《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計應(yīng)用 > 基于改進的LMD運動想象信號識別
基于改進的LMD運動想象信號識別
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) 計算機科學(xué)與技術(shù)學(xué)院,山西 晉中030600
摘要: 針對腦電信號非平穩(wěn)非線性特征,提出基于改進的局部均值分解(Local Mean Decomposition,LMD)運動想象信號分類方法。首先結(jié)合改進LMD算法和加窗原則選取4~6 s想象信號作為分類數(shù)據(jù),提取包含μ節(jié)律和β節(jié)律的PF分量;其次計算所選分量的樣本熵值;最后用支持向量機進行分類預(yù)測,并用分類準確率進行評估。實驗結(jié)果表明,運用改進LMD比傳統(tǒng)LMD方法的識別率更高,從而驗證該方法的有效性。
中圖分類號: TP18
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.
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。

    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:

    jsj2-gs2.gif

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。

    jsj2-gs3.gif

    jsj2-gs4.gif

    (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。

    jsj2-gs5.gif

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:

jsj2-gs6-11.gif

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。

jsj2-t1.gif

    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。

jsj2-t2.gif

jsj2-t3.gif

    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。

jsj2-t4.gif

jsj2-b1.gif

    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。

jsj2-t5.gif

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。

jsj2-t6.gif

    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.

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