摘  要： 針對(duì)目前腦機(jī)接口中提取明顯的腦電信號(hào)特征較難以及特征維數(shù)較多的缺陷,，提出了一種多參數(shù)的公共空間頻率模式CSSP(Common Spatio-Spectral Pattern)算法對(duì)腦電信號(hào)進(jìn)行特征提取。該算法對(duì)不同通道的腦電信號(hào)采取不同的延時(shí)因子,，增強(qiáng)了CSSP算法在頻域上的濾波效果,。在對(duì)2003年國(guó)際腦機(jī)接口BCI(Brain Computer Interface)競(jìng)賽的運(yùn)動(dòng)想象腦電識(shí)別中，利用多參數(shù)CSSP特征提取方法結(jié)合支持向量機(jī)SVM(Support Vector Machine)分類方法,，在只提取兩維特征的情況下,，較公共空間模式CSP(Common Spatial Pattern)與CSSP算法，分類的正確率有了明顯提高,。同時(shí),，多參數(shù)的引入使該方法在特征提取上較CSP與CSSP算法具有更強(qiáng)的適用性。
關(guān)鍵詞： 腦機(jī)接口,；腦電圖,；CSSP算法；特征提??；支持向量機(jī)

    多年來(lái)，人們一直希望直接利用大腦中的電生理信號(hào)建立一種向外界傳遞信息和發(fā)送命令的通道,，即所謂的腦機(jī)接口系統(tǒng)[1],。腦機(jī)接口BCI(Brain Computer Interface)是一種不依賴于大腦的外周神經(jīng)與肌肉正常輸出通路的通訊和控制系統(tǒng)[1],。由于非植入式BCI所獲取的腦電信號(hào)EEG(Electro Encephalo Gram)較微弱，同時(shí)受到心電,、肌電等信號(hào)的干擾,，使得提取腦電信號(hào)的特征存在較大的困難，所以尋求一種有效且適用性強(qiáng)的信號(hào)特征提取方法決定著B(niǎo)CI系統(tǒng)能否迅速發(fā)展及廣泛應(yīng)用,。
    目前,，腦電信號(hào)的特征提取通常有時(shí)域、頻域和空域方式,，提取方法主要有以下幾種:(1)AR(Autoregressive)模型譜估計(jì),。該方法獲取了頻域上的譜信息但損失了時(shí)域上的信息，在對(duì)時(shí)間敏感的信號(hào)應(yīng)用上,，得不到好的效果[2],。(2)時(shí)域分析法。時(shí)域分析法的一個(gè)優(yōu)點(diǎn)是它能夠獲取時(shí)域和頻域上的特征,，但是算法比較復(fù)雜,，計(jì)算量比較大，不符合BCI系統(tǒng)的實(shí)時(shí)性要求,。(3)公共空間模式CSP(Common Spatial Pattern),。CSP算法是基于兩個(gè)協(xié)方差矩陣的同時(shí)對(duì)角化來(lái)獲取空間濾波器。該空間濾波器對(duì)兩種類型的信號(hào)進(jìn)行空間濾波時(shí)起到相反的效果,，當(dāng)其中一類經(jīng)過(guò)濾波后的方差越大時(shí),，另一類反而越小，這使得兩類的特征存在比較大的差異,，對(duì)它們進(jìn)行分類就較容易[3],。但是CSP算法的不足之處就是無(wú)法操作頻域上的信息。(4)公共空間頻率模式CSSP(Common Spatio-Spectral Pattern),。CSSP算法原理上與CSP算法類似,，但是CSSP算法優(yōu)于CSP算法之處是它不僅可以獲取空域上的信息，同時(shí)還可以對(duì)頻域上的信息進(jìn)行操作,，使得提取的特征更加明顯,。

1.2 多參數(shù)的CSSP算法
