基于空間濾波與特征增強的腦電圖信號特征提取

基于空間濾波與特征增強的腦電圖信號特征提取

0腦電特征提取腦電圖是大腦神經鞘電生理活動的綜合結果。隨著時間和空間的變化，頭蓋骨、腦脊液、頭皮膚等多層組織在頭皮表面上傳播，隨著時間和空間的變化而形成。經電極檢測，可獲得eeg腦電圖（eeg）。自Berger發(fā)現(xiàn)腦電以來,EEG研究已有近百年歷史。EEG綜合反映了大腦皮層神經電生理活動信息,在腦認知科學研究與神經醫(yī)學臨床得到了廣泛的應用。感覺(視覺、聽覺、體感等)器官(眼睛、耳朵、皮膚等)受到外界刺激(光、聲、電、磁、力等)或參與記憶、判斷和思維等認知任務時頭皮電極可記錄得到隨時間、空間變化的電位信號。經以刺激時間為基準,將多次刺激記錄數(shù)據進行疊加平均處理后得到所謂“誘發(fā)電位”(evokedpotential,EP)或“事件相關電位”(eventrelatedpotential,ERP)信號。EP或ERP(這里統(tǒng)稱為“認知腦電”)與感覺、認知活動密切相關,是感知神經通路與大腦皮層各功能區(qū)對外界感官刺激與內在認知思維的綜合反應,含有豐富的神經生理學、腦認知與心理學信息,被譽為“觀察大腦思維的窗口”,有很高的科學研究與實際應用價值。腦電本身信號既很微弱,又經顱腦多層組織容積導體濾波衰減和多種生理信號混疊效應,使之信噪比十分低下、噪聲干擾復雜。故有效地提取腦電信號特征、準確識別其反映大腦思維活動的模式,一直是腦電研究與應用領域中令人感興趣的前沿熱點難題。這在不依賴于常規(guī)外周神經和肌肉組織、僅利用腦電和工程技術手段實現(xiàn)“讓思想變成行動”的對外信息交流和控制的腦-機接口(brain-computerinterface,BCI)系統(tǒng)而言,更是首要的技術關鍵。目前基于腦電(EEG或ERP)的BCI系統(tǒng)中腦電特征提取通常有頻域或時域方式,主要方法有功率譜分析法、自適應自回歸模型法、小波變換法。此外還有信息熵、多通道線性描述符、相位耦合測量等算法。但這些方法實施前均少有考慮對原始腦電數(shù)據進行有效的空間濾波以增強信號特征,進而提高模式識別準確率。本文嘗試采用基于極能差(extremeenergydifference,EED)和共空間模式(commonspatialpattern,CSP)的空間濾波算法來濾除顱腦組織對腦電信號衰減和混疊的影響,以左右手想象動作電位實驗為例并結合支持向量機(supporvectormachine,SVM)分類方法來分析比較EED和CSP算法的空間濾波與特征增強效果,以期為有關腦認知科學研究與腦-機接口(BCI)系統(tǒng)設計及應用提供技術參考。1試驗方法和過程本文設計了左右手想象動作電位實驗。如圖1所示,利用Matlab虛擬現(xiàn)實界面提示受試者進行左右手想象動作。顯示屏的左側、中間、右側三個位置各有3個目標球體,另有一個較小球可由中間起始位置隨機地在左、中、右三個位置之間變換,每個位置停留4-6s不等。受試者舒適端坐于顯示屏幕前,雙手放松置于椅扶手上,根據小球位置變化提示進行相應的左、右手想象動作。當小球與位于屏左側的目標球接觸時,受試者進行左手想象動作;反之,當小球與位于屏右側的目標球接觸時,受試者進行右手想象動作;而在小球與中間目標球接觸時,則不做任何想象動作。整個實驗過程中使用美國TDT(Tucker-DavisTechnologies)腦神經信號采集分析系統(tǒng),按照國際標準10-20導聯(lián)電極布局(如圖2所示)采集受試者的頭皮腦電信號(使用Ag/AgCl電極,采樣率為1kHz。),并同步記錄屏上小球實際位置。實驗受試者共計6人(男、女各3名,5名右利手、1名左利手),其中受試者6為截癱3年以上的女性患者,受試者4為截癱30年以上的男性患者。實驗中每位受試者進行8組實驗,每組包括36次想象動作任務,總計36×8=288次任務。每組任務之間中斷2min以降低疲勞影響。2空間濾波算法和特征的改善2.1空間濾波器的基本原理極能差(EED)是一種基于信號協(xié)方差的空間濾波方法。在進行多導聯(lián)腦電信號處理過程中,信號協(xié)方差可以用來判斷能量的總體分布。用和分別表示二類不同的原始腦電信號,其中n表示導聯(lián)數(shù),m為樣本總數(shù)。原始腦電信號通過5～30Hz帶通濾波去除其直流分量,使之成為近似零均值,表示為X1以及X2。不同兩類腦電信號的協(xié)方差可以表示為和,上標T表示轉置(以下同)。