基于Mu_Beta节律想象运动脑电信号特征的提取

中国组织工程研究与临床康复
第 14 卷 第 43 期 2010–10–22 出版
October 22, 2010 Vol.14, No.43
Journal of Clinical Rehabilitative Tissue Engineering Research
基于Mu/Beta节律想象运动脑电信号特征的提取*★
黄思娟，吴效明
Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm
Huang Si-juan, Wu Xiao-ming
Abstract
BACKGROUND: Different sports produce different electroencephalogram (EEG) signals. Brain-computer interface (BCI) utilized characteristics of EEG to communicate brain and external device by modern signal processing technique and external connections. The speed of EEG signals processing is important for BCI online research. OBJECTIVE: To investigate a rapid and accurate method for extracting and classifying EEG for imagery movement. METHODS: Using the attribute of event-related synchronization and event-related desynchronization during imagery movement, the BCI dataset of 2003 was processed. Mu/Beta rhythm was obtained from bandpass filtering and wavelet package analysis. Then feature was formed by the average energy of lead C3, C4, and was sorted out by the function classify of matlab. RESULTS AND CONCLUSION: Appropriate parameters were obtained by detection of training data and used for identification of training data and testing data, with a correct rate of classification of 87.857% and 88.571%. Huang SJ, Wu XM. Feature extraction of electroencephalogram for imagery movement based on Mu/Beta rhythm.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2010;14(43): 8061-8064. [https://www.360docs.net/doc/10415322.html, https://www.360docs.net/doc/10415322.html,]
School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China Huang Si-juan★, Studying for master’s degree, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China huangsijuan123@ https://www.360docs.net/doc/10415322.html, Correspondence to: Wu Xiao-ming, Doctoral supervisor, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China bmxmwus@scut. https://www.360docs.net/doc/10415322.html, Supported by: the Science and Technology Development Program of Guangdong Province, No. 2009B030801004* Received: 2010-05-17 Accepted: 2010-07-13
摘要
背景：不同的运动会产生不同的脑电信号，脑机接口技术就是利用脑电信号的特异性，通过现代信号处理技术和外部的连 接实现人脑与外部设备的通信。以实现脑机接口在线研究的目标，首先要解决的是脑电信号处理的速度问题。 目的：研究快速、准确地提取脑电信号特征及分类的方法。 方法：充分利用想象运动过程中，脑电信号中 Mu/Beta 节律的事件相关同步化和去同步化特性，以 2003 年 BCI 竞赛数据 为处理对象，采用带通滤波和小波包分析的方法提取 Mu、Beta 节律，提取 C3、C4 两通道上的能量平均值形成二维特征 向量，利用 matlab 自带的 classify 函数进行分类。 结果与结论：通过对训练数据进行测试得到较为合适的参数，利用该参数对同等条件下的训练数据和测试数据分别进行判 别，分类正确率分别达到 87.857%和 88.571%。 关键词：特征提取与分类；脑电信号；事件相关同步化/去同步化；想象运动；小波包分析 doi:10.3969/j.issn.1673-8225.2010.43.021 黄 思 娟 ， 吴 效 明 . 基 于 Mu/Beta 节 律 想 象 运 动 脑 电 信 号 特 征 的 提 取 [J]. 中 国 组 织 工 程 研 究 与 临 床 康 复 ， 2010 ， 14(43):8061-8064. [https://www.360docs.net/doc/10415322.html, https://www.360docs.net/doc/10415322.html,]