    本文研究的數(shù)據(jù)集的每一個(gè)序列是從3個(gè)電極(C3、Cz,、C4)中采集得到的,，所以輸入信號(hào)是一個(gè)三維的矩陣，而不是一維的向量,。在使用CSSP算法對(duì)腦電信號(hào)進(jìn)行特征提取時(shí),，所引入的延時(shí)因子τ，只是一個(gè)單一的變量值[5-6]，對(duì)所有從不同電極所采集的信號(hào)進(jìn)行相同時(shí)間的延時(shí),?？紤]到從不同電極所采集到的信號(hào)反映不同類別的特征所在的頻段會(huì)存在一定的偏差，所以用單一的延時(shí)因子τ對(duì)所有序列進(jìn)行延時(shí),，并不能將兩類別差別最大的特征提取出來(lái),。因此，本文提出將單一的延時(shí)因子τ替換為多維變量[τ],，即對(duì)不同電極采集的信號(hào)采用不同的延時(shí)因子,。按此方法，多參數(shù)的CSSP算法的公式演變?yōu)椋?br />
2 實(shí)驗(yàn)數(shù)據(jù)特征提取
    本文研究的數(shù)據(jù)集來(lái)自于2003年BCI競(jìng)賽中運(yùn)動(dòng)想象的標(biāo)準(zhǔn)數(shù)據(jù)集,，由奧地利工業(yè)大學(xué)生物工程學(xué)的醫(yī)學(xué)信息部門(mén)提供。
    該數(shù)據(jù)集采自于想象左右手運(yùn)動(dòng)的方法來(lái)控制一個(gè)運(yùn)動(dòng)桿的任務(wù),。該數(shù)據(jù)集包含280次實(shí)驗(yàn),，從中隨機(jī)抽取140次實(shí)驗(yàn)作為訓(xùn)練集，另外的140次作為測(cè)試集,。每次實(shí)驗(yàn)所經(jīng)歷的時(shí)間為9 s,。前2 s為準(zhǔn)備階段，受試者精神處于放松狀態(tài),，無(wú)任何動(dòng)作,。在第2 s出現(xiàn)一個(gè)聲音的刺激信號(hào)，提示受試者做好準(zhǔn)備,，從第2 s到第3 s,，屏幕上出現(xiàn)一個(gè)十字形的持續(xù)提示信號(hào)，從第3 s開(kāi)始,，屏幕上隨機(jī)出現(xiàn)向左或向右的箭頭,，提示實(shí)驗(yàn)者進(jìn)入想象左右手運(yùn)動(dòng)的實(shí)驗(yàn)階段。
2.1 數(shù)據(jù)預(yù)處理
    單邊的肢體運(yùn)動(dòng)或想象運(yùn)動(dòng)時(shí),，大腦同側(cè)產(chǎn)生事件相關(guān)同步電位ERS(Event-Related Synchronization),，大腦對(duì)側(cè)產(chǎn)生事件相關(guān)去同步電位ERD(Event-Ralated Desynchronization)[7]，這兩種電位主要位于運(yùn)動(dòng)感覺(jué)區(qū)并且主要反應(yīng)在mu節(jié)律和beta節(jié)律這兩個(gè)波段,。由于這兩個(gè)波的頻率帶主要集中在8 Hz～30 Hz,，所以需對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行8 Hz～30 Hz帶通濾波的預(yù)處理。本文通過(guò)加窗濾波的方式對(duì)數(shù)據(jù)集的每一通道進(jìn)行帶通濾波,。采用的窗函數(shù)為矩形窗,，階數(shù)為60。
2.2 特征提取
    本文所采用的數(shù)據(jù)集的每一次實(shí)驗(yàn)所用的時(shí)間為9 s,，而真正的實(shí)驗(yàn)階段為3 s～9 s,，所以只將3 s～9 s的數(shù)據(jù)用于特征提取。在參考文獻(xiàn)[2]中，實(shí)驗(yàn)者在整個(gè)實(shí)驗(yàn)過(guò)程中,，在第4 s～5 s對(duì)左右手想象運(yùn)動(dòng)表現(xiàn)得最為明顯,，可以認(rèn)為這一時(shí)間段是實(shí)驗(yàn)者腦活動(dòng)最為活躍的階段，因此,，用該時(shí)間段的數(shù)據(jù)進(jìn)行特征提取,。
