论文部分内容阅读
摘要：为研究通过脑机接口（Brain-Computer Interface， BCI）处理非线性、非稳定性信号问题， 针对基于脑磁信号（magnetoencephalography，MEG）的BCI，提出一种基于经验模式分解（Empirical Mode Decomposition，EMD）和Hilbert变换的MEG特征提取和分类方法.该方法首先对MEG数据进行预处理；其次用EMD和Hilbert变换方法提取特征向量；然后用主成分分析法对提取到的特征向量进行降维处理；最后把处理过的特征向量作为支持向量机（Support Vector Machine， SVM）的一个输入向量实现MEG的分类.使用该方法对第4届国际BCI竞赛提供的MEG数据进行分类，实验结果表明可以获得较高的分类准确率.
关键词：脑机接口（BCI）； 脑磁图（MEG）； 经验模式分解（EMD）； Hilbert变换； 主成分分析； 支持向量机（SVM）
中图分类号： TN911；R338文献标志码： A
作者简介：
王健锋（1990—），男，河南周口人，硕士研究生，研究方向为脑波信息处理与脑机接口技术、港航与物流信息管理，（E-mail） hncjwjf20110926@126.com；
黄晓霞（1968—），女， 上海人，副教授，研究方向为脑波信息处理与脑机接口技术、港航与物流信息管理、智能信息处理，（E-mail） huangxiaoxia1997@hotmail.com
0引言
脑机接口（Brain-Computer Interface，BCI）的目的是建立一种不依赖外周神经和肌肉组织的新型通信系统.该系统通过测量脑信号，如脑磁图（magnetoencephalography， MEG），分析人类的意图，并将该意图转换为外部设备的控制信号.[1-2]因此，BCI可以给外周神经或肌肉组织受损的患者提供一种新的与外部世界交流的方式.BCI分为植入式BCI和非植入式BCI.非植入式BCI具有无创伤性、易于携带、价格低廉等优点，为BCI的实际应用和推广提供可能，成为BCI研究领域的一个热点.在非植入式BCI研究中，脑电图（electroencephalogram， EEG）和MEG是两种常用的输入信号.对EEG信号的研究已经取得很大成就，但是EEG信号的采集容易受到头盖骨的影响，导致其空间分辨率不高，误差很大，使EEG的应用范围受到限制.MEG不受头盖骨的干扰，具有较高的时空分辨率和更低的失真率，能够直接反映脑内场源的活动状态，受到不少BCI研究者的青睐.[3-4]
在2008年第4届国际BCI竞赛中，第3组数据使用的就是MEG数据，许多研究机构参加这次竞赛，其中HAJIPOUR等获得该组竞赛的第一名，他们用统计特征、自回归模型和小波变换的方法进行特征提取，用有监督的遗传算法进行特征降维，用线性判别分析（Linear Discrimination Analysis， LDA）和支持向量机（Support Vector Machine， SVM）进行分类，所得MEG的平均分类准确率为46.9%.我国燕山大学的李静等获得第二名，他们用快速傅里叶变换和主成分分析（Principal Component Analysis， PCA）法进行特征提取，用Fisher线性判别（Fisher Linear Discrimination， FLD）方法进行特征降维，用LDA进行分类，所得MEG的平均分类准确率为25.1%.2011年SABRA等[5]对该MEG进行研究，用统计特征、功率谱密度和离散小波变的方法进行特征提取，分别用LDA和SVM进行分类，获得33.3%的平均分类准确率.虽然这些特征处理方法能够获得不错的结果，但都没有兼顾分类准确率和处理方法简易性，即分类准确率高时，处理方法比较复杂，处理方法简单时，分类准确率却不高.
在不明显降低分类准确率的情况下，兼顾MEG识别率和处理方法的简易性，本文提出一种基于经验模式分解（Empirical Mode Decomposition， EMD）和Hilbert变换的MEG特征提取和分类方法.这是一种时频数据的处理方法，非常适用于非线性和非稳定性信号的处理，在轴承故障诊断、肌电信号分析和基于EEG的BCI研究方面都能取得不错的效果，但目前该方法还没有被应用到基于MEG的BCI研究中.为验证EMD和Hilbert变换对基于MEG的BCI的处理性能，使用EMD和Hilbert变换对MEG进行特征提取，然后用PCA法对提取到的特征向量进行特征降维，最后用SVM进行分类.
4结束语
实验结果表明，本文提出的基于EMD和Hilbert变换的特征提取和分类算法不仅能够用于MEG数据的分类，而且能够获得较高的分类准确率和较优的时间性能，综合性能较好，具有更高的实际应用价值.由于本研究还在进行中，该算法还有许多地方可以改进，下一步的目标是进一步提高该算法的分类准确率.
参考文献：
[1]SARDOUIE S H， SHAMSOLLAHI M B. Selection of efficient features for discrimination of hand movements from MEG using a BCI competition IV data set[J]. Frontiersin Neuroscience， 2012（6）： 42-47.
