基于能量特征的脑电信号特征提取与分类
第２３卷第６期 ２０１０年６月 传感技术学报
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＳＥＮＳＯＲＳ ＡＮＤ ＡＣＴＵＡＴＯＲＳ Ｖｏ１．２３ Ｎｏ．６ Ｊｕｎ．２０１０
Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ＥＥＧ Ｂａｓｅｄ ｏｎ Ｅｎｅｒｇｙ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ＨＵＡＮＧ Ｓｉｊｕａｒｔ． Ｘｉａｏｍｉｎｇ
（Ｓｃｈｏｏｌ ｏｆＢｉｏｓｃｉｅｎｃｅ ａｎｄ曰 ｎｅｅｒ，Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ ５１０００６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｆｅａｔｕｒｅ ｏｆ ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ（ＥＥＧ）ｑｕｉｃｋｌｙ ａｎｄ ｅｆｆｉｃｉｅｎｔｌｙ，ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ，ｂａｎｄ—ｐａｓｓ ｆｉｌｔｅｒ ａｎｄ ｗａｖｅｌｅｔ ｐａｃｋａｇｅ ｗｅｒｅ ｕｓｅｄ ｔｏ ｇｅｔ Ｍｕ ａｎｄ Ｂｅｔａ ｒｈｙｔｈｍ．Ｉｎ ｔｈｅ ｔｉｍｅ ｄｏ．
ｍａｉｎ，ｅｎｅｒｇｙ ｆｅａｔｕｒｅ ｗａｓ ｆｏｒｍｅｄ ｂｙ ｔｈｅ ｓｑｕａｒｅｄ—ａｍｐｌｉｔｕｄｅ ｏｆ ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ（ＥＥＧ）；Ｉｎ ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｄｏ－ ｍａｉｎ，ＡＲ ｍｏｄｅｌ ｐｏｗｅｒ ｓｐｅｃｔｒａｌ ｄｅｎｓｉｔｙ ｗａｓ ｔｏ ｂｅ ｔｈｅ ｅｎｅｒｇｙ ｆｅａｔｕｒｅ．Ｔｈｅ ｓｕｂｔｒａｃｔｅｄ ｖａｌｕｅ ｏｆ ＥＥＧ ｅｎｅｒｇｙ ｗａｓ ｔｈｅ ｂａｓｉｓ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅ ｍｅｔｈｏｄ ｉｓ ｓｉｍｐｌｅ ａｎｄ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｉｅｓ ａｒｅ ｕｐ ｔｏ ８７．８５７％ｆｏｒ ｂｏｔｈ ｍｅｔｈｏｄｓ （ｔｉｍｅ ａｎｄ ｆｒｅｑｕｅｎｃｙ ａｎａｌｙｓｉｓ）．
Ｋｅｙ ｗｏｒｄｓ：ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ（ＥＥＧ）；ｅｖｅｎｔ ｒｅｌａｔｅｄ ｄｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ （ＥＲＤ）／ｅｖｅｎｔ ｒｅｌａｔｅｄ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ（ＥＲＳ）；ｅｎｅｒｇｙ；ｗａｖｅｌｅｔ ｐａｃｋａｇｅ ａｎａｌｙｓｉｓ ＥＥＡＣＣ：７２２０：７５１０Ｄ
基于能量特征的脑电信号特征提取与分类术
黄思娟，吴效明
（华南理工大学生物科学与工程学院，广州５ １０００６）
摘 要：为了快速、有效地提取脑电特征，提高分类正确率，采用带通滤波和小波包分析的方法提取Ｍｕ、Ｂｅｔａ节律对应的脑 电信号，在时域范围内，将信号幅度的平方作为能量特征值；在频域范围内，采用ＡＲ模型功率谱估计法所得的功率谱密度作 为能量特征值。根据运动想象脑电信号特点，构造左右通道信号能量差值的符号特性作为分类判别依据，进行分类测试，方 法简单。初步实验结果表明，所利用的两种方法的分类正确率达８７．８５７％。
