在左右手運動想象的腦電（EEG）分析方法中，目前大多針對多通道采集的EEG數據，難以應用到單通道腦機接口（BCI）中。本文采用一種改進的獨立成分分析（ICA）方法，實現了對EEG數據有效的預處理。首先，對數據進行線性漂移校正，去除數據漂移；然后采用延時窗口數據增加虛擬通道數，利用ICA除去EEG數據中的偽跡，即眼電和心電；最后利用希爾伯特-黃變換（HHT）后的瞬時幅值，求平均瞬時能量特征并分類。實驗證明，該方法測試性完成了EEG數據的預處理工作，提高了單通道EEG信號的分類率，可為單通道的便攜式BCI研究打下基礎。
引用本文： 李松, 伏云發, 楊秋紅, 劉傳偉, 孫會文. 基于左右手運動想象單通道腦電信號的預處理研究. 生物醫學工程學雜志, 2016, 33(5): 862-866. doi: 10.7507/1001-5515.20160139 復制
引言
腦機接口(brain-computer interface, BCI)是一種新型的人機交互技術，是指不依賴肌肉的參與，把大腦活動的信號轉化為電信號，通過對電信號的解碼分析，實現與外部設備的通信與控制[1-3]。近年來BCI實現了由離線到在線的飛速發展，尤其是在第一屆和第二屆中國BCI競賽中，基于運動想象的BCI在控制機器人比賽中取得了優異成績，但采用多通道采集的腦電(electroencephalograpm, EEG)信號并不適宜應用到便攜式設備中。
EEG信號是電極記錄下來的腦細胞群活動，表現微弱，只有微伏數量級，極其容易受到數據漂移、眼電(electrooculogram, EOG)和心電(electrocardiograpm, ECG)的干擾[4-6]。因此，在基于單通道EEG信號采集中，有效去除偽跡又不使原EEG信號失真是一項重要的研究內容。目前，主要的偽跡去除方法有獨立成分分析法(independent component analysis, ICA)和平均偽跡回歸分析方法[7-9]。前者主要是一種盲源分離方法，假設采集的數據為偽跡信號和EEG信號混合而成，則該方法可通過機器學習的方法分離并去除偽跡信號，再重構EEG信號。但這種方法有一定的限制條件:①混合信息必須是線性的；②信息源是瞬時相互獨立的；③通道數大于源數目。實際情況中，一般前兩個條件都能滿足，但隨著BCI設備的便攜式化發展，將難以滿足第③個條件。而平均偽跡回歸分析方法雖應用較早且簡單，但需要增加通道以實時測出EOG和ECG成分，也難于應用到便攜式EEG設備中。
通過以上比較說明，當前具有代表性的兩種方法均難以適用于少通道或單通道的BCI設備，因此針對ICA通道數目限制問題，本文提出采用一種改進的ICA方法，即延時窗口數據以增加虛擬通道數目來滿足ICA的條件。本文通過對改進ICA方法進行EEG數據預處理研究，一定程度上驗證了該方法的有效性，為研究者提供了一些新的研究思路，可在便攜式BCI應用領域研究中深入和推廣。
1 資料和方法
1.1 受試者信息
本文共召集5名健康受試者(S1~S5)參與基于左右手運動想象的EEG數據采集試驗，受試者信息如下：男，23~30歲，本科以上學歷，工科背景，所有受試者皆身體健康，均沒有感覺運動疾病和心理病史，且無EEG數據采集的試驗經驗。所有受試者在試驗前均簽署了知情同意書。
1.2 試驗范式和試驗過程
本次試驗設計了左右手想象運動，試驗時要求受試者根據屏幕隨機提示的左右箭頭進行想象左手或右手運動，并實時采集EEG數據，每個試驗環節受試者進行10個測試。在正式采集數據前，要求去除影響試驗的一些因素，并且熟悉試驗環境，理解試驗步驟。試驗時，試驗室環境保持安靜，受試者身體放直，端坐在舒適的椅子上，雙手平放在桌子上，面對呈現刺激的電腦屏幕(距離受試者0.6~1 m)，按屏幕提示完成試驗。
每個受試者一次試驗完成10個測試，每個測試分為練習和正式。正式的一個采集時序如圖 1所示，包括：開始時，1.5 s的固定十字(含0.5 s的蜂鳴聲)，為提示準備試驗；第1.5秒開始有1.5 s的左右箭頭任務提示，第3秒開始有5 s的*表示任務執行時間和第8秒開始隨機6~8 s的空屏表示休息時間。該刺激范式由常用于心理學、認知神經科學和生物醫學工程領域的刺激軟件E-prime完成。
圖1
運動想象EEG信號采集范式
Figure1.
