《電子技術應用》
您所在的位置:首頁 > 嵌入式技術 > 設計應用 > 基于改進的LMD運動想象信號識別
基于改進的LMD運動想象信號識別
2016年電子技術應用第3期
趙利民,朱曉軍,高旭瑞
太原理工大學 計算機科學與技術學院,山西 晉中030600
摘要: 針對腦電信號非平穩非線性特征,提出基于改進的局部均值分解(Local Mean Decomposition,LMD)運動想象信號分類方法。首先結合改進LMD算法和加窗原則選取4~6 s想象信號作為分類數據,提取包含μ節律和β節律的PF分量;其次計算所選分量的樣本熵值;最后用支持向量機進行分類預測,并用分類準確率進行評估。實驗結果表明,運用改進LMD比傳統LMD方法的識別率更高,從而驗證該方法的有效性。
中圖分類號: TP18
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2016.03.033
中文引用格式: 趙利民,朱曉軍,高旭瑞. 基于改進的LMD運動想象信號識別[J].電子技術應用,2016,42(3):116-119.
英文引用格式: Zhao Limin,Zhu Xiaojun,Gao Xurui. Recognition for motor imagery signal based on improved LMD[J].Application of Electronic Technique,2016,42(3):116-119.
Recognition for motor imagery signal based on improved LMD
Zhao Limin,Zhu Xiaojun,Gao Xurui
College of Computer Science and Technology,Taiyuan University of Technology,Jinzhong 030600,China
Abstract: For the non-stationary and non-linear characteristics of electroencephalogram(EEG), this paper proposes a classification method based improved local mean decomposition(LMD) for motor imagery signal. Firstly, combining the improved LMD with window principle to select imagery signal of 4~6 second as classification data, and extract components PF that contain ?滋 rhythm and β rhythm. Secondly, the sample entropy of corresponding components PF is calculated. Finally, the EEG is classified with support vector machine(SVM) and evaluated by the accuracy. The experiment results indicate that the improved LMD algorithm is better than traditional LMD algorithm in classification accuracy, which turns out the effectiveness of proposed approach.
Key words : local mean decomposition;window principle;sample entropy;PF components;support vector machine

0 引言

    在腦機接口中,人們在想象單側手運動時,對側相應初級感覺運動皮層區的腦電信號幅值降低,這種現象稱為事件相關去同步(Event-Related Desynchronization,ERD);同側腦電信號幅值升高,稱為事件相關同步(Event-Related Synchronization,ERS)[1]。研究表明,在想象左/右手運動時,大腦感覺皮層的μ節律和β節律出現一定變化,并遵循ERD/ERS規律。為此,利用ERD/ERS現象進行腦電信號的特征提取與分類成為BCI研究的關鍵環節。

    在特征提取方面,LMD是一種新的自適應非平穩信號處理方法,能夠從原始信號中分離出純調頻信號和包絡信號,將其相乘便可以得到具有瞬時物理意義的PF分量[2]。目前,很多學者對基于LMD的運動想象信號進行了研究。但是該方法在應用時存在端點效應問題,使得信號產生畸變,分解過程中可能會造成信號兩端端點發散,導致信號在重構時丟失部分原有特征[3]。為了降低這種端點效應的影響,本文采用改進LMD算法進行特征提取。

    改進LMD分解后的PF分量依次是高頻到低頻的時間序列,而樣本熵能衡量時間序列中產生新模式概率的大小,具有較好的抗噪和抗干擾能力,對丟失數據不敏感[4]。故用樣本熵對PF分量進行量化,可提高特征提取準確率。

1 改進的LMD算法

1.1 算法介紹

    本文利用相似波形加權平均的端點延拓法來改善其端點效應的影響,以左端點為例,設原始信號為x(t),具體算法如下[5]

    (1)x(t0)為起點,向右取x(t)的曲線段,長度為w(t),并有且有一個極值點和一個過零點;

    (2)設w(t)右端點是過零點,記為x(tn),則其中間點 x(tm)=(x(t0)+x(tn))/2。以x(tm)為參考點,沿時間軸t向右平移子波w(t),若存在某一點x(ti)與x(tm)重合時,取以x(ti)為中點并與w(t)等長子波,記為wi(t)。計算wi(t)與w(t)的波形匹配度mi,并存儲該波形匹配度mi與wi(t)的前一小段數據波(取其長度為0.1 l),將這些長度為0.1 l的左鄰數據波記為v1(t),v2(t),…,vk(t),并得到如下數據對集合[v,m]={(v(t),m)|(v1(t),m1),(v2(t),m2)…(vk(t),mk)}:

    (3)當集合[v,m]為空時,表明原始信號波形不規則,不進行延拓,轉步驟(5);

    (4)當集合[v,m]不空時,將求得的波形匹配度按降序排列,得到 [v′,m′]。計算[v′,m′]中前n個數據對所有子波的加權平均值,得到平均波 va,并用va延拓信號左端點;

