基于个体自适应的运动想象脑电信号特征表征研究

Abstract

针对运动想象脑电信号因受试者个体差异导致辨识精度低的问题，本文提出了基于个体自适应的运动想象脑电信号特征表征方法。首先从个体差异和频带信号特点出发，提出了基于拓展式相关特征（ReliefF）的自适应通道选择方法；通过提取各频带信号5个时频域观察特征，运用ReliefF算法对各频带信号通道进行有效性评估，进而实现各频带信号通道选择。其次提出了基于快速相关滤波算法（FCBF）的共空间模式（CSP）特征表征方法（CSP-FCBF）；通过CSP提取脑电信号特征，运用FCBF进行特征优化得到最优特征集，从而实现运动想象脑电信号状态有效表征。最后使用支持向量机（SVM）作为分类器进行分类辨识。实验分析结果表明，本文所提方法能有效实现运动想象脑电信号状态表征，四类状态平均辨识精度达到了（83.0±5.5）%，较传统的CSP特征表征方法提高6.6%。本文在运动想象脑电信号特征表征方面取得的研究成果，为实现自适应的脑电信号解码及其应用奠定了基础。

引言

脑-机接口（brain-computer interface，BCI）技术是人类与计算机之间的一道通信桥梁，运动失能患者可以通过该交互方式与外界设备（轮椅等）建立连接，从而实现行动自主化^[1-2]。当前BCI系统中广泛使用的运动脑电（electroencephalogram，EEG）信号模式有诱发式和自发式，其中诱发式有稳态视觉诱发电位（steady-state visually evoked potential，SSVEP）和事件相关诱发电位^[3]，自发式主要有运动想象^[4]。相比较诱发式运动EEG信号模式，自发式的运动想象EEG信号无需外界刺激信号激发，更切合实际应用，受到了较高关注。科学研究表明，当人们在真实运动或想象运动时，大脑皮层相关的运动感知区域在α(8~12 Hz)节律和β (16~28 Hz)节律上会出现事件相关去同步化（event related desynchronization，ERD）现象和事件相关同步化（event related synchronization，ERS）现象^[5]，根据这一现象，可以通过想象身体不同部位的运动，利用产生的EEG信号来实现“脑控”。近年来研究者们提出了大量关于运动想象EEG信号的相关辨识方法，包括基于时域、频域、时频域和空域等方面的特征提取算法以及各种用于辨识的分类器^[6-7]。由于EEG信号较复杂，且目前解码理论和方法还处于探索阶段，因此针对个体的差异性，探索具有自适应性能的辨识方法，具有非常重要的实际意义。

特征表征是运动想象EEG信号辨识研究的重要工作之一，其核心工作就是相关EEG信号通道、频段的选择和特征选择及优化。许多研究者针对运动想象EEG信号特征表征开展了相关研究。Das等^[8]通过有效值和Z值的选择方法，挑选出区分度较高的通道，实现通道选择。Qi等^[9]根据不同受试者的特点提出基于时空滤波的通道选择方法，利用EEG信号的时空信息，挑选出不同个体的最佳通道集，一定程度上减小了个体之间的差异性。Park等^[10]在频段划分的基础上，利用共空间模式（common space pattern，CSP）获得差异最大化的空间特征，并引入时域特征和相关系数来进行CSP滤波器组的选择，弥补了CSP在单一频段上的缺陷。付荣荣等^[11]在使用稀疏CSP对EEG信号进行特征提取后，通过费雪（Fisher）线性判别分析对提取的特征进行优化和分类，实现运动想象EEG信号最佳判别分析。骆金晨等^[12]通过提取时频-空域-非线性动力学的初始特征向量，用主成分分析方法进行特征优化，剔除了对分类贡献较小的特征，取得了较好的辨识效果。郜东瑞等^[13]通过提取时域、频域和空域特征，使用粒子群优化算法进行特征选择优化，最后利用3种分类器构成集成分类器对运动想象EEG信号实现辨识。