Paradigm of EEG acquisition for motor imagery
1.3 EEG數據采集
本次試驗的EEG采集裝置采用具有16導聯的EEG放大器(Mipower-UC, EEG Collection_V2, 清華大學神經工程實驗室)進行試驗，該放大器常規參數如下：采樣率為1 000 Hz；24位模數(analog-digital，AD)轉換器；信號頻帶：0~250 Hz，輸入信號范圍：±200 mV；同步事件輸入：8位輸入。腦電帽采用國際標準的10~20系統的16導電極帽(Ag-AgCl粉末電極, 武漢格林泰克科技有限公司)。此次試驗只用覆蓋運動功能區的C3和C4電極，Fpz電極接地，M1電極接左側乳突，試驗要求所有電極的阻抗均小于5 kΩ。
1.4 數據處理
1.4.1 ICA基本原理
ICA算法主要是從多個通道數據中分離出相互獨立的源，即盲源分離(blind source separation, BSS)[10-13]。設x(t)為N個通道采集的數據，該數據中包含了偽跡成分，s(t)為真實的源信號，x(t)=As(t)，即觀測信號x(t)是經過s(t)線性混合后而成，其中A為混合矩陣。即該方法在混合矩陣A和s(t)未知情況下，利用源瞬時相互獨立，找到一個線性變換分離矩陣W，使得輸出信號y(t)=Wx(t)盡可能地逼近真實信號s(t)，可以表示為如式(1)、(2)所示：
| $ x\left( t \right) = \boldsymbol{A}s\left( t \right) $ |
| $ x\left( t \right) = \boldsymbol{W}x\left( t \right) $ |
式中x(t)=[x1(t), x2(t), …, xn(t)]T為N個通道的觀測數據，s(t)=[s1(t), s2(t), …, sn(t)]T為N個通道相互獨立的源信號。由以上可知找到分離變換矩陣W是關鍵，本文采用基于負熵的FastICA算法尋找最佳W。
1.4.2 通道變換
用h(t)表示單次單通道提取的左右手運動想象的EEG數據，其包含了M s的真實EEG信號和偽跡信號，本文采用延時N s的窗口數據作為虛擬通道數，提取L s的數據作為處理對象，由單通道變為i個通道。則通道模型可以表示為如式(3)~(5)所示[14-15]：
| $ {V_i}\left( t \right) = {h_{0 \sim L}}\left( t \right)\;\;\;\;\;\;i = 1 $ |
| $ {V_i}\left( t \right) = {h_{\left( {i - 1} \right) \cdot N \sim \left( {i - 1} \right) \cdot N + L}}\left( t \right)\;\;\;\;\;\;i \ge 1 $ |
| $ h\left( t \right) = \left[ {{v_1}\left( t \right),{v_2}\left( t \right), \cdots ,{v_i}\left( t \right)} \right] $ |
則ICA算法可以表示如式(6)所示：
| $ \left[ \begin{array}{l} {v_1}\left( t \right)\\ {v_2}\left( t \right)\\ \vdots \\ {v_i}\left( t \right) \end{array} \right] = A\left[ \begin{array}{l} {s_1}\left( t \right)\\ {s_2}\left( t \right)\\ \vdots \\ {s_i}\left( t \right) \end{array} \right] $ |
式中vi(t)表示虛擬的通道，si(t)表示相互獨立的源信號。在本次實驗中M=5, N=1, L=3, 即包含5 s的數據，延時1 s，取3 s的數據作為處理對象時效果較好。
1.4.3 功率比計算
