基于能量特征的緊迫性運(yùn)動(dòng)想象識(shí)別方法

基于能量特征的緊迫性運(yùn)動(dòng)想象識(shí)別方法

根據(jù)研究，許多手腳殘疾患者的相應(yīng)認(rèn)知神經(jīng)受損，但相應(yīng)的大腦控制系統(tǒng)仍然完整。所以很多學(xué)者開始對(duì)腦運(yùn)動(dòng)電位信號(hào)進(jìn)行研究,希望能找出肢體運(yùn)動(dòng)與腦電信號(hào)的關(guān)系,實(shí)現(xiàn)腦電控制。但是腦電是復(fù)雜的非線性信號(hào),很難找出其中的規(guī)律與特征,所以對(duì)于腦電信號(hào)特征的分析提取以及識(shí)別一直是研究的重點(diǎn)與難點(diǎn)。目前分析腦電信號(hào)的主要方法有快速傅里葉變換、功率譜密度估計(jì)、自回歸模型系數(shù)、時(shí)-頻變換和相同步分析方法等。生物醫(yī)學(xué)實(shí)驗(yàn)已經(jīng)證實(shí),人的大腦在沒(méi)有處理運(yùn)動(dòng)感覺(jué)刺激輸入或沒(méi)有產(chǎn)生運(yùn)動(dòng)輸出的時(shí)候,大腦中的感覺(jué)或運(yùn)動(dòng)區(qū)域就會(huì)表現(xiàn)為8～30Hz的腦電活動(dòng)變化,大腦這個(gè)空閑時(shí)期的腦電活動(dòng),集中在運(yùn)動(dòng)皮質(zhì)體現(xiàn)為μ波(9～13Hz),集中在視覺(jué)皮質(zhì)就體現(xiàn)為β波(基于作業(yè)任務(wù),18～30Hz)。很多研究表明,μ/β波可以作為基于腦電的通訊系統(tǒng)很好的信號(hào)特征量,因?yàn)榕c它們所關(guān)聯(lián)的那些大腦皮質(zhì)都是直接與大腦的正常運(yùn)動(dòng)輸出通路相聯(lián)系的。基于μ/β波的上述特性,GertPfurtscheller等做了左右手運(yùn)動(dòng)想象的實(shí)驗(yàn),利用自適應(yīng)自回歸系數(shù)法進(jìn)行特征的分析提取以及識(shí)別。蘭州理工大學(xué)的張愛(ài)華等利用μ/β波以相同步分析方法進(jìn)行了類似的識(shí)別實(shí)驗(yàn)。他們都提出了自己的分析腦波特征的方法,識(shí)別正確率分別達(dá)到了83.5%和79.28%。他們主要是針對(duì)頻率或者振幅的變化進(jìn)行分析,也是現(xiàn)在世界上主要的幾種腦信號(hào)分析方法。對(duì)于不同的運(yùn)動(dòng)任務(wù),在不同腦區(qū)腦電存在著能量差別,本文利用小波包提取不同時(shí)間段、不同腦區(qū)的腦電能量特征,再把能量特征作為特征向量用SVM分類法進(jìn)行左右手運(yùn)動(dòng)想象的識(shí)別。與文獻(xiàn)相比,本文方法的主要特點(diǎn)是不僅利用了腦電信號(hào)的頻率特征,而且考慮時(shí)域特征的變化,仿真結(jié)果顯示本方法可以有效地改善識(shí)別率(97%以上)。1小波包提取能量的方法,分為兩大步驟首先利用快速傅里葉變換分析特定腦電(μ波和β波)的頻率分布,然后利用小波分解去噪,再利用小波包分析腦電能量,提取能量特征作為樣本,對(duì)支持向量機(jī)(SVM)進(jìn)行訓(xùn)練和預(yù)測(cè),以實(shí)現(xiàn)左右手運(yùn)動(dòng)想象的識(shí)別。1.1實(shí)驗(yàn)系統(tǒng)及過(guò)程采用腦-計(jì)算機(jī)接口2003競(jìng)賽中Graz科技大學(xué)提供的腦電數(shù)據(jù),其實(shí)驗(yàn)設(shè)計(jì)如下:分別從4個(gè)被試者(3男1女,都為右利手)取得EEG數(shù)據(jù)。數(shù)據(jù)采樣頻率為125Hz,濾波取得0.5～30Hz范圍內(nèi)的信號(hào)。