DOI： 10.11817/j.issn.1672-7207.2020.10.017

一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法

刘宝¹，蔡梦迪^{1, 2}，薄迎春¹，张欣¹

(1. 中国石油大学（华东）控制科学与工程学院，山东 青岛，266580；

2. 浙江大华技术股份有限公司，浙江 杭州，310053)

摘要：针对因脑电信号存在个体差异性而造成多类运动想象脑电信号特征提取困难和识别正确率较低的问题，提出一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法。首先，利用粒子群优化(PSO)算法优化得到不同个体脑电信号的最佳时间段和频段；然后，基于优化时频段的脑电信号，利用“一对多”共空间模式(OVR-CSP)算法进行特征提取，将特征向量输入到“一对一”支持向量机(OVO-SVM)中实现分类，并且将分类错误率作为PSO算法的适应度函数值；最后，采用BCI2005desc_Ⅲa数据集验证该算法的分类效果。研究结果表明：相比基于固定时频段脑电信号得到的分类结果以及其他文献中算法的分类结果，该算法的平均分类准确率有较大提高，达87.65%，证明该算法能够有效提取脑电特征，并且具有较好的运动想象脑电信号识别效果。

关键词：运动想象；粒子群优化；共空间模式；支持向量机

中图分类号：TP241                    文献标志码：A

文章编号：1672-7207（2020）10-2855-12

A feature extraction and classification algorithm based on PSO-CSP-SVM for motor imagery EEG signals

LIU　Bao¹, CAI　Mengdi^{1, 2}, BO　Yingchun¹, ZHANG　Xin¹

(1. College of Control Science and Engineering, China University of Petroleum, Qingdao 266580, China;

2. Zhejiang Dahua Technology Co. Ltd., Hangzhou 310053, China)

Abstract: Aiming at the problems of difficulty in feature extraction and the low recognition accuracy for multiple types of motor imagery EEG signals due to individual differences in EEG signals, a feature extraction and classification algorithm based on PSO-CSP-SVM for motor imagery EEG signals was proposed. Firstly, particle swarm optimization(PSO) algorithm was used to optimize the optimal time and frequency band of EEG signals for different individuals. Then, the EEG signals based on the optimized time and frequency band were extracted feature by using the "one versus rest" common spatial patterns(OVR-CSP) algorithm. Finally, the feature vectors were input into the "one versus one" support vector machine(OVO-SVM) to achieve classification, and the classification error rate was taken as the fitness function value of the PSO algorithm. In the experiment, BCI2005desc_Ⅲa data set was employed to verify the classification effect of the algorithm. The results show that compared with the classification results based on fixed time and frequency band EEG signals and the classification results of other algorithms in the literature, the average classification accuracy of the proposed algorithm is greatly improved, which reaches 87.65%. It is proved that the proposed algorithm can extract EEG features effectively and has a better recognition effect of EEG signals of motor imagery.

Key words: motor imagery; particle swarm optimization; common spatial pattern; support vector machine