本文首先采用在時域和頻域同時具有很高分辨率的希爾伯特-黃變換(Hilbert-Huang transform, HHT)提取瞬時幅值，并求瞬時能量，然后選用功率比來觀察運動想象所特有的事件相關去同步(event-related desynchronization, ERD)現象。步驟如下[16]：
(1)根據本征模函數(intrinsic mode function, IMF)進行經驗模態分解(empirical mode decomposition, EMD)，直到分解滿足IMF條件定義，即局部極值點和過零點數目必須相等或者相差一個，局部最大值包絡和最小值包絡平均為零。分解后的信號可看成由式(7)組成
| $ x\left( t \right) = \sum\limits_{i = 1}^n {{h_i}\left( t \right) + {r_n}\left( t \right)} $ |
式(7)中x(t)為原始信號，hi(t)表示第i個IMF分量，rn(t)為剩余分量。
(2)選取分類效果較好的前三階，按式(8)進行Hilbert譜分析，并按其解析信號式(9)、(10)求其瞬時幅值：
| $ {y_i}\left( t \right) = \frac{1}{{\rm{\pi }}}\int\limits_{ - \infty }^{ + \infty } {\frac{{{h_i}\left( \tau \right)}}{{t - \tau }}{{\rm{d}}_\tau }} $ |
| $ {x_i}\left( t \right) = {h_i}\left( t \right) + j{y_i}\left( t \right) $ |
| $ {A_i}\left( t \right) = \sqrt {{y_i}{{\left( t \right)}^2} + {h_i}{{\left( t \right)}^2}} $ |
(3)根據式(11)計算平均瞬時能量值
| $ AE{C_N} = \frac{1}{N}\sum\limits_n^N {C_i^2} $ |
式中N表示采樣點數目，Ci2表示第i個采樣點瞬時能量值。
(4)功率比計算公式如下[17]：
| $ A{E_{\max }} = \max \left( {{c_3}{e_{\max }},{c_4}{e_{\max }}} \right) $ |
| $ A{E_{\min }} = \max \left( {{c_3}{e_{\min }},{c_4}{e_{\min }}} \right) $ |
| $ {I_n} = \frac{{e_i^n - A{E_{\min }}}}{{A{E_{\min }} - A{E_{\min }}}} $ |
式(12)中c3emax, c4emin分別代表一個測試時，c3和c4通道瞬時能量的最大值和最小值；AEmax是求c3、c4通道瞬時能量的最大值；同理，式(13)中可求得AEmin。ein為c3或者c4通道的瞬時能量值。式(14)即為功率比求解。
1.4.4 EEG信號模式分類
為了進一步驗證改進的ICA預處理方法對EEG信號分類效果的影響，本文采集了5名受試者，共計150個測試(每名受試者30個測試)的離線EEG數據，首先分別對數據進行了改進的ICA預處理和未改進的ICA預處理，然后提取瞬時能量特征，最后用支持向量機(support vector machine, SVM)和基于Fisher核的線性判別分析(linear discriminant analysis, LDA)進行分類。
2 結果與分析
此次試驗數據首先經過降采樣處理，由1 000 Hz降為250 Hz，采集的5名受試者的部分原始數據如圖 2所示，表示c3通道2個測試的EEG數據，從圖中可以看出數據受到漂移、EOG、ECG的嚴重污染。
圖2
原始數據
Figure2.
Original data
針對原始數據存在的嚴重污染，本文先通過閾值法漂移校正，去除線性漂移，校正后如圖 3所示，表示c3通道4個測試的EEG數據，可以看出經過校正后，數據去除了漂移現象，但還是存在ECG和EOG的干擾。
圖3
漂移校正
Figure3.
