基于小波包变换的右手和脚运动想象任务分类

蔡 淼，胡 萍

西安儿童医院中西医结合科，西安市，710003

基于小波包变换的右手和脚运动想象任务分类

【作 者】蔡 淼，胡 萍

西安儿童医院中西医结合科，西安市，710003

脑—机接口为丧失交流能力的人提供了一种新的选择途径，因而脑电信号的识别一直备受关注。该文采用小波包变换和迁移学习分类右手和脚运动想象任务。首先，在分析与事件去同步密切相关的通道和频带的基础上，对脑电信号进行小波包分解，然后选择相关的节点计算小波包能量，最后应用迁移学习分类BCI竞赛III数据集IVa，获得了理想的分类结果。结果表明该方法简单有效，对BCI的在线应用具有指导价值。

脑电信号；特征提取；小波包能量；右手和脚运动想象；分类

0 引言

交流是人类长久以来进行的一项日常活动，然而由于交通事故、疾病等诸多原因，使得一部分人失去了部分或全部的交流能力，给他们的日常生活带来诸多不便。为了改善他们的生活质量，脑—机接口就是一种可选择方式，它绕过了传统的外周神经和肌肉输出通道，直接建立了大脑与外部的直接联系，从而帮助这部分人群在一定程度上实现了与外界的交流[1-2]。

目前，脑电信号在脑—机接口系统中被广泛地采用，因为其具有采集简单方便、成本低廉等优点。而根据脑电信号产生的方式，可以将脑—机接口系统分为自发式和诱发式脑—机接口系统，前者的产生通常是采用想象动作、如打篮球、刹车等，而后者需要额外的刺激装置，相比而言自发式脑—机接口系统更加自然、更符合人们的习惯[3]。然而，自发式脑—机接口的脑电识别精度并不理想，一直制约着其进一步应用，而决定其识别精度的信号处理算法特征提取和分类一直是研究者关注的焦点。目前，自发式脑—机接口系统常见的特征提取方法有时域或频域的单一信息[4]、组合单一信息法[5]、自回归模型[6]、共同空间模式[7]、小波变换[8]、希尔伯特黄变换[9]、混沌分析法等。分类方法有线性判别、支持向量机、神经网络、马氏距离等[10]。在特征提取方面，小波包变换具有时—频多分辨率，在两个域内都能获得良好的分辨率，它更适合分析脑电这种信号。在分类方面，现有的分类算法都假定训练和测试数据集具有相同的分布，然而实际上由于种种原因，如时间段发生变化或测试者发生变化导致训练数据和测试数据具有不同的分布，利用原来的测试者建立的分类模型无法应用于其他测试者，在这种情况下，这些分类方法不一定能收到良好的分类结果，存在一定的局限性，如图1

所示。而迁移学习算法是模式识别领域的一个研究热点[11]，恰恰用来处理训练和测试数据集具有不同分布的问题，为了提高脑电信号的识别精度，本文采用小波包变换和迁移学习进行脑电的识别。

1 实验数据

本文采用的实验数据来源于BCI竞赛III数据集IVa，竞赛数据由测试者完成右手和脚运动想象得到。测试者1、测试者2、测试者3、测试者4、测试者5自然地坐在扶手椅上，在t=0 s时，出现一个向右或向下的箭头，持续3.5 s，这段时间内测试者被要求完成右手或脚的运动想象任务，在t=3.5 s时，出现白屏，持续（1.75~2.25）s的随机时间段，这段时间测试者休息，单次任务的时序如图2所示。脑电信号记录于118个电极，与运动想象任务右手和脚相关的电极C3和Cz的位置分布如图3所示。信号的采样频率为100 Hz，带通滤波范围为（0.5~200）Hz。每个测试者完成280次实验，训练和测试数据集中实验事件的个数如表1所示。

图1 传统分类方法的局限性示意图Fig.1 Schematic diagram of traditional classif i cation method limitations

图2 单次事件的时序过程Fig.2 Timing scheme of one trial

图3 相关电极位置示意图Fig.3 Diagram of related electrode positions

表1 每个测试者的训练和测试事件数目Tab.1 Numbers of training and testing trials per tester

2 特征考虑及小波包变换特征提取

2.1 特征考虑

当人们想象肢体动作时，大脑的感觉运动区表现出特定脑电EEG的节律性活动。当想象右手和脚运动时，（8~12）Hz 的μ节律的能量发生相应改变，能量减小时称为事件相关去同步，能量增大时称为事件相关同步，并且这一现象在C3和Cz通道最明显，这种大脑感觉运动区的脑电节律的差异可用于区分右手和脚的运动想象任务。

事件相关去同步ERD的定义[12]：

式中：R－在特定频带内脑电数据的平均能量值；A(j)－在特定频带内第j个脑电数据的平均能量值。

我们选择测试者1的训练数据，利用5阶Butterworth滤波器在（8~12）Hz范围内对C3和Cz通道的脑电数据进行滤波并取能量均值，得到的ERD结果，如图4和图5所示，总体来说，在C3通道处想象右手的ERD低于想象脚的ERD，在Cz通道处则相反，这与ERD现象一致。