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；能量；小波包分析 中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００４—１６９９（２０１０）０６—０７８２一Ｏ４
脑机接口（Ｂｒａｉｎ Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒｆａｃｅ，ＢＣＩ）技术 是不依赖于脑的正常输出通路（外周神经系统和肌 肉组织） ，即可实现大脑与外界直接通信的一 种新的人机交互方式。脑机接口既是人类了解和提 高脑功能的重要手段，又是一种全新的通讯和控制 方式，在脑科学、康复工程、生物医学工程、娱乐、外
科手术中功能区定位等领域有广泛的应用前景 。 脑电图（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）记录简单、 操作容易，具有无损伤、可重复性的特点，设备价格 便宜，一直是临床医学和脑认知科学的重要研究手 段之一。ＥＥＧ由局部和非局部频率分量构成，其中 局部分量与特殊的内在神经网络状态紧密相关，当 某一皮层区域活跃起来，特定频率的节律性活动表
现为幅度的降低／升高称为事件相关去同步化（ｅ－ ｖｅｎｔ ｒｅｌａｔｅｄ ｄｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ，ＥＲＤ）／事件相关同步
项目来源：广东省科技计划项目资助（２００９Ｂ０３０８０１００４） 收稿日期：２０１０—０１—０１ 修改日期：２０１０—０１—２０ 化（ｅｖｅｎｔ ｒｅｌａｔｅｄ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ，ＥＲＳ） 。运动感 觉区的固有频率（如Ｍｕ，Ａｌｐｈａ和Ｂｅｔａ节律）就是 典型的ＥＥＧ局部分量。 Ｍｕ节律称为中央区Ａｌｐｈａ节律，产生于大脑的
感觉运动皮层，频率范围为８～１２ Ｈｚ。Ｍｕ节律和 肢体的感觉运动有密切关系，可以被感觉刺激及肢
体的主动或被动运动阻断。通常在Ｍｕ节律出现的 同时还伴随着１８—２６ Ｈｚ的Ｂｅｔａ节律出现，肢体的
真实运动或想象运动中伴随着由大脑运动皮层Ｍｕ／ Ｂｅｔａ节律的事件相关去同步化和同步（ＥＲＤ／ＥＲＳ） 引起的脑电能量变化 Ｊ。本文充分利用Ｍｕ／Ｂｅｔａ
节律的能量幅值变化规律对想象左右手运动分类， 分别采用时域和频域的能量计算方法，将两通道对
应节点的能量差值的符号极性作为判别依据，经过 仿真试验，取得令人满意的分类效果。
第６期 黄思娟，吴效明等：基于能量特征的脑电信号特征提取与分类 ７８３
１ 运动想象实验 蛾㈤＝ ｉ（ ）＝ （ｎ） ｚ （ｔ）（１）
实验数据来自于第二届ＢＣＩ国际竞赛数据（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、Ｃ４三个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 。 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实验数据处理
２．１实验数据预处理 由相关生理知识可得，想象左右手运动时发生
的ＥＲＤ／ＥＲＳ现象在Ｍｕ（８～１２ Ｈｚ）、Ｂｅｔａ（１８～ ２６ ｎｚ）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。采用椭圆数字滤波器，
通带截止频率为８～３Ｏ 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，对原始数 据进行处理。
２．２ ＥＥＧ特征提取与分类 特征提取方法是利用小波包变换方法提取不同 想象运动任务下Ｍｕ、Ｂｅｔａ节律，分别采用时域和频 域的能量计算法计算ＥＥＧ的能量值作为特征值，根 据ｃ３、ｃ４两通道能量差值的符号极性判断想象运 动的类别。 ２．２．１小波包分析的基本理论
小波包分析（Ｗａｖｅｌｅｔ Ｐａｃｋａｇｅ Ａｎａｌｙｓｉｓ）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 （ｔ）表示小波基函数，令 （ｔ）＝ （ｔ）， 。（ｆ）＝ （ｔ）根据二尺度方程，可以构造如下的小
波基 ： ）＝ …（ ）＝ ） ㈤
（２） 其中：ｉ为节点号√为分解级数，ｈ（ｎ）和ｇ（ｎ）： （一１）卜 ｈ（１一 ）为一对正交镜像滤波器。信号
ｔ）＝ 在第．『级，ｋ点处的小波包分解系数可以用
下述递推公式表示：
（ ）＝ｆ厂（ ）蛲（ｆ） ＝∑＾（见） 一。（２Ｊｊ｝一ｎ）（３）
（ ）＝ｆ ｔ， ２／＋ （ｔ）ｄｔ＝∑ｇ（ｎ） 一。（２ｋ－ｎ）
（４） 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：
ｍ．２，～ｍ．２Ｎ＿，一１ ）： （ｋ） （ ）＋
一 一 （５）
∑ ∑ ¨ （ ） （￡）
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。
采用具有正交性和紧支撑的ｄｂ ４作为小波基 函数进行２级小波包分解，形成四个节点，频率范围
分别为：８—１３．５ Ｈｚ、１３．５—１９ Ｈｚ、１９—２４．５ Ｈｚ和 ２４．５—３０ Ｈｚ四个频带，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。
２．２．２ ＥＥＧ特征提取与分类 大脑两侧发生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，即两侧信号的能量会出现明显差 异 Ｉ９］，据此将两通道能量相减，根据能量差值的符
号极性判别想象运动的类型。
（１）能量的时域方法分析 根据能量的时域计算公式得第ｑ点的能量为：
＝∑ ｔ）。Ｉ 、
图１为两次典型实验能量波形图。由图１可
得，在Ｍｕ／Ｂｅｔａ节律频段Ｃ３、Ｃ４两通道信号能量差 别较大，ＥＲＤ／ＥＲＳ现象比较明显。利用这一特点，
将两通道对应样本点能量相减后求均值，根据两通
道能量差值的符号极性即可以判断出想象运动的类
别。第ｉ次实验的特征值为：
７８４ 传感技术学报 第２３卷
ｆ＝（Ｅ ，Ｅ ） 将两通道Ｍｕ／Ｂｅｔａ节律对应样本点能量相减后求均 值¨ ，则判别式为：
Ｄ‘＝ｓｇｎ（ｍｅａｎ（Ｅ 一Ｅ ））
若Ｄ‘１，说明试验为想象左手运动，Ｄ‘＝一１，说明 试验为想象右手运动。
ｏ－０６ ； …
Ｌ山． ０ ｌ ２ ３ ４ ５ ６ ７ ８ ９ ｔ／ｓ ０．Ｏ８ ０．ｏ６ ０．ｏ４ ０．０２ Ｕ ０ ｌ 一
ｌ ２ ３ ４ ５ ６ ７ ８ ９ ｔ／ｓ （ａ）想象左手运动的脑电能量波形
藜一
Ｏ
Ｏ．Ｏ８ ０．Ｏ６ Ｓ ０．０４ 蜘互 导０．０２ Ｕ Ｏ １ ２ ３ ４ ５ ６ ７ ８ ９ ｔ／ｓ
一 ． １ ２ ３ ４ ５ ６ ７ ８ ９ ∥ｓ （ｂ）想象右手运动的脑电能量波形
图１ 想象左右手运动的能量变化图 实验过程中受试者执行运动想象任务是从第 ３ ｓ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，如表１所示，选取４～７ Ｓ时 间段的Ｍｕ／Ｂｅｔａ节律数据进行分类效果更好。
表１ 不同的时间段对应的分类正确率
（２）能量的频域方法分析 基于ＡＲ模型的功率谱估计是一种参数模型功 率谱估计方法＿１ “Ｊ，本文选取Ｂｕｒｇ算法对滤波后
的ＥＥＧ信号进行ＡＲ模型谱估计。如图２所示，１０ 阶ＡＲ模型功率谱密度比８阶模型更能准确反映运 动想象过程中主要节律（Ｍｕ）ＥＲＤ／ＥＲＳ过程中能
eeg指标 -回复
eeg指标 -回复
