脑机接口系统中EEG信号特征提取与分类
5星 · 超过95%的资源 需积分: 44 113 浏览量
2014-03-09
20:28:36
上传
评论 17
收藏 344KB PDF 举报 
软件时空
中文核心期刊＜微计算机信息：｝（管控一体化）２００８年第２４卷第６·３期
文章编号：１∞籼５７０（２∞８）０６－３＿０２６６＿０２
脑机接口系统中Ｅ
Ｅ
Ｇ信号特征提取与分类
Ｆｅａｔｕｒｅ
Ｅ）（ｔｒａｃｔｉｏｎ
ａｎｄ
ｃ｜ａｓｓｉ矗ｃａｔｉｏｎ
ｆｏｒ
ＥＥＧ
ｉｎ
Ｂｒａｉｎ—Ｃ０ｍｐｕｔｅｒ｜ｎｔｅｒｆａｃｅ
浒昌学院）葛瑜杨钢
ＧＥ
Ｙｕ
ＹＡＮＧ
Ｇａｎｇ
摘要：脑机接口（ＢｃＩ）技术是近年来国际上的研究热点之一，它通常利用脑电（ＥＥＧ）来实现无动作的人机交互，运动想象是其
中一种重要ＢＣＩ实验范式，利用第二届国际脑机接口竞赛中的一组实验数据为处理对象，将数据经公共空间模式滤波、小
波时频分解、然后采用Ｔ加权提取最后特征，并利用支持向量机进行分类器设计。实验结果表明，该算法效果较好，最终识
别正确率达到８９．３％。
关键词：运动想象（ＭＩ）；公共空间模式（ＣＳＰ）：支持向量机（ＳⅥ旧
中图分类号：ＴＰ３９１．４
文献识别码：Ａ
Ａ蛔ｔｒ锄ｃｔ：Ｂｒａｉｎ—ｃｏｍｐｕｔｅｒ
ｉｎｔｅｄｈｃｅ（ＢＣＩ）ｉｓ
ｏｎｅ
ｌ【ｉｎｄ
ｏｆ
ｔｅｃｈｎｉｑｕｅｓ
ｏｎ
ｗｈｉｃｈ
ＩＴｌｏｒｅ
ａｎｄ
ｍｏ陀ｉｎｔｅ陀ｓｔ
ｈ船ｂｅｅｎ
ｐｕｔ
ｂｙ
ｔｈｅ
ｉｎｔｅｍａｔｉｏｎａｌ肥一
ｓｅａｒｃｈｅｒｓ
ｒｅｃｅｎｄｙ．Ｂｙ
ｕｓｉｎｇ
ｅｌｅｃｔｒ＿ｏｅｎｃｅｐｈａｌｏｇｍｍ，ＢＣＩ
ｅｓｔａｂｌｉｓｈｅｓ
ｔｈｅ
ｉｎｔｅｒｆａｃｅｓ
ｂｅｔｗｅｅｎ
ｈｕｍａｎ
ａｎｄ
ｃｏｍｐｕｔｅｒ，ｉｎ
ｗｈｉｃｈ
ｍｏｔｏｒ
ｉｍａｇｅｒｙ
ｉｓ
ａｎ
ｉｍｐｏｒｔａｎｔ
ｅｘｐｅｒｉｍｅｎｔａｌ
ｐａｒａｄｉｇｍ．Ｉｎ
ｔｈｉｓ
ｐａｐｅｒ’ｔｈｅ
ｄａｔａｓｅｔ
ｆ而ｍ
ＢＣＩ
Ｃｏｍｐｅｔｉｔｉｏｎ
ＩＩ ｉｓ
ａｎａｌｙｚｅｄ
ｕｓｉｎｇ
ｔＩｌｅ
ａ１９０ｒｉｔＩｌｍ
ｄｅｓｉｇｎｅｄ
ｔｈｍｕｇｈ
ｃｏｍｍｏｎ
８ｐａｔｉａｌ
ｐａｔｔｅｍ
ｆｉｌｔｅｒ，ｃｏｎｔｉｎｕｏｕｓ
ｗａｖｅｌｅｔ仃ａｎｓｆｏ珊ｄｅｃｏｍｐｏｓｅｓ，ｔｌｌｅｎ
ｔｏ
ｕｓｅ
ｔｈｅ
Ｔ—ｗｅｉｇｌｌｔｅｄ
ｅｘ仃ａｃｔｉｏｎ
ｆｉｎａｌ
ｃｈａｍｃｔｅｒｉｓｔｉｃ，ａｎｄ
ｕｓｉｎｇ
ｓｕｐｐｏｒｔ
ｖｅｃｔｏｒ
ｍａｃｈｉｎｅｓ
ｔｏ
ｄｅｓｉｇｎ
ｔｈｅ
ｃｌａｓｓｉｆｉｅｒ．Ｂｙ
ｍｅａｎｓ
ｏｆ
ｔｈｅ
ａｂｏｖｅ叩ｐｒｏａｃｈｅｓ，ｂｅｔｔｅｒ
ｃｌ鹊ｓｉｆｉｃａｔｉｏｎ
ｒｅｓｕｌｔｓ
ａｒ；ｅ
ｏｂ协ｉｎｅｄ．，１１ｌｅ
ｒｅｓｕｌｔ
ｏｎ
ｔｅｓｔｉｎｇ
ｓｅｔ
ｒｅｖｅａｌｅｄ
ａｎ
ａｃｃｕｒａｃｙ
ｏｆ
８９．３％ｆｏｒ
ｃｌａｓｓ币ｃａｔｉｏｎ．
Ｋｅｙ
ｗｏｒｄｓ：ｂｒａｉｎ—ｃｏｍｐｕｔｅｒ
ｉｎｔｅｒｆａｃｅ（ＢＣＩ）；ｅｌｅｃｔｍｅｎｃｅｐｌｌａｌｏ掣黼（ＥＥＧ）；ｍｏｔｏｒ
ｉｍａｇｅｒｙ㈣；伽哪ｌ咖叩鲥ｍ肼嘣晒ｍ
