基于运动想象的脑电信号特征提取与分类方法研究

摘要

脑-机接口（Brain-Computer Interface,BCI）作为一门交叉性学科，涵盖了生物医学、神经科学以及计算机科学等，已成为脑科学研究热点。在BCI研究中，脑电信号（Electroencephalogram,EEG）与设备可控信号之间的转换成为关键，需借助脑电信号处理方法提取有效信号，进而实现人机交互。然而，脑电信号的非平稳非线性特征，给特征信号提取带来极大挑战。目前，虽有多种提取方法，但都存在提取精度或效率问题，难以反映信号全局特征。针对上述问题，本文提出了基于LMD+SampEn的脑电信号特征提取框架，先利用仿真信号验证本方法的可行性，并在BCI2003和BCI2005两个真实数据集上进行实验，再次表明局部均值分解（Local Mean Decomposition,LMD）结合样本熵(Sample Entropy)算法在脑电信号特征提取中的优势。具体来说，本文主要完成了以下工作：
　　1.基本理论研究
　　分析脑-机接口的结构与类型，以及脑电信号基本特性，指出事件相关去同步（Event-Related Desynchronization,ERD）和事件相关同步（Event-Related Synchronization,ERS）在脑电信号中的应用，并为后续脑电信号以及仿真信号的分析提供依据。
　　2.基于小波包分解的脑电信号提取
　　比较小波变换和小波包分解方法，指出小波包分解可解决小波变换中无法分解高频信号的不足，并可自适应选择相应频带。将小波包系数相对能量和相对偏离度作为特征属性实现脑电数据特征提取。
　　3.基于LMD+SampEn的脑电信号特征提取
　　分析经验模态分解（Empirical Mode Decomposition，EMD）、总体经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)以及LMD在信号提取中的特点，并选取仿真信号进行验证，发现EEMD较EMD在模态混叠以及端点效应等方面有了明显改进，但执行效率较低，而LMD算法可以有效改善上述问题，LMD+SampEn可以进一步提高提取精度。
　　4.分类方法研究
　　在上述特征提取的基础上，本文选用决策树、朴素贝叶斯以及支持向量机分类算法对左右想象信号进行识别。并采用准确率、召回率以及AUC值对分类效果进行评估，发现LMD+SampEn的提取效果最佳，进而证明了该方法用于区分运动想象脑电信号的可行性，为脑电信号的特征提取与分类提供了一种新的解决方案。