張立國， 張玉曼， 金 梅， 于國輝

（1.燕山大學(xué)河北省測試計量技術(shù)與儀器重點實驗室，河北 秦皇島 066004；2.秦皇島視聽機械研究所，河北 秦皇島 066000）

基于盲源分離的運動想象腦電信號特征提取方法的研究

張立國1， 張玉曼1， 金 梅1， 于國輝2

（1.燕山大學(xué)河北省測試計量技術(shù)與儀器重點實驗室，河北 秦皇島 066004；2.秦皇島視聽機械研究所，河北 秦皇島 066000）

運動想象腦電信號被廣泛應(yīng)用于腦機接口系統(tǒng)中。針對如何準(zhǔn)確有效地提取運動想象腦電信號特征的問題，通過分析運動想象腦電信號時域、頻域和頭皮空間域的特征，提出了以小波變換為預(yù)處理，并利用二階盲辨識算法和信息論特征提取算法相結(jié)合獲取的空間濾波器，從時域、頻域和頭皮空間域?qū)\動想象腦電信號進行特征提取的方法。實驗結(jié)果表明，采用時域、頻域和空間域提取特征的方法性能有明顯提高，并且將二階盲辨識算法和信息論特征提取算法相結(jié)合獲取的空間濾波器能夠反映更真實的大腦源活動。

計量學(xué)；運動想象腦電信號；特征提?。幻ぴ捶蛛x；信息論特征提取；空間濾波

1　引 言

腦機接口（Brain Computer Interface，BCI）是一種新型的人機交互技術(shù)，利用肢體運動想象誘發(fā)大腦感覺運動皮層腦電節(jié)律性的變化來實現(xiàn)BCI系統(tǒng)，不需要肢體的真實運動且不依賴外界刺激和感官通路，設(shè)計相對簡單，是真正意義上的自發(fā)式BCI。

從采集到的腦電信號中判斷出腦電節(jié)律能量的變化，，需要對運動想象腦電信號進行特征提取。目前，運動想象腦電信號特征提取方法有很多種，如功率譜分析法［1］、參數(shù)模型法［2］、小波包分析法［3］、經(jīng)驗?zāi)B(tài)法［4］、共同空間模式［5，6］等，分別從腦電信號時、頻和空域提取特征，取得了較好效果，但沒有全面地利用運動想象腦電信號的特征。對此，本文提出一種基于盲源分離，綜合從時域、頻域和頭皮空間域?qū)\動想象腦電信號特征提取的方法。根據(jù)不同運動想象在不同頭皮空間位置產(chǎn)生事件相關(guān)去同步化（Event-related Desynchronization，ERD）現(xiàn)象，利用小波變換去除腦電節(jié)律外噪聲，通過二階盲辨識（Second Order Blind Identification，SOBI）和信息論特征提?。↖nformation Theoretic Feature Extraction，ITFE）［7］相結(jié)合，獲得能夠最大限度分離腦電源信號的空間濾波器，濾出4類運動想象在頭皮感覺運動皮層分布區(qū)域的源信號，通過能量判斷想象任務(wù)類型，并基于協(xié)方差矩陣同步聯(lián)合對角化的共空間模式（CSP）空間濾波法以及僅使用小波變換進行特征提取的方法作為比較分析對象。

2　運動想象腦電信號的產(chǎn)生和數(shù)據(jù)來源

運動想象會引起大腦皮層特定區(qū)域能量升降現(xiàn)象，稱為事件相關(guān)同步化（Event-related Synchronization，ERS）和事件相關(guān)去同步化現(xiàn)象。運動想象腦電信號是非相位鎖定的，無法通過時域平均增強特征；ERD現(xiàn)象發(fā)生在8～12 Hz的mu節(jié)律和18～26 Hz的beta節(jié)律。

本文實驗數(shù)據(jù)來源于BCI Competition III，包含60導(dǎo)聯(lián)，采樣頻率為250 Hz。實驗中，受試者前2秒處于安靜狀態(tài)；第2秒出現(xiàn)聽覺刺激提示受試者準(zhǔn)備；第3秒屏幕中出現(xiàn)箭頭，方向隨機為左、右、下或上，指示想象左手、右手、腳或舌頭運動；持續(xù)采集腦電數(shù)據(jù)。

3　算法原理

基于盲源分離的運動想象腦電信號特征提取算法流程如圖1所示。

3.1盲源分離

盲源分離利用源信號先驗特性，通過觀測信號從未知參數(shù)混合通道中估計源信號。SOBI算法是在觀測信號預(yù)白化處理后，通過一組非零時間延遲相關(guān)矩陣的聯(lián)合近似對角化來確定預(yù)白化之后剩下的正交矩陣，從而保證了其不會存在相同的對角線元素。非零時滯相關(guān)矩陣的聯(lián)合對角化近似程度主要通過非對角元素的Frobenious范數(shù)和最小二乘代價函數(shù)來評判。