脑机接口(brain computer interface, BCI)技术可以不依赖外周神经和肌肉组织组成的正常大脑信息输出通道，直接实现人脑与计算机或其他电子设备之间的信息交流和通信控制^[1]，因此，脑机接口技术可以为大脑功能正常，而中枢神经或运动系统受到严重损伤的患者提供一种辅助康复和生活自理的方式^[2]。此外，脑机接口技术在交通控制、军事、娱乐等领域也得到广泛应用。基于运动想象脑电信号的BCI技术是目前BCI技术的主要研究方向之一，其关键技术在于脑电信号特征的有效提取和准确分类。研究表明，人在进行某个肢体运动或想象肢体运动时会出现事件相关去同步现象(event-related de-synchronization, ERD)和事件相关同步(event-related synchronization, ERS)现象^[3]，这2种生理现象成为研究脑电信号分类的理论基础。与ERD/ERS现象相关的常用特征提取算法有功率谱分析法、小波变换和共空间模式(common spatial patterns, CSP)等^[4-8]，其中CSP算法被广泛地应用于运动想象脑电信号的模式分类中，是最有效的脑电信号特征提取方法之一。常用的分类算法有线性判别分析、人工神经网络、贝叶斯分类器和支持向量机(support vector machines, SVM)等，其中SVM在处理小样本、高维度、非线性问题时具有明显的优势，且具有较强的泛化能力和鲁棒性，被广泛应用于分类问题中。由于脑电信号具有个体差异性问题，不同受试者与运动想象相关的ERD/ERS现象往往出现在不同的频率范围和时间段内。目前大多数研究学者为解决个体差异性问题，一般都是对脑电信号的频段和时间段进行人工选择。例如ANG等^[9-10]提出的滤波器组共空间模式算法和判别式滤波器组共空间模式算法都是将频段划分为不同的子频带，依据不同的标准选择出最佳频带，而没有对脑电信号的时间段进行优化；马满振等^[11]设置时长分别为1，2，和3 s的固定时间窗，以选择最优时间段，但没有考虑频率因素；韩仁香^[12]利用滑动窗采用循环方式，不断改变时间窗的时长、时间起点和频率带宽、频率初始点来确定最佳时间段和频段，但其研究中，频率子带和时间子带的带宽往往是常量，且这2个因素的优化过程是独立进行的，对频段和时间段之间的相关性考虑不足，导致难以获得精准的最佳频段和时间段。针对脑电信号存在个体差异性导致多类运动想象脑电信号特征提取不准确，从而影响分类准确率的问题，本文作者提出一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法。该算法首先利用PSO准确优化出不同个体脑电信号的最佳时频参数，同时获得与运动想象相关性最大的脑电信号时间段和频段；然后，利用“一对多”CSP(one versus rest CSP, OVR-CSP)对基于优化时频段的脑电信号进行特征提取；最后，利用“一对一”SVM(one versus one SVM, OVO-SVM)对脑电特征进行分类识别，并且将分类错误率作为PSO算法的适应度函数值。选择BCI2005desc_Ⅲa数据集以验证所提算法的有效性和分类效果。

1  运动想象脑电信号(EEG)生理机制

1.1　EEG的产生机制

人脑是中枢神经系统的重要组成部分，主要包括大脑、小脑、脑干和间脑4个部分^[13]。大脑的表层部分是大脑皮层，大脑皮层上的神经元是人脑中处理信息的基本单元，主要由细胞体、树突和轴突组成。神经元活动时，神经递质在神经元之间传递形成微弱的电流，当足够多的神经元活动模式相同时，才能通过脑电仪器检测到大脑皮层的脑电信号。目前公认脑电信号的主要成分是大脑皮层内神经细胞群同步活动时突触后电位的总和^[13]。

1.2　EEG的采集

目前EEG的采集主要使用非植入式方法，非植入式采集方式将电极帽放置在头皮表面。电极位置的分布普遍依据国际脑电图学会制定的“10-20国际标准导联系统”，该系统的定位标准为：将从鼻根到枕骨粗隆的连线10等分，从鼻根开始，间距为10%，20%，20%，20%，20%和10%的位置依次为Fpz，Fz，Cz，Pz，Oz和枕骨粗隆；将左右耳廓最高点的连线10等分，从左耳开始，间距为10%，20%，20%，20%，20%和10%的位置依次为T3，C3，Cz，C4，T4和右耳垂^[14]。具体电极分布如图1所示。目前常用的64导、128导电极帽也是从10-20标准导联系统扩展而来。

1.3　EEG进行分类的生理基础

现代神经电生理学研究表明：当人类在进行实际肢体运动或者进行运动想象时，大脑皮层的某个区域会被激活，该区域代谢速度加快，血流量增加，使脑电信号相应频段的幅值降低，发生频带能量降低，该生理现象称为ERD；相反，ERS指大脑某个区域处于静息或惰性状态时，脑电信号出现的频带能量升高的现象^[3]。当大脑进行不同类别的运动想象时，ERD/ERS现象会出现在大脑皮层的不同区域，具有空间特性。例如进行左手运动想象时，大脑右半球C4区域产生的脑电波幅值降低，出现ERD现象；同时，大脑左半球C3区域产生的脑电波幅值增加，出现ERS现象。进行右手运动想象时的ERD/ERS现象分布与左手运动想象的情况正好相反，即大脑左半球C3区域出现ERD现象，而右半球C4区域出现ERS现象。此外，ERD/ERS现象还具有频段特性。ERD/ERS现象主要出现在频率范围为8～12 Hz的mu节律和频率范围为18～26 Hz的beta节律。但是不同类别运动想象脑电信号的ERD/ERS现象会出现在不同的频段，例如想象手运动时的ERD现象主要出现在10～12 Hz和20～24 Hz，想象脚运动时的ERD现象经常出现在7～8 Hz和20～24 Hz，想象舌运动时的ERS现象主要出现在10～11 Hz^[15]。因此，ERD/ERS现象的空间特性和频段特性为多类运动想象的分类提供了理论依据。

