(完整版電信號特征提取及分類第1章緒論1］復雜而精密的系統，對人腦神現的[2］。人的大腦由大約1011個互相連接的單元體組成，其中每個單元體有大約104個連接，極化神經元細胞時，可以記錄到一個持續1—2ERP的沿軸突波形傳導的峰形電位—動作電位。動作電位上升到頂端后開始下降,產生一些小的超極化波動后恢復到靜息電位(靜息電位(RestingPotential，RP）是指細胞未受刺激時,存在于細胞膜內外兩側的外正內負的電位差）。人的神經細胞的靜息電位為-70mV（就是膜內比膜外電位低70mV）。這個變化過程的電位是局部電位局部電位是神經系統分析整合信息的基礎細胞膜的電特性決定著神經元的電活動［3].當神經元受到外界刺激時，神經細胞膜內外兩側的電位差被降低從而提高了膜的興奮,細胞就像是腦內一個個“微小的發電站”。早在1857年，英國的青年生理科學工作者卡通當時并沒有引起廣泛的關注[4]。1872年，貝克（A。Beck）［5］再一次發表腦電波的論文，才引起廣泛關注，從而掀起腦電現象研究的熱潮。可是，直至1924年德國的精神病學家貝格爾（H.Berger[6］才真正地記錄到了人腦的腦電波人的腦電圖誕生了。(完整版電信號特征提取及分類圖1.1人腦圖 圖1。2神經元圖腦-機接口（Brain—ComputerInterface，BCI)是在大腦與外部設備之間建立的直接分析腦狀況和神經活動的主要依據7］號與神經系統腦部疾病如腦血管病、癲癇、神經,腦［].中來。（或腦干)損傷，肌萎縮性側索硬化等）的病人設計出合適的BCI裝置，讓病人恢復對身體肌作業人員提供輔助控制（如醫療手術、航空航天等)；三是BCI裝置可為人們提供另一種新的動規律的認知深度[9]。上述四方面中第一個應用場景是目前最重要的應用，而隨著研究的深入和擴展，其他的更多的應用場合也正在不斷的增加。時至今日，大多數BCI系統仍然處于實驗()取及分類室的理論研究階段，直到最近幾年才逐漸看到其在實用的醫療器械裝置中嶄露頭角。",然目前BCI技術的開發中還存在許多技術難關尚未攻破，但從目前所取得的階段性成果中我們,中國有大約三千兩百多萬[10]老年人需要不同形式的護理，而目前我國為老年人提供的服務設施嚴重短缺同時，由于各種災難和疾病造成的殘障人士也很多這就更加增大了對服務設施的需求.多發達國家采用服務機器人為老年人與殘疾人士提供服務，用來提高他們的生外部世界交流的能力，幫助他們重新返回現代社會是目前研究的熱點［11]。腦機接口是人腦與計.究，目前已經有一些小組成功開發了一些基本可用的腦機接口原型12］。另外，有些企業也認,作能跟上發展迅速的腦機接口潮流[13］。1924年德國精神病學家，耶那大學的HansBerger教授［14]首次發現并記錄到人腦由規則的腦電活動.通過大量的實驗研究確認了腦電圖（electroencephalogram，EEG)的存在后，他于1929年正式發表了“關于人腦電圖”的論文，對人腦的電活動和腦電圖做了精確的描述，.20世紀70年代,在美國國防部的國防先進技術研究署（DARPA，DefenseAdvancedResearchProjectsAgency，就是這個部門發明了互聯網）資助下，加利福尼亞大學洛杉磯分校（UCLA，UniversityofCaliforniaLosAngeles）開始嘗試利用腦電信號，將人類思考可以直接控制機械[16]。直到這時,腦-機接口(Brain-computerInterface，BCI)這個名詞才首(完整版電信號特征提取及分類次出現在科學文獻中。伴隨這個詞出現的是人們對大腦活動越來越深入的理解年,人們發現猴子可以在訓練后，能夠快速學會自由地控制初級運動皮層中單個神經元的放電頻率17；[18］中的復雜神經信,肢體一樣容易使用，人類在進化的1990年代中期隨著信號處理和機器學習技術的發展，腦機接口的研究逐漸成為熱點;1991年Wolpaw［19］等發表了通過改變腦電信號中的mu節律幅度來控制光標移動的成果，硬化(ALS）癥病人成功使用BCI系統控制一個拼寫裝置并與外界交流［20］。這個系統是根據這2000年,Nature發表了題目為“RealBrainsforRealRobots"的文章,報道了用從猴子大腦皮層獲取的神經信號實時控制一個千里之外的機器人的例子［21]。在Birbaumer等人工作的同時，一種以相關于運動想象的腦電信號變化作為控制信號的腦機接口系統也正在發展（PfurtsCheller和Neuper，2001）。這些系統在很長一段時間內都2002,SSVEP)有互適應能力的腦機接口算法;另一方面為研制具有實用價值的腦機接口裝置2004年6月，馬薩諸塞州福克斯煲的“賽博動力學"公司(Cyberkinetics）［22］為一位24歲的四肢癱瘓者馬特·內格爾(MattNagle）腦中植入了一枚芯片。