    (5)延拓結束。

    同理可對信號右端點進行延拓。

1.2 PF分量選擇

    目前研究表明,人在想象左/右手運動時,其大腦運動感覺皮層的μ節律(8~12 Hz)和β節律(14~25 Hz)會出現一定變化[6]。腦電信號經過改進LMD分解成一系列PF分量之和,選出包含特征頻率多的PF分量作為分類輸入信號,以此提高特征提取的效率和精度。本文通過以下方法選出包含大部分μ節律和β節律的PF分量,具體步驟如下:

    (1)通過改進LMD方法將腦電信號分解為PF分量和,求取各個PF分量對應的瞬時頻率F(t,f),然后計算各個PF分量中8~25 Hz頻帶能量,如式(1)所示。

    jsj2-gs1.gif

其中F1,F2為所取頻率的上下限,即分別為8 Hz和25 Hz;T1,T2為所取得特征時間的上下限;i=1,2,…,N,N為信號分解的PF分量個數。

    (2)根據式(1)中結果,求取各個分量中8~25 Hz頻帶能量所占總能量的比例,得出該頻段能量的分布情況,最后選出該頻段能量分布較多的PF分量:

    jsj2-gs2.gif

1.3 特征時間段選擇

    在運動想象信號研究中,其ERD/ERS現象不能持續貫穿于整個信號時長,如果把整個時長的運動想象信號都作為研究對象,可能會包含許多噪聲信息,影響提取效率和精度。故本文通過選取特征頻段能量差異最大的時間段,找出ERD/ERS現象明顯的運動想象信號,具體步驟如下:

    (1)將C3,C4導聯的運動想象信號分別經過改進LMD算法分解,得到兩組PF分量和;

    (2)用1.2節中介紹的方法選出特征頻段所占比例較大的PF分量,并計算選取分量的瞬時頻率;

    (3)計算所選取PF分量中滑動時間窗口長度為m秒的特征頻段8~25 Hz能量,并規定滑動步長為n秒。

    jsj2-gs3.gif

    jsj2-gs4.gif

    (4)計算C3,C4對應時間窗內的能量差,將能量差最大時所對應的時間段作為本文特征選擇最佳時間段。

    jsj2-gs5.gif

2 樣本熵

    設時間序列為x(1),x(2),…,x(N),樣本熵具體計算過程如下[7]

    (1)將上述序列按順序組成m維矢量:

jsj2-gs6-11.gif

3 SVM分類

    將左右手想象運動識別看作二分類問題,用支持向量機建立模型。將數據分為訓練集和測試集。采用10-fold交叉驗證方法進行度量,并求取其分類準確率。

    支持向量機是一種有監督學習算法,該算法首先將特征向量映射到一個高維空間,并在空間中依據訓練數據標簽分布建立一個超平面集合,再從此集合中選擇使得分類間隔最大的一個作為分界面,使得測試數據產生錯誤分類的概率更小[8]。SVM不但可以提高泛化性能,還可以解決高維和非線性問題,并避免局部極小值。

4 實驗分析

4.1 數據介紹

    實驗數據來自于BCI 2003競賽數據[9]。實驗中通過光標移動來模擬左右手運動的思維過程。電極位置和時序圖如圖1所示。在9 s測試時長中,前2 s試驗者處于放松狀態,第2 s時系統發出一個聲音信號提示試驗者測試即將開始。這時顯示屏出現一個“+”字,持續1 s。第3 s時,“+”字變為左右箭頭,同時要求試驗者按照左右箭頭的提示想象左右手運動。

jsj2-t1.gif

    整個實驗分為280組,訓練數據和測試數據各140組,分為左手和右手兩個類別。信號采樣頻率128 Hz,包含C3、Cz、C4三個導聯,Cz為參考導聯。

4.2 實驗結果

    本實驗利用改進LMD算法對腦電信號進行分解,因受試者在第3 s時開始進行想象運動,到第9 s結束,故本文選取3~9 s內不同時間段進行分析。本文以C3 導聯作為分析對象, 圖2為C3導聯在3~9 s想象運動時改進LMD分解示意圖,其中X(t)為原始信號。圖3為各個PF分量對應的瞬時頻率圖。

jsj2-t2.gif

jsj2-t3.gif

    從圖3中可以看出第4個PF分量所包含的頻率基本在5 Hz以下,故本文只選取前3個PF分量作為研究對象。隨機選取140組左右手想象信號進行改進LMD分解,得到各分量中特征頻率(8~25 Hz)所占比,對該140組所占比求平均值,得到特征頻率(8~25 Hz)分布情況(見圖4)。可知C3、C4導聯信號的特征頻率成分主要分布在PF2和PF3中,故本文只選取PF2和PF3作為后續特征時間選擇的研究對象。在選擇最優特征時間段時,采用的滑動時間窗為2 s,滑動步長為1 s,表1為傳統LMD和改進LMD特征提取方法在各個時間段的分類結果。