EEG指标是脑电图(EEG)信号的量化分析结果。脑电图是通过在头皮上放置电极来记录脑部活动的电信号。这些电信号来自于神经元在大脑中传递信息的过程，通过放大和滤波器等技术处理后，可以用于研究人类的认知和情绪状态，以及脑部疾病的诊断和治疗。本文将一步步解释一些常见的EEG指标及其在不同领域中的应用。
一、脑电图信号的基本特征
1. 频谱分析
频谱分析是将时域中的脑电图信号转换为频域中的能量分布。通过对不同频带的能量进行分析，可以了解脑电信号在不同频率范围内的活动水平。
2. 时域分析
时域分析是对脑电图信号的振幅和幅度变化进行分析。通过测量峰值、振幅、持续时间等指标，可以了解脑电信号的时间特征。
二、常见的EEG指标及其应用
1. 平均功率谱密度（PSD）
平均功率谱密度是指在频域上，脑电信号的能量在不同频带上的平均分布情况。PSD可以用于研究人类认知功能、睡眠和情绪状态的变化。例如，通过比较不同任务下的PSD变化，可以了解认知任务对脑电信号的影响。
2. 频带比值（Ratio）
频带比值是指在不同频带上的脑电信号能量之间的比例。常见的频带包括δ波（0-4 Hz）、θ波（4-8 Hz）、α波（8-13 Hz）、β波（13-30 Hz）和γ波（30-100 Hz）。通过计算不同波段之间的比值，可以研究脑电信号的频谱特征，并揭示不同脑区之间的功能连接。
3. 熵（Entropy）
熵是一种衡量脑电信号复杂度的指标。高熵表示信号的不规则性和复杂性较高，低熵表示信号的规律性和可预测性较高。熵可以用于研究脑电信号的时空动态性，以及脑部疾病时信息处理的异常情况。
4. 相位同步（Phase synchronization）
相位同步是指不同脑区之间脑电信号相位的同步性。通过计算脑电信号在不同频率上的相位差异，可以研究脑区之间的功能连接。相位同步可以用于研究脑网络的形成和发展，以及脑卒中和癫痫等疾病时功能连接的紊乱情况。
基于能量聚类分析法的运动想象脑电信号快速识别
第２５卷第３期 青岛大学学报（自然科学版） ２ ０ １ ２年８月 ＪＯＵＲＮＡＬ ＯＦ ＱＩＮＧＤＡＯ ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖｏ１．２５ ＮＯ．３ Ａｕｇ．２ ０ １ ２
文章编号：１００６—１０３７（２０１２）０３—０００９—０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６—１０３７．２０１２．０８．００３
基于能量聚类分析法的运动想象脑电信号快速识别
高 花
（山东大学控制科学与工程学院，山东济南２５００６１）
摘要：在脑一机接口研究中，针对两种思维任务的特征提取和分类，提出一种以单次实验
的信号能量与其中两个通道信号的平均能量的欧式距离作为特征，用聚类分析法进行任
务分类的方法，７一折交叉验证法用来评价分类器的性能；采用ＢＣＩ ２００３竞赛数据集Ⅲ，分
析了该方法的实验背景和理论依据，并将分类精度与竞赛的结果进行了比较；表明了所提
出方法运用在实际系统中的有效性。
关键词：交叉验证法；信号能量；运动想象脑电；聚类分析法
中图分类号：０２４１；Ｒ３１８ 文献标志码：Ａ
脑一机接Ｉ＝Ｉ（ｂｒａｉｎ—ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ，ＢＣＩ）是基于脑电信号实现人脑与计算机或其他电子设备通讯和控
制的系统。基于大脑运动想象的ＢＣＩ的研究能够帮助认知功能正常而运动功能有障碍的人们实现与外界
的交流以及对外部环境的控制。 解读大脑信号是ＢＣＩ系统的关键。对于脑电信号的分析，特别是运动想象脑电信号的分析，目前有各
种信号处理与模式分类的方法ｌ＿１＿３＿。
实际系统中并非适应所有的方法，实用的系统能够实现信号的及时处理，系统要有较高的信号处理速
度 。为了提高信号处理速度需要采取两种策略：（１）减少采集数据所需要的电极数，用少量电极取得有用
的脑活动信息；（２）采取有针对性的算法，既确保实时处理的有效性。
