（信号与信息处理专业论文）运动想像脑电信号的分析与处理方法研究.pdf

中文摘要 中文摘要 脑电信号( e l e c t r o e n c e p h a l o g r a m ，e e g ) 是脑神经细胞电生理活动在大脑皮层和 头皮的总体反映，其中包含了大量生理与疾病信息。由于脑电信号与人的意识活 动状态有相关性，通过对脑电信号的分类处理，可以识别不同的意识活动状态， 从而形成一种不依赖于大脑外周神经与肌肉正常输出通道的通讯控制系统，即脑 一机接e l ( b r a i nc o m p u t e ri n t e r f a c e ，b c i ) 。运动想象指只是想象肢体运动而没有实 际的肢体动作，运动想象时产生的脑电信号具有事件相关同步( e r s ) 年i 去同步( e r d ) 特征，通过分析运动想象脑电信号，可以判断想象者的运动意图，从而实现对外 部设备的控制，因此运动想象脑电信号成为b c i 系统最常使用的一种特征信号。 本文主要分析和讨论运动想象脑电信号的特征提取和分类算法，重点研究了 基于小波分析的特征提取方法。分别采用时域局部阈值优化、离散小波变换( d w t ) 特定频带重构系数阈值优化、小波包重构系数能量特征、小波包子带系数均值和 能量的优化组合特征作为分类器输入，对感兴趣时频带内的运动想象脑电信号进 行分类；同时分析比较了基于能量差、m a h a l a n o b i s 距离判别和支持向量机( s v m ) 的分类器性能。利用上述特征提取和分类算法对2 0 0 3 年b c i 国际竞赛运动想象脑 电数据进行分类，结果表明分类的最高正确率可以超过9 0 ，其中基于小波包系 数均值和能量的优化组合特征表现出良好的时频分辨能力和准确的区分效果，实 验结果为后续在线b c i 系统的设计和实现奠定了基础。 关键词：运动想象；脑机接口；小波变换；支持向量机；m a h a l a n o b i s 距离 分类号： a b s t r a c t e l e c t r o e n c e p h a l o g r a m ( e e g ) i st h eo v e r a l lr e f l e c t i o no fb r a i nn e r v ec e u s e l e c t r o p h y s i o l o g i c a la c t i v i t yo nc e r e b r a lc o r t e xo rs c a l p ，w h i c hc o n t a i n sa l a r g en u m b e r o fp h y s i o l o g i c a la n dd i s e a s ei n f o r m a t i o n b e c a u s et h e r ea r ec o r r e l a t i o nb e t w e e ne e g a n dc o n s c i o u ss t a t eo fb r a i n ，i ti s p o s s i b l et o c l a s s i f i c a t i o no fd i f f e r e n te e gm o d e l sa n dt h e n i d e n t i f yd i f f e r e n tc o n s c i o u ss t a t e sb y f o r m sac o m m u n i c a t i o nc o n t r o ls y s t e m w h i c hd o n td e p e n do nt h en o r m a lb r a i np e r i p h e r a ln e r v ea n dm u s c l eo u t p u tc h a n n e l s w h i c hi ss o 。c a l l e db r a i n 。c o m p u t e ri n t e r f a c e ( b c i ) m o t o r i m a g e r ym e a n si m a g i n a t i o no f l i m bm o t o rw i t h o u ta c t u a lp h y s i c a la c t i o n e e ge v o k e dd u r i n gm o t o r i m a g e r yh a st h e c h a r a c t e r i s t i c s o f e v e n t 。