由于不同个体在运动想象时，ERD/ERS现象较为明显的通道往往不尽相同，即使是同一个体其最佳通道和最佳频段也受自身内外在因素的影响而变化，导致最终特征差异性较大，从而影响分类辨识精度^[14]。目前在运动想象EEG信号辨识研究中，研究者们在信号通道和频段选择以及特征优化方法相关参数选择方面，未能充分考虑个体的差异性。

针对不同受试者个体差异性，为提高运动想象EEG信号特征的表征性，本文提出了基于个体自适应的运动想象EEG信号特征表征方法。首先从信号通道选择角度出发，提出了基于拓展式相关特征（expansive relevant features with label F，ReliefF）的个体自适应通道选择方法，确定个体不同频段EEG数据信息的最佳通道，进而有效地实现信息优化。其次从特征选择角度，利用多频带的CSP可以获得更大特征空间的优势，提出了基于快速相关滤波算法（fast correlation-based filter，FCBF）的CSP特征表征方法（CSP-FCBF），对特征进行优化，进而实现运动想象EEG信号的有效表征。最后采用支持向量机（support vector machine，SVM）进行四类运动想象EEG信号分类辨识。本文所提方法充分考虑了个体的差异性，因而期望可以实现具有个体自适应的运动想象EEG信号特征的表征。

1. 运动想象EEG数据介绍

本文实验使用的运动想象EEG数据来自美国纽约州卫生署中心组织构建的公开数据库中的运动想象EEG数据库（网址为：https://archive.physionet.org/physiobank/database/eegmmidb/）^[15]，该数据库中包括109人采样频率为160 Hz的64导联通道数据^[16]。该数据库设计的试验需执行左拳、右拳、双拳和双脚四类任务，每位受试者四类运动想象次数共90次。每次试验持续约8 s，其中0~2 s时屏幕黑屏，受试者处于放松准备状态，2~6 s时在电脑屏幕上下左右区域会随机出现目标作为提示（左：左拳运动；右：右拳运动；上：双拳运动；下：双脚运动），受试者根据屏幕提示完成相应的运动想象试验，然后进入2 s的休息时间，随后进入下一个试验，具体单次试验步骤时序图如图1所示。该数据库为四类运动想象EEG数据库，目前国内外已有众多研究者基于该数据库开展了相关运动想象EEG信号辨识工作^[17-19]。

图 1.

Sequence diagram of single motor imagery experiment

单次运动想象实验时序图

2. 方法

2.1. 数据预处理

本文试验数据每次运动想象时间为4 s，运动想象时间段有640个采样数据点，需对每次运动想象数据进行预处理及样本划分。首先通过小波去噪、共平均参考、基线校正等进行数据前期预处理；再使用6阶巴特沃斯滤波器对预处理后的EEG信号进行8~32 Hz的带通滤波，并将其划分为6个子频带：频带A₁（8~12 Hz）、频带A₂（12~16 Hz）、频带A₃（16~20 Hz）、频带A₄（20~24 Hz）、频带A₅（24~28 Hz）和频带A₆（28~32 Hz）；最后采用窗口长度为160个数据点并以50%重叠滑窗的方法，对每一个子频带数据进行样本划分。因此，每位受试者的每个频带得到630个样本数据，其高维数据形式为160×64×630 (数据点×通道×样本)。

2.2. 基于ReliefF的自适应通道选择

众所周知，针对运动想象EEG信号的辨识研究大多主要依据运动想象时发生的ERD/ERS现象，然而ERD/ERS现象一般出现在大脑运动感知区域，由于EEG信号为微弱的非平稳信号，不少通道所采集的运动想象EEG信号信噪比低，影响后续特征提取以及辨识精度，因此如何选择有效信息通道具有非常重要的意义。目前在运动想象EEG信号通道选择方面，通常采用全通道或固定通道的方式^[20-21]，具有一定的局限性。考虑到不同频带信号的特点以及个体的差异性，本文提出了基于ReliefF的自适应通道选择方法，通过评估观察特征量的分布情况来自适应地选择各频带有效通道，从而实现信息优化；避免了常规全通道和固定通道处理方法导致数据量大、噪声多、普适性差等缺点。

