- 1 -
中国科技论文在线
对想象思维、具象思维、抽象思维脑电信号
的特征提取和分类#
刘妍1，周慧玲1，刘太霜2**
基金项目：中央高校基本科研业务费专项资金（BUPT NO:2009RC0316）; 国家自然科学基金项目
（No:60871081），北京市自然科学基金项目（No:4112039）
作者简介：刘妍（1986-），女，硕士研究生，信号与图像处理
通信联系人：周慧玲（1965-），女，副教授，嵌入式、计算机辅助设计与制造技术、机电控制与检测
（1. 北京邮电大学自动化学院，北京 100876； 5
2. 北京邮电大学电子工程学院，北京 100876）
摘要：对想象思维、具象思维、抽象思维脑电信号采用小波分析对信号进行预处理，然后基
于小波包变换提取三种思维脑电信号的空间和频率能量特征、小波熵特征、相关性特征，最
后用基于统计学习理论的支持向量机（SVM）分类器进行训练和分类测试，比较不同特征10
的分类效果。实验结果表明用基于支持向量机和能量特征的方法可以实现对三种思维脑电的
分类，并具有较高的识别率，支持了三种思维脑电信号具有模式可分性的假设。
关键词：小波变换；支持向量机；小波包变换；EEG
中图分类号：TN911
15
Imaginative thinking,Concrete thinking,Abstract thinking
EEG feature extraction and classification
LIU Yan
1
, ZHOU Huiling
2
, LIU Taishuang
3
(1. Automation School,Beijing University of Posts and Telcommunications,100876;
2. Automation School, Beijing University of Posts and Telcommunications,100876; 20
3. Electronic Engineering School,Beijing University of Posts and Telcommunications)
Abstract: First, wavelet analysis was used for Imaginative thinking, Concrete thinking and
Abstract thinking EEG de-noising. Then, Wavelet Packet Transform was adopted for Space and
Frequency Energy features, wavelet entropy features, and coherence features extracting. A
classifier based on Support Vector Machines(SVM) was designed. The classification 25
performances was compared. The result indicates that ideal accuracy can be achieved by the SVM
and wavelet package based method in EEG classification. The hypothesis that the three kinds of
EEG patterns are obviously distinguishable was proved.
Key words: Wavelet Analysis; Support Vector Machines(SVM); Wavelet Packet Transform; EEG
30
0 引言
EEG 包含了大脑皮层神经活动的信息，其中蕴涵着包括思维、情感、精神以及心理等
活动的丰富内容，深入研究 EEG 对于了解认知和思维过程，揭示大脑工作机制具有重要意
义[1]。不同的生理状态、意识思维状态，会使脑电信号产生不同的模式，如何从脑电信号中
提取特征，并根据提取的特征对脑电信号进行准确的分类，是近几年研究比较多的课题。具35
象思维理论是北京中医药大学刘天君教授 1994 年提出，是以物象为操作媒介的思维形式，
不同于抽象和想象思维[2]。脑电在气功领域的应用，对理解人类意识，更科学的认识气功和
指导气功的修炼具有重要的意义，而这方面的研究还在起步阶段。
特征的选取对 EEG 信号能否很好分类识别起着至关重要的作用。近些年，小波分析在
生物医学信号的分析中得到了广泛应用。小波变换是一种多尺度的信号分析方法，能很好的40
- 2 -
中国科技论文在线
体现信号的时频局部特征，可用于提取 EEG 信号的频率能量特征分析[3]。小波包变换是小
波变换的推广，不仅对低频部分进行分解，而且对高频部分也实施再分解，为脑电信号的特
征提取提供了一种更加精确的分析方法。小波熵反映了对信号谱能量在各个子空间分布的有
序或无序程度，也是 EEG 信号的重要特征。相关性反映不同通道间的线性相关程度，是不
同脑区信息交流的关键特征，不同意识状态各脑区间的同步状况应该有所不同，故相关性也45
是 EEG 信号的重要特征。
支持向量机（Support Vector Machines，SVM）是建立在统计学习理论和结构风险最
小原理基础上的一种新的机器学习方法，具有严格的理论基础，能较好的解决小样本、
非线性、高维数、及局部极小点等实际问题，已成为模式识别的很多领域的首选工具[4]。
1 EEG 信号的采集与预处理 50