[2]高上凯. 基于节律性脑电信号的脑-机接口[J]. 生命科学， 2008， 20（5）： 722-724.
[3]吴婷， 颜国正， 杨帮华. 基于小波包分解的脑电信号特征提取[J]. 仪器仪表学报， 2008， 28（12）： 2230-2234. [4]KRISHNA S， VINAY K C， RAJA K B. Efficient MEG signal decoding of direction in wrist movement using curve fitting （EMDC）[C]// 2011 Int Conf Image Inform Proc （ICIIP）. IEEE， 2011： 1-6.
[5]SABRA N I， WAHED M A. The use of MEG-based brain computer interface for classification of wrist movements in four different directions[C]// 2011 28th Natl Radio Sci Conf （NRSC）. IEEE， 2011： 1-7.
[6]LEI Y， LIN J， HE Z， et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery[J]. Mech Systems & Signal Processing， 2013， 35（1）： 108-126.
[7]LI Lin， JI Hongbing. Signal feature extraction based on an improved EMD method[J]. Measurement， 2009， 42（5）： 796-803.
[8]MENDEZ O， CORTHOUT J， Van HUFFEL S， et al. Automatic screening of obstructive sleep apnea from the ECG based on empirical mode decomposition and wavelet analysis[J]. Physiol Measurement， 2010， 31（3）： 273-289.
[9]HUANG N E， WU M L， QU W， et al. Applications of Hilbert-Huang transform to non-stationary financial time series analysis[J]. Appl Stochastic Models in Business & Industry， 2003， 19（3）： 245-268.
[10]PANOULAS K I， HADJILEONTIADIS L J， PANAS S M. Hilbert-Huang spectrum as a new field for the identification of EEG event related de-synchronization for BCI applications[C]// 30th Annu Int Conf Eng Med & Biol Soc （EMBS）. IEEE， 2008： 3832-3835.
[11]张颖. 基于PCA的模糊BP网络建模方法在藻类生长状态预测中的应用[J]. 上海海事大学学报， 2011， 32（4）： 76-79.
[12]JOHNSTONE I M， LU A Y. On consistency and sparsity for principal components analysis in high dimensions[J]. J Am Stat Assoc， 2009， 104（486）： 682-693.
[13]安博文， 李丹， 庞然. 基于 SVM 分类器的集装箱箱号识别法[J]. 上海海事大学学报， 2011， 32（1）： 25-29.
[14]冯超， 贺俊吉， 史立. 基于支持向量机的轿车车型识别[J]. 上海海事大学学报， 2011， 32（3）： 85-89.
[15]WALDERT S， PREISSL H， DEMANDT E， et al. Hand movement direction decoded from MEG and EEG[J]. J Neuroscience， 2008， 28（4）： 1000-1008.
（编辑赵勉）
关键词：脑机接口（BCI）； 脑磁图（MEG）； 经验模式分解（EMD）； Hilbert变换； 主成分分析； 支持向量机（SVM）
中图分类号： TN911；R338文献标志码： A
作者简介：
王健锋（1990—），男，河南周口人，硕士研究生，研究方向为脑波信息处理与脑机接口技术、港航与物流信息管理，（E-mail） hncjwjf20110926@126.com；
黄晓霞（1968—），女， 上海人，副教授，研究方向为脑波信息处理与脑机接口技术、港航与物流信息管理、智能信息处理，（E-mail） huangxiaoxia1997@hotmail.com
0引言
脑机接口（Brain-Computer Interface，BCI）的目的是建立一种不依赖外周神经和肌肉组织的新型通信系统.该系统通过测量脑信号，如脑磁图（magnetoencephalography， MEG），分析人类的意图，并将该意图转换为外部设备的控制信号.[1-2]因此，BCI可以给外周神经或肌肉组织受损的患者提供一种新的与外部世界交流的方式.BCI分为植入式BCI和非植入式BCI.非植入式BCI具有无创伤性、易于携带、价格低廉等优点，为BCI的实际应用和推广提供可能，成为BCI研究领域的一个热点.在非植入式BCI研究中，脑电图（electroencephalogram， EEG）和MEG是两种常用的输入信号.对EEG信号的研究已经取得很大成就，但是EEG信号的采集容易受到头盖骨的影响，导致其空间分辨率不高，误差很大，使EEG的应用范围受到限制.MEG不受头盖骨的干扰，具有较高的时空分辨率和更低的失真率，能够直接反映脑内场源的活动状态，受到不少BCI研究者的青睐.[3-4]
在2008年第4届国际BCI竞赛中，第3组数据使用的就是MEG数据，许多研究机构参加这次竞赛，其中HAJIPOUR等获得该组竞赛的第一名，他们用统计特征、自回归模型和小波变换的方法进行特征提取，用有监督的遗传算法进行特征降维，用线性判别分析（Linear Discrimination Analysis， LDA）和支持向量机（Support Vector Machine， SVM）进行分类，所得MEG的平均分类准确率为46.9%.我国燕山大学的李静等获得第二名，他们用快速傅里叶变换和主成分分析（Principal Component Analysis， PCA）法进行特征提取，用Fisher线性判别（Fisher Linear Discrimination， FLD）方法进行特征降维，用LDA进行分类，所得MEG的平均分类准确率为25.1%.2011年SABRA等[5]对该MEG进行研究，用统计特征、功率谱密度和离散小波变的方法进行特征提取，分别用LDA和SVM进行分类，获得33.3%的平均分类准确率.虽然这些特征处理方法能够获得不错的结果，但都没有兼顾分类准确率和处理方法简易性，即分类准确率高时，处理方法比较复杂，处理方法简单时，分类准确率却不高.