r e l a t e d d e s y n c h r o n i z a t i o n( e r d ) a n de v e n t r e l a t e d s y n c h r o n i z a t i o n ( e r s ) b yw h i c hw ec a nj u d g et h em o v e m e n ti n t e n t i o na n dc o n t r o l e x t e r n a ld e v i c e s om o t o ri m a g e r ye e g b e c o m e st h em o s tf r e q u e n t l yu s e df e 栅e s i g n a lo fb c i t h i st h e s i sa n a l y z e sa n dd i s c u s s e sf e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o n a l g o n t l l l i l s o fm o t o ri m a g e r ye e g ；c h i e f l yi n v e s t i g a t e sf e a t u r ee x t r a c t i o n a l g o r i t l l i i lb a s e do n w a v e l e ta n a l y s i ss u c ha sl o c a lt h r e s h o l do p t i m i z i n gi nt i m ed o m a i n ，t h r e s h o l d o p t i m i z e o tm s c r e t ew a v e l e tt r a n s f o r m r e c o n s t r u c tc o e f f i c i e n t si n s p e c i a lf r e q u e n c yb a l l d s w a v e i e tp a c k a g ed e c o m p o s i t i o nr e c o n s t r u c t c o e f f i c i e n t sc o m b i n i n gw i t hs u bb a n d e n e r g i e s ，t h r e s h o l do p t i m i z i n go fw a v e l e t p a c k a g ed e c o m p o s i t i o n “；c o n s t n l c t c o e f f i c i e n t sc o m b i n i n gw i t hs u b b a n da v e r a g e sa n d e n e r g i e s t h et h e s i sc l a s s i f i e sm o t o r i m a g e r ye e gi nt e m p o r a la n df r e q u e n c yi n t e r e s t e db a n dr e s p e c t i v e l yb yc l a s s i f j c a t i o n t i a n c h o na m o n gd i s p a r i t yo fe n e r g y , m a h a l a n o b i sd i s t a n c ed i s c r i m i n a t ea n a l y s i s a n d s u p p o r tv e c t o rm a c h i n e a l lm e t h o d sm e n t i o n e da b o v ea r eu s e dt o p r o c e s st h ed a t a o f f e r e db y2 0 0 3b c i c o m p e t i t i o n t h er e s u l t ss h o wt h a tt h eh i g h e s tr i g h tr a t ec a nb eu p t o9 0 t h r e s h o l d i n go p t i m i z ea p p l i e dt ow a v e l e tp a c k a g e d e c o m p o s i t i o nr e c o n s t r u e r c o e f f i c i e n t sc o m b i n i n gw i t hs u bb a n da v e r a g e sa n de n e r g i e sp e r f o r m sb e t t e rt e m p o r a l s e n s i t i v i t ya n dh i g h e rd i s t i n g u i s ha b i l i t y t h er e s u l t sa r eh e l p f u lf o rt h ed e s i 鲫a n d i m p l e m e n t a t i o no ff o