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