(slow cortical potential, SCP)、Mu或Beta节律 0 引言 脑-机接口(brain-computer interface， BCI) 是指在不依赖于外周神经和肌肉组织等常规大 脑信息输出通路，运用工程技术在人脑和计算 机或其他电子设备之间建立能直接“让思想变 成行动”的对外信息交流和控制新途径[1-2]。该 技术不仅可以为思维正常但运动功能残缺的人 (如肌萎缩性(脊髓)侧索硬化患者、严重脊髓损 伤或完全瘫痪患者)提供一种新型的辅助运动 和对外信息交流手段，还可为人们提供无需体 力操作的新的人机交互通讯方式，尤其适用于 特殊环境下。同时，脑-机接口为人们提供一种 新的娱乐方法—思维游戏。 目前，脑-机接口系统主要采用以下4类信 号：P300、稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)、慢皮质电位 等。Mu节律是在感觉运动区记录到的8~12 Hz 脑电波，与alpha节律区别在于Mu节律不受视 觉影响，但会因动作、动作准备或运动想象发 生变化[1]。Mu节律与18~26 Hz的Beta节律存在 紧密的联系，Beta节律中部分频率是Mu节律的 谐波， 同样与运动或运动想象存在联系[3]。 研究 显示， Mu/Beta节律与运动或运动想象的联系表 现为：想象某侧肢体的运动可导致同/对侧感觉 运动皮层的Mu/Beta节律幅度的升高/降低，称 之 为 事 件 相 关 同 步 化 (event-related synchronization ， ERS)/ 事 件 相 关 去 同 步 化 (event-related desynchronization，ERD)[4]。本 文利用Mu/Beta节律的ERS/ERD特性进行脑机接口的研究，以 2003年脑-机接口竞赛的想 象左右手运动数据为处理对象。离线分析结果 表明，该方法非常简单，且在分类准确率上有 一定的提高。
ISSN 1673-8225
CN 21-1539/R
CODEN: ZLKHAH
8061

https://www.360docs.net/doc/10415322.html,
黄思娟，等. 基于 Mu/Beta 节律想象运动脑电信号特征的提取
华南理工大学生 物科学与工程学 院， 广东省广州市 510006 黄思娟★，女， 1985 年生，江西 省高安市人，汉 族， 华南理工大学 生物医学工程专 业在读硕士， 主要 从事生物医学信 号检测及处理方 面的研究。 huangsijuan123 @https://www.360docs.net/doc/10415322.html, 通讯作者：吴效 明，博士生导师， 华南理工大学生 物科学与工程学 院， 广东省广州市 510006 bmxmwus@scut. https://www.360docs.net/doc/10415322.html,
中图分类号:R318 文献标识码:B 文章编号:1673-8225 (2010)43-08061-04 收稿日期： 2010-05-17 修回日期： 2010-07-13 (20100517016/M·A)
2.2 1 实验数据 实验数据来自于2003年BCI国际竞赛数据 data set Ⅲ(由奥地利Graz科技大学提供)。实 验任务为受试者(性别：女，年龄：25岁，健康 状况： 良好)根据视觉提示想象左手或右手运动。 完整的实验过程包括7组，每组包括40个试验， 7组实验在同一天进行， 期间有几分钟的休息间 隔。每个实验持续时间为9 s，前2 s受试者保持 放松状态，t=2 s，屏幕中央出现一个“十”字 型图案标志实验开始，同时伴随一个短促的提 示音(蜂鸣声)提示受试者准备想象运动；t=3 s， 屏幕中央出现向左或向右的箭头提示，受试者 按照提示信号想象左右手运动。所有实验数据 采自位于C3、 Cz、 C4电极的双导联方式记录的 脑电信号，采样频率为128 Hz，经过0.5~30 Hz 滤波[5]。C3、C4电极位于大脑的初级感觉运动 皮层运动功能区，能反映受试者在想象左右手 运动时大脑状态变化的最有效信息，Cz作为参 考电极。 最终实验数据由140个已知类别的训练 样本和140个未知类别的测试样本组成， 数据集 均为1 152×140×3。 2 处理方法与实验结果
ψ ψ 2i j,k
特征提取与分类
脑电信号特征提取方
法主要有AR模型系数、 功率谱估计[6-7]、 小波变 换 和 独 立 分 量 分 析 (independent component analysis，ICA)等[8]。本文利用小波包技术提取 Mu/Beta节律， 并计算其能量均值作为特征， 属 于脑电信号的时域特征。
小波包分析的基本理论： 小波包分析是一种
能够提供信号精细信息的分析方法，它对信号 的低频部分和高频部分同时进行分解，并能够 根据被分析信号的特征，自适应地选择所需频 带，因此小波包分析具有更广泛的应用价值。 用Ψ(t)表示小波基函数，令 Ψ0(t)=
Ψ 1 Ψ
(t)，
(t)= Ψ(t)，根据二尺度方程，可以构造如下的
小波基[6]：
()
t
1 = 2 ψ
2i
? 2j k - 1? i ? 2 j ? = ∑ h (n)ψ j-1,2k-n ( t ) (1) n ? ? ? 2j k - t ? i ? 2 j ? = ∑ g (n)ψ j-1,2k-n ( t ) (2) n ? ?