l l o w u pb c is y s t e m k e y w o r d s ：m o t o r i m a g e r y ；b r a i n c o m p u t e ri n t e r f a c e ；w a v e l e tt r a n s f o n i l ： s u p p o r tv e c t o rm a c h i n e ；m a h a l a n o b i sd i s t a n c e c l a s s n o ： l 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 易撅华 导师签名： 由1 点院) 签字同期：力甜年多, e l 乡日签字日期：瑚年月 o 或q ，简单记作e = e l ，e 2 ，e 3 ，) 。 3 特征向量的形成 小波包子带系数均值与能量分别代表了信号不同的信息，可以单独作为特征， 也可以联合作为特征，本文中将二者结合成一个特征向量，令x = m ，日。 根据上述分析，利用小波包对运动想象信号进行特征提取的步骤如下： s t e p l ：首先对所有导联的实验数据，用指定的小波包基函数进行指定层次的 分解，计算出各频率子带范围能的小波包子带均值拖册跏、子带能量e m ； s t e p 2 ：同样的方法计算出其它导联的子带均值拖册抽、子带能量e 似，所有 导联的各子带心册加组成特征向量m ，各子带的e 抽组成特征向量e ，并分别对 m 和e 进行规一化处理，得到初始特征向量m 和e ； s t e p 3 ：每个导联根据上述方法得到m 和e 后，将m 和e 各特征分量按对应子 频两两交叉插入到目的特征向量x = 似，e ； s t e p 4 ：设謦，汪l ，8 为对应三级小波包分解后的八个子频带特征系数，且满 足系数砖之和为1 ，即 8 岛= 1 i = 1 s t e p 5 ：对特定的子频带的小波包分解系数均值及能量作加权运算，并以此结 果作为信号特征，分类器的输入进行分类。 3 6 实验结果及分析 3 6 1 局部阈值优化滤波 1 实验结果及分析 经过反复实验表明，经过时域阈值优化滤波后的信号特征提取效果比较好。 随机抽取一次实验数据，对原信号，滤波后的信号，经过时间段选取的信号，选 择的信号特征的直观比较，如图3 8 示。 实验中对两个参数优化系数和窗口宽度的选择是关键，经过反复实验，( 本 文均以基于能量差的分类作为判定各特征选择方法效果的分类方法) ，以判别的 错误率为比较特征选择效果标准，得到实验结果，如图3 9 示。 4 1 北京交通人。硕士学位论文 o 5 信i j o 峰帆v 梆脚一聃舟_ t 、阿捌w v 帆卅姗 州j 1 协枷灿0 怖- 埘时懈胁渺。嘲，划咖拥 o 5o 5 0 01 0 0 0 1 5 0 0 2 0 0 0 瓤怠波 0 2 一- - 一 一一 oi 黼* 礤一越许b 州，n t t 斜w - 1 _ h _ 似啪州m 州州时- 唧胂u - 嘿舻矗煳础御晰静秘岍曲岫协吐畸帅 j 蝴 o 2 - - - _ 一1_ l 一 05 0 01 0 0 01 5 0 02 0 0 0 时问段选取 o 2 q 对：、- j ； 一o 2l o o 2 一 o 1 1 0e o 2 5 0 0 2 5 0 0 ， j ；? j i 、_ i 。：_ 沁ih 妒jr 扎 千、n j f i = ，w j ? i j 。1 卜i 。1 m p 、9 j _ i 。_ j h ：弋f 小i j 47 。、n 。0 4 f ，k土 f 。，vl 71 vv ”jo 一 1 0 02 0 03 0 04 0 05 0 06 0 07 0 08 0 0 时域闽值优化 。_ 1 0 0 l l ! ! i 。一一! “ ，j 2 0 03 0 04 0 0雌m i 上正l 趔比il ! i l l 5 0 06 0 07 0 08 0 0 图3 8 时域阈值优化滤波后的特征 f i g u r e 3 8f e a t u r eo fs i g n a la f t e ro p t i m a lt i m ed o m a i nt h r e s h o l df i l t e r i n g 由图3 9 可见，错误率大部分集中在o 1 2 1 4 到o 1 4 2 9 的区间内，最理想的情 况可将错误率降低到0 1 2 1 4 ；如图中箭头所示，我们得到在优化窗口宽度为 n o p t = 4 0 ，在优化系数后= o 8 2 ，0 8 6 ，0 8 7 时，错误率为o 1 2 1 4 ，达到最优分类效果， 即在1 4 0 次运动想象实验中，可以正确判断出中1 2 3 次，说明了特征提取方法的 有效性和可行性。 