多类运动想象脑电信号的处理研究

赵 丽 郭旭宏 耿丽清

(天津市信息传感与智能控制重点实验室天津职业技术师范大学，天津 300222)

引言

脑-机接口(brain computer interface，BCI)是在人脑和计算机或其他电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术［1－3］。

脑电信号(electroencephalogram，EEG)反映了脑细胞的电生理活动，当大脑皮层区在某一时刻处于活跃状态时，若与之对应的脑电信号频率的幅值或者能量值表现为降低，则称这种现象为事件相关去同步(ERD)现象;相反，当大脑皮层区在某一时刻未处于活跃状态，则与之对应的脑电信号频率的幅值或者能量值表现为升高，这种现象称为事件相关同步(ERS)现象［4］。实验证明，受试者想象肢体运动时，大脑运动感觉区的μ节律(8～12 Hz)和β节律(14～26 Hz)会产生ERD/ERS现象，基于此原理可以设计不依赖外部刺激器的自发脑-机接口系统。

目前，基于运动想象脑电信号的研究主要分为在线和离线两大类。在线BCI系统注重实时性，大多根据先验知识，对固定时间、固定频率的脑电节律进行处理分析，由于没有考虑脑电信号的个体差异，或同一受试在不同状态下的差异，在线多类运动想象BCI系统的正确率在75%左右［5］，相比其它范式的BCI系统还不够成熟。

因此本研究探索一种适合在线多类运动想象脑-机接口系统的信号处理方法，在尽可能不增加系统复杂度的前提下，通过分析ERD/ERS比率，自适应选择不同受试者的最优时间和频段，以减少受试的训练次数，提高系统的适用性。

本研究设计了基于LabVIEW平台的脑电采集和实时反馈系统，利用ERD/ERS比率、小波包分解和马氏判别的方法对想象左手运动、右手运动和脚运动时产生的脑电信号进行实时分类，实验结果表明三类想象的平均正确率达到84.3%，取得了较为理想的效果。

1 实验设计

1.1 实验平台

本实验由采集系统和计算机软件系统两个部分组成。采集部分主要包括脑电放大器和电极线，完成信号的采集、放大，A/D转换后由USB传送保存在计算机内。脑电放大器为中科新拓NT9200，电极线选用Ag-AgCl电极。

计算机软件系统以LabVIEW平台为核心，完成用户界面和流程控制，如图1所示，左半面为提示界面，受试者按照灯点亮的顺序执行对应的动作;右半面为反馈界面，在想象结束后将分类结果提示给受试者。

图1 实验界面Fig.1 Practice interface

1.2 实验流程

实验在相对安静的实验室内进行，共有5名年龄在23岁到26岁身体健康的同学参加，均为右利手。由于运动想象相对复杂，对受试者要求较高，因此正式采集前需要对实验者进行训练，分别想象左手右手拍篮球、脚踢足球，并保证实验者熟悉自发脑电的诱发过程和原理。

单次采集实验持续6 s，t=0 s时，预备灯点亮，t=2 s时，左手、右手或脚想象的灯被随机点亮，t=3 s时受试者根据屏幕提示进行相应的运动想象，t=6 s时，停止想象的灯点亮，想象任务结束，之后有3 s的休息时间。每个受试者完成90次实验，其中想象左手、右手和脚运动各30次。以双耳乳突A1、A2为参考电极，采集C3、C4和Cz等3个通道的脑电信号，采样率为250 Hz。

2 小波包与小波包熵

脑电信号是典型的非平稳信号，经典的信号处理方法无法同时兼顾信号的时域和频域特征，小波变换可以在不同的时间-尺度下观察信号的能量，是处理非平稳随机信号的重要方法之一。

（2）还可以利用现代多媒体手段来收集音乐资料，并合理地应用于幼儿音乐教学中，使民间音乐得以传承和发扬。

小波包变换在小波多分辨分析的基础上，对没有细分的高频部分进一步分解，从而实现了将信号按照任意的时频分辨率分解到不同的频段，将时频成分相应的投影到所代表不同频段的正交小波包空间上［7－8］。

Mallat分解算法得到的小波包会产生频段与小波包节点顺序颠倒的现象。为了后面特征提取部分能够提取正确的频段信息，通过Matlab进行仿真，构造一个频率1～125 Hz、采样率250 Hz的混合正弦信号，对其6层小波包分解并对各个节点分别重构，利用傅立叶变换分析各个重构信号的频段范围，通过实验仿真，得到小波包节点与对应的频段关系如表1所示。