相关特征（relevant features，Relief）算法最初被提出用于解决二分类问题的特征权重问题。为了能处理多类问题，有研究者对其进行了拓展，提出了ReliefF算法^[22-23]。ReliefF算法在处理多类问题时，每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本，从每个R的不同类的样本集中均找出k个近邻样本，然后更新每个特征的权重，重复抽取m次，其单次权重迭代如式（1）所示：

1

其中，为第个样本中第个特征的权重；为与同类的个最近邻样本中的第个样本；为在训练样本中属于类别的样本所占比值；为与同类的样本占总样本的比值，其中为样本的标签；为与不同类的个最近邻样本中的第个样本。函数表示样本和样本在特征上的差，其计算方法如式（2）所示：

2

基于ReliefF的通道选择方法如图2所示，主要步骤如下：

图 2.

The adaptive channel selection method based on ReliefF

基于ReliefF的自适应通道选择方法

步骤1：针对每一个子频带（A₁、A₂、A₃、A₄、A₅和A₆），提取每个样本64通道的5个时频域观察特征：即频带能量（band energy，BE）、功率（power）、功率谱密度（power spectral density，PSD）、瞬时能量（instantaneous energy，IE）和小波包变换（wavelet packet transform，WPT），初步得到每个频带样本的320维特征。

步骤2：对每一位受试者不同子频带下的所有特征，利用ReliefF算法计算各特征的权重，并对所有特征的权重进行由大到小排序。

步骤3：挑选出各子频带权重前70%的特征，观察其所处通道的分布，当通道分布观察特征数大于等于3时，该通道即为此子频带信息活跃通道，该通道保留；从而完成各子频带通道的删选。

2.3. 基于CSP-FCBF的运动想象EEG信号特征表征

CSP由于可以得到运动想象空间信息分布情况而被广泛应用^[24]。其主要通过寻求空间滤波器，以最大化两个类别之间的差异来达到区分效果；使用求得的空间滤波器对测试样本信号进行空间滤波，得到滤波后的信号，并对其通过求取协方差对数得到对应的CSP特征向量，其计算过程如式（3）和式（4）所示：

3

4

其中，为空间滤波后信号的第行信号，为CSP空间滤波器的特征参数，var(∙)为方差运算符，ln(∙)为对数运算符。

根据CSP算法可知，的选取影响所构建空间滤波器的效果。越大，保留的空间特征信息越多，同时特征维度过大，冗余信息越多，易影响分类精度和分类时耗；越小，空间特征信息损失越多^[25]。本文考虑到多频带CSP特征提取时可能存在特征维度过大，特征优劣性不确定的情况，结合其他研究者的相关分析^[26]，通过实验综合考虑最终确定每个CSP的。通过CSP提取运动想象EEG信号特征后，为避免一些冗余特征和特征噪声的影响，采用FCBF对特征进行优化，筛选出较优特征集，从而通过CSP-FCBF方法实现对运动想象EEG信号的有效表征。

FCBF是一种快速过滤的特征选择算法，它的主要思想是通过使用对称不确定性（symmetric uncertainty，SU）取代信息增益性（information gain，IG）来衡量一个特征是否与某一类别标签相关或者冗余。由于FCBF对信息进行了归一化处理，补偿了IG在选取特征上的偏差，因而在进行特征相关性比较时，采用SU比采用IG更为客观，其流程主要包括两个步骤：

步骤1：删选不相关特征。找到一个和分类相关的特征子集S_list，计算每个特征与分类之间的值，并按照降序排列；当（为设定的阈值），则认为特征是相关特征，将其组成新的相关特征子集S_new。