這枚被叫做“腦門"（BrainGate)的芯片只有藥片大小。醫生為馬特做了一個開顱手術把“腦門放在大腦表面。在經過9個月的練習之后,馬特可以僅憑思考來收發電子郵件、控制一個機械手臂，甚至可以玩電腦游戲.“腦門”有96個電極,可以探測1000多個神經元細胞的活動.將這些神經元的活動發送出來，通過電腦的分析和處理,讓馬特獲得了更好的生活質量[23]。2008年，匹茲堡大學的一項研究成果發表在《自然》雜志上.他們的一個研究小組將微電,()取及分類肢的控制命令.經過一段時間的訓練之后，猴子學會了直接用大腦控制假肢運動，對抓取力度.的腦機接口實驗系統.德國柏林的Fraunhofer學院建立了一個叫做B腦機接口的原型機系統,.（motorimage）進行字符輸入的系統,這個系統的拼寫速度可以達到每分鐘7.6個字符［24]。在,入的字符.和之前的基于P300的字符拼寫系統相比，這個系統的通訊速度提高了很多.奧地利統，像多媒體控制、虛擬鍵盤拼寫等［25］。無獨有偶，德國著名的圖賓根大學的wolpaw等使用驗室Wadsworth中心主要研究如何用從運動感覺皮質測得的腦電信號控制指針的一維或二維運動[26]。為了便于比較和評估，他們研制了腦機接口—2000通用系統，目前世界上200多個實-2000通用系統。最近，腦電波研究小組和腦電波研究方向的人數都在增加,但即使都是做腦機接口研究的小組，也是從不同的方面找不同的突破口，用來實現不同的應用，可以說是百家齊放,百花爭鳴。早在1995年，全球的研究小組還不到6個，可是到了1999年，研究小組的個數已經超過了20，截止目前，世界各地的研究小組也有近百個.隨著研究小組的增多，與此相關的學術,,目前研究者們把用在各個領域的特征提取和分類的算法拿來研究對EEG信號的特征提取和分類。常用的特征提取算法有：自回歸模型（AR模型）、功率譜密度估計、小波變換、混沌法、公共空間模式、新型描述符、多維統計分析等。常用的分類方法有：線性判別、貝(完整版電信號特征提取及分類經過多年的努力，BCI的研究取得了不少令人欣慰的成果，但不可否認的是尚處于發展階段。目前，大多數BCI仍然處于實驗階段，大部分測試在正常人中進行，在殘疾人中測試較少[27。BCI:如何降低腦機接口系統對感覺輸出;估腦機接口系統性能的規范;如何更有效地剔除各種噪聲,獲取清晰的腦電信號，尋求有效的信腦機接口系統應用廣泛性的要求和使用者個體的差異；怎樣設計出更為合理的學習訓練方法,腦機接口系統的相互適應性［]。盡管目前存在的這些問題,,［室的一種理論,而是遍布我們生活的方方面面，各種新穎獨特、高效便捷的腦機接口設備將會深入供便利。P300 P300腦電波判斷出受試者回答的是“是”還是“非”的結果。本文選擇共空間模式（CSP)作為信號特征提取的算法,然后分別選擇了Fisher線性識別和支持向量機（SVM）作為信號分類識別的算法,處理實驗采集到的聽覺接口的研究背景和研究意義；第2章為腦機接口原理和實驗信號采集，首先介紹了腦機接口系統的基本結構和原理,之后介紹了腦電信號的特點和分類，重點介紹了P300信號，最后介紹了腦電信號的采集過程;第3章為腦電信號數據處理方法介紹，主要介紹了腦電信號的各種算法.法,重點介紹了共空間模式，最后，介紹了特征分類算法,重點介紹了支持向量機和Fisher線性判別;第4章為實驗數據處理，主要對實驗采集到的數據進行處理：腦電信號預處理、腦電信號特征提取、特征分類,最后分析和討論了數據處理結果；第5章為結論與展望,主要對全文(完整版電信號特征提取及分類第2章腦機接口原理和實驗信號采集將發生的特征信號。通過對該信號特征提取和分類識別，分辨出引發腦電變化的動作意圖,再,30圖2。1腦機接口系統圖(完整版電信號特征提取及分類區的活動信號會疊加在一起，最終形成看起來十分混亂的波形.幸好這些缺點可以部分克服[31]。微弱的電信號可以放大而波形的分離早在十九世紀就已經由法國數學家傅立葉解決。現在我們只需要解決腦電波和大腦思考行為的對應關系就可以[32］。“無創”。“有創"[33］.1999年，由JohnDonoghue領導的研究小組在Nature雜志上發表論文稱［34］，他們通過操控外界設備,如打開電視機，移動假肢，使用鍵盤打字,移動鼠標等.皮層表面電極方式和完.電的無創的腦機接口技術.但是,由于腦電信號在傳輸到頭皮時已經衰減很多，信號十分微弱，究方向主要就是集中在對頭皮腦電信號的檢測和分析上[35］。新一代的可全植入、多功能的微裝置也將實現［36］。還有一種無損植入型技術是非侵入式BCI。