基于Matlab工具箱的脑—机接口数据处理
2016-10-13伍智萱杨晨王聪
伍智萱 杨晨 王聪
基于Matlab工具箱的脑—机接口数据处理
伍智萱 杨晨 王聪
郑州大学 信息工程学院,河南 郑州 450006
脑电信号(EEG)是一种典型的生物电信号,包含大量生理和病理信息,对于神经医学、临床检测以及新兴脑-机接口科技的发展,都有深远的意义。研究简单介绍了脑电信号的数据预处理、特征抽取和分类。脑电信号的非平稳性和背景噪声等都很强,因此在预处理中要进行数字滤波。特征抽取采用小波包分解分析,之后进行小波阈值去噪。采用BP神经网络LM算法进行分类预测。
脑电信号;数字滤波;小波分析;Levenberg—Marquardt算法;MATLAB
引言
脑—机接口(Brain_computer interface,以下简称BCI)是在人或动物脑(或者脑细胞的培养物)与外部设备间建立的直接连接通路,是基于脑电信号(Eletroencepha logram,EEG)实现人脑与电子设备之间通信和控制的系统,不依赖于正常的人脑外周神经和肌肉输出通道[1]。BCI既可以恢复思维正常但有运动障碍的人的感官,也可以用来增强人类,充分发挥机器计算能力、通信和传感能力的优点,提供与外部环境进行交流和控制的新途径。
BCI的基本原理是:人脑能够产生特定模式的脑电信号,通过对这些脑电信号进行预处理、特征提取、分类识别与输出控制,就可以识别出受试者不同的意图,从而通过通路控制电子设备进行反应[2]。预处理是对信号进行初步的数字滤波之后降采样。特征抽取脑电信号中提取出有用的信息特征之后对信号进行选择,分类识别则是利用这些特征信息对不同人脑状态进行区分。近年来,全球范围对此领域的基础研究已经有很多年,研究的主线是大脑不同寻常的皮层可塑性,它与脑—机接口相适应,可以像自然肢体那样控制植入的假肢,在当前所取得的技术与知识的进展之下,对不同状态下的脑电信号分类以控制外界环境是可行的。
1 脑电信号分析及信号转换
1.1 脑电信号的预处理
EEG的频率范围一般在0.5~100Hz,但在实验的特征分析中只需要提取出0.5到30Hz之间的信号,所以用低通滤波器对信号进行滤波。切比雪夫I型滤波器能够有效地将技术指标的精确度均匀分布在通带内,实现用阶数较低的系统来满足要求的目的。在大部分情况下,若不需要特别平坦的通带,选择切比雪夫Ⅰ型滤波器会使阶数更低,从而提高计算效率。
原始EEG信号的采样频率约为1000Hz,数据与运算量较大。为了减少运算量,对采集的EEG信号进行降采样,每隔5个点抽取一个点,即将采样频率由1000Hz变为200Hz。选取10000个样本点(约为39.06s)作为研究对象。
EEG信号是一种微弱(μV级)的非平稳的电生理信号,信噪比低,所以极易受到非神经源噪声和神经源噪声,如工频干扰、高频干扰、眼动伪差等其他电生理信号的影响[3]。所以需要将混杂在其中的噪声、伪迹等干扰信号去除掉,以保障信号处理的有效性和可靠性。
1.2 脑电信号的特征提取及去噪
特征提取:处理所得测量值,通过矩阵变换,使得数据模块中的代表性特征能够突显,EEG信号的特征提取,脑电信号经过数字化处理和预处理,从中提取出能够表明被测试者的思维状态的信号特征。最常用的特征提取有自回归模,独立分量分析,小波变换和共空间模式等。在研究中使用的是小波包分解法。
对于给定的信号我们需要分析所对应的频率和幅值,传统的分析手段运用傅里叶变换,但是它不能将时域和频域联系起来,后来D.Gabor提出了短时傅里叶变换对信号进行加窗。短时傅里叶变换的窗口大小和形状与信号的频率无关,而所需的时频分析窗应具有随频率变化而自动调节分析带宽的能力。小波分析克服了这个不足,当在较小的尺度下对信号分析时,实际上是用高频小波对信号进行细致观察,当在较大的尺度对信号进行分析时,实际上是用低频小波对信号进行概貌观察[4]。
小波变换采用Mallat算法:在满足测不准原理的条件下将脑电信号y(t)按任意的视频分辨率分解到不同的频段,并将信号y(t)的时频相应的投到所有代表不同频段的正交小波包空间上[5]。
传统信号处理得到时域频域信息主要采用傅里叶变换。傅里叶分析是将信号在频率域中分析来实现去噪,缺乏时域定位功能[6],它不能用于分析不平稳的信号,因为傅里叶变换的特性使它无法显示信号在某个时间点上的变化情况,不能有效的区分信号中可能包含的尖峰或突变部分还是不平稳的白噪声。小波变换具有多分辨率分析的特点,良好的时频局部化特性,能够对各种时变信号进行有效的分解,从而较好的将信号与噪声加以分离[7]。
小波分析常用去噪方法:默认阈值去噪处理,给定阈值去噪处理,强制去噪处理[8]。首先将信号进行n层小波变换得到小波系数,然后在小波变换域上利用信号与噪声的不同特性,对小波变换进行阈值化处理,把噪声从信号中区分开来(主要是对高频系数进行阈值化处理)。
1.3 脑电信号的分类识别
脑电信号常用的分类方法有:Fisher线性判别、贝叶斯方法、BP神经网络等,这里我们使用基于LM(Levenberg -Marquardt)算法的神经网络来进行脑电信号分类器的设计。
BP网络(Back Propagation),是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP神经网络模型结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。传统的BP算法就是把一组数据输入输出问题转化为一个非线性优化问题,并通过负梯度下降算法,利用迭代运算求解权值问题的一种学习方法[9]。
虽然基本的BP算法具有简单易行、并行性强、计算量小等优点,但它同时也具有学习时间长、易陷入局部最小、收敛速度慢等问题。LM算法是介于牛顿法与梯度下降法之间的一种非线性优化方法,它能使目标函数陷入局部极小值的机率大大降低,且训练的迭代次数少,能有效节省训练时间,非常适合性能指数是均方误差的神经网络训练[10]。LM优化算法利用标准的数值优化技术,具有高斯一牛顿法的局部收敛性和梯度下降法的全局特性,在局部搜索能力上强于BP网络[11]。
