李子光，劉國忠

(北京信息科技大學(xué)儀器科學(xué)與光電工程學(xué)院，北京 100192)

腦機接口是設(shè)計一種允許用戶在不依賴常規(guī)的大腦輸出通路下，能自動對大腦的外部世界或應(yīng)用設(shè)備發(fā)出信息或控制指令的實時通信和控制系統(tǒng)［1］。腦機接口研究的目的是建立一種把大腦信號轉(zhuǎn)化成計算機應(yīng)用設(shè)備或者假肢等外部設(shè)備的控制信號的新通信系統(tǒng)［2］。通過借助腦機接口，那些語言或運動神經(jīng)常規(guī)通路損傷的病人就可以把腦電信號轉(zhuǎn)化成控制信號，從而與外界進行交流，大幅提高生活質(zhì)量。腦機接口的研究在殘疾人康復(fù)方面有著廣闊的應(yīng)用前景。

自從1973年，美國加州大學(xué)洛杉磯分校的J.J.Vidal博士首次對腦機接口技術(shù)的可行性和實用性進行分析［3］，人們就開始研究利用腦機接口技術(shù)進行通訊和控制，使大腦不需要依靠通常媒介的幫助而直接作用于外界。

腦電信號作為腦機接口的輸入信號，是大腦神經(jīng)細胞電位變化在大腦皮層和皮層下的宏觀反應(yīng)。腦電信號作為一種電信號除了具有普通電信號的一般特征外，還具備自身特有的一些特點。有用腦電信號部分的頻率集中在0.5～30Hz之間，屬于低頻信號;由于人腦的復(fù)雜性，大腦不同區(qū)域相互聯(lián)系、制約地完成不同的功能，還有一些人們尚未了解的影響腦電信號的因素，它們的共同作用使得腦電信號具有隨機性。另外腦電信號還具有非平穩(wěn)性、非線性、節(jié)律性等特點。這些腦電信號的特點對于腦電信號處理方法的選擇具有重要作用。

文中主要研究了大腦在作出“是”與“非”反應(yīng)時腦電信號的不同特征。目的是通過問題提問的聽覺刺激方式刺激大腦作出“是”或“非”的不同反應(yīng)，并對腦電信號進行區(qū)分。首先對信號進行濾波器濾波等信號預(yù)處理，然后，通過共空間模式的方法對信號進行特征提取，最終，采用支持向量機的方法進行信號分類。

1 系統(tǒng)原理

實驗采用NT9200系列腦電圖儀，可以測腦電、心電、肌電等生理信號。7位健康的、右利手志愿者參加了實驗。受試主體包括3位女生和4位男生，年齡在22～27歲之間。所有主體聽力正常，均沒有神經(jīng)系統(tǒng)方面的疾病。采集框圖如圖1所示。

圖1 系統(tǒng)框圖

計算機1的主要功能是實驗提示，采用VC編程的一個軟件，在計算機1的顯示器上顯示實驗開始標志、播放聲音(聽覺誘發(fā)實驗)和顯示圖片(視覺誘發(fā)實驗)。計算機2的主要功能是進行信號特征提取和分類。受試者接受計算機1給予的刺激，產(chǎn)生腦電信號，通過放置在頭皮層的電極采集之后，經(jīng)過導(dǎo)線接入腦電圖儀。腦電圖儀的作用是進行信號的放大和模數(shù)轉(zhuǎn)換，并把腦電信號送給計算機2處理。

2 實驗

實驗室是一間安靜、隔熱、電磁屏蔽的房間。受試者正常坐下，正視前方約1.1 m處的電腦顯示器。同時，在腦電信號的記錄過程中，要求受試者的肩膀和手保持放松，盡量避免眨眼。每個實驗者回答10組問題，每一組問題包含6個簡單的問題。要求實驗者在聽到問題時大腦作出“是”或“非”的反應(yīng)。每一位實驗者的聽覺刺激持續(xù)大約3 min。每個問題提問的時間處于2～3 s之間。兩個連續(xù)的問題之間會有3 s的間隔時間。受試者在間隔時間內(nèi)按下與大腦反應(yīng)相應(yīng)的健，試驗中時間序列的分布如圖2所示。

