基于时频相关性的运动想象脑电特征提取方法

基于时频相关性的运动想象脑电特征提取方法

王东洋，金晶，王行愚

华东理工大学,化工过程先进控制与优化技术教育部重点实验室, 上海 200237

E-mail: xywang@ecust.edu.cn

摘 要: 本文对只有C3、C4导左右手运动想象脑电信号的分类，提出了一种基于时频相关性的功率特征选取方法.首先通过傅立叶变换求出两导的时频功率谱系数矩阵；其次以固定时频尺度将功率谱系数矩阵分成大小相等的若干子矩阵，找出其中左、右手C3的相关度和左、右手C4的相关度大于95%时对应的时频段数据，剔除这些相关性最大的时频段，以剩下的时频段的功率均值作为最终特征；最后使用LDA分类器对此特征分类.通过对BCI competition Ⅳ中2B组9个被试的数据进行测试，识别结果和使用固定时频段功率特征相比，识别率有所提高，初步说明了本方法能提取不同被试在想象左右手运动时差异最大的时频特征功率值. 关键词: 脑-机接口, 运动想象, 时频功率谱, 相关性分析

The feature extraction of motor imagery EEG based on the

time-frequency correlation

WANG Dongyang, JIN Jing, WANG Xingyu

Key Lab. Advanced Control and Optimization for Chemical Processes of Ministry of Education, East China Univ. of Science and Technology, Shanghai 200237, China

E-mail: xywang@ecust.edu.cn

Abstract: When we classify the motor imagery EEG only with C3 and C4, this paper gives a method of band power feature selection based on the time-frequency correlation. Firstly, we make out the power spectrum coefficient matrix of the two electrodes through the Fourier transform; secondly, we divide the power spectrum coefficient matrix into several son matrix of the same size by the fixed time-frequency scale, then find out the corresponding time-frequency band data in which the left and right C3’s correlation and the left and right C4’s correlation are more than 95%, we eliminate the largest correlated data segments, make the rest’s band power as the final characteristic; Finally we use the LDA to classify the feature. We test the nine subjects’ datasets of 2B group in the BCI competition Ⅳ, compared with using the fixed time-frequency band power, the accuracy improves, which validates this method is useful to extract individual’s feature.

Key Words: Brain-Computer Interface (BCI), Motor Imagery, Time-Frequency Power Spectrum, Correlated Analysis

1 引言

脑-机接口（brain-computer interface BCI）是一个不依靠外周神经和肌肉组织等而实现大脑和外界

[1]

装置之间直接的交流和控制的通道.它的出现为那些肌肉组织或外周神经损坏而大脑功能仍然健全的残疾人带来了与外界交流的希望，因此近些年也受到了各国科学界的广泛关注.

研究表明，人类大脑在想象肢体不同部位的运动时，大部分人的大脑皮层运动体感区附近都会出现8～30Hz的节律性脑电波幅的变化，此频带正好包括了脑电波中的α波和β波频段[2]；当人在想象左手和右手的运动时，大脑皮层左右两侧运动区将出现交叉式的脑电节律波幅的增强和减弱. 我们将运动想象脑电

此项工作得到国家自然科学基金（61074113），上海市重点学科（B504），中央高校基本科研业务费专项资金（WH1114038,WH0914028）的支助.

*

信号波幅增强的现象被称为事件相关同步（event-related synchronization, ERS），而将脑电信号波幅减弱的现象则称为事件相关去同步（event-related desynchronization, ERD）.

基于运动想象的脑-机接口首先是采集被试想象肢体不同部位运动时的脑电信号，其次提取脑电中的差异特征，对这些差异特征进行分类，最后根据分类的结果完成相应的任务. 在使用较多导联采集脑电时，我们使用共空间模式（common spatial pattern, CSP）来提取特征，一般情况下能取得较好的识别效果[3]. 而当脑-机接口在实际系统的应用中，若能使用较少的电极，将给系统的设计带来便利性. 对于在只有C3、C4两导脑电的左右手两类的识别中，本文提出了一种基于时频相关性的功率特征提取方法. 针对被试在想象左右手运动时C3、C4导联脑电表现出的时频功率特性差异不太明显的部分，我们通过相关性分析法将其去掉，从而将那些差异最大的时频段功率

值保留下来作为被试的左右手特征，通过使用本方法提取的功率特征与使用固定时频段功率特征进行特征分类，本方法的分类准确率有一定的提高，初步证实了本方法的可用性. 2 脑电数据来源

本文使用的数据来自第四届脑-机接口国际竞赛数据库中的2B组数据集，本组数据由奥地利工业大学

提供[4]. 此组数据共包括9名被试的脑电数据，每个被试进行了5组实验，前2组实验不带识别结果反馈，后3组实验带识别结果的反馈.

