《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)的LMD運(yùn)動(dòng)想象信號(hào)識(shí)別
基于改進(jìn)的LMD運(yùn)動(dòng)想象信號(hào)識(shí)別
2016年電子技術(shù)應(yīng)用第3期
趙利民,,朱曉軍,,高旭瑞
太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山西 晉中030600
摘要: 針對(duì)腦電信號(hào)非平穩(wěn)非線性特征,,提出基于改進(jìn)的局部均值分解(Local Mean Decomposition,,LMD)運(yùn)動(dòng)想象信號(hào)分類方法。首先結(jié)合改進(jìn)LMD算法和加窗原則選取4~6 s想象信號(hào)作為分類數(shù)據(jù),,提取包含μ節(jié)律和β節(jié)律的PF分量,;其次計(jì)算所選分量的樣本熵值;最后用支持向量機(jī)進(jìn)行分類預(yù)測(cè),,并用分類準(zhǔn)確率進(jìn)行評(píng)估,。實(shí)驗(yàn)結(jié)果表明,運(yùn)用改進(jìn)LMD比傳統(tǒng)LMD方法的識(shí)別率更高,,從而驗(yàn)證該方法的有效性,。
中圖分類號(hào): TP18
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.03.033
中文引用格式: 趙利民,朱曉軍,,高旭瑞. 基于改進(jìn)的LMD運(yùn)動(dòng)想象信號(hào)識(shí)別[J].電子技術(shù)應(yīng)用,2016,,42(3):116-119.
英文引用格式: Zhao Limin,,Zhu Xiaojun,Gao Xurui. Recognition for motor imagery signal based on improved LMD[J].Application of Electronic Technique,,2016,,42(3):116-119.
Recognition for motor imagery signal based on improved LMD
Zhao Limin,,Zhu Xiaojun,Gao Xurui
College of Computer Science and Technology,,Taiyuan University of Technology,,Jinzhong 030600,China
Abstract: For the non-stationary and non-linear characteristics of electroencephalogram(EEG), this paper proposes a classification method based improved local mean decomposition(LMD) for motor imagery signal. Firstly, combining the improved LMD with window principle to select imagery signal of 4~6 second as classification data, and extract components PF that contain ?滋 rhythm and β rhythm. Secondly, the sample entropy of corresponding components PF is calculated. Finally, the EEG is classified with support vector machine(SVM) and evaluated by the accuracy. The experiment results indicate that the improved LMD algorithm is better than traditional LMD algorithm in classification accuracy, which turns out the effectiveness of proposed approach.
Key words : local mean decomposition,;window principle,;sample entropy;PF components,;support vector machine

0 引言

    在腦機(jī)接口中,,人們?cè)谙胂髥蝹?cè)手運(yùn)動(dòng)時(shí),對(duì)側(cè)相應(yīng)初級(jí)感覺(jué)運(yùn)動(dòng)皮層區(qū)的腦電信號(hào)幅值降低,,這種現(xiàn)象稱為事件相關(guān)去同步(Event-Related Desynchronization,,ERD);同側(cè)腦電信號(hào)幅值升高,,稱為事件相關(guān)同步(Event-Related Synchronization,,ERS)[1]。研究表明,,在想象左/右手運(yùn)動(dòng)時(shí),,大腦感覺(jué)皮層的μ節(jié)律和β節(jié)律出現(xiàn)一定變化,并遵循ERD/ERS規(guī)律,。為此,,利用ERD/ERS現(xiàn)象進(jìn)行腦電信號(hào)的特征提取與分類成為BCI研究的關(guān)鍵環(huán)節(jié)。

    在特征提取方面,,LMD是一種新的自適應(yīng)非平穩(wěn)信號(hào)處理方法,,能夠從原始信號(hào)中分離出純調(diào)頻信號(hào)和包絡(luò)信號(hào),將其相乘便可以得到具有瞬時(shí)物理意義的PF分量[2],。目前,,很多學(xué)者對(duì)基于LMD的運(yùn)動(dòng)想象信號(hào)進(jìn)行了研究。但是該方法在應(yīng)用時(shí)存在端點(diǎn)效應(yīng)問(wèn)題,,使得信號(hào)產(chǎn)生畸變,,分解過(guò)程中可能會(huì)造成信號(hào)兩端端點(diǎn)發(fā)散,導(dǎo)致信號(hào)在重構(gòu)時(shí)丟失部分原有特征[3],。為了降低這種端點(diǎn)效應(yīng)的影響,,本文采用改進(jìn)LMD算法進(jìn)行特征提取。

    改進(jìn)LMD分解后的PF分量依次是高頻到低頻的時(shí)間序列,,而樣本熵能衡量時(shí)間序列中產(chǎn)生新模式概率的大小,,具有較好的抗噪和抗干擾能力,對(duì)丟失數(shù)據(jù)不敏感[4],。故用樣本熵對(duì)PF分量進(jìn)行量化,,可提高特征提取準(zhǔn)確率,。

