基于多特征和基于多特征和BP神经网络的脑神经网络的脑-机接口研究机接口研究
研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特
征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度
低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神
经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融
合结合BP神经网络运用于脑机接口系统的可行性。
0 引言引言
脑电波(Electroencephalography,EEG)信号成分复杂,按照不同的频段可以分为不同的波
[1]
。
脑电信号中的Alpha波在人的前额叶处较明显,相比于其他脑电波信号节律性最明显,多在清醒闭目时出现。当人思考问
题、睁开眼睛或受到其他外界刺激时,Alpha波消失;当又闭上眼睛时, Alpha波又会重新出现,这个现象称为Alpha波阻断现
象
[2]
。研究表明,Alpha波与人的记忆、运动及感觉活动有关
[3]
,这种相关性对判断大脑的运动意图有着重要意义。
利用脑-机接口(Brain-Computer Interface,BCI)系统,通过对EEG信号进行采集、预处理、特征提取和模式分类,实现运
动想象识别是当前研究的重点。
近些年,对运动想象脑电信号的特征提取的方法主要有:自回归模型法(AR)
[4]
、统计特征提取
[5]
、频域分析法
[6-7]
。脑电信
号的主要分类方法有线性判别式分类方法、神经网络等
[8]
。
在脑电信号特征提取过程中,利用单个特征值的模式分类会造成训练数据量大、时间长,甚至会影响分类精度。所以,本
研究将多种特征融合,结合BP神经网络对脑电信号中的Alpha波进行特征提取和模式分类,具有识别正确率高的优点。通过对
运动想象的脑电信号进行特征提取和模式分类可以判断出想象者的运动意识,结合脑-机接口,在肢体残疾人士的康复治疗、
辅助控制和娱乐等方面有很大的发展前景
[9]
。
1 脑电信号的特征提取方法及检验脑电信号的特征提取方法及检验
1.1 自回归模型法(自回归模型法(AR))
AR模型计算方便,设单通道脑电信号由n个采样点x
0
…x
n-1
的活动段组成,根据AR模型,信号中第k个采样值x
k
如式(1)所
示:
式中,a
i
为AR模型系数,p为模型的阶数,e
k
为残差白噪声。
对AR模型进行参数估计的方法主要有自相关法、改进协方差法和Burg算法等,其中Burg算法计算简单,产生的谱质量较
高。所以本研究采用Burg算法对AR模型进行参数估计,经实验验证AR模型Burg法估计模型参数p=3。
1.2 统计特征提取统计特征提取
(1)脑电信号积分值
设脑电信号为x(i),数据长度为N。积分值计算如式(2)所示,该特征表现了信号的集中程度。
(2)脑电信号均方根值
脑电信号的均方根值如式(3)所示,该特征体现了信号的离散程度。
1.3 频域分析频域分析
在本研究中,选取功率谱、平均功率频率和功率谱密度比值这几个特征值。
将脑电信号看作随机信号x(n),有N点样本值且能量有限,对其进行傅里叶变换得到X
N
(e
jω
);然后再取幅值的平方并除以
N,作为x(n)的功率谱P(e
jω
)
[10]
,如式(4)所示: