引用本文

张毅, 尹春林, 蔡军, 罗久飞. Bagging RCSP脑电特征提取算法. 自动化学报, 2017, 43(11): 2044-2050. doi: 10.16383/j.aas.2017.c160094

ZHANG Yi, YIN Chun-Lin, CAI Jun, LUO Jiu-Fei. Bagging RCSP Algorithm for Extracting EEG Feature. ACTA AUTOMATICA SINICA, 2017, 43(11): 2044-2050. doi: 10.16383/j.aas.2017.c160094

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160094

关键词

脑电信号，特征提取，RCSP-A，Bagging RCSP 

摘要

正则化共空间模式（Regularized common spatial pattern，RCSP）解决了共空间模式（Common spatial pattern，CSP）对噪声敏感的问题，但它在小样本脑电数据集中的表现并不理想.针对上述问题，本文提出了Bagging RCSP（BRCSP）算法，通过Bagging方法重复选取训练数据来构造一个个包，并提取RCSP特征，再利用线性判别分析（Linear discriminant analysis，LDA）将特征向量映射到低维空间中，最后采用最近邻（Nearest neighborhood classifier，NNC）算法判定分类结果.线下实验证明，相比较聚合正则化共空间模式（RCSP with aggregation，RCSP-A），BRCSP的平均准确率提高了2.92%，且方差更小，鲁棒性更好.最后，在智能轮椅平台上，10位受试者利用BRCSP算法实现左右手运动想象脑电信号控制轮椅完成"8"字形路径的实验，证明了该算法在脑电信号特征提取中的有效性.

文章导读

脑-机接口(Brain-computer interface, BCI)系统利用电生理信号, 将用户的意图解码为控制命令来操纵设备[1].根据获取用户的思维意图的方式不同, 脑电信号分为脑电(Electrocorticogram, ECog)、电脑图(Electro encephalon graph, EEG)、脑磁图(Magnetoencephalogram, MEG)和功能磁共振成像（Functional magnetic resonance imaging, FMRI）等[2].在这些信号中, EEG脑电信号因其非入侵性和低成本的特点而广受关注, 很多脑-机接口系统都是采用EEG脑电信号进行研究[3].

当前在基于EEG脑电信号的BCI研究主要集中于运动想象脑电信号方面.运动想象是通过“想”的方式来产生相关信号, 对运动想象的研究表明, 单侧肢体运动或者想象运动会对α波(8~13 Hz)和β波(14~30 Hz)的节奏活动和功率谱产生抑制/增强的效果, 即事件相关去同步/同步(Event related desynchronization (ERD)/Event related synchronization (ERS))现象[4].根据这一现象, 迄今为止研究者们已经提出了许多特征提取方法, 例如AR模型[5]、Wavelet变换[6]、希伯特黄变换(Hilbert-Huang transform, HHT)[7]和CSP等.近些年, 共空间模式(Common spatial pattern, CSP)被证明是一种提取不同类型的运动想象信息的有效方法, 该方法的关键在于联合对角化协方差矩阵.即通过数学变换, 使得一类的方差最大化, 另一类的方差最小化.

CSP方法的主要问题是对噪声非常敏感[8].因此, 基于CSP的衍生方法层出不穷, 例如复合共空间模式(Composite common spatial pattern, CCSP)[9]、空间稀疏共空间模式(Spatially sparsed common spatial pattern, SSCSP)[10]、正则化共空间模式(Regularized common spatial pattern, RCSP)[11]、正则化集成滤波器共空间模式(Filter ensemble regularized common spatial pattern, FERCSP)[12]和滤波器组公共空间模式(Filter bank common spatial pattern, FBCSP)[13].其中, 最有效方法是正则化共空间模式(Regularized common spatial pattern, RCSP)[11].该方法借助迁移学习的思想, 将其他被试的脑电信号引入到CSP学习过程中, 保证了被试的脑电信号协方差的估计偏差, 使之相较于传统的CSP方法表现更好, 在小训练样本集中这一点表现的尤为突出[11], 然而, 这种算法在小样本脑电数据集中的稳定性还有待提高, 且随着训练样本的增加, 其分类准确率增长缓慢, 时间复杂度上升.

为此, 本文提出了一种Bagging RCSP算法, 该算法通过重复选取样本构造数据包, 并利用每个数据包分别对样本提取RCSP特征.通过与包括RCSP在内的CSP衍生算法进行分析比较, 结果表明, Bagging RCSP在时间复杂度较低的情况下, 能保持较高的识别率和稳定性, 优于RCSP及CSP的其他衍生算法.最后, 在智能轮椅平台上对Bagging RCSP算法进行验证, 进一步说明该算法在脑电信号特征提取中的有效性.

图 1  基于Bagging RCSP的左右手运动想象脑电信号处理过程

图 2  单个信号采集过程

图 3  左右手运动想象脑电信号的特征值分布

本文提出了用于特征提取的Bagging RCSP算法, 并在BCI Ⅲ数据集上验证其有效性, 结果表明, 相比较其他改进的CSP算法, Bagging RCSP的平均准确率更高, 特征提取耗时更少.然后利用Bagging RCSP和RCSP-A在10人采集的左右手想象运动数据集上进行离线仿真, 并对结果进行T检验, Bagging RCSP较RCSP-A的识别率提高显著, 同时具有更小的标准差, 说明Bagging RCSP方法在脑电信号特征提取中的有效性.最后, 在智能轮椅平台上, 利用该算法实现了运动想象脑电信号在线控制智能轮椅左转和右转, 其平均正确率为87.19%, 最高时达到了96.06%, 优于其他CSP及其衍生方法.但脑电信号的平均识别率仍有待进一步的提高, 多类脑电信号的特征提取和分类还需继续探索研究.

作者简介

张毅

重庆邮电大学先进制造工程学院教授.主要研究方向为机器人及应用, 脑电信号处理.E-mail:zhangyi@cqupt.edu.cn

蔡军  

重庆邮电大学自动化学院副教授.主要研究方向为模式识别, 智能控制.E-mail:caijun@cqupt.edu.cn

罗久飞  

重庆邮电大学先进制造工程学院讲师.主要研究方向为信号处理, 机械故障诊断与模式识别.E-mail:luojf@cqupt.edu.cn

尹春林 

重庆邮电大学自动化学院硕士研究生.主要研究方向为脑电信号处理.本文通信作者.E-mail:yinchunlin0210@foxmail.com