基于ICA-CSP-KNN的运动想象脑电意图识别.pdf

2023 年 30 期创新前沿科技创新与应用Technology Innovation and ApplicationDOI：10.19981/j.CN23-1581/G3.2023.30.002基于 ICA-CSP-KNN 的运动想象脑电意图识别鲍甜恬，欧阳虹霞，杨天宇，陈伊桓（南京师范大学泰州学院，江苏 泰州 225300）脑-机接口（brain computer interface，BCI）技术，不依赖肌肉和外部神经组织而建立的能够将人的正常大脑信号进行传输的通道，能够实现人脑与计算机直接进行信息的交互与外部设备的控制1-2。脑-机接口的诞生与发展可以为因中枢神经或者运动系统受到损伤的患者提供辅助康复，因而在神经康复领域备受关注。本文研究的是基于运动想象（motor imagery，MI）脑电信号（electroencephalography，EEG）的 BCI 系统中的意图识别。运动想象是指被试者通过想象特定动作而不实际执行该运动的行为，BCI 系统通过采集人脑头皮脑电信号进行与外界交互。研究发现，运动想象脑电信号具有与实际运动脑电信号相同的节律且与有创EEG 信号测量相比，具有无创、高时间分辨率、低成本等特点3。如何有效提取 EEG 信号的特征以及提高分类准确率是近些年研究 MI-EEG-BCI 系统的重点及难点。何群等4采用自适应无参经验小波变换和选择集成分类模型相结合的方法提高脑电信号的识别率，取得了89.95%的准确率。陈黎等5提出一种基于欧氏空间和加权逻辑回归迁移学习的运动想象脑电解码方法，比同类算法相比提高了 4%的分类准确率，改善了分类模型的通用性问题。刘宝等6提出一种基于 POS-CSP-SVM 结合的运动想象脑电信号意图识别方法，利用粒子群优化算法得到 EEG 信号的最佳时段，并采用共空间模式（Common Spatial Pattern，CSP）对最佳时段进行特征提取，最后通过支持向量机对提取的特征进行分类，取得了 89.65%的分类准确率。孙会文等7提出了一种基于希尔伯特黄变换（Hilbert-Huang Trans原form，HHT）的 EEG 信号识别方法，使用支持向量机进行特征分类，取得了较好的分类准确率。基金项目：江苏省高等学校大学生创新创业训练计划项目（202213843014Y）；泰州市科技支撑项目（SSF20210077）第一作者简介：鲍甜恬（1993-），女，硕士，助教。研究方向为模式识别。摘要：运动想象意图识别的准确率的提高对脑-机接口技术的发展具有重要意。该文以第郁届 BCI 竞赛的数据集玉的运动想象 EEG 信号为基础，采用 ICA-CSP-KNN 相结合的方法对脑电信号进行意图识别。首先用独立成分分解（ICA）对脑电信号进行预处理，去除其中包含的眼电等干扰噪声，利用共空间模式（Common Spatial Pattern，CSP）进行特征提取，最后采用 K 邻近算法（K-Nearest Neighbor，KNN）进行特征分类。实验结果表明，该方法的分类准确率均达到 93%，有效实现运动想象解码，证明该方法的有效性。关键词：脑电信号；运动想象;共空间模式；K 邻近；ICA-CSP-KNN中图分类号院R318文献标志码院A文章编号院2095-2945渊2023冤30-0006-04Abstract:The improvement of the accuracy of motor imagery intention recognition is of great significance to the developmentof brain-computer interface technology.Based on the motor imagery EEG signal of the data set I of the fourth BCI competition,this paper uses the method of ICA-CSP-KNN to identify the intention of EEG signals.Firstly,the independent component analysis(ICA)is used to preprocess the EEG signal to remove the interference noise such as ophthalmogram,and the common spacepattern(CSP)is used for feature extraction.Finally,the K-Nearest Neighbor(KNN)is used for feature classification.Theexperimental results show that the classification