基于自適應(yīng)無(wú)參經(jīng)驗(yàn)小波變換和選擇集成分類(lèi)模型的運(yùn)動(dòng)想象?

何群 王煜文 杜碩 陳曉玲 謝平

1 引 言

隨著人類(lèi)對(duì)大腦了解的日益深入和科學(xué)技術(shù)的迅速發(fā)展,腦機(jī)接口(brain computer interface,BCI)技術(shù)使人們逐漸將思維活動(dòng)控制現(xiàn)實(shí)世界的設(shè)想走向現(xiàn)實(shí),該技術(shù)不依賴(lài)傳統(tǒng)的腦神經(jīng)和肌肉控制通路,而是通過(guò)直接采集大腦的神經(jīng)生物電信號(hào),構(gòu)建與外部世界的直接信息傳輸通路[1,2].本文研究的運(yùn)動(dòng)想象BCI是基于自發(fā)腦活動(dòng)BCI的典型代表[3].運(yùn)動(dòng)想象是指人們只是想象肢體做出某種動(dòng)作而未實(shí)際做出動(dòng)作.研究發(fā)現(xiàn),運(yùn)動(dòng)想象時(shí)產(chǎn)生的腦電(electroencephalography,EEG)信號(hào)[4]具有和實(shí)際動(dòng)作時(shí)EEG信號(hào)類(lèi)似的事件相關(guān)同步(event-related synchronization,ERS)和事件相關(guān)去同步(event-related desynchronization,ERD)現(xiàn)象,當(dāng)人們想象某一側(cè)運(yùn)動(dòng)時(shí),其對(duì)側(cè)相應(yīng)大腦皮層區(qū)域腦電的mu節(jié)律(8—13 Hz)和beta節(jié)律(14—30 Hz)頻段幅值降低出現(xiàn)ERD現(xiàn)象,而同側(cè)大腦EEG的mu節(jié)律和beta節(jié)律頻段幅值升高出現(xiàn)ERS現(xiàn)象[5].這種感覺(jué)運(yùn)動(dòng)區(qū)EEG節(jié)律的差異是運(yùn)動(dòng)想象類(lèi)BCI的重要特征和依據(jù).

針對(duì)EEG信號(hào)非線(xiàn)性和非平穩(wěn)性的特點(diǎn)[6?8],近些年涌現(xiàn)出了很多關(guān)于EEG信號(hào)的處理方法,如小波變換(wavelet transform,WT)[9]、希爾伯特 -黃 變 換 (Hilbert Huang transform,HHT)[10]、經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)[11]、總體經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)[12]以及共空間模式(common spatial pattern,CSP)[13]等方法.WT方法不能同時(shí)在時(shí)域和頻域有較高的分辨率;EMD方法在一定程度上克服了WT方法的不足,相比于WT,其最大的優(yōu)點(diǎn)是無(wú)需事先設(shè)定分解層次,但EMD分解后的信號(hào)存在邊界效應(yīng)和模態(tài)混疊現(xiàn)象[14];EEMD方法有效解決了模態(tài)混疊現(xiàn)象,然而,該方法計(jì)算量較大;CSP以及其改進(jìn)算法被廣泛應(yīng)用,并取得良好的效果[15],但該方法多用于多電極分布的BCI實(shí)驗(yàn)中.

針對(duì)EMD的不足,Gilles[16]結(jié)合EMD的自適應(yīng)性和小波分析的理論框架,提出了一種新的信號(hào)處理方法,即經(jīng)驗(yàn)小波變換(empirical wavelet transform,EWT).針對(duì)傳統(tǒng)的EWT并不能實(shí)現(xiàn)頻譜的完全自適應(yīng)分割的問(wèn)題,本文采用的自適應(yīng)無(wú)參經(jīng)驗(yàn)小波變換(adaptive parameterless empirical wavelet transform,APEWT)[17,18],可以實(shí)現(xiàn)頻譜的完全自適應(yīng)分割.APEWT方法不僅解決了EMD的模態(tài)混疊問(wèn)題,且分解信號(hào)所需時(shí)間較EEMD短,故本文將APEWT方法應(yīng)用于EEG信號(hào)分析中.當(dāng)每個(gè)受試者在進(jìn)行運(yùn)動(dòng)想象實(shí)驗(yàn)時(shí),發(fā)生ERD/ERS現(xiàn)象的時(shí)段和頻段不同,經(jīng)驗(yàn)主義的判斷無(wú)法有效評(píng)估每個(gè)受試者的最佳時(shí)段和頻段[19].針對(duì)此問(wèn)題,文獻(xiàn)[15]根據(jù)巴式距離有效選擇出了最佳頻率段,本文方法根據(jù)不同時(shí)段和不同頻段特征的分類(lèi)效果為其分配不同的權(quán)重,相對(duì)單獨(dú)考慮最佳頻段更加全面.集成分類(lèi)器可以得到比單個(gè)分類(lèi)器更優(yōu)的分類(lèi)效果,能夠提高學(xué)習(xí)能力和泛化特性,且較好地解決了特征選擇算法所依據(jù)的準(zhǔn)則或目標(biāo)經(jīng)常與分類(lèi)器的目標(biāo)不一致和容易產(chǎn)生選擇的特征并不能滿(mǎn)足分類(lèi)模型最優(yōu)化條件的問(wèn)題[20].因此,本文提出利用APEWT和選擇集成分類(lèi)模型對(duì)運(yùn)動(dòng)想象EEG信號(hào)進(jìn)行分類(lèi)識(shí)別,綜合考慮了運(yùn)動(dòng)想象EEG信號(hào)在不同時(shí)段和頻段上的特征,構(gòu)建了一種選擇集成分類(lèi)模型,實(shí)驗(yàn)結(jié)果證明了該方法的有效性.