2i+1 j,k
(t) =
1 ψ 2
2i+1
其中：i为节点号，j为分解级数，h(n)和
1-n g(n)=(-1) h(1-n)为一对正交镜像滤波器。信号
f(t)= d0 在第j级，k点处的小波包分解系数可以 用下述递推公式表示：
2i dj k
0
2.1 预处理 研究表明，想象左右手运动发生 的 ERD/ERS现 象在 Mu(8~12 Hz)、 Beta(18~ 26 Hz)频段表现明显，据此对原始EEG数据进 行8~30 Hz的数字带通滤波。 本文采用椭圆滤波 器，通带截止频率8~30 Hz，阻带截止频率为 5 Hz和35 Hz，通带衰减0.5 dB，阻带衰减 50 dB。滤波前后的脑电波形如图1所示。
( ) = ∫ f ( t )ψ2i ( t ) dt = ∑ h (n)dij-1 (2k - n) j,k n ( ) = ∫ f ( t )ψ2i+1 ( t ) dt = ∑ g ( t )dij-1 ( 2k - n) j,k n
(3) (4)
2i+1 dj k
假设用于特征提取的EEG数据段长度为 m×2 点，则重构信号可以表示为：
f
N
Amplitude (μV)
0.4 0.2 0 -0.2 -0.4 0 1 2 3 4 t (s) a: Original EEG signal 0.4 0.2 0 -0.2 -0.4 0 1 2 3 4 t (s) 5 6 7 8 9 5 6 7 8 9
+
()
t
=
j ?1 N? j ?1 2i m× 2 m× 2 ∑ ∑ d j i=0 k=0
( ) ()
k ψ 2i j,k t
(5)
N- j N? j ?1 m× 2 ?1 2i+1 m× 2 2i+1 ∑ ∑ d k ψ j j,k i=0 k=0
()
()
t
根据所要提取信号的频段，选择相应的频 带对应的小波分解系数，应用式(5)进行重构， 就可以有目的地重构要提取的信号。 本文采用具有正交性和紧支撑的db4作为 小波基函数进行2级小波包分解， 形成4个节点， 频率范围分别为：8~13.5 Hz、13.5~19 Hz、 19~24.5 Hz和24.5~30 Hz 4个频带，分别重构 第1、3、4个频带后叠加即可提取所要研究的 Mu、Beta节律信号，如图2所示，其中蓝色表 示想象左手运动，红色表示想象右手运动，可
P.O. Box 1200, Shenyang 110004 https://www.360docs.net/doc/10415322.html,
Amplitude (μV)
b: Filtered EEG signal
Figure 1
Contrast of original electroencephalogram (EEG) and filtered EEG 图 1 滤波前后的脑电波形
8062

黄思娟，等. 基于 Mu/Beta 节律想象运动脑电信号特征的提取
https://www.360docs.net/doc/10415322.html,
以看出，Mu/Beta节律上的ERD/ERS特征明显，可以依
C3\Squared
据此求特征值。
Amplitude (μV) 0.4 0.2 0 -0.2 -0.4 0 1 2 3 4 t (s) a: Contrast of two imagery movement of Mu/Beta on lead C3 Amplitude (μV) 0.4 0.2 0 -0.2 -0.4 0 1 2 3 4 t (s) 5 6 7 8 9 5 6 7 8 9
0.10 Amplitude 0.08 0.06 0.04 0.02 0 0 1 2 3 4 t (s) 0.06 C4\Squared Amplitude 0.04 0.02 0 0 1 2 3 4 t (s) 5 6 7 8 9 5 6 7 8 9
Figure 4 Energy for imagery movement of right hand 图 4 想象右手运动对应的能量波形图
由图3，4可以看出，想象左手运动过程中，通道 C3(代表大脑左手感觉运动区域)出现能量幅值的上升， 符合ERS特性，通道C4(代表大脑右手感觉运动区域)出 现能量幅值的下降，符合ERD特性。想象右手运动过程 中同样也说明了ERS/ERD现象。 据此第i次实验的特征值为：
b: Contrast of two imagery movement of Mu/Beta on lead C4
Figure 2
Mu/Beta rhythm for imagery movement of left and right hands 图 2 想象左右手运动的 Mu/Beta 节律信号
特征提取与分类：在实验过程中，C3和C4两通道所
在位置的大脑皮质代表了大脑左右手感觉运动区域。想 象运动过程中，大脑两侧ERD/ERS是对称的，想象右 手运动时，大脑左侧运动感觉皮层出现ERD，同时右侧 出现ERS；想象左手运动时，左侧出现ERS而右侧出现 ERD，即在想象运动过程中，两侧信号的能量会出现差 异，据此选择两通道的能量均值作为特征值。 设脑电信号幅值随时间变化函数为f(t)，则根据能量 的时域计算方法得每次实验C3、 C4通道对应的能量值为：
q EC3 = ∑ f(t)C3 t 2 q EC4 = ∑ f(t)C4 t 2
f i = [mean(EiC3 ),mean(EiC4 )]
(7)
训练数据与测试数据对应的特征矩阵都为140*2。 脑电信号的分类方法可以分为线性和非线性两大 类
[9-14]
。本文采用Matlab7自带的classify函数进行分类，
采用不用的判别函数分别对训练数据和测试数据进行 分类，结果见表1。
表 1 不同时间段/判别函数对应的分类正确率 Table 1 Accuracy rate for different stage/discriminant function
(6)
Time duration (s) Linear 0.821 43 0.835 71 0.821 43 0.878 57 0.857 14 0.857 14 0.864 29 0.857 14
