文獻標識碼: 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. 基于改進的LMD運動想象信號識別[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.
0 引言
在腦機接口中,人們在想象單側(cè)手運動時,對側(cè)相應(yīng)初級感覺運動皮層區(qū)的腦電信號幅值降低,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/右手運動時,大腦感覺皮層的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)象進行腦電信號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)信號處理方法,能夠從原始信號中分離出純調(diào)頻信號和包絡(luò)信號,將其相乘便可以得到具有瞬時物理意義的PF分量[2]。目前,很多學(xué)者對基于LMD的運動想象信號進行了研究。但是該方法在應(yīng)用時存在端點效應(yīng)問題,使得信號產(chǎn)生畸變,分解過程中可能會造成信號兩端端點發(fā)散,導(dǎo)致信號在重構(gòu)時丟失部分原有特征[3]。為了降低這種端點效應(yīng)的影響,本文采用改進LMD算法進行特征提取。
改進LMD分解后的PF分量依次是高頻到低頻的時間序列,而樣本熵能衡量時間序列中產(chǎn)生新模式概率的大小,具有較好的抗噪和抗干擾能力,對丟失數(shù)據(jù)不敏感[4]。故用樣本熵對PF分量進行量化,可提高特征提取準確率。
1 改進的LMD算法
1.1 算法介紹
本文利用相似波形加權(quán)平均的端點延拓法來改善其端點效應(yīng)的影響,以左端點為例,設(shè)原始信號為x(t),具體算法如下[5]:
(1)x(t0)為起點,向右取x(t)的曲線段,長度為w(t),并有且有一個極值點和一個過零點;
(2)設(shè)w(t)右端點是過零點,記為x(tn),則其中間點 x(tm)=(x(t0)+x(tn))/2。以x(tm)為參考點,沿時間軸t向右平移子波w(t),若存在某一點x(ti)與x(tm)重合時,取以x(ti)為中點并與w(t)等長子波,記為wi(t)。計算wi(t)與w(t)的波形匹配度mi,并存儲該波形匹配度mi與wi(t)的前一小段數(shù)據(jù)波(取其長度為0.1 l),將這些長度為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)對集合[v,m]={(v(t),m)|(v1(t),m1),(v2(t),m2)…(vk(t),mk)}:
(3)當集合[v,m]為空時,表明原始信號波形不規(guī)則,不進行延拓,轉(zhuǎn)步驟(5);
(4)當集合[v,m]不空時,將求得的波形匹配度按降序排列,得到 [v′,m′]。計算[v′,m′]中前n個數(shù)據(jù)對所有子波的加權(quán)平均值,得到平均波 va,并用va延拓信號左端點;
(5)延拓結(jié)束。
同理可對信號右端點進行延拓。
1.2 PF分量選擇
目前研究表明,人在想象左/右手運動時,其大腦運動感覺皮層的μ節(jié)律(8~12 Hz)和β節(jié)律(14~25 Hz)會出現(xiàn)一定變化[6]。腦電信號經(jīng)過改進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,以此提高特征提取的效率和精度。本文通過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)通過改進LMD方法將腦電信號分解為PF分量和,求取各個PF分量對應(yīng)的瞬時頻率F(t,f),然后計算各個PF分量中8~25 Hz頻帶能量,如式(1)所示。
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為所取得特征時間的上下限;i=1,2,…,N,N為信號分解的PF分量個數(shù)。
(2)根據(jù)式(1)中結(jié)果,求取各個分量中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:
1.3 特征時間段選擇
在運動想象信號研究中,其ERD/ERS現(xiàn)象不能持續(xù)貫穿于整個信號時長,如果把整個時長的運動想象信號都作為研究對象,可能會包含許多噪聲信息,影響提取效率和精度。故本文通過選取特征頻段能量差異最大的時間段,找出ERD/ERS現(xiàn)象明顯的運動想象信號,具體步驟如下:
(1)將C3,C4導(dǎo)聯(lián)的運動想象信號分別經(jīng)過改進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,并計算選取分量的瞬時頻率;
(3)計算所選取PF分量中滑動時間窗口長度為m秒的特征頻段8~25 Hz能量,并規(guī)定滑動步長為n秒。
(4)計算C3,C4對應(yīng)時間窗內(nèi)的能量差,將能量差最大時所對應(yīng)的時間段作為本文特征選擇最佳時間段。
2 樣本熵
設(shè)時間序列為x(1),x(2),…,x(N),樣本熵具體計算過程如下[7]:
