基于Mu_Beta节律想象运动脑电信号特征的提取
基于运动想象的脑电信号特征提取研究
基于运动想象的脑电信号特征提取研究郭闽榕(福州大学数学与计算机科学学院，福建福州350000)摘要：基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景，被应用于运动障碍人士的辅助控制以及脑卒的预后康复$由于运动想象的脑电信号信噪比低、不平稳以及差异性显著，对脑电信号识别带来负面影响$—个有效的特征提取算法能够提高脑-机系统的脑电信号识别率$提出一种多通道的脑电信号特征提取方法，将数据矩阵分解为基矩阵与系数矩阵的乘积，以类间离散度做为性能判据对系数矩阵进行特征提取，提取可分性更高、维数更少的特征$结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证，证明所提方法是有效的$关键词：脑机接口；脑电信号；运动想象；特征提取；矩阵分解中图分类号：TP391.4文献标识码：I DOI:10.19358/j.issn.2096-5133.2021.01.011引用格式：郭闽榕.基于运动想象的脑电信号特征提取研究[J].信息技术与网络安全,2021,40(1):62-66.Feature extraction of EEG signals based on motor imageryGuo Minrong(College of Mathematics and Computer Science,Fuzhou University,Fuzhou350000,China)Abstract:The brain-computer interface(BCI)system based on motor imagery(MI)electroencephalogram(EEG)has a broad application prospect in the medical field,which can be applied to the auxiliary control of the disabled and the prognosis and rehabilitation of the brain.Because of the low SNR,instability and significant difference of EEG signal in motion imagination,it has a negative effect on EEG signal recognition.An effective feature extraction method can enhance the accuracy of EEG in BCI system.In this paper,a multi一channel feature extraction method for EEG signals is proposed. First of all,the data matrix is decomposed into the product of the basis matrix and the coefficient matrix.Then the coefficient matrix is extracted by using the inter-class dispersion as the performance criterion to extract the features with higher separability and less dimension.The experiment of BCI2008competition data set shows that the method is effective. Key words:brain-computer interface；electroencephalogram；motor imagery；feature extraction；matrix decomposition0引言脑-机接口[1](Brain-Computer Interface,BCI)系统是一种不需要任何外部肌肉活动的通信系统，能够将大脑活动产生的脑信号转化为对电子设备的指令。
脑电信号处理中的特征提取方法研究
脑电信号处理中的特征提取方法研究脑电信号处理是神经科学领域中的一项重要研究，它通过记录和分析头皮表面的脑电波形信号，为研究大脑功能和疾病提供了重要的数据来源。
然而，脑电信号存在信噪比低、干扰多等问题，因此对信号进行预处理和特征提取非常关键。
