基于小波包与共空间模式的脑电信号特征提取与分类.docVIP

基于小波包与共空间模式的脑电信号特征提取与分类 　　【中图分类号】R318 【文献标识码】A 【文章编号】2095-6851（2017）04--01 　　脑-机接口是一个不依赖于外周神经系统与肌肉组织等大脑输出通道的通信系统[1]。这种全新的技术能为那些神经受损，无法与外界正常交流的残疾人提供全新的信息交换与控制通道。小波分析能选择不同的小波基函数，通过基函数的尺度伸缩与平移来对信号进行分析，是一种应用非常广泛的时频分析工具[2]。共空间模式算法是在高维空间中给出两个分类，找到一个最大化的第一类方差，同时最小化第二类方差，然后对两个协方差矩阵同时对角化来设计最优的空间滤波器[3]。支持向量机是根据统计学习理论结构风险最小化提出的机器学习算法[4]。该算法在模式分类尤其是二分类方面能取得理想的效果。本文尝试将小波包分解，共空间模式与支持向量机算法结合应用于脑机接口系统的特征提取与分类环节。 　　1.实验数据获取 　　在实验中，使用Biosemi 32导脑电图仪进行信号采集，采样频率为2kHz，电极按照10-20国际标准安放。采集过程中，被试者头戴电极帽，以舒适姿势端坐在显示屏幕前，双眼注视屏幕中央视觉刺激界面，共进行4次作业，每个作业包含50次实验，一次实验的测试时间为3秒。数据记录为通道号×样本数×作业号，故实验数据在matlab中记录为32×6144×200。 　　2.实验数据处理 　　2.1 数据预处理 　　数据预处理的目的是去除相关噪声提高信噪比。对信号进行如下预处理：a.去参考，对每次作业的记录减去参考电极均值。b.去除直流成分， 将每个实验数据记录点的值减去当次实验记录数据的平均值，从而得到零均值的数据。c.降采样，对数据进行4倍降采样从而降低数据量。 　　2.2 小波包分解 　　实验数据经过前期预处理后，采样频率降为512Hz。由于脑电信号中感兴趣的成分主要集中在低频带，对信号进行5层小波包分解，5层分解系数与相应的频带范围如表1所示。 　　信号经过5层小波包分解后，提取S[5 0] ，S[5 1]， S[5 2] ，S[5 3]小波树节点的系数如图1所示。将4个节点的系数取均值之后的数据波形图与原始波形图对比，如图2所示。从图中可以看出经过小波包分解之后，求取低频段的系数均值既能滤除掺杂在EEG信号中的高频成分，又可突出信号时域特征。 　　2.3 共空间模式 　　假设把某次实验采集到的脑电信号数据表示为一个N×T维的矩阵E，其中N表示为通道数，T表示为每个通道的采样点数，则规范化的数据协方差矩阵为： 　　2.4 支持向量机 　　支持向量机的实现思想是将在低维空间线性不可分的两类数据映射到高维特征空间，从而构建分类超平面。超平面能将两类数据点尽可能的分开，并且使两类数据的分类间隔最远。在高维空间引入松弛变量 与惩罚因子C。松弛变量定义为被错分的样本点到超平面的距离，惩罚因子定义为对错误分类的惩罚程度。则定义目标函数为： 　　（10） 　　其中： 为拉格朗日乘子， 为最优超平面的法向量， 为最优超平面与原点的偏移。则最后问题转化为求解目标函数的最优解问题。 　　3.实验结果 　　将实验数据进行预处理后，利用小波包分解与共空间算法进行特征提取.。图3为特征提取后靶刺激与非靶刺激在新特征空间的示意图： 　　从图3中可以看出在0-125ms，200-300ms时段内靶刺激信号与非靶刺激信号有较明显的差异，说明经过CSP处理后能较好的提取出两类信号的特征。表2为对三位被试者（标记为A，B，C）的实验数据进行10次试验得到的分类识别率，从表中可知三位被试者的分类识别率最高可以达到95%，最低可达到87%，平均分类识别率均达到90%以上。说明此试验方法可以较好的实现脑机接口信号的模式分类。 　　4.结论 　　本文利用小波包分解?cCSP算法对采集到的信号进行特征提取，并利用支持向量机算法对信号进行了模式分类。通过三位受试者的实验结果对比验证了其可行性，对后续的研究有一定的借鉴意义。本文虽取得了不错的模式识别效果，但是还有许多值得进一步研究的地方。如在小波包分解中可以依据数据特征进行最优小波基的选择，也可在系数均值中选取对分类最有效的系数用以降低特征维数，在CSP环节可以选择不同的通道组合和特征向量选择从而提高分类精度。 　　参考文献 　　[1] Wolpaw J.R，et al. Brain-Computer Interfaces Technology： A Review of the First Internation Meeting[J].IEEE Trans.Rehab.Eng.，2000，8（2）：166-173. 　　[2] 杨帮华，颜国正，严荣国.脑机接口中基于小波包最