o 1 5 5 ” o 1 5r o 1 4 5 卜 o 1 4 o 1 3 5 0 1 3 卜 j j v o 1 2 5 l o 1 毛：6 石吾5d 了石拓 一：7 o 8 c o e f c e o f - e r r o r j - 7 一 o 8 5o 9o 9 51 图3 9 优化系数和错误率关系 f i g u r e 3 9t h e r e l a t i o nb e t w e e no p t i m i z a t i o nc o e f f i c i e n t sa n de r r o rr a t e 4 2 特征提取 2 与时域滑动窗算法比较 为了搜索出得到最好判别效果的窗口长度，我们采取设定窗口宽度从n = 1 o 。跎 _ o 8r 、 g、 l o 7 8 、 o 7 6 f i、一一 o 7 4 o 7 2l 一一 图3 1 0 时域滑动窗的实验结果 f i g u r e 3 1 0t h er e s u l to f t i m ed o m a i ns l i d i n gw i n d o w 到5 0 ，以窗口内各时间点对应数据的均值为特征，经过循环寻优，我们发现窗口 宽度越大，得到的实验结果越差，实验结果见图3 1 0 。由于脑电信号在时域表现 出来的波动并不是均匀的，窗口越小越能体现出该点的时域特征。 经过反复实验，发现最佳窗口宽度为n = 3 ，此时的识别错误率达到0 1 7 8 1 ， 相较于时域阈值优化滤波算法得出的错误率0 1 2 1 4 来说，时域优化阈值特征提取 效果明显优于滑动窗算法。 3 结论 单纯从时间窗考虑时域特征选择方法，虽然原理简单，易于实现，但准确率 不高；结合时间窗与优化阈值滤波后，同时借助在数据预处理阶段去除了部分不 感兴趣的数据点，对提高特征选择准确度上有一定的帮助，实验表明优化阈值滤 波提取特征结果能较好的反映出信号的特征，计算量小，且正确识别率达到 8 7 8 6 。 3 6 2d w t 特定频带重构系数阈值优化 算法实现：先对信号厂( 七) 做6 级离散小波变换，得到小波系数m 本文对_ ，。 采取阈值为3 2 2 节中采用的局部阈值优化方法进行处理，得出估计小波系数以，。， 利用也。进行小波重构，得到估计信号夕( 七) ，即为去噪之后的信号，对重构后的 信号再进行后续处理。 4 3 北京交通火学硕十学位论文 我们选定具有正交性和紧支撑的d b 4 作为小波基函数，信号采样频率为1 2 8 h z ， 经过6 级小波分解之后得到7 个频率子带，如表3 1 所示，得到一系列逼近系数和细 节系数。在实验的过程中需要调试的参数有三个：优化系数，窗口宽度，重构子 频带。经过反复实验，得到优化系数k = o 8 和窗口宽度心，= 5 ，并以此为优化系数 对每个子频带系数进行优化阈值滤波，得到新的予带系数，如图3 1 1 与图3 1 2 所示， 经过二次滤波后的子带系数能更加明显的反映出原始信号的特征，特别是对于频 率为8 1 3 h z 范围的子带系数，结果也证明方法是有效的，最佳的识别率可以达到 8 8 5 6 。 从图3 1 2 可以明显看出，在一次随机实验中，c 4 采集到的脑电信号比c 3 o r i g i n a l5 i g n a ld e t a i lc o e f l c d lf o rd b 4 10 2 ov i ，j 1 ，- - f ，i j j ，_ _ 。， ov 一f 一咄舢仙h “舭h “_ 7 ，o 一“咖* 似计n l 一啊 一01 6 02 0 03 0 04 0 0- 0 2 0 1 0 0 2 0 0 3 0 04 0 0 d e t a i l lc o e f 2c d 2f o rd b 4d e t a i lc o e f 3 c d 3f o rd b 4 051 o 一_ ij 。一rf ，i “? 1 _ _ _ 7 f 1 1 ! _ “叶 o 。_ j 。ii 。，- 。一一j ， 一o 5 0 5 0 1 a o 1 言o 2 0 0 一1 05 01 0 01 5 0 d e t a i lc o e f 4c d 4f o rd b 4 d e t a i lc o a f 5 c d 5f o rd b 4 o - 5 。05 一 o 、 。 o 一 ， - 0 5 02 0 4 6 6 0o 5 01 。0 _2 03 0 d e t a i lc o e f 6 c d 6f o rd b 4 a p p r o xc o e f c a 6f o rd b 4 1 5 o o 一10 51 01 52 0一5 051 01 5主。 图3 1 1 人级离散小波分解系数 f i g u r e 3 1lt h ed w tc o e f f i c i e n t sw i t hs i xl e v e l s o d g i n a la i g n a l 1r 一 0h 。r 鼻* 饥n 7 一- ? 绣鱼、l i 诓一? 州一 d e t a i lc o e f l c d lf o rd i ) 4 o 2 一一o 一、“，一“l ，。i o 。“。