在本文中使用LM算法进行信号的分类,希望可以更高效地处理信号。它的关键是用模型函数f对待估参数向量p在其领域内做线性近似,忽略掉二阶以上的导数项,需要对每一个待估参数求偏导。
1.4 输出控制
信号转换是根据信号分析、分类之后得到的特征信号产生驱动或操作命令,通过信号处理将特征变量转换为驱动和控制外围设备的指令,对外围设备进行操作,或直接输出表示患者意图的字母或单词,达到与外界交流的目的[12]。输出设备主要指接受控制指令并做出相应动作的设备终端。
2 仿真设计实验过程及结果
本实验所使用脑电信号数据组成的数据集是来自CSDN.NET。
使用切比雪夫Ⅰ型滤波器对脑电信号进行低通滤波处理。在MATLAB command窗口下,执行FDATool命令,FDATool(Filter Design&Analysis Tool)是MATLAB信号处理工具箱里专用的滤波器设计和分析工具,操作简单,方便灵活。在Design Filter设置滤波器的设计参数.设置Fstop=0.5Hz,Fpass=30Hz。设置完以后点击Design Filter即可得到所设计的FIR切比雪夫Ⅰ型低通滤波器。设计完成后将结果保存为l.fda文件[4]。
进行低通滤波处理之后,信号的高频部分被滤除。在matlab命令窗口下绘制出原信号和滤波之后的信号分别如图1和图2。
图1 原始EEG信号波形
图2 滤波后信号波形
打开小波工具箱wavemenu,用db8波执行8层分解,脑电信号所对应频率及子带如表一所示。之后采用小波阈值去噪如图三所示。
表1 脑电信号对应子带及频率
图3 小波阈值去噪后小波分解波形
打开nntool(Neural Network/Data Manager)工具箱,设置所需参数,创建BP神经网络并采用LM训练算法进行分析运算,运算结果将作为输出设备的输入信号进行使用。
3 结束语
BCI是一个多学科交叉的新兴技术,涉及神经科学、信号处理、信号检测、模式识别等多种学科领域,研究这项技术具有重要的理论意义和应用前景。运用matlab工具箱来实现BCI不容易出错且更容易让人理解。通过BCI技术,人可以直接通过大脑思维来操纵外部设备,表达自己的想法和意愿,而不需要通过语言或是肢体上的表达,以一种全新的方式来进行通信。虽然大多数的BCI系统还在实验研究阶段,也仍然有很多的问题需要解决,但是我们依然可以期待它为人类将来的生活带来更多的便利。
[1]高上凯.基于节律性脑电信号的脑—机接口[J].生命科学,2008,20(5):722.
[2]陈悦,张少白.LM算法在神经网络脑电信号分类中的研究[J].计算机技术与发展,2013,23(2):119.
[3]徐欣,周运,马千里.EEG数据信号的Matlab滤波仿真设计分析研究[J].南京邮电大学学报:自然科学版,2011,31(6):37-38.
[4]姬风庆,董爱华.心电信号数字滤波的matlab仿真[J].中国医疗器械信息,2007,13(11):30.
[5]胡晓曼.基于WVD分析的多通道LFPs的θ和γ相位同步振荡对工作记忆事件的编码[D].天津:天津医科大学,2011.
[6]孙延奎.小波变换与图像图形处理技术[M].北京:清华大学出版社,2011.
[7]周鸿表,陈若珠,李军红.基于小波变换的癫痫脑电信号特征提取[J].电子测量技术,2009(10).
[8]张仁辉,杜民.小波分析在信号去噪中的应用[J].计算机仿真,2005,22(8):69.
[9]鄢玉,杨洁明.BP神经网络算法探讨[J].科技情报开发与经济,2006,16(3):241.
[10]张翼鹏,陈亮,郝欢.一种基于LM的量子神经网络训练算法[J].计算机科学,2013,40(9):221.
[11]张长胜,欧阳丹彤,岳娜,张永刚.一种基于遗传算法和LM算法的混合学习算法[J].吉林大学学报(理学版),2008,46(4):675.
[12]杨立才,李佰敏,李光林,贾磊.脑—机接口技术综述[J].电子学报,2005,33(7):1234.
Data Processing of Brain Computer Interface Based on Matlab Toolbox
Wu Zhixuan,Yang Chen,Wang Cong
Information Engineering College,Zhengzhou University,Zhengzhou,450006,China
Electroencephalogram (EEG) is a typical biological signals,and contains a large number of physiological and pathological information,for neural medicine, clinical detection and new brain computer interface technology development,far-reaching significance.This paper briefly introduced EEG data preprocessing, feature extraction and classification.EEG nonstationarity and background noise is very strong,so in the pretreatment to digital filter.Feature extraction using wavelet packet decomposition analysis.After the wavelet threshold denoising.The LM algorithm of BP neural network to classify and predict.
EEG signal;digital filter;wavelet analysis;LM algorithm;MATLAB
TP183
A
1009-6434(2016)05-0074-03