主流的脑电处理算法有时频分析法 ，小波分析法Ⅲ及自回归模型 。时频分析法建立的分类器模型
基于SVM和小波分析的脑电信号分类方法
第２８卷第５期
２０１１年５月 计算机应用与软件
Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖ０１．２８ Ｎｏ．５
Ｍａｙ ２０１１
基于ＳＶＭ和小波分析的脑电信号分类方法
赵建林 周卫东 刘 凯 蔡冬梅
’（山东大学信息科学与工程学院 山东济南２５０１００）
（河南商业高等专科学校计算机系 河南郑州４５００４４）
摘 要 根据癫痫脑电信号与正常脑电信号波形和能量特征的不同，研究了两种的脑电信号分类方法，一种采用支持向量机
ＳＶＭ（Ｓｕｐｐｏ￣Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ）分类器对正常脑电和癫痫脑电进行分类；另一种使用小波分析和支持向量机相结合的方法对脑电进
行分类，并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明，小波分析和ＳＶＭ结合的方法对脑电信号分类
可以取得更好的效果，能有效区分癫痫脑电和正常脑电。
关键词 支持向量机小波分析脑电 训练 分类
ＥＥＧ ＳＩＧＮＡＬ ＣＬＡＳＳＩＦＩＣＡＴＩＯＮ ＭＥＴＨＯＤ ＢＡＳＥＤ ｏＮ ＳＶＭ ＡＮＤ ＷＡＶＥＬＥＴ ＡＮＡＬＹＳＩＳ
Ｚｈａｏ Ｊｉａｎｌｉｎ ・ Ｚｈｏｕ Ｗｅｉｄｏｎｇ Ｌｉｕ Ｋａｉ Ｃａｉ Ｄｏｎｇｍｅｉ‘
（Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈａｎｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，ｇｎａｎ ２５０１００，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎａ） 。（Ｄｅｐａｒｔｍｅｎｔ ｏｆＣｏｍｐｕｔｅｒ，Ｈｅｎａｎ Ｂｕｓｉｎｅｓｓ Ｃｏｌｌｅｇｅ，Ｚｈｅｎｇｚｈｏｕ ４５００４４，Ｈｅｎａｎ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｄｕｅ ｔｏ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅｓ ｏｆ ＥＥＧ ｓｉｇｎａｌ ｗａｖｅｆｏｒｍｓ ａｎｄ ｓｐａｔｉａｌ ｅｎｅｒｇｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｂｅｔｗｅｅｎ ｅｐｉｌｅｐｓｙ ｐａｔｉｅｎｔｓ ａｎｄ ｈｅａｌｔｈｙ ｐｅｒｓｏｎ，
基于样本熵的注意力相关脑电特征信息提取与分类
基于样本熵的注意力相关脑电特征信息提
取与分类
第4l卷第1O期 2007年1O月
西安交通大学 JOURNAlOFXlANJIAOTONGUNIVERSITY
Vo1.4l№lO
Oct.2007
基于样本熵的注意力相关脑电特征信息提取与分类
燕楠,王珏,魏娜,宗良 (西安交通大学生物医学信息工程教育部重点实验室,710049,西安)
摘要:提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理,并
采用支持向量
机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执
行3种不同注
意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号
分类的正确率可
达85.5,优于传统频段能量法获得的分类精度(77.99/6).这个结果暗示了样本熵能
有效地识别
出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获
得广泛的应用.