实验中脑电数据采集自大脑皮层运动体感区，使用位于C3、Cz和C4前后2.5cm位置上的3个双极导联，信号采样频率250Hz、幅值范围±100μV，数据已通过0.5～100Hz的模拟带通滤波器滤波和50Hz陷波.

带识别结果反馈的单次实验范式持续10秒左右的时间，实验前2秒系统将在显示器上给出一个灰色的人形脸提示被试准备实验，第3秒系统给出提示，接着被试根据提示想象相应方向的手部运动，系统将根据识别结果给出一个向着正确方向移动的绿色笑脸，或向错误方向移动的红色苦脸，移动的距离便是识别结果的累加.

本文中我们取每位被试的第3组数据来做训练集，第4、5组数据用来做测试.9名被试中除了第二名的第3组只包括120个单次实验数据，其它组次都包括160个单次实验数据.

3 脑电数据分析

目前在脑-机接口设计中对脑电数据特征提取的方法越来越多，文献[5]中给出了对基于各种范式的脑电特征提取方法的全面介绍，这些方法中常用的有基于时域数据分析的方法如：共空间模式(CSP)、独立成分分析（ICA）和主成份分析（PCA）；也有基于时频信号分析的方法如：快速傅立叶变换（FFT）、

短时傅立叶变换(STFT)、小波变换(WT)等.

本文使用的是一种在脑电信号特征提取中最常用的方法. 首先使用带通滤波器对脑电数据滤波，选取相关频率段的数据，其次将脑电数据分段，求取每个时间窗内信号的功率均值作为最终的特征值. 3.1 固定时频段特征提取

求取脑电功率特征首先是选取与运动想象相关的时间段脑电数据，其次将此时间段的数据通过8～30Hz的带通滤波器滤波，然后通过固定长度的时间窗将相关时间段的数据分段，最后以每段数据的功率均值作为最终的特征，参考文献[6]，本文将相关时间段的长度设定为4秒.

考虑到单次实验共10秒左右，约合2500点数据，本文以4秒为时间窗，每次用4点数据向前滑动选取前

8秒数据中与运动想象最相关的时间段. 图(1)是9个被试的识别准确率平均后的走势图，从图中可以看出在7秒左右识别率将稳定在70%之上，据此本文选取3～7秒作为最佳相关时间段.

图 1: 9名被试4～7秒的平均识别准确率的走势图

将C3、C4导的3～7秒脑电通过六阶的带通巴特滤波器滤取8～30Hz的数据，将滤波后的4秒数据以0.25秒的时间窗分成16等份，求出每一份的功率均值，最终以C3、C4导的共32个功率值作为特征.功率均值的公式如下：

p1642i64log10cij （1） j1其中i3,4表示C3、C4导，j表示每个时间窗

的数据点.

3.2 去相关后的时频段特征提取

使用固定时频段特征提取方法对被试S4、S8和S9都取到了不错的识别率，但是对于其余六个被试，识别效果不太理想.分析原因可能是不同被试的运动想象程度不同，脑电特征存在差异，因此不同被试的特征时频段也就不同，有必要对相关特征频率段做进一步的筛选. 通过相关性分析法[7]分别求出想象左手和右手时C3、C4导脑电时频功率特征的相关度，将强相关性的时频段数据剔除，将筛选后剩下的时频段功率值作为最终特征.

首先求取被试运动想象脑电的时频功率谱，调用EEGAnalysis工具箱中的基于傅立叶变换的函数求出脑电功率谱系数矩阵，并画出功率谱图. 下图(2)是被试S4想象左右手运动时的C3、C4导脑电时频功率谱图，从图中可以清晰的看出，当被试想象左手运动时，大脑右侧C4区域将出现明显的ERD现象，当被试想象右手运动时，大脑左侧C3区域将出现明显的ERD现象.

ERSERD图 2: 被试S4的左右手C3、C4导时频功率谱图

此处对0～8秒的脑电数据求取8～30Hz的时频功率谱，得到一个大小为23×230的系数矩阵，我们截取与3～7秒对应的系数矩阵，通过试凑法选取出5.5Hz的频率窗将8～30Hz的频段分成4段，将此系数矩阵以0.25秒/5.5Hz为尺度分成64个大小为5×7的子矩阵.

数据相关性分析表明当两个向量的相关度大于95%时，表示两向量极度相关. 分析左手和右手C3对应的64个子矩阵的相关度，再分析左手和右手C4对应的64个子矩阵的相关度，找出两导的相关度大于95%的子矩阵所对应的时间段和频率段，最后将这些时频段滤除，将剩下的时频段的功率均值作为特征.

