摘  要： 針對目前腦機接口中提取明顯的腦電信號特征較難以及特征維數較多的缺陷，提出了一種多參數的公共空間頻率模式CSSP(Common Spatio-Spectral Pattern)算法對腦電信號進行特征提取。該算法對不同通道的腦電信號采取不同的延時因子，增強了CSSP算法在頻域上的濾波效果。在對2003年國際腦機接口BCI(Brain Computer Interface)競賽的運動想象腦電識別中，利用多參數CSSP特征提取方法結合支持向量機SVM(Support Vector Machine)分類方法，在只提取兩維特征的情況下，較公共空間模式CSP(Common Spatial Pattern)與CSSP算法，分類的正確率有了明顯提高。同時，多參數的引入使該方法在特征提取上較CSP與CSSP算法具有更強的適用性。
關鍵詞： 腦機接口；腦電圖；CSSP算法；特征提取；支持向量機

    多年來，人們一直希望直接利用大腦中的電生理信號建立一種向外界傳遞信息和發送命令的通道，即所謂的腦機接口系統[1]。腦機接口BCI(Brain Computer Interface)是一種不依賴于大腦的外周神經與肌肉正常輸出通路的通訊和控制系統[1]。由于非植入式BCI所獲取的腦電信號EEG(Electro Encephalo Gram)較微弱，同時受到心電、肌電等信號的干擾，使得提取腦電信號的特征存在較大的困難，所以尋求一種有效且適用性強的信號特征提取方法決定著BCI系統能否迅速發展及廣泛應用。
    目前，腦電信號的特征提取通常有時域、頻域和空域方式，提取方法主要有以下幾種:(1)AR(Autoregressive)模型譜估計。該方法獲取了頻域上的譜信息但損失了時域上的信息，在對時間敏感的信號應用上，得不到好的效果[2]。(2)時域分析法。時域分析法的一個優點是它能夠獲取時域和頻域上的特征，但是算法比較復雜，計算量比較大，不符合BCI系統的實時性要求。(3)公共空間模式CSP(Common Spatial Pattern)。CSP算法是基于兩個協方差矩陣的同時對角化來獲取空間濾波器。該空間濾波器對兩種類型的信號進行空間濾波時起到相反的效果，當其中一類經過濾波后的方差越大時，另一類反而越小，這使得兩類的特征存在比較大的差異，對它們進行分類就較容易[3]。但是CSP算法的不足之處就是無法操作頻域上的信息。(4)公共空間頻率模式CSSP(Common Spatio-Spectral Pattern)。CSSP算法原理上與CSP算法類似，但是CSSP算法優于CSP算法之處是它不僅可以獲取空域上的信息，同時還可以對頻域上的信息進行操作，使得提取的特征更加明顯。

1.2 多參數的CSSP算法
    本文研究的數據集的每一個序列是從3個電極(C3、Cz、C4)中采集得到的，所以輸入信號是一個三維的矩陣，而不是一維的向量。在使用CSSP算法對腦電信號進行特征提取時，所引入的延時因子τ，只是一個單一的變量值[5-6]，對所有從不同電極所采集的信號進行相同時間的延時。考慮到從不同電極所采集到的信號反映不同類別的特征所在的頻段會存在一定的偏差，所以用單一的延時因子τ對所有序列進行延時，并不能將兩類別差別最大的特征提取出來。因此，本文提出將單一的延時因子τ替換為多維變量[τ]，即對不同電極采集的信號采用不同的延時因子。按此方法，多參數的CSSP算法的公式演變為：