    設(shè)經(jīng)過(guò)預(yù)處理得到的第4 s～5 s的兩類樣本數(shù)據(jù)為T(mén)r_13×128×140和 Tr_23×128×140(三個(gè)下標(biāo)分別代表電極數(shù)、每秒的采樣數(shù),、試驗(yàn)次數(shù)),，按照三維的延時(shí)參數(shù)[τ]對(duì)樣本數(shù)據(jù)進(jìn)行延時(shí)操作，得到δ[τ]Tr_13×128×140和δ[τ]Tr_23×128×140,，將這兩類數(shù)據(jù)各自按行連接起來(lái),，構(gòu)成X_13×17920和 X_23×17920，利用式(4)構(gòu)造出兩類的輸入信號(hào),，利用多參數(shù)的CSSP算法求出空間濾波器W,。本文只采用能量最大w1與最小w2的兩個(gè)方向組成空間頻率濾波器，再運(yùn)用式(5)求出輸出信號(hào)Z,。將經(jīng)兩個(gè)方向投影后的輸出信號(hào)Z分別做方差運(yùn)算作為腦電分類的特征,，即特征f為：
    f=(var(z1)  var(z2))                              (9)
3 實(shí)驗(yàn)步驟及數(shù)據(jù)結(jié)果分析
    本文采用支持向量機(jī)的分類方法。支持向量機(jī)是通過(guò)某個(gè)內(nèi)核函數(shù)將輸入信號(hào)映射到一個(gè)高維特征空間,，進(jìn)而在高維特征空間尋找一個(gè)最優(yōu)的分類面,。本文采用高斯核作為核函數(shù)。
3.1 實(shí)驗(yàn)步驟
    (1)給定延時(shí)參數(shù)[τ]3×1以及初始值,、支持向量機(jī)參數(shù)c和g的范圍并選擇c和g的步長(zhǎng),。本文給定的[τ]3×1范圍為[1 1 1]′～[6 6 6]′(采樣頻率為128 Hz時(shí)，每一個(gè)單位代表1/128 s),，初始值為[1 1 1]′(參數(shù)為[0 0 0]′時(shí)即不采用延時(shí)參數(shù),，本質(zhì)上即CSP算法)。c和g參數(shù)的范圍為20～212,，步長(zhǎng)為2,。
    (2)利用多參數(shù)的CSSP算法以及給定的[τ]3×1值提取出140個(gè)訓(xùn)練樣本特征。利用網(wǎng)格搜索法與五折交叉驗(yàn)證法,，在給定的支持向量機(jī)參數(shù)范圍內(nèi)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練,，求出使得分類正確率最高的支持向量機(jī)參數(shù)，得到最佳的分類模型,。
    (3)在所給的延時(shí)參數(shù)[τ]3×1范圍內(nèi),，計(jì)算出每一個(gè)[τ]3×1所對(duì)應(yīng)的測(cè)試集的特征，利用已獲得的最佳分類模型對(duì)這些測(cè)試集特征進(jìn)行分類,。
    (4)在給定的范圍內(nèi),，賦予[τ]3×1新的值,，返回第二步驟，直到[τ]3×1參數(shù)范圍內(nèi)所有值都用來(lái)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練為止,。
3.2 數(shù)據(jù)結(jié)果分析
    利用上面所闡述的方法,，通過(guò)尋找訓(xùn)練集與測(cè)試集各自所對(duì)應(yīng)的最佳延時(shí)參數(shù)，可以提取出訓(xùn)練集與測(cè)試集不同類別間差別較大的特征,，對(duì)于不同的測(cè)試者產(chǎn)生的腦電信號(hào)可以訓(xùn)練出一個(gè)最佳的分類模型,。令C3、Cz,、C4這三個(gè)電極采集的數(shù)據(jù)序列的延時(shí)參數(shù)[τ]3×1為τ1,、τ2、τ3三個(gè)變量,。在訓(xùn)練集采用最佳的延時(shí)參數(shù)[3 4 5]的情況下,，將參數(shù)τ1固定，改變參數(shù)τ2,、τ3得到測(cè)試集的正確率,，如圖1所示。

    從圖1可以看出,，當(dāng)τ1=3時(shí)，測(cè)試集的分類正確率總體上較采取其他τ1參數(shù)高,。這說(shuō)明,，C3電極采取的延時(shí)參數(shù)為3時(shí)，可以將C3電極采集到的數(shù)據(jù)中所含類別特征不明顯的頻段最大程度地濾除掉,。當(dāng)τ1=3,、τ2=4、τ3=6時(shí),，測(cè)試集的分類正確率最高,，為87.14%?？梢钥闯?，采用最佳的延時(shí)參數(shù)，可以提取出反映不同類別間差別最大的特征,。