关键词:脑电;生物反馈;样本熵;支持向量机
中图分类号:R318.4文献标识码:A文章编号:0253—987X(2007)10—1237—05 Featm'eExactionandClassificationofAttentionRelatedEl
SignalsBasedonSampleEntropy
C
YanNan,WangJue,WeiNa,ZongLiang
(KeyLaboratoryofBiomedicalInformationEngineeringofEducationMinistry,XianJiaoto
ngUniversity,Xian710049,China)
Abstract:Amethodregardingthesampleentropy(SampEn)asfeaturesisproposedtocarryou
t
theanalysisandclassificationofattentionrelatedelectroencephalographic(EEG)signals,an
脑控的处理方法
脑控的处理方法
一、引言
近年来，随着科技的不断进步，脑机接口技术逐渐成为研究的热点。脑机接口技术，简称脑控，是指通过直接读取和解读人脑活动来实现与外部设备的交互。脑控的处理方法至关重要，本文将探讨几种常见的脑控处理方法。
二、脑控处理方法
1. 信号预处理
脑控系统通常会采集大量的脑电信号，但脑电信号中往往包含有噪声和干扰。因此，信号预处理是脑控处理的首要步骤。常见的信号预处理方法有滤波、降噪和增强。
滤波是一种常用的信号预处理方法，可以去除脑电信号中的高频噪声和基线漂移。常用的滤波方法有低通滤波、高通滤波和带通滤波等。
降噪是指通过数学算法或统计方法去除脑电信号中的噪声干扰。常见的降噪方法有小波降噪、独立成分分析和小波包分解等。
增强是指通过信号处理技术提高脑电信号的质量和可靠性。常见的增强方法有谱估计、时频分析和小波变换等。
2. 特征提取
特征提取是脑控处理的关键环节，目的是从脑电信号中提取出有用的信息。常见的特征提取方法有时域特征提取、频域特征提取和时频域特征提取等。
时域特征提取是指从脑电信号的时间序列中提取出有用的统计特征。常用的时域特征包括均值、方差、标准差和斜度等。
频域特征提取是指通过对脑电信号进行频谱分析，提取出有用的频域特征。常用的频域特征包括功率谱密度、能量、频带能量和相干性等。
时频域特征提取是指将时域和频域特征相结合，提取出更加全面的特征。常用的时频域特征提取方法有小波变换和Wigner-Ville分布等。
3. 模式识别
模式识别是脑控处理的核心环节，通过对提取的特征进行分类和识别，实现对脑电信号的解码和控制。常见的模式识别方法包括统计分类方法、人工神经网络和支持向量机等。
统计分类方法是指通过统计学原理对特征进行分类。常用的统计分类方法有线性判别分析、K近邻算法和朴素贝叶斯分类器等。
人工神经网络是一种模拟人脑神经系统工作原理的计算模型，可以用于脑电信号的分类和识别。
脑电波的分析方法
脑电波的分析方法
脑电波（Electroencephalogram，EEG）是指脑部神经元在活跃时所产生的电信号。使用EEG技术可以记录和分析人类大脑活动的电活动信号，通过EEG技术的分析可以帮助揭示许多神经系统疾病的病理机制，并且为神经科学研究提供了重要的方法。本文将介绍脑电波的分析方法。
1. 脑电波的基本特征
脑电波在频率和振幅上有一定的规律。人类常见的EEG频率范围为0.5-30Hz，可以划分为五个频率带：δ波（0.5-4Hz）、θ波（4-8Hz）、α波（8-13Hz）、β波（13-30Hz）和γ波（30-100Hz）。每种频率波的产生都与不同的脑区活动相关。
2. 常用的脑电波分析仪器
脑电波分析仪器是专业分析脑电波的工具。常见的仪器包括EEG采集电极、放大器、模数转换器和计算机。EEG采集电极是采集脑电波信号的电极，通常放置在头皮上。放大器将采集到的微弱的脑电信号放大，以便进行记录和分析。模数转换器将模拟信号转换成数字信号。计算机会进行信号的二次处理和分析。
3. 脑电波信号处理
脑电波信号的处理包括去噪和滤波。去噪是一种减少测量到的无关信号的技术，通常使用数字滤波器去除噪声干扰。滤波则是一种改变信号频率、振幅或相位的方法，通常用于去除信号中的低频和高频干扰。
