2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于HHT运动想象脑电模式识别研究

孙会文 伏云发 熊馨 杨俊 刘传伟 余正涛

孙会文, 伏云发, 熊馨, 杨俊, 刘传伟, 余正涛. 基于HHT运动想象脑电模式识别研究. 自动化学报, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
引用本文: 孙会文, 伏云发, 熊馨, 杨俊, 刘传伟, 余正涛. 基于HHT运动想象脑电模式识别研究. 自动化学报, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
SUN Hui-Wen, FU Yun-Fa, XIONG Xin, YANG Jun, LIU Chuan-Wei, YU Zheng-Tao. Identification of EEG Induced by Motor Imagery Based on Hilbert-Huang Transform. ACTA AUTOMATICA SINICA, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
Citation: SUN Hui-Wen, FU Yun-Fa, XIONG Xin, YANG Jun, LIU Chuan-Wei, YU Zheng-Tao. Identification of EEG Induced by Motor Imagery Based on Hilbert-Huang Transform. ACTA AUTOMATICA SINICA, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007

基于HHT运动想象脑电模式识别研究


DOI: 10.16383/j.aas.2015.c150007
详细信息
    作者简介:

    孙会文 昆明理工大学信息工程与自动化学院硕士研究生.主要研究方向为脑信息处理与脑机交互控制,模式识别与智能控制.E-mail:sunien@163.com

    熊馨 昆明理工大学信息工程与自动化学院讲师.主要研究方向为医学图像处理与模式识别,脑网络连通性,脑信息处理与脑机交互.E-mail:xiongxin840826@163.com

    杨俊 昆明理工大学信息工程与自动化学院实验师.主要研究方向为脑机交互控制与通信,脑网络连通性.E-mail:paradisewolf@126.com

    刘传伟 昆明理工大学信息工程与自动化学院硕士研究生.主要研究方向为脑信息处理与脑机交互控制,模式识别与智能控制.E-mail:binghe111@126.com

    余正涛 昆明理工大学信息工程与自动化学院教授.主要研究方向为智能信息处理.E-mail:ztyu@hotmail.com

    通讯作者: 伏云发 昆明理工大学信息工程与自动化学院副教授.主要研究方向为模式识别与智能控制,脑信息处理与脑控机器人接口,脑-机交互控制理论和方法,脑网络连通性.本文通信作者.E-mail:fyf@ynu.edu.cn
  • 基金项目:

    国家自然科学基金(81470084,61463024),云南省应用基础研究计划(2013FB026),云南省级人培项目(KKSY201303048),云南省教育厅重点项目(2013Z130),昆明理工大学脑信息处理与脑机交互融合控制(学科方向团队建设经费)资助

Identification of EEG Induced by Motor Imagery Based on Hilbert-Huang Transform

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China (81470084, 61463024), Research Project for Application Foundation of Yunnan Province (2013FB026), Cultivation Program of Talents of Yunnan Province (KKSY201303048), Focal Program for Education Office of Yunnan Province (2013Z130), and Brain Information Processing and Brain-computer Interaction Fusion Control of Kunming University Science and Technology (Fund of Discipline Direction Team)