    另一方面,，采用本文所論述的方法，使用較少的特征維數(shù)就可以達(dá)到較高的分類正確率,，克服了當(dāng)前許多腦電特征維數(shù)多,、不易實(shí)現(xiàn)實(shí)時(shí)分析且算法復(fù)雜等缺點(diǎn)。對(duì)BCI2003的運(yùn)動(dòng)想象數(shù)據(jù)進(jìn)行分析,，較CSP算法與CSSP算法分類正確率有了明顯的提高,，比較結(jié)果如表1所示,。
    從表1可以看出，對(duì)于多參數(shù)CSSP算法,，訓(xùn)練集與測(cè)試集的最佳延時(shí)參數(shù)很接近,，說(shuō)明測(cè)試者經(jīng)過(guò)訓(xùn)練之后，已經(jīng)能夠很好地控制自己進(jìn)入運(yùn)動(dòng)想象的狀態(tài),。另外,，本文論述的方法優(yōu)于CSP與原始CSSP算法，訓(xùn)練集與測(cè)試集的正確率都有一定程度的提高,，說(shuō)明了該算法的有效性,。該算法選取了多個(gè)延時(shí)參數(shù)克服了原始CSSP算法的延時(shí)參數(shù)單一缺點(diǎn)，提高了該算法在特征提取上的正確性,。
    本文通過(guò)對(duì)運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行8 Hz~30 Hz較明顯頻段的帶通濾波,，利用多參數(shù)的公共空間頻率模型對(duì)訓(xùn)練集與測(cè)試集進(jìn)行特征提取,并利用支持向量機(jī)對(duì)所提取的特征進(jìn)行分類，在給定的延時(shí)參數(shù)范圍內(nèi),，尋找出使得所提取的特征維數(shù)少且明顯性強(qiáng)的最佳參數(shù),，進(jìn)一步提高了分類的實(shí)時(shí)性和正確性，這對(duì)BCI系統(tǒng)應(yīng)用于各種領(lǐng)域的設(shè)備如康復(fù)器械,、軍事設(shè)備等大批量開(kāi)發(fā)將具有一定的參考價(jià)值,。
參考文獻(xiàn)
[1] WOLPAW J R，BIRBAUMER N,，HEETDERKS W J,，et al. Brain-computer interface technology：a review of the first  international meeting[J].IEEE Trans on Rehabilitation Engineering，2000,，8(2)：164-173.
[2] 李明愛(ài),，劉凈瑜，郝冬梅.基于改進(jìn)CSP算法的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),，2009,，28(2)：161-165.
[3] 堯德中，劉鐵軍,，雷旭,，等.基于腦電的腦-機(jī)接口：關(guān)鍵技術(shù)和應(yīng)用前景[J].電子科技大學(xué)學(xué)報(bào)，2009,，38(5)：550-553.
[4] 王璐,，吳小培，高湘萍.四類運(yùn)動(dòng)想象任務(wù)的腦電特征分析及分類[J].計(jì)算機(jī)技術(shù)與發(fā)展,，2008,，18(10)：24-26.
[5] LEMM S，BLANKERTZ B.Spatio  spectral filters for  improving the classification of single trial EEG[J].IEEE Trans on Biomedical Engineering,，2005,，52(9)：1541-1547.
[6] 唐艷,，湯井田，龔安棟.基于公共空間頻率模型的腦電數(shù)據(jù)分類[J].計(jì)算機(jī)工程與應(yīng)用,，2008,，44(20)：159-161.
[7] 趙啟彬.EEG時(shí)空特征分析及其在BCI中的應(yīng)用[D].上海：上海交通大學(xué)，2008.