圖1　基于盲源分離的運動想象腦電信號特征提取算法流程圖

3.2信息論特征提取

3.3基于盲源分離的空間濾波器

本文采用SOBI算法對腦電信號進行盲源分離，分離矩陣W的行向量w看作ITFE算法中的線性變換，c∈C={1，2，3，4}代表想象任務(wù)1、2、3、4，通過ITFE算法從W中選取行向量作為w空間濾波器的步驟為：

（1）采用SOBI算法對腦電信號x進行盲源分離，獲得分離矩陣W，通過行向量w尺度變換，使得=1；

（2）想象任務(wù)1、2、3、4出現(xiàn)概率相同，即P（ci）=0.25，通過式（7）計算行向量wx與c之間的互信息I（c，wx）；

（3）選取使得互信息I（c，wx）最大的4個w作為空間濾波器。

4　數(shù)據(jù)處理及結(jié)果分析

4.1運動想象腦電信號特征分析

選取k3b，對有任務(wù)標(biāo)號的60導(dǎo)聯(lián)腦電數(shù)據(jù)分段，將屏幕中任務(wù)提示箭頭出現(xiàn)時刻為起始，10 s后結(jié)束，數(shù)據(jù)段長度為2 500，對應(yīng)一類想象任務(wù)有45段，共180段。對腦電信號進行時域分析。根據(jù)想象任務(wù)引起的ERD在大腦感覺運動區(qū)域的分布，選取代表電極34、28、31、23，用于觀察運動想象時左手、右手、腳和舌頭對應(yīng)運動感覺皮層信號幅值的變化。通過數(shù)據(jù)段極大值擬合獲得信號上包絡(luò)線。將同類運動想象腦電信號上包絡(luò)線相加平均，結(jié)果如圖2所示。由圖2知，運動想象任務(wù)對應(yīng)的代表電極處的信號包絡(luò)線幅值相對最低；時間段4.5～7.5 s間信號包絡(luò)線區(qū)分度最大。

采用AR模型法對時間段4.5～7.5 s，電極34、28、31、23處的腦電信號進行功率譜估計。將同類運動想象的功率譜相加平均，結(jié)果如圖3所示。由圖3知，4類運動想象產(chǎn)生的ERD在mu節(jié)律最明顯，功率譜區(qū)分度最大；同時證明4類運動想象產(chǎn)生的ERD的頭皮分布位置分別為大腦皮層的右側(cè)、左側(cè)、頂葉、顳葉。

圖2　包絡(luò)時序圖

圖3　功率譜分析

采用AR模型對所有60導(dǎo)聯(lián)腦電數(shù)據(jù)進行功率譜估計，mu節(jié)律能量相加平均作為背景能量。將同類運動想象的mu節(jié)律能量分別相加平均，去除背景能量后作為該類運動想象60個電極的能量。根據(jù)電極分布位置，信號能量腦地形分布如圖4所示。由圖4可直觀看到4類運動想象的ERD的分布位置為大腦皮層的右側(cè)、左側(cè)、頂葉、顳葉。選取4類運動想象能量最小的3個電極，即電極16、18、22、23、28、29、31、32、34、35、41、44對應(yīng)數(shù)據(jù)進行分析。

綜上所述，運動想象腦電信號在任務(wù)提示后4.5～7.5 s及mu節(jié)律處的ERD現(xiàn)象最明顯，左手、右手、腳和舌頭運動想象的ERD分布在電極34、35和44，18、28和29，31、32和41及22、23和16附近。

4.2數(shù)據(jù)處理及結(jié)果分析

截取時間段4.5～7.5 s，對應(yīng)選取12個電極處的數(shù)據(jù)作為處理對象，大小為12×750共360段。對數(shù)據(jù)段進行4層小波分解，已知采樣頻率為250 Hz，因此mu節(jié)律包含在細(xì)節(jié)分量D4中，重構(gòu)后可以去除很多干擾成分。

圖4　腦地形分布圖

將小波變換后有任務(wù)標(biāo)識的12導(dǎo)聯(lián)腦電數(shù)據(jù)首尾相接，得到12×135 000數(shù)據(jù)x。使用SOBI算法對x進行盲源分離，獲得分離矩陣W。利用ITFE選取W中4個行向量作為左手、右手、腳和舌頭對應(yīng)感覺運動皮層區(qū)域的空間濾波器?？臻g濾波器如圖5所示?？芍?，4個空間濾波器最大元素的頭皮位置分別對應(yīng)左手、右手、腳和舌頭的頭皮感覺運動皮層分布區(qū)域，對腦電信號進行濾波，可獲得位于左手、右手、腳和舌頭在頭皮感覺運動皮層分布區(qū)域的源信號。