  • 摘要: 脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5~7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8~9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.
  • [1] Schmidt E M, McIntosh J S, Durelli L, Bak M J. Fine control of operantly conditioned firing patterns of cortical neurons. Experimental Neurology, 1978, 61(2): 349-369
    [2] Gao Shang-Kai. Comments on recent progress and challenges in the study of brain-computer interface. Chinese Journal of Biomedical Engineering, 2007, 26(6): 801-809(高上凯. 浅谈脑--机接口的发展现状与挑战. 中国生物医学工程学报, 2007, 26(6): 801-809)
    [3] Wang Xing-Yu, Jin Jing, Zhang Yu, Wang Bei. Brain control: human-computer integration control based on brain-computer interface. Acta Automatica Sinica, 2013, 39(3): 208-221(王行愚, 金晶, 张宇, 王蓓. 脑控: 基于脑--机接口的人机融合控制. 自动化学报, 2013, 39(2): 208-221)
    [4] Fu Yun-Fa, Wang Yue-Chao, Li Hong-Yi, Xu Bao-Lei, Li Yong-Cheng. Direct brain-controlled robot interface technology. Acta Automatica Sinica, 2012, 38(8): 1229-1246(伏云发, 王越超, 李洪谊, 徐保磊, 李永程. 直接脑控机器人接口技术. 自动化学报, 2012, 38(8): 1229-1246)
    [5] Yao De-Zhong, Liu Tie-Jun, Lei Xu, Yang Ping, Xu Peng, Zhang Yang-Song. Electroencephalogram based brain-computer interface: key techniques and application prospect. Journal of University of Electronic Science and Technology of China, 2009, 38(5): 550-554(尧德中, 刘铁军, 雷旭, 杨平, 徐鹏, 张杨松. 基于脑电的脑--机接口: 关键技术和应用前景. 电子科技大学学报, 2009, 38(5): 550-554)
    [6] Fu Y F, Xu B L, Li Y C, Wang Y C, Yu Z T, Li H Y. Single-trial decoding of imagined grip force parameters involving the right or left hand based on movement-related cortical potentials. Chinese Science Bulletin, 2014, 59(16): 1907-1916
    [7] Li Ming-Ai, Cui Yan, Yang Jin-Fu. Research on removing ocular artifact automatically from EEG signals. Acta Electronica Sinica, 2013, 41(6): 1207-1213 (李明爱, 崔燕, 杨金福. 脑电信号中眼电伪迹自动去除方法的研究. 电子学报, 2013, 41(6): 1207-1213)
    [8] Zeng H, Song A G, Yan R Q, Qin H Y. EOG artifact correction from EEG recording using stationary subspace analysis and empirical mode decomposition. Sensors, 2013, 13(11): 14839-14859
    [9] Lehnertz K. Non-linear time series analysis of intracranial EEG recordings in patients with epilepsy---an overview. International Journal of Psychophysiology, 1999, 34(1): 45-52
    [10] Schlögl A, Flotzinger D, Pfurtscheller G. Adaptive autoregressive modeling used for single-trial EEG classification. Biomedical Engineering-Biomedizinische Technik, 1997, 42(6): 162-167
    [11] D'Croz-Baron D, Ramirez J M, Baker M, Alarcon-Aquino V, Carrera O. A BCI motor imagery experiment based on parametric feature extraction and fisher criterion. In: Proceedings of the 22nd International Conference on Electrical Communications and Computers (CONIELECOMP). Cholula, Puebla: IEEE, 2012. 257-261
    [12] Zhou Z X, Wan B K. Wavelet packet-based independent component analysis for feature extraction from motor imagery EEG of complex movements. Clinical Neurophysiology, 2012, 123(9): 1779-1788
    [13] Hsu W Y. EEG-based motor imagery classification using neuro-fuzzy prediction and wavelet fractal features. Journal of Neuroscience Methods, 2010, 189(2): 295-302
    [14] Yang H, Wu S. EEG classification for BCI based on CSP and SVM-GA. Applied Mechanics and Materials, 2013, 459: 228-231