非侵入式BCI使用頭皮電極記錄大腦活動產生比，侵入式BCI有損傷，但精確;而非侵入式BCI無損傷，但信號模糊,不易捕獲，易被干擾通常應該選擇在安靜、避光和電磁干擾小的房間。臨床使用的腦電圖儀至少應有8個導聯，此外還有12、16、32導聯等多種規格型號.在認知研究中則一般使用32、64、96導聯的腦電圖()取及分類根據具體情況做出合理的取舍20距離分成10等份,按10，20，20,20,20，10(％）的順序做好標記。在此線左右等距的相應部位標定出左右前額點（FP1,FP2）、額點（F3,F4）、中間點（C3，C4）、頂點(P3,P4)和枕點 20%處,向后中央、頂、枕諸點的間隔均為圖2。210—20電極安放示意圖[］自發腦電一般處于幾微伏到75微伏之間。而由心理活動所引起的腦電信號比自發腦電信號更為微弱，一般在2到10微伏之間，它通常被淹埋在自發電位中，其成分不規則而復雜.腦電波(完整版電信號特征提取及分類圖2。3腦電信號,較小。一般按照頻率進行分類以表示各種成分.目前共有幾種不同的分法,其中以下兩種分法是最常用的,本文根據的是和田豐治的分法［40].和田豐治分類:δ波0.5—3Hz，θ波4-7Hz，α波8—13Hz，β波13-30Hz,γ波〉31Hz；Walter分類：δ波0.5-3。5Hz,θ波4—7Hz,α波8-13Hz,β波14—25Hz,γ波〉26Hz.α波健康人α波的平均振幅在30-50微幅，主要分布于頂枕區,一般呈正弦樣波。大多數健康成人的腦電以α波為主要成分，在覺醒安靜閉眼狀態時出現的數量最多且振幅也最高.β波β波的頻率范圍為14～30Hz，波幅范圍為5～30μV，它遍及整個大腦，以額葉和中央θ波θ波的頻率為4～7Hz,波幅范圍為10～40μV，兩側對稱，顳葉較明顯，一般困倦時出意愿受到挫折或抑郁時易出現，并可持續20~60秒之久，精神愉快時就消失。在老年期和病理狀態下θ波是很常見的波形δ波δ波出現在熟睡、嬰兒及嚴重器質性腦病患者中,幅值在100微幅左右。該波只能在皮質內發生,而不受腦的較低級部位神經的控制γ波γ波為30~60Hz頻率范圍內的腦電活動，波幅較低，在額區和前中央區最為明顯。現在,基于EEG的腦機接口主要集中在兩個方向［41］：誘發的信號和自發的信號。當某個異激后，視覺皮層將會產生視覺誘發電位.這兩類信號可以通過誘發產生,并且判斷準確率較高，(完整版電信號特征提取及分類關事件發生后的300ms,因此被命名為P300。研究表明，相關事件出現的概率越小，其引起的P300電位越顯著。基于P300的腦機接口的優點是使用者無須通過復雜訓練就可獲得較高的識出反應。在這種條件下，實驗記錄顯示在小概率刺激300ms之后會出現一個正波，這就是P300度增加而變長。關于P300和認知過程的聯系，一種猜測是，P300代表大腦結束知覺任務時的,間負電位，當結束反應時這些部位又受到抑制,正是在這個時候會出現P300。關于潛伏期的研究,Donchin認為［43］，P300的潛伏期反映的是大腦對外界刺激的反應所需的時間。這就意味著腦電信號.事件相關電位有兩個重要的特性：潛伏期恒定和波形恒定.與此相對,自發腦電則是分的綜合,包括自發腦電(噪聲)。將由相同刺激引起的多段腦電進行多次疊加，由于自發腦電或噪音是隨機變化，有高有低，相互疊加時就出現正負抵消的情況,而ERP信號則有兩個恒定，所以不會被抵消,其波幅反而會不斷增加，當疊加到一定程度時，ERP信號就會顯現出來了。所以，在一般的ERP信號研究處理中，為了提取事件相關電位變化，會進行多次重復刺(完整版電信號特征提取及分類圖2。2P300電位圖圖2。4典型P300電位圖7位在讀碩士，均身體健康、精神狀態良好、矯正視力在5.0以上、右利手;實驗室為環境安電活動的干擾，本次實驗選擇耳垂作為參考電極（耳垂位置為國際10—20系統標準參考電極實驗的刺激方案為聽覺刺激：錄制好6個需要回答“是”或“非”的問題（例如：你是中3機聽問題,然后用大腦回答.每位受試者做10組重復性試驗.聽覺刺激的問題時間間隔圖見圖圖2。5聽覺刺激的問題實驗圖(完整版電信號特征提取及分類圖2.6刺激方案時間間隔圖.記錄腦電圖的裝置，其工作做原理是:放置在頭皮的電極能夠檢測出微弱的腦電信號，其通過電極導聯耦合到差動放大器進行適當放大并且數字化,最后通過與其配套的PC上的記錄系統記錄下信號數據[45].聽覺刺激圖2.7腦電信號采集系統()取及分類上圖中腦電采集系統主要包括腦電放大器（本實驗采用的為一臺32導高空間分辨率腦電設備（NT9200））一臺、耳機線二根、USB電纜一根、電極帽一個、PC機兩臺（在采集腦電信號PCPC細性能指標如下?通道數:32；?采樣率：1000/1024次/秒；?共模抑制比：≥110dB；?噪聲電平:≤2.5μVpp;?時間常數控制：0.03s，0.1s，0。