Training accurate rate Quadratic 0.814 29 0.835 71 0.835 71 0.878 57 0.850 00 0.871 43 0.864 29 0.878 57 DiagLinear 0.828 57 0.835 71 0.821 43 0.871 43 0.871 43 0.850 00 0.864 29 0.857 14 DiagMahalanobis Quadratic 0.814 29 0.835 71 0.821 43 0.850 00 0.850 00 0.850 00 0.871 43 0.857 14 0.821 43 0.814 29 0.835 71 0.871 43 0.864 29 0.864 29 0.864 29 0.864 29
图3，4为想象左右手运动对应的能量波形图。
0.08 C3\Squared amplitude 0.06 0.04 0.02 0 0 0.20 C4\Squared amplitude 0.15 0.10 0.05 0 0 1 2 3 4 t (s) 5 6 7 8 9 3-9 3-8 3-7 3.5-7 3.5-6.5 4-8 4-7 4-7.5 1 2 3 4 t (s) 5 6 7 8 9 3-9 3-8 3-7 3.5-7 3.5-6.5 4-8 4-7 4-7.5
Testing accurate rate Time duration(s) Linear 0.771 43 0.792 86 0.807 14 0.850 00 0.828 57 0.871 43 0.878 57 0.878 57 Quadratic 0.785 71 0.792 86 0.807 14 0.857 14 0.828 57 0.864 29 0.885 71 0.878 57 DiagLinear 0.778 57 0.792 86 0.814 29 0.842 86 0.821 43 0.864 29 0.878 57 0.878 57 DiagMahalanobis Quadratic 0.807 14 0.821 43 0.828 57 0.835 71 0.807 14 0.828 57 0.864 29 0.857 14 0.800 00 0.800 00 0.807 14 0.857 14 0.814 29 0.864 29 0.871 43 0.871 43
Figure 3 Energy for imagery movement of left hand 图 3 想象左手运动对应的能量波形图
ISSN 1673-8225
CN 21-1539/R
CODEN: ZLKHAH
8063

https://www.360docs.net/doc/10415322.html,
黄思娟，等. 基于 Mu/Beta 节律想象运动脑电信号特征的提取
实验过程中受试者执行运动想象任务是从第3秒开 始，因此选取3~9 s内不同的时间段进行分析，经过多 次仿真试验， 可得选取4~7 s时间段的Mu/Beta节律数据 进行分类效果更好，见表1。 由表1所得，选取4~7 s内的数据进行处理，当 classify分类函数的类型为“quadratic”时，对训练数 据和测试数据的分类正确率较理想，最高分别为 87.857%和88.571%，且测试数据的分类准确率普遍比 训练数据的高。这与“quadratic”分类的原理相符，以 前庭内侧核密度和协方差估计为标准进行划分。 3 讨论 本文充分利用运动想象脑电信号的ERD/ERS的生 理特性和小波包分析的精细作用， 以2003年的脑机接口 竞赛数据为处理对象，首先对脑电信号进行预处理，然 后利用小波包变换提取Mu、Beta节律，提取C3、C4两 通道的能量 均值作为特 征向量，借 助Matlab自带的 classify函数进行分类， 对训练数据和测试数据分类正确 率最高分别为87.857%和88.571%。方法十分简单，不 仅达到BCI竞赛的水平(BCI竞赛中对此数据处理所得正 确率的排名为：第一名：89.29%，第二名：84.29%)， 比其他文献报道的用其他方法在同组数据上进行离线 处理的分类正确率相对要高
[15-19]
[8]
[9]
[10] [11] [12]
[13] [14] [15] [16] [17] [18] [19]
Zou L,Wang XG,Ma ZH.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2009;13(17):3265-3267. 邹凌,王新光,马正华.基于独立分量分析提取仿真脑电诱发电位信号 [J].中国组织工程研究与临床康复,2009,13(17):3265-3267. Mu ZD,Hu JF,Xiao D. Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2009;13(26):5079-5082. 穆振东,胡剑锋,肖丹.基于时频域分析的运动想象脑电信号分类[J]. 中国组织工程研究与临床康复,2009,13(26):5079-5082. Sinha RK. EEG power spectrum and neural network based sleep-hypnogram analysis for a model of heat stress. J Clin Monit Comput. 2008;22(4):261-268. Müller KR, Anderson CW, Birch GE. Linear and nonlinear methods for brain-computer interfaces. IEEE Trans Neural Syst Rehabil Eng. 2003;11(2):165-169. Wang XG,Zou L,Duan SL,et al. Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2008;12(39):7722-7724. 