按照國(guó)際標(biāo)準(zhǔn)10-20系統(tǒng),電極安放如圖1所示。以右耳乳突為參考,分別從C3、C4取得腦電信號(hào)。實(shí)驗(yàn)設(shè)計(jì)結(jié)構(gòu)如圖2所示。實(shí)驗(yàn)需時(shí):8000ms;開始時(shí)間:2000ms;設(shè)定十字光標(biāo):2000～8000ms;主要信號(hào)時(shí)間:4000～8000ms;視覺(jué)提示:3000～4250ms;聲音提示:2000ms。實(shí)驗(yàn)過(guò)程:每段實(shí)驗(yàn)持續(xù)8s,開始2s會(huì)出現(xiàn)一個(gè)十字光標(biāo),使被試者進(jìn)入實(shí)驗(yàn)狀態(tài),2s時(shí)出現(xiàn)聲音提示并保持十字光標(biāo),提示被試者準(zhǔn)備運(yùn)動(dòng)想象。3s時(shí)出現(xiàn)帶方向箭頭的十字光標(biāo),同時(shí)被試者按箭頭方向做相應(yīng)左右手運(yùn)動(dòng)想象,4.25s時(shí)又變回十字光標(biāo)直到第8秒實(shí)驗(yàn)結(jié)束,其中的4～8s作為主要信號(hào)來(lái)分析。本文取290組實(shí)驗(yàn)數(shù)據(jù)用來(lái)分析訓(xùn)練和測(cè)試。1.2信號(hào)相乘變換利用快速傅里葉變換對(duì)腦電信號(hào)進(jìn)行頻率分析,得到μ波和β波的頻率分布并找出噪聲信號(hào)所在的頻率段。傅里葉變換可以把信號(hào)從時(shí)域轉(zhuǎn)化到頻域進(jìn)行分析,由于腦電信號(hào)的很多特征表現(xiàn)為頻率的變化,所以利用傅里葉變換把腦信號(hào)從時(shí)域轉(zhuǎn)化到頻域來(lái)進(jìn)行分析。傅里葉變換數(shù)學(xué)表達(dá)如下:X(k)=Ν∑j=1x(j)ω(j-1)(k-1)Ν(1)X(k)=∑j=1Nx(j)ω(j?1)(k?1)N(1)其中:x(j)為原始信號(hào);X(k)為傅里葉變換后的頻率信號(hào)。ωΝ=e(-2πi)/Ν(2)ωN=e(?2πi)/N(2)為N階傅里葉級(jí)數(shù)。因?yàn)楦道锶~變換后的原始信號(hào)是以復(fù)數(shù)形式表示的,為了便于分析,作如下共軛相乘變換:X(k)′=X(k)×ˉX(k)′/1000(3)X(k)′=X(k)×X(k)ˉˉˉˉˉˉˉ′/1000(3)這樣變換后,不會(huì)改變信號(hào)的能量特征變化,而且便于分析。這里信號(hào)的采樣頻率為125Hz,8s為一個(gè)實(shí)驗(yàn)數(shù)據(jù)段,采樣的高通和低通頻率分別為0.5Hz和30Hz。對(duì)此進(jìn)行傅里葉變換分析,信號(hào)頻率分布如圖3。與運(yùn)動(dòng)相關(guān)的μ波和β波應(yīng)該在8～30Hz之間,但是從圖3可見低頻部分的能量很高,說(shuō)明信號(hào)受其他低頻信號(hào)的影響,所以必須去除那些低頻信號(hào)的干擾(此信號(hào)不是偽跡而是與運(yùn)動(dòng)相關(guān)的慢電位,有其意義,但本文不采用慢電位分析,所以去除)。1.3信號(hào)去噪實(shí)驗(yàn)利用小波分解進(jìn)行去噪,重構(gòu)后再利用小波包分解提取能量特征。小波變換常常和傅里葉變換一起處理分析非確定性的信號(hào)或者是位于時(shí)間、空間和頻率域的信號(hào)。特別是離散小波可以把一個(gè)信號(hào)數(shù)據(jù)段分為不同頻率段的數(shù)據(jù),便于進(jìn)行各頻率段的分析研究。而腦電信號(hào)正是非確定的信號(hào)要從時(shí)域、頻域分別進(jìn)行分析,所以利用小波來(lái)進(jìn)行腦電分析。小波分為兩種類型,分別為父小波F和母小波Ψ。其中:∫?(t)dt=1∫ψ(t)dt=0(4)∫?