圖5　空間濾波器

對未知任務(wù)的腦電數(shù)據(jù)，利用SOBI和ITFE算法相結(jié)合獲取的空間濾波器，可獲得位于左手、右手、腳和舌頭的頭皮感覺運動皮層分布區(qū)域的源信號，將其能量作為該運動想象的特征向量。同理，通過小波變換以及共空間模式可分別獲得運動想象腦電信號特征向量。僅通過特征向量最小元素對應(yīng)的頭皮感覺運動皮層區(qū)域判斷運動想象任務(wù)類型，結(jié)果如表1所示，僅采用小波變換提取的特征識別正確率為49.4%，使用共空間模式的空間濾波法提取的特征識別正確率為67.8%，而本文提出的基于盲源分離的提取的運動想象腦電信號特征識別正確率為68.9%。從表1中可以看到，綜合利用運動想象腦電信號的時域、頻域和頭皮空間域特征比僅從時頻域提取特征的分類效果有大幅度的提高；并且基于盲源分離算法的運動想象腦電信號特征提取的分類正確率相對于其他兩類方法要高，主要是因為盲源分離算法可以估計出腦電源信號，能夠更準(zhǔn)確地描述大腦的真實源活動。

表1　3種方法的識別正確率

5　結(jié) 論

針對運動想象腦電信號的信噪比低的問題，以及綜合利用運動想象腦電信號時域、頻域和頭皮空間域特征的期望，本文提出了一種基于盲源分離的運動想象腦電信號特征提取方法。由于不同受試者腦電信號具有特異性，分析4類運動想象腦電信號時域、頻域和頭皮空間域特征，以小波變換為預(yù)處理，在合適的時間區(qū)間選取mu節(jié)律所在頻率段重構(gòu)信號，濾除干擾成分，最后經(jīng)過SOBI和ITFE算法獲取的空間濾波器濾波，得到分別位于左手、右手、腳和舌頭在頭皮感覺運動皮層分布區(qū)域的源信號，并將其能量作為特征。通過實驗證明，基于盲源分離的運動想象腦電信號特征提取方法綜合從時域、頻域和空間域的角度提取特征，充分利用了運動想象腦電信號的特性，性能得到了明顯提高；并且將盲源分離算法SOBI與ITFE算法相結(jié)合得到的頭皮空間濾波器能夠更準(zhǔn)確地反映真實的大腦源活動。

［1］ 趙麗，郭旭宏.基于運動想象的腦電信號功率譜估計［J］.電子測量技術(shù)，2012，35（6）：81-83.

［2］ Schl?gl A，Lee F，Bischof H，et al.Characterization of four-classmotorimageryEEGdatafortheBCI-competition 2005［J］.Journal of neural engineering，2005，2（4）：L14-22.

［3］ Hu Dingyin，Li Wei，Chen Xi.Feature extraction of motor imagery EEG signals based on wavelet packet decomposition［C］//IEEE.Complex Medical Engineering（CME），2011 IEEE/ICME International Conference on.，Harbin，Heilongjiang，2011：694-697.

［4］ Park C，LooneyD，NaveedurRehman，etal. Classification of motor imagery BCI using multivariate empirical mode decomposition［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2013，21（1）：10-22.

［5］ Shanz-Lin Wu，Chun-Wei Wu，Pal N R，et al.Common spatial pattern and linear discriminant analysis for motor imagery classification［C］//IEEE.2013 IEEE Symposium on Computational Intelligence，CognitiveAlgorithms，Mind，and Brain（CCMB），Singapore，2013：146-151.

［6］ 李麗君，熊冬生，吳效明.基于四類運動想象任務(wù)的腦電信號識別［J］.中國組織工程研究與臨床康復(fù)，2011，15（48）：9003-9006.

［7］ Torkkola K.Feature extraction by non parametric mutual information maximization［J］.The Journal of Machine Learning Research，2003，3：1415-1438.

A Research on the Method of Motor Imagery EEG Feature Extraction Based on Blind Source Separation

ZHANG Li-guo1， ZHANG Yu-man1， JIN Mei1， YU Guo-hui2
（1.Measurement Technology and Instrumentation Key Lab of Hebei Province，Yanshan University，Qinhuangdao，Hebei 066004，China； 2.Audio-Visual Machinery Research Institute，Qinhuangdao，Hebei 066000，China）

Motor imagery has been widely used in EEG based brain-computer interface systems.In order to extract feature of the motor imagery EEG accurately and efficiently，the feature of the motor imagery EEG in time，frequency and spatial domain is analysed.Then an approach is put forward that extract feature of the motor imagery EEG from time，frequency and spatial domain，with preprocessing of wavelet transforming and using spatial filter obtained from SOBI and ITFE.Experimental results verify that the proposed method has an obvious improvement in feature extraction compared with the other methods，and the spatial filter obtained from SOBI and ITFE can reflect veridical brains activity.

metrology；motor imagery EEG；feature extraction；blind source separation；ITFE；spatial filtering

TB973

A

1000-1158（2015）05-0535-05

10.3969/j.issn.1000-1158.2015.05.19

2014-03-07；

2014-06-26

國家自然科學(xué)基金（61077071）

張立國（1978-），男，黑龍江肇東人，燕山大學(xué)副教授，博士，主要研究方向為慣性導(dǎo)航、三維立體重構(gòu)及智能信號處理。zlgtime@163.com

金梅為本文通訊作者。meijin297@126.com