基于脑功能网络和样本熵的脑电信号特征提取

罗志增 鲁先举 周 莹

(杭州电子科技大学智能控制与机器人研究所 杭州 310018)

1 引言

脑–机接口(Brain-Computer Interface, BCI)是不依赖外周神经与肌肉组织，在人脑和计算机之间直接建立交流通道的交互系统[1,2]。基于运动想象脑电信号(ElectroEncephaloGram, EEG)的假肢控制是目前BCI的主要研究方向之一，它为运动功能障碍但思维正常的患者提供了一种新的人机交互方式，有着重要的研究意义和广泛的应用前景[3]。特征的选择与提取是BCI系统的关键环节，EEG特征提取常用的方法有：傅里叶变换、功率谱、自回归模型、空-频域滤波、小波变换、希尔伯特-黄变换和小波包变换等[4]。为了适应EEG的非线性特点，Lyapunov指数[5]、Lempel–Ziv复杂度[6]和样本熵[7]等非线性动力学方法应用越来越多。但实践表明，单一的特征难以全面地表征EEG所蕴含的信息。

在进行单侧运动想象时，大脑同侧感觉运动区µ节律和β节律幅值增大，而对侧感觉运动区的幅值减小，称为事件相关同步/去同步(Event Related Synchronization/Event Related Desynchronization, ERS/ERD)现象[8]。脑功能网络是通过计算各个脑区测量到的EEG信号之间的相关性而构建的复杂网络，它是对大脑结构网络中不同脑区之间动态活动交互整合的直观描述[9]。近年来，对于脑功能网络的研究已取得初步成果。如Chaovalitwongse等人[10]利用EEG构建脑功能网络，并把网络节点之间的欧氏距离作为特征向量输入到支持向量机中，实现对癫痫患者样本的分类识别；Stanley等人[11]利用全局效率和局部效率网络特征来分析年轻人和老年人的大脑信息传递效率和工作记忆表现之间的关系。……