应用研究
基于小波变换的运动想象脑电信号分类
于毅赵云李振新董兵超(新乡医学院河南新乡453003)
数字投本与质用
摘要：在脑一机接口的研究中,针对运动想象的两种恶炸任务的脑电信号的特征提取,提出了一种基于小波包变换的特征提取方法。该方法利用想象运动中,脑电信号Mu/Bet节律事件相关同步化/去同步化特性,采用BC12003竞赛数据，输入Matlab的Clasify分类函数进行分类，正确率达到88.57%。
关键词:赔-机接口特征提取与分类Mu/Beta节律小波包变换
中图分类号:TP391 1引言
文献标识码:A
文章编号:1007-9416(2014)08-0090-01
样频率为原则。
由于脑电信号本身十分复杂、低信噪比的特点，要从微弱的脑电信号中有效区分各种意识活动成分是脑一机接口系统中一个重大课题。常用的特征提取的方法有功率谱法，时频分析法，小波变换法等。功率谱法可以获得意义明显的特征参数，但当脑电信号数据长度较短时，采用该方法获得的脑电信号特征就不明显了，时频分析法对脑电信号分类时建立的分类模型较为复杂，难以在实际中应用；小波分析法在低频时时间分辨率较低，面高频时时间分辨率较高，即符合低频信号变换缓慢而高频信号变化较快的特点，所以更
适合非平稳的脑电信号的分析。 2实验数据
实验数据采用BCI2003竞赛数据DatasetIⅡI，由奥地利Graz 科技大学提供。实验是由一个带有反馈的在线的BCI系统组成，受试者为一位健康状况良好的25岁女志愿者，所执行的意识任务为根据屏幕箭头的指示方向来想象左右手运动，每次实验持续9S，前2s为受试者平静时间，第2s时，屏幕出现一个固定不动十字架提示符，持续 1s，第3s开始，受试者根据屏幕出现箭头的方向相应地做想象左手或右手运动，每次实验采集C3，Cz、C4三个通道的脑电信号，采样频率为128Hz，每次实验每个通道包含1152个数据。总共做280次实验，训练组和测试组各140次，其中训练组已知每次实验想象运动的类别，
这样训练组和测试组的数据集均为1152×3×140。 3小波变换
小波包变换采用Mallat快速分解算法，在满足测不准原理的前提下，可对运动脑电信号按任意的时频分辨率分解到不同的频段，并将运动脑电信号的时频信息相应地投影到所有代表不同频段的小波包空间上。小波包空间的完整性和正交性使得运动想象脑电信号经过小波包变换之后，信息量完整无缺，所有成分均得到保留，这为分析运动想象脑电信号的特征提供了很好的条件。小波包在对运动想象脑电信号分解时，分解的层数以对信号有用成分的提取及采
想象于运动时C3/C4通适Mu/Beta节律据电信号
0.2 服值-02h o4
Ca 道
时闻(s)
想象右手运动时C3/C4通造Mu/Beta节律略电信号
92 03
国(s)
图1左右手运动想象时Mu/Beta节律脑电信号
收移日期：2014-0715
4特征提取
想象左右手运动时，Mu/Beta节律的ERD/ERS现象比较明显，因此我们对原始采集的C3.Cz，C4通道脑电信号进行8～28Hz的带通滤波，本文采用椭圆滤波器，通带截止频率为8～28Hz，阻带截止频率为5Hz和35Hz，通带衰减0.5dB，阻带衰减50dB。然后本文利用具有紧支集和正交性的db4小波函数，对滤波后的信号进行两层小波包分解，分解后第二层共有4个节点，频带分别为：8～13Hz、 13~18Hz，18～23Hz.23～28Hz，而第一个节点和第三个节点的额率范围正好与Mu/Beta节律频带范围相近，因此分别重构第二层第一，三节点的小波系数，然后把它们叠加，即可提取所要研究的 Mu/Beta节律信号。重构后信号如图1所示，Mu/Beta节律的ERD/ ERS现象较为清晰。
在采集脑电信号时，由于C3,C4电极所在位置的大脑皮质分别代表大脑左、右手感觉运动区域"。由于在想象左右手运动过程中， C3.C4通道得ERD/ERS现象是相反的，也就是说在此过程中C3. C4通道脑电信号的能量幅值是有差别的。因此，本文充分利用想象左右手运动C3，C4通道脑电信号的ERD/ERS现象，并且以Cz通道 N次实验的脑电信号能量均值Ec作为参考，每次实验的C3.C4通道
脑电信号的能量分别与E。的差值再与E的比值作为特征值。 5分类与讨论
本文在分析运动想象脑电信号Mu/Beta节律的ERD/ERS现象的生理特性基础上，以BCI2003数据作为处理对象，利用带通滤波器对脑电信号进行预处理，然后，利用小波变换对C3.C4通道脑电信号进行特征分析，提取特征值，构造特征向量，最后把特征向量输人Matlab中的Clasify分类函数进行分类识别，对训练组数据和测试组数据分类正确率最高均为88.57%,而在文献[3中，利用时闻相关去同步特征进行特征提取和线性判别分类器进行分类的正确率为86.43%，利用AR特征和线性判别分类器进行特征提取和分类的正确率为84.29%。因此，本文
方法所得到的分类结果明显优于上述方法参考文献
[1 JReinhold Scherer,Josef Faller,David Balderas,et a1.Brain computer interfacing: more than the sum of its parts[JJ.Soft Computing,2013,17(2):317331.
[2JPriyanka G,Bhosa le,et a1.Classification of EEG Signa ls Using wavelet Transform and Hybrid Classifier For Parkinson' s Dis-ease Detection[J]. The International Journal of Engineering And Science,2012,1 (2):106112.
[3JBlankertz B,Muller K R,Curio G,et a1 . The BCI competition 2003:progress and perspectives in detection and discrimination of EEG sing le trials[J].IEEE Trans Biomed Eng.2004,51 (6):1044-1051.
[4]黄思娟.吴效明.基于Mu/Beta节律想象运动脑电信号特征的提取[J].中国组织工程研究与临床康复.2010,14(43):80618064
基金项日：1河南省科技厅项目(122102210065)，河南省教育厅项目(13A416858)。
作者简介：于毅(1982一),新多医学院生物医学工程学院教师,博士,制教授,研究方向：医学信号处理 06