1 改進(jìn)的LMD算法

1.1 算法介紹

    本文利用相似波形加權(quán)平均的端點(diǎn)延拓法來(lái)改善其端點(diǎn)效應(yīng)的影響,以左端點(diǎn)為例,,設(shè)原始信號(hào)為x(t),,具體算法如下[5]

    (1)x(t0)為起點(diǎn),向右取x(t)的曲線段,,長(zhǎng)度為w(t),,并有且有一個(gè)極值點(diǎn)和一個(gè)過(guò)零點(diǎn);

    (2)設(shè)w(t)右端點(diǎn)是過(guò)零點(diǎn),,記為x(tn),,則其中間點(diǎn) x(tm)=(x(t0)+x(tn))/2。以x(tm)為參考點(diǎn),,沿時(shí)間軸t向右平移子波w(t),,若存在某一點(diǎn)x(ti)與x(tm)重合時(shí),取以x(ti)為中點(diǎn)并與w(t)等長(zhǎng)子波,,記為wi(t),。計(jì)算wi(t)與w(t)的波形匹配度mi,并存儲(chǔ)該波形匹配度mi與wi(t)的前一小段數(shù)據(jù)波(取其長(zhǎng)度為0.1 l),,將這些長(zhǎng)度為0.1 l的左鄰數(shù)據(jù)波記為v1(t),,v2(t),…,,vk(t),,并得到如下數(shù)據(jù)對(duì)集合[v,m]={(v(t),,m)|(v1(t),,m1),(v2(t),,m2)…(vk(t),,mk)}:

    (3)當(dāng)集合[v,m]為空時(shí),,表明原始信號(hào)波形不規(guī)則,,不進(jìn)行延拓,轉(zhuǎn)步驟(5),;

    (4)當(dāng)集合[v,,m]不空時(shí),將求得的波形匹配度按降序排列,,得到 [v′,,m′]。計(jì)算[v′,,m′]中前n個(gè)數(shù)據(jù)對(duì)所有子波的加權(quán)平均值,,得到平均波 va,,并用va延拓信號(hào)左端點(diǎn);

    (5)延拓結(jié)束,。

    同理可對(duì)信號(hào)右端點(diǎn)進(jìn)行延拓。

1.2 PF分量選擇

    目前研究表明,,人在想象左/右手運(yùn)動(dòng)時(shí),,其大腦運(yùn)動(dòng)感覺(jué)皮層的μ節(jié)律(8~12 Hz)和β節(jié)律(14~25 Hz)會(huì)出現(xiàn)一定變化[6]。腦電信號(hào)經(jīng)過(guò)改進(jìn)LMD分解成一系列PF分量之和,,選出包含特征頻率多的PF分量作為分類輸入信號(hào),,以此提高特征提取的效率和精度。本文通過(guò)以下方法選出包含大部分μ節(jié)律和β節(jié)律的PF分量,,具體步驟如下:

    (1)通過(guò)改進(jìn)LMD方法將腦電信號(hào)分解為PF分量和,,求取各個(gè)PF分量對(duì)應(yīng)的瞬時(shí)頻率F(t,f),,然后計(jì)算各個(gè)PF分量中8~25 Hz頻帶能量,,如式(1)所示。

    jsj2-gs1.gif

其中F1,,F(xiàn)2為所取頻率的上下限,,即分別為8 Hz和25 Hz;T1,,T2為所取得特征時(shí)間的上下限,;i=1,2,,…,,N,N為信號(hào)分解的PF分量個(gè)數(shù),。

    (2)根據(jù)式(1)中結(jié)果,,求取各個(gè)分量中8~25 Hz頻帶能量所占總能量的比例,得出該頻段能量的分布情況,,最后選出該頻段能量分布較多的PF分量:

    jsj2-gs2.gif

1.3 特征時(shí)間段選擇

    在運(yùn)動(dòng)想象信號(hào)研究中,,其ERD/ERS現(xiàn)象不能持續(xù)貫穿于整個(gè)信號(hào)時(shí)長(zhǎng),如果把整個(gè)時(shí)長(zhǎng)的運(yùn)動(dòng)想象信號(hào)都作為研究對(duì)象,,可能會(huì)包含許多噪聲信息,,影響提取效率和精度。故本文通過(guò)選取特征頻段能量差異最大的時(shí)間段,,找出ERD/ERS現(xiàn)象明顯的運(yùn)動(dòng)想象信號(hào),,具體步驟如下:

    (1)將C3,C4導(dǎo)聯(lián)的運(yùn)動(dòng)想象信號(hào)分別經(jīng)過(guò)改進(jìn)LMD算法分解,,得到兩組PF分量和,;

