基于ICA-CSP-KNN 的运动想象脑电意图识别

鲍甜恬，欧阳虹霞，杨天宇，陈伊桓

（南京师范大学泰州学院，江苏 泰州 225300）

脑-机接口（brain computer interface，BCI）技术，不依赖肌肉和外部神经组织而建立的能够将人的正常大脑信号进行传输的通道，能够实现人脑与计算机直接进行信息的交互与外部设备的控制[1-2]。脑-机接口的诞生与发展可以为因中枢神经或者运动系统受到损伤的患者提供辅助康复，因而在神经康复领域备受关注。本文研究的是基于运动想象（motor imagery，MI）脑电信号（electroencephalography，EEG）的BCI 系统中的意图识别。运动想象是指被试者通过想象特定动作而不实际执行该运动的行为，BCI 系统通过采集人脑头皮脑电信号进行与外界交互。研究发现，运动想象脑电信号具有与实际运动脑电信号相同的节律且与有创EEG 信号测量相比，具有无创、高时间分辨率、低成本等特点[3]。

如何有效提取EEG 信号的特征以及提高分类准确率是近些年研究MI-EEG-BCI 系统的重点及难点。何群等[4]采用自适应无参经验小波变换和选择集成分类模型相结合的方法提高脑电信号的识别率，取得了89.95%的准确率。陈黎等[5]提出一种基于欧氏空间和加权逻辑回归迁移学习的运动想象脑电解码方法，比同类算法相比提高了4%的分类准确率，改善了分类模型的通用性问题。刘宝等[6]提出一种基于POS-CSPSVM 结合的运动想象脑电信号意图识别方法，利用粒子群优化算法得到EEG 信号的最佳时段，并采用共空间模式（Common Spatial Pattern，CSP）对最佳时段进行特征提取，最后通过支持向量机对提取的特征进行分类，取得了89.65%的分类准确率。孙会文等[7]提出了一种基于希尔伯特黄变换（Hilbert-Huang Transform，HHT）的EEG 信号识别方法，使用支持向量机进行特征分类，取得了较好的分类准确率。

1 实验数据和方法

1.1 实验数据

实验数据采用2008 年第Ⅳ届BCI 比赛德国柏林团队提供的数据集Ⅰ的运动想象脑电数据[8]。该数据由7 名健康的受试者提供（a～g）。包含标准集和评估集2部分，本文选用的是标准集数据。单次实验过程如图1所示。

图1 单次运动想象实验过程图

在0～2 s 内，显示屏持续显示“+”号，此时受试者保持放松状态；第2 s 时，显示屏随机显示←、↓、→，提示受试者做出相应的运动想象（左手、右手、脚），箭头持续到第6 s；之后显示屏空白，提示受试者休息，一次实验结束。在实验过程中，每个受试者进行200 次实验。实验采用59 导联对受试者进行数据采集，频率为100 Hz。

1.2 研究方法

为了获得较高的运动想象EEG 信号分类准确率，本文提出一种基于ICA-CSP-KNN 相结合的运动想象EEG 信号特征提取及特征分类算法。该算法主要包括ICA 算法对脑电信号进行眼电等干扰信号去除，CSP算法对脑电信号进行特征提取和KNN 算法对特征进行分类识别。该算法的整体结构框图如图2 所示。

图2 ICA-CSP-KNN 算法的整体结构框图

1.2.1 基于ICA 的预处理

EEG 信号包含丰富的时间和空间信息，但是有用的信息往往被淹没在无关的背景活动中，而头皮脑电信号由于其本身特性可能来自于不同位置且代表不同生理活动的源成分信号的线性叠加[9]。因此本文采用ICA 去除脑电信号中包含的眼电等信号的干扰。逐次提取的快速独立分量分析（FastICA）算法是基于定点迭代结构的算法，目的为找到具有最佳投影方向的单位矩阵W，使原有数据在W方向上的投影WTX的非高斯性取得最大值[10]。

1.2.2 特征提取

对经过预处理的数据经过CSP 提取特征。CSP 能够有效地提出EEG 信号的空域特征[11]。具体过程如下所示。

1）提取对应的混合空间协方差矩阵R

X1和X2归一化后的协方差矩阵R1和R2分别为

式中：XT表示X矩阵的转置，trace（X）表示矩阵对角线上元素的和（i=1，2）分别为平均协方差矩阵。

2）对R进行奇异值分解，得到白化特征值矩阵P

式中：U是矩阵的特征向量矩阵，λ是对应的特征值构成的对角矩阵。

3）对协方差矩阵进行变换

4）对特征向量进行主成分分解

式中：λ1和λ2是特征向量中存在的2 个对角矩阵，B为相同特征向量矩阵，I为单位矩阵。

5）计算投影矩阵W

6）求特征矩阵及其特征向量，即

式中：Zi为对应的特征矩阵，fi为对应的特征向量。

CSP 原理流程图如图3 所示。

图3 CSP 原理流图

1.2.3 特征分类

KNN 是一种有监督学习方法[12]，本文用KNN 算法对特征数据进行分类。KNN 训练阶段使用经过特征提取后的训练集EEG 信号和其对应的类别标签，则训练集数据可表示为

式中：xi为样本的特征向量，yi为样本对应的类别，m为样本数量。

根据欧拉距离公式[13]

对于测试集数据在训练集中寻找与其最接近的k 个特征向量，根据少数服从多数的规则决定测试集的类别。

2 实验结果

本文用准确度ACC（Accuracy）值和AUC（Area Under Curve）值以及均方误差（MSE）作为分类效果的评判标准。ACC 值为准确度，ACC 值越高，表示分类器分类正确率越高。

式中：TP，TN为分类正确的个数；FP，FN表示分类错误的个数。式中分子表示分类正确的个数，分母表示分类总数。

AUC 表示ROC 曲线下的面积，AUC 值越大，表示分类器分类效果越好。

MSE 表示预测值与真实值的匹配接近程度，MES值越大，表示预测值与真实值差距越大。

图4 为7 组受试者在本文提出方法下的分类效果图。其中图4（a）中为ACC 与AUC 值，图4（b）中为MES 值。由实验结果可知，本文提出的ICA-CSP-KNN结合的运动想象脑电信号分类方法具有较好的分类效果，其中平均准确率可达93%以上。

图4 受试者两类运动想象分类结果图

3 结论

本文主要研究了2 类运动想象脑电信号的分类问题，针对EEG 信号的非平稳、非线性的特点，本文提出了一种ICA-CSP-KNN 结合的运动想象脑电信号分类方法。利用ICA 对EEG 信号进行噪声去除，并通过CSP 进行特征提取，之后利用KNN 分类器进行特征分类，得到了93%的准确率。实验结果表明，本算法具有较好的分类效果，为2 类运动想象脑电信号分类提供了一种有效的方法。