实验使用日本电气株式会社生产的 NEC 脑电图机（型号：MR-31）。电极电阻小于 5000
Ω，时间常数 ，带通 -50Hz，采样频率 128Hz。采用 12 导 EEG 信号采样。
实验对象共 33人，11人进行想象思维训练，11人进行具象思维训练，11人进行抽象
思维训练，然后采集 12主要导联的脑电信号。受试者在隔音、避光环境，实验室保持整洁
且室内温度保持在 24-27度，湿度保持在 21-39%。对每个思维状态（各自前安静态、主题 155
具象思维、主题 2 具象思维、主题 3 具象思维、主题 1 抽象思维、主题 2 抽象思维、主题 3
抽象思维、主题 1 形象思维、主题 2 形象思维、主题 3 形象思维、各自后安静态）均连续取
了 30 秒数据，合并计算，每一种思维形式共取了 90秒（各 3个思维主题），加上 6个一般
安静态（每个取了 30s），每个受试者每个数据指标共取了 450s数据。每导联采样点为 3000
个，采样频率为 100Hz。 60
2 降噪处理
采用小波阈值法对信号进行降噪。携带信息的原始信号在频域或小波域的能量相对集
中，表现为能力密集区域的信号分解系数的绝对值较大，而噪声信号能量谱相对分散，所以
其系数的绝对值小，这样可以通过作用阈值的方法过滤掉绝对值小于一定阈值的小波系数从
而达到降噪目的。首先选用 db6 小波基对信号进行 3 层分解，选择基于 stein 的无偏似然估65
计原理的自适应阈值作用于分解后信号，对降噪处理后的系数通过小波重建恢复原信号。
3 基于小波包变换的 EEG 信号能量特征提取
自发 EEG 含有丰富的频率成分，不同思维意识状态下某些频率的能量在头皮不同区域
的分布会发生变化，因此可以提取不同频段上的能量作为 SVM 分类器的特征参数实现脑电
信号的分类。小波熵反映了对信号谱能量在各个子空间分布的有序或无序程度，也是 EEG70
信号的重要特征。相关性反映不同通道间的线性相关程度，是不同脑区信息交流的关键特征，
不同意识状态各脑区间的同步状况应该有所不同，故相关性也是 EEG 信号的重要特征。小
波变换是一种多尺度的信号分析方法，具有良好的时频局域化特性，非常适合于分析 EEG
这样的非平稳信号的瞬态特征和时变特征。而小波包变换是小波变换的改进，对于高频部分
进行了更细的划分。本文通过小波包变换对预处理后信号进行小波多尺度分解，得到不同尺75
度的低频和高频分量。
小波多尺度分解是将信号分解成低频的粗略成分和高频的细节成分，再继续对低频部分
进行分解，高频部分不再分解，一直以此类推，如图 1 所示最后得到的叶子节点上的各频率
- 3 -
中国科技论文在线
成分即是小波分解系数。图 1 为 3 层小波分解，分解后有关系
3 1 2 3S cA cD cD cD (1) 80
而小波包分解对小波分解进行了推广，对高频部分也进行了细分。如图 2 所示为 3 层小
波包分解，分解后有关系。
3 3 3 3 3 3 3 3S AAA DAA ADA DDA AAD DAD ADD DDD (2)
图 1 三层小波分解示意图 85
Fig. 1 Three-layer wavelet decomposition of the schematic
图 2 小波包三层分解树示意图
Fig. 2 Three layers of wavelet packet decomposition tree diagram
本文采用 db3 小波基，对降噪后信号进行 6 层小波包分解，利用多层小波包系数重构，90
对 δ，θ，α1，α2，β1，β2各频段进行拟合，得到不同频段的 EEG 信号 Sj（j=1，2，…，6）。
拟合结果见下表：
表 1 EEG 信号拟合表
Tab. 1 EEG Signal fitting table
脑电频率名称 脑电频率分段 拟合频段
δ -3 -
θ 4-7
α1 8-10
α2 10-13
β1 14-20
β2 20-30
本文对分解后的不同频段上的 EEG 信号共做了如下几种处理： 95
（1）把不同频段上的 EEG 信号离散点的幅值进行平方和累加得到每一频段上的能量：
2
1
| |
n
j ij
i
E x
(j = 1,2…,6; I = 1,2,…,n) (3)
- 4 -
中国科技论文在线
其中 n 为离散点个数， | |ijx 表示第 j 个频段信号中第 i 个离散点的幅度值。
对 12 个导联的每个导联，求出分解后 6 个频段的平均功率，做为特征向量用于 SVM
的训练和识别，最后数据为12 6 格式。可观察能量随空间和频率的分布。 100
（2）根据小波熵（wavelet entropy，WE）定义：
( ) ln( )WE p p pj j
j
(4)
求小波熵，得到 12 导联信号各自的小波熵值。其中：
E j
p j E
， j
j
E E (5)
小波熵体现各导信号频域分布的有序程度，亦可作为区别不同思维意识状态的特征。一105
个非常有序的窄带信号，基本占有了整个频段的所有能量， p j =1，而其他频率所占能量为
0，所以其小波熵接近 0；相反能量随频率分布很均匀的信号，在所有频带 p j 值近似相等，
因此小波熵值会很大。
（3）小波包分频后各导联相关性：12 导数据，对小波包分解得到的 6 个频段的时域信
号，求对应频段任意两导联间的相关性，得到 66 维的向量作为特征向量。这样就得到在具110
体每一个频段，各个脑区间的相关性情况。
4 训练识别
本研究采用支持向量机对特征数据进行分类识别。
支持向量机（Support Vector Machine, SVM）是 Vapnik 等人提出的一种基于统计学习理