在不明显降低分类准确率的情况下，兼顾MEG识别率和处理方法的简易性，本文提出一种基于经验模式分解（Empirical Mode Decomposition， EMD）和Hilbert变换的MEG特征提取和分类方法.这是一种时频数据的处理方法，非常适用于非线性和非稳定性信号的处理，在轴承故障诊断、肌电信号分析和基于EEG的BCI研究方面都能取得不错的效果，但目前该方法还没有被应用到基于MEG的BCI研究中.为验证EMD和Hilbert变换对基于MEG的BCI的处理性能，使用EMD和Hilbert变换对MEG进行特征提取，然后用PCA法对提取到的特征向量进行特征降维，最后用SVM进行分类.
4结束语
实验结果表明，本文提出的基于EMD和Hilbert变换的特征提取和分类算法不仅能够用于MEG数据的分类，而且能够获得较高的分类准确率和较优的时间性能，综合性能较好，具有更高的实际应用价值.由于本研究还在进行中，该算法还有许多地方可以改进，下一步的目标是进一步提高该算法的分类准确率.
参考文献：
[1]SARDOUIE S H， SHAMSOLLAHI M B. Selection of efficient features for discrimination of hand movements from MEG using a BCI competition IV data set[J]. Frontiersin Neuroscience， 2012（6）： 42-47.
[2]高上凯. 基于节律性脑电信号的脑-机接口[J]. 生命科学， 2008， 20（5）： 722-724.
[3]吴婷， 颜国正， 杨帮华. 基于小波包分解的脑电信号特征提取[J]. 仪器仪表学报， 2008， 28（12）： 2230-2234. [4]KRISHNA S， VINAY K C， RAJA K B. Efficient MEG signal decoding of direction in wrist movement using curve fitting （EMDC）[C]// 2011 Int Conf Image Inform Proc （ICIIP）. IEEE， 2011： 1-6.
[5]SABRA N I， WAHED M A. The use of MEG-based brain computer interface for classification of wrist movements in four different directions[C]// 2011 28th Natl Radio Sci Conf （NRSC）. IEEE， 2011： 1-7.
[6]LEI Y， LIN J， HE Z， et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery[J]. Mech Systems & Signal Processing， 2013， 35（1）： 108-126.
[7]LI Lin， JI Hongbing. Signal feature extraction based on an improved EMD method[J]. Measurement， 2009， 42（5）： 796-803.
[8]MENDEZ O， CORTHOUT J， Van HUFFEL S， et al. Automatic screening of obstructive sleep apnea from the ECG based on empirical mode decomposition and wavelet analysis[J]. Physiol Measurement， 2010， 31（3）： 273-289.
[9]HUANG N E， WU M L， QU W， et al. Applications of Hilbert-Huang transform to non-stationary financial time series analysis[J]. Appl Stochastic Models in Business & Industry， 2003， 19（3）： 245-268.
[10]PANOULAS K I， HADJILEONTIADIS L J， PANAS S M. Hilbert-Huang spectrum as a new field for the identification of EEG event related de-synchronization for BCI applications[C]// 30th Annu Int Conf Eng Med & Biol Soc （EMBS）. IEEE， 2008： 3832-3835.
[11]张颖. 基于PCA的模糊BP网络建模方法在藻类生长状态预测中的应用[J]. 上海海事大学学报， 2011， 32（4）： 76-79.
[12]JOHNSTONE I M， LU A Y. On consistency and sparsity for principal components analysis in high dimensions[J]. J Am Stat Assoc， 2009， 104（486）： 682-693.
[13]安博文， 李丹， 庞然. 基于 SVM 分类器的集装箱箱号识别法[J]. 上海海事大学学报， 2011， 32（1）： 25-29.
[14]冯超， 贺俊吉， 史立. 基于支持向量机的轿车车型识别[J]. 上海海事大学学报， 2011， 32（3）： 85-89.
[15]WALDERT S， PREISSL H， DEMANDT E， et al. Hand movement direction decoded from MEG and EEG[J]. J Neuroscience， 2008， 28（4）： 1000-1008.
（编辑赵勉）