运动想象系统的原理以及常见的特征提取算法和分类算法

Hello，大家好！

Rose小哥今天给大家介绍一些运动想象系统的原理以及运动想象系统中常见的特征提取算法和分类算法。

第一部分：运动想象系统的原理及组成[1]

图1来源于文献[1]

图1详解：想象左手右手运动的ERD现象。当想象左手运动时，大脑皮层右侧(C4电极附近) 出现ERD 现象，相关区域能量减小；当想象右手运动时，大脑皮层左侧（C3电极附近）出现ERD 现象，相关区域能量减小[2]。

图片来源于网络

运动想象系统的生理基础是：当人在想象躯体不同部位的运动时，会相应的激活大脑的不同功能区域，从而产生具有不同特性的脑电信号。而所谓的不同特性指的是事件相关去同步化（Event-related desynchronization，ERD）和事件相关同步化（Event-relatedsynchronization，ERS）现象。

当人在想象运动时，大脑皮层相关的区域会出现特定频率振幅减小，能量下降的情况，这就是ERD；而当人在想象运动结束或者进入大脑静息状态时，大脑皮层相关区域则会出现振幅增加，能量增加的情况，这就是ERS。而ERD 和ERS只会在EEG的特定频率范围内出现，比如8-12Hz的Mu波以及18-26Hz 的Beta 波。

图1 展示了想象左手和右手运动时，大脑头皮上检测出的ERD现象。当想象左手运动时，大脑右侧皮层的运动区域出现ERD 现象，相关区域的Mu 波和Beta 波振幅减小，能量降低。相反的，当想象右手运动时，大脑左侧皮层的运动感觉区域出现ERD现象，相关区域Mu波和Beta波振幅减小，能量降低。当想象不同部位运动时，EEG信号所包含的特性出现差异，而运动想象系统就是根据这些差异，有效地区分想象运动所产生的EEG信号，从而获知被试的运动意图。

运动想象系统是指对想象运动产生的EEG信号进行解码，从而获知被试的运动意图，将相应的控制命令传给外接设备，达到人机交互的目的。

特征提取算法

(1)时域方法：这是比较早期的EEG信号处理方法，主要通过提取EEG的波形特征，比如振幅、方差、波峰等，对EEG信号进行分析；

(2)频域方法：运动想象EEG信号的ERD和ERS现象只出现在特定频率范围，比如8-12Hz 的Mu波和18-26Hz 的Beta 波。因此，通过功率谱等谱分析方法，也可以有效地从EEG提取中特征。其中比较出名的方法有自回归功率谱分析、双谱分析法等；

(3)空域方法：这是近年运动想象领域比较通用的特征提取方法，主要通过设计空域滤波器对EEG 的多通道空间分布进行处理，提取可分的特征。包括：共空域模式法（Common spatialpattern，CSP），以及基于CSP改进的方法。

基于CSP改进的方法包括：

1.时空滤波的共空谱模式（Common spatio-spectralpattern, CSSP）；

2.共稀疏谱空模式（Common sparse spectral spatial pattern，CSSSP）；

3.正则化公用空间模式（Regularized Common Spatial Pattern, RCSP)等。

(4)鉴于脑电信号的非线性特性和运动想象时的节律特性，提出了小波模糊熵的特征提取方法，利用小波变换将EEG信号进行小波分解，得到对应运动想象EEG信号的alpha和beta节律，然后采用模糊熵方法提取特征。

图片来源于网络

分类识别算法

(1)LDA 分类器

LDA分类器(LinearDiscriminant Analysis，LDA)是一种简单高效的线性分类器，将数据往低维度方向投影，使得投影后的数据具有类内方差最小，类间方差最大的特性。也即是投影后同一类别的数据尽可能接近，不同类别的数据尽可能分开。最后在最可分的数据上通过简单的阈值设置进行分类。LDA 是运动想象系统中最常用的分类器，在历届的脑机接口竞赛中都被许多参赛者使用。近年来，结合运动想象的特点，许多基于LDA 的改进方法也被提出来，比如自适应LDA、贝叶斯LDA等，并且都取得了很好的分类性能。

(2)SVM 分类器

支持向量机分类器(SVM)是机器学习里典型的分类器，通过构建一个最优的分割超平面，从而将两类数据尽可能的区分开。SVM 在运动想象系统中也被广泛的使用，除此之外，SVM 在P300、稳态视觉诱发电位（Steady state visuallyevoked potentials，SSVEP）脑机接口系统中也广泛使用。

(3)贝叶斯分类器

贝叶斯分类器是利用贝叶斯公式计算出样本属于各个类别的后验概率，然后最大后验概率所对应的类别则为该样本的类别。贝叶斯分类器也广泛的使用于运动想象系统，对特征进行分类。

(4)人工神经网络

人工神经网络是利用大脑神经元结构和信息传递机理，在此基础上建立大规模的具有自适应能力的网络系统，并且通过拓扑结构连接，按照大型规模的并行方式排列而成。人工神经网络适合非线性分析问题，并且具有较强的学习和归纳能力，自适应性强。人工神经网络的模式有很多种，目前常用的人工神经网络有：感知器、多层感知器、BP神经网络、RBF神经网络等。

(5)聚类分类器

聚类分析是一种具有探索性质的模式分类方法，在分类时不依赖于任何关于分类的先验知识，而是采用相似度量的方法，对具有相同或相似特征的样本进行分类。聚类分析在分类时需要确定一种聚类准则来评价聚类方法的好坏，常用的聚类准则有误差平方和、类间距离和、离散度等。聚类方法有很多种，常见的方法有：层次聚类、动态聚类法和决策树聚类法等。由于聚类为线性分类器，它在脑电信号分类中的缺点是对脑电信号的特征要求很高，难以处理复杂的分类问题，容易造成分辨率低。

参考:

[1] 基于协方差特征的EEG解码及其在运动想象脑机接口系统的应用研究

[2] Neurophysiological predictor ofSMR-based BCI performance

[3] 基于运动想象的脑-机接口的算法研究

[4]运动想象脑电信号特征提取与分类研究