当前位置:文档之家› 基于能量特征的脑电信号特征提取与分类

基于能量特征的脑电信号特征提取与分类

第23卷第6期 2010年6月 传感技术学报 

CHINESE JOURNAL OF SENSORS AND ACTUATORS Vo1.23 No.6 Jun.2010 

Feature Extraction and Classification of EEG Based on Energy Characteristics 

HUANG Sijuart. Xiaoming 

(School ofBioscience and曰 neer,South China University of Technology,Guangzhou 510006,China) 

Abstract:In order to extract the feature of electroencephalogram(EEG)quickly and efficiently,to improve the classification accuracy,band—pass filter and wavelet package were used to get Mu and Beta rhythm.In the time do. 

main,energy feature was formed by the squared—amplitude of electroencephalogram(EEG);In the frequency do- main,AR model power spectral density was to be the energy feature.The subtracted value of EEG energy was the basis of classification.The method is simple and the classification accuracies are up to 87.857%for both methods (time and frequency analysis). 

Key words:feature extraction and classification;electroencephalogram(EEG);event related desynchronization (ERD)/event related synchronization(ERS);energy;wavelet package analysis EEACC:7220:7510D 

基于能量特征的脑电信号特征提取与分类术 

黄思娟,吴效明 

(华南理工大学生物科学与工程学院,广州5 10006) 

摘 要:为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑 电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作 为能量特征值。根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方 法简单。初步实验结果表明,所利用的两种方法的分类正确率达87.857%。 

关键词:特征提取与分类;脑电信号;事件相关同步化/去同步化;能量;小波包分析 中图分类号:TP391 文献标识码:A 文章编号:1004—1699(2010)06—0782一O4 

脑机接口(Brain Computer Interface,BCI)技术 是不依赖于脑的正常输出通路(外周神经系统和肌 肉组织) ,即可实现大脑与外界直接通信的一 种新的人机交互方式。脑机接口既是人类了解和提 高脑功能的重要手段,又是一种全新的通讯和控制 方式,在脑科学、康复工程、生物医学工程、娱乐、外 

科手术中功能区定位等领域有广泛的应用前景 。 脑电图(Electroencephalogram,EEG)记录简单、 操作容易,具有无损伤、可重复性的特点,设备价格 便宜,一直是临床医学和脑认知科学的重要研究手 段之一。EEG由局部和非局部频率分量构成,其中 局部分量与特殊的内在神经网络状态紧密相关,当 某一皮层区域活跃起来,特定频率的节律性活动表 

现为幅度的降低/升高称为事件相关去同步化(e- vent related desynchronization,ERD)/事件相关同步 

项目来源:广东省科技计划项目资助(2009B030801004) 收稿日期:2010—01—01 修改日期:2010—01—20 化(event related synchronization,ERS) 。运动感 觉区的固有频率(如Mu,Alpha和Beta节律)就是 典型的EEG局部分量。 Mu节律称为中央区Alpha节律,产生于大脑的 

感觉运动皮层,频率范围为8~12 Hz。Mu节律和 肢体的感觉运动有密切关系,可以被感觉刺激及肢 

体的主动或被动运动阻断。通常在Mu节律出现的 同时还伴随着18—26 Hz的Beta节律出现,肢体的 

真实运动或想象运动中伴随着由大脑运动皮层Mu/ Beta节律的事件相关去同步化和同步(ERD/ERS) 引起的脑电能量变化 J。本文充分利用Mu/Beta 

节律的能量幅值变化规律对想象左右手运动分类, 分别采用时域和频域的能量计算方法,将两通道对 

应节点的能量差值的符号极性作为判别依据,经过 仿真试验,取得令人满意的分类效果。

 第6期 黄思娟,吴效明等:基于能量特征的脑电信号特征提取与分类 783 

1 运动想象实验 蛾㈤= i( )= (n) z (t)(1) 

实验数据来自于第二届BCI国际竞赛数据(由 奥地利Graz科技大学提供)。实验任务为受试者 (性别:女,年龄:25岁,健康状况:良好)根据视觉提 示想象左手或右手运动。完整的实验过程包括7 组,每组包括40个试验,7组实验在同一天进行,期 

间有几分钟的休息间隔。每个实验持续时间为9 S, 前2 s受试者保持放松状态,t=2 S屏幕中央出现一 

个“十”字型图案标志实验开始,同时伴随一个短促 的提示音(蜂鸣声)提示受试者准备想象运动;t= 3 s屏幕中央出现向左或向右的箭头提示,受试者按 照提示信号想象左右手运动。所有实验数据采自位 于C3、Cz、C4三个电极的双导联方式记录的脑电信 

号,采样频率为128 Hz,经过0.5~30 Hz滤波 。 c3、C4电极位于大脑的初级感觉运动皮层运动功能 区,能反映受试者在想象左右手运动时大脑状态变 

化的最有效信息,cz作为参考电极。最终实验数据 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,数据集均为1 152×140×3。 

2实验数据处理 

2.1实验数据预处理 由相关生理知识可得,想象左右手运动时发生 

的ERD/ERS现象在Mu(8~12 Hz)、Beta(18~ 26 nz)频段表现明显,据此对原始EEG数据进行 8~30 Hz的数字带通滤波。采用椭圆数字滤波器, 