此处我们对9名被试的训练集做相关性分析，结果发现被试S1、S2和S3的C3、C4导的相关度大于95%的子矩阵个数很多，我们从中选取相关度最大的2对；S5中相关度大于95%的子矩阵所对应的数据大部分落在了8-13.5Hz的频段上，我们将这个频段的数据整体滤除；被试S6和S7的相关度大于95%的有2对，我们将这两对所在的时频段数据滤除；S4和S8相关度没有大于95%的，我们对其时频段数据不做处理；S9只有一个相关度大于95%的子矩阵，对应的是C3导的时间在4～4.25秒，频率在8～13Hz的数据段，我们将这个时频段的C3导数据滤除. 最终我们根据滤除强相关度后的时频段，算出每个被试对应的时频功率均值作为最终的特征.表（1）给出了9名被试想象左右手时所需滤除的大相关度的时频段.

表1. 不同被试想象左右手时大相关度的时频段 被试 功率特征中去掉的时频段 被试S1 C3: 3～3.5秒/8～13Hz C4: 3～3.25秒/8~13Hz, 3.5～3.75秒/8~13Hz 被试S2 C3:4~4.25秒/8～19Hz C4:4~4.25秒/14～19Hz, 5.75~6秒/14～19Hz 被试S3 C3:2.75～3秒/20～25Hz,4~4.25秒/25～30Hz C4:3.25~3.75秒/8～13Hz 被试S4 无 被试S5 C3:3~7秒/8～13Hz C4: 3~7秒/8～13Hz 被试S6 C3:4. 5～4.75秒/8～13Hz,5~5.25秒/14～19Hz C4:3. 5~4秒/8～13Hz 被试S7 C3:4. 5～4.75秒/8～13Hz,5~5.25秒/8～13Hz C4:3. 5~3.75秒/8～13Hz,5.75~6秒/25～30Hz

被试S8 无 被试S9 C3:4~4.25秒/8～13Hz 3.3 左右手模式分类

对2B组的9名被试的两组测试集，我们使用本文所给的方法，提取左右手C3、C4导时频特征进行分类. 本文使用的是线性判别分类器LDA，它是一种在脑-机接口的特征分类中受到广泛应用的分类器[8].将每个被试去相关后的时频功率均值特征通过LDA分类得到最终的分类准确率，分类结果和使用固定时频段功率均值作为最终特征相比，每个被试的识别率均有所提高，两种特征提取方法的LDA分类结果显示在表（2）中.

表2. 不同的特征提取方法在想象左右手时的识别正确率 被试 固定时频段 去相关后的时频段 功率特征-分类结果(%) 功率特征-分类结果(%) 被试S1 61.2 64.6 被试S2 53.3 58.2 被试S3 51.4 56.3 被试S4 96.6 96.6 被试S5 59.5 78.2 被试S6 78.6 80.3 被试S7 70.1 75.5 被试S8 92.8 92.8 被试S9 86.4 88.1 4 结束语

在导联较少的情况下，使用固定时频段脑电功率特征对不同被试分类，分类准确率差别很大，这表明不同的被试在想象左右手运动时，大脑皮层相应区域的脑电信号时频特征存在明显的差异.本文通过相关性分析找出想象左手和右手运动时强相关性的时频段并将去滤除，对剩下的时频段功率特征进行分类，在一定程度上提高了分类准确率.在分割脑电时频段功率谱系数矩阵时最佳尺度的选取上，我们只是使用了简单的试凑方法，若对最佳时频尺度窗进行优化选取可能会进一步提高分类准确率，这也是本文进一步研究的方向.

参考文献

[1] 高上凯. 基于节律性脑电信号的脑-机接口. 生命科学,

20(5): 722-724, 2008.

[2] G. Pfurtscheller, T.M.Vaughan. Brain-computer interfaces

for communication and control. Clinical Neurophysiology. 2002(113), 767–791.

[3] YijunWang, ShangkaiGao. Common spatial pattern method

for channel selection in motor imagery based Brain-computer interface. Engineering in Medicine and Biology. 2005, 5329-5332.

[4] R.Leeb, F.Lee, C.Keinrath, R.Scherer, G.Pfurtscheller.

Brain-computer communication: motivation, aim, and impact of exploring a virtual apartment. IEEE Transactions on Neural Systems and Rehabilitation Engineering 2007(15), 473-482.

[5] Reinhold Scherer, Alois Schloeg, Felix Lee, Horst Bischof,

Gert Pfurtscheller. The Self-Paced Graz Brain-Computer Interface: Methods and Applications. Computational Intelligence and Neuroscience. 2007:1-9.

[6] Ali Bashashati, Mehrdad Fatourechi, RababWard, E Birch. A

survey of signal processing algorithms in brain–computer interfaces based on electrical brain signals. 2007(4), 32-57.

[7] 王娆芬, 张建华, 王行愚. 基于ICA和FCM算法的操作员脑

电信号眼电伪迹自动去除研究.第三十届中国控制会议论文集. 2011: 3175-3180. [8] F.Lotte, M.Congedo, A L´ecuyer, F.Lamarche. A review of

classification algorithms for EEG-based brain-computer interfaces. Journal of neural engineering. 2007(4): 1-13.