基于腦功能網(wǎng)絡和樣本熵的腦電信號特征提取

1、基于腦功能網(wǎng)絡和樣本熵的腦電信號特征提取摘要：針對腦-機接口(BCI)研究中采用單一特征對運動想象腦電信號(EEG)識別率不高的問題，該文提出一種 結合腦功能網(wǎng)絡和樣本熵的特征提取方法。根據(jù)事件相關同步/去同步(ERS/ERD)現(xiàn)象以及皮層與肢體運動想象 間的對側映射機制，選取小波包變換消噪重構后的/，節(jié)律腦電信號，用左側27個通道、右側27個通道分別對左半 球腦區(qū)和右半球腦區(qū)構建腦功能網(wǎng)絡，計算網(wǎng)絡的平均節(jié)點度和平均聚集系數(shù)作為運動想象的腦功能網(wǎng)絡特征， 并結合C3, C4通道節(jié)律的樣本熵構筑分布性和指向性相結合的特征向量。選用支持向量機(SVM)對左右手運動 想象腦電信號進行分類，結果表明

2、基于腦功能網(wǎng)絡和樣本熵的特征提取方法能夠實現(xiàn)更優(yōu)的分類效果，分類準確 率最高可達90.27%。關鍵詞：腦電信號；腦功能網(wǎng)絡；樣本熵；特征提??；事件相關同步/去同步EEG Feature Extraction Based on Brain Function Network andSample EntropyAbstract: For the low recognition rate of motor imagery ElectroEncephaloGram (EEG) signals using single feature in Brain-Computer Interface (BCI) r

3、esearch, a feature extraction method combining brain function network and sample entropy is proposed. According to the neural mechanism appearing in Event Related Synchronization/Event Related Desynchronization (ERS/ERD) phenomenon and the contralateral mapping mechanism between cortex and limb moto

4、r imagery, the m rhythm is denoised by wavelet packet transform. The brain function network is constructed for left hemispherical brain region and right hemispherical brain region by m rhythm of 27 left channels and 27 right channels respectively. The mean node degree and the mean clustering coeffic

5、ient are calculated as the brain function network characteristics, and the feature vectors combining the distribution and directivity are constructed by the sample entropy of C3 and C4 channels with the m rhythm. The Support Vector Machine (SVM) is used to classify the left hand and right hand motor

6、 imagery EEG signals. The results show that the feature extraction method based on brain function network and sample entropy achieves better classification result, and the highest classification rate reached 90.27%.Key words: ElectroEncephaloGram (EEG); Brain function network; Sample entropy; Featur

7、e extraction; Event Related Synchronization/Event Related Desynchronization (ERS/ERD)1引言腦機接 口(Brain-Computer Interface, BCI) 是不依賴外周神經(jīng)與肌肉組織，在人腦和計算機之 間直接建立交流通道的交互系統(tǒng)U，2?；谶\動想象腦電信號(ElectroEncephaloGram, EEG)的假肢 控制是目前BCI的主要研究方向之一，它為運動功 能障礙但思維正常的患者提供了一種新的人機交互 方式，有著重要的研究意義和廣泛的應用前景同。 特征的選擇與提取是BCI系統(tǒng)的關鍵環(huán)節(jié)，EEG

8、特 征提取常用的方法有：傅里葉變換、功率譜、自回 歸模型、空-頻域濾波、小波變換、希爾伯特1引言腦機接 口(Brain-Computer Interface, BCI) 是不依賴外周神經(jīng)與肌肉組織，在人腦和計算機之 間直接建立交流通道的交互系統(tǒng)U，2。基于運動想rrij單一的特征難以全面地表征EEG所蘊含的信息。在進行單側運動想象時，大腦同側感覺運動區(qū) 產(chǎn)節(jié)律和目節(jié)律幅值增大，而對側感覺運動區(qū)的幅 值減小，稱為事件相關同步/去同步(Event Related Synchronization/Event Related Desynchronization, ERS/ERD)現(xiàn)象腦功能網(wǎng)絡是通過計

