基于样本熵的运动想象脑电信号特征提取与分类方法

《基于样本熵的运动想象脑电信号特征提取与分类方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于样本熵的运动想象脑电信号特征提取与分类方法　　摘要：脑-机接口是一种允许人脑与外部接口直接交流的系统，它通过识别不同思维下的脑电信号，并将其转换为控制信号，来实现意念控制。传统的基于EEG信号频域特性进行特征提取的方法无法达到高分类正确率的要求[1]。本文提出基于小波变换与样本熵的运动想象脑电信号特征提取方法。分析了左右手运动想象EEG信号样本熵的动态变化规律及其神经电生理意义。最后利用Fisher线性判别式进行了左右手运动想象脑电的分类，得到了较好的分类结果，平均最大分类正确率达到了90.3%，证明了该方案具有很大的可行性和实用价值。　　关键词：脑机接口；运

2、动想象；小波变换；样本熵　　DOI：10.16640/j.cnki.37-1222/t.2017.07.262　　1引言　　?X-机接口（Brain-ComputerInterface，BCI）是一种允许人脑与外部接口直接交流的一种系统[2]。BCI通过实时测量与使用者意图相关的大脑活动，并将这个活动转化为相应的控制信号，从而达到对设备实时控制的目的[3]。BCI最终的目标是形成更加自然顺畅的人-机交流方式，这对某些特殊环境中的外部设备操控人员（如坦克操控人员、潜水员、宇航员等）来说，可以增加人员对专用设备的特殊控制技能，同时还可以达到减少人员工作量，提高工作效率

3、和控制精度等效果。　　基于左右手运动想象脑电的BCI，其实现最为关键的环节是脑电信号的特征提取。目前的特征提取方法主要有自回归（AR）模型[4]、功率谱估计[5]、小波变换[6]等。AR模型和功率谱估计属于频域分析法，无法很好的表征EEG信号的时域信息；小波变换属于时频分析法，虽然可以同时分析信号的时域和频域信息，但不能同时在时域和频域有高的分辨率。因此，寻找更加有效的左右手运动想象脑电特征对于改善BCI性能是非常有意义的。　　本研究提出了将小波与样本熵结合进行EEG信号特征提取，首先利用小波对EEG原始信号进行去噪，然后采用非线性动力学参数“样本熵”作为脑电特征

4、进行分类。样本熵的值反映所测时间序列中出现新模式的概率，样本熵值与出现产生新模式的概率成正相关[7]。这正好能够用来衡量运动想象过程中大脑感觉运动皮层被激活时EEG信号的复杂性变化。实验中分析了用户进行左右手运动想象时EEG信号样本熵的动态变化规律及其神经电生理意义。最后利用Fisher线性判别式进行了左右手运动想象脑电的分类，得到了较好的分类结果，证明了该方案具有很大的可行性和实用价值。　　3实验及结果分析　　3.1数据采集　　实验数据采用2008年第四届脑机接口竞赛提供的Datasets1受试b的校准数据，该实验采用59个电极，采样频率为100Hz，周期为8s

5、。受试者放松安静的坐在电脑前舒适的座椅上，根据屏幕上出现的提示进行运动想象，如图1所示，每个实验周期分为以下几个环节：　　a）1～2s呈现黑屏状态，受试者保持安静放松；b）2s时，计算机发出短暂的蜂鸣声，提醒受试者注意；c）2～4s屏幕上出现十字叉‘+’，使受试者注意力集中在屏幕中心；d）4s时屏幕出现向左或者向右的箭头，用户根据箭头指向进行左手或者右手的运动想象，持续4s。　　实验数据中分别包含受试b进行左手运动想象和右手运动想象各100次，其中前30次用于训练，后30次用于测试。　　3.2EEG信号预处理　　由于EEG信号非常微弱（级），而且内部夹杂着各种噪声

6、（如眼电、肌电、心电伪迹、工频噪声等），因此EEG的信噪比很低[9]。为了减少噪声提高信噪比，我们利用非线性小波变换阈值法对运动想象原始EEG信号（图2为脑电原始信号）进行处理。通过MATLAB仿真，选取db4作为小波基函数，对原始EEG信号进行5层分解，舍弃5层以上的高频部分，利用软阈值方法对EEG信号进行去噪处理，处理后得到的信号如图3所示。　　运动想象原始EEG信号内部包含各种干扰，高频干扰尤为明显，这将直接影响后期特征提取和分类的效果。由上面的仿真结果图3可见：滤波后的信号很好的滤除了绝大部分噪声的干扰，保留了运动想象脑电信息，为后期的特征提取和分类识别提

7、供有力保证。　　3.3基于样本熵的左右手运动想象EEG复杂度分析　　人在放松清醒的状态下进行运动想象时，在大脑的感觉运动皮层区域就会产生8-12Hz的节律和18-26Hz的节律脑电[10]。人在进行单侧肢体运动想象时，大脑中对侧的节律和节律会出现幅值衰减的现象，这种现象被称为事件相关去同步（ERD）；而大脑中同侧的节律和节律会出现幅值增强的现象，这种现象被称为事件相关同步（ERS）。基于ERD和ERS现象，可分别计算出左、右手运动想象EEG信号的样本熵值，选取参考时间段并计算样本熵值，将它们的比值做为运动想象EEG信号的复杂度ERD时程，从而得到左右手运动想象时大

8、脑感觉运动