批， 1 一0 0 _ _ 一2 0 0j 6 石_ _ ：_ 6 0o 2 01o o2 云i 广一3 0 0 猫o h t j ，一一，一一，h ，。t 、? 4 - t 1 2l 。一一、，。i v ，”，a - o j f ? 一。i ：一：1a j ：，一，i j j + i 沾丽1 ；百6 0 一1 65 _ i而石j 苦o 一1 一 o 5 一：一 ：i 一2 | 0 i i 。jj i ：。一lj | 。8 i o o 。0 5 j 。一i 二。玉：o d e t a i lc o e f 6 c d 6f o rd b 4 a p p r o xc o e f c a 6f o rd b 4 j r 一1 舌一一1 _ 5 + 一 2 0o ( ) 一 5 1 0 一一一j 5 2 0 图3 1 2 经过阈值优化滤波后的子带系数 f i g u r e 3 12t h ed w tc o e f f i c i e n t sa f t e ro p t i m a lt i m ed o m a i nt h r e s h o l df i l t e r i n g 采集到的脑电信号幅度变化明显增大，能量明显增加，而c 3 ( 即左脑皮层运动区 域) 幅度明显减小，频率增大，这说明在此次实验中c 4 电极对应的右脑运动区域 4 4 特征提取 产生了e r s 现象，表明该次实验的受试者想象的是右手运动。实验结果说明，利 用经过优化阈值滤波后的子带系数重构后的信号比原信号具有更加明显的特征， 对提高识别准确度有较大帮助。 脚醐泓黼黼吣蜮蛾娥龄蛉：蛉粥渺、 o 。太1 一一心如卜一，一一啊忒，逮戚心n 氐，忒避眭p 冷n 。 。一一九一曲以一肛一、肛一啦，一咖q j l n m 肛以w p ，船一l 缈、刈 ? 蛳以坩 1 r o - 2 占i 之i 矿j 高石。三志。一i 占i 1 最洒- _ 一云占云广亨；i 矿 图3 1 3 关键子带系数优化后的重构信号 f i g u r e 3 13t h er e c o n s t r u c t i o ns i g n a lo p t i m i z e db yk e ys u b - b a n dc o e f f i c i e n t s 分析表3 1 可知，在选择2 1 6h z 频带的三个特定子带系数进行重构时，得到 的识别率较高；而在选取高频子带3 2 5 4 h z 及低频子带0 1h z 进行重构时，实验 结果较差。这说明反映运动想象任务的大部分重要信息均在频率4 1 6h z 的频段 内，这符合运动想象信号产生的生理生化原理，也说明该方法提高了特定子带的 重要性，算法的针对性比较强，但是本方法没有充分利用b e t a 节律所包含的重要 信息，实验结果表明，在不对1 6 3 2 h z ( 近似包含节律) 的频率范围内的小波系 数作处理时实验效果相对更好，最后可达到8 8 5 6 的识别率。表中划“ 或“ 分别表示采用或不采用对应的子频带系数进行重构。 表3 1 关键子带系数与错误率的关系 t a b l e 3 1t h er e l a t i o nb e t w e e nk e ys u b - b a n dc o e f f i c i e n t sa n de r r o rr a t e c a 6c d 6c d 5c d 4c d 3c d 2c d l e r r o rr a t e 0 1 h z1 2 h z2 - 4 h z4 8 h z8 1 6 h z1 6 3 2 h z 3 2 6 4 h z 、，、，、， 0 1 4 2 8 6 、， 0 1 4 2 8 6 0 1 2 8 5 7 0 1 3 5 7 1 、， 0 1 5 0 0 0 0 1 3 5 7 1 o 1 3 5 7 1 x 、， 0 1 1 4 4 3 4 5 北京交通人学硕十学位论文 3 6 3 小波包重构系数能量特征 在对选出的时间段数据进行小波分析之前对数据进行预处理，将各个通道的 数据分成长度为s n 的数据段，各数据段之间重叠s n 2 。再对数据段进行，级小 波包分解，得到一系列小波包分解系数，根据这些系数重构各个频带的节点信号， 最后以小波包重构系数能量作为特征加以讨论。 在本方法中考虑到的可变参数包括三个：所取数据段的长度s n 、选用的小波 基函数和重构信号的级数。 1 数据段长度的选取 对提取出特定时间段内的数据，首先是按通道将之划分成长s n 的数据段 ( s e g m e n t ) 。由于试验的采样率为1 2 8 h z ，即每一秒有1 2 8 个数据点，之前的时间段 选择最短也有一秒的时间，因此划分数据段时s n 最长不能超过1 2 8 。而s n 越短， 划分得越精细，则得到的特征数也会越多，耗时就越长，而错误率却并未见有明 显降低，见表3 2 。 表3 2 选取不同s n 的分类结果 t a b l e 3 2c l a s s i f i c a t i o nr e s u l t sw i t hd i f f e r e n ts n 数据段长 特征数 错误率 s n = 1 2 82 00 1 2 8 6 s n = 6 4 4 4 0 1 2 8 6 s n = 3 29 20 1 2 8 6 s n = 1 61 8 80 1 2 8 6 若在实时系统当中，能够快速地得出结果也是非常重要的一项指标，因此后 续实验中均选择s n = 1 2 8 。 2 对小波包基的选取 当进行3 层小波包分解时，选用了若干种小波基进行比较。 从表3 3 结果可以看出，除了b i o r 外，选择何种小波基对实验结果不会产生太 大影响。因为是该方法所采用的特征是从小波系数的重构系数得到的能量值，因 此小波系数对特征值影响不大。因此，本文选定具有正交性和紧支撑的d b 4 作为 小波基函数。 特征提取 表3 3 使用不同小波基函数的分类结果 t a b l e 3 2c l a s s i f i c a t i o nr e s u l t sw i t hd i f f e r e n tw a v e l e tf u n c t i o n 小波包基错误率小波包基错误率 h a a r 0 1 2 8 6b i o r l 3o 1 3 5 7 d b l0 1 2 8 6b i o r 2 2 0 1 3 5 7 d b 40 1 2 8 6b i o r 2 40 1 2 8 6 d b l 50 1 2 8 6b i o r 3 1o 1 6 4 3 c o i f l0 1 2 8 6b i o r 3 30 1 2 8 6 c o i f 30 1 2 8 6b i o r 4 4o 1 3 5 7 s y m 2 0 1 2 8 6 b i o r 5 5o 1 2 8 6 s y m 8 0 1 3 5 7 3 重构级数的选取 本文对每次实验数据进行了三级小波包分解，利用返回的小波包树可以分别 进行第一级、第二级和第三级的重构。若将同一级节点全部重建，结果表明虽然 在过程中所产生的特征值个数不同，分别利用第一级、第二级和第三级重构信号 的总能量实际上总是保持不变。 表3 4 选取不同重构级数的分类结果 t a b l e 3 2c l a s s i f i c a t i o nr e s u l t sw i t hd i f f e r e n tr e c o n s t r u c tl e v e l 重构信号的级数特征值个数错误率 12 00 1 2 8 6 24 00 1 2 8 6 38 00 1 2 8 6 但是考虑到选择分解级数越大，特征值的个数将越多，耗费时间也会越长， 对结果却几乎没有影响，所以考虑选择一级重构信号即可。通过图，我们可以看 到该次实验中以小波重构系数作为特征能够刻画出信号的特点。 通过实验，我们考虑经过时间段选取后的信号数据，一次实验的数据量从原 来的11 5 2 减少为7 6 8 ，图中c 3 导联数据为前半部分，c 4 导联数据为后可以看出， 数据经过选取小波包重构系数作为特征后，c 3 c 4 两通到数据可从直观上看出，提 取的特征能够较好的反映出原始信号的特征。我们将由原信号的1 1 5 2 2 = 2 3 0 4 4 7 北京交通大学硕士学位论文 个数据点中提取出2 0 维的特征作为分类器的输入，大大降低了算法的时间复杂度。 实际b c i 系统的设计要满足实时性，需要算法简单且准确率高，该算法降低了计 算量的同时表现出来的准确度也较高，可以达到8 7 1 4 。 。黔蛳螂懈a 蜘蜘附归晰怖椭9 溉摊螂；_ 【i 0 2 占5 6 0 一1 面。 话面一_ 蔽万 f 时f h 乒迓选抨 o 一? j ：；一 ：? 。i f 、：l j 一? a ? ? 。，“ i 一t 一，一。崎，| ! 、j ? - if l ：；。l j1 3 | ，j ? 一i 、? j 、i ? ：。， ；11 j j ? f j ；。? ? 、；、：i 。n 、1 1 0 1 0 0 2 0 0 3 0 0 4 0 05 0 06 0 07 0 08 0 0 重构系数件j , j 特征 0 5r 一一一r j r 一一一一一一f 一 ， 。：。二：，二一。，二二一二一，7 。 7 、v j ，7 、。一，7 i 、 024681 01 21 41 61 82 0 图3 1 4 小波包重构系数能量特征 f i g u r e 3 1 4e n e r g yf e a t u r eo ft h er e c o n s t r u c t i o nc o e f f i c i e n t s 3 6 4 小波包子带系数均值和能量的组合特征 本文提出的基于小波包子带系数均值及能量组合特征优化算法，希望能通过 综合时频域内信号特征，引入特定子带加权因子，更加准确的提取出特征，实验 结果表明，该方法具有可行性和有效性，正确识别率达到8 9 1 3 ，分类效果较好。 