基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法
郑潜1, 乔丹1, 郎恂2, 谢磊1, 李东流3, 王琪冰3, 苏宏业1
1 浙江大学智能系统与控制研究所,浙江 杭州 310027
2 云南大学信息学院电子工程系,云南 昆明 650091
3 森赫电梯股份有限公司,浙江 湖州 313000
【摘 要】 脑机接口是一项新兴的技术,它可以处理分析采集到的运动想象脑电信号,从而实现对外部辅助设备的控制。针对目前运动想象脑电信号处理方法计算效率低、分类准确率不高等问题,提出了一种新的基于噪声辅助快速多维经验模式分解(NA-FMEMD)的运动想象脑电信号分类方法。该方法首先利用 NA-FMEMD 得到全部的多维本征模式函数和趋势项;接着,根据平均频率选取特定的信号层,构建出新的多维信号;然后,通过共空间模式提取出脑电信号的特征向量;最后,将特征向量输入支持向量机分类器中进行分类。分别采用仿真数据和BCI Competition IV数据进行测试,并与基于噪声辅助多维经验模式分解(NA-MEMD)的方法进行比较,验证了所提方法的有效性和优势。 【关键词】 脑电信号 ; 运动想象 ; 噪声辅助快速多维经验模式分解 ; 共空间模式 【引用格式】郑潜,乔丹,郎恂, 等. 基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法[J]. 智能科学与技术学报, 2020, 2(3): 240-250.
ZHENG Q, QIAO D, LANG X, et al. Classification of motor imagery signals using noise-assisted fast multivariate empirical mode decomposition[J]. CHINESE JOURNAL OF INTELLIGENT SCIENCE AND TECHNOLOGIE, 2020, 2(3): 240-250.
1.引言
脑机接口(brain-computer interface,BCI)是一项新兴的技术,可以对大脑皮层神经元活动产生的电信号进行采集,分析信号特性并产生控制信号,进而实现对外部设备的直接控制。其中,脑电图(electroencephalogram,EEG)由于具有非侵入性、经济实惠、便于实时操作等特征,应用最为广泛。利用EEG信号控制外部辅助设备,不仅可以为严重残疾的患者提供与外界交流的渠道,改善他们的生活环境,还可以促进生物工程领域、神经修复学等多学科交叉技术的发展。 Silva G P H L D等人的研究表明,当人对肢体动作进行想象时,大脑的主感觉运动皮层处于4~8 Hz频段的θ节律、8~13 Hz频段的μ节律以及13~30 Hz频段的β节律会发生与该动作真实实施时相似的电生理响应,诱发运动想象(motor imagery,MI)电位。人类对肢体动作的准备或者想象将使皮质运动中枢中大量神经细胞的活动状态发生变化,导致脑电信号中某些频率增强或减弱。Nikouline V V等人的研究证明,当人做单侧肢体实际运动或者单侧肢体想象运动时(如左手实际运动或运动想象),大脑对侧(即右侧)主感觉运动区的 μ节律幅值会明显降低,即事件相关去同步(event-related desynchronization,ERD),大脑同侧(即左侧)主感觉运动区的 μ节律幅值会明显增高,即事件相关同步(event-related synchronization,ERS)。 由于脑电信号中噪声较多,原始脑电信号的信噪比低,可靠性差,如何提取脑电信号的特征成为脑电信号分析、分类非常核心的难点。目前常用的方法有傅里叶变换(fourier transform,FT)、功率谱密度(power spectral density,PSD)、自回归模型(autoregressive model,AR)、小波变换(wavelet transform,WT)、相关分析、共空间模式(common spatial pattern,CSP)等。CSP方法是一种利用主成分分析和时空域变换的特征提取方法。该方法没有考虑 EEG 信号中的频率特性,而运动想象脑电信号的ERD和ERS发生在特定区域的特定频段。因此,结合共空间模式和信号时频分解的方法,成为运动想象脑电信号处理研究的趋势。 本文提出了一种新的基于噪声辅助快速多维经验模式分解(noise-assisted fast multivariate empirical mode decomposition,NA-FMEMD)的运动想象脑电信号分类方法。该方法的主要贡献在于解决了噪声辅助的多维经验模式分解(noise-assisted empirical mode decomposition,NA-MEMD)的模式混叠、计算效率低等问题,分解结果的可解释性更强,能够更加精准地定位相应频段,从而提高脑电信号的分类准确率。本文分别采用仿真数据和 BCI Competition IV 数据进行测试,验证了该方法的有效性和优势。2.基于NA-FMEMD的信号分类方法
2.1 噪声辅助快速多维经验模式分解
1998年,Huang N E等人提出了经验模式分解(empirical mode decomposition,EMD)算法,该方法完全由数据驱动,适用于非线性、非平稳数据。2009年,Wu Z H等人提出了一种噪声辅助的改进算法——集合经验模式分解(ensemble empirical mode decomposition,EEMD)算法,该算法利用白噪声具有频率均匀分布的统计特性,避免了EMD算法的模式混叠。2009 年,Rehman N等人提出了多维经验模式分解(multivariate empirical mode decomposition,MEMD)算法,可同时对多通道数据进行分解,能够避免本征模式函数(intrinsic mode function,IMF)在各个数据通道之间频率不一致的问题。2011 年,Ur Rehman N 等人提出了NA-MEMD 算法。但随着信号维度的增加, NA-MEMD 算法的计算效率明显下降,高计算负荷和过度分解在一定程度上限制了该算法的应用。为了解决这个问题,Lang X等人首先提出了直接和间接的多维本质时间尺度分解(multivariate intrinsic time-scale decomposition,MITD)算法。2018年,Lang X等人又提出了快速多维经验模式分解(fast multivariate empirical mode decomposition, FMEMD)算法以及其噪声辅助的版本NA-FMEMD,计算效率得到明显提升。 NA-FMEMD 算法通过优化多维运算空间至一维运算空间的映射关系,很大程度上缩短了计算时间,尤其在信号维度增加时效果愈发显著。对于由p 维输入与 m 维白噪声组成的多变量信号![92c8f2c8f7f8c1b33494e4dab7467c6e.png](https://img-blog.csdnimg.cn/img_convert/92c8f2c8f7f8c1b33494e4dab7467c6e.png)
![8ddc82345e92bc12ef37bf6e20d7469a.png](https://img-blog.csdnimg.cn/img_convert/8ddc82345e92bc12ef37bf6e20d7469a.png)
![18d65bdac2cc0284ac14fdcd68db14e6.png](https://img-blog.csdnimg.cn/img_convert/18d65bdac2cc0284ac14fdcd68db14e6.png)