9、算各 個腦區(qū)測量到的EEG信號之間的相關性而構建的 復雜網(wǎng)絡，它是對大腦結構網(wǎng)絡中不同腦區(qū)之間動 態(tài)活動交互整合的直觀描述冏。近年來，對于腦功 能網(wǎng)絡的研究已取得初步成果。如Chaovalitwongse 等人10利用EEG構建腦功能網(wǎng)絡，并把網(wǎng)絡節(jié)點之 間的歐氏距離作為特征向量輸入到支持向量機中， 實現(xiàn)對癲癇患者樣本的分類識別；Stanley等人11 利用全局效率和局部效率網(wǎng)絡特征來分析年輕人和 老年人的大腦信息傳遞效率和工作記憶表現(xiàn)之間的 關系。楊碩等人12構建正常態(tài)和疲勞態(tài)腦功能網(wǎng)絡, 利用中間中心度、聚類系數(shù)和節(jié)點平均路徑長度特 征區(qū)分不同的腦功能狀態(tài)。樣本嫡是一種非線性方 法，它用于

10、度量一個時間序列中產(chǎn)生新模式概率的 大小7o樣本嫡在EEG特征提取中已有較好應用。 周鵬等人13分析了左右手運動想象時感覺運動皮層 的EEG信號樣本嫡及其動態(tài)變化規(guī)律，并利用Fisher 線性分類器進行動態(tài)分類，取得較好分類效果。樣 本嫡可以反映EEG的復雜度，但它不能分析不同 腦區(qū)信號之間的關系；腦功能網(wǎng)絡可以分析不同腦 區(qū)信號間的相關性，彌補了樣本嫡對孤立通道信號 分析的不足，但它不能反映信號的復雜度和信號新 模式產(chǎn)生概率。因此腦功能網(wǎng)絡和樣本嫡的結合， 可以構筑分布性和指向性兼具的特征向量，使特征 向量描述既有全局上的考慮，又能突出重點，更能 全面地反映大腦運動想象的生理電活動特征。本文

11、用腦功能網(wǎng)絡的結構特征和樣本嫡組成 EEG特征向量，該特征向量從腦區(qū)功能連通性、 信號復雜度兩方面刻畫EEG，并依托支持向量機 (Support Vector Machine, SVM)對運動想象 EEG 進行分類。實驗結果表明，基于腦功能網(wǎng)絡和樣本 嫡的特征提取方法能夠實現(xiàn)更優(yōu)的分類效果。腦電信號特征2.1腦功能網(wǎng)絡特征雖然大腦不同區(qū)域有相對獨立的功能，但即便 是非常簡單的意識任務也需要不同功能的腦區(qū)互相 作用、互相聯(lián)系，構成一個復雜的網(wǎng)絡協(xié)調(diào)工作。腦 功能網(wǎng)絡是一種描述大腦各個區(qū)域統(tǒng)計性連接關系 的腦網(wǎng)絡，屬于無向網(wǎng)絡，它具有復雜網(wǎng)絡中小世 界網(wǎng)絡的屬性回。構建腦功能網(wǎng)絡的主要步驟如下：定

12、義網(wǎng)絡節(jié)點：對于多通道EEG，通常把 每個EEG導聯(lián)對應的電極覆蓋的區(qū)域定義為一個 節(jié)點。量化節(jié)點之間的相關性：分析節(jié)點之間相 關性的方法有Pearson相關系數(shù)、相干譜和互信息 等方法。本文采用魯棒性較高的Pearson相關系數(shù) 法計算各通道EEG之間的相關性如式(1)所示T- xi xj (t) - XjTT xi(t) -xj(t) -xj2 t=1t=1其中，Xi(t)和Xj (t)為節(jié)點Z和節(jié)點頂在t時刻的采樣值, X；和Xj為節(jié)點z和節(jié)點頂?shù)钠骄蓸又?，?1, 2；,N, N為節(jié)點數(shù)。r；j的值介于-1和1,若r；j T牌fr；j Ta；j = 1表示節(jié)點Z和節(jié)點j之間存在連接邊

13、，反 之則不存在連接邊，根據(jù)矩陣Q可得到腦功能網(wǎng)絡 的拓撲結構。計算腦功能網(wǎng)絡特征：常用的腦功能網(wǎng)絡 測度有節(jié)點度、特征路徑長度、聚集系數(shù)和網(wǎng)絡密 度等，這些測度反映了網(wǎng)絡的結構特性。為了減少 信息冗余，本文選擇平均節(jié)點度K和平均聚集系數(shù) C作為腦功能網(wǎng)絡特征，平均節(jié)點度是衡量網(wǎng)絡規(guī) 模大小的重要指標，平均聚集系數(shù)反映了網(wǎng)絡中兩 個節(jié)點之間存在連接邊的可能性，其定義分別為K 二1 N(3)i=1C =1 N瞞=i=112E；N J ki(ki - 1)(4)其中，N為網(wǎng)絡節(jié)點數(shù),k;為節(jié)點Z的度，表示與節(jié)點*直接連接的節(jié)點數(shù)，一個節(jié)點的度越大反映其 在網(wǎng)絡中的地位越重要；國為與節(jié)點，直接連接的

