脑电信号多特征融合与卷积神经网络算法研究

doi:10.3778/j.issn.1002-8331.2212-0301

摘要/摘要

摘要：针对脑电信号（脑电图）运动想象中单一特征无法多维表征信号中的信息导致的分类准确率不高的问题，提出一种基于样本熵和共空间模式特征融合的特征提取算法。算法先对原始脑电信号进行小波包分解，从中选择包含μ和β节律的分量进行重构，然后分别提取重构信号的样本熵和CSP（公共空间模式，CSP）特征，将两者融合组成新的特征向量，使用所设计的一维卷积神经网络对其进行识别获得分类结果。所提方法在2003年BCI数据集III中国91.66%的分类准确率，在2008年脑机接口数据集中国获取85.29%的平均分类准确率。与近年来文献中提出的多特征融合算法相比，准确率提高了7.96个百分点。

关键词: 脑电信号, 运动想象, 小波包重构, 样本熵, 共空间模式, 卷积神经网络

摘要：针对脑电信号运动图像分类精度低的问题，提出了一种基于样本熵和公共空间模式（CSP）特征融合的特征提取算法。该算法首先对原始脑电信号进行小波包分解，选择包含μ和β节律的分量进行重构。然后，分别提取重构信号的样本熵和CSP特征。然后将这两个特征进行融合，生成一个新的特征向量，并使用本文设计的一维卷积神经网络进行识别，以获得分类结果。该方法在2003年BCI数据集III上实现了91.66%的分类准确率，在2008年BCI数据库a上实现了85.29%的平均分类准确率。与最近文献中提出的多特征融合算法相比，准确率提高了7.96个百分点。

关键词： 脑电图，运动想象，小波包变换，样本熵，共同的空间格局，卷积神经网络

宋世林, 张学军. 脑电信号多特征融合与卷积神经网络算法研究[J] ●●●●。计算机工程与应用, 2024, 60(8): 148-155.