论的机器学习方法，它较好的解决了非线性、高维数等问题[5,6]。SVM 是从线性可分情况下115
的最优分类面发展而来的，基本思想可用图 3 的两维情况说明：
（1）它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射
算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特
征空间采用线性算法对样本的非线性特征进行线性分析成为可能；
（2）它基于结构风险最小化理论之上，在特征空间中建构最优分隔超平面，使得学习120
器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。
图 3 SVM 原理图
Fig. 3 SVM Schematic
图 3 中实心点和空心点代表两类样本，H 为分类线，H1、H2 分别为各类中离分类线最125
近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔（margin）。所谓最优分类
- 5 -
中国科技论文在线
线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。分类线方程为：
0w x b (6)
通过对它进行归一化，使得对线性可分的样本集
( , )i ix y , i = 1,2,…,n, , 1, 1
dx R y (7) 130
满足
1 0i iy w x b , i = 1,2,…,n (8)
此时分类间隔等于
2
|| ||w
，使间隔最大等价于使 2
1
|| ||
2
w 最小。满足式（3）且使 2
1
|| ||
2
w
最小的分类面就叫做最优分类面（即最优超平面，Optimal Hyperplane），最优超平面是指
两类的分类空隙最大，也就是每类距离超平面的样本到超平面距离之和最大。H1、H2 上的135
训练样本点就称为支持向量，即距离这个最优超平面最近的样本被称为支持向量。 1H 平面：
1 1w x b （9）
2H 平面：
2 1w x b （10）
本研究将上述将上述 SVM 和各种特征提取方法应用到对想象思维、具象思维、抽象思140
维脑电信号的分类识别上。本研究采用的是林智仁[台大]的 SVM 工具箱 libsvm，采用 RBF
函数 exp(-r|u-v|^2)作为核函数，将得到约 70%特征数据做训练样本集，30%特征数据做测试
样本集。核函数的两个参数：误差惩罚参数 c 和高斯核参数 g，他们对支持向量机的分类性
能影响很大，本研究采用交叉比对（cross-validation）的方法进行训练，穷举一定范围内的
g 和 c 值，估计不同参数所取得的效果，选取最有效的参数 g 和 c。再用获得的最优参数去145
预测测试集数据，得出识别正确率。
以上提取特征和分类的具体算法程序采用 MATLAB Version （R2010a）编写。
表 2 SVM 识别率
Tab. 2 SVM recognition rate
（1，2） （1，3） （2，3）
各导相关性 %（45/54） % (37/56) % (41/54)
小波熵 %（39/54） % (40/56) % (34/54)
小波包空频特性 %（432/648） % (396/648) % (412/672)
注：1:想象思维 2:具象思维 3：抽象思维 150
表 3 6 个频段相关性
Tab. 3 6-band correlation
（1，2） （1，3） （2，3）
δ 频段 % (34/54) % (44/56) 66. 7% (36/54)
θ 频段 70. 4% (38/54) % (41/56) % (41/54)
α1频段 70. 4% (38/54) 75% (42/56) % (39/54)
α2频段 % (35/54) % (41/56) % (37/54)
β1频段 % (40/54) % (45/56) % (49/54)
β2频段 74. 1% (40/54) % (41/56) 74. 1% (40/54)
注：1:想象思维 2:具象思维 3：抽象思维
- 6 -
中国科技论文在线
5 结论
本研究表明想象思维、具象思维、抽象思维脑电信号确实具有一定的模式可分性。特征155
参数的选择对分类十分重要，小波包空频特性特征不很明显，小波熵稍好，相关性为特征时
识别效果最好。本文主要从空频特性上寻找特征，只在频域把脑电信号分解到，δ，θ，α1，
α2，β1，β2 频段，起滤波器作用。由于实验条件限制，并未从时域寻找特征，而时频分析正
是小波擅长的领域，这是下一步要做的。对真实的情况，去噪依然是难点，相对盲目，对干
扰了解不足，对去噪结果没有确切的衡量标准。而且由于本处理过程为批量处理，很难照顾160
到每个样本的特殊性，而实际每个样本的干扰情况不同。去噪也是进一步研究需要加强的环
节。
[参考文献] (References)
[1] 李颖洁. 脑电信号分析方法及其应用[M]. 北京：科学出版社，2009
[2] 刘天君. 具象思维是中医学基本的思维形式[J]. 中国中医基础医学杂志，1995,1（1）：33-34 165
[3] Albert Boggess. 小波与傅里叶分析基础[M]. 芮国胜，康健. 北京：电子工业出版社，
[4] 薛毅. 支持向量机与数学规划[D]. 北京：北京工业大学，2003
[5] VAPNIK N. 统计学习理论[M]. 许建华，张学工. 北京：电子工业出版社，2009
[6] 邓乃扬，田英杰. 数据挖掘中的新方法——支持向量机[M]. 北京：科学出版社，2004
170