2 數(shù)據(jù)采集與處理

2.1 數(shù)據(jù)采集

為了驗(yàn)證本文方法的有效性和普適性,實(shí)驗(yàn)中采用來(lái)自?xún)山M競(jìng)賽數(shù)據(jù)集的6名不同受試者(S1—S6)的左右手運(yùn)動(dòng)想象數(shù)據(jù).第一組數(shù)據(jù)集包含被試S1來(lái)自2003年國(guó)際BCI大賽Dataset III,包含280個(gè)試次;第二組數(shù)據(jù)集包含被試S2—S6來(lái)自2008年國(guó)際BCI大賽Dataset 2b,每名受試者包含720個(gè)試次,兩組數(shù)據(jù)的實(shí)驗(yàn)范式略有不同,詳情請(qǐng)見(jiàn)文獻(xiàn)[21,22].

下面主要對(duì)第一組數(shù)據(jù)集進(jìn)行詳細(xì)介紹,受試者是一名健康的25歲女性,所有的實(shí)驗(yàn)(Trails)都在都在同一天進(jìn)行,實(shí)驗(yàn)包含7組,每組有40個(gè)Trails,總共280個(gè)Trails.每個(gè)Trail持續(xù)的時(shí)間為9 s,受試者在前2 s處于放松的狀態(tài);在t=2 s時(shí),顯示器出現(xiàn)“+”形圖案,同時(shí)有提示音提示受試者實(shí)驗(yàn)開(kāi)始,“+”保持1 s時(shí)間;在t=3 s時(shí),顯示器上出現(xiàn)向左或向右的箭頭,提示受試者按箭頭方向想象用手去移動(dòng)屏幕上的條形棒,每個(gè)Trail數(shù)據(jù)采集到第9 s結(jié)束,運(yùn)動(dòng)想象腦電采集范式如圖1所示.實(shí)驗(yàn)使用AgCl電極,數(shù)據(jù)采集來(lái)自C3,Cz和C4三個(gè)通道,EEG信號(hào)由雙導(dǎo)聯(lián)方式記錄,采樣頻率為128 Hz,最終的實(shí)驗(yàn)數(shù)據(jù)由140個(gè)訓(xùn)練樣本和140個(gè)測(cè)試樣本組成.

圖1 運(yùn)動(dòng)想象腦電采集范式Fig.1.Paradigm of EEG acquisition for motor imagery.

2.2 數(shù)據(jù)預(yù)處理

為了更有效地提取EEG信號(hào)的特征,需要對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的預(yù)處理.首先去除數(shù)據(jù)中為“NaN”的空白數(shù)據(jù)點(diǎn)并置為0,為了降低處理信號(hào)的復(fù)雜度,對(duì)數(shù)據(jù)集進(jìn)行了重采樣(250—128 Hz).由于運(yùn)動(dòng)想象所誘發(fā)的ERD/ERS現(xiàn)象主要是在mu和beta節(jié)律段,故采用8—30 Hz的六階巴特沃斯帶通濾波器對(duì)原始EEG進(jìn)行濾波,其阻帶截止頻率為5—33 Hz,阻帶衰減為50 d B,通帶衰減為0.5 d B,對(duì)數(shù)據(jù)集進(jìn)行統(tǒng)一的濾波處理,以提高信號(hào)的信噪比.