步骤2：去除冗余特征。选择值最大的特征（S_new中的第一个特征）作为主特征；然后在S_new中依次选择小于主特征的特征，分别比较该特征与主特征的和该特征与分类的，剔除的冗余特征，重复此步骤直至结束。

由此可见，要想获得优质的特征表征子集，首先需要确定阈值。然而，过大阈值将会删除过多有用的特征，影响表征效果；过小的阈值将不能有效删除冗余特征。考虑到的选择和每个特征与分类之间的值相关，因此本文采用均值法对阈值进行确定，其公式如式（5）所示：

5

其中，为特征维度，为与分类之间的值。

2.4. SVM分类器

各分类器由于分类原理不同，其特点不同，适用的场合也不尽相同。在众多分类器中，SVM因其在小样本分类问题中具有较强的适应性、较高的训练速度、良好的泛化能力而应用广泛^[27]。SVM基于结构风险最小化原理，克服了传统机器学习中的维数灾难问题，其基本目标是在维的数据特征空间中找到一个最优超平面，最终通过求解点到该最优超平面的距离来实现分类，其分类决策函数如式（6）所示：

6

其中，sgn（∙）表示符号函数，表示的最优解，表示分类的阈值，表示核函数，表示分类函数，表示第个样本，表示第个样本的结果标签，其中分类样本的所属类别根据分类函数的正负判断。

SVM分类方法通常也称为核分类方法，通过核函数引入可以将低维特征空间中的非线性问题转化为高维特征空间中的线性问题。目前，常用的核函数有线性核函数、多项式核函数和径向基核函数等。根据先验经验，当样本量一般，特征维度不大时，通常选择径向基核函数可以得到优于其他核函数的分类效果。因此，本文采用径向基核函数的SVM作为运动想象EEG信号辨识分类器。

通过本文所提基于ReliefF的自适应通道选择方法和基于CSP-FCBF的特征表征方法，所构建的运动想象EEG信号辨识方法原理框图如图3所示。通过所提基于ReliefF的自适应通道选择方法，根据各个体特点及频带信号特点实现各子频带最优通道的选择，有效避免非显性通道噪声的干扰。通过所提基于CSP-FCBF的特征表征方法，对运动想象EEG信号进行特征提取及优化，进而实现运动想象EEG信号的有效表征，最后通过SVM分类器实现四类运动想象EEG信号的辨识。

图 3.

Principle diagram of motor imagery EEG signal recognition

运动想象EEG信号辨识原理图

3. 实验结果及分析

为了提高运动想象EEG信号的辨识精度，从个体差异性角度出发，本文提出了基于个体自适应的运动想象EEG信号特征表征方法，通过基于ReliefF的自适应通道选择方法实现各子频带最优通道选择，通过CSP-FCBF方法实现运动想象EEG信号的有效特征表征。为验证本文所提方法效果，从多角度开展实验分析研究，展现所提方法的性能。

为确保实验的客观性和合理性，本文连续选择数据库前10位受试者进行分析验证，将原始的EEG信号数据集按照7:3划分为训练集和测试集，在量化分析时每类实验重复5次以减小偶然性造成的影响，以5次平均值作为实验结果。针对四类运动想象分类识别，采用一对一CSP模式，共构建6个空间滤波器，并按照CSP-FCBF方法进行特征提取及优化，最后采用SVM分类器进行分类识别。

3.1. 通道选择性能分析

根据本文所提基于ReliefF的自适应通道选择方法，前10位受试者（编号：S001~ S010）不同频带挑选出来的通道个数如表1所示。从表1中可以看出，采用本文所提方法，每位受试者各频带所挑选的通道数大多约为40个，所选通道会因个体特点和频带信号特点存在差异。

表 1. Number of channels selected for each subject in different frequency bands.