特征提取是脑电信号处理的一个重要环节，它通过对信号进行抽象和简化，提取其中的关键特征，为后续数据分析和应用提供基础。
当前，脑电信号处理中常用的特征提取方法包括时域特征提取、频域特征提取和时频域特征提取。
时域特征提取是指对信号的幅度、波形等进行分析，常用的特征包括平均值、方差、均方根、峰值等。
这些特征能够反映信号的基本特性，并广泛应用于脑电信号分类、事件相关电位分析等方面。
频域特征提取是指对信号的频谱分布进行分析，常用的特征包括功率谱密度、频谱峰值等。
这些特征能够反映信号在不同频率段内的能量分布情况，有利于分析不同频段对信号意义的影响。
频域特征提取应用广泛，如用于脑电信号振荡分析、脑电图的特征提取等。
时频域特征提取是指对信号的时域和频域进行联合分析，提取其中的时域和频域特征，常用的方法包括小波变换、时频分析等。
时频域特征提取能够反映信号在不同时间和频率上的变化规律，更加丰富的特征信息使其在诸如脑电信号复杂事件分类、睡眠分期识别等方面得到广泛应用。
除了上述传统的特征提取方法，近年来还涌现出了很多新方法，如深度学习、模式识别等，这些方法不仅能够提取更加复杂的特征，也能够应用于更加复杂的任务。
例如，深度学习通过构建深度神经网络，能够有效地提取脑电信号中的非线性特征，应用于自然语言、视觉识别等领域，已经在脑电信号处理中得到广泛应用。
为了更好地挖掘脑电信号中的特征，特征提取方法也在不断发展变化。
例如，近年来多学科的交叉探究，为特征提取提供了更加多样化的思路。
仿生学、图形学、机器视觉等方向的研究，可以为特征提取提供启示，从而创造出更加优秀的特征。
同时，随着智能化的发展，人工智能方法也将会在脑电信号特征提取方面产生更深入的影响。
基于运动想象脑电信号的特征提取与分类
超， 等． 基 于 压 力 控 制 的 常 分 离 式
双 离合 器膜 片 弹 簧 设 计 与 仿 真 Ｉ － Ｊ ］ ． 装 甲 兵 工 程 学 院 学
摘要 ： 针 对 脑一 机 接 口研 究 中运 动 想 象 脑 电信
号 的模 式识 别 问题 ， 利用 Ｃ ３ ， Ｃ ４ 电 极 处 采 集 的 信
号， 通 过 离散 小 波 变化 （ ＤＷ Ｔ） 进 行 特征 提 取 ， 使 用
ｌ ｅ ｃ ｔ ｒ ｏ ｄｅ ａ ｎ ｄ Ｃ４ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｄｅ ．Ｓｅ ｃ ｏｎ ｄｌ ｙ，ｔ ｈ ｅ ｐａ ｔ ｔ ｅ ｒ ｎ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｓ ａ ｃ ｃ ｏ ｍｐ ｌ ｉ ｓ ｈｅ ｄ ｂｙ ｔ ｈｅ ｕｓ ｅ ｏ ｆ ｓ ｕ ｐｐ ｏｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎｅ ｏｎ ｔ ｈｅ ｐｒ ｏ ｂｌ ｅ ｍ ｏ ｆ ｔ ｈ ｅ ｌ ｅ ｆ ｔ ａ ｎｄ ｒ ｉ ｇ ｈｔ ｈ ａ ｎｄ ｍｏ ｖｅ ｍｅ ｎｔ ｉ ｍａ ｇｉ ｎ ａ ｔ ｉ ｏｎ． Ｋｅ ｙБайду номын сангаас ｗｏ ｒ ｄ ｓ： ｂｒ ａ ｉ ｎ —ｃ ｏｍｐｕ ｔ ｅ ｒ ｉ ｎｔ ｅ ｒ ｆ ａ ｃ ｅ；ｍｏ ｔ ｏ ｒ
ｉ ｍａ ｇ ｅ ｒ ｙ；Ｅ ＲＤ／ Ｅ ＲＳ；ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅ ｗａ ｖ ｅ ｌ ｅ ｔ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ；
ｓ ｕｐ ｐｏ ｒ ｔ ｖｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈｉ ｎ ｅ
脑一 机接 口（ Ｂ Ｃ Ｉ ） 是 一 种 不 依 赖 于 正 常 的 由 外
围神经 和肌 肉组 成 的输 出通道 的通 讯 系统［ １ ］ 。大 脑 在 进行 思维 活动 、 产 生 动 作 意 识 之前 和 动 作 执 行 之 后， 或者 受试 者受 到外 界刺 激 的时候 ， 其 神经 系统会 产 生一 系列 的生 物 电活 动 变 化 ， Ｂ Ｃ Ｉ 系 统 将 这 些 生 物 电信 号采 集 出来 作 为 动作 即将 发 生 的 特 征信 号 ，
运动想象脑电信号特征的提取与分类
脑 电 的特 征 提 取 是 以 脑 电 原 始 信 号 作 为 源 信 号 ，确 定 信 号 中 的 各 种参 数 ， 并 以此 参 数 组 成 代 表 该 信 号 特 征 的 特 征 向量 ” ］ 。 人 们 一 直在 进 行 各 种 实 验 ，如 何 从 脑 电 信 号 中提 取 可 靠 准 确 的