accuracy of this method is 93%,which effectively realizes the decoding of motionimagination and proves the effectiveness of the method.Keywords:EEG;motor imagery;Common Spatial Pattern;K-Nearest Neighbor;ICA-CSP-KNN6-创新前沿科技创新与应用Technology Innovation and Application2023 年 30 期1实验数据和方法1.1实验数据实验数据采用 2008 年第郁届 BCI 比赛德国柏林团队提供的数据集玉的运动想象脑电数据8。该数据由7 名健康的受试者提供（ag）。包含标准集和评估集 2部分，本文选用的是标准集数据。单次实验过程如图 1所示。在 02 s 内，显示屏持续显示“+”号，此时受试者保持放松状态；第 2 s 时，显示屏随机显示饮、引、寅，提示受试者做出相应的运动想象（左手、右手、脚），箭头持续到第 6 s；之后显示屏空白，提示受试者休息，一次实验结束。在实验过程中，每个受试者进行200 次实验。实验采用 59 导联对受试者进行数据采集，频率为 100 Hz。1.2研究方法为了获得较高的运动想象 EEG 信号分类准确率，本文提出一种基于 ICA-CSP-KNN 相结合的运动想象EEG 信号特征提取及特征分类算法。该算法主要包括ICA 算法对脑电信号进行眼电等干扰信号去除，CSP算法对脑电信号进行特征提取和 KNN 算法对特征进行分类识别。该算法的整体结构框图如图 2 所示。图 1单次运动想象实验过程图 123456780时间/t+放松运动想象休息图 2ICA-CSP-KNN 算法的整体结构框图1.2.1基于 ICA 的预处理EEG 信号包含丰富的时间和空间信息，但是有用的信息往往被淹没在无关的背景活动中，而头皮脑电信号由于其本身特性可能来自于不同位置且代表不同生理活动的源成分信号的线性叠加9。因此本文采用ICA 去除脑电信号中包含的眼电等信号的干扰。逐次提取的快速独立分量分析（FastICA）算法是基于定点迭代结构的算法，目的为找到具有最佳投影方向的单位矩阵 W，使原有数据在W方向上的投影WTX 的非高斯性取得最大值10。1.2.2特征提取对经过预处理的数据经过 CSP 提取特征。CSP 能够有效地提出 EEG 信号的空域特征11。具体过程如下所示。1）提取对应的混合空间协方差矩阵 RX1和 X2归一化后的协方差矩阵 R1和 R2分别为式中：XT表示 X 矩阵的转置，trace（X）表示矩阵对角线上元素的和 Ri（i=1，圆）分别为平均协方差矩阵。2）对 R 进行奇异值分解，得到白化特征值矩阵 P式中：U 是矩阵的特征向量矩阵，姿 是对应的特征值构成的对角矩阵。T111T11222T2212trace()trace()TX X，X XRX XRX XRRRT1T，RU UPUt/s7-2023 年 30 期创新前沿科技创新与应用Technology Innovation and Application3）对协方差矩阵进行变换4）对特征向量进行主成分分解式中：姿1和 姿2是特征向量中存在的 2 个对角矩阵，B为相同特征向量矩阵，I 为单位矩阵。5）计算投影矩阵 W6）求特征矩阵及其特征向量，即式中：Zi为对应的特征矩阵，fi为对应的特征向量。CSP 原理流程图如图 3 所示。T11T22，。SPRPSPRPT11 11T22 221212l，SB BSBBBBVI1.2.3特征分类KNN 是一种有监督学习方法12，本文用 KNN 算法对特征数据进行分类。KNN 训练阶段使用经过特征提取后的训练集 EEG 信号和其对应的类别标签，则训练集数据可表示为式中：xi为样本的特征向量，yi为样本对应的类别，m为样本数量。根据欧拉距离公式13对于测试集数据在训练集中寻找与其最接近的 k 个特征向量，根据少数服从多数的规则决定测试集的类别。2实验结果本文用准确度 ACC（Accuracy）值和 AUC（AreaUnder Curve）值以及均方误差（MSE）作为分类效果的评判标准。ACC 值为准确度，ACC 值越高，表示分类器分类正确率越高。式中：TP，TN 为分类正确的个数；FP，FN 表示分类错误的个数。式中分子表示分类正确的个数，分母表示分类总数。AUC 表示 ROC 曲线下的面积，AUC 值越大，表示分类器分类效果越好。MSE 表示预测值与真实值的匹配接近程度，MES值越大，表示预测值与真实值差距越大。式中：Y赞i为模型的预测值，Yi为真实值。图 4 为 7 组受试者在本文提出方法下的分类效果图。其中图 4（a）中为 ACC 与 AUC 值，图 4（b）中为MES 值。