表1 小波包节点和频带范围Tab.1 Wavelet packet node and frequency bands

小波包熵是在熵的概念上进一步发展，它用来度量信号能量在各个节点分布的无序程度，当各个节点能量均衡时，小波包熵值最大，各个节点的能量差别越大，则小波包熵值越小［9］。

3 数据处理

3.1 滤波

由于脑电信号十分微弱，采集到的信号中包含很多干扰和伪迹的成分，因此必须在数据处理前进行预处理。运动想象时主要刺激的是感觉运动皮层的μ节律和β频段，采用db4小波进行6层分解，频带宽度 1.95 Hz，由表 1可知节点(6.6)、(6.7)、(6.5)、(6.13)、(6.15)、(6.14)大致对应 μ节律和β频段，因此将这6个节点的小波系数重构，叠加后得到只包含μ节律和β频段的滤波信号，滤波后的信号频率能量大部分集中在7～13 Hz和17～24 Hz，较好的保留了相关频段的信息。

3.2 特征频段和时间的选择

ERD/ERS比率用来表示运动想象时脑电信号的变化程度，如公式(1)所示:

式中，M表示想象时脑电信号的能量，B表示安静状态时的脑电能量，f为变化程度，若为正值，表明脑电能量增大，即出现ERS现象，若为负值表明脑电能量减少，即出现ERD现象。

由于脑电信号具有很强的个体差异性，ERD/ERS现象是大量数据统计的结果，并不是每个人每次实验都能产生非常标准的ERD/ERS现象，因此想象手部运动时，着重比较C3与C4通道的ERD/ERS比率差，差值越大则可分性越高;想象脚运动时，着重选择Cz通道的ERD/ERS比率，越小可分性越好。

具体方法为:首先将(6.4)～(6.15)12个节点分别重构，得到重构信号;然后将0～2 s的脑电信号能量作为基线，分别计算2～4 s、3 ～5 s、4 ～6 s时的ERD/ERS比率;最后根据上述方法，分析ERD/ERS比率，选出特征频段和时间。

以其中一名受试者为例，表2至表4分别为想象左手、右手和脚时，C3、C4和Cz通道12个频带和3个时段的ERD/ERS比率。

表2 某受试者想象左手运动时的ERD/ERS比率Tab.2 ERD/ERS rates of a participant imagine left hand

表3 某受试者想象右手运动时的ERD/ERS比率Tab.3 ERD/ERS rates of a participant imagine right hand

表4 某受试者想象脚运动时的ERD/ERS比率Tab.4 ERD/ERS rates of a participant imagine foot

分析表2，此受试者想象左手运动，首先选择特征时间，横向对比同一节点时2～4 s、3～5 s、4～6 s的ERD/ERS比率，可以看出3～5 s时的绝对值普遍较高，说明该受试者的特征时间在3～5 s。然后选择特征频段，纵向对比(6.4)～(6.15)节点的ERD/ERS比率，可以看出在(6.4)(6.5)(6.9)(6.11)(6.14)节点处C3比C4通道的ERD/ERS比率高，即特征频段主要为11.7～17.5 Hz和21.5～27.5 Hz。

同理分析表3和表4可以得出，想象右手运动时特征时间在 3 ～5 s，在(6.4)、(6.5)、(6.9)、(6.12)、(6.13)、(6.15)节点处 C4比 C3通道的ERD/ERS比率高，即特征频段主要为11.7～21.5 Hz。想象脚运动时，特征时间在3～5 s，在(6.8)、(6.10)、(6.12)、(6.14)、(6.15)节点处 Cz通道的ERD现象较明显，即特征频段主要为15.6～17.5 Hz和19.5～21.5 Hz。

综合以上分析可以得出，该受试者在3～5 s，节点(6.4)、(6.5)、(6.12)、(6.15)的区分度最好。

3.3 特征提取

将小波包归一化能量和小波包熵组合为特征向量。设m层小波包分解后第w个节点的系数为向量Wi(i=1，2…n)，n表示节点的长度，则第w个小波包的归一化能量为Pw:

仍以上名受试者为例，由分析特征频段和时间的结果可知，节点(6.4)、(6.5)、(6.12)、(6.15)的ERD/ERS现象较好，因此选择这四个节点和小波包熵组成 5 维特征向量［P6.4、P6.5、P6.12、P6.15、S］，再将C3、C4和Cz等3个通道的特征向量组合可得15维的特征向量，为模式识别做好准备。

3.4 马氏距离判别

马氏距离进行分类就是计算待测样本与各个标准样本之间的马氏距离，距离最小的即归为同一类［10－11］。

将上述得到想象左手、右手和脚运动的数据构造为三类标准样本集L、R和F，分别为30行15列，表示30个样本，每次实验中有15个特征值。分别计算各类样本的均值μL、μR和μF以及全体样本的协方差C，将测试样本x带入，按照以下公式计算马氏距离:

x所属类别可由判别式(4)决定:

结果为dL时表示为左手，为dR时表示右手，为dF时为脚。

4 结果分析

5名受试者再次按照流程进行运动想象，左手、右手和脚各实验60次，将数据分别按照本研究的方法和经典功率谱估计法进行处理，记录反馈界面的分类结果，两种方法的分类结果如表5所示。

表5 分类结果Tab.5 The result of classification

由表5可以看出，利用经典功率谱估计法最大正确率78.9%，5名受试者平均正确率为74.3%，本研究提出的方法最大正确率87.8%，5个受试者的平均正确率可以达到84.3%，较好区分了三类运动想象，也说明了经典信号处理方法对非平稳随机信号具有较大的局限性。

利用ERD/ERS比率选取特征频段和时间，与Fisher准则相比，算法简单，时间开销小，基本不影响系统速度，不需要大量的样本数据，可以提高系统的自适应性，减少受试者的训练次数，降低对受试者的依赖性，适合用于在线BCI系统中，对扩大适用人群具有重要的意义。

通过分析三类想象的正确率也发现，想象脚运动的成功率比想象左右手低，通过实验后对受试者的咨询发现，普遍对脚和左手的运动想象较为困难，即右利手的受试者则更容易想象右手运动成功，因此很可能与被试的数目较少、典型性不够有关。

5 结论

本研究设计了基于LabVIEW平台的运动想象脑电信号采集系统，利用小波包分解对脑电信号滤波，通过分析小波包节点的ERD/ERS比率，适应性的选出最佳特征时间和频段，利用马氏距离对小波包能量和小波熵的组合特征向量分类判别，平均正确率可以达到84.3%，较好的实现了三类运动想象的分类，提高了系统的自适应性。

［1］Houdayer E，Degardin A，Salleron J，etal. Movement preparation and cortical processing of afferent inputs in cortical tremor:An event-related(de)synchronization(ERD/ERS)study［J］.Clinical Neurophysiology，2012，123(6):1207 －1215.

［2］Stepien M，Conradi J，Waterstrat G，et al.Event-related desynchronization of sensorimotor EEG rhythms in hemi paretic patients with acute stroke［J］.Neuroscience Letters，2011，488(1):17－21.

［3］赵丽，孙永，郭旭宏，等.基于稳态视觉诱发电位的手机拨号系统研究［J］.中国生物医学工程学报，2013，32(2):253－256.

［4］Pfurtscheller G，Lopes da Silva FH.Event-realated EEG/EMG synchronization and desynchronization:basic principles［J］.Clinical Neurophysiology，1999，110(11):1842－1857.

［5］谷艳蕾.基于运动想象和alpha波的脑机接口及虚拟漫游系统［D］.杭州:浙江大学，2012.

［6］李丽君.基于运动想象的脑电信号特征提取及分类算法研究［D］.广州:华南理工大学，2012.

［7］李明爱，马建勇，杨金福.基于小波包和熵准则的最优频段提取方法［J］.仪器仪表学报，2012，33(8):1721－1728.

［8］王宏，赵海斌，刘冲.采用小波熵和频带能量提取脑电信号特征［J］.吉林大学学报(工学版)，2011，41(3):828－831.

［9］肖毅，陈善广，韩东旭.基于脑电节律的小波熵分析方法［J］.科技导报，2011，29(16):39－44.

［10］万柏坤，刘延刚，明东，等.基于脑电特征的多模式想象动作识别［J］.天津大学学报，2010，43(10):895－900.

［11］王玉静，宋立新，康守强.基于EMD和奇异值分解的心律失常分类方法［J］.信号处理，2010，26(9):1423－1427.