14、 屁個節(jié)點之間實際存在的邊數(shù)，屁個節(jié)點之間最多 存在ki(ki - 1)/2條邊，c；為節(jié)點z的聚集系數(shù)，即為 E；與ki(k； - 1)/2的比值，因此0 c 1(bl)原始EEG(al)原始EEG(Aa工W(b2) i節(jié)律(b)左手運動想象(a2) i節(jié)律(a)右手運動想象(Am 1逅圖1受試者B原始EEG和小波包變換提取的節(jié)律圖2電極位置分布圖表明該網(wǎng)絡具備小世界屬性，且夕越大說明小世界 屬性越強。圖3為閾值按照0.05步長遞增下夕特性 分布。由圖3可知，)與閾值大小關系呈正相關。但是 隨著閾值T增大，網(wǎng)絡中節(jié)點連邊的數(shù)量減少，會 導致網(wǎng)絡平均節(jié)點度K逐漸降低。當閾值過大時， 會造成網(wǎng)絡

15、出現(xiàn)較多孤立節(jié)點的現(xiàn)象，導致網(wǎng)絡的 功能連接性下降，進而保證不了腦網(wǎng)絡信息的完整 性。因此網(wǎng)絡平均節(jié)點度K不能小于網(wǎng)絡節(jié)點數(shù) N的自然對數(shù)，即K ln N = ln(54)就3.988。當閾 值T= 0.85時，腦功能網(wǎng)絡平均節(jié)點度K的范圍為圖3閾值T按照0.05步長遞增下b特性分布圖516，滿足K ln N的關系，因此該閾值對應的 腦功能網(wǎng)絡同時保證了顯著的小世界特性和功能連 接性。圖4為受試者B左右手運動想象的左、右腦 功能網(wǎng)絡拓撲結構，圖5為受試者B左右手運動想 象的左、右腦功能網(wǎng)絡的平均節(jié)點度K、平均聚類 系數(shù)。分布。從圖4可以直觀地看出，右手運動想象時，左 腦功能網(wǎng)絡的網(wǎng)絡密度大于右

16、腦功能網(wǎng)絡的網(wǎng)絡密 度，而左手運動想象時，右腦功能網(wǎng)絡的網(wǎng)絡密度 大于左腦功能網(wǎng)絡的網(wǎng)絡密度，該結果與ERS/ERD 現(xiàn)象一致，也反映了左、右腦功能網(wǎng)絡的結構特性 可作為對側右手和左手運動想象EEG的分類特 征。從圖5可知左、右腦功能網(wǎng)絡的平均節(jié)點度和 平均聚類系數(shù)具有一定的區(qū)分度，但仍有較多樣本 重疊。4.2樣本熵提取樣本熵的值與m , p和腳3個參數(shù)有關7,14:圖4腦功能網(wǎng)絡拓撲結構左腦功能網(wǎng)絡平均聚集系數(shù)(b)平均聚集系數(shù).9.8.Z.6.54O.O.O.O.O.O.4O.左腦功能網(wǎng)絡平均節(jié)點度左手(a)平均節(jié)點度*右手46 4 2 0 81 rI IX IX圖5左、右腦功能網(wǎng)絡平均節(jié)

17、點度、平均聚集系數(shù)分布(1)維數(shù)m一般取值1或2,當2時，要求數(shù)據(jù)量 M在數(shù)千點以上，但M過大不能保證序列具有相同 的性質(zhì)；M一定時，若m 2，需要較大才能取得 較好的效果，但是太大會丟失序列的許多細節(jié)信 息。Pincus14研究認為m=2比= 1效果好，可使 序列的聯(lián)合概率進行動態(tài)重構時提供更詳細的信 息。(2)用來衡量時間序列相似性的大小。如果 選得太小，估計出的統(tǒng)計概率會不理想；若選得 太大，會丟失時間序列中很多細節(jié)，達不到預期的 效果。Pincus14通過對確定性和隨機過程的理論分 析及其對計算和臨床應用的研究，總結出P取值為 0.10.25SD(SD為原始序列的標準差)能得出有效 的