4. 脑电波信号分析
脑电波信号分析通常分为两类：时域分析和频域分析。时域分析包括波形的描述、时间间隔、振幅和缓斜的分析；而频域分析则是对信号频率和能量的分析（即功率谱密度），以研究脑电波的频率和强度的变化。
5. 脑电波谱图的分析方法
脑电波谱图是将脑电波的时域信息转换为频域信息的图形，通常使用傅里叶变换进行分析。在信号的时域里，傅里叶变换被用来将信号转换为其特定频率下的正弦波。功率谱密度则是将傅里叶变换得到的能量谱进行处理得到折线图，通常用于反映信号在不同频段内的功率分布。
6. 事件相关电位的分析方法 事件相关电位（Event-Related Potentials，ERP）是指在某些特定条件下，脑电波发生的变化所产生的电位，通常用于研究心理学、神经科学等领域的事件依赖性神经过程。ERP分析方法通常包括一系列预处理步骤：去噪、基线校正、滤波、平滑处理等步骤。通过ERP分析可以提取和计算出与某种特定事件相关的脑电波信号，进而研究不同事件与脑电波之间的关系。
基于随机森林的脑电信号分类算法研究
基于随机森林的脑电信号分类算法研究
近年来，脑机接口（Brain-Computer Interface, BCI）技术日益成为研究的热点领域。其中，脑电信号（Electroencephalography, EEG）具有非侵入性、高时空分辨率等优点，成为研究人类认知、控制系统行为、识别情绪等方面的理想工具。然而，EEG信号的复杂性和噪声影响，使得信号处理和分类难度加大。本文探讨了基于随机森林（Random Forest, RF）算法的EEG信号分类方法。
一、EEG信号特点
1.1 多通道同步采集
EEG信号是在头皮表面采集的电信号。为提高信号质量和时空分辨率，通常需采用多个电极，形成多通道同步采集。通道数可能较少（如10通道）或较多（如128通道），其数据采集和后续处理的时间和空间复杂度都会不同。
1.2 非平稳性和非线性
脑电信号是由神经元在大脑皮层内的电活动引起的，是一种具有非线性和非平稳性的信号，存在着非常复杂的时间和空间相互作用关系。此外，EEG信号还存在眼球运动、肌电噪声等干扰，需要通过信号预处理减少噪声影响。
1.3 频域特征
脑电信号通常采用频域特征进行分析和处理，其中α、β、θ、δ等4种波段是较为常用的。不同状态下，这些频段的频率、功率、相干性等属性会发生改变，如持续注意和放松状态下，α波的功率会发生改变。因此，可以通过频域特征在EEG信号分类中提取重要信息。
二、随机森林算法 随机森林是一种集成学习（Ensemble Learning）方法，由多个决策树组成。每个决策树从总体数据中随机选择一部分数据和特征，对这部分数据建立决策树。对于给定的数据，随机森林算法将该数据输入到每个单独的决策树中，并返回其所有决策树的输出结果的平均值或多数值。随机森林不仅能够提高预测准确性，同时也具备高可扩展、良好的鲁棒性和对多变量数据的适应能力。
三、基于随机森林的EEG信号分类方法
3.1 数据采集与预处理
小波包能量特征提取
小波包能量特征提取
一、引言
小波包能量特征提取是一种常见的信号处理方法，可以用于信号的特征提取和分类。本文将介绍小波包能量特征提取的基本原理、实现方法以及应用场景。
二、小波包分析基本原理
小波包分析是一种多尺度分析方法，它将信号分解成多个频带，并对每个频带进行进一步的分解。在小波包分析中，使用的基函数是小波包基函数。小波包基函数是由母小波函数通过平移和缩放得到的。
三、小波包能量计算
在进行小波包能量特征提取时，需要先计算每个频带的能量。计算公式如下：
$E_i=\sum_{j=1}^{N}x_j^2$
其中，$E_i$表示第i个频带的能量，$x_j$表示第i个频带中第j个采样点的值，N表示采样点数。
四、小波包能量特征提取实现方法 1.信号预处理：对原始信号进行去噪和滤波。
2.选择合适的小波包基函数：根据信号性质选择合适的小波包基函数。
3.进行小波包分解：将信号分解成多个频带。
4.计算每个频带的能量：根据公式计算每个频带的能量。
5.选择合适的特征：根据应用场景选择合适的特征进行分类或其他处理。
五、小波包能量特征提取应用场景
1.语音信号处理：可以用于语音信号的识别和分类。
2.图像处理：可以用于图像纹理分析和分类。
