基于感觉运动BCI系统的EEG手部运动分类(2)

　　若将式（2）中的幅度和瞬时相位作为时间的函数表示在三维分布中，幅度的这种时—频分布被称为希尔伯特幅度谱，简称希尔伯特谱，习惯上用幅度的平方表示能量密度。

　　2 数据分析

　　2.1 实验方案

　　被试者有7例，三例男性，四例女性，均为右利手，年龄均在26周岁左右，健康无家族遗传病史。实验采集设备为Neuroscan系统，64导脑电电极，2导眼电电极和2导肌电电极，其中脑电电极位置符合10-20系统。采用DC放大，采样率为1000 Hz，滤波器设置为0～200 Hz，满足内阻<5 kΩ，供电系统接地，实验室密封隔音等脑电采集实验规范。

　　采集实验如图2所示。

　　实验中要求被试者做运动执行任务，具体提示动作有三种，分别为右手握拳、右手手张开、右手捏钥匙。受试者在实验界面出现不同指示下完成不同的运动想象（运动执行）任务。一次实验过程周期持续8 s，最初2 s，实验界面上出现一个十字光标，指示受试者保持大脑处于放松状态并做好准备；之后屏幕中心的十字光标由一张手部动作图片替代，要求被试者根据图片在3 s的时间段内不断重复完成相应的任务；然后屏幕上出现一张笑脸，为3 s的被试者休息时间。每个受试者完成8组实验，每组包括每个动作10次，时长为8 s×3×10=240 s，8组实验时间为1920 s。实验时序图如图3所示。

　　2.2 数据预处理

　　使用Neuroscan自带波形分析软件Scan4.3对数据进行预处理，如幅值参数为±100 uV的伪迹滤除，校正基线漂移，1～45 Hz的带通滤波器，眨眼眼电的滤除。然后使用Matlab下的EEGLAB工具箱将参考导联改为M1/M2，取出C3和C4导联的相关事件之前1000 ms到事件之后750 ms的数据段。然后以事件发生时刻为0时刻，（-814 ms，-300 ms）时间段内的数据平均值为基线[3]。最后将数据针对不同事件标记进行分段处理。

　　2.3 数据选择和特征提取

　　由于研究内容是运动引起的C3，C4导联的脑电波的各种变化，而脑电波在非运动时的状态和在一侧肢体运动时二导联共同含有的变化成分可能与情绪，环境，噪声等一系列的复杂因素相关，所以在本文中，采取了两种处理方法来进行特征提取，并将结果进行了对比。

　　一种是使用C4和C3导联的差值A，即A=C4-C3。对A进行以下的特征作提取：最大幅值与最小振幅的差值，幅值的平均值，最大和最小频率的差值。其中频率是用EMD算法得出。

　　另一种方法是使用只C3导联的值，即B=C3。对B进行以下的特征作提取：最大幅值与最小振幅的差值，幅值的平均值，最大和最小频率的差值。其中频率是也用EMD算法得出。

　　2.4 数据分类

　　针对每一列特征值，每次随机取出1000组数据，进行不同动作数据组之间的该特征的数据大小比较，并计算出准确率。把上述两种方法中相应的特征的准确率相乘，得到最终的准确率。

　　3 结果对比

　　大多数实验者的数据结果与该表中的结果相一致，因此，该结果能够表明合理的分类正确率。分类结果中包含了每一个动作的每一种处理方式。结果如表1、表2所示，选取了四个实验者的实验数据，其中A代表从A（A=C4-C3）获得的数据集的准确性。B表示从B（B=C3）的数据集进行计算所获得的精确度。

　　A的结果明显优于B。这是因为C4和C3的差值更排除类似情感，精神状态等方面的干扰。从生理学上来说，当一侧的手进行运动时，左脑区与右脑区的运动中枢产生的脑电波都会发生改变。

　　手张开和捏钥匙之间的差值比手打开与握拳之间的差值更明显。这一结果的原因之一是因为对参与者来说，手张开和握拳的动作相比捏钥匙而言，更容易做。

　　4 总结和未来工作

　　本文的目的是为了提高利用脑电图来对动作进行解读的准确率，从而使与运动相关的BCI系统能更好的控制假手，并区分出不同的手部动作。本次研究得出的比较好的结果是手张开和捏钥匙两个动作的分类，平均准确率是78.75%。而手张开和握拳的分类准确率是48.25%，这证明了上述方法不适合用于此两类动作之间的分类。这对控制假手进行必要的手部动作这一目标而言，是非常重要的一步。今后的工作是准确地分类手部和手腕部的动作，并将离线分析的处理模式改进为实时数据处理。

　　参考文献

　　[1] Norden E. Huang，Zheng Shen，Steven R.Long.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].The Royal Society， 1998.

　　[2] 包尚联.脑功能成像物理学[M].郑州大学出版社，2006

　　[3] Stephan Waldert，Hubert Preisssl， Evariste Demandt.Hand Movement Direction Decoded from MEG and EEG[J].The Journal Neuroscience，January 23，2008.

　　[4] A.K.Mohamed，T，Marwala，L.R.John. Singel-trial EEG Discrimination between Wrist and Finger Movement Imagery and Execution in a Sensorimotor BCI[C].2011 33rd Annual international Conference of the IEEE EMBS.

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

基于感觉运动BCI系统的EEG手部运动分类(2)