    (2)用1.2節(jié)中介紹的方法選出特征頻段所占比例較大的PF分量,,并計(jì)算選取分量的瞬時(shí)頻率;

    (3)計(jì)算所選取PF分量中滑動(dòng)時(shí)間窗口長(zhǎng)度為m秒的特征頻段8~25 Hz能量,,并規(guī)定滑動(dòng)步長(zhǎng)為n秒,。

    jsj2-gs3.gif

    jsj2-gs4.gif

    (4)計(jì)算C3,C4對(duì)應(yīng)時(shí)間窗內(nèi)的能量差,,將能量差最大時(shí)所對(duì)應(yīng)的時(shí)間段作為本文特征選擇最佳時(shí)間段,。

    jsj2-gs5.gif

2 樣本熵

    設(shè)時(shí)間序列為x(1),x(2),,…,,x(N),樣本熵具體計(jì)算過(guò)程如下[7]

    (1)將上述序列按順序組成m維矢量:

jsj2-gs6-11.gif

3 SVM分類

    將左右手想象運(yùn)動(dòng)識(shí)別看作二分類問(wèn)題,,用支持向量機(jī)建立模型,。將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。采用10-fold交叉驗(yàn)證方法進(jìn)行度量,,并求取其分類準(zhǔn)確率,。

    支持向量機(jī)是一種有監(jiān)督學(xué)習(xí)算法,該算法首先將特征向量映射到一個(gè)高維空間,,并在空間中依據(jù)訓(xùn)練數(shù)據(jù)標(biāo)簽分布建立一個(gè)超平面集合,,再?gòu)拇思现羞x擇使得分類間隔最大的一個(gè)作為分界面,使得測(cè)試數(shù)據(jù)產(chǎn)生錯(cuò)誤分類的概率更小[8],。SVM不但可以提高泛化性能,,還可以解決高維和非線性問(wèn)題,并避免局部極小值,。

4 實(shí)驗(yàn)分析

4.1 數(shù)據(jù)介紹

    實(shí)驗(yàn)數(shù)據(jù)來(lái)自于BCI 2003競(jìng)賽數(shù)據(jù)[9],。實(shí)驗(yàn)中通過(guò)光標(biāo)移動(dòng)來(lái)模擬左右手運(yùn)動(dòng)的思維過(guò)程。電極位置和時(shí)序圖如圖1所示,。在9 s測(cè)試時(shí)長(zhǎng)中,,前2 s試驗(yàn)者處于放松狀態(tài),第2 s時(shí)系統(tǒng)發(fā)出一個(gè)聲音信號(hào)提示試驗(yàn)者測(cè)試即將開(kāi)始,。這時(shí)顯示屏出現(xiàn)一個(gè)“+”字,,持續(xù)1 s。第3 s時(shí),,“+”字變?yōu)樽笥壹^,,同時(shí)要求試驗(yàn)者按照左右箭頭的提示想象左右手運(yùn)動(dòng)。

jsj2-t1.gif

    整個(gè)實(shí)驗(yàn)分為280組,,訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)各140組,,分為左手和右手兩個(gè)類別。信號(hào)采樣頻率128 Hz,包含C3,、Cz,、C4三個(gè)導(dǎo)聯(lián),Cz為參考導(dǎo)聯(lián),。

4.2 實(shí)驗(yàn)結(jié)果

    本實(shí)驗(yàn)利用改進(jìn)LMD算法對(duì)腦電信號(hào)進(jìn)行分解,,因受試者在第3 s時(shí)開(kāi)始進(jìn)行想象運(yùn)動(dòng),到第9 s結(jié)束,,故本文選取3~9 s內(nèi)不同時(shí)間段進(jìn)行分析。本文以C3 導(dǎo)聯(lián)作為分析對(duì)象,, 圖2為C3導(dǎo)聯(lián)在3~9 s想象運(yùn)動(dòng)時(shí)改進(jìn)LMD分解示意圖,,其中X(t)為原始信號(hào)。圖3為各個(gè)PF分量對(duì)應(yīng)的瞬時(shí)頻率圖,。

jsj2-t2.gif

jsj2-t3.gif

    從圖3中可以看出第4個(gè)PF分量所包含的頻率基本在5 Hz以下,,故本文只選取前3個(gè)PF分量作為研究對(duì)象。隨機(jī)選取140組左右手想象信號(hào)進(jìn)行改進(jìn)LMD分解,,得到各分量中特征頻率(8~25 Hz)所占比,,對(duì)該140組所占比求平均值,得到特征頻率(8~25 Hz)分布情況(見(jiàn)圖4),??芍狢3、C4導(dǎo)聯(lián)信號(hào)的特征頻率成分主要分布在PF2和PF3中,,故本文只選取PF2和PF3作為后續(xù)特征時(shí)間選擇的研究對(duì)象,。在選擇最優(yōu)特征時(shí)間段時(shí),采用的滑動(dòng)時(shí)間窗為2 s,,滑動(dòng)步長(zhǎng)為1 s,,表1為傳統(tǒng)LMD和改進(jìn)LMD特征提取方法在各個(gè)時(shí)間段的分類結(jié)果。