    [15] Zhang R, Xu P, Liu T J, Zhang Y S, Guo L J, Li P Y, Yao D Z. Local temporal correlation common spatial patterns for single trial EEG classification during motor imagery. Computational and Mathematical Methods in Medicine, 2013, 2013: Article ID 591216
    [16] Fu K, Qu J F, Chai Y, Dong Y. Classification of seizure based on the time-frequency image of EEG signals using HHT and SVM. Biomedical Signal Processing and Control, 2014, 13: 15-22
    [17] Gong P, Chen M Y, Zhang L. EEMD-based selection of time-frequency patterns for motor imagery EEG. Journal of Computational Information Systems, 2013, 9(22): 9211-9218
    [18] Bajaj V, Pachori R B. Classification of seizure and nonseizure EEG signals using empirical mode decomposition. IEEE Transactions on Information Technology in Biomedicine, 2012, 16(6): 1135-1142
    [19] Pachori R B, Bajaj V. Analysis of normal and epileptic seizure EEG signals using empirical mode decomposition. Computer Methods and Programs in Biomedicine, 2011, 104(3): 373-381
    [20] Li S F, Zhou W D, Yuan Q, Geng S J, Cai D M. Feature extraction and recognition of ictal EEG using EMD and SVM. Computers in Biology and Medicine, 2013, 43(7): 807-816
    [21] Pfurtscheller G, Neuper C. Event-related synchronization of mu rhythm in the EEG over the cortical hand area in man. Neuroscience Letters, 1994, 174(1): 93-96
    [22] Wolpaw J R, Birbaumer N, McFarland D J, Pfurtscheller G, Vaughan T M. Brain-computer interfaces for communication and control. Clinical Neurophysiology, 2002, 113(6): 767-791
    [23] Alvarez-Meza A M, Velasquez-Martinez L F, Castellanos-Dominguez G. Time-series discrimination using feature relevance analysis in motor imagery classification. Neurocomputing, 2015, 151(1): 122-129
    [24] Lemm S, Schafer C, Curio G. BCI competition 2003---data set III: probabilistic modeling of sensorimotor μ rhythms for classification of imaginary hand movements. IEEE Transactions on Biomedical Engineering, 2004, 51(6): 1077-1080
    [25] Huang N E, Shen Z, Long S R, Wu M C, Shih H H, Zheng Q, Yen N C, Tung C C, Liu H H. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995
    [26] Huang N E. Review of empirical mode decomposition. In: Proceedings of the 2001 SPIE, Wavelet Applications VIII. Orlando, FL: SPIE, 2001. 71-80
    [27] Li Ming-Ai, Cui Yan, Yang Jin-Fu, Hao Dong-Mei. An adaptive multi-domain fusion feature extraction with method HHT and CSSD. Acta Electronica Sinica, 2013, 41(12): 2479-2486 (李明爱, 崔燕, 杨金福, 郝冬梅. 基于HHT和CSSD的多域融合自适应脑电特征提取方法. 电子学报, 2013, 41(12): 2479-2486)
    [28] Fu Yun-Fa, Xu Bao-Lei, Li Yong-Cheng, Li Hong-Yi, Wang Yue-Chao, Yu Zheng-Tao. Recognition of actual grip force movement modes based on movement-related cortical potentials. Acta Automatica Sinica, 2014, 40(6): 1045-1057 (伏云发, 徐保磊, 李永程, 李洪谊, 王越超, 余正涛. 基于运动相关皮层电位握力运动模式识别研究. 自动化学报, 2014, bf 40(6): 1045-1057)
    [29] Zhou S M, Gan J Q, Sepulveda F. Classifying mental tasks based on features of higher-order statistics from EEG signals in brain-computer interface. Information Sciences, 2008, 178(6): 1629-1640
    [30] Chen M Y, Fang Y H, Zheng X F. Phase space reconstruction for improving the classification of single trial EEG. Biomedical Signal Processing and Control, 2014, 11: 10-16