3s;?高頻濾波控制：15，30，45，60，120Hz；?工頻陷波：50Hz；?輸入范圍：±15mV；?分辨率：0.5μV；?標記信號:正極電壓：+4。5到+12V（串口8腳+9腳—）（圓形內+外-）?校準方式:方波；?隔離電壓：2500V；圖2。8腦電放大器NT92002。電極帽。用來采集頭皮EEG信號。電極帽上的電極被固定在軟橡膠內，以使佩戴者使用(完整版)腦電信號特征提取及分類保證電極與頭皮接觸電阻小于5kΩ，用于獲得精確的腦電數據。實驗室采用的是符合國際103.兩臺PC機，其中一臺PC用于安裝聽覺刺激系統，用來對受試者產生聽覺刺激。另外一臺.?CPU：IntelPentium3。0GHz，64位；?內存：4GBDDR?主板：華碩P5GD1PROFSB800M;?顯卡:七彩虹NVIDIAGeForce6200128M；?顯示器：聯想，19寸LCD；?硬盤：260GBSATA做實驗時，在一個光線可控的屋子里外界噪聲和電磁干擾。受試者坐在椅子中,兩手自然地放在扶手上，閉上眼睛,戴著帶有棉套的耳機,聽刺激方案設計的問"或者“不是”,每兩個問題之間間隔3s。腦電采集的通道數為32,采樣率為1000Hz.與腦電放大器配套的實驗數據采集軟件的界面（NT9200系列數字腦電分析系統）見下圖2。9,實驗采集圖2。9NT9200系列數字腦電分析系統(完整版電信號特征提取及分類圖2.10實驗采集到的腦電信號紹了腦電信號的采集和分類,重點介紹了P300電位;之后對腦機接口系統的基本結構和原理進(完整版電信號特征提取及分類第3章腦電信號數據處理腦電信號非常微弱，而背景噪聲卻很強.背景噪聲是指非研究對象的信號,如肌肉動作,眼睛圍大致在50uV—100uV之間，這些信號和腦電信號相比，表現比較強烈。這樣的話腦電信號的提取就很重要,相應地對設備精度,檢測系統參數配置、分析系統等都有很高的要求，只有這樣,其活動規律，只,,事件相關電位（ERP，EventRelatedPotential)是一種與特定事件發生進程有鎖時關系的是刺激事件引起的實時腦電波，時間精度可以達到納級。穩定的鎖時性和高時.(如視覺。以下通過事件相關電位的產生過程來介紹一些經典的ERP成分[47]，包括CNV，MMN,N400以及本文所研究的P300電位。研究方法包,所有的分類方法都是線性的，最常用的方法是Fisher判別分析和線性支持向量機（SVM）；獲勝算法大都使用了CSSD/CSP方法；某些獲勝算法聯合使用了振蕩事件相關去同步(ERD)和非振蕩事件相關電位（ERP）特征[48]。這些結論可以一定程度的反應腦機接口信號處理的(完整版電信號特征提取及分類,取。最后,還要對信號進行帶通濾波，一般為2—30Hz的濾波。人體腦電信號是一種很微弱的50Hz工頻干擾是由人體的分布電容所引分這種干擾[49]。另外,在做實驗時一般要考慮眼動干擾和心電干擾的因素。電極接觸噪聲是瞬號時要注意。濾波器類型的選擇要根據要處理的信號特征而定。Butterworth濾波器[50]的頻率,,帶內肯定有余量。Chebyshev濾波器[51]能將精確度均勻地分布在整個通帶內，或者均勻分布在,的。對性能要求一定的情況下，如果對頻率截至特性沒有特殊要求，考慮采用Chebeshev濾波腦電信號是由人體大腦發出的極其精密、相當復雜并且有規律的微弱信號,外界干擾以及其,上。數據預處理始終是是腦電信號處理中一項非常重要的內容等［52］.自回歸AR模型：AR模型參數的估計方法是基于分段法，待處理數據被分為若干段，估計每段數據的AR模型參數,這樣會得到一個關于AR模型參數的時間過程，AR的系數就是線性小波變換［53］:小波變換是一種時頻信號處理方法。小波這一術語,顧名思義，“小波”就是小區域、長度有限、均值為0的波形。所謂“小”是指它具有衰減性；而“波”則是指它的(完整版)腦電信號特征提取及分類(頻率的局部,獨立分量分析［54]（independentcomponentanalysis，ICA）:獨立分量分析是近年來發展.,獨立性.的濾波方法和累加平均方法相比，獨立分量分析在消除噪聲的同時，對其它信分析，如主成分分析（PCA）、奇異值分解（SVD）等傳統信號分離方法相比，獨立分量分析是公共空間模式［55］(CommonSpatialPattern，CSP）：共空間模式是假設在高維空間中共空間模式（CSP)算法最早是由Fukunage等人［56］提出來的，Fukunage等通過K—L變換共空間模式的目的是設計空間濾波器,數據通過空間濾波器后得到分類器所需要的特征向量..設計步驟如下：對于包含兩個任務信息A，B的信號矩陣（其中包括外界的噪聲)，來自A,B兩任務的信號源分別用和表示,利用下面兩個公式進行建模：（3.1）S