通带截止频率为8~3O Hz,阻带截止频率为5 Hz和 35 Hz,通带衰减0.5 dB,阻带衰减50 dB,对原始数 据进行处理。 

2.2 EEG特征提取与分类 特征提取方法是利用小波包变换方法提取不同 想象运动任务下Mu、Beta节律,分别采用时域和频 域的能量计算法计算EEG的能量值作为特征值,根 据c3、c4两通道能量差值的符号极性判断想象运 动的类别。 2.2.1小波包分析的基本理论 

小波包分析(Wavelet Package Analysis)是一种 能够提供信号精细信息的分析方法,它对信号的低 

频部分和高频部分同时进行分解,并能够根据被分 析信号的特征,自适应地选择所需频带,因此小波包 

分析具有更广泛的应用价值。 用 (t)表示小波基函数,令 (t)= (t), 。(f)= (t)根据二尺度方程,可以构造如下的小 

波基 : )= …( )= ) ㈤ 

(2) 其中:i为节点号√为分解级数,h(n)和g(n): (一1)卜 h(1一 )为一对正交镜像滤波器。信号 

t)= 在第.『级,k点处的小波包分解系数可以用 

下述递推公式表示: 

( )=f厂( )蛲(f) =∑^(见) 一。(2Jj}一n)(3) 

( )=f t, 2/+ (t)dt=∑g(n) 一。(2k-n) 

(4) 假设用于特征提取的EEG数据段长度为m×2 点, 

则重构信号可以表示为: 

m.2,~m.2N_,一1 ): (k) ( )+ 

一 一 (5) 

∑ ∑ ¨ ( ) (£) 

根据所要提取信号的频段,选择相应的频带对 应的小波分解系数,应用式(5)进行重构,就可以有 

目的地重构要提取的信号。 

采用具有正交性和紧支撑的db 4作为小波基 函数进行2级小波包分解,形成四个节点,频率范围 

分别为:8—13.5 Hz、13.5—19 Hz、19—24.5 Hz和 24.5—30 Hz四个频带,分别重构第1、3、4个频带后 

叠加即可提取所要研究的Mu、Beta节律信号。 

2.2.2 EEG特征提取与分类 大脑两侧发生ERD/ERS是对称的,想象右手 

运动时,大脑左侧运动感觉皮层出现ERD,同时右 

侧出现ERS;想象左手运动时,左侧出现ERS而右 侧出现ERD,即两侧信号的能量会出现明显差 异 I9],据此将两通道能量相减,根据能量差值的符 

号极性判别想象运动的类型。 

(1)能量的时域方法分析 根据能量的时域计算公式得第q点的能量为: 

=∑ t)。I 、 

图1为两次典型实验能量波形图。由图1可 

得,在Mu/Beta节律频段C3、C4两通道信号能量差 别较大,ERD/ERS现象比较明显。利用这一特点, 

将两通道对应样本点能量相减后求均值,根据两通 

道能量差值的符号极性即可以判断出想象运动的类 

别。第i次实验的特征值为:

 784 传感技术学报 第23卷 

f=(E ,E ) 将两通道Mu/Beta节律对应样本点能量相减后求均 值¨ ,则判别式为: 

D‘=sgn(mean(E 一E )) 

若D‘1,说明试验为想象左手运动,D‘=一1,说明 试验为想象右手运动。 

o-06 ; … 

L山. 0 l 2 3 4 5 6 7 8 9 t/s 0.O8 0.o6 0.o4 0.02 U 0 l 一 

l 2 3 4 5 6 7 8 9 t/s (a)想象左手运动的脑电能量波形 

藜一 

O 

O.O8 0.O6 S 0.04 蜘互 导0.02 U O 1 2 3 4 5 6 7 8 9 t/s 

一 . 1 2 3 4 5 6 7 8 9 ∥s (b)想象右手运动的脑电能量波形 

图1 想象左右手运动的能量变化图 实验过程中受试者执行运动想象任务是从第 3 s开始,因此选取3~9 s内不同的时间段进行分 

析,经过多次仿真试验,如表1所示,选取4~7 S时 间段的Mu/Beta节律数据进行分类效果更好。 

表1 不同的时间段对应的分类正确率 

(2)能量的频域方法分析 基于AR模型的功率谱估计是一种参数模型功 率谱估计方法_1 “J,本文选取Burg算法对滤波后 

的EEG信号进行AR模型谱估计。如图2所示,10 阶AR模型功率谱密度比8阶模型更能准确反映运 动想象过程中主要节律(Mu)ERD/ERS过程中能 

量的变化,得到的分类效果较为理想。图2为两次 典型实验基于Burg算法的AR模型谱估计图。 

梅 翘 褂 

{赵 氍 恕 褂 

稍 

髓 槲 (a)阶数为8 

(b)阶数为1O 

图2 想象左右手运动的AR模型功率谱密度图 同样选择4~7 s时间段的Mu/Beta节律数据 进行分析,将两通道功率谱密度求和后相减,根据两 

通道功率谱密度差值的符号极性就可以判断出想象 运动的类别,设功率谱密度函数为P,则第i次试验 

的特征值为厂=(P ,P【c4),构造判别式为: 

D =sgn(∑P 一∑P【c4) 

若D 1,说明实验为想象左手运动,D =一1,说明 

实验为想象右手运动。 2.2.3分类结果 EEG信号的处理过程分三步:EEG带通滤波、小 波包分解与重构提取Mu、Beta节律、能量特征提取与 分类三步,利用训练数据按照上述三步进行,以分类 

正确率为各参数的选取依据,

最终确定的参数为采用

相关主题