（ＣＳＰ）；ｓｕｐｐｏｒｔ
ｖ凹ｔｏｒ
ｍ觚ｈｉｎ嚣（ＳⅥ田
引言
近些年来，脑机接口（Ｂｍｉｎ—ｃｏｍｐｕｔｅｒ
Ｉｎｔｅｒａｃ“ｏｎ，ＢｃＩ）技术
的研究在国际上引起了广泛的兴趣并获得了快速的发展。它利
用脑电（ｅｌｅｃｔｍｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）来实现无动作的人机交互，
可以为神经肌肉损伤患者提供一种不依赖正常的外周神经和
肌肉输出通道的新的通讯Ｔ具。举例来说，患者通过ＢｃＩ系统。
可以利用自己的运动想象（Ｍｏｔｏｒ
Ｉｍａｇｅｒｙ，ＭＩ）直接操控轮椅、神
经假肢，甚至使用计算机。ＢｃＩ研究具有重要的社会价值和应
用前景。
运动想象是利用自发脑电信号实现无动作人机交互的一种
重要ＢｃＩ实验范式，本文所处理的是第二届国际脑一机接口竞赛
第Ⅲ组数据。具体的实验设计原理和方法将在下文巾的实验介
绍中详细阐述。大量Ｔ作表明，基于公共空间模式（ｃｏｍｍｏｎ
ｓｐａｔｉａｌ
Ｐａｔｔｅｍ，ｃｓＰ）的方法对基于事件相关去同步的运动相关
电位的信号特征提取具有很好的分离效果。但是由于ＥＥｃ信号
信噪比很低，单纯依靠ｃｓＰ提取特征是不够的，还需要利用数
据驱动的方法作进一步处理．从数据中提取特征规律。实验结果
表明本文算法提取的特征可分度较好，利于分类器设计。
支持向量机（ｓｕｐｐｏｒｔ
Ｖｅｃｔｏｒ
Ｍａｃｈｉｎｅｓ，ｓｖＭ），是在高维特征
空间使用线性函数假设空间的学习系统，该方法已成功应用于
多维模式识别的分类和回归。近些年来，研究人员开始将其应
用于事件相关的ＥＥＧ信号的处理，同样取得了比较理想的分
类效果。我们将该算法应用于运动想象实验范式，算法性能较
为突出，在小样本的情况下识别正确率较高。
葛瑜：硕士研究生讲师
１运动想象实验
实验中．被试是一名健康女性．坐在椅子上处于放松状态。
她的任务是根据屏幕上的随机提示．通过想象左右手的运动来
控制光标左右移动。实验一共进行７轮，每轮包括４０个实验，７
轮实验都在同一天进行，期间有几分钟的休息间隔。每个实验
记录长度为９ｓ。前２ｓ为预备期．在第３ｓ时出现向左或向右的
箭头提示，被试按照提示要求想象左右手运动来控制屏幕上光
标左右移动。所有数据通过３个电极记录．采样频率为１２８Ｈｚ，
最终数据由１４０个已知类别的训练样本和１４０个未知类别的
测试样本组成。
２数据处理
实验采集到的是ＥＥＧ信号，由于信噪比较低，所以数据处
理过程较为复杂。基本环节由数据预处理、特征提取和ｓｖＭ分
类器设计这三个方面组成。
２．１数据预处理
首先将原始数据经过２．５～２５Ｈｚ带通滤波。由于运动想象
发生在第３秒后。所以只截取后６秒的数据进行处理。将其中
１４０个已知标识的样本作为训练集，另外１４０个未知标识的样
本作为测试集。利用已知的标识将训练集两类样本进行分离，
得到最终的训练集样本矩阵。
２．２特征提取
特征提取分为三步，首先是ｃＳＰ滤波，接下来是连续小波
（ｃｏｎｔｉｎｕｏｕｓ
Ｗａｖｅｌｅｔ
１＇ｒａｎｓｆｏｎＩｌ，ｃｗＩ）分析，最后采用Ｔ加权方法
提取特征。
一２６６—３６０元，年邮局订阅号：８２－９４６
万方数据
评论2
最新资源