基于支持向量机框架运动想象脑电分类.pdfVIP

1 基于支持向量机框架的运动想象脑电分类 廖祥，尹愚，尧德中，吴丹 电子科技大学生命科学与技术学院神经信息中心，成都 610054 Email: xliao82@ 摘要：一个脑-机接口（brain-computer interface, BCI ）系统需要有效的在线处理脑电信号以便进行实 时的大脑活动状态分类。在本文中我们提出一种基于支持向量机框架的单次脑电分类方法以区分左 右手运动想象活动。我们通过小波变换（Wavelet Transform, WT ）提取了两个频段 （μ和β节律） 脑电数据的时频特征信息，然后采用基于支持向量机（Support Vector Machines, SVM ）框架的方法 进行以前判别信息的累积以便于预测使用者的意动方向。该方法改善了单次在线分类的准确率和稳 定性，达到了仅10％的错误率。 关键词：脑-机接口，支持向量机框架，小波，单次脑电分类，运动想象 1．引言 脑-机接口是一种连接大脑和外部设备的实时通信系统，脑-机接口系统可以把大脑发出的信息 直接转换成能够驱动外部设备的命令，并代替人的肢体或语言器官实现人与外界的交流以及对外部 环境的控制。由于脑电（electroencephalogram, EEG ）信号的复杂性和非平稳性，目前在线分析单次 [1] 脑电信号对信号处理和模式识别技术而言是一个挑战 。 当人们实际做或仅想象单侧肢体动作时（如左、右手动），大脑的感觉运动皮层会表现出 EEG 的节律性活动（如μ、中心β节律），在9~ 13Hz （μ节律，主要来自中枢后躯体 觉皮层）和18~22Hz （β节律，主要来自中央前运动皮层）两个频段的EEG 信号幅度将发生相应的改变。当幅度明显减 小时称为事件相关去同步 （event-related desynchronization, ERD ），而当幅度明显增大时称为事件相 [2] 关同步 （event-related synchronization, ERS ） 。在脑-机接口系统中，常将ERD/ERS 作为输入特征。 [3] 一些脑-机接口特征信号分类方法，如基于μ节律概率模型的方法 ，已经成功地用于左右手运 动想象脑电信号的单次训练在线分类任务。因为我们考虑到支持向量机是一种有效的分类器，可以 在特征简单和冗余的情况下得到很好的结果，所以在这里我们根据 EEG 的μ和β节律变化 （ERD/ERS ），采用Morlet 小波来在线提取脑电信号中的时 特征信号，再采用一种基于支持向量 机框架的方法对特征进行分类和以前判别信息的累积，以稳定地在线区别左右手运动想象脑电信号。 2 ．数据来源 本文采用的数据来自德国组织的2003 年国际BCI 数据竞赛[4] ，是奥地利Graz 工业大学医学信 息系生物医学工程研究所公布的一组数据。该实验基于左右手运动想象，受试者按照提示信息主动 想象某种特定的运动动作，同时在相关的头皮电极位置 （C3，C4 以及Cz 电极）记录得到运动想象 脑电信号。每一次典型的数据记录过程如下：首先给受试者2s 安静准备时间，同时监视器显示十字 符号，在第2s 时，发出短促的提示声，在第3s 时，真正显示一个向左或向右的方向箭头，受试者 按照箭头的方向被引导着想象手的运动，此后的6s 于进行想象，单次实验延续9s 间。数据的采样 频率为128Hz ，在0.5~30Hz 之间进行了带通滤波。 3 ．特征提取与分类 3.1 数据的初步分析 1本课题得到国家自然科学基金 （编号）和高等学校博士学科点专项科研基金资助