图4 测试者1的C3通道ERDFig.4 ERD in C3 channel for tester one

图5 测试者1的 Cz通道ERDFig.5 ERD in Cz channel for tester one

2.2 小波包变换

小波变换是由傅里叶变换发展起来的一种多尺度变化的信号分析方法，它对信号的频带以指数等间隔划分，在高频段频带宽，低频段频带窄，导致可能对某些有用的信号精度检测较低；而小波包变换能够将小波变换后没有细分的高频段进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，因而具有更好的时—频特性和广泛的应用价值，能提高对运动想象脑电的识别精度度。

小波包变换的核心思想可以理解为对空间的分解。在小波包变换过程中，将原始信号分解为低频系数和高频系数两部分，下一步将这个低频系数和高频系数继续分解成两个部分，依次重复上面的分解步骤，直到满足实际需要的条件为止，在这里以一个三层的分解进行说明，其小波包分解结构如图6所示。

图6 三层小波包分解结构Fig.6 Structure with three layers of wavelet packet decomposition

其中：S表示原始信号；A表示低频系数部分；D表示高频系数部分；末尾的序号表示小波包分解的层数；（i，j）表示节点。

2.3 特征提取

由于实验数据的采样频率为100 Hz，根据采样定理EEG数据的频率范围为（0~50）Hz。考虑与右手和脚运动想象相关的通道和EEG节律，本文选用db3小波对C3和Cz通道的脑电信号进行3层小波包分解，将信号划分为8个频段，各节点对应的频率范围如表2所示。

表2 小波包分解第三层各节点对应的频带范围Tab.2 Frequency range of each node for the 3rd level of wavelet packet decomposition

表3 识别正确率(%)Tab.3 Results of pattern recognition (%)

由于与右手和脚运动想象ERD现象密切相关的频率发生在（8~12）Hz频带的μ节律上[13]，所以选取节点（3, 1）的信号部分DAA3进行小波重构作进一步分析。

目前采用小波包变换进行特征提取利用的物理量的形式较多，如部分分解系数[14]，小波包能量均值、小波包熵[15]、方差、相对小波包能量[16]等。而脑电信号ERD现象正是大脑皮层某一区域被激活时表现出来的特定频率EEG的能量的相对变化，因此本文选择小波包能量均值作为特征，特征向量维数低，不仅计算简单方便，而且理论意义清楚。

根据以上分析，将 C3、Cz通道的脑电数据进行3层小波包分解，选择节点（3, 1）对应的信号进行重构，并计算其能量均值作为区分右手和脚运动想象的特征。

3 迁移学习识别

3.1 迁移学习

迁移学习是一种模式识别方法，它运用已有的知识对不同的相关领域问题进行求解。传统的模式识别方法通常假设训练和测试数据具有相同的分布，但在实际应用中，我们通常面对训练和测试数据来自于不同但相关的分布，这样传统的模式识别方法不能获得满意的性能。于是，迁移学习自然地可以借助其他领域的数据，更好地对本领域的数据进行分类。目前，迁移学习算法的形式较多，针对源领域和目标领域数据是否标注及任务是否相同，将迁移学习分为归纳迁移学习、直推式和无监督迁移学习等；针对迁移学习采用的技术将其分为基于特征选择的迁移学习、基于特征映射和权重的迁移学习，文献[17][18]对典型的迁移学习算法给出详细描述，给出其实现和改进的基本工具包，指出其应用领域说明该方法的优越性。在这里，我们不详细阐述各种迁移学习算法的原理和形式，而是尝试应用该方法在测试者改变条件下对脑电信号进行识别，具体地采用一种叫做结构化学习方法[19]。对于测试者1，其信号处理过程如图7所示，同样地，其他测试者的脑电信号识别过程类似。

3.2 实验结果及讨论

本文对BCI 竞赛III数据集IVa先进行通道选择和小波包变换形成特征，然后采用迁移学习完成对右手和脚的运动想象任务的分类，识别结果如表3所示，我们的结果优于竞赛结果2.01%。从测试者1识别过程来看，借助测试者2、测试者3、测试者4和测试者5的数据集，完成了对测试者1的测试数据集的分类，获得了较好的识别率。类似地，完成对其他测试者的脑电信号识别。

在目前BCI研究中，脑电信号的识别依赖于特征提取和模式识别，特征提取是模式识别的先决条件，他们互相制约，互相影响，所以脑电信号的处理必须综合起来考虑方能获得理想的效果。就特征提取方面来说，小波包变换结合时—频信息分析EEG信号，优于单一的时域或频域信息，如傅里叶变换和自适应自回归模型，更容易获得明显的特征。而迁移学习作为一种新颖的模式识别方法，它不必假设训练和测试数据集具有相同的分布，能在测试者改变的条件下，对右手和脚运动想象任务分类，获得了理想的效果，为进一步减少在线BCI的训练打下基础。

图7 测试者1信号处理过程Fig.7 Signal processing for tester one

4 结论

BCI作为一种全新的对外交流方式，为思维正常但有严重运动障碍的患者提供了与外界交流和控制的途径，受到了人们的普遍关注。而当前国内对BCI的研究大多还处于实验室研究阶段，如何寻找一种简单、快算、准确的算法使得BCI系统通过较少的训练适用于每一个测试者，在实际应用中仍是一个亟待解决的问题。本文仅利用2个通道，采用小波包变换和迁移学习就能获得了理想的分了效果。该种方法简单准确，能减少在线BCI系统的训练，对BCI系统从实验室走入实际应用具有指导意义。

[1] Hochberg L R, Serruya M D, Friehs G M, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia[J]. Nature, 2006, 442(7099): 164-171.