3 方法介紹

數(shù)據(jù)處理過程可分為預(yù)處理、特征提取以及分類3個步驟。首先對原始數(shù)據(jù)進行帶通濾波(8～30 Hz)，接下來利用CSP提取數(shù)據(jù)特征，最后利用SVM進行分類。

3.1 數(shù)據(jù)預(yù)處理

對“是”與“非”問題的回答，涉及大腦的理解和思考。額葉和前額葉是與大腦思考、理解和考慮等認知過程密切相關(guān)的區(qū)域。在認知任務(wù)中，對大腦刺激后，在大腦額葉處的α震動的相位同步增強了［4］。由于額葉和前額葉參與大腦思考理解及想象的過程，對F3，F(xiàn)4，C3，C4的 4 個位置進行信號預(yù)處理。

圖2 聽覺刺激誘發(fā)實驗方案時間間隔圖

實驗數(shù)據(jù)處理時，為不損失腦電信息，取每次實驗問題播放完1 s內(nèi)的數(shù)據(jù)進行處理。根據(jù)采集設(shè)備1 000 Hz的采樣率，可知持續(xù)1 s的腦電信號包含1 000個幅度值。由于對腦電信號研究有用信號部分的頻率集中在0.5～30 Hz之間，屬于低頻信號;為了消除偽跡影響，計算空間濾波器之前先進行8～30 Hz帶寬的濾波器濾波。研究已經(jīng)證明帶寬具有更好的分類準確率［5］。圖3分別顯示了原始信號和濾波后的信號。

圖3 分別顯示原始信號和濾波后信號

3.2 特征提取

共空間模式(CSP)算法最早由 Fukunage等人［6］提出，F(xiàn)ukunage等通過K－L變換分類。共空間模式算法就是找到一個空間上的投影，使得類內(nèi)間距盡可能小，類間間距盡可能大。將該算法用于文中數(shù)據(jù)集的特征提取，由預(yù)處理得到了兩類樣本矩陣X1和X_1，數(shù)據(jù)存儲格式為1 000×4×96。

將單次任務(wù)實驗的腦電數(shù)據(jù)表示成N×T維矩陣X，其中N是腦電測量時的通道數(shù)，T是腦電采集時每個通道的采樣點數(shù)，則歸一化的腦電數(shù)據(jù)協(xié)方差矩陣可表示為

其中，T表示轉(zhuǎn)置符號。用C1和C2表示“是”與“非”兩種情況下的空間協(xié)方差矩陣，它們可以通過計算每種實驗的平均協(xié)方差來獲得。合成的空間協(xié)方差矩陣表示為

Cc可表示為 Cc=UcλcU'c，其中，Uc是矩陣的特征向量;λc是相應(yīng)的特征值，并將特征值按照降序進行排列，其相應(yīng)的特征向量按照特征值的順序也重新的進行排列，白化變換為

將P分別作用于C1，C2

S1和S2具有共同的特征向量，如果S1=Bλ1B'，則 S2=Bλ2B'，并且

λ1和λ2分別是矩陣S1、S2的特征值矩陣，I是單位陣。由于兩類矩陣的特征值相加總為1，S1最大特征值所對應(yīng)的特征向量使S2有最小的特征值，反之亦然。將白化后的EEG信號投影在特征向量B的前m列和后m列特征向量上，就能得出最佳特征向量投影矩陣W=B'P，則單詞任務(wù)實驗的腦電數(shù)據(jù)X可變換為

數(shù)據(jù)集X1和X_1空間模式(CSP)算法產(chǎn)生的空間濾波器W是2×4維，空間濾波后的數(shù)據(jù)格式是2×1 000×192(訓(xùn)練集)和2×1 000×192(測試集)，如圖4所示。