設F=[F1,F2,F3,…,Fn]為一組空間濾波器,n為濾波器的個數(shù)。經帶通濾波后的腦電信號再經過空間濾波成為FTX,其相應的能量為式中C為信號X的協(xié)方差。定義為式中E表示空間濾波后兩類信號的能量差異。F滿足FTF=I(I為單位矩陣)。其中λ為拉格朗日乘子矩陣。對拉格朗日函數(shù)進行微分求其極值,其中λ為拉格朗日乘子矩陣。對拉格朗日函數(shù)進行微分求其極值:假設F=Fmax和Fmin時,E(F)取得正向最大值與負向最大值,則有式中λmin=λ1≤λ2≤λ3≤…,λn-1≤λn=λmax為矩陣(C1-C2)的特征值,而其對應的特征向量Fmax與Fmin即是所要尋求的能夠使E(F)正向最大化和負向最大化的空間濾波器。而其它λ所對應的特征向量Fi則使E(F)的取值介于[λmin,λmax]之間。在實際應用中,由某個空間濾波器獲得的單源信號不足以涵蓋所有反映該類信號的完整信息,往往需要對多個信息源進行提取以獲得足夠特征量來保證任務模式的識別率。為此,需要根據E(F)獲得正/負向最大或次極大最優(yōu)解來確定幾個空間濾波器,以便用于腦電信號的特征增強。表1列出了每名受試者分別利用原始腦電數(shù)據與極能差空間濾波后數(shù)據所得最優(yōu)信號源數(shù)目及相關系數(shù)。其中受試者5的相關性最高,原始腦電數(shù)據最優(yōu)達0.49,而EED空間濾波后最優(yōu)相關性增至0.52。截癱多年的受試者4、6的腦電經EED空間濾波后相關性也有明顯增加。2.2空間濾波器的建立共空間模式(CSP)是一種對于二分類數(shù)據進行多導聯(lián)空間濾波的技術。CSP算法的目標是設計空間濾波器,在高維空間中給出的兩類中找到一個空間濾波器,能夠最大化第一類狀態(tài)方差,同時最小化另一類方差,使得濾波以后的信號與其中一種狀態(tài)的相關度最高,同時抑制與另一種狀態(tài)的相關度。它的優(yōu)點是不需要預先選擇被試者特異性頻帶,在少次提取上表現(xiàn)出的優(yōu)勢比較明顯。設采集到的兩類信號矩陣(導聯(lián)×樣本長度)中想象左手動作電位信號矩陣為Xl,想象右手動作電位信號矩陣為Xr,則其空間協(xié)方差矩陣可以分別表示為其中T表示轉置,trace(A)表示取對角元素之和。由于Xl和Xr信號采集條件相同,將它們分別用源分離建模,則Xl和Xr,分別可以線性地表示為其中S1為針對于左手動作的信號源,C1為相應的特征向量;Sr為針對于左手動作的信號源,Cr為相應的特征向量。本研究的目的是要建立空間濾波器Fl和Fr,用它們可以提取信號源的成分Sl和Sr:這里Fl為與左手動作對應的空間濾波器,Fr為與右手動作對應的空間濾波器,它們通過利用兩類數(shù)據訓練而成。其中U0為特征向量,Λ為其特征值。從而白化矩陣表示為,則和可以表示為根據主成分分析,有可以證明Yl和Yr具有相同的特征向量,它們的特征值對角矩陣有Λl+Λr=I,其中I為單位矩陣,Λl的最大值則對應Λr最小值。定義第一個特征向量為Ul,最后一個特征向量為Ur,顯然Ul和Ur為區(qū)別兩類運動的最優(yōu)特征向量。故最終分別對應與左右手想象動作的空間濾波器Fl,Fr可以表示為圖3為由共空間模式訓練所得最優(yōu)區(qū)分左右手想象動作兩個空間濾波器的權重分布地形圖。為便于比較,圖中對所有權重取絕對值。圖3(a)為由訓練數(shù)據得到的與左手想象動作相關度最高的空間濾波權重分布圖;圖3(b)為與右手想象動作相關度最高的空間濾波權重分布圖。它們的分布與左右手在大腦皮層所對應感覺運動區(qū)域一致。3事件相關去同步分析如前所述,大腦皮層神經元集群電活動的原始信號受到頭蓋骨、腦脊液、頭皮等多層組織的傳導衰減與其它干擾混疊,使得頭皮電極采集所得腦電(EEG或ERP)的信噪比及空間分辨率皆很低。尤其是空間分辨率低將導致空間位置不同導聯(lián)所檢測的信號嚴重彌合、難以區(qū)分。圖4中對左右手想象動作經過空間濾波前后的時頻分析圖作了比較。圖4(a)是空間濾波前的時頻分析圖,為分別進行左右手想象動作時采集到的信號,基于小波分析對手部相關導聯(lián)C3和C4位置進行時頻分析的結果。其中C3是記錄右手感覺運動區(qū)域位置腦電信號的導聯(lián),C4是采集左手感覺運動區(qū)域位置腦電信號導聯(lián)。