18、統(tǒng)計特征。(3)M表示輸入數(shù)據(jù)點，一般取值為 1005000。因此根據(jù)上述原則，本文取m=2, p = 0.2SD。根據(jù)實驗研究發(fā)現(xiàn)當M 100時，不同狀態(tài)的腦電信號的熵值有明顯差異。 因此M取值為100。即用長度為100點，間隔為4點 的滑動窗計算EEG在運動想象期(26 s)的樣本 熵序列，然后求該序列的均值作為該EEG的樣本 熵。ERS/ERD現(xiàn)象主要出現(xiàn)在C3和C4電極對應的 感覺運動區(qū)上，例如，右手運動想象時可觀測到 C3電極對應的感覺運動區(qū)ERD現(xiàn)象，左手運動想 象時可觀測到C4電極對應的感覺運動區(qū)ERD現(xiàn) 象17。根據(jù)運動想象的ERS/ERD現(xiàn)象在感覺運動 區(qū)的C3和C4通道表現(xiàn)

19、得最為明顯，且節(jié)律與運動 想象有緊密的聯(lián)系，本文分別計算C3和C4通道節(jié) 律的樣本熵，使特征選擇方面在全局性腦功能網(wǎng)絡 特征的基礎上，又補充指向明確的區(qū)域特征。圖6 是受試者B的C3和C4通道樣本熵值分布。從圖6可知，C3和C4通道舊節(jié)律的樣本熵對左 右手運動想象EEG具有一定的區(qū)分度，但仍有較 多樣本重疊。4.3支持向量機分類本文選擇支持向量機(SVM)對左右手運動想象 EEG進行分類。從B, C, D, E和G每名受試者的樣 本數(shù)據(jù)中，各隨機取50組左手運動想象和50組右手 運想象樣本，合計500組樣本作為訓練集，余下的圖6 C3和C4通道樣本熵值分布500組樣本作為測試集。分別將腦功能網(wǎng)

20、絡特征 （4維）、樣本嫡（2維）、腦功能網(wǎng)絡特征與樣本嫡的 組合（6維）作為特征向量輸入SVM對左、右手運動 想象EEG進行分類，分類前先對特征向量進行歸 一化處理，SVM的核函數(shù)選擇高斯核函數(shù)。采用 10倍交叉驗證確定最佳的懲罰因子c = 2.46，核參 數(shù)g = 0.28。為了減小因訓練集不同而產(chǎn)生的誤 差，進行20次分類實驗，取20次實驗的平均正確識 別率。表1為用不同特征向量重復20次分類的平均 正確識別率。表1不同特征向量平均正確識別率與方差（）特征向量受試B受試C受試D受試E受試G平均正確識別率腦功能網(wǎng)絡75.371.0279.581.5480.711.9074.421.3982.

21、320.5878.487.89樣本熵70.281.9376.702.2574.593.9669.431.8777.361.5873.6711.20腦功能網(wǎng)絡+樣本熵85.280.8589.590.9487.111.6983.880.7590.270.3487.235.94從表1可知，基于腦功能網(wǎng)絡和樣本嫡的所有 受試平均正確識別率為87.23%，相比僅使用腦功能 網(wǎng)絡特征或樣本嫡作為特征向量，識別率分別提高 了8.75%和13.56%。而且基于腦功能網(wǎng)絡和樣本嫡 特征識別率的方差低于任意單一特征，說明兩種特 征的融合具有更好的魯棒性。對于受試G,平均正 確識別率達到了90.27%。表2為各受試

22、不同特征t檢 驗的p值，從表2可知各受試不同特征之間的p值均 小于0.01,表明不同的特征具有顯著性差異。以上結果說明，基于腦功能網(wǎng)絡和樣本嫡兩類 特征的融合可以得到更佳的分類效果，并驗證了本 文在特征選擇上采取全局特征和局部特征相結合的 方式能取得更好分類效果的設想。為了更好地突出基于腦功能網(wǎng)絡和樣本嫡的特 征提取方法的有效性，本文將其與現(xiàn)有成熟方法進 行對比說明，對比方法實驗數(shù)據(jù)均來自BCI Competition IV Data Set 1，與本文采用的實驗數(shù)據(jù)一 致，如表3所示。表2各受試不同特征t檢驗的p值受試（腦網(wǎng)絡+樣本熵，腦網(wǎng)絡）（腦網(wǎng)絡+樣本熵，樣本熵）B0.010.01C0.010.01D0.010.01E0.010.01G0.010.01從表3可以看出：共空間模式算法、濾波器組 共空間模式、功率譜密度和希爾伯特-黃變換方法 進行分類的平均正確識別率分別為7