3 研究方法

首先,對(duì)原始EEG信號(hào)進(jìn)行預(yù)處理.然后,使用經(jīng)APEWT分解后的最優(yōu)模態(tài)重構(gòu)后的信號(hào)和最優(yōu)模態(tài),分別獲得C3和C4通道的能量譜(energy spectrum,ES)和邊際譜(marginal spectrum,MS)特征,并分別計(jì)算C3和C4通道特征的差值,通過(guò)加窗的方法得到不同時(shí)間段的ES特征和不同頻段的MS特征.具體做法是:將ES特征按時(shí)間分為3段,對(duì)得到的ES特征以2 s特征為長(zhǎng)度滑動(dòng)分割3—7 s ES特征,步長(zhǎng)為1 s特征,將每段重采樣(128—4 Hz)后的ES特征作為基分類(lèi)器的輸入特征向量;將MS特征按頻率分為10個(gè)子頻帶,對(duì)得到的MS特征以4 Hz特征為長(zhǎng)度滑動(dòng)分割8—30 Hz頻帶特征,步長(zhǎng)為2 Hz特征,將每個(gè)子頻帶內(nèi)的數(shù)據(jù)作為基分類(lèi)器的輸入特征向量,分別為每個(gè)基分類(lèi)器的結(jié)果分配權(quán)重.最后,通過(guò)決策分類(lèi)獲得其最終的分類(lèi)結(jié)果,運(yùn)動(dòng)想象模式識(shí)別整體流程圖如圖2所示.

圖2 運(yùn)動(dòng)想象模式識(shí)別整體流程圖Fig.2.Integrated fl ow chart of motor imagery pattern recognition.

3.1 自適應(yīng)無(wú)參經(jīng)驗(yàn)小波變換

EWT將信號(hào)f(t)分解成N+1個(gè)本征模態(tài)函數(shù)(intrinsic mode function,IMF)fk(t)之和,表達(dá)式為

一個(gè)IMF函數(shù)即為一個(gè)調(diào)幅-調(diào)頻(amplitude modulated-frequency modulated,AM-FM)函數(shù),IMF函數(shù)fk(t)定義為

式中Fk(t)>0, ?′k(t)>0, ?′k(t)是 ?k(t)的導(dǎo)數(shù),Fk(t)和?′k(t)的變化速度比?k慢得多. 在EWT中,需要對(duì)Fourier譜進(jìn)行自適應(yīng)地分割,從而選擇出合適的小波濾波器組.

在確定分割區(qū)間后,Gilles[16]根據(jù)Littlewood-Paley和Meyer小波的構(gòu)造方法構(gòu)造EWT.在EWT中,如何進(jìn)行頻譜分割是至關(guān)重要的,因?yàn)樗苯雨P(guān)系到分解的結(jié)果.APEWT中的Fourier譜分割方法以一種自適應(yīng)無(wú)參的方法自動(dòng)在直方圖或頻譜中找到有意義的模態(tài)為目標(biāo),基于所考慮直方圖的尺度空間[23]表示,以更簡(jiǎn)單的方式表達(dá)“有意義的模態(tài)”的概念,該方法的優(yōu)點(diǎn)是簡(jiǎn)單,運(yùn)行速度非?？?

原始信號(hào)f(t)的重構(gòu)公式為

式中?為卷積計(jì)算;Wx(n,t)為細(xì)節(jié)系數(shù),Wx(0,t)為近似系數(shù),?Wx(n,t)和?Wx(0,t)分別為Wx(n,t)和Wx(0,t)的Fourier變換;?(w)為經(jīng)驗(yàn)尺度函數(shù),ψn(w)為經(jīng)驗(yàn)小波函數(shù),??(w)和?ψn(w)分別為?(w)和ψn(w)的Fourier變換.

本征模態(tài)分量fk(t)定義如下:

3.2 最優(yōu)模態(tài)選擇

EEG信號(hào)經(jīng)APEWT分解后,模態(tài)分量較多,但某一動(dòng)作模式下的對(duì)應(yīng)區(qū)域EEG信號(hào)主要集中在特定頻段,因此選取能量最為集中的分量是非常必要的.本文借鑒文獻(xiàn)[24]中方法,將APEWT分解后的各模態(tài)與原始EEG信號(hào)的相關(guān)系數(shù)作為評(píng)定各模態(tài)分量的指標(biāo),定義如下:

式中fk(t)和f(t)分別為APEWT分解后的各模態(tài)分量和原始信號(hào);μfk,σfk,μf,σf分別為fk(t)和f(t)對(duì)應(yīng)的時(shí)域均值和標(biāo)準(zhǔn)差;E為數(shù)學(xué)期望.ρf,fk反映了模態(tài)分量fk(t)與原始信號(hào)f(t)在時(shí)域中的相關(guān)性,其數(shù)值越大,表明模態(tài)分量與原始信號(hào)越相關(guān),因此可根據(jù)ρf,fk的數(shù)值大小選擇有效模態(tài)分量.

