢運動意圖識別率

綜合上述實驗結果分析可知，所提方法具有較好的平滑濾波效果，且具有識別率和識別準確率較高的優點。

4 結束語

以往的研究結果顯示腦電信號是一種極其復雜且不穩定的非線性信號，只是對腦電信號上肢運動意圖，即想象左右手運動意圖的兩類目標識別問題，已然是較為困難的，現有的一些識別方法雖然能夠在一定程度上實現對腦電信號上肢運動意圖的有效識別，但采集獲得的腦電信號有較多毛刺，導致識別準確率不高和識別率較低。鑒于此，提出一種基于能量特征的腦電信號上肢運動意圖智能識別方法，通過實驗測試，證明了該方法能夠實現研究對象腦電信號上肢運動意圖的準確識別，且識別率較高。