jsj2-t4.gif

jsj2-b1.gif

    從表中發現,傳統LMD和改進LMD均在4~6 s時間段提取的特征分類效果最好。故實驗中選取4~6 s的想象信號作為分類數據。本文以改進LMD算法為例,先將4~6 s腦電信號分為一系列PF分量之和,然后將PF2和PF3的樣本熵作為特征向量進行左右手想象運動的識別。圖5(a)和圖5(b)分別為想象左右手運動的樣本熵,從中可知想象左手運動時,C3導聯的樣本熵值大于C4導聯的樣本熵值;想象右手運動時, C3導聯的樣本熵于C4導聯。這與ERD/ERS現象完全符合,從而驗證了該方法的有效性。

jsj2-t5.gif

4.3 實驗比較

    隨機選擇140組數據作為訓練集,剩余為測試集。按照上述方法,將PF2和PF3的樣本熵作為SVM輸入特征進行訓練,然后對測試集進行測試,最后將改進LMD傳統LMD算法進行比較,結果如圖6所示,其中a表示傳統LMD算法,b表示傳統LMD和樣本熵,c表示改進LMD,d表示改進LMD和樣本熵。

jsj2-t6.gif

    由圖6可知,改進LMD算法比傳統LMD識別率提高大約4個百分點,樣本熵可以提高分類準確率,改進LMD算法和樣本熵的結合使得分類準確率達到最高,進而表明本文方法的可行性。

5 結 論

    本文提出基于改進LMD運動想象信號的判定方法,將PF2和PF3的樣本熵作為SVM的輸入向量進行識別。通過和傳統LMD算法的分類效果進行對比,結果表明本文提出的方法能夠有效對左右手運動想象信號進行分類,并獲得較高的識別準確率。

參考文獻

[1] PFURTSCHELLER G,NEUPER C.Future prospects of ERD/ERS in the context of brain-computer interface(BCI) developments[J].Progress in Brain Research,2006,159(1):433-437.

[2] SMITH J S.The local mean decomposition and its application to EEG perception data[J].Journal of the Royal Society Interface,2006,2(5):443-54.

[3] 趙娜.HHT經驗模式分解的周期延拓方法[J].計算機仿真,2008,25(12):346-350.

[4] 劉慧,和衛星,陳曉平.生物時間序列的近似熵和樣本熵方法比較[J].儀器儀表學報,2004,25(S1):806-807.

[5] 朱曉軍,呂士欽,王延菲,等.改進的LMD算法及其在EEG信號特征提取中的應用[J].太原理工大學學報,2012,43(3):339-343.

[6] 貢平.運動想象腦電信號特征提取研究[D].重慶:重慶大學,2014.

[7] RICHMAN J S,MOORMAN J R.Physiological time-series analysis using approximate entropy and sample entropy[J].American Journal of Physiology Heart & Circulatory Physiology,2000,278(6):H2039-H2049.

[8] DURBBA S S,KING R L,YOUNAN N H.Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer[J].Remote Sensing of Environment,2007,107(1):348-361.

[9] BLANKERTZ B.The BCI Competition 2003:progress and perspectives in detection and discrimination of EEG singletrials[J].IEEE Trans.Biomed.Eng.,2004,51(6):1044-1051.

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 天天摸夜夜摸狠狠摸夜夜摸 | 性亚洲| 天堂网久久 | 国产精品亚洲w码日韩中文 国产精品小黄鸭一区二区三区 | 国产色婷婷免费视频 | 天天综合色天天综合网 | 亚洲女人国产香蕉久久精品 | 中文字幕日韩一区二区三区不卡 | 一个人www免费看的视频 | 欧美精品成人一区二区视频一 | 毛片在线全部免费观看 | www.亚洲一区 | 日韩高清一区 | 成人片在线播放 | 欧美极品另类xxx | 美女黄网站免费观看 | 精品视频专区 | 国内精品一区二区在线观看 | 久久久久久久999精品视频 | 成人国产网站 | 激情五月激情综合色区 | 2019亚洲日韩新视频 | 免费h视频 | 美女一级ba大片免色野外 | 伦理片日韩 | 亚洲视频一区二区三区 | 中国高清videossex免费 | 欧美国产成人精品一区二区三区 | 黄色香蕉网 | 99久久中文字幕伊人情人 | 亚洲涩涩视频 | 国产成人精品视频一区 | 天天摸天天插 | 天天插天天舔 | 亚欧在线视频 | 日日摸日日碰夜夜爽视频网站 | 日韩a级毛片免费视频 | 成人观看免费大片在线观看 | 欧美成人全部费免网站 | 国产大片视频免费观看 | 视频一区二区三区自拍 |