Drift correction
然后把原始數據中一個測試的數據進行窗口延時1 s，取3 s的數據作為虛擬通道數據，使用ICA去除EOG和ECG的干擾。把c3通道進行通道變換后虛擬成3個通道，同理c4通道進行變換后也虛擬成3個通道，即可看成6導聯的數據進行ICA處理, 兩個通道處理后的效果分別如圖 4所示，第一排表示c3通道一個測試的數據變換成3個通道經ICA處理后的效果，第二排表示c4通道一個測試的數據變換成3個通道經ICA處理后的效果。
圖4
偽跡去除之后的EEG數據
Figure4.
EEG data after the artifact being removed
如圖 4所示，為某受試者的某個測試數據進行通道變換后的偽跡去除效果圖，最后選擇3個虛擬通道中效果較好的結果進行功率比計算。計算時先對數據進行8~30 Hz的帶通濾波，對每N個采樣點進行平均瞬時能量的計算，然后求取功率比。結果如圖 5所示，為受試者在進行左右手運動想象時的某個測試的能量圖，驗證了運動想象ERD現象。
圖5
左右手運動想象EEG能量圖
Figure5.
EEG energy curve of imaginary left and right hand movements
5名受試者基于SVM和LDA的分類準確率如圖 6所示，表明經過改進的ICA預處理與未改進的ICA相對比，提高了EEG信號的分類率。但總體分類準確率可以通過融合多種特征，進一步提高。
圖6
分類準確率
Figure6.
Classification accuracy
3 結論
基于運動想象的單通道或少通道的便攜式EEG信號采集設備正在成為BCI技術的一個發展趨勢。近年來，ICA和共空間模式(common spatial pattern, CSP)是分析基于運動想象EEG預處理和分類的主流方法，但這兩種方法都是基于多通道模式，不適合少通道EEG數據的分析。本文基于改進的ICA方法，針對EEG信號易受到漂移、EOG信號、ECG信號的干擾，采用了漂移校正，用改進ICA方法去除EOG信號和ECG信號，通過帶通濾波后提取HHT特征，求取功率比和分類率，試驗數據得到了較好的預處理；同時比較功率比和分類率，驗證了左右手運動想象所產生的ERD現象，提高了EEG分類率。本研究可望為促進便攜式BCI應用領域的研究提供一些思路。
引言
腦機接口(brain-computer interface, BCI)是一種新型的人機交互技術，是指不依賴肌肉的參與，把大腦活動的信號轉化為電信號，通過對電信號的解碼分析，實現與外部設備的通信與控制[1-3]。近年來BCI實現了由離線到在線的飛速發展，尤其是在第一屆和第二屆中國BCI競賽中，基于運動想象的BCI在控制機器人比賽中取得了優異成績，但采用多通道采集的腦電(electroencephalograpm, EEG)信號并不適宜應用到便攜式設備中。
EEG信號是電極記錄下來的腦細胞群活動，表現微弱，只有微伏數量級，極其容易受到數據漂移、眼電(electrooculogram, EOG)和心電(electrocardiograpm, ECG)的干擾[4-6]。因此，在基于單通道EEG信號采集中，有效去除偽跡又不使原EEG信號失真是一項重要的研究內容。目前，主要的偽跡去除方法有獨立成分分析法(independent component analysis, ICA)和平均偽跡回歸分析方法[7-9]。前者主要是一種盲源分離方法，假設采集的數據為偽跡信號和EEG信號混合而成，則該方法可通過機器學習的方法分離并去除偽跡信號，再重構EEG信號。但這種方法有一定的限制條件:①混合信息必須是線性的；②信息源是瞬時相互獨立的；③通道數大于源數目。實際情況中，一般前兩個條件都能滿足，但隨著BCI設備的便攜式化發展，將難以滿足第③個條件。而平均偽跡回歸分析方法雖應用較早且簡單，但需要增加通道以實時測出EOG和ECG成分，也難于應用到便攜式EEG設備中。