各受试者在不同频带的通道挑选数量

个体编号	各频带挑选通道数
	A1	A2	A3	A4	A5	A6
S001	43	43	44	40	45	37
S002	39	42	43	45	47	43
S003	40	42	41	44	36	43
S004	42	40	39	39	43	46
S005	41	44	45	48	41	39
S006	45	43	43	40	39	40
S007	47	42	47	54	43	45
S008	38	45	46	44	44	46
S009	44	45	42	44	38	52
S010	43	43	42	45	37	43

为便于具体观察各频带通道的分布情况，如图4所示，具体展示了编号S002受试者A₁~A₆各频带通道挑选情况。从图4中可以明显看出，经过挑选的各频带通道，主要集中在主感觉运动区域周围，由于频带信号特点的不同，不同频带的显性通道分布存在一定的差异，很好地体现了通道选择的自适应性。为了进一步分析通道选择方法的效果，以CSP提取特征，SVM作为分类器，分别分析了全通道和所提通道选择方法的性能差异，具体如表2所示。从表2通道挑选前后辨识精度对比可以看出，除受试者S004和S010在通道减少后辨识精度略微有所下降以外（分别略降0.3%和0.2%），其余每一位受试者的辨识精度皆有所提升，如受试者S006，经过通道挑选后精度提升了10.4%。总的来看，采用自适应通道选择方法后平均辨识精度为（78.9±6.8）%，较全通道方法提升了2.5%。可以看出，并非信息通道越多效果越好，非显性通道信息通常会成为噪声，从而影响辨识效果。根据个体和信号频带特点进行显性信息通道选择，可以有效提高数据处理效率，且有助于提升运动想象EEG信号的辨识效果。

图 4.

Channel label map of each frequency for S002

S002各频带通道标记图

表 2. Comparison of the performance of each subject before and after channel selection.

各受试者通道挑选前后性能比较

方法	辨识精度										平均辨识精度
	S001	S002	S003	S004	S005	S006	S007	S008	S009	S010
64通道	86.3%	81.5%	86.0%	81.0%	69.6%	62.1%	65.0%	85.8%	68.3%	78.7%	（76.4±9.3）%
通道挑选	86.8%	82.5%	87.3%	80.7%	74.2%	72.5%	69.7%	86.0%	70.8%	78.5%	（78.9±6.8）%

3.2. 特征优化性能分析

为了有效表征运动想象EEG信号，本文提出了基于CSP-FCBF的特征表征方法，通过CSP提取相关特征，运用FCBF算法进行特征优化，从而实现有效表征。在特征优化FCBF算法中，通过均值法来确定阈值，为验证阈值的有效性，研究了不同阈值选取对特征维度及分类辨识精度的影响。

首先，根据FCBF算法流程，计算各频带每个特征与类别之间的SU值，并根据的值进行降序排列。然后分别根据每个特征与类别标签值变化范围的来选取不同阈值，观察其特征筛选后剩余特征维度及相关辨识精度，其阈值选取公式如式（7）所示：

7

其中，λ = 10～90，δ为阈值。

以S002受试者为例，根据所提方法进行通道选择，然后通过CSP提取相关特征，通过选取不同对应的阈值运用FCBF进行特征优化（），以SVM为分类器进行分类辨识，具体结果如表3所示。从表3可以看出，随着值增大（减小），经过FCBF算法后剩余的特征维度逐渐增加，辨识精度也逐渐上升随后下降。理论上会存在一个最优值，此时特征维度适中，辨识精度最高。根据本文的均值法确定阈值后（对应），特征维度为43，辨识精度为84.1%，表明均值法所选取的阈值较恰当。在30~60不同值时，结果如图5所示。从图5中可以看出，均值法所确定的阈值（对应）能够实现较高的辨识精度。

表 3. Performance comparison of different thresholds for FCBF.

FCBF不同阈值性能比较

	10	20	30	40	50	60	70	80	90	均值法对应（48）
特征维度	12	22	33	40	50	60	62	62	63	43
辨识精度	76.2%	80.1%	80.4%	82.5%	81.5%	81.0%	82.5%	81.5%	82.5%	84.1%

图 5.