图1　10-20标准电极导联定位分布图

Fig. 1　Schematic diagram of 10-20 standard electrode lead positioning method

2  基于PSO的改进CSP运动想象脑电信号特征提取与分类方法

为解决脑电信号的个体差异性问题，以获得区分度较大的脑电特征且提高分类准确率，本文作者提出一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法。该算法主要包括PSO算法对脑电信号时频参数的优化，OVR-CSP算法对优化时频段脑电信号的特征提取和OVO-SVM对优化时频段脑电信号的分类识别。该算法的整体结构框图如图2所示。

图2　PSO-CSP-SVM算法的整体结构框图

Fig. 2　Overall structure diagram of PSO-CSP-SVM algorithm

该算法各组成部分的工作过程如下。

1) 脑电信号的时频参数优化。该部分利用PSO算法优化出能准确定位最具区别度脑电特征的时频参数，从而获得不同个体脑电信号的最佳时间段和频段，对脑电数据分别进行时间段和频段滤波。

2) 特征提取。该部分首先针对时频处理后的训练集脑电数据，采用OVR-CSP算法构建空间滤波器，然后将空间滤波器分别对训练集和测试集进行特征提取。

3) 特征分类。该部分首先利用训练集脑电特征对SVM分类器进行训练，且利用网格搜索法来优化分类器参数以提高分类器性能；然后，将训练好的SVM对测试集脑电特征进行分类，得到最后的分类准确率，并将分类错误率作为PSO算法评估粒子位置优劣的适应度函数值。

2.1　基于PSO的运动想象EEG信号时频参数优化

由于脑电信号具有个体差异性，不同个体在进行运动想象时，产生的最明显脑电特征会出现在不同的频段和时间段。利用先验知识对脑电数据的频段和时间段进行选择往往是不精确的；而PSO算法具有较强的搜寻全局最优解能力，且调整参数少，收敛速度快^[16]，可以为不同个体优化出能准确定位最明显特征的时频参数，获得具有最佳时间段和频段的脑电信号，从而有利于后续的脑电特征提取及分类。

利用PSO算法对脑电信号的时频参数进行优化时，假设PSO算法中1个粒子种群包含个粒子，定义每个粒子的维度为4，用位置向量来表示每个粒子个体的移动方向，用速度向量来表示其移动的速度。那么，在四维搜索空间中，第个粒子在第k次迭代时，其位置向量可以表示为，该四维参数分别被定义为脑电信号的开始频率、频率宽度、开始时间和时间宽度。其速度向量可以表示为。定义第k次迭代时，粒子i搜索到的最优位置为，也称为局部最优位置。将该粒子的局部最优位置与粒子群中的其他粒子的局部最优位置相比较，基于最小化原则，找到最优的局部最优位置当作整个粒子群的当前全局最优位置，记为。粒子群中的每个粒子根据当前的局部最优位置和全局最优位置来更新自己的速度和位置：

(1)

(2)

式中：，为算法迭代的次数；，为第个粒子个体；，为待优化问题的维度；和为加速因子，通常在范围内取值；和为符合均分布的随机数且，。用来评估局部最优位置和全局最优位置的粒子适应度F表示为

                                (3)

式中：为由SVM分类器正确识别出的测试集样本数；为测试集样本总数。

经过PSO算法的不断迭代优化，最终可以得到脑电信号开始频率、频率宽度、开始时间和时间宽度的最优值，从而获得运动想象脑电信号的最优频段和时间段分别为和，为后续利用OVR-CSP算法进行特征提取奠定基础。