3.3 ES特征

對(duì)選出的模態(tài)按(3)式進(jìn)行重構(gòu),信號(hào)重構(gòu)后,由(7)式求取ES特征:

式中f2n指Trail中某通道信號(hào)重構(gòu)后第n個(gè)采樣點(diǎn)瞬時(shí)幅值的平方;EN表示求出的平均瞬時(shí)能量特征;fs為采樣頻率.當(dāng)Nfs時(shí),計(jì)算N個(gè)采樣點(diǎn)之前fs個(gè)數(shù)據(jù)幅值平方的平均.

3.4 M S特征

Fourier頻譜的某一點(diǎn)頻率上的幅值表示在整個(gè)信號(hào)里有一個(gè)含有此頻率的三角函數(shù)組分,而MS從統(tǒng)計(jì)意義上表征了整組數(shù)據(jù)每個(gè)頻率點(diǎn)的累積幅值分布,MS能夠處理非平穩(wěn)信號(hào),如果信號(hào)中某一頻率的能量出現(xiàn),就表示一定有該頻率的振動(dòng)波出現(xiàn),所以MS能比較準(zhǔn)確地反映信號(hào)的實(shí)際頻率成分,而Fourier變換只能處理平穩(wěn)信號(hào),故文中使用MS特征.

對(duì)選出的IMF分量信號(hào)fk(t),(k=1,2,···,n)進(jìn)行變換得

式中PV為柯西主值,則進(jìn)一步得到zk(t)的解析式為

式中αk(t)代表瞬時(shí)幅值;θk(t)代表瞬時(shí)相位.希爾伯特變換的瞬時(shí)頻率定義為

其希爾伯特譜定義為

MS的定義為

式中T為信號(hào)長(zhǎng)度.

3.5 選擇集成分類(lèi)模型

本文根據(jù)運(yùn)動(dòng)想象的ES特征和MS特征,采用選擇集成分類(lèi)模型對(duì)左右手運(yùn)動(dòng)想象EEG信號(hào)進(jìn)行分類(lèi)識(shí)別.

Huang等[25]提出了極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)算法.該算法與BP(back propagation)等神經(jīng)網(wǎng)絡(luò)算法相比,大大提高了網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)速度,同時(shí)避免了陷入局部最優(yōu)的風(fēng)險(xiǎn).相比于ELM,支持向量機(jī)和最小二乘支持向量機(jī)更趨向于得到次優(yōu)解,而且也都沒(méi)有考慮多層前饋神經(jīng)網(wǎng)絡(luò)中隱層的特征表征[26].故本文將ELM作為選擇集成分類(lèi)模型的基分類(lèi)器,單隱層前饋網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù)為25,隱層激活函數(shù)為Sigmoid.

對(duì)于集成分類(lèi)模型中權(quán)重的設(shè)置,假設(shè)每個(gè)基分類(lèi)器對(duì)于訓(xùn)練集的分類(lèi)正確率為A=[A1,A2,···,AM],權(quán)重計(jì)算式為

在集成分類(lèi)模型中,若存在分類(lèi)效果較差的基分類(lèi)器將會(huì)影響最終的分類(lèi)結(jié)果,所以本文對(duì)基分類(lèi)器進(jìn)行了選擇.將基分類(lèi)器訓(xùn)練集的準(zhǔn)確率按照從大到小的順序進(jìn)行排列,以預(yù)測(cè)結(jié)果最優(yōu)為原則,選擇分類(lèi)效果較好的α個(gè)基分類(lèi)器,具體選擇方法如下:

通過(guò)對(duì)基分類(lèi)器的篩選,獲得了較好的集成分類(lèi)模型.假定有M個(gè)待集成的基分類(lèi)器Ci(i=1,2,···,M),每個(gè)基分類(lèi)器的預(yù)測(cè)標(biāo)簽結(jié)果為Ci(n),n為數(shù)據(jù)集中的樣本數(shù).選擇集成分類(lèi)模型為?C(n),則有

式中ωi滿(mǎn)足f為集成規(guī)則.

具體的集成規(guī)則為:假設(shè)有k個(gè)基分類(lèi)器的分類(lèi)結(jié)果為左手,l個(gè)基分類(lèi)器的分類(lèi)結(jié)果為右手,其中k+l=M,若則集成分類(lèi)器的結(jié)果為左手,否則為右手.

4 實(shí)驗(yàn)結(jié)果

本文方法的實(shí)驗(yàn)環(huán)境為Windows 64位系統(tǒng),4 GB內(nèi)存,CPU主頻為1.80 GHz,仿真軟件為MATLAB R2013 b.