通過以上比較說明，當前具有代表性的兩種方法均難以適用于少通道或單通道的BCI設備，因此針對ICA通道數目限制問題，本文提出采用一種改進的ICA方法，即延時窗口數據以增加虛擬通道數目來滿足ICA的條件。本文通過對改進ICA方法進行EEG數據預處理研究，一定程度上驗證了該方法的有效性，為研究者提供了一些新的研究思路，可在便攜式BCI應用領域研究中深入和推廣。
1 資料和方法
1.1 受試者信息
本文共召集5名健康受試者(S1~S5)參與基于左右手運動想象的EEG數據采集試驗，受試者信息如下：男，23~30歲，本科以上學歷，工科背景，所有受試者皆身體健康，均沒有感覺運動疾病和心理病史，且無EEG數據采集的試驗經驗。所有受試者在試驗前均簽署了知情同意書。
1.2 試驗范式和試驗過程
本次試驗設計了左右手想象運動，試驗時要求受試者根據屏幕隨機提示的左右箭頭進行想象左手或右手運動，并實時采集EEG數據，每個試驗環節受試者進行10個測試。在正式采集數據前，要求去除影響試驗的一些因素，并且熟悉試驗環境，理解試驗步驟。試驗時，試驗室環境保持安靜，受試者身體放直，端坐在舒適的椅子上，雙手平放在桌子上，面對呈現刺激的電腦屏幕(距離受試者0.6~1 m)，按屏幕提示完成試驗。
每個受試者一次試驗完成10個測試，每個測試分為練習和正式。正式的一個采集時序如圖 1所示，包括：開始時，1.5 s的固定十字(含0.5 s的蜂鳴聲)，為提示準備試驗；第1.5秒開始有1.5 s的左右箭頭任務提示，第3秒開始有5 s的*表示任務執行時間和第8秒開始隨機6~8 s的空屏表示休息時間。該刺激范式由常用于心理學、認知神經科學和生物醫學工程領域的刺激軟件E-prime完成。
圖1
運動想象EEG信號采集范式
Figure1.
Paradigm of EEG acquisition for motor imagery
1.3 EEG數據采集
本次試驗的EEG采集裝置采用具有16導聯的EEG放大器(Mipower-UC, EEG Collection_V2, 清華大學神經工程實驗室)進行試驗，該放大器常規參數如下：采樣率為1 000 Hz；24位模數(analog-digital，AD)轉換器；信號頻帶：0~250 Hz，輸入信號范圍：±200 mV；同步事件輸入：8位輸入。腦電帽采用國際標準的10~20系統的16導電極帽(Ag-AgCl粉末電極, 武漢格林泰克科技有限公司)。此次試驗只用覆蓋運動功能區的C3和C4電極，Fpz電極接地，M1電極接左側乳突，試驗要求所有電極的阻抗均小于5 kΩ。
1.4 數據處理
1.4.1 ICA基本原理
ICA算法主要是從多個通道數據中分離出相互獨立的源，即盲源分離(blind source separation, BSS)[10-13]。設x(t)為N個通道采集的數據，該數據中包含了偽跡成分，s(t)為真實的源信號，x(t)=As(t)，即觀測信號x(t)是經過s(t)線性混合后而成，其中A為混合矩陣。即該方法在混合矩陣A和s(t)未知情況下，利用源瞬時相互獨立，找到一個線性變換分離矩陣W，使得輸出信號y(t)=Wx(t)盡可能地逼近真實信號s(t)，可以表示為如式(1)、(2)所示：
| $ x\left( t \right) = \boldsymbol{A}s\left( t \right) $ |
| $ x\left( t \right) = \boldsymbol{W}x\left( t \right) $ |
式中x(t)=[x1(t), x2(t), …, xn(t)]T為N個通道的觀測數據，s(t)=[s1(t), s2(t), …, sn(t)]T為N個通道相互獨立的源信號。由以上可知找到分離變換矩陣W是關鍵，本文采用基于負熵的FastICA算法尋找最佳W。
1.4.2 通道變換
用h(t)表示單次單通道提取的左右手運動想象的EEG數據，其包含了M s的真實EEG信號和偽跡信號，本文采用延時N s的窗口數據作為虛擬通道數，提取L s的數據作為處理對象，由單通道變為i個通道。則通道模型可以表示為如式(3)~(5)所示[14-15]：
| $ {V_i}\left( t \right) = {h_{0 \sim L}}\left( t \right)\;\;\;\;\;\;i = 1 $ |