    [31] Wang J, Xu G Z, Wang J, Yang S, Yan W L. Application of Hilbert-Huang transform for the study of motor imagery tasks. In: Proceedings of the 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vancouver, BC: IEEE, 2008. 3848-3851
    [32] Decety J. The neurophysiological basis of motor imagery. Behavioural Brain Research, 1996, 77(1-2): 45-52
    [33] Pfurtscheller G, Neuper C. Motor imagery and direct brain-computer communication. Proceedings of the IEEE, 2001, 89(7): 1123-1134
    [34] Pfurtscheller G, Lopes da Silva F H. Event-related EEG/ MEG synchronization and desynchronization: basic principles. Clinical Neurophysiology, 1999, 110(11): 1842-1857
    [35] Neuper C, Wörtz M, Pfurtscheller G. ERD/ERS patterns reflecting sensorimotor activation and deactivation. Progress in Brain Research, 2006, 159: 211-222
  • [1] 李昕, 安占周, 李秋月, 蔡二娟, 王欣. 基于多重多尺度熵的孤独症静息态脑电信号分析[J]. 自动化学报, 2020, 46(6): 1255-1263. doi: 10.16383/j.aas.c170687
    [2] 蒙西, 乔俊飞, 韩红桂. 基于类脑模块化神经网络的污水处理过程关键出水参数软测量[J]. 自动化学报, 2019, 45(5): 906-919. doi: 10.16383/j.aas.2018.c170497
    [3] 龚军辉, 刘小燕, 周建松, 孙刚. 基于时空双稀疏表示的成人ADHD脑网络检测与分析[J]. 自动化学报, 2019, 45(10): 1903-1914. doi: 10.16383/j.aas.c170680
    [4] 孙小棋, 李昕, 蔡二娟, 康健楠. 改进模糊熵算法及其在孤独症儿童脑电分析中的应用[J]. 自动化学报, 2018, 44(9): 1672-1678. doi: 10.16383/j.aas.2018.c170334
    [5] 化成城, 王宏, 卢绍文, 王宏. 面向知识自动化的磨矿系统操作员脑认知特征与控制效果的相关分析[J]. 自动化学报, 2017, 43(11): 1898-1907. doi: 10.16383/j.aas.2017.c160328
    [6] 刘志勇, 孙金玮, 卜宪庚. 单通道脑电信号眼电伪迹去除算法研究[J]. 自动化学报, 2017, 43(10): 1726-1735. doi: 10.16383/j.aas.2017.c160191
    [7] 张毅, 尹春林, 蔡军, 罗久飞. Bagging RCSP脑电特征提取算法[J]. 自动化学报, 2017, 43(11): 2044-2050. doi: 10.16383/j.aas.2017.c160094
    [8] 杨默涵, 陈万忠, 李明阳. 基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 自动化学报, 2017, 43(5): 743-752. doi: 10.16383/j.aas.2017.c160175
    [9] 吴强, 张琴, 熊蔡华. 功能性电刺激下的关节自适应运动控制研究[J]. 自动化学报, 2016, 42(12): 1923-1932. doi: 10.16383/j.aas.2016.c160217
    [10] 伏云发, 郭衍龙, 李松, 熊馨, 李勃, 余正涛. 基于SSVEP直接脑控机器人方向和速度研究[J]. 自动化学报, 2016, 42(11): 1630-1640. doi: 10.16383/j.aas.2016.c150880
    [11] 邹凌, 严永, 杨彪, 李文杰, 潘昌杰, 周仁来. 基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究[J]. 自动化学报, 2016, 42(5): 771-781. doi: 10.16383/j.aas.2016.c150545
    [12] 王金甲, 陈春. 分层向量自回归的多通道脑电信号的特征提取研究[J]. 自动化学报, 2016, 42(8): 1215-1226. doi: 10.16383/j.aas.2016.c150461
    [13] 孟明, 朱俊青, 佘青山, 马玉良, 罗志增. 多类运动想象脑电信号的两级特征提取方法[J]. 自动化学报, 2016, 42(12): 1915-1922. doi: 10.16383/j.aas.2016.c160122
    [14] 宋艳涛, 纪则轩, 孙权森. 基于图像片马尔科夫随机场的脑MR图像分割算法[J]. 自动化学报, 2014, 40(8): 1754-1763. doi: 10.3724/SP.J.1004.2014.01754
    [15] 王行愚, 金晶, 张宇, 王蓓. 脑控: 基于脑——机接口的人机融合控制[J]. 自动化学报, 2013, 39(3): 208-221. doi: 10.3724/SP.J.1004.2013.00208
    [16] 伏云发, 王越超, 李洪谊, 徐保磊, 李永程. 直接脑控机器人接口技术[J]. 自动化学报, 2012, 38(8): 1229-1246. doi: 10.3724/SP.J.1004.2012.01229
    [17] 孙凤梅, 王卫宁. 关于摄像机正交运动下约束方程独立性的一点讨论[J]. 自动化学报, 2007, 33(10): 1088-1090. doi: 10.1360/aas-007-1088
    [18] 张作生, 公佩祥, 彭虎, 李江明. 算术心算过程40Hz脑电事件相关电位的分维特性研究[J]. 自动化学报, 1997, 23(3): 424-427.
    [19] 康继昌, 徐乃平, 洪远麟, 吕传生. 626型快速傅里叶变换处理机方案介绍[J]. 自动化学报, 1980, 6(4): 294-301.
    [20] 黄秉宪. 关于人工智能中的脑模型研究[J]. 自动化学报, 1979, 5(2): 157-166.
  • 加载中
计量
  • 文章访问数:  1261
  • HTML全文浏览量:  120
  • PDF下载量:  1572
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-01-08
  • 修回日期:  2015-05-28
  • 刊出日期:  2015-09-20

