《电子技术应用》
您所在的位置:首页 > 嵌入式技术 > 设计应用 > 基于多特征和BP神经网络的脑-机接口研究
基于多特征和BP神经网络的脑-机接口研究
2017年电子技术应用第9期
刘光达,王 灿,李明佳,孙瑞辰,蔡 靖,宫晓宇
吉林大学 仪器科学与电气工程学院,吉林 长春130061
摘要: 研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。
中图分类号: TN98
文献标识码: A
DOI:10.16157/j.issn.0258-7998.171826
中文引用格式: 刘光达,王灿,李明佳,等. 基于多特征和BP神经网络的脑-机接口研究[J].电子技术应用,2017,43(9):72-75.
英文引用格式: Liu Guangda,Wang Can,Li Mingjia,et al. Research of brain-computer interface based on multi-feature integration and BP neural network[J].Application of Electronic Technique,2017,43(9):72-75.
Research of brain-computer interface based on multi-feature integration and BP neural network
Liu Guangda,Wang Can,Li Mingjia,Sun Ruichen,Cai Jing,Gong Xiaoyu
College of Instrumentation & Electrical Engineering,Jilin University,Changchun 130061,China
Abstract: This research is carried out re-designing a brain-computer interface(BCI) system based on motor imagery recognition through extracting features of Alpha wave in electroencephalography(EEG)signal during motor imagery process, using multi-feature classification method in order to increase the accuracy of classification. Aiming at the shortcomings such as low accuracy and time-consuming when one feature is adopted in the classification process, methods including AR model, statistical characteristics extraction and frequency domain analysis,etc. are taken to extract various features of Alpha wave. BP neural network is used to classify features. The system is designed to identify motor imagery and through experimental verification, it has achieved expected effect with high classification accuracy. The research proves the feasibility of brain-computer interface system combining multi-feature integration with BP neural network.
Key words : multi-feature;BP neural network;brain-computer interface;motor imagery;Alpha wave

0 引言

    脑电波(Electroencephalography,EEG)信号成分复杂,按照不同的频段可以分为不同的波[1]

    脑电信号中的Alpha波在人的前额叶处较明显,相比于其他脑电波信号节律性最明显,多在清醒闭目时出现。当人思考问题、睁开眼睛或受到其他外界刺激时,Alpha波消失;当又闭上眼睛时, Alpha波又会重新出现,这个现象称为Alpha波阻断现象[2]。研究表明,Alpha波与人的记忆、运动及感觉活动有关[3],这种相关性对判断大脑的运动意图有着重要意义。

    利用脑-机接口(Brain-Computer Interface,BCI)系统,通过对EEG信号进行采集、预处理、特征提取和模式分类,实现运动想象识别是当前研究的重点。

    近些年,对运动想象脑电信号的特征提取的方法主要有:自回归模型法(AR)[4]、统计特征提取[5]、频域分析法[6-7]。脑电信号的主要分类方法有线性判别式分类方法、神经网络等[8]

    在脑电信号特征提取过程中,利用单个特征值的模式分类会造成训练数据量大、时间长,甚至会影响分类精度。所以,本研究将多种特征融合,结合BP神经网络对脑电信号中的Alpha波进行特征提取和模式分类,具有识别正确率高的优点。通过对运动想象的脑电信号进行特征提取和模式分类可以判断出想象者的运动意识,结合脑-机接口,在肢体残疾人士的康复治疗、辅助控制和娱乐等方面有很大的发展前景[9]

1 脑电信号的特征提取方法及检验

1.1 自回归模型法(AR)

    AR模型计算方便,设单通道脑电信号由n个采样点x0…xn-1的活动段组成,根据AR模型,信号中第k个采样值xk如式(1)所示:

    ck2-gs1.gif

式中,ai为AR模型系数,p为模型的阶数,ek为残差白噪声。

    对AR模型进行参数估计的方法主要有自相关法、改进协方差法和Burg算法等,其中Burg算法计算简单,产生的谱质量较高。所以本研究采用Burg算法对AR模型进行参数估计,经实验验证AR模型Burg法估计模型参数p=3。

1.2 统计特征提取

    (1)脑电信号积分值

    设脑电信号为x(i),数据长度为N。积分值计算如式(2)所示,该特征表现了信号的集中程度。

    ck2-gs2.gif

    (2)脑电信号均方根值

    脑电信号的均方根值如式(3)所示,该特征体现了信号的离散程度。

    ck2-gs3.gif

1.3 频域分析

    在本研究中,选取功率谱、平均功率频率和功率谱密度比值这几个特征值。

    将脑电信号看作随机信号x(n),有N点样本值且能量有限,对其进行傅里叶变换得到XN(e);然后再取幅值的平方并除以N,作为x(n)的功率谱P(e)[10],如式(4)所示:

ck2-gs4-5.gif

式中,fmax表示功率谱出现峰值时的频率,n表示积分范围。

    平均功率频率是指在频域范围内计算脑电信号的平均功率频率,可以定量刻画脑电信号频谱的特征,计算公式如式(6):

    ck2-gs6.gif

1.4 特征检验

    为了提高分类的正确率,采用K-W检验法对提取的特征值进行检验。K-W检验如式(7)所示:

ck2-gs7.gif

    对前后左右4个方向的600段特征值进行K-W检验,检验的结果如表1所示。

ck2-b1.gif

    从表1中可以看出,积分值、均方根值和AR模型这3个特征具有较高的值,选取这3个作为特征向量送入分类器中进行分类。

2 脑电信号的分类方法

    在提取完脑电信号的特征值之后,BCI系统选择BP神经网络对这些特征向量进行分类。

    本研究采用的BP神经网络有4个输入层(表示特征值个数为4)、7个隐含层、4个输出层(表示要分类个数为4),如图1所示。

ck2-t1.gif

    三层网络在神经元有限的情况下,能够完成所需映射。BP网络学习过程由正反向传播组成,输入信号xi通过中间节点作用于输出节点,经过非线性变换,最终产生输出信号yk,网络训练的样本包含输入向量和期望输出,神经网络实际输出这两者的偏差,通过调整输入节点与隐层节点之间的连接权值Wji和隐层节点与输出节点间的连接权值Wkj以及阈值来实现,使误差减小。经过反复训练,确定接近最小误差时对应的神经网络的权值和阈值,此时,训练结束[12]

3 实验及结果分析

3.1 实验系统设计

    本实验脑电采集系统结构如图2所示,采集电极采出脑电信号,经过放大器放大微弱的脑电信号,滤波器滤除干扰,再经由A/D转换为数字信号,通过蓝牙发送到上位机进行处理。

ck2-t2.gif

3.2 实验条件及方法

    电极位置按照Montreol法[13],国际标准导联10-20系统安放,如图3所示。将电极安放在受试者的前额叶上采集Alpha波,箭头所指为电极安放位置,用作参考电极的耳夹夹在左右耳垂上。

ck2-t3.gif

    为保证采集数据的准确性,本研究采用舒尔特方格法[14],在实验之前对受试者的注意力进行大量训练。

3.3 实验过程

    实验对象为男性青年,身体健康,矫正后视力正常,右利手。实验室环境安静,室温正常。脑电采集电极使用干电极。

    在采集脑电信号实验数据之前,要进行Alpha波阻断实验,以验证脑电信号Alpha波采集的正确性,如图4所示。

ck2-t4.gif

    实验中,实验对象按照如图5所示的实验范式进行运动想象任务。

ck2-t5.gif

    在实验开始前的半小时,受试者通过左右手和左右腿的实际运动来在大脑中留下实际运动的感觉。实验中,受试者坐在一张舒适的椅子上,身体自然放松,根据屏幕提示完成左手、右手、左腿和右腿的运动想象。

3.4 数据处理及结果

    每次运动想象的数据的时间为30 s,采样率为512 Hz,其原始数据(Raw data)如图6。

ck2-t6.gif

    先将原始数据进入带通滤波器,滤出Alpha波,再进入50 Hz陷波器,滤除工频干扰,最后小波包去噪,让数据更好地进行处理。原始数据经过滤波处理后的图像如图7所示。

ck2-t7.gif

    原始数据经过滤波等处理后,进行特征值的提取和分类训练。

    表2为运动想象各方向的分类准确率。

ck2-b2.gif

4 结语

    本研究创新性地采用多种特征结合BP神经网络对脑电信号进行分析。在提取出合适的数据段后,最终的分类结果与单特征和线性分类器方法相比正确率较高,证明了本文的多特征融合的提取方法结合BP神经网络对处理脑电信号的可行性,为脑电信号的处理提供了一条有效路径。

参考文献

[1] 张乐迪,王俊生,常旭,等.便携式脑电采集器研究与设计[J].电子技术应用,2014,40(2):27-29.

[2] ARROYO S,LESSER R P,GORDON B et al.Functional significance of the mu rhythm of human cortex: an eletro-physiologic study with subdural electrodes[J].Electroenceph clin Neurophysiol 1993,87:76-87.

[3] 陈骞.基于脑电Alpha波的BCI电视遥控系统的设计与实验研究[D].天津:天津大学,2005.

[4] INOUE K,MATSUOKA S.Pattern recognition of EEG signals during right and left hand motor imagery based on AR-model[J].Clinical Neurophysiology,2007,118(10):209-209.

[5] 张莉.表面肌电信号模式识别及其运动分析[D].长春:吉林大学,2013.

[6] 杨大鹏,姜力,赵京东,等.基于脑电信号的高智能假手控制[J].吉林大学学报(工学版),2008(5):1225-1230.

[7] MATTHIAS K,PETER M.BCI competition 2003-data set Ⅱb:support vector machines for the P300 speller paradigm[J].IEEE Transactions on Biomedical Engineering,2004,51(6):1073-1076.

[8] 李明爱,王蕊,郝冬梅.想象左右手运动的脑电特征提取及分类研究[J].中国生物医学工程学报,2009(2):166-170,176.

[9] 王宁,孙广金,刘学文.一种基于脑机接口的头盔显示/瞄准系统设计[J].电子技术应用,2015,41(5):149-151,155.

[10] 杨彬.基于脑-机接口的想象运动脑电信号的分析[D].兰州:兰州理工大学,2008.

[11] Ronager.Power spectrum analysis of EMG pattern in normal and diseased muscles[J].J Neurol Sci,1989,94(1-3):283-294.

[12] 邢进良.BP神经网络模型及其应用[J].沙洋师范高等专科学校学报,2007(5):46-49.

[13] 李颖洁,邱意弘,朱贻盛.脑电信号分析方法及其应用[M].北京:科学出版社,2009.

[14] 肖婵.基于脑电波的注意力训练研究[D].武汉:华中师范大学,2016.



作者信息:

刘光达,王  灿,李明佳,孙瑞辰,蔡  靖,宫晓宇

(吉林大学 仪器科学与电气工程学院,吉林 长春130061)