分別是和任務A、B有關的源，C

是他們相應的空間模式,S

是相應的空間模式。假設記錄腦電信號的通道數為N，每個導聯信號的采樣點數為T,則X

RNN可表示為SSPRPSSPRP(完整版電信號特征提取及分類

trace(X

3共空間模式方法的目的是從數據集和估計運動誘發的源分量CS和CS。對兩個協方 RR

3之后,構造白化矩陣并轉換協方差矩陣1P2UT

[1)S

2)S

對應的特征值之和總是為I，即

I。和分別是和的特征值矩陣，I為單位陣。假設的對角元素以降序排列，那么BFFUPBBP(完整版電信號特征提取及分類構造空間過濾器：根據特征值分解可知,和中最大的幾個特征值所對應的特征向量就

AB

FU

F

F每個導聯采集到的腦電信號組成一個N*T的矩陣，其中N為導聯的數量，T為采樣點數量。共空間模式把N*T矩陣的每一列視為N維空間的一個點，T個N維空間的點構成了一個點云。被試執行不同運動或運動想象任務時，產生EEG構成的點云呈現出不同的空間分布特CSP的具體計算過程可描述如下：

分別對兩組數據的協方差矩陣求平均，這樣能夠得到兩個協方差矩陣,這兩個協方差矩陣分 兩個協方差矩陣經白化轉換矩陣的變換擁有同樣的特征向量，然后，計算出線性變換矩陣.［59(完整版電信號特征提取及分類的類別。Schloegl的研究小組

［60]把適應性自回歸AR和線性判別分析相結合，取得了較為理貝葉斯-卡爾曼濾波(Bayesian-Kalman）［61]：貝葉斯—卡爾曼濾波是一種經驗估值方法，人工神經網絡[62］：人工神經網絡是腦機接口系統中應用最多的分類器,它的應用比較簡單,,理。最小二乘支持向量機是由Suykens等人提出來的一種新型的支持向量機,它是把最小二乘線性方法進入到支持向量機中，將標準的支持向量機中二次規劃問題轉變成線性方程求解,因此簡化了計算的復雜度,機器學習問題中。支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度）和學習能力.求解一個凸二次規劃的問題。進展.由于支持向量機的學習性能非常優秀，在數據挖掘中也備受青睞,現在已然成為機器學習，數據挖掘領域的研究熱點,并且也能夠一定程度上解決“維數災難”和“過學習"等經典難,()取及分類,,習抽象出規律并利用這些規律去分析新的實例對象，對新實例數據進行分析判斷從而得出比統計學習理論針對小樣本數據的統計問題建立了一套新的理論體系,這種理論是一種專門研.息條件下取得最優的結果.統計學習理論主要包含以下4方面的內容:(1)經驗風險最小化準則下統計學習一致性的條件；(2)在上述概念基礎上的反映統計學習方法推廣能力的界；(3)在這些界的基礎上的針對小樣本數據的歸納推理原則；（推理的方法。所謂VC維,是對函數類的一種度量,可以簡單的理解為問題的復雜程度，VC維數越高,一個問題就越復雜。正是因為SVM關注的是VC維，后面我們可以看到，SVM解決問題的時候,和樣概念，在計算函數集與分布無關的泛化能力界中起著重要的作用。維的直觀定義是對一個指示函數集F，如果存在h個樣本能夠被函數集里的函數按照所有可能的2h種形式分開（如圖.圖3。1VC維示意圖結構風險最小化原則（StructuralRiskMinimization,SRP)：結構風險最小化是針對小雜性越高，VC維度越高，置信界限就越大,這將導致真實風險與經驗風險之間的可能的差別越的增加，經驗風險將減小置信范圍將增加(完整版電信號特征提取及分類h1 hk hn F1 Fk 圖3。2結構風險最小化示意圖支持向量機是從線性可分情況下的最優分類面(OptimalHyperplane)發展來的.所謂最優分類面，就是要求分類面不但能夠將兩類樣本點無誤地分開,而且要使得兩類的分類空隙最i 別1,記yi

為1，否則記為yi

線性情況:(3。9)i i wxb1,y1,i1,2,…n0)

b)1,i1,2,…,n

3.11((完整版電信號特征提取及分類 圖3.3最優分類超平面(3.12）訓練樣本集為線性不可分時，需引入非負松馳變量，i1,2,…,n，分類超平面的最優化問題其中C是懲罰參數，它為一個常數，C越大表示對錯誤分類的懲罰越大。采用拉格朗日乘子法其中

，0，i=0，此時y0,i0,此時x(完整版電信號特征提取及分類316分析式。153。16),下發現：1.