基于HHT运动想象脑电模式识别研究

doi: 10.16383/j.aas.2015.c150007
    基金项目:

    国家自然科学基金(81470084,61463024),云南省应用基础研究计划(2013FB026),云南省级人培项目(KKSY201303048),云南省教育厅重点项目(2013Z130),昆明理工大学脑信息处理与脑机交互融合控制(学科方向团队建设经费)资助

    作者简介:

    孙会文 昆明理工大学信息工程与自动化学院硕士研究生.主要研究方向为脑信息处理与脑机交互控制,模式识别与智能控制.E-mail:sunien@163.com

    熊馨 昆明理工大学信息工程与自动化学院讲师.主要研究方向为医学图像处理与模式识别,脑网络连通性,脑信息处理与脑机交互.E-mail:xiongxin840826@163.com

    杨俊 昆明理工大学信息工程与自动化学院实验师.主要研究方向为脑机交互控制与通信,脑网络连通性.E-mail:paradisewolf@126.com

    刘传伟 昆明理工大学信息工程与自动化学院硕士研究生.主要研究方向为脑信息处理与脑机交互控制,模式识别与智能控制.E-mail:binghe111@126.com

    余正涛 昆明理工大学信息工程与自动化学院教授.主要研究方向为智能信息处理.E-mail:ztyu@hotmail.com

    通讯作者: 伏云发 昆明理工大学信息工程与自动化学院副教授.主要研究方向为模式识别与智能控制,脑信息处理与脑控机器人接口,脑-机交互控制理论和方法,脑网络连通性.本文通信作者.E-mail:fyf@ynu.edu.cn

摘要: 脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5~7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8~9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.

English Abstract

孙会文, 伏云发, 熊馨, 杨俊, 刘传伟, 余正涛. 基于HHT运动想象脑电模式识别研究. 自动化学报, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
引用本文: 孙会文, 伏云发, 熊馨, 杨俊, 刘传伟, 余正涛. 基于HHT运动想象脑电模式识别研究. 自动化学报, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
SUN Hui-Wen, FU Yun-Fa, XIONG Xin, YANG Jun, LIU Chuan-Wei, YU Zheng-Tao. Identification of EEG Induced by Motor Imagery Based on Hilbert-Huang Transform. ACTA AUTOMATICA SINICA, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
Citation: SUN Hui-Wen, FU Yun-Fa, XIONG Xin, YANG Jun, LIU Chuan-Wei, YU Zheng-Tao. Identification of EEG Induced by Motor Imagery Based on Hilbert-Huang Transform. ACTA AUTOMATICA SINICA, 2015, 41(9): 1686-1692. doi: 10.16383/j.aas.2015.c150007
参考文献 (35)

目录

    /

    返回文章
    返回