2.2　基于CSP的运动想象EEG信号特征提取

运动想象脑电信号的特征提取可以从原始多维的脑电数据中提取到有效的特征，直接决定后续特征识别的正确率，对于BCI系统来说具有重要意义。CSP算法是最有效的脑电信号特征提取算法之一^[17-18]，针对多类运动想象脑电信号的分类，本文采用OVR-CSP算法进行特征提取。

假设多类想象任务的原始脑电数据矩阵分别为，为任务总类别数。矩阵的维度均为，其中为通道数，为单次试验每个通道采样点数，且。OVR-CSP算法需构建个空间滤波器，当构建空间滤波器时，将脑电数据视为一类，剩下的类整体视为另一类，这样便转化成二分类问题。下面以滤波器的构建过程为例进行介绍。

训练集每类运动想象脑电信号的归一化协方差矩阵表达式如下：

(4)

式中：表示对的转置，为矩阵的迹。对每次运动想象脑电数据分别求协方差矩阵，并将同一类任务下的协方差矩阵求平均值，得到平均协方差矩阵，则混合协方差矩阵为

(5)

将进行特征值分解：

(6)

式中：为特征向量矩阵；为特征值构成的对角阵。将特征值进行降序排列，则白化矩阵为

(7)

OVR-CSP算法将第一类视为一类，剩余的整体视为另一类为，如式(8)所示：

(8)

对和分别进行如下变换：

(9)

然后对和进行主分量分解，得到：

(10)

式中：为特征矩阵；为单位矩阵。若将中的特征值按照降序排列，则中的特征值按升序排列。由于2类矩阵的特征值之和恒为1，则最大特征值所对应的特征向量使有最小特征值，反之亦然。构建投影矩阵：

(11)

为使变换后的2类信号差异性最大化，取投影矩阵的前行和后(2m≤N)行组成空间滤波器。将训练集和测试集的脑电信号分别经空间滤波器滤波后得到特征矩阵Z：

(12)

的每个行向量对应1个通道的特征，特征值定义方式为

(13)

为解决脑电信号个体差异性大，受试者部分脑电特征波动剧烈的问题，对特征值取对数运算：

(14)

最后，在OVR-CSP算法构建的个空间滤波器滤波下，训练集和测试集里每个样本的脑电数据矩阵都可提取出为的一维特征。

2.3　基于SVM的运动想象EEG信号分类

在获得运动想象脑电信号较明显的特征后，可以依据样本的特征分布趋势判断运动想象任务的类别，但当脑电信号的噪声较大时则无法进行有效的识别。因此，为提高分类准确率，需要利用分类器对特征进行学习和识别，分类器的性能直接影响脑电信号最终的分类准确率。SVM是一种具有统计学理论基础的分类算法，并且通过引入核技巧，使其成为实质上的非线性分类器。本文采用OVO-SVM算法作为多类运动想象脑电信号的分类算法。

OVO-SVM算法在处理多类运动想象脑电信号的分类时，需要依次利用任意2类样本构建不同的SVM分类器。当总类别数为时，则需要构建个SVM分类器。对于包括左手、右手和舌等在内的多类脑电信号，可以先构建左、右手运动想象脑电信号之间的SVM_L,R分类器，然后依次构建其他类信号之间的多个分类器。其中，构建左、右手运动想象脑电信号之间的分类器过程如下。

假定运动想象脑电信号的训练数据集D为

(15)

式中：为第个特征向量；为的类标签，且。将左手视为正类，标签为+1，右手视为负类，标签为-1。SVM的目标就是寻找1个最优超平面，以使每一类数据支持向量之间的分类间隔达到最大。分离超平面定义为，由法向量和截距决定。

对于解决运动想象脑电信号线性不可分问题，SVM寻找最优超平面的过程就是求解如下的凸二次规划问题：

(16)

式中：为惩罚参数且；为松弛变量。通过Lagrange乘子法可得到：

(17)

式中：和为拉格朗日向量；为的类标签。

对式(17)求解得：

(18)

因此，可以得到分类超平面和决策函数表达式：

(19)

(20)

此时，SVM也会通过引入核函数的方法来解决脑电信号的线性不可分问题，用代替式(17)中的内积。将原空间的特征向量映射到高维空间，使其实现线性可分。由于脑电信号是非线性的，本文核函数则选用径向基函数，其表达式为