ｓ ｉ ｇｎ ａｌ Ｏ １ － １ ｄｉ ｆｅ ｒ ｅ ｎ ｔ ｓ ｃａ ｌ ｅ ｓ ， ｔ ｈ ａ ｔ ｉ ｓ ｃ ｏｅ ｆ ｆ ｉ ｃｉ ｅｎ ｔ ｏ ｆ ｖａ ｒ ｉ ａ ｔ ｉ ｏｎ ａｎ ｄ ｖｏ ｌ ａ ｔ ｉ ｌ ｉ ｔ ｙ ｉ ｎｄ ｅ ｘ． Ｔｈｅ ｔ ｗｏ ｋ ｉ ｎ ｄｓ ｏ ｆ ｆ ｅ ａ ｔ ｕｒ ｅ ｆ ｏ ｒ ｍｅ ｄａ ｖ ｅ ｃｔ ｏｒ ａ ｎｄ ｔ ｈ ｅｎ ｍｏ ｖ ｅ ｔ ｏ ｔ ｈ ｅ ＳＶＭ ｔ ｏ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ａｎ ｄ ｔ ｅ ｓ ｔ ｉ ｎ ｇ． Ｓｅｌ ｅｃ ｔ ｓ ｆ ｏｕ ｒ ｋ ｉ ｎｄｓ ｏｆ ｓ ａ ｍ ｐｌ ｉ ｎ ｇ ｆ ｒ ｅｑ ｕｅ ｎ ｃｙ ． ｔ ｈｅ ｈ ｉ ｇｈ ｅｓ ｔ ａ ｃ ｃｕ ｒ ａ ｃ ｙ ｒ ａ ｔ ｅ ｒ ｅ ａ ｃｈ ｅｄ ９８． ３２ ％．
小波 基 函数 是 小 波 变换 中用 到 的 主要 函数 ， 可在 有 限 时 间段 内 的将信 号 表示 为一 系 列小 波 函数 的 叠加 ， 该 函 数可 以是不 规 则 、 不对 称 的而 且具 有 时 间上 的局 部 性 。假定 基 本小 波 （ 小波基） 函 数 （ ｆ ） （ 只 ） 且 在时 间范 围 内积 分为 ０ 嘲 。将 （ ｔ ） 平移 Ｔ 并在 不 同 尺
基于样本熵的运动想象脑电信号特征提取与分类方法
基于样本熵的运动想象脑电信号特征提取与分类方法作者：马满振来源：《山东工业技术》2017年第07期摘要：脑-机接口是一种允许人脑与外部接口直接交流的系统，它通过识别不同思维下的脑电信号，并将其转换为控制信号，来实现意念控制。
传统的基于EEG信号频域特性进行特征提取的方法无法达到高分类正确率的要求[1]。
本文提出基于小波变换与样本熵的运动想象脑电信号特征提取方法。
分析了左右手运动想象EEG信号样本熵的动态变化规律及其神经电生理意义。
最后利用Fisher线性判别式进行了左右手运动想象脑电的分类，得到了较好的分类结果，平均最大分类正确率达到了90.3%，证明了该方案具有很大的可行性和实用价值。
关键词：脑机接口；运动想象；小波变换；样本熵DOI：10.16640/ki.37-1222/t.2017.07.2621 引言脑-机接口（Brain-Computer Interface，BCI）是一种允许人脑与外部接口直接交流的一种系统[2]。
BCI通过实时测量与使用者意图相关的大脑活动，并将这个活动转化为相应的控制信号，从而达到对设备实时控制的目的[3]。
BCI最终的目标是形成更加自然顺畅的人-机交流方式，这对某些特殊环境中的外部设备操控人员（如坦克操控人员、潜水员、宇航员等）来说，可以增加人员对专用设备的特殊控制技能，同时还可以达到减少人员工作量，提高工作效率和控制精度等效果。
基于左右手运动想象脑电的BCI，其实现最为关键的环节是脑电信号的特征提取。
目前的特征提取方法主要有自回归（AR）模型[4]、功率谱估计[5]、小波变换[6]等。
AR模型和功率谱估计属于频域分析法，无法很好的表征EEG信号的时域信息；小波变换属于时频分析法，虽然可以同时分析信号的时域和频域信息，但不能同时在时域和频域有高的分辨率。
因此，寻找更加有效的左右手运动想象脑电特征对于改善BCI性能是非常有意义的。
本研究提出了将小波与样本熵结合进行EEG信号特征提取，首先利用小波对EEG原始信号进行去噪，然后采用非线性动力学参数“样本熵”作为脑电特征进行分类。
文献名称和文献综述要求
1.刘乐. 钢琴演奏评价系统研究2005年5月清华大学工学信息与通信工程2.杨立东王晶谢湘. 匡镜明基于Tucker分解的音频分类研究. 第31卷第二期2015年2月（1.北京理工大学信息与电子学院，北京100081；2．内蒙古科技大学信息工程学院，内蒙古包头014010）3.姜洪臣王磊徐波. 面向音视频内容快速定位浏览的广播电视节目切分技术（中科院自动化所北京100190）4.高晗裴玉龙. 基于车辆噪音时域特征的交通量统计方法第25卷第4期2008年4 月( 哈尔滨工业大学交通科学与工程学院, 黑龙江哈尔滨150090)5.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):8061-8064.6.罗昕炜方世良.基于ＨＨＴ的宽带幅度非平稳调制信号的特征提取第27卷第6期2011年6月.（东南大学水声信号处理教育部重点实验室南京，210096）7.王永轩邱天爽刘蓉李春月马征.