实验信号经过三级小波包分解后，被分为八个子频带，频率范围分别为 0 - 8 h z ， 8 - 1 6h z ， 1 6 - 2 4h z ， 2 4 - 3 2h z ， 5 6 6 4 h z ，分别对应于三级小 波包分解得到的第7 1 4 个小波包树节点，需要指出的是，根据先验知识，我们知 道反映大脑运动皮层信息的运动想象信号大部分集中在8 1 3 h z 频率段内，所以实 验中将重点考察特定频率段加权因子选取对实验结果的影响。 经过反复实验，我们得到一部分参数变化引起的分类效果的变化，如表3 5 所 示，其中e r r o r 表示采取组合特征后的错误识别率，e r r o rm 和e r r o re 分别表示利 用作为时域特征的系数均值和作为频域特征的能量两个单一特征各自作分类实验 的错误识别率，墨为加权因子。 4 8 特征提取 表3 5 不同加权冈子与特征的分类结果 t a b l e 3 5c l a s s i f i c a t i o nr e s u l t sb e t w e e nd i f f e r e n tf e a t u r ea n dd i f f e r e n tw e i g h t e dc o e f f i c i e n t s 7891 0l l1 21 3 1 4节点序号 0 8 8 1 61 6 2 4 2 4 3 2 3 2 4 0 4 0 - 4 8 4 8 5 6 5 6 6 4频带范围( 单位：h z ) k ik 2k 3 k 4 k 5k k ， k s e r r o re r r o rme r r o re 0 1 5o 2 50 2 50 1 50 1 00 0 50 0 30 0 2o 1 2 8 5 70 1 2 1 4 3o 1 2 8 5 7 0 1 80 3 00 3 0 o 1 2 0 0 5 0 0 3 0 0 2 0 o oo 1 2 1 4 3o 1 2 1 4 30 1 2 8 5 7 o 1 80 2 5 0 2 5o 1 0 0 1 0 0 0 5o 0 50 0 20 1 2 1 4 3o 1 2 1 4 3o 1 2 8 5 7 0 2 00 4 00 4 00 0 0o 0 00 0 00 0 0o 0 0 0 1 0 8 6 7 o 1 2 8 5 7o 1 2 1 4 3 0 2 00 3 00 3 0o 2 00 0 0o 0 0o 0 0 0 o o0 1 2 1 4 3o 1 2 1 4 3 0 1 2 8 5 7 o 2 0o 3 50 3 5o 1 00 0 0o 0 00 o o o 0 0o 1 2 1 4 3o 1 2 8 5 7o 1 2 1 4 3 o 0 0o 5 00 5 0 o o o 0 0 0 0 o o 0 0 0 o o oo 1 3 5 7 10 1 4 2 8 6 o 1 2 8 5 7 0 2 00 3 80 4 20 0 0o 0 00 0 0o 0 0o 0 0 0 1 0 8 6 70 1 2 8 5 7 o 1 2 1 4 3 0 2 00 3 50 4 50 0 0o 0 0o 0 0o 0 0 0 0 0 0 1 0 8 6 7 o 1 2 8 5 7 o 1 2 1 4 3 0 1 5o 3 50 4 5o 0 50 0 00 0 00 0 00 o oo 1 2 8 5 7 o 1 3 5 7 1o 1 1 4 2 9 o 6 00 4 00 o o 0 0 0 0 0 0o 0 0o o o 0 0 00 1 3 5 7 1o 1 2 1 4 3 0 1 2 8 5 7 0 o o0 7 0o 3 00 0 00 0 0o o oo o oo o oo 1 2 8 5 70 1 2 1 4 30 1 2 8 5 7 表3 5 中每一行代表一次实验，分析表中各次实验中加权因子与识别错误率变 化观察得到：1 ) 在0 8 h z 的低频的信号中同样含有代表大脑运动区域电位变化的 信息，但反映运动想象脑电信号特征的信息主要还是集中的第8 个和第9 个节点 代表的频率段，实验中针对性的增大高频子带的加权因子，实验结果表明错误率 反而增大，可见经过滤波后的信号在低频和高频段内仍均存在影响判别效果的噪 声；2 ) 从得到最低错误率的加权因子组合分析，说明有效信息主要还是集中在 0 8 h z 】， 8 1 6h z 】， 1 6 2 4h z 这三个子频带上；3 ) 注意表的后三列，e r r o r ，e r r o rm 和e r r o re 分别表示利用作为时域特征的系数均值、作为频域特征的能量以及组合 特征进行实验的错误识别率，从图3 1 5 可见，一般来说，单独以时域均值或频域 能量的错误率要高于以组合特征作为输入的错误率，结果表明运用加权因子对特 定子带系数加权后的组合特征算法效果较好，实验结果表明最高的j 下确分辨率可 以达到8 9 1 3 。 