王新光,邹凌,段锁林,等.脑机接口技术的研究与进展[J].中国组织工 程研究与临床康复,2008,12(39):7722-7724. Derya Ubeyli E. Analysis of EEG signals by combining eigenvector methods and multiclass support vector machines. Comput Biol Med. 2008;38(1):14-22. Subasi A, Gursoy MI. EEG signal classification using PCA,ICA,LDA and support vector machines.Expert System with Application. 2010;7:8. Liao CP,Li YQ,Zhao H.Zidonghua yu Yibiao. 2008(4):1-4. 廖彩萍,李远清,赵慧.基于运动想象的脑电信号的分类研究[J].自动 化与仪表,2008(4):1-4. Wang W.Wuhan:Huazhong University of Science and Technology. 2007. 王琬.基于支持向量机的脑电信号识别[D].武汉:华中科技大学,2007. Zhao H.Guangzhou:South China University of Technology.2007. 赵慧.基于左右手运动想象的脑机接口研究[D].广州:华南理工大学, 2007. Geng LS,Fan YL.Dianzi Qijian. 2009;2(2):405-408. 耿丽硕,范影乐.基于Hilbert-Huang变换的思维脑电分类技术研究[J]. 电子器件,2009,32(2):405-408. Zhang QH,Zhao YH.Zhongguo Linchuang Kangfu. 2005;9(48):4-6. 张爱华,赵予晗.脑电信号相同步分析在识别左右手想象运动中的作 用[J].中国临床康复,2005,9(48):4-6.
来自本文课题的更多信息-基金资助：广东省科技计划项目(2009B030801004)，
课题名称：面向社区家庭的医疗服务与检测仪器。
。借此可以进一步研究
该方法实现信号实时在线分析的效果，同时对基于 Mu/Beta节律的脑机接口系统的研究有一定的启发，但 对其他类型的脑电信号的分类研究的适用性需进一步 研究。 4 参考文献
[1] [2] [3] Wolpaw JR, Birbaumer N, McFarland DJ,et al. Brain-computer interfaces for communication and control. Clin Neurophysiol. 2002;113(6):767-791. Moore MM. Real-world applications for brain-computer interface technology. IEEE Trans Neural Syst Rehabil Eng. 2003;11(2): 162-165. Wolpaw JR, McFarland DJ, Vaughan TM,et al. The Wadsworth Center brain-computer interface (BCI) research and development program. IEEE Trans Neural Syst Rehabil Eng. 2003;11(2): 204-207. Birbaumer N. Breaking the silence: brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 2006;43(6):517-532. 2003 BCI Competition Data set, http://ida.First.fhg.de/projects/bci/ comprtitiom. Krusienski DJ, McFarland DJ, Wolpaw JR. An evaluation of autoregressive spectral estimation model order for brain-computer interface applications. Conf Proc IEEE Eng Med Biol Soc. 2006;1:1323-1326. McFarland DJ, Wolpaw JR. Sensorimotor rhythm-based brain-computer interface (BCI): model order selection for autoregressive spectral analysis. J Neural Eng. 2008;5(2): 155-162.
利益冲突： 课题未涉及任何厂家及相关雇主或其他经济
组织直接或间接的经济或利益的赞助。
课题的意义 ：本课题充分利用运动(运动想象)过程中
Mu/Beta 节律的 ERD/ERS 特性， 提出了基于能量特征的特 征提取并取得了较高的分类正确率， 方法简单易行， 为后续 的 BCI 系统在线研究奠定良好基础。
课题评估的“金标准” ：由于脑电信号的特异性及复
杂性，基于脑电信号的研究暂时没有公认的“金标准” ，都 处于研究探索阶段。
设计或课题的偏倚与不足：文中特征提取方法简单易
行， 但分类器设计不够完善， 下一步将尝试其他线性分类器 或非线性分类器。 同时， 实验数据量有待增加以验证方法的 实用性。
[4] [5] [6]
提供临床借鉴的价值： 该研究成果可以扩展到研究皮层
脑电的 Mu/Beta 节律，以便为脑外科手术中的功能定位提 供一定的帮助， 减轻传统脑神经科手术过程中耗时、 定位不 精确等问题。
[7]
8064
P.O. Box 1200, Shenyang
110004
https://www.360docs.net/doc/10415322.html,