=0,則

〈C，則y

b)1

b)1，xi

為支持向量,我們定義0<〈C所對應的支持向量為非邊界支持向量;3．

b)1

為支持向量,我們定義C所對應的支持向量為邊(3.17）

非線性情況對于非線性分類問題，我們通過一個非線性函數將訓練集數據x從原始模式經過這個非線w*(x)b0 y(x)signw*(x)b (完整版電信號特征提取及分類3212)式中K(x,x)(x)?(x)被稱為核函數。判別函數為：i j i 323其中閾值b為：

yK(x?x)

3.24通過非線性函數將樣本數據映射到高維特征空間，并在特征空間中構造最優分類超平面,在求難維數問題.核函數的選擇必須滿足Merce條件。由統計學習理論可知，對于分類器f，實際風險Rstr(f)和經驗風險Remp（f）之間至少有1的概率滿足(0）str

(f)R

(f)

hln(2l/h1)ln(l/4)

h||w||2r21

326其中,r是包絡訓練數據的最小球半徑.機器學習過程不僅要使經驗風險最小,還要使VC維盡量的小,這樣對未來樣本才會有較好的泛化能力，這是結構風險最小化準則的基本思想。支.(完整版電信號特征提取及分類函數有：p階多項式核函數、徑向基（RadialBasisFunction，RBF）核函數、正切(Sigmoid)雙曲核、級數核、神經網絡核函數、—樣條核。前，已報道的基于P300的BCI分類系統大部分都只選用其中的部分導聯，因為選擇部分導聯,導聯的選取可以通過簡單的比較4導聯,8導聯,16導聯以及32導聯的運算結果之后，根據經驗預先設定，也有研究者導聯，獲得最大貢獻導聯的算法tpfpfn3.27上式為遞歸算法中計算識別正確率的公式,其中tp為正確的正值,fp為錯誤的正值，fn為錯誤的負值。首先將全部的32路導聯都參與進算法中，這樣可以得到一個C任意一路導聯命名為k,余下導聯參與算法會獲得一個新的C

值,最后總共會得到32個C這32個C值中最大的對應的導聯可以認為識別正確率貢獻最小，即其中所含P300信號最小，故將其剔除。剩下的31導聯也按照上述的計算方法進行計算，逐個剔除。這樣遞歸計算之后得到的剩余導聯組合就是對識別貢獻最大的。基于P300信號的腦機接口系統所選擇的導聯應3.4.3Fisher線性判別Fisher線性判別分析的基本思想：通過尋找一個投影方向(線性變換），將高維問題降低Fisher線性判別分析,就是通過給定的訓練數據，確定投影方向W和閾值y1。W的確定

ixXi

3.28i x,,s(x 1l(完整版電信號特征提取及分類

(xm)(xm)T,i1,2i 330)

在投影后的一維空間中，各類樣本均值m

。樣本類內離散度和總類內

離散度

Fisher準則函數使得投影后各類滿足兩個性質,小越好。·各類樣本盡可能離得遠即樣本類間離散度越大越好WS

( y

(mm)/2。 3.Fisher線性判別的決策規則

)2

3.32

(完整版電信號特征提取及分類圖3.4Fisher線性判別流程圖(完整版電信號特征提取及分類第4章實驗數據處理首先對包含噪聲的信號進行2—30Hz的切比雪夫I型帶通濾波處理。由于實驗采集到的數據量非常大，所以濾波之后對數據進行了10倍的降采樣處理，降低維度。然后進行實驗數據.上降低了運算速度，更有利于實現腦電信號實時處理。選取8個導聯[Fz,Cz，Pz，Oz,T5P3P4］。2.濾波。每一路提取的信號都由1個8階的切比雪夫I型帶通濾波器進行頻率通過區間為,能要求一定的情況下,如果對頻率截至特性沒有特殊要求，考慮采用Chebyshev濾波圖4。1切比雪夫濾波(完整版電信號特征提取及分類