(t)dt=1∫ψ(t)dt=0(4)父小波為平滑的低頻信號(hào),母小波為體現(xiàn)細(xì)節(jié)的高頻信號(hào)。父小波和母小波分別定義為:?(t)=√2∑kh0k?(2t-k)ψ(t)=√2∑kh1k?(2t-k)(5)?(t)=2√∑kh0k?(2t?k)ψ(t)=2√∑kh1k?(2t?k)(5)其中h0k、h1k分別為低通和高通系數(shù)。h0k=1√2∫?(t)?(2t-k)dth1k=1√2∫ψ(t)?(2t-k)dt(6)h0k=12√∫?(t)?(2t?k)dth1k=12√∫ψ(t)?(2t?k)dt(6)信號(hào)重構(gòu)方程為:f(t)=∑ksj,k?j,k(t)+∑kdj,kψj,k(t)+?+∑kd1,kψ1,k(t)(7)f(t)=∑ksj,k?j,k(t)+∑kdj,kψj,k(t)+?+∑kd1,kψ1,k(t)(7)其中:j為分解的階數(shù);k為每階系數(shù)列的個(gè)數(shù);sj,k,dj,k,…,d1,k為小波變換系數(shù)。Sj,k=∫?j,k(t)f(t)dtdj,k=∫ψj,k(t)f(t)dtj=1,2,?,J(8)Sj,k=∫?j,k(t)f(t)dtdj,k=∫ψj,k(t)f(t)dtj=1,2,?,J(8)因?yàn)镈aubechies小波的正則性、正交性和緊支撐使其對(duì)信號(hào)有更高的靈敏度,進(jìn)行低頻高頻分解的效果更好。這里用db1小波把信號(hào)進(jìn)行3階分解,分解流程如圖4。其中:H0(ω)、H1(ω)分別為低通濾波器和高通濾波器;v代表低頻信號(hào);w代表高頻信號(hào);x(n)為輸入信號(hào)。把低頻部分的小波系數(shù)置零再進(jìn)行小波重構(gòu)來(lái)去除低頻噪聲的干擾。去除噪聲的信號(hào)頻率分布如圖5。小波包是對(duì)時(shí)變信號(hào)進(jìn)行時(shí)頻分析的有用工具,和小波分解類似,小波包分解也是通過(guò)濾波和各階的子采樣操作來(lái)完成的。小波包系數(shù)的計(jì)算也和小波分解類似,也是分別通過(guò)高頻和低頻濾波來(lái)計(jì)算。小波包系數(shù)關(guān)系式如下:d2pj+1[n]=dpj[n]×ˉΗ0[2n]d2p+1j+1[n]=dpj[n]×ˉΗ1[2n](9)d2pj+1[n]=dpj[n]×Hˉˉˉ0[2n]d2p+1j+1[n]=dpj[n]×Hˉˉˉ1[2n](9)其中:dpjpj為第j階第p段的小波包系數(shù);ˉΗHˉˉˉ0[n]和ˉΗHˉˉˉ1[n]分別為低通和高通濾波器。再采用db1小波利用小波包把去噪后的信號(hào)進(jìn)行3階分解。分解流程見圖6。因?yàn)檫\(yùn)動(dòng)想象從每次實(shí)驗(yàn)的第4秒開始,所以把實(shí)驗(yàn)的后4s分為4個(gè)時(shí)間窗,每個(gè)時(shí)間窗為1s。對(duì)每個(gè)時(shí)間窗內(nèi)的信號(hào)進(jìn)行小波包分解,得到在此時(shí)間窗內(nèi)8個(gè)頻段的小波系數(shù)并通過(guò)小波系數(shù)得到此頻段的能量特征。4個(gè)時(shí)間窗的小波能量變化如圖7所示。運(yùn)動(dòng)或者準(zhǔn)備運(yùn)動(dòng)都會(huì)伴隨著μ/β波的幅度減小,這一現(xiàn)象稱“事件相關(guān)去同步”。與此相反,在運(yùn)動(dòng)完成并且放松的時(shí)候,會(huì)伴隨著μ/β波的幅度增大,這一現(xiàn)象稱“事件相關(guān)同步”。由圖7可見“事件相關(guān)同步”與“事件相關(guān)去同步”這個(gè)現(xiàn)象。