4.1 信號(hào)分解與模態(tài)選擇

受試者S1某一試次的運(yùn)動(dòng)想象EEG信號(hào)分別經(jīng)EMD和APEWT分解后各階模態(tài)分量和頻譜圖如圖3所示.

由頻域圖3(b)和圖3(d)可知,使用APEWT進(jìn)行EEG信號(hào)分解的效果明顯優(yōu)于EMD.

圖3 EEG信號(hào)分解結(jié)果 (a)EMD分解得到的IMF分量;(b)EMD分解的得到的IMF分量頻譜;(c)APEWT分解得到的IMF分量;(d)APEWT分解的得到的IMF分量頻譜Fig.3.EEG signal decomposition results:(a)EMD-based IMF components and(b)their corresponding frequency spectra;(c)APEWT-based IMF components and(d)their corresponding frequency spectra.

圖4 運(yùn)動(dòng)想象EEG信號(hào) (a)原始EEG信號(hào);(b)重構(gòu)后EEG信號(hào)Fig.4.EEG signals of motor imagery:(a)Original EEG signal;(b)reconstructed EEG signal.

基于(6)式計(jì)算并選取相關(guān)系數(shù)閾值ρf,fk>0.5[24],獲得有效分量,分解后有效模態(tài)分量主要集中在f3,f4和f5分量上;同時(shí)由各分量的頻譜圖分析可知,mu節(jié)律和beta節(jié)律頻段相應(yīng)的信號(hào)也主要集中在f3,f4和f5分量上,從而選定這3個(gè)分量進(jìn)行信號(hào)重構(gòu),原始信號(hào)和重構(gòu)信號(hào)如圖4所示.

4.2 ES特征和M S特征

為了更好地表現(xiàn)ES特征和MS特征C3和C4兩個(gè)通道的關(guān)系,分別計(jì)算了6名受試者3—7 s的所有試次的ES特征和MS特征.運(yùn)動(dòng)想象EEG ES特征和MS特征分別如圖5和圖6所示.

圖5 運(yùn)動(dòng)想象EEG ES特征 (a)左手運(yùn)動(dòng)想象;(b)右手運(yùn)動(dòng)想象Fig.5.ES features of motor imagery EEG:(a)Left motor imagery;(b)right motor imagery.

圖6 運(yùn)動(dòng)想象EEG MS特征 (a)左手運(yùn)動(dòng)想象;(b)右手運(yùn)動(dòng)想象Fig.6.MS features of motor imagery EEG:(a)Left motor imagery;(b)right motor imagery.

4.3 分類(lèi)結(jié)果與對(duì)比

為了驗(yàn)證本文方法的有效性,分別使用另外4種組合方法對(duì)兩組運(yùn)動(dòng)想象腦電數(shù)據(jù)進(jìn)行特征提取和分類(lèi).組合方法如表1所列,本文分別使用方法1和2對(duì)3—5 s,4—6 s和5—7 s三個(gè)不同時(shí)間段的EEG信號(hào)進(jìn)行分類(lèi)識(shí)別.其中,方法1和方法2將計(jì)算得到的特征進(jìn)行重采樣(128—4 Hz),從而得到了ELM的輸入特征向量;方法3是對(duì)3—7 s的EEG信號(hào)進(jìn)行分類(lèi)識(shí)別,該方法分別對(duì)ES特征和MS特征進(jìn)行重采樣(128—4 Hz).最后,將兩種特征作為ELM的輸入特征向量;方法4中ELM輸入特征向量的獲取方法同本文方法(詳見(jiàn)第3節(jié)).

圖7(a)和圖7(b)分別是使用方法1和方法2得到的6名受試者在3個(gè)不同時(shí)間段的分類(lèi)正確率.使用方法1時(shí),受試者S1—S5的最優(yōu)時(shí)段為4—6 s,受試者S6的最優(yōu)時(shí)段為3—5 s;使用方法2時(shí),受試者S4的最優(yōu)時(shí)段為3—5 s,其他受試者的最優(yōu)時(shí)段為4—6 s.在最優(yōu)時(shí)段分類(lèi)正確率的對(duì)比中,受試者S1和S6在方法1中有較高分類(lèi)正確率,受試者S2—S5在方法2中有優(yōu)勢(shì).雖然在最優(yōu)時(shí)段分類(lèi)正確率的對(duì)比中,方法2優(yōu)于方法1,但總體對(duì)比3個(gè)時(shí)間段的分類(lèi)正確率可知,方法1優(yōu)于方法2.在兩種方法的對(duì)比分析中可知,不同受試者對(duì)ES特征和MS特征的敏感度存在差異,圖7中顯示的正確率均為測(cè)試集的平均分類(lèi)正確率.