基于信号投影能量特征的脑电意识动态分类第28 卷第8期2012年8月.（大连理工大学电子信息与电气工程学部，大连116024）8.黄昊郭立李琳. 基于失真测度的直接扩频音频隐写分析第25卷第2期2008年3月. （中国科学技术大学电子科学与技术系电路与系统实验室，合肥230027）9.郑继明邢峰吴渝李婧. 基于小波变换和支持向量机的音频分类第20卷第2期2008年4月.（ 1.重庆邮电大学应用数学研究所，重庆400065 2.重庆邮电大学计算机科学与技术学院，重庆400065）10.芮瑞鲍长春. 噪声环境下的窄带音频信号快速分类方法2011，47（16）. (北京工业大学电子信息与控制工程学院语音与音频信号处理实验室，北京100124)11.李晨周明全. 音频检索技术研究第l8卷第8期2008年8月.(西北大学信息科学与技术学院，陕西西安710127 )12.魏静明李应. 基于纹理特征与随机森林的生态声音识别第32卷第3期2015年3月.（福州大学与计算机科学学院福州福建350108）13.魏国华郑继明. 基于局域判别基的音频信号特征提取方法第26卷第11期2009年11月. （重庆邮电大学计算机科学与技术学院重庆400065）14.俞金莲郭世杰. 基于支持向量机的多类音频分类第27卷第4期2010年4月. （上海航天技术研究院信号处理部上海201109）15.陈莎莎李应. 结合时-频纹理特征的随机森林分类器应用于鸟声识别第31卷第1期2014年1月. (福州大学数学与计算机科学学院福建福州350108)16.周跃海童峰洪青阳.采用DTW算法和语音增强的嵌入式盛文识别系统第51卷第2期.2012年3月（厦门大学信息科学与技术学院，福建，厦门361005）17.王孝国张小宁杨吉斌张雄伟.一种基于离散小波变换和支持向量机的人脸识别新方法第7卷第6期2006年12月.（解放军理工大学通信工程学院江苏南京210007）18.占勇程浩忠丁屹峰吕干云孙毅斌.基于S变换的电能质量扰动支持向量机分类识别第25卷第4期2005年2月. （上海交通大学电气工程系上海市黄浦区200080）19.汤维维基于MA TLAB的谱相减语音增强算法的设计与实现（武汉理工大学信息工程学院湖北武汉430070）20.李云峰欧宗瑛. 基于Gabor小波变换和支持向量机的人脸识别第32卷第19期2006年10月.（河南科技大学机电工程学院洛阳471003）21.陈华丰乔磊柳双林. 基于小波变换和支持向量机的电能质量扰动识别（西安交通大学电气工程学院成都610031）22.朱兴宇万洪杰基于麦克风阵列语音增强系统设计第30卷第3期2013年3月. （北京化工大学信息科学与技术学院）23.Gianluca Antonini, Vlad Popovici, and Jean-Philippe Thiran. Independent Component Analysis and Support VectorMachine for Face Feature Extraction (Signal Processing InstituteSwiss Federal Institute of Technology LausanneCH-1015 Lausanne, Switzerland)24.Anil Nagathil, Peter Gottel, and Rainer Martin. HIERARCHICAL AUDIO CLASSIFICATION USING CEPSTRAL MODULATION RATIOREGRESSIONS BASED ON LEGENDRE POL YNOMIALS (Institute of Communication Acoustics, Ruhr-Universit¨at Bochum, Bochum, Germany)25.Syed Zubair,Wenwu Wang. Audio Classification Based on Sparse Coefficients (Centre for Vision, Speech and Signal Processing , University of SurreyGuildford, GU2 7Xh, United Kingdom）26.Akira Maezawa, Katsutoshi Itoyama, Toru Takahashi, Tetsuya Ogata, Hiroshi G. Okuno. Bowed String Sequence Estimation of a Violin Based on Adaptive Audio