降采樣.采樣頻率為1000Hz，進行10倍降采樣，降采樣后點數為100Hz。這里的單次圖4.3未降采樣的信號和將采樣后的信號,（第2個聽覺刺激的問題后的1s)，1540-1640（第3個聽覺刺激的問題后的1s），2090-2190(第4個聽覺刺激的問題后的1s)，2545-2645（第5個聽覺刺激的問題后的5.數據調整。眨眼、眼睛的轉動、肌肉活動，或者測試者的移動都可以導致EEG信號產生整。計算x，使得腦電采樣數據中有90%的數值小于x；再計算有y，使得腦電采樣數本文將重復實驗得到的數據進行10次疊加,疊加后得到了比較明顯的含有P300信號的數據。圖4。4實線是含有特征信號的腦電數據，在300ms～500ms之間有較大的波峰，為P300成(完整版電信號特征提取及分類圖4。4經10次重復試驗平均后得到的P300信號（虛線為無聽覺刺激時的腦信號）實驗過程中的每一個問題所產生的腦電波的有效數據是一個8（個導聯）＊100（個數據點）的矩陣（點云）。每個受試者做10組實驗，每組實驗聽6個問題，所以每個受試者會進行10＊6=60次聽覺刺激,產生60個樣本。總共有7個受試者，所以，本次實驗共采集了7＊每個聽覺刺激實驗采集到的EEG是一個N＊T矩陣，其中N為導聯的數量,T為采樣點數量．共空間模式把N*T矩陣的每一列視為N維空間的一個點,T個N維空間的點構成了一個點云．被試執行不同運動或運動想象任務時，產生EEG構成的點云呈現出不同的空間分布特CSP"CSP(完整版電信號特征提取及分類圖4。5yes類和no類的特征值tpfpfn(4.1）fpfn為錯誤的負值數。首先將實驗得到的全部的32路導聯都參與到該算法中，可以得到一個C到一個新的C值；計算出的總共32個C中，值最大的C對應的導聯可以認為對分類貢獻最 小，即所含P300信號最小，將其剔除，這樣就剩下31導聯的數據。對剩下的31導聯也按照獻最大的.基于此算法，從最初32導聯計算，最后得到的8個最大貢獻導聯為：[Fz,Cz，Pz，OzT5,P3P4].下圖4。6和圖4。7描述了基于Fisher線性判別和SVM（支持向量機)算法時，不同數量.(完整版電信號特征提取及分類圖4.6數據全部作為訓練組和測試組的分類結果圖4。7數據部分作為訓練組部分作為測試組的結果確率，表格4。2為把數據的一半作為訓練組，然后另一半作為測試組進行分類的正確率對應數量正確率