2 實驗數據特征提取
    本文研究的數據集來自于2003年BCI競賽中運動想象的標準數據集，由奧地利工業大學生物工程學的醫學信息部門提供。
    該數據集采自于想象左右手運動的方法來控制一個運動桿的任務。該數據集包含280次實驗，從中隨機抽取140次實驗作為訓練集，另外的140次作為測試集。每次實驗所經歷的時間為9 s。前2 s為準備階段，受試者精神處于放松狀態，無任何動作。在第2 s出現一個聲音的刺激信號，提示受試者做好準備，從第2 s到第3 s，屏幕上出現一個十字形的持續提示信號，從第3 s開始，屏幕上隨機出現向左或向右的箭頭，提示實驗者進入想象左右手運動的實驗階段。
2.1 數據預處理
    單邊的肢體運動或想象運動時，大腦同側產生事件相關同步電位ERS(Event-Related Synchronization)，大腦對側產生事件相關去同步電位ERD(Event-Ralated Desynchronization)[7]，這兩種電位主要位于運動感覺區并且主要反應在mu節律和beta節律這兩個波段。由于這兩個波的頻率帶主要集中在8 Hz～30 Hz，所以需對運動想象腦電信號進行8 Hz～30 Hz帶通濾波的預處理。本文通過加窗濾波的方式對數據集的每一通道進行帶通濾波。采用的窗函數為矩形窗，階數為60。
2.2 特征提取
    本文所采用的數據集的每一次實驗所用的時間為9 s，而真正的實驗階段為3 s～9 s，所以只將3 s～9 s的數據用于特征提取。在參考文獻[2]中，實驗者在整個實驗過程中，在第4 s～5 s對左右手想象運動表現得最為明顯，可以認為這一時間段是實驗者腦活動最為活躍的階段，因此，用該時間段的數據進行特征提取。
    設經過預處理得到的第4 s～5 s的兩類樣本數據為Tr_13×128×140和 Tr_23×128×140(三個下標分別代表電極數、每秒的采樣數、試驗次數)，按照三維的延時參數[τ]對樣本數據進行延時操作，得到δ[τ]Tr_13×128×140和δ[τ]Tr_23×128×140，將這兩類數據各自按行連接起來，構成X_13×17920和 X_23×17920，利用式(4)構造出兩類的輸入信號，利用多參數的CSSP算法求出空間濾波器W。本文只采用能量最大w1與最小w2的兩個方向組成空間頻率濾波器，再運用式(5)求出輸出信號Z。將經兩個方向投影后的輸出信號Z分別做方差運算作為腦電分類的特征，即特征f為：
    f=(var(z1)  var(z2))                              (9)
3 實驗步驟及數據結果分析
    本文采用支持向量機的分類方法。支持向量機是通過某個內核函數將輸入信號映射到一個高維特征空間，進而在高維特征空間尋找一個最優的分類面。本文采用高斯核作為核函數。
3.1 實驗步驟
    (1)給定延時參數[τ]3×1以及初始值、支持向量機參數c和g的范圍并選擇c和g的步長。本文給定的[τ]3×1范圍為[1 1 1]′～[6 6 6]′(采樣頻率為128 Hz時，每一個單位代表1/128 s)，初始值為[1 1 1]′(參數為[0 0 0]′時即不采用延時參數，本質上即CSP算法)。c和g參數的范圍為20～212，步長為2。
    (2)利用多參數的CSSP算法以及給定的[τ]3×1值提取出140個訓練樣本特征。利用網格搜索法與五折交叉驗證法，在給定的支持向量機參數范圍內對訓練集進行訓練，求出使得分類正確率最高的支持向量機參數，得到最佳的分類模型。
    (3)在所給的延時參數[τ]3×1范圍內，計算出每一個[τ]3×1所對應的測試集的特征，利用已獲得的最佳分類模型對這些測試集特征進行分類。
    (4)在給定的范圍內，賦予[τ]3×1新的值，返回第二步驟，直到[τ]3×1參數范圍內所有值都用來對訓練集進行訓練為止。
3.2 數據結果分析
    利用上面所闡述的方法，通過尋找訓練集與測試集各自所對應的最佳延時參數，可以提取出訓練集與測試集不同類別間差別較大的特征，對于不同的測試者產生的腦電信號可以訓練出一個最佳的分類模型。令C3、Cz、C4這三個電極采集的數據序列的延時參數[τ]3×1為τ1、τ2、τ3三個變量。在訓練集采用最佳的延時參數[3 4 5]的情況下，將參數τ1固定，改變參數τ2、τ3得到測試集的正確率，如圖1所示。

    從圖1可以看出，當τ1=3時，測試集的分類正確率總體上較采取其他τ1參數高。這說明，C3電極采取的延時參數為3時，可以將C3電極采集到的數據中所含類別特征不明顯的頻段最大程度地濾除掉。當τ1=3、τ2=4、τ3=6時，測試集的分類正確率最高，為87.14%。可以看出，采用最佳的延時參數，可以提取出反映不同類別間差別最大的特征。

    另一方面，采用本文所論述的方法，使用較少的特征維數就可以達到較高的分類正確率，克服了當前許多腦電特征維數多、不易實現實時分析且算法復雜等缺點。對BCI2003的運動想象數據進行分析，較CSP算法與CSSP算法分類正確率有了明顯的提高，比較結果如表1所示。
    從表1可以看出，對于多參數CSSP算法，訓練集與測試集的最佳延時參數很接近，說明測試者經過訓練之后，已經能夠很好地控制自己進入運動想象的狀態。另外，本文論述的方法優于CSP與原始CSSP算法，訓練集與測試集的正確率都有一定程度的提高，說明了該算法的有效性。該算法選取了多個延時參數克服了原始CSSP算法的延時參數單一缺點，提高了該算法在特征提取上的正確性。
    本文通過對運動想象腦電信號進行8 Hz~30 Hz較明顯頻段的帶通濾波，利用多參數的公共空間頻率模型對訓練集與測試集進行特征提取,并利用支持向量機對所提取的特征進行分類，在給定的延時參數范圍內，尋找出使得所提取的特征維數少且明顯性強的最佳參數，進一步提高了分類的實時性和正確性，這對BCI系統應用于各種領域的設備如康復器械、軍事設備等大批量開發將具有一定的參考價值。
參考文獻
[1] WOLPAW J R，BIRBAUMER N，HEETDERKS W J，et al. Brain-computer interface technology：a review of the first  international meeting[J].IEEE Trans on Rehabilitation Engineering，2000，8(2)：164-173.
[2] 李明愛，劉凈瑜，郝冬梅.基于改進CSP算法的運動想象腦電信號識別方法[J].中國生物醫學工程學報，2009，28(2)：161-165.
[3] 堯德中，劉鐵軍，雷旭，等.基于腦電的腦-機接口：關鍵技術和應用前景[J].電子科技大學學報，2009，38(5)：550-553.
[4] 王璐，吳小培，高湘萍.四類運動想象任務的腦電特征分析及分類[J].計算機技術與發展，2008，18(10)：24-26.
[5] LEMM S，BLANKERTZ B.Spatio  spectral filters for  improving the classification of single trial EEG[J].IEEE Trans on Biomedical Engineering，2005，52(9)：1541-1547.
[6] 唐艷，湯井田，龔安棟.基于公共空間頻率模型的腦電數據分類[J].計算機工程與應用，2008，44(20)：159-161.
[7] 趙啟彬.EEG時空特征分析及其在BCI中的應用[D].上海：上海交通大學，2008.