jsj2-t4.gif

jsj2-b1.gif

    從表中發(fā)現(xiàn),,傳統(tǒng)LMD和改進(jìn)LMD均在4~6 s時(shí)間段提取的特征分類效果最好,。故實(shí)驗(yàn)中選取4~6 s的想象信號(hào)作為分類數(shù)據(jù)。本文以改進(jìn)LMD算法為例,,先將4~6 s腦電信號(hào)分為一系列PF分量之和,,然后將PF2和PF3的樣本熵作為特征向量進(jìn)行左右手想象運(yùn)動(dòng)的識(shí)別。圖5(a)和圖5(b)分別為想象左右手運(yùn)動(dòng)的樣本熵,,從中可知想象左手運(yùn)動(dòng)時(shí),,C3導(dǎo)聯(lián)的樣本熵值大于C4導(dǎo)聯(lián)的樣本熵值;想象右手運(yùn)動(dòng)時(shí),, C3導(dǎo)聯(lián)的樣本熵于C4導(dǎo)聯(lián),。這與ERD/ERS現(xiàn)象完全符合,從而驗(yàn)證了該方法的有效性。

jsj2-t5.gif

4.3 實(shí)驗(yàn)比較

    隨機(jī)選擇140組數(shù)據(jù)作為訓(xùn)練集,,剩余為測(cè)試集,。按照上述方法,將PF2和PF3的樣本熵作為SVM輸入特征進(jìn)行訓(xùn)練,,然后對(duì)測(cè)試集進(jìn)行測(cè)試,,最后將改進(jìn)LMD傳統(tǒng)LMD算法進(jìn)行比較,結(jié)果如圖6所示,,其中a表示傳統(tǒng)LMD算法,,b表示傳統(tǒng)LMD和樣本熵,c表示改進(jìn)LMD,,d表示改進(jìn)LMD和樣本熵,。

jsj2-t6.gif

    由圖6可知,改進(jìn)LMD算法比傳統(tǒng)LMD識(shí)別率提高大約4個(gè)百分點(diǎn),,樣本熵可以提高分類準(zhǔn)確率,,改進(jìn)LMD算法和樣本熵的結(jié)合使得分類準(zhǔn)確率達(dá)到最高,進(jìn)而表明本文方法的可行性,。

5 結(jié) 論

    本文提出基于改進(jìn)LMD運(yùn)動(dòng)想象信號(hào)的判定方法,,將PF2和PF3的樣本熵作為SVM的輸入向量進(jìn)行識(shí)別。通過(guò)和傳統(tǒng)LMD算法的分類效果進(jìn)行對(duì)比,,結(jié)果表明本文提出的方法能夠有效對(duì)左右手運(yùn)動(dòng)想象信號(hào)進(jìn)行分類,,并獲得較高的識(shí)別準(zhǔn)確率。

參考文獻(xiàn)

[1] PFURTSCHELLER G,,NEUPER C.Future prospects of ERD/ERS in the context of brain-computer interface(BCI) developments[J].Progress in Brain Research,,2006,159(1):433-437.

[2] SMITH J S.The local mean decomposition and its application to EEG perception data[J].Journal of the Royal Society Interface,,2006,,2(5):443-54.

[3] 趙娜.HHT經(jīng)驗(yàn)?zāi)J椒纸獾闹芷谘油胤椒╗J].計(jì)算機(jī)仿真,2008,,25(12):346-350.

[4] 劉慧,,和衛(wèi)星,陳曉平.生物時(shí)間序列的近似熵和樣本熵方法比較[J].儀器儀表學(xué)報(bào),,2004,,25(S1):806-807.

[5] 朱曉軍,呂士欽,,王延菲,,等.改進(jìn)的LMD算法及其在EEG信號(hào)特征提取中的應(yīng)用[J].太原理工大學(xué)學(xué)報(bào),2012,,43(3):339-343.

[6] 貢平.運(yùn)動(dòng)想象腦電信號(hào)特征提取研究[D].重慶:重慶大學(xué),,2014.

[7] RICHMAN J S,,MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiology Heart & Circulatory Physiology,2000,,278(6):H2039-H2049.

[8] DURBBA S S,,KING R L,YOUNAN N H.Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer[J].Remote Sensing of Environment,,2007,,107(1):348-361.

[9] BLANKERTZ B.The BCI Competition 2003:progress and perspectives in detection and discrimination of EEG singletrials[J].IEEE Trans.Biomed.Eng.,2004,,51(6):1044-1051.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。