表1 不同方法的描述Table 1.Description of diff erent methods.

圖8對(duì)比了6名受試者在3—7 s運(yùn)動(dòng)想象中5種不同方法的測(cè)試集的平均分類(lèi)正確率.由圖8可知,前3種方法各有優(yōu)劣,后兩種方法較前3種方法有優(yōu)勢(shì),其中本文方法的分類(lèi)正確率較前4種方法都高,有效證明了本文方法的有效性.同時(shí),從圖8可知,圖中分類(lèi)效果最好的為受試者S2,其平均分類(lèi)正確率可達(dá)99.4%,分類(lèi)效果較差的受試者為S3和S4,其平均分類(lèi)正確率分別是77%和79.5%.

為了更好地驗(yàn)證本文方法的有效性,本文不僅采用了識(shí)別率,同時(shí)使用受試者工作特征(receiver operating characteristic,ROC)曲線(xiàn)對(duì)分類(lèi)模型性能進(jìn)行評(píng)估,6名受試者的ROC曲線(xiàn)如圖9所示.從圖中可以比較明顯地看出,本文方法的ROC曲線(xiàn)下面積(area under the ROC curve,AUC)明顯大于其他方法,進(jìn)一步驗(yàn)證了本文方法的有效性.

圖7 不同時(shí)段分類(lèi)正確率的誤差條形圖 (a)方法1;(b)方法2Fig.7.Error bar chart of classifi cation accuracy with diff erent time:(a)Method 1;(b)method 2.

圖8 5種方法分類(lèi)正確率的誤差條形圖Fig.8.Error bar chart of classifi cation accuracy with fi ve methods.

圖9 6名受試者在五種方法下對(duì)測(cè)試集分類(lèi)生成的ROC曲線(xiàn)Fig.9.ROC curves generated by classifi cation of test sets by six subjects with fi ve methods.

5 討 論

如何提高具有非平穩(wěn)性和非線(xiàn)性運(yùn)動(dòng)想象EEG信號(hào)的識(shí)別率是運(yùn)動(dòng)想象類(lèi)腦機(jī)接口的關(guān)鍵之一.目前,研究者已經(jīng)提出了很多運(yùn)動(dòng)想象腦電特征的提取方法,本文在前人研究的基礎(chǔ)上,提出了基于APEWT和選擇集成分類(lèi)模型的運(yùn)動(dòng)想象模式識(shí)別方法.該方法從運(yùn)動(dòng)想象伴隨的ERD現(xiàn)象入手,根據(jù)不同時(shí)段和頻段特征的分類(lèi)效果為其分配不同的權(quán)值,綜合考慮了多個(gè)時(shí)段和頻段的特征,從而避免了單一時(shí)段或頻段數(shù)據(jù)分析的不準(zhǔn)確性和局限性.

圖5和圖6中兩種特征的分布情況符合ERD原理,這也再次證明了在運(yùn)動(dòng)想象期間發(fā)生了ERD這一現(xiàn)象.同時(shí),從圖中可以明顯看出,受試者S3的ERD現(xiàn)象最不明顯,這可能是受試者S3的分類(lèi)正確率最差的原因.

從圖7可以看出,不同時(shí)段和不同受試者有著不同的分類(lèi)正確率.其中,大多受試者在4—6 s時(shí)間段內(nèi)的識(shí)別率最高,可能是因?yàn)樵?—5 s期間為運(yùn)動(dòng)想象執(zhí)行的初始階段,受試者心理活動(dòng)有一個(gè)滯后和適應(yīng)的過(guò)程,在4—6 s期間,被試運(yùn)動(dòng)想象活動(dòng)質(zhì)量較好;6 s以后為運(yùn)動(dòng)想象執(zhí)行的最后時(shí)間,被試者的運(yùn)動(dòng)想象心理活動(dòng)質(zhì)量有所下降,分類(lèi)正確率相對(duì)較低.從圖7也可看出,不同的受試者可能會(huì)有著不同的的最優(yōu)時(shí)段,不同的受試者對(duì)ES和MS兩種特征的敏感程度也不同,由此可知,如果將兩種特征進(jìn)行有效融合,可能將有效提高分類(lèi)效果.

由圖8可知,在最優(yōu)時(shí)段中,方法2較方法1有優(yōu)勢(shì),在相同分類(lèi)器情況下,MS特征比ES特征具有更好的分類(lèi)效果.方法3雖然使用了ES特征和MS特征,但其分類(lèi)效果并不理想,主要原因可能是沒(méi)有選擇最優(yōu)時(shí)段的ES特征和最優(yōu)頻段的MS特征,其特征向量中含有太多不相關(guān)特征影響了其分類(lèi)正確率.