1

2

3

4分類器Fisher線性判別

63.9%

73.6%

85。0％

91。3%SVM（支持向量機) 70.1% 77。4％ 89。7％ 93。2％(完整版電信號特征提取及分類表4。1交叉數據作為訓練組和測試組的分類結果數量正確率

1

2

3

4分類器Fisher線性判別

52.0%

67。7%

79。4%

84.5%SVM(支持向量機) 65。2％ 72.1% 81。7% 89.3％表4。2195組數據作為訓練組,剩余195組數據作為測試組的結果特征向量.由分類結果所示,對于每一條識別曲線，隨著分類輸入的特征向量的個數的增加,Fisher線性判別和CSP(共空間模式）的分類正確率無一例外都有明顯的上升。另外，SVM（支持向量機）的分類正確率比Fisher線性判別的分類正確率要高一些，對于處理P300信號.分類共空間模式，把兩類不同空間的信號映射到同一個空間,信號進行分類，使用支持向量機和Fisher算法。之后把腦電信號數據的處理結果進行分析和討論.研究結果顯示，支持(完整版電信號特征提取及分類第5章結論與展望波進行識別：通過預處理、特征提取、分類，最后達到能根據受試者的P300腦電波判斷出受,信號在空間分布上的差別最明顯.之后對得到的兩類信號進行分類，使用支持向量機和Fisher研究結果顯示,支持向量機和Fisher線性判別對P300信號都具有很高的識別率和識別速度；對390次實驗采集的真實P300腦電信號樣本進行數據分析，在標準識別方案的基礎上，88.9,沿性問題，而本文也僅對腦機接口的P300信號處理部分進行了研究，該課題進一步的研究工?在離線信號解析的研究中,人們的注意力往往集中在如何提高識別的正確率，而不太顧及實時在線處理。如果處理的速度跟不上,即使在離線分析中取得了很好效果的算法也無法應用到實際的在線應用系統中.本課題的計算量比較大，對實時信號的處理會有比較夠進行實時處理的算法.作者相信，隨著各學科技術的不斷發展腦機接口技術會越來越多地應(完整版電信號特征提取及分類[1]ErikssonJ,KarvanenJ,KoivunenV。SourceDistributionAdaptiveMaximumLikelihoodEstimationofICAModel[A］.HelsinkiProc.ofSecondIntl.WorkshoponIndependentComponentAnalysisandBlindSignalSeparation,2000：227-232.[2]高上凱.淺談腦—機接口的發展現狀與挑戰。中國生物醫學工程學報，2007.12[3]陳瑞中。關于ECG信號處理與分析的研究[D］.廣西師范大學,2000[4]AnAlgorithmforIdle—StateDetectionandContinuousClassifierDesigninMotor-Imagery-BasedBCI［J］。JournalofElectronicScienceandTechnologyofChina，2009，(01).[5]張新聞。腦—機系統中特征提取方法的研究［D］.蘭州理工大學,2007.[6]黃安湖.P300腦電誘發電位的分類識別及在腦機接口中的應用［D］.山東大學,2008.[7]魏文慶。基于EEG的BCI的研究與設計[D]。浙江大學,2007。methodsinBCIresearch。IEEETrans.Neural.Sys。Reh。Eng，2003，11(2）：192~195。[9]UlrichHoffmann，Jean-MarcVesin，KarinDiserens，TouradjEbrahimi。AnefficientP300-basedbrain-computerinterfacefordisabledsubjects.JournalofNeuroscienceMethods，2007[10]Jia-CaiZhang,Ya—QinXu，LiYao.P300DetectionUsingBoostingNeuralNetworkswithApplicationtoBCI.ComplexMedicalEngineering，2007;CME。2007,:Page(s）1526—1530.[11]楊幫華.自發腦電腦機接口技術及腦電信號識別方法研究［D]。上海交通大學,2007[12]安文娟。Fisher和支持向量綜合分類器［D］.遼寧師范大學,2010。[13]殷志偉.基于統計學習理論的分類方法研究［D］.哈爾濱工程大學，2009。[14]李金華.基于SVM的多類文本分類研究［D］.山東科技大學，2010[15]王曉明.基于統計學習的模式識別幾個問題及其應用研究[D］.江南大學,2010.[16]Jia—CaiZhang,Ya-QinXu，LiYao.P300DetectionUsingBoostingNeuralNetworkswithApplicationtoBCI.ComplexMedicalEngineering，2007；CME。2007,：Page(s)1526—1530.[17]ShiliangSun，ChangshuiZhang.AdaptivefeatureextractionforEEGsignalclassification[J］.Medical&BiologicalEngineering&Computing,2006,44(10）.[18]熊楊.最小二乘支持向量機算法及應用研究[D].國防科學技術大學，2010.[19]M.J.Zhong,F。Lotte,M。Girolami，A.Lécuyer.ClassifyingEEGforbraincomputerinterfacesusingGaussianprocesses.PatternRecognitionLetters,2008，vol.29(no。3)：pp。354—359.[20]張振旺.腦機接口中想象運動分類算法的研究［D]。山東大學,2007.[21]劉東輝,卞建鵬,付平,劉智青.支持向量機最優參數選擇的研究[J]。河北科技大學學報,2009,（01）。[22]HoneyC,SpornsO,CammounL，etal。Predictinghumanresting-statefunctionalconnectivityfromstructuralconnectivity.ProcNatlAcadSciUSA,2009，106(6):2035-2040.[23]任亞莉.基于腦電的腦-機接口系統[J]。中國組織工程研究與臨床康復,2011,（04)。[24]李曉歐，樂建威.基于小波預處理和貝葉斯分類器的P300識別算法［J]。數據采集與處理，2011，(04）。[25]鄧趙紅.基于神經模糊的模式識別的幾個問題的研究[D］.江南大學,2008[26]AStudyofElectromyogramBasedonHuman—ComputerInterface［J］.JournalofElectronicScienceandTechnologyofChina，2009,（01).[27]劉鐵軍，徐鵬,余茜，堯德中.運動想象的腦機制及其在運動功能康復中應用的研究進展［J]。生物化學與生物物理進展，2011,(04）。(完整版電信號特征提取及分類[28]J.Müller—Gerking,G。Pfurtscheller,H。Flyvbjerg.Classificationofmovement—relatedEEGinamemorizeddelaytaskexperiment。ClinicalNeurophysiology，2000,vol.111（no。8）：pp.1353—1365.[29]A.Rakotomamonjy,V.Guigue.BCICompetitionIII:datasetII—ensembleofSVERPforBCIP300Speller.IEEETrans。Biomed。Eng，2008，vol。55（no.3):pp.1147-1154.[30]堯德中,劉鐵軍,雷旭,楊平，徐鵬，張楊松。基于腦電的腦—機接口:關鍵技術和應用前景［J］.電子科技大學學報，2009，(05）。[31]ProbabilisticMethodsinMulti—ClassBrain-ComputerInterface［J］.JournalofElectronicScienceandTechnologyofChina,2009，(01）.[32]S.G.Mason，A。Bashashati，M.Fatourechi,K。F.Navarro,G。E。Birch.AComprehensiveSurveyofBrainInterfaceTechnologyDesigns［J]。AnnalsofBiomedicalEngineering，2007，35(2）。[33]ZhangH，GuanC,WangC。AsynchronousP300—basedbrain-computerinterfaces:acomputationalapproachwithstatisticalmodels.IEEETransBiomedEng，2008,55(6）：1754-1763。[34]BlankertzB，TomiokaR,LemmS，etal.OptimizingspatialfiltersforrobustEEGsingle—trialanalysis。IEEESignalProcessingMaga-zine，2008,25（1):41—56。[35]WangYijun，WangRuiping,GaoXiaorong，GaoShangkai。Brain-computerInterfacebasedontheHigh-frequencySteady-stateVisualEvokedPotential。FirstInternationalConferenceonNeuralInterfaceandControlProceedings，pp.37-39,May。2005。[36]YokyMatsuoka，AnthonyBrockwell，TakeoKanade，NancyPollard,AndrewSchwartz,GeorgeStetten。ANeuromuscularFrameworkforMotorControl。CarnegieMellonUniversity，［DoctoralDissertation],2007[37]徐丁峰,程明，高小榕,高上凱.數字信號處理器在腦—機接口系統中的應用［J］。北京生物醫學工程，2002，(04）.[38]李麗君,黃思娟,吳效明，熊冬生。基于ECOG的運動想象特征提取和分類[A］。中國生物醫學工程學會成立30周年紀念大會暨2010中國生物醫學工程學會學術大會壁報展示論文[C］,2010[39]CommonSpatialPatternEnsembleClassifierandItsApplicationinBrain-ComputerInterface