应用非负矩阵分解方法提取注意力相关脑电特征.pdf

生物物理学报 第二十二卷 第一期 二oo六年--B ACTABIOPⅡY豇CASINICAVoI．22No．1 Feb．2006 应用非负矩阵分解方法提取注意力相关脑电特征 刘明字， 王珏， 郑崇勋， 燕楠 (d安变通大学生物医学信息丁程教育部重点宴验室．西安710049) 摘要：介绍了非负矩阵分解算法(N~Ⅱ：)的基本原理，给出一种利用NMF进行脑电能量谱特征提取的方法。 设计试验对10个被试在三种不同注意任务中的脑电信号进行特征提取，井采用人工神经网络作为分类嚣进行分 类测试。结果表明，NMF算法在高维特征空间具有较强的特征选择能力，其分类正确率明显高于主分量分析 5％、88％和865％。 0CA)方法和直接法，三种意识任务的分类正确率分别速到84 关键词：脑电；生物反馈治疗：非负矩阵分解；人工神经网络 中圈分类号：R318．04 0引 言 较为接近，因此单纯以不同波段脑电的能量(功 率)来分类，误判率较高：2)脑电频谱矩阵维数 较高，需要先对其进行降维从而提高可靠性。常用 脑一机接口(brain interface，BCI) computer 是一种无创的人机接口方式，它并不依赖于常规大 的降维方法，如主分量分析法和独立分量分析方法 脑信息输出通道(周围神经和肌肉输出组织)，而 repre． 是依赖于用户的脑电(electroencephalogram， 难等缺点。 EEG)来控制特定的计算机系统㈣I。脑电生物反 致力于提出更加有效的注意力相关脑电的特征 馈(EEGbiofeedback，或neurofeedback)治疗是 BCI的一个典型应用M。Neurofeedback应用操作 性条件反射的原理，以神经反馈仪为手段，通过训 matrix 练，选择性地强化或抑制某一频段的脑电波，从而 率谱进行分解，得到非负基向量，进而采用神经网 达到改善和治疗疾病的目的。这种技术多年来被广 络进行分类，并将结果同常用的主分量分析方法 泛应用于治疗儿童注意力缺陷、失眠、焦虑症、癫 (prineipalcomponent 痫等心身疾病。图l是个典型的神经反馈训练系 谱)法以及独立分量分析(independent 统框图，其主要由EEG信号采集、信号处理(特analysis，ICA)方法进行了比较。 征提取和分类)、反馈显示三部分组成。其中，信 号特征的有效提取是影响分类正确率的一个重要因 1非负矩阵分解方法 素。由于这些疾病均与某个频段的脑电相关，所以 目前脑电生物反馈系统大多直接采取某个波段(如 非负矩阵分解(NMF)m问题可描述为：已知非 8波(】4Hz)、0波(4-8Hz)、Ⅱ波(8～13Hz)、 B波(14～30lqz))的能量谱或者功率谱作为信号个非负矩阵’K。{阢≥0’i=O…n一】，j0…卜1)和 特征。这种方法原理简单，便于实现，但是存在两 个缺点：1)不同状态下大脑头皮的脑电能量水平 约束来获取数据表示的一种方法，也即所获取的数 收稿日期：2005—06-28 基金师目国家自然科学基金项目佑0271025) 通讯作者：刘明宇，电话：(029