[2] Wolpaw J R, Birbaumer N, McFarland D J, et al. Brain–computer interfaces for communication and control[J]. Clin Neurophysiol, 2002, 113(6): 767-791.

[3] 李明爱, 马建勇, 杨金福. 基于小波包和熵准则的最优频段提取方法[J]. 仪器仪表学报, 2013, 33(8):1721-1728.

[4] Millán J R, MourJ. Asynchronous BCI and local neural classi fi ers: an overview of the adaptive brain interface project[J]. IEEE Trans Neural Syst Rehabil Eng, 2003, 11(2): 159-161.

[5] Mensh B D, Werfel J, Seung H S. BCI competition 2003-data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals[J]. IEEE Trans Biomed Eng, 2004, 51(6): 1052-1056.

[6] Penny W D, Roberts S J, Curran E A, et al. EEG-based communication: a pattern recognition approach[J]. IEEE Trans Rehabil Eng, 2000, 8(2): 214-215.

[7] Nasihatkon B, Boostani R, Jahromi M Z. An efficient hybrid linear and kernel CSP approach for EEG feature extraction[J]. Neurocomputing, 2009, 73(1):432-437.

[8] Lee S H, Lim J S, Kim J K, et al. Classification of normal and epileptic seizure EEG signals using wavelet transform, phase-space reconstruction, and Euclidean distance[J]. Comput Meth Prog Bio, 2014, 116(1): 10-25.

[9] 袁玲, 杨帮华, 马世伟. 基于 HHT 和 SVM 的运动想象脑电识别[J]. 仪器仪表学报, 2010, 31(3): 649-654.

[10] Lotte F, Congedo M, Lécuyer A, et al. A review of classif i cation algorithms for EEG-based brain–computer interfaces[J]. J Neural Eng, 2007, 4(2):1-13.

[11] 庄福振, 罗平, 何清等. 基于混合正则化的无标签领域的归纳迁移学习[J]. 科学通报, 2009, 54 (11): 1618-1625.

[12] Pfurtscheller G, Da Silva F H L. Event-related EEG/MEG synchronization and desynchronization: basic principles[J]. Clin Neurophysiol, 1999, 110(11): 1842-1857.

[13] 徐宝国, 宋爱国. 基于小波包变换和聚类分析的脑电信号识别方法[J]. 仪器仪表学报, 2009, 30(1): 25-28.

[14] 王攀, 沈继忠, 施锦河. 基于小波变换和时域能量熵的 P300 特征提取算法[J]. 仪器仪表学报, 2011, 32(6): 1284-1289.

[15] 王艳景, 乔晓艳, 李鹏, 等. 基于小波包熵和支持向量机的运动想象任务分类研究[J]. 仪器仪表学报, 2010, 31(12): 2729-2735.

[16] 颜世玉, 刘冲, 赵海滨, 等. 基于小波包分解的意识脑电特征提取[J]. 仪器仪表学报, 2013, 33(8): 1748-1752.

[17] Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Trans Knowl Data Eng, 2010, 22(10): 1345-1359.

[18] 罗平, 何清, 史忠植. 迁移学习研究进展[J]. 软件学报, 2015, 26(1): 26-39.

[19] Ando R K, Zhang T. A framework for learning predictive structures from multiple tasks and unlabeled data[J]. J Mach Learn Res, 2005, 6: 1817-1853.

Task Classif i cation of Right-hand and Foot Motion Imagery Based on Wavelet Packet Transform

【Key words 】CAI Miao, HU Ping
Department of Integrated Chinese and Western Medicine, Xi’an Children’s Hospital, Xi’an, 710003

electroencephalogram signals, feature extraction, wavelet packet energy, right-hand and foot motion imagery, classi fi cation

R318.04

A

10.3969/j.issn.1671-7104.2017.03.006

1671-7104(2017)03-0177-04

2016-09-06

蔡淼，E-mail: 304735716@qq.com

【 Abstract 】Brain-computer interface (BCI) provides a new choice for people who lose communication ability, so the recognition of EEG has been paid attention. In this paper, wavelet packet transform (WPT) and transfer learning (TL) were used to classify right-hand and foot motion imagery tasks. Firstly, based on analyzing the channels and frequency bands closely related to event-related desynchronization (ERD), the EEG signals are decomposed by WPT. Then the relevant nodes were selected to calculate wavelet packet energy. Finally, TL was used to classify the BCI competition III data IVa. The ideal classi fi cation result was obtained. The results show that the method is simple and effective, and it is valuable for online application of BCI.