(21)

其中：为高斯核的带宽且。此情形下分类决策函数表达式为

(22)

惩罚参数和核函数参数是影响SVM分类效果的主要因素，本文选用网格搜索法进行这2个参数的寻优。

然后，OVO-SVM算法依次利用训练集中任意2类样本构建SVM分类器，最终得到个SVM分类器。

在测试新样本时，将新样本的特征依次输入这些分类器，然后采取投票机制。若每个分类器的判定结果属于第1类，则第1类的票数加1，否则第2类加1。例如当左、右手之间的分类器SVM_L,R的判定结果为左手时，左手的票数加1，否则右手加1；当左手和舌之间的分类器SVM_L,T的判定结果为左手时，左手的票数加1，否则舌的票数加1。最终依据个分类器的判定结果将票数最高的类别作为测试样本的输出类别。

综上可知，基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法整体流程图如图3所示。

图3　PSO-CSP-SVM算法的整体流程图

Fig. 3　Overall flow chart of PSO-CSP-SVM algorithm

从图3可以看出PSO-CSP-SVM算法的具体步骤如下：

1) 随机初始化粒子种群中个粒子的位置和速度；

2) 利用每个粒子当前位置的四维参数值分别对训练集和测试集的原始运动想象脑电数据进行时频处理；

3) 利用OVR-CSP算法对处理后的脑电数据进行特征提取；

4) 利用OVO-SVM算法对训练集提取出的脑电特征进行训练后，对测试集的脑电特征进行测试，得出分类准确率；

5) 计算每个粒子的适应度；

6) 由适应度评估出每个粒子的局部最优位置及粒子群的全局最优位置；

7) 利用公式(1)和(2)更新每个粒子的速度和位置；

8) 重复步骤2)～7)，直到满足分类准确率要求或达到最大的迭代次数。

3  实验结果分析

3.1　实验条件与数据来源

基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法的实验仿真条件为：CPU, Intel(R) Core(TM) i5-5200U(2.20GHz)；RAM, 8.0 GB，Windows 10，MATLABR2017b。本文采用BCI2005desc_Ⅲa数据集，该数据集包括k3b，k6b和l1b33名受试者的4类运动想象(左手、右手、舌和脚)脑电信号。数据用64导Neuroscan脑电放大器采集获得，采样频率为250 Hz，并对数据进行了1～50 Hz的滤波处理。实验过程如图4所示。从图4可见：前2 s，受试者处于安静状态；在第2 s时，计算机发出提示音且屏幕上出现“+”，提示受试者运动想象即将开始；自第3 s开始，计算机屏幕出现向左、向右、向上或向下的箭头1 s，要求受试者根据箭头方向分别进行左手、右手、舌和脚的运动想象，一直到第7 s结束^[19]。其中受试者k3b的4类运动想象各采集90组，共360组；受试者k6b和l1b的4类运动想象各采集60组，共240组。将每名受试者运动想象样本集的一半作为训练集，另一半作为测试集。

图4　实验过程时序图

Fig. 4　Timing chart of the experimental process

为了分析在进行运动想象任务时出现的ERD/ERS特征，本文采用功率谱分析法对脑电信号进行处理。功率谱分析法可以将幅值随时间变化的脑电数据变为脑电功率随频率变化，从而可检测到不同运动想象任务引发的不同ERD/ERS现象。以k3b受试者的左、右手运动想象数据为例，分析其出现ERD/ERS现象的空间特性和频段特性，其左、右手运动想象与休息状态时的脑电数据在导联C3和C4上的功率谱密度图如图5所示。从图5可以看出：在进行左、右手运动想象任务时，在脑区对侧会出现ERD现象，而在脑区同侧出现ERS现象；即在进行左手运动想象时，对大脑右半球C4导联的功率谱分析反映出ERD现象，对大脑左半球C3导联的功率谱分析反映出ERS现象。但是进行右手运动想象时出现的ERD/ERS现象分布导联正好与左手运动想象时的相反。由图5还可见：在进行左、右手想象运动时，ERD/ERS现象主要出现在了10～12 Hz和20～24 Hz频段。因此，基于ERD/ERS现象的空间和频段分布特性，针对包含左手、右手、舌和双脚4类运动想象脑电信号的BCI2005desc_Ⅲa数据集，可以通过采用有效的特征提取和分类算法，获得与运动想象相关的脑电特征，从而准确识别出4类脑电信号。