(1)將上述序列按順序組成m維矢量:
3 SVM分類
將左右手想象運動識別看作二分類問題,用支持向量機建立模型。將數(shù)據(jù)分為訓(xùn)練集和測試集。采用10-fold交叉驗證方法進行度量,并求取其分類準確率。
支持向量機是一種有監(jiān)督學(xué)習(xí)算法,該算法首先將特征向量映射到一個高維空間,并在空間中依據(jù)訓(xùn)練數(shù)據(jù)標簽分布建立一個超平面集合,再從此集合中選擇使得分類間隔最大的一個作為分界面,使得測試數(shù)據(jù)產(chǎn)生錯誤分類的概率更小[8]。SVM不但可以提高泛化性能,還可以解決高維和非線性問題,并避免局部極小值。
4 實驗分析
4.1 數(shù)據(jù)介紹
實驗數(shù)據(jù)來自于BCI 2003競賽數(shù)據(jù)[9]。實驗中通過光標移動來模擬左右手運動的思維過程。電極位置和時序圖如圖1所示。在9 s測試時長中,前2 s試驗者處于放松狀態(tài),第2 s時系統(tǒng)發(fā)出一個聲音信號提示試驗者測試即將開始。這時顯示屏出現(xiàn)一個“+”字,持續(xù)1 s。第3 s時,“+”字變?yōu)樽笥壹^,同時要求試驗者按照左右箭頭的提示想象左右手運動。
整個實驗分為280組,訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)各140組,分為左手和右手兩個類別。信號采樣頻率128 Hz,包含C3、Cz、C4三個導(dǎo)聯(lián),Cz為參考導(dǎo)聯(lián)。
4.2 實驗結(jié)果
本實驗利用改進LMD算法對腦電信號進行分解,因受試者在第3 s時開始進行想象運動,到第9 s結(jié)束,故本文選取3~9 s內(nèi)不同時間段進行分析。本文以C3 導(dǎo)聯(lián)作為分析對象, 圖2為C3導(dǎo)聯(lián)在3~9 s想象運動時改進LMD分解示意圖,其中X(t)為原始信號。圖3為各個PF分量對應(yīng)的瞬時頻率圖。
從圖3中可以看出第4個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PF分量作為研究對象。隨機選取140組左右手想象信號進行改進LMD分解,得到各分量中特征頻率(8~25 Hz)所占比,對該140組所占比求平均值,得到特征頻率(8~25 Hz)分布情況(見圖4)??芍狢3、C4導(dǎo)聯(lián)信號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)特征時間選擇的研究對象。在選擇最優(yōu)特征時間段時,采用的滑動時間窗為2 s,滑動步長為1 s,表1為傳統(tǒng)LMD和改進LMD特征提取方法在各個時間段的分類結(jié)果。
從表中發(fā)現(xiàn),傳統(tǒng)LMD和改進LMD均在4~6 s時間段提取的特征分類效果最好。故實驗中選取4~6 s的想象信號作為分類數(shù)據(jù)。本文以改進LMD算法為例,先將4~6 s腦電信號分為一系列PF分量之和,然后將PF2和PF3的樣本熵作為特征向量進行左右手想象運動的識別。圖5(a)和圖5(b)分別為想象左右手運動的樣本熵,從中可知想象左手運動時,C3導(dǎo)聯(lián)的樣本熵值大于C4導(dǎo)聯(lián)的樣本熵值;想象右手運動時, 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,從而驗證了該方法的有效性。
4.3 實驗比較
隨機選擇140組數(shù)據(jù)作為訓(xùn)練集,剩余為測試集。按照上述方法,將PF2和PF3的樣本熵作為SVM輸入特征進行訓(xùn)練,然后對測試集進行測試,最后將改進LMD傳統(tǒng)LMD算法進行比較,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LMD,d表示改進LMD和樣本熵。
由圖6可知,改進LMD算法比傳統(tǒng)LMD識別率提高大約4個百分點,樣本熵可以提高分類準確率,改進LMD算法和樣本熵的結(jié)合使得分類準確率達到最高,進而表明本文方法的可行性。
5 結(jié) 論
本文提出基于改進LMD運動想象信號的判定方法,將PF2和PF3的樣本熵作為SVM的輸入向量進行識別。通過和傳統(tǒng)LMD算法的分類效果進行對比,結(jié)果表明本文提出的方法能夠有效對左右手運動想象信號進行分類,并獲得較高的識別準確率。
參考文獻
[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?zāi)J椒纸獾闹芷谘油胤椒╗J].計算機仿真,2008,25(12):346-350.
[4] 劉慧,和衛(wèi)星,陳曉平.生物時間序列的近似熵和樣本熵方法比較[J].儀器儀表學(xué)報,2004,25(S1):806-807.
[5] 朱曉軍,呂士欽,王延菲,等.改進的LMD算法及其在EEG信號特征提取中的應(yīng)用[J].太原理工大學(xué)學(xué)報,2012,43(3):339-343.
[6] 貢平.運動想象腦電信號特征提取研究[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.