韩　笑，佘青山，高云园，罗志增

（杭州电子科技大学智能控制与机器人研究所，杭州310018）

基于NA-MEMD和互信息的脑电特征提取方法*

韩笑，佘青山*，高云园，罗志增

（杭州电子科技大学智能控制与机器人研究所，杭州310018）

多变量经验模式分解（MEMD）方法不需要根据先验知识选取基函数，能同时对多通道数据进行自适应分解，适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数（IMFs），提出一种基于噪声辅助多变量经验模式分解（NA-MEMD）和互信息的方法，并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量，然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性，接着根据敏感因子筛选包含有用信息的IMF分量，将其叠加得到对应的重构信号，最后采用共同空间模式（CSP）法对重构信号进行特征提取，再用支持向量机（SVM）实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试，与现有的其他方法比较，验证了所提方法的有效性。

脑电信号；噪声辅助多变量经验模式分解；互信息；共同空间模式

脑电信号EEG（Electroencephalogram）是大脑内部的神经细胞活动在大脑皮层的综合反映，包含着与大脑状况、思维过程等方面的相关信息。由于非植入式EEG相对简单快速，对人无损，同时具有较高的时间分辨率，因而成为BCI最重要的信号获取手段之一。但是，EEG通过头皮电极获取，信号非常微弱且背景噪声强［1］，因而从非线性、非平稳的EEG信号中准确快速地提取特定任务相关的有用信息具有重要意义。……