根據(jù)大腦運(yùn)動(dòng)皮層的結(jié)構(gòu)特點(diǎn),大腦的一個(gè)重要組織原則就是肢體運(yùn)動(dòng)的交叉控制,即左側(cè)肢體運(yùn)動(dòng)由大腦右半球控制,而右側(cè)肢體運(yùn)動(dòng)則由大腦左半球控制,因此人在執(zhí)行左右手運(yùn)動(dòng)或者想象左右手運(yùn)動(dòng)時(shí),兩個(gè)腦半球負(fù)責(zé)手的運(yùn)動(dòng)皮質(zhì)區(qū)域的腦電特征具有較大差別。通過(guò)這個(gè)特征,以C3與C4極在4個(gè)時(shí)間窗中8個(gè)不同頻段的能量差值所形成的32個(gè)能量特征作為特征向量進(jìn)行識(shí)別。1.4學(xué)習(xí)c-svc的學(xué)習(xí)算法支持向量機(jī)(SVM)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,它不僅要求最優(yōu)分類面使各類準(zhǔn)確的分開,而且要使類間間隔最大,從而保證真實(shí)風(fēng)險(xiǎn)最小,較好地解決了小樣本的二分類問(wèn)題。本文利用C支持向量分類(C-SVC),其中訓(xùn)練數(shù)據(jù)為xi∈Rn,i=1,…,l。此數(shù)據(jù)分為2類,向量Y∈Rl,yi∈{-1,1}。C-SVC解決如下問(wèn)題:minw,b,ξ12wΤw+Cl∑i=1ξisubjecttoyi(wΤ?(xi)+b)≥1-ξi(10)ξ≥0,i=1,?,l對(duì)式(4)進(jìn)行對(duì)偶變換:minα12αΤQα-eΤα0≤αi≤C,i=1,?,l(11)其中:C>0,表示上界;Q是l×l的半正定矩陣;e為數(shù)值為1的向量矩陣;Qij=yiyjK(xi,xj),其中K(xi,xj)=F(xi)TF(xj)為核函數(shù),訓(xùn)練數(shù)據(jù)xi通過(guò)方程F映射到高維空間。判別方程為:sgn(l∑i=1yiαiΚ(xi,x)+b)(12)2svm法的驗(yàn)證為了證明基于能量特征的SVM識(shí)別法的優(yōu)越性,本文利用4個(gè)時(shí)間段的32個(gè)能量作為特征,對(duì)SVM模型進(jìn)行訓(xùn)練。利用測(cè)試數(shù)據(jù)得到識(shí)別準(zhǔn)確率,并與自適應(yīng)自回歸系數(shù)法和相同步分析法的識(shí)別準(zhǔn)確率進(jìn)行比較。為了得到比較適合的SVM核和訓(xùn)練樣本數(shù),分別選用60、90、120、150組訓(xùn)練樣本對(duì)線性、多項(xiàng)式、RBF(RadioBasisFunction)核的SVM進(jìn)行訓(xùn)練并利用140組樣本進(jìn)行預(yù)測(cè)。訓(xùn)練樣本集都為隨機(jī)選取,每種情況隨機(jī)選取10次進(jìn)行訓(xùn)練,每種情況的平均預(yù)測(cè)準(zhǔn)確率結(jié)果如圖8所示。仿真結(jié)果表明:采用90組訓(xùn)練樣本,利用線性核進(jìn)行識(shí)別的準(zhǔn)確率高達(dá)97.2%。自適應(yīng)自回歸系數(shù)法誤差為16.5%,相同步分析法的誤差為21.7%,基于能量特征的SVM法誤差為2.8%,所以基于能量特征的SVM法的識(shí)別率明顯高于自適應(yīng)自回歸系數(shù)法和相同步分析法。而且自適應(yīng)自回歸方法在每次預(yù)測(cè)時(shí)都必須對(duì)信號(hào)進(jìn)行回歸計(jì)算得到系數(shù),再通過(guò)訓(xùn)練好的回歸模型進(jìn)行計(jì)算判別,所以計(jì)算復(fù)雜度比較大。相同步方法必須用到3個(gè)導(dǎo)聯(lián)的數(shù)據(jù),除了使用C3、C4的數(shù)據(jù)信號(hào),還要利用頭頂?shù)腃Z信號(hào),所以大大增加了分析的數(shù)據(jù)量?；谀芰刻卣鞯腟VM法只需對(duì)取得的特征(C3、C42個(gè)導(dǎo)聯(lián)的能量特征)進(jìn)行訓(xùn)練,訓(xùn)練后可以直接利用訓(xùn)練好