宋士林、张学军。基于卷积神经网络的脑电信号多特征融合算法研究[J]。计算机工程与应用，2024,60（8）：148-155。

参考文献

[1] AHMAD R F，MALIK A S，KAMEL N，等.利用分形维数识别脑电信号的不同人脑状态：非线性方法[C]//2014年IEEE智能仪器、测量和应用国际会议论文集，2014年。
[2] FAN M L，CHOU C A.通过EEG信号的时间同步检测癫痫发作的异常模式[J]。IEEE生物医学工程学报，2019，66（3）：601-608。
[3] JEONG J H，YU B W，LEE D H，等.基于脑电信号的深度时空卷积双向LSTM网络睡意分级[J]。脑科学，2019，9（12）：348。
[4] 邓X，张斌，刘坤，等.基于时-频-空特征的运动图像脑电信号分类[C]//2021年IEEE第十届数据驱动控制与学习系统会议论文集，2021:6-11。
[5] 许学添, 蔡跃新. 基于图卷积网络的运动想象识别[J] ●●●●。计算机工程与应用, 2022, 58(4): 186-191.
徐晓天，蔡永霞.基于图卷积网络的运动图像识别[J]。计算机工程与应用，2022，58（4）：186-191。
[6] POURALI H，OMRANPOUR H.CSP Ph PS：基于进化算法的脑电信号识别学习CSP相空间和Poncare截面[J]。专家系统与应用，2023，211:118621。
[7] ESPINOSA R，TALERO J，WEINSTEIN A.Tau和采样频率对使用ApEn和SampEn熵估值器进行ECG和EEG信号规律性分析的影响[J]。熵，2020，22（11）：1298。
[8] PAN C，SHI C，MU H，等.基于高斯核和拉普拉斯先验的logistic回归的EEG情感识别及临界频带研究[J]。应用科学，2020，10（5）：1619。
[9] 燕楠, 王珏, 魏娜, 等. 基于样本熵的注意力相关脑电特征信息提取与分类[J] ●●●●。西安交通大学学报, 2007(10):1237-1241.
颜恩，王杰，魏恩，等.基于样本熵的注意相关脑电图信号特征提取与分类[J]。西安交通大学学报，2007（10）：1237-1241。
[10] 阿明苏，阿苏莱曼M，穆罕默德G，等.基于卷积神经网络的多层次加权特征融合在脑电运动图像分类中的应用[J]。IEEE接入，2019，7:18940-18950。
[11] ECHTIOUI A，ZOUCH W，GHORBEL M，等.脑电信号分类的多类运动图像融合卷积神经网络[C]//第17届IEEE国际无线通信与移动计算会议论文集，2021。
[12] 李聪，杨浩，吴霞，等。利用混合神经网络改进基于EEG的运动图像分类方法[C]//IEEE第九届信息、通信和网络国际会议论文集，2021。
[13] 张磊，胡继发，熊国良。基于提升小波包变换和样本熵的新型分类器集成轴承故障诊断[J]。冲击与振动，2016，2016（3）：1-13。
[14] FRIZZ S，KAABI R，BOUCHOUICHA M，et al.视频火灾和烟雾探测的卷积神经网络[C]//IEEE工业电子学会第42届年会论文集，2016。
[15] 王C，WU Y，王C，等.基于Shannon复小波和卷积神经网络的MI-EEG分类[J]。应用软计算，2022，130:109685。
[16] 曾伟，李明清，袁春初，等.基于时间尺度分解（ITD）、离散小波变换（DWT）、相空间重构（PSR）和神经网络的脑电信号癫痫发作识别[J]。《人工智能评论》，2020，53（4）：3059-3088。
[17] CIRUGEDA-ROLDAN E M，MOLINA-PICO A，CUESTA-FRAU D，et al.数据丢失情况下EEG记录的样本熵和去趋势波动分析性能的比较研究[C]//IEEE工程医学与生物学会第34届国际年会论文集，2012:4233-4236。
[18] 孔祥浩, 马琳, 薄洪健, 等. 美国有线电视新闻网相结合的脑电特征提取与识别方法研究[J] ●●●●。信号处理, 2018, 34(2): 164-173.
KONG XH，MA L，BO H J，等。基于CNN和CSP的脑电特征提取与识别方法研究[J]。《信号处理杂志》，2018，34（2）：164-173。
[19] MATSUO Y，LECUN Y，SAHANI M，等.深度学习、强化学习与世界模型[J]。神经网络，2022，152:267-275。
[20] BLANKERTZ B，MULLER K R，CURIO G，等.2003年BCI竞赛：脑电单次试验检测与鉴别的进展与展望[J]。IEEE生物医学工程学报，2004，51（6）：1044-1051。
[21]FATOURECHI M，BASHASHATI A，WARD R K，等.脑-机接口系统中的肌电和EOG伪影：一项调查[J]。临床神经生理学，2007，118（3）：480-494。
[22]梁伟，金杰，戴立，等.基于图卷积网络的运动图像通道选择新模型[J]。认知神经动力学，2022，17:1283-1296。
[23]MA M Z，GUO L B，SU K F，等.基于小波变换和样本熵的运动图像脑电信号分类[C]//第二届IEEE高级信息技术、电子与自动化控制会议论文集，2017:905-910。
[24]李永平，王强，王涛，等.基于局部均值分解和模糊熵的脑电信号特征提取[J]。国际模式识别与人工智能杂志，2022，61（6）：4807-4820。
[25] 罗飞, 刘鹏飞, 罗元, 等. 多特征融合的运动想象脑电特征提取方法[J] ●●●●。计算机应用, 2020, 40(2): 616-620.
LUO F，LIU P F，LUO Y，等.基于多特征融合的运动图像脑电特征提取方法[J]。计算机应用杂志，2020，40（2）：616-620。
[26]TABAR Y R，HALICI U。一种新的脑电运动图像信号分类的深度学习方法[J]。神经工程杂志，2017，14（1）：016003。
[27]RAZA H，CHOWDHURY A，BHATTACHARYYA S，et al.利用EEGNet和神经结构学习进行单次EEG分类以提高BCI性能[C]//作为IEEE计算智能世界大会的一部分召开的国际神经网络联合会议（IJCNN）会议记录，2020年。