3.2　4类运动想象EEG信号时频参数优化结果

利用PSO算法对BCI2005desc_Ⅲa数据集的脑电信号进行时频参数优化时，由于进行运动想象的时间段是3～7 s，脑电信号的采样频率为250 Hz，则有效时间段上的脑电数据采样点范围为[750，1 750]个，且与运动想象相关的ERD/ERS现象主要出现在8～30 Hz。因此，对PSO算法中每个粒子四维位置参数，，和搜索范围的设置方式如表1所示，且当对应的采样点数之和()大于1 750个时，；当Hz时，。

表1　PSO算法粒子位置参数的搜索空间

Table 1　Search space of PSO algorithm particle position parameter

图5　左右手运动想象与休息状态在C3和C4导联上的功率谱密度图

Fig. 5　Power spectral density plots of left and right hand motion imagination and rest on C3 and C4 lead

在实验仿真中，将PSO算法的迭代次数设置为10，粒子个数M的取值为15。k3b，l1b和k6b这3名受试者脑电数据在迭代优化过程中的适应度曲线如图6所示，最终3名受试者经PSO算法优化得到的脑电信号最佳时频参数如表2所示。实验结果表明，PSO算法能够有效优化出不同个体脑电信号的最佳时频参数。

表2　3名受试者的最佳时频参数

Table 2　The best time-frequency parameters of the three subjects

图6　3名受试者的PSO算法适应度曲线

Fig. 6　PSO algorithm fitness curve of three subjects

3.3　4类运动想象EEG信号特征提取分析

在4类运动想象(左手、右手、舌和脚)任务分类中，OVR-CSP算法需要构建4个空间滤波器，即W₁，W₂，W₃和W₄。将特征点对数m的取值设置为4，即每个滤波器由投影矩阵的前4行和后4行组成。那么，单次实验样本可以由4个空间滤波器得到1×32一维特征向量。其中受试者k3b训练集的各类运动想象任务在4个空间滤波器作用下提取的特征值如表3所示，特征分布趋势如图7所示。由图7可以看出：每一类运动想象在对应自己滤波器下的特征分布基本呈下降趋势，与其他3类相比具有较明显的区别。因此，OVR-CSP算法可以有效地提取4类运动想象脑电特征，有利于进行后续的分类识别工作。

表3　受试者k3b的4类运动想象在不同空间滤波器下的对数特征值

Table 3　Eigenvalues of k3b four types of motor imagery under different spatial filters

图7　受试者k3b的4类运动想象EEG特征分布

Fig. 7　EEG feature distribution of four types of motor imagery of subject k3b

3.4　4类运动想象EEG信号分类结果及对比分析

采用OVO-SVM算法进行4类运动想象脑电信号分类时，需要构建6组分类器。由网格搜索法得到分类器惩罚参数和核函数参数的最优值以及交叉验证准确率(cross validation accuracy, CVA，变量用P_CVA表示)，3名受试者各自的分类器参数最优值及P_CVA如表4所示。

表4　SVM分类器参数C和的最优值及交叉验证准确率

Table 4　The optimal values of SVM classifier parameters C and  and P_CVA

对每名受试者单次运动想象任务脑电信号都选取3～7 s的固定时间段和8～30 Hz的固定频段，然后同样采用OVR-CSP算法进行特征提取及OVO-SVM算法进行分类，将其得到的分类结果与本文基于优化时频段得到的结果进行对比，如表5所示。

表5　基于优化时频段和固定时频段的分类结果对比

Table 5　Comparison of classification results based on optimized and specific time-frequency bands

从表5可以看出：针对优化时频段脑电信号时，SVM分类器对受试者k3b，k6b和l1b的最终准确率分别为96.67%，77.12%和89.17%。相比基于固定时频段的分类准率分别提高了3.34%，0.46%和6.09%，平均分类准确率提高了3.29%，证明了本文所提算法对优化时频段的脑电信号进行特征提取及分类的有效性。