| $ {V_i}\left( t \right) = {h_{\left( {i - 1} \right) \cdot N \sim \left( {i - 1} \right) \cdot N + L}}\left( t \right)\;\;\;\;\;\;i \ge 1 $ |
| $ h\left( t \right) = \left[ {{v_1}\left( t \right),{v_2}\left( t \right), \cdots ,{v_i}\left( t \right)} \right] $ |
則ICA算法可以表示如式(6)所示：
| $ \left[ \begin{array}{l} {v_1}\left( t \right)\\ {v_2}\left( t \right)\\ \vdots \\ {v_i}\left( t \right) \end{array} \right] = A\left[ \begin{array}{l} {s_1}\left( t \right)\\ {s_2}\left( t \right)\\ \vdots \\ {s_i}\left( t \right) \end{array} \right] $ |
式中vi(t)表示虛擬的通道，si(t)表示相互獨立的源信號。在本次實驗中M=5, N=1, L=3, 即包含5 s的數據，延時1 s，取3 s的數據作為處理對象時效果較好。
1.4.3 功率比計算
本文首先采用在時域和頻域同時具有很高分辨率的希爾伯特-黃變換(Hilbert-Huang transform, HHT)提取瞬時幅值，并求瞬時能量，然后選用功率比來觀察運動想象所特有的事件相關去同步(event-related desynchronization, ERD)現象。步驟如下[16]：
(1)根據本征模函數(intrinsic mode function, IMF)進行經驗模態分解(empirical mode decomposition, EMD)，直到分解滿足IMF條件定義，即局部極值點和過零點數目必須相等或者相差一個，局部最大值包絡和最小值包絡平均為零。分解后的信號可看成由式(7)組成
| $ x\left( t \right) = \sum\limits_{i = 1}^n {{h_i}\left( t \right) + {r_n}\left( t \right)} $ |
式(7)中x(t)為原始信號，hi(t)表示第i個IMF分量，rn(t)為剩余分量。
(2)選取分類效果較好的前三階，按式(8)進行Hilbert譜分析，并按其解析信號式(9)、(10)求其瞬時幅值：
| $ {y_i}\left( t \right) = \frac{1}{{\rm{\pi }}}\int\limits_{ - \infty }^{ + \infty } {\frac{{{h_i}\left( \tau \right)}}{{t - \tau }}{{\rm{d}}_\tau }} $ |
| $ {x_i}\left( t \right) = {h_i}\left( t \right) + j{y_i}\left( t \right) $ |
| $ {A_i}\left( t \right) = \sqrt {{y_i}{{\left( t \right)}^2} + {h_i}{{\left( t \right)}^2}} $ |
(3)根據式(11)計算平均瞬時能量值
| $ AE{C_N} = \frac{1}{N}\sum\limits_n^N {C_i^2} $ |
式中N表示采樣點數目，Ci2表示第i個采樣點瞬時能量值。
(4)功率比計算公式如下[17]：
| $ A{E_{\max }} = \max \left( {{c_3}{e_{\max }},{c_4}{e_{\max }}} \right) $ |