圖4((a)中上面兩幅圖是想象左手動作時,分別對C3、C4導聯(lián)多次任務時頻分析疊加平均后的功率譜密度顯示,可以看出進行左手想象動作時,在其對側右邊相應的大腦感覺運動區(qū)域C4位置采集到的信號,5～30Hz頻段內表現(xiàn)出明顯的能量降低。同樣,如圖4(a)下面兩幅圖所示,當右手進行想象動作時,對側左邊相應的大腦感覺運動區(qū)域C3出現(xiàn)明顯的能量下降。這一現(xiàn)象被稱為事件相關去同步(eventrelateddesynchronization,ERD)現(xiàn)象。但因為大腦皮層的信息混疊,如圖4(a)中上面兩幅圖所示,想象左手動作時,在其同側C3導聯(lián)(對應于右手的感覺運動區(qū)域)處也能檢測到較明顯的頻譜能量降低;圖4(a)下面兩幅圖所示,右手想象動作進行時,有類似現(xiàn)象發(fā)生。如此使得原本空間位置差異顯著導聯(lián)的腦電信號區(qū)分度減小。圖4(b)為經過共空間模式訓練的左右手兩類空間濾波器濾波后,相關分量時頻分析的結果。其中圖4(b)上面兩幅圖為想象左手想象動作經過左右手相關空間濾波后時頻分析的結果,可以看出濾波后左手相關腦電信號分量表現(xiàn)出明顯的事件相關去同步特征,而右手相關腦電信號分量卻沒有明顯改變。圖4(b)下面兩幅圖為右手想象動作經過空間濾波后時頻分析的結果,同樣可以看出濾波后,與右手想象動作相對應的腦電信號分量事件相關去同步特征得到加強,而與左手想象動作腦電信號特征沒有明顯改變。這說明空間濾波方法降低了不同腦電分量之間信息的彌合程度,最大化地凸顯一類信號同時抑制另一類信號成分。因此原始腦電數(shù)據經過共空間模式訓練濾波后才有可能得到如圖3所示與左右手在大腦皮層所對應感覺運動區(qū)域一致的最優(yōu)區(qū)分左右手想象動作的權重分布地形圖。圖5展現(xiàn)了左右手想象動作空間濾波前(上圖)后(下圖)的電位分布。圖中所示為左右手相關度最高的C3、C4兩導聯(lián)腦電信號(分別進行左右手想象動作時電位值的分布),其中*號為想象左手動作時C3和C4導聯(lián)的電位分布,+號表示想象右手動作時C3和C4導聯(lián)的電位分布;橫坐標為C4導聯(lián)采樣點的電位值,縱坐標為C3導聯(lián)采樣點的電位值。從圖5上面3個子圖(空間濾波前)可以看出,雖然C3和C4導聯(lián)分別與右手和左手具有最大的動作相關性,但兩個導聯(lián)的想象動作電位樣本點嚴重彌合,從直觀上幾乎無法區(qū)分兩個信號?？臻g濾波方法(如共空間模式)的優(yōu)勢在于可以借助一定的算法盡可能降低不同導聯(lián)腦電信號之間信息的彌合程度,最大化地凸顯一類信號同時抑制另一類信號成分;經空間濾波之后,信號被映射到另一個等維的特征空間,并在該特征空間取最優(yōu)的空間分布狀態(tài),以使信號的區(qū)分度呈最大化。如圖5下部(空間濾波后)所示,借助共空間模式空間濾波算法使兩個導聯(lián)的想象動作電位的區(qū)分度呈最大化90°分布。其中一個分量與左手動作的相關性達到最大,與右手的相關性最小;另一個分量與之相反,與右手動作的相關度最大而與左手動作的相關性最小,此時二個分量互相關信息最少。從而使原來嚴重彌合、幾乎無法區(qū)分的兩個導聯(lián)想象動作電位具有較直觀的區(qū)分度。圖6給出了左右手想象動作電位實驗中6名受試者的原始腦電信號數(shù)據分別使用極能差(EED)、共空間模式(CSP)空間濾波后和直接提取功率譜能量后再用支持矢量機(SVM)進行模式識別的效果比較。結果表明,對所有受試者,EED與CSP空間濾波的特征強化效果非常明顯,經兩種空間濾波后的模式識別率均優(yōu)于直接使用原始腦電數(shù)據的識別率,其中運用CSP空間濾波后的特征提取與模式識別效果普遍最優(yōu)。4種腦電信息特征差異增強方法的比較極能差(EED)與共空間模式(CSP)都是基于兩個協(xié)方差矩陣、同時聯(lián)合對角化的空間特征加強算法,從多通道EEG數(shù)據中提取各類的空間分布成分。EED利用拉格朗日函數(shù)對左右手想象動作電位信號的能量差值進行微分求其極值,尋求能夠正向最大化和負向最大化的空間濾波器以增強這兩類信號的區(qū)分特征。而CSP則利用主成分分析和子空間分析來提取這兩種思維任務的空間成分,然后根據所提取到的空間成分構建相應的各類空間濾波器使得這兩種類別信號特征之間的差異最大化,從而增強這兩類信號的差異特征。本文比較分析了這兩種腦電信號特征增強方法及其用于處理6名受試者實驗數(shù)據的效果,結果表明二者都能有