由实验结果可知，本文提出的 ICA-CSP-KNN结合的运动想象脑电信号分类方法具有较好的分类效果，其中平均准确率可达 93%以上。图 3CSP 原理流图 1122,mmDyyy?，xxx 221,nllijijlL x xxx。,TPTNACCTPFPFNTN211()niiiMESYYn，注：N 为导联数目；T为采样点个数；2m伊N 为滤波器的维数。任务 A 信号矩阵-label1X1N伊TX2N伊T任务 B 信号矩阵-label2W2m伊NX1N伊TZ1Z22m伊T2m伊TW2m伊NX2N伊T提取特征向量提取特征向量f1f22m伊1空间滤波器W2m伊Nlabel1label2f2f1分类器训练时空信号矩阵高区分度特征向量2m伊1T。WB Pvar()var()iiiii，ZWXZfZ8-创新前沿科技创新与应用Technology Innovation and Application2023 年 30 期3结论本文主要研究了 2 类运动想象脑电信号的分类问题，针对 EEG 信号的非平稳、非线性的特点，本文提出了一种 ICA-CSP-KNN 结合的运动想象脑电信号分类方法。利用 ICA 对 EEG 信号进行噪声去除，并通过CSP 进行特征提取，之后利用 KNN 分类器进行特征分类，得到了 93%的准确率。实验结果表明，本算法具有较好的分类效果，为 2 类运动想象脑电信号分类提供了一种有效的方法。参考文献院1 WOLPAW J R，BIRBAUMER N，MCFARLAND D J，etal.Brain-computer interfaces for communication and con原trol J.Clinical Neurophysiology，2002，113（6）：767-791.2 ELWAFI K，GHAFFARI F，DJEMAL 砸，et al援 A hardware/software pro-totype of EEG-Based BCI system for home de原vice controlJ.journal of Signal Processing Systems，2017，89（2）：263原279.3 周晓宇，许敏鹏，肖晓琳，等.脑-机接口中脑电解码算法研究综述J.生物医学工程学杂志，2019，36（5）：856-861.4 何群，王煜文，杜硕，等.基于自适应无参经验小波变换和选择集成分类模型的运动想象J.物理学报，2018，67（11）：284-295.5 陈黎，龚安民，丁鹏，等.基于欧式空间-加权逻辑回归迁移学习的运动想象 EEG 信号解码J.南京大学学报：自然科学版，2022，58（2）：264-274.6 刘宝，蔡梦迪，薄迎春，等.一种基于 PSO-CSP-SVM 的运动想象脑电信号特征提取及分类算法J.中南大学学报：自然科学版，2020，51（10）：2855-2866.7 孙会文，伏云发，熊馨，等.基于 HHT 运动想象脑电模式识别研究J.自动化学报，2015，41（9）：1686-1692.8 BLANKERTZ B，DORNHEGE G，KRAULEDAT M，et al.The non-invasive Berlin Brain-Computer Interface：fast ac原quisition of effective performance in untrained subjects J.Neuroimage，2007，37（2）：539-550.9 付荣荣，鲍甜恬，田永胜，等.基于子成分分解的脑电信号去噪方法比较研究J.计量学报，2019，40（4）：6.10 ZHAO D S，JIANG J，WANG C，et al.FPGA implemen原tation of FastICA algorithm for on-line EEG signal separa原tionJ.Springer Berlin Heidelberg，2015.11 孟明，戴橹洋，马玉良，等.基于 PF 系数的多模态 EEG-FNIRS 通道选择方法J.传感技术学报，2022，35（1）：84-91.12 SHWETA N，NAGENDRA H.EEG signal classificationusing wavelet and fuzzy KNN classifier C/ADVANCEDTRENDS IN MECHANICAL AND AEROSPACE ENGI原NEERING：ATMA-2019，2021.13 陈佳卉，王友国，翟其清.基于 K 近邻的运动想象分类中的噪声效益J.计算机技术与发展，2022，32（1）：79-84.渊a冤ACC 与 AUC 值渊b冤MES 值图 4受试者两类运动想象分类结果图gfedcbagfedcba受试者受试者10.950.90.850.80.750.70.650.61.41.210.80.60.40.20ACCAUC9-