将本文算法的分类结果与其他文献中算法的分类结果进行对比，如表6所示。其中文献[7]利用小波包分析方法进行特征提取和基于聚类思想的二叉树支持向量机进行特征识别；文献[15]采用PW-CSP和Hilbert变换提取特征，对SVM进行分类；文献[20]提出二级CSP算法进行特征提取，利用SVM得到分类结果；BCI竞赛第1名是利用OVR-CSP算法和SVM算法进行脑电识别^[19]。从表6可以看出：对于受试者k3b和l1b的分类结果，本文所提算法的分类准确率高于文献[7,15,20]以及BCI竞赛第1名所采用算法^[19]的分类准确率，最高分类准确率为96.67%；对于受试者k6b的分类结果，本文算法所得分类准确率略低于其他算法的分类准确率。从3名受试者的平均分类准确率来看，本文所提算法明显优于其他文献中的算法，平均分类准确率达到87.65%，为多类运动想象脑电信号分类问题的研究提供了新思路。

表6　与其他文献的分类结果对比

Table 6　Comparison of classification results with other literatures

4  结论

1) 为解决个体差异性导致的多类脑电信号特征提取困难和分类准确率较低的问题，提出一种基于PSO-CSP-SVM的运动想象脑电信号特征提取及分类算法。

2) 该算法包括利用PSO算法对脑电信号进行时频参数优化、基于优化时频段脑电信号利用OVR-CSP算进行特征提取和OVO-SVM算法进行特征分类3个部分。将该算法应用于BCI2005desc_Ⅲa数据集，可对4类运动想象脑电信号进行分类，同时该算法也适用于其他脑电信号数据集。

3) 与其他算法的分类结果进行对比，本文提出的算法提高了运动想象脑电信号的平均分类准确率，且最高分类准确率可达96.67%。证明了本文算法的有效性，可为BCI系统研究提供参考。

参考文献：

[1] WOLPAW J R, BIRBAUMER N, MCFARLAND D J, et al. Brain-computer interfaces for communication and control[J]. Clinical Neurophysiology, 2002, 113(6): 767-791.

[2] NICOLAS-ALONSO L F, GOMEZ-GIL J. Brain computer interfaces, a review[J]. Sensors, 2012, 12(2): 1211-1279.

[3] PFURTSCHELLER G, LEEB R, KEINRATH C, et al. Walking from thought[J]. Brain Research, 2006, 1071(1): 145-152.

[4] 徐宝国, 宋爱国. 基于小波包变换和聚类分析的脑电信号识别方法[J]. 仪器仪表学报, 2009, 30(1): 25-28.

XU Baoguo, SONG Aiguo. EEG signal recognition method based on wavelet packet transform and clustering analysis[J]. Chinese Journal of Scientific Instrument, 2009, 30(1): 25-28.

[5] TREDER M S, PORBADNIGK A K, SHAHBAZI AVARVAND F, et al. The LDA beamformer: optimal estimation of ERP source time series using linear discriminant analysis[J]. NeuroImage, 2016, 129: 279-291.

[6] CHEN Minyou, TAN Xuemin, ZHANG Li. An iterative self-training support vector machine algorithm in brain-computer interfaces[J]. Intelligent Data Analysis, 2016, 20(1): 67-82.

[7] 庄玮, 段锁林, 徐亭婷, 等. 基于支持向量机的脑电信号分类方法研究[J]. 科学技术与工程, 2014, 14(9): 73-77.

ZHUANG Wei, DUAN Suolin, XU Tingting, et al. Research on EEG classification method based on SVM[J]. Science Technology and Engineering, 2014, 14(9): 73-77.

[8] NOVI Q, GUAN Cuntai, DAT T H, et al. Sub-band common spatial pattern (SBCSP) for brain-computer interface[C]// 2007 3rd International IEEE/EMBS Conference on Neural Engineering. Kohala Coast, HI, USA: IEEE, 2007: 204-207.

[9] ANG K K, CHIN Z Y, ZHANG Haihong, et al. Filter bank common spatial pattern (FBCSP) in brain-computer interface[C]// 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence). Hong Kong, China: IEEE, 2008: 2390-2397.

[10] THOMAS| K P, GUAN Cuntai, LAU C T, et al. A new discriminative common spatial pattern method for motor imagery brain-computer interfaces[J]. IEEE Transactions on Biomedical Engineering, 2009, 56(11): 2730-2733.