SignalClassification and Context-Dependent Error Correction2009 11th IEEE International Symposium on Multimedia. ( Department of Intelligence Science and TechnologyKyoto University, Japan)27.Alain Biem, Member, IEEE, Shigeru Katagiri, Fellow, IEEE, Erik McDermott, and Biing-Hwang Juang, Fellow, IEEE. An Application of Discriminative Feature Extractionto Filter-Bank-Based Speech RecognitionIEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, VOL. 9, NO. 2, FEBRUARY 2001.28.余炜韩强马晶晶谢培. 基于EMD 和SVM 的脑电信号处理方法第37卷第6期2012年12月. （昆明理工大学信息工程与自动化学院，云南昆明650500）29.艾玲梅李营马苗. 基于EMD和PCA的P300分类算法第36卷第5期2010年3月. (陕西师范大学计算机科学学院，西安710062)30.张毅. 基于EMD和小波包的轴承故障特征提取第10卷第3期2012年6月. (长治学院电子信息与物理系，山西长治046011)。
基于小波分析的脑电信号特征提取
基于小波分析的脑电信号特征提取摘要：在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,该方法首先采用AR 模型功率谱估计法对想象左右手运动的C3,C4 通道信号进行频谱分析，确定事件相关同步/去同步（ERD/ERS）较明显的频率范围，并采用小波包对脑电信号进行分解，然后重构8～13Hz、18～23Hz 频段的事件相关同步/去同步（ERD/ERS ）信号，滤除其他频段信号。
最后分别求得想象左手、右手运动时C3、C4 通道相对应的能量，提取通道能量差作为分类器的特征输入值。
为脑机接口研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口。
关键词：脑机接口；运动想象；小波包分解；事件相关同步/去同步；频谱分析；子带能量EEG feature extraction method based onwavelet packet energyAbstract:In the study of brain-computer interface (BCI), a novel method of extracting motor imagery electroencephalography (EEG) features based on the wavelet packet transform and is proposed. First the EEG signals sampled from the C3and C4positions of the brain are decomposed to two levels , and the features of the wavelet are computed. Then, the fifth-order AR coefficients of the EEG signals are estimated by the Burg s algorithm. Finally, by combining the two kinds of features, the combination features are used as the input vectors for classifier.The experimental results show that the eigenvector extracted by theThis method provides a new idea for the EEG pattern recognition in BCI research. In addition, this method has a high recognition rate and low complexity. It is suitable for the application in online BCI systems.Key words: brain-computer interface (BCI); motor imagery; wavelet packet transform; event-related desynchronization (ERD) / synchronization (ERS);spectral analysis;band energy1.引言人在接受外界刺激或主动思维中,能够产生特定模式的脑信号。