The performance of different λ (30~60)

不同λ（30~60）性能

为了更全面地验证本文所提方法的具体效果，如表4所示，给出了10位受试者在CSP、ReliefF-CSP及ReliefF-CSP-FCBF三种方法下的具体分类辨识精度。从个体来看，采用ReliefF-CSP-FCBF方法所有个体的辨识精度皆有提升，与传统的CSP方法相比前后精度提升最高和最低量分别为17.7%（S006）和1.8%（S001），单个个体最高辨识精度达到了89.3%（S003）。整体来看，通过引入基于ReliefF的通道选择方法后，平均辨识精度提高了2.5%；通过综合采用本文所提的ReliefF-CSP-FCBF方法，平均辨识精度达到了（83.0±5.5）%，提高了6.6%。

表 4. The identification accuracy of different processing methods of each subject.

各受试者不同方法下辨识精度

受试者	辨识精度
	CSP	ReliefF-CSP	ReliefF-CSP-FCBF
S001	86.3%	86.8%	88.1%
S002	81.5%	82.5%	84.1%
S003	86.0%	87.3%	89.3%
S004	81.0%	80.7%	88.4%
S005	69.6%	74.2%	81.0%
S006	62.1%	72.5%	79.8%
S007	65.0%	69.7%	74.4%
S008	85.8%	86.0%	88.2%
S009	68.3%	70.8%	75.1%
S010	78.7%	78.5%	81.5%
平均辨识精度	（76.4±9.3）%	（78.9±6.8）%	（83.0±5.5）%

此外，利用本文所提方法进行了左右手二分类实验研究，辨识精度为91.39%。将本文工作与文献[28-30]报道的基于相同数据库所开展的工作进行了比较，如表5所示。文献[28]采用WPT和深度神经网络（deep neural network，DNN）分别实现两类运动想象EEG信号的特征提取和辨识分类。文献[29]运用基于显性不相关复合变换的CSP（strong uncorrelating transform complex CSP，SUT-CSP）进行特征提取并以随机森林（random forest，RF）作为分类器进行分类辨识。文献[30]利用卷积神经网络（convolutional neural network，CNN）来实现两类运动想象EEG信号的辨识。研究者探索的方法各不相同，从比较结果来看，相较于其它3种研究方案，本文方法取得了更好的运动想象EEG信号辨识效果，从而进一步证明了所提方法的优势和有效性。

表 5. Performance comparison between the method of this paper and other research methods.

本文方法与其它研究方法性能比较

文献来源	方法	辨识精度
文献[28]	WPT+DNN	68.21%
文献[29]	SUT-CSP+RF	80.05%
文献[30]	CNN	86.49%
本文	ReliefF+CSP+FCBF+SVM	91.39%

4. 结论

为提高运动想象EEG信号辨识精度，从个体差异性角度考虑出发，提出了基于个体自适应的运动想象EEG信号表征方法。通过基于ReliefF的自适应频带通道选择方法，根据不同个体和频带信号的特点有效选择显性信息通道，避免了全通道信息处理数据量大、噪声多、普适性弱等缺点。通过CSP-FCBF方法对运动想象EEG信号进行特征提取及优化，进而实现运动想象EEG信号状态的有效表征。通过大量实验比较分析，充分表明了本文所提基于个体自适应的运动想象EEG信号表征方法的有效性。最终，运用本文所提方法四分类中单个个体最高辨识精度达到了89.3%，10位受试者平均辨识精度为（83.0±5.5）%。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献说明：作者潘礼正和丁忆参与论文选题、实验设计、相关算法实现及论文写作；作者王顺超参与实验数据整理及实验结果分析统计；作者宋爱国参与实验设计及论文修改。所有作者都阅读并确认了最终稿件。

Funding Statement

国家自然科学基金面上项目（61773078）；江苏省研究生科研与实践创新计划项目（KYCX20_2533）；江苏省重点实验室开放项目（YCCK201303）

National Natural Science Foundation of China; Jiangsu Academic Degree Committee; Jiangsu Provincial Department of Science and Technology