数据处理流程

第五节　数据处理流程

整个数据处理流程(也称模式识别过程)包括信号预处理、特征提取、特征选择与分类。

(1)信号预处理:目的是提高信噪比。噪声的来源有很多种，包括非神经源噪声和神经源噪声。其中非神经源噪声有眼动伪迹、肌电干扰、工频干扰等;而神经源噪声，包括自发的与意念无关的信号、或者与感兴趣特征脑电无关的其他特征信号，不是我们需要的信号，应尽可能地去除。常用的预处理方法有:主分量分析法、独立分量分析、Kalman滤波、Robust Kalman滤波、非线性滤波、直接相减、自适应干扰消除等，未来趋势是通过算法的结合来产生更好的效果。

(2)特征提取:特征提取涉及如何从EEG中提取出少量的有用信息，进而利用这些信息进行不同脑状态的区分。常用的特征提取方法有:

①单一种类信息法:仅利用信号时域均值或频域功率谱;

②传统时频特征组合法:以时域均值、频域功率谱组合作为特征矢量;

③模型参数法:如单变量自回归SAR(scalar autoregressive)、多变量自回归MVAR(multivariate autoregressive)等;

④小波分析法:将小波包子带基能量作为特征，并证明该方法优于SAR、MVAR。目前正在进行更有效的特征提取方法的研究。

(3)特征选择:特征选择是指从提取的所有特征中找到最有利于分类的特征子集，以获取最佳的分类性能。目前在BCI中主要使用滤波选择法(如交互信息mutal information，MI)和简单遗传算法(Simple Genetic Algorithm，SGA)。前者独立于分类性能来进行特征选择，所以不能保证获得高的识别率。后者经常以分类性能作为适应度函数，能够取得较好的效果，但SGA是一种随机搜索算法，搜索结果与很多初始参数设置有关。

(4)分类:分类是指将输入向量依据一定的映射关系判断其所归属的类别。BCI中使用的分类方法主要有线性分类法、人工神经网络法、支持向量机(Support Vector Machines，SVM)法。其中，SVM是20世纪90年代中期发展起来的机器学习方法，它是基于小样本的一种学习方法，不必知道太多的数据即可建模。与其他分类方法相比，SVM简单且泛化能力强。然而SVM的推广预测能力与模型参数的选取密切相关，当模型参数多于2时，模型参数的选择将是难点。

信号模式识别是BCI系统中最为重要的一步，关系到能否正确地识别出人当前所处的思维状态。对原始EEG信号进行分析识别，最终结果为一系列类别号，每个类别对应一种特定的思维任务。信号模式识别关键在于各种数据处理算法的使用，需要在众多的方法中寻找适合于识别自发EEG的算法，并不断改进或探索新的方法。

本书所用的部分脑电数据是奥地利Graz University of Technology生物医学工程研究所公布的一组Graz-BCI数据，采用了其中Data IIIa数据集中的K3b和K6b、L1b三组数据。

每一次典型的数据记录过程如下(见图4-8):首先给受试者2s安静准备时间，电脑显示屏幕黑屏;在第2秒时，发出短促的警报声提示，同时屏幕显示十字符号;在第3秒时，真正显示一个向左或向右的方向箭头，若时长1.25秒，则指示受试者按照箭头的方向被引导着想象运动;之后屏幕恢复十字符号;单个实验延续8秒或9秒时间。

图4-8　实验过程示意图

每组数据由若干个二维矩阵构成，其中一些小的矩阵储存了脑电实验采集的一些参数，例如:采样率、标记数量、触发事件类型、触发时间、人工校验等。而大的矩阵则是实验采集的脑电数据，矩阵的宽度由记录的电极数量决定，长度则由采样率和记录时间的长短决定。