基于小波变换的运动想象脑电信号分类
３小波变换
小波包变 换采用Ｍａ Ｕ ａ ｔ ＇ ］ ￣速分解算法 ， 在满足测不准原理的前 提下 ， 可对运动脑 电信号按任意 的时频分辨率分解到不 同的频段 ， 并将运动脑 电信号 的时频信息相应地 投影到所有代表不 同频段 的 小波包空间上。 小波包空间的完整性和正交 Ｉ 生 使得运动想象脑 电信 号经过小波包变换之后 ， 僦 量完整无缺， 所有成分均得 到保 留， 这 为分析运动想象脑 电信号的特征提供 了很好的条件 。 小波包在对运 动想象脑 电信号分解 时， 分解 的层数以对信号有用成分 的提取及采
２实验数据
实验数据 采用Ｂ Ｃ Ｉ ２ ０ ０ ３ 竞赛数据Ｄ ａ ｔ ａ ｓ ｅ ｔⅢ， 由奥地￣ ｔ Ｊ Ｇ ｒ ａ ｚ 科技大学提供 。 实验是 由一个带有反馈的在线的ＢＣ Ｉ 系统组成 ， 受试 者为一位健康状 况 良好 的２ ５ 岁女志愿者 ， 所执行 的意识任务为根据 屏幕箭头的指示方 向来想象左右手运动 ， 每次实验持续９ ｓ ， 前妫 受 试者平静 时间 ， 第２ ｓ 时， 屏 幕出现一个固定不动十字架提示符 ， 持续 １ ｓ ， 第３ ｓ 开始 ， 受试者根据屏幕 出现箭头 的方 向相 应地做想象左手或 右手运动 ， 每次实验采集 ｃ ３ 、 Ｃ ｚ 、 Ｃ ４ 三个通道 的脑 电信号 ， 采样频率 为１ ２ ８ Ｈｚ ， 每次实验每个通道包含１ １ ５ ２ 个数据。 总共做２ ８ ０ 次实验 ， 训 ， 的差值再与Ｅ ， 的比值作为特征值。 练组和测试组各１ ４ ０ 次， 其 中训练组 已知每次实验想象运动的类别 ， 脑电信号的能量分别与Ｅ 这样 训练组和测试 组的数据集均为１ １ ５ ２ Ｘ ３ Ｘ １ ４ ０ 。 ５分 类 与讨 论
１引言 样频率为原则 。 由于脑 电信号本身十分复杂 、 低信噪 比的特点 ， 要从微弱的脑 ４特 征提 取 电信号中有 效区分各种意识活动成分是脑— 机接 Ｉ ： １ 系统中一个重大 想象左右手运动 时 ， Ｍｕ ／ Ｂ ｅ ｔ ａ 节律的Ｅ ＲＤ ／ Ｅ Ｒｓ 现象 比较 明 课 “ 。 常用 的特征提 取的方法有 功率谱法 、 时频分析法 、 小波变换
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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.43Journal 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 rhythmHuang Si-juan, Wu Xiao-mingAbstractBACKGROUND: 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. [ ]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@ Correspondence to: Wu Xiao-ming, Doctoral supervisor, School of Bioscience and Bioengineer, South China University of Technology, Guangzhou 510006, Guangdong Province, China bmxmwus@scut. 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. [ ](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 1673-8225CN 21-1539/RCODEN: ZLKHAH8061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 @ 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. 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]。