| $ A{E_{\min }} = \max \left( {{c_3}{e_{\min }},{c_4}{e_{\min }}} \right) $ |
| $ {I_n} = \frac{{e_i^n - A{E_{\min }}}}{{A{E_{\min }} - A{E_{\min }}}} $ |
式(12)中c3emax, c4emin分別代表一個測試時，c3和c4通道瞬時能量的最大值和最小值；AEmax是求c3、c4通道瞬時能量的最大值；同理，式(13)中可求得AEmin。ein為c3或者c4通道的瞬時能量值。式(14)即為功率比求解。
1.4.4 EEG信號模式分類
為了進一步驗證改進的ICA預處理方法對EEG信號分類效果的影響，本文采集了5名受試者，共計150個測試(每名受試者30個測試)的離線EEG數據，首先分別對數據進行了改進的ICA預處理和未改進的ICA預處理，然后提取瞬時能量特征，最后用支持向量機(support vector machine, SVM)和基于Fisher核的線性判別分析(linear discriminant analysis, LDA)進行分類。
2 結果與分析
此次試驗數據首先經過降采樣處理，由1 000 Hz降為250 Hz，采集的5名受試者的部分原始數據如圖 2所示，表示c3通道2個測試的EEG數據，從圖中可以看出數據受到漂移、EOG、ECG的嚴重污染。
圖2
原始數據
Figure2.
Original data
針對原始數據存在的嚴重污染，本文先通過閾值法漂移校正，去除線性漂移，校正后如圖 3所示，表示c3通道4個測試的EEG數據，可以看出經過校正后，數據去除了漂移現象，但還是存在ECG和EOG的干擾。
圖3
漂移校正
Figure3.
Drift correction
然后把原始數據中一個測試的數據進行窗口延時1 s，取3 s的數據作為虛擬通道數據，使用ICA去除EOG和ECG的干擾。把c3通道進行通道變換后虛擬成3個通道，同理c4通道進行變換后也虛擬成3個通道，即可看成6導聯的數據進行ICA處理, 兩個通道處理后的效果分別如圖 4所示，第一排表示c3通道一個測試的數據變換成3個通道經ICA處理后的效果，第二排表示c4通道一個測試的數據變換成3個通道經ICA處理后的效果。
圖4
偽跡去除之后的EEG數據
Figure4.
EEG data after the artifact being removed
如圖 4所示，為某受試者的某個測試數據進行通道變換后的偽跡去除效果圖，最后選擇3個虛擬通道中效果較好的結果進行功率比計算。計算時先對數據進行8~30 Hz的帶通濾波，對每N個采樣點進行平均瞬時能量的計算，然后求取功率比。結果如圖 5所示，為受試者在進行左右手運動想象時的某個測試的能量圖，驗證了運動想象ERD現象。
圖5
左右手運動想象EEG能量圖
Figure5.
EEG energy curve of imaginary left and right hand movements
5名受試者基于SVM和LDA的分類準確率如圖 6所示，表明經過改進的ICA預處理與未改進的ICA相對比，提高了EEG信號的分類率。但總體分類準確率可以通過融合多種特征，進一步提高。
圖6
分類準確率
Figure6.
Classification accuracy
3 結論
基于運動想象的單通道或少通道的便攜式EEG信號采集設備正在成為BCI技術的一個發展趨勢。近年來，ICA和共空間模式(common spatial pattern, CSP)是分析基于運動想象EEG預處理和分類的主流方法，但這兩種方法都是基于多通道模式，不適合少通道EEG數據的分析。本文基于改進的ICA方法，針對EEG信號易受到漂移、EOG信號、ECG信號的干擾，采用了漂移校正，用改進ICA方法去除EOG信號和ECG信號，通過帶通濾波后提取HHT特征，求取功率比和分類率，試驗數據得到了較好的預處理；同時比較功率比和分類率，驗證了左右手運動想象所產生的ERD現象，提高了EEG分類率。本研究可望為促進便攜式BCI應用領域的研究提供一些思路。