由圖9可知,本文方法和方法4的AUC值明顯大于方法3.同時(shí)從方法3,4和本文方法分類(lèi)正確率的對(duì)比中可以發(fā)現(xiàn),在相同特征情況下,集成分類(lèi)器優(yōu)于ELM,選擇集成分類(lèi)器要優(yōu)于非選擇集成分類(lèi)器,主要原因可能是:1)在集成分類(lèi)器中,考慮了EEG信號(hào)不同時(shí)段ES特征和頻段MS特征的差異性,并根據(jù)其不同的訓(xùn)練效果為其分配相應(yīng)的權(quán)重,有效降低了較差特征對(duì)分類(lèi)結(jié)果的影響;2)相比非選擇集成分類(lèi)器,選擇集成分類(lèi)器剔除了分類(lèi)性能較差的基分類(lèi)器,提高了分類(lèi)模型的識(shí)別率,從而得到了較好的分類(lèi)效果.

表2 不同受試者的平均正確率/%Table 2.Average accuracy of diff erent subjects/%.

此外,為進(jìn)一步驗(yàn)證本文方法的有效性,還將本文方法所得正確率與使用相同數(shù)據(jù)集的近期文獻(xiàn)進(jìn)行了對(duì)比.文獻(xiàn)[10]使用HHT對(duì)5.5—7.5 s的EEG信號(hào)進(jìn)行分解,綜合考慮了ES特征和AR模型系數(shù);文獻(xiàn)[27]應(yīng)用了FBCSP(fi lter bank common spatial pattern)算法提取了3—7.5 s運(yùn)動(dòng)想象的特征,沒(méi)有在FBCSP中執(zhí)行特征選擇,而是使用了隨機(jī)森林分類(lèi)器;文獻(xiàn)[28]使用了相應(yīng)頻帶的Hjorth參數(shù)特征,表2中的正確率分別發(fā)生在5—6 s,7.5—8.5 s,5.5—6.5 s,6—7 s和5—6 s.表2比較了本文方法與這些文獻(xiàn)的平均分類(lèi)正確率,受試者S1的平均分類(lèi)正確率比文獻(xiàn)[10]提高了14.49個(gè)百分點(diǎn),且高于BCI競(jìng)賽中第一名的89.29%,后5名受試者的平均分類(lèi)正確率為88.83%,比文獻(xiàn)[27]高出3.75個(gè)百分點(diǎn),比文獻(xiàn)[28]高出3.41個(gè)百分點(diǎn).本文方法在受試者S1,S2,S4,S5和S6的識(shí)別率都有所提高,進(jìn)一步驗(yàn)證了本文方法有效性和普適性.

表3為單次運(yùn)動(dòng)想象分類(lèi)過(guò)程的時(shí)耗,實(shí)驗(yàn)中,單次特征提取的時(shí)間為3—7 s.本文方法中時(shí)耗最長(zhǎng)的是APEWT過(guò)程,本文方法的總時(shí)耗為0.2997 s,表明本文方法具有較好的實(shí)時(shí)性,適合在線(xiàn)BCI.

表3 本文方法的時(shí)耗統(tǒng)計(jì)Table 3.Time consumption of the method used in proposed method.

6 結(jié) 論

應(yīng)用APEWT方法對(duì)EEG信號(hào)進(jìn)行分解,使用最優(yōu)模態(tài)重構(gòu)后的信號(hào)得到ES特征,使用最優(yōu)模態(tài)分量得到MS特征,通過(guò)加窗方法獲得了不同時(shí)段的ES特征和不同頻段的MS特征.根據(jù)不同時(shí)段和頻段特征的分類(lèi)效果為其分配不同的權(quán)重,通過(guò)構(gòu)建的選擇集成分類(lèi)模型得到了較好的分類(lèi)結(jié)果,其分類(lèi)模型具有較好的分類(lèi)性能和泛化能力.實(shí)驗(yàn)中6名受試者的平均分類(lèi)正確率為89.95%,單次運(yùn)動(dòng)想象分類(lèi)過(guò)程的總時(shí)耗為0.2997 s,其平均分類(lèi)正確率與近期其他文獻(xiàn)相比有明顯優(yōu)勢(shì),有效驗(yàn)證了本文方法的有效性,為以后在線(xiàn)運(yùn)動(dòng)想象類(lèi)BCI提供了新的方法.在本文基礎(chǔ)上,下一步的研究計(jì)劃是進(jìn)一步完善本文方法并將其應(yīng)用到實(shí)際的在線(xiàn)BCI中.

