融合多維特征與多元宇宙優化算法的腦電信號處理

摘 要： 針對運動想象腦電信號（MI-EEG）具有非線性、時變復雜、分類識別準確率低等問題，提出一種基于多維特征融合并使用多元宇宙算法優化支持向量機的方法進行腦電信號處理。首先，使用小波包變換（WPT）對預處理后的EEG 信號進行時頻分解，并選擇與運動想象相關的時頻信息；然后，分別通過模糊散布熵（fuzzy dispersion entropy，FDE）和公共空間模式（CSP）對WPT 獲得的特征集進行處理，得到相應的非線性特征和空域特征，并通過并行特征融合方法將兩組特征進行融合；最后，導入基于多元宇宙優化算法（multi verse optimizer，MVO）優化的支持向量機（SVM）分類器中實現最終的分類任務。分別在2003 年和2005 年國際BCI 大賽數據集上進行驗證，最終平均分類準確率達到93.57% 和88.03%，可知該文方法在分類準確率上得到顯著提高。

關鍵詞： 腦電信號; 特征融合; 模糊散布熵; 多元宇宙優化算法

中圖分類號： TB9; TP391 文獻標志碼： A 文章編號： 1674–5124（2025）03–0131–08

0 引 言

腦機接口（brain-computer interface，BCI）是大腦與外部設備進行連接，使人腦與外部設備直接進行信息交互的一種方式[1]。BCI 作為一門新型交叉學科，現已經越來越受到關注[2]，其中運動想象腦電信號（motor imagery electroencephalogram，MI-EEG）是腦機接口的重要范式之一[3]。

針對運動想象腦電信號（MI-EEG）非平穩性、非線性、非周期性、時變復雜等特點，研究者們正在優化特征提取算法和采用性能更好的分類識別算法。Mishuhing 等[4] 提出一種將提取的空間濾波器特征加權并對其特征譜進行正則化的方法，其技術核心是利用所有CSP 特征來避免信息丟失，同時解決了腦電信號處理中數據過擬合的問題，但正則化分類器的特征權重會對分類結果產生很大的影響，因此分類準確率仍有待提高。Park 等[5] 在前人基礎上，提出一種子帶正則化共空間模式算法（sub-bandregularized common spatial pattern， SBRCSP），其通過將正則化公共空間模式應用于單個子帶，并使用不同的頻帶克服了對頻率范圍的依賴。SBRCSP 首次同時克服了小樣本設置情況下的協方差矩陣估計問題和對頻帶的依賴性問題，但適合計算正則化項的試驗次數至少100 次以上才能獲得最佳性能，因此接下來需要進一步研究確定適當的正則化參數和計算最佳正則化項。

雖然傳統的單一特征提取算法以及改進算法在某些應用場景中仍然有效，但其只能描述有限的信息，為了充分利用不同領域的更多特征以提高分類性能，通常需要使用多維度特征融合的方法[6]。除此之外，由于非線性分析方法可以通過復雜的數學模型提取更多的特征。因此研究者們將非線性分析方法引入到腦電信號特征提取中，從而更好地反映腦電信號的動態特性。

苗敏敏等[7] 使用自適應優化空頻微分熵對情緒腦電特征進行提取，技術上根據導聯重要性進行通道選擇，并利用稀疏回歸算法對多個局部空間-頻域上的微分熵特征進行優化篩選。算法優點是特征識別精度數值較小，具有較好的魯棒性，但是計算開銷大于單一微分熵算法，在接下來將采集更多不同被試腦電信號，來進一步優化和改進算法性能。Chen 等[8] 提出了一種基于微分熵和線性判別分析相結合的情感腦電特征提取方法，使用微分熵提取時相信息來反映腦電變化，并用LDA 算法保留有效的特征信息來減少數據維度，因此縮短了算法運行時間且提升了分類準確率。但所提方法并不能直接降低分類方法的時間復雜度，因而在今后需要繼續優化算法模型，進一步降低運行時間并提高準確率。Ji 等[9] 為解決寬帶覆蓋問題，使用離散小波包與經驗模式分解和近似熵進行融合的特征提取方法，EMD 算法可以有效去除不相關信號，提高信噪比。所提算法優點是大大降低了時間復雜度，不足是近似熵的統計上存在不一致，因此準確率上還有較大提升空間，可以繼續優化模型，提升準確率；由于該算法模型較低的時間復雜度，為今后便攜式BCI 系統的信號在線采集提供了可行性。

鑒于非線性分析方法在腦電信號特征提取中的顯著效果，本文引進一種新的非線性分析方法——模糊散布熵（fuzzy dispersion entropy，FDE）[10] 到運動想象中，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、更穩定和多樣地提取腦電信號的特征。最后，使用多元宇宙優化算法（MVO）對SVM 的懲罰因子與核參數優化選取最優值，構成MVO-SVM 分類模型[11] 進行最終分類，實驗通過腦機大賽標準數據集進行驗證。

1 實驗數據與預處理

1.1 實驗數據

本實驗所用數據均為國際BCI 競賽數據集，其中實驗使用2003 年BCI 競賽中Data set Ⅲ數據集，驗證數據集使用2005 年BCI 大賽Data set Ⅲa。