北京交通人学硕士学位论文 图3 1 5 组合特征与单一特征实验结果 f i g u r e 3 1 5c l a s s i f i c a t i o nr e s u l t so f u n i t e df e a t u r ea n ds i n g l ef e a t u r e 图3 1 6 从直观上分别给出取时域均值或频域能量作为特征与采用优化组合特 征后的的特征提取效果，可见采用优化特征后的信号能保留较多的有效信息。 o r i g i n a ls i g n a l o 2 r _ o 一4 。一 。- j j i f ，“0 一 _ 4 一- 。 、 ，l ，r v，。 “。| 、。i 1 。 ”- 。”l “，：、 - o 2 01 6 62 0 0 3 0 04 0 0 5 0 0 6 0 07 0 08 0 0 f e a t u r eo fm e a r 02 - ( ) 二。一，。7 f j ，! n ，r ，一。? 一“：- 、，? ，。 _ _ i ir ! ，。 ，l ，：i ，。? ，一、。，1 。n 、。：| ，? ? ，、。j 。， 、j ：，t ，! 、 一o 2 02 0 04 0 06 0 08 0 0 一 1 0 0 01 o o f e a t u r eo fe n e r g y 5 o ，_ i j ，一，0 一。 一，严，、 ，1 ，。一。、- 一“。，n 。，r + l 1 、二，1 、t 0 一5 02 0 04 0 06 0 08 0 61 0 0 0 花i o o f e a t u r ec e m b i n a t i o n 5 一 r o 。一一 ，t 一。，i 一， ，一。一，y i _ 、i 一，j ，r 一。一、j ，i 。i 。i 一5 05 0 01 0 0 01 5 0 02 0 0 02 5 0 0 图3 1 6 均值特征、能量特征及组合特征效果 f i g u r e 3 16t h ee f f e c to fa v e r a g ef e a t u r e ，e n e r g yf e a t u r ea n du n i t e df e a t u r e 本方法采用的是以特定子带小波包系数均值和能量组合作为特征，综合了原信 号的时域和频域信息，相对于现有的小波包特征提取方法来说，比单纯从频域能 量考虑，增加了子带系数均值所代表的时域信息，并且得到了较好的分类性能， 同时，实验表明该算法对不同的脑电信号有较强的适应性，且计算量小，时间复 杂度低，具有一定的参考价值。 3 7 小结 本章着重分析了运动想象信号的各种特征提取方法。为了公正地比较各类算 5 0 4 3 2 1 1 9 8 7 6 小 1 1 _ n o o o o o o o o m_口lui 特征提取 法的有效性，本文所涉及到的算法实验均采用b c l 2 0 0 3 国际竞赛标准数据作为处 理对象。首先介绍了现有特征提取方法的研究现状和存在的不足之处，分别介绍 了基于时域的滑动窗特征提取、基于频域的传统功率谱估计以及自适应自回归模 型，以及基于小波变换子带系数及均值的特征提取算法，并介绍了小波去噪的相 关算法，其中以分析基于小波变换和小波包分解及重构的时频域分析算法为重点。 本文试验了一种基于局部阈值优化的时域特征提取方法，并将其结果与时域 滑动窗特征提取方法结果相比较；尝试了一种基于d w t 特定频带系数优化并重构 的信号特征提取方法，以及小波包分解重构系数能量的特征提取算法，最后提出 一种基于小波包分解子带系数均值和能量的组合特征优化算法，对算法原理进行 了说明，并对实验结果进行了分析比较，上述四中优化算法的最优实验结果( 以 最终分类正确率为标准) 分别为：8 7 8 6 ，8 8 5 6 ，8 7 1 4 ，8 9 1 3 ，其中又以 基于小波包分解子带系数均值和能量的组合特征优化算法结果最优，达到8 9 1 3 。 分类器选择 4 分类器选择 分类是将输入向量依据一定的映射关系判断其所归属的类别。b c i 中使用的分 类方法主要有线性分类法【9 8 】、支持向量机( s u p p o r tv e c t o rm a c h i n e s ，s v m ) 法【9 5 1 、 人工神经网络法 6 4 9 6 】。其中，s v m 是9 0 年代中期发展起来的机器学习方法，它是 基于小样本的一种学习方法，不必知道太多的数据即可建模。与其它分类方法相 比，s v m 简单且泛化能力强。然而s v m 的推广预测能力与模型参数的选取密切 相关，当模型参数多于2 时，模型参数的选择将是难点。 信号模式识别是b c i 系统中最为关键的一步，关系到能否正确地识别出人当 前所处的思维状态。对原始e e g 信号进行分析识别，最终结果为一系列类别号， 每个类别对应一种特定的思维任务。信号模式识别关键在于各种数据处理算法的 使用，需要在众多的方法中寻找适合于识别自发e e g 的算法，并不断改进或探索 新