[1]Zhang D,Li J W 2017 Sci.Technol.Rev.35 62(in Chinese)[張丹,李佳蔚 2017科技導(dǎo)報(bào) 35 62]

[2]Gao S,Wang Y,Gao X,Hong B 2014 Trans.Biomed.Eng.61 1436

[3]Abdulkader S N,Atia A,Mostafa M S M 2015 Egy.Inf.J.16 213

[4]Fang X L,Jiang Z L 2007 Acta Phys.Sin.56 7330(in Chinese)[方小玲,姜宗來(lái) 2007物理學(xué)報(bào) 56 7330]

[5]Pfurtscheller G,da Silva F H L 1999 Cli.Neurophysiol.110 1842

[6]Lei M,Meng G,Zhang W M,Nilanjan S 2016 Acta Phys.Sin.65 108701(in Chinese)[雷敏,孟光,張文明,Nilanjan Sarkar 2016物理學(xué)報(bào)65 108701]

[7]Lei M,Meng G,Zhang W M,Joshua W,Nilanjan S 2016 Entropy 18 412

[8]Wang Y,Hou F Z,Dai J F,Liu X F,Li J,Wang J 2014 Acta Phys.Sin.63 218701(in Chinese)[王瑩,侯鳳貞,戴加飛,劉新峰,李錦,王俊2014物理學(xué)報(bào)63 218701]

[9]Xu B,Song A 2008 J.Biomed.Sci.Eng.1 64

[10]Sun H W,Fu Y F,Xiong X,Yang J,Liu C W,Yu Z T 2015 Acta Automatica Sin.41 1686(in Chinese)[孫會(huì)文,伏云發(fā),熊馨,楊俊,劉傳偉,余正濤 2015自動(dòng)化學(xué)報(bào)41 1686]

[11]Xie P,Chen X L,Su Y P,Liang Z H,Li X L 2013 Chin.J.Biomed.Eng.32 641(in Chinese)[謝平,陳曉玲,蘇玉萍,梁振虎,李小俚2013中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)32 641]

[12]Yang M H,Chen W Z,Li M Y 2017 Acta Automatica Sin.43 743(in Chinese)[楊默涵,陳萬(wàn)忠,李明陽(yáng)2017自動(dòng)化學(xué)報(bào)43 743]

[13]Wu L Y,Lu H,Gao N,Wang T 2017 Chin.J.Biomed.Eng.36 224(in Chinese)[吳林彥,魯昊,高諾,王濤 2017生物醫(yī)學(xué)工程研究36 224]

[14]Zhang X Q,Liang J 2013 Acta Phys.Sin.62 050505(in Chinese)[張學(xué)清,梁軍 2013物理學(xué)報(bào)62 050505]

[15]Tang Z C,Sun S Q,Zhang K J 2017 Chin.J.Mech.Eng.53 60(in Chinese)[唐智川,孫守遷,張克俊2017機(jī)械工程學(xué)報(bào)53 60]

[16]Gilles J 2013 IEEE Trans.Signal Proc.61 3999

[17]Gilles J,Heal K 2014 Multiresol.Inf.Proces 12 1450044[18]Zheng J,Pan H,Yang S,Cheng J 2017 Signal.Proces 130 305

[19]Hou B W 2012 M.S.Dissertation(Xi’an:Xidian University)(in Chinese)侯秉文 2012碩士學(xué)位論文 (西安:西安電子科技大學(xué))

[20]Zhao Y,Chen R,Liu W 2016 Comput.Sci.8 177(in Chinese)[趙宇,陳銳,劉蔚2016計(jì)算機(jī)科學(xué) 8 177]

[21]BCI Competition II http://www.bbci.de/competition/ii/[2018-1-15]

[22]BCI Competition IV http://www.bbci.de/competition/iv/[2018-1-15]

[23]Lindeberg T,ter Haar R B M 1994 Linear Scale-Space I:Basic Theory(Netherlands:Springer)pp1–38

[24]Cai Y P,Li A H,Wang T,Yao L,Xu P 2010 J.Vibra.Eng.4 430(in Chinese)[蔡艷平,李艾華,王濤,姚良,許平2010振動(dòng)工程學(xué)報(bào)4 430]

[25]Huang G B,Zhu Q Y,Siew C K 2004 IEEE International Joint Conference on Neural Networks Proceedings Budapest,Hungary,July 25–29,2004 p985

[26]Huang G B,Zhu Q Y,Siew C K 2006 Neurocomput 70 489

[27]Bentlemsan M,Zemouri E T T,Bouchaff ra D,Yahya-Zoubir,B,Ferroudji,K 2014 5th International Conference on Intelligent Systems,Modelling and Simulation,Langkawi,Malaysia,Jan.27–29,2014 p235

[28]Suk H I,Lee S W 2013 Trans.Patt.Anal.Mach.Intelli 35 286