3.生物信号处理：可以用于心电信号和脑电信号的分析和分类。
六、总结
小波包能量特征提取是一种常见的信号处理方法，可以用于信号的特征提取和分类。在实际应用中，需要根据具体情况选择合适的小波包基函数和特征。
人脑信号处理中的EEG特征提取算法研究
人脑信号处理中的EEG特征提取算法研究
随着人工智能技术的快速发展和广泛应用，对于人脑活动的研究显得尤为重要。而脑电图（EEG）信号作为一种直接测量人脑电活动的非侵入式方法，被广泛应用于脑机接口、睡眠研究、神经疾病诊断等领域。在EEG信号的处理中，特征提取是至关重要的一步。
本文将探讨人脑信号处理中的EEG特征提取算法的研究进展和应用。首先，我们将介绍EEG信号的基本特点和脑电波形的研究预测。然后，我们将讨论常用的EEG特征提取算法，包括时域特征、频域特征和时频域特征。
时域特征是EEG信号处理中最常见的一类特征。它通过计算信号的统计参数来描述信号的时域特性，例如平均值、标准差、波形斜度等。其中，平均值是最简单的时域特征之一，反映了信号的整体水平。标准差则反映了信号的变异程度，可以用来描述信号的稳定性。波形斜度则可以提取信号的快速变化特征，有助于捕捉到信号中的突变点。此外，自相关函数和互相关函数也是常用的时域特征，它们可以描述信号的周期性和相关性。
频域特征是另一类常用的EEG特征提取算法。它通过将信号转换到频域来分析信号的频谱特性。常用的频域特征包括功率谱密度、频带能量以及频带比率等。功率谱密度是信号在不同频率上的能量分布情况，可以用来描述信号的频谱特性。频带能量则可以反映信号在特定频率范围内的能量分布情况，常用的频带包括δ波、θ波、α波、β波和γ波。频带比率则是不同频带能量之间的比值，可以用来反映不同频带之间的平衡情况。频域特征对于研究人脑活动的频率成分以及不同脑区之间的连接具有重要意义。
时频域特征是时域特征和频域特征的结合。它通过使用时频分析方法来提取信号的时频特性。时频分析方法包括短时傅里叶变换（STFT）和连续小波变换（CWT）等。短时傅里叶变换可以将信号在时域和频域上进行局部分析，可以提取信号在不同时间段和频率范围内的特征。连续小波变换则可以提取信号在时频域上的局部特征，并获得信号的时频谱图。
基于脑电信号的情感识别研究
————————————————————————————————————————————————
基于脑电信号的情感识别研究 作者 张家瑞，王刚
机构 空军工程大学 防空反导学院
DOI 10.3969/j.issn.1001-3695.2018.05.0295
预排期卷 《计算机应用研究》 2019年第36卷第11期 摘要 针对如何提高脑电信号情感识别的正确率这一问题，在得到的原始脑电信号进行分频带特征
提取后，一方面采用支持向量机、K近邻算法、朴素贝叶斯和神经网络算法对小波熵、近似
熵、功率谱密度、微分熵，进行训练和分类学习；另一方面，基于4种不同的电极放置方式，
对微分熵特征采用支持向量机和经遗传算法参数寻优的支持向量机算法进行训练。结果显
示，在12通道条件下能够得到91.99%的总体准确率，最高情感识别准确率已经达到97.59%。
研究结果表明，减少电极可以获得较高的情感识别分类结果，并且采用参数寻优后的支持向
量机算法能够有效提升准确率。
关键词 脑电信号；情感识别；微分熵；通道选择；遗传算法
作者简介 张家瑞（1995-），男，陕西咸阳人，硕士研究生，主要研究方向为智能信息处理､智能指控系
统（513706039@）；王刚（1975-），男，山东青州人，教授，博士，主要研究方向为
机器学习､信息融合､指挥控制系统等．
中图分类号 TP391.4
访问地址 /article/02-2019-11-020.html
投稿日期 2018年5月7日
修回日期 2018年6月25日
发布日期 2018年8月10日
引用格式 张家瑞, 王刚. 基于脑电信号的情感识别研究[J/OL]. 2019, 36(11). [2018-08-10].
/article/02-2019-11-020.html. 第36卷第11期 计算机应用研究 Vol. 36 No. 11 优先出版 Application Research of Computers Online Publication