[11] 马满振, 郭理彬, 苏奎峰. 基于多类运动想象任务的EEG信号分类研究[J]. 计算机测量与控制, 2017, 25(10): 232-235, 239.

MA Manzhen, GUO Libin, SU Kuifeng. Research on EEG signal classification based on multi-class motion imagination task[J]. Computer Measurement & Control, 2017, 25(10): 232-235, 239.

[12] 韩仁香. 基于时间段和频带联合选择的多类运动想象脑-机接口分类算法研究[D]. 南昌: 南昌大学信息工程学院, 2013: 41-46.

HAN Renxiang. Study on classification algorithms in multiclass motor imagery brain-computer interfaces based on combined selection of time segment and frequency band[D]. Nanchang: Nanchang University. Colllege of Information Engineering, 2013: 41-46.

[13] 周鹏. 基于运动想象的脑机接口的研究[D]. 天津: 天津大学精密仪器与光电子工程学院, 2007: 16-22.

ZHOU Peng. The research of brain-computer interface based on motor imagery[D]. Tianjin: Tianjin University. College of Precision Instrument and Optoelectronic Engineering, 2007: 16-22.

[14] 李丽君. 基于运动想象的脑电信号特征提取及分类算法研究[D]. 广州: 华南理工大学生物科学与工程学院, 2012: 12-14.

LI Lijun. Feature extraction and classification of imaginary movements in EEG[D]. Guangzhou: South China University of Technology. College of Biological Science and Engineering, 2012: 12-14.

[15] 施锦河, 沈继忠, 王攀. 四类运动想象脑电信号特征提取与分类算法[J]. 浙江大学学报(工学版), 2012, 46(2): 338-344.

SHI Jinhe, SHEN Jizhong, WANG Pan. Feature extraction and classification of four-class motor imagery EEG data[J]. Journal of Zhejiang University (Engineering Science), 2012, 46(2): 338-344.

[16] 张庆科. 粒子群优化算法及差分进行算法研究[D]. 济南: 山东大学计算机科学与技术学院, 2017: 26-35.

ZHANG Qingke. Research on the particle swarm optimization and differential evolution algorithms[D]. Jinan: Shandong University. College of Computer Science and Technology, 2017: 26-35.

[17] 李明爱, 刘净瑜, 郝冬梅. 基于改进CSP算法的运动想象脑电信号识别方法[J]. 中国生物医学工程学报, 2009, 28(2): 161-165.

LI Mingai, LIU Jingyu, HAO Dongmei. EEG recognition of motor imagery based on improved CSP algorithm[J]. Chinese Journal of Biomedical Engineering, 2009, 28(2): 161-165.

[18] HIGASHI H, TANAKA T. Common spatio-time-frequency patterns for motor imagery-based brain machine interfaces[J]. Computational Intelligence and Neuroscience, 2013, 2013: 537218.

[19] BCI Competition: download area[EB/OL]. [2005-05-22]. http: //www.bbci.de/competition/iii/results.

[20] 尚允坤, 段锁林, 潘礼正. 基于ERS/ERD的二级共空间模式的运动想象脑电信号特征提取[J]. 计算机工程与科学, 2017, 39(7): 1385-1390.

SHANG Yunkun, DUAN Suolin, PAN Lizheng. Feature extraction of motor imagery EEG of two layers common spatial pattern based on ERS/ERD[J]. Computer Engineering & Science, 2017, 39(7): 1385-1390.

(编辑  伍锦花)

收稿日期： 2020 -03 -01; 修回日期： 2020 -05 -09

基金项目(Foundation item)：中央高校基本科研业务费专项资金资助项目(20CX05006A)；国家自然科学基金资助项目(60775052)；中石油重大科技项目(ZD2019-183-007) (Project(20CX05006A) supported by the Fundamental Research Funds for the Central Universities; Project(60775052) supported by the National Natural Science Foundation of China; Project(ZD2019-183-007) supported by the Major Scientific and Technological Program of CNPC)

通信作者：刘宝，教授，从事油气田智能检测与控制、人工智能与控制技术研究；E-mail：liubao@upc.edu.cn