矩陣W－1的列為共空間濾波模式，可視為時不變EEG源分布向量。根據(jù)式(6)對EEG信號的分解(濾波)可以得到用于分類的特征。在每個總體中選取最利于分類的m個信號的方差用來構(gòu)建分類器。在矩陣Zp中，這2m個信號是Z頭m行和最后m行的信號。特征向量fp，p=1，2，…，2m用于計算分類器

圖4 CSP濾波后訓(xùn)練集的平均信號

3.3 特征分類

支持向量機是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，它通過適當(dāng)?shù)姆蔷€性映射將輸入向量映射到一個高維特征空間，使得數(shù)據(jù)總能被一個超平面分。腦電信號具有非線性，對于非線性的分類問題，通過一個非線性函數(shù)將訓(xùn)練集數(shù)據(jù)x從原始模式經(jīng)過非線性函數(shù)進行變換，映射到一個高維的線性特征空間，而這個線性空間的維數(shù)可能很大，并在這個線性特征空間構(gòu)造一個超平面分類器，并分類間隔γ實現(xiàn)分類的最優(yōu)化。也就是說對于樣本集(xi，yi)，i=1，…，n;y∈{－1，1};滿足

其中，參數(shù)v，0＜v＜1是指錯分樣本數(shù)占總樣本數(shù)的上界和支持向量數(shù)占總樣本數(shù)的下界。而P則指當(dāng)ξi=0時，兩類數(shù)據(jù)之間的分類間隔正好是2ρ/。采用臺灣大學(xué)林智仁教授開發(fā)的一個關(guān)于支持向量機的庫函數(shù)LIBSVM。LIBSVM提供了使用徑向基核的參數(shù)選擇工具:通過并行網(wǎng)格搜索進行交叉驗證。雖然SVC和SVR的網(wǎng)格搜索對交叉驗證都有效，但目前只支持有兩個參數(shù)C和σ的SVC［7］?？梢匀菀椎匦薷臑槠渌撕瘮?shù)，如線性和多項式等。

4 結(jié)果

7個人的原始數(shù)據(jù)經(jīng)過8～30 Hz帶通濾波后，將數(shù)據(jù)經(jīng)CSP空間濾波、提取特征，采用SVM設(shè)計的分類器，最后分類正確率為80.2%。采用文中信號處理方法，只把其中的3位女性受試者的原始數(shù)據(jù)進行處理后的分類率為79.2%，同樣的，取所有男性受試者的原始數(shù)據(jù)進行處理后的分類率為80.2%。考慮個體差異等因素，人為結(jié)果分類率和性別之間沒有直接關(guān)系。表1顯示了3種情況下測試集的分類率。

表1 3種受試者測試集的正確率

5 結(jié)束語

這項研究分析了與認知功能有關(guān)的腦電波的特點。分析了正常人在對聽覺刺激問題做出“是”或“不是”反應(yīng)時的腦電波特征。7個健康受試者，年齡范圍在22～27歲，自愿參加實驗。采用支持向量機算法分類精確率達到80.2%(154/192)，分析結(jié)果表明分類結(jié)果與性別無關(guān)。文中根據(jù)腦電信號特點設(shè)計了相應(yīng)的特征提取和分類器設(shè)計的方法，結(jié)果顯示利用CSP進行特征提取能取得較好的效果。這種方法表明可以通過對神經(jīng)肌肉損傷的病人提問簡單的問題，測試他們的腦電波并對腦電波進行模式識別后轉(zhuǎn)換成控制信號，以此實現(xiàn)與外界的交流，提高其生活質(zhì)量。本方法為BCI系統(tǒng)的實際應(yīng)用提供了算法和理論基礎(chǔ)，通過進一步的研究和綜合分析，使BCI系統(tǒng)通過適應(yīng)每個使用者，獲得令人滿意的識別和分類準確度。

［1］ALLISON B.P3 or not P3:toward a better P300 BCI［D］.San Diego:University of California，2003.

［2］WOLPAW J R，BIRBAUMER N，MCFARLAND D J，et al.Brain－computer interfaces for communication and control［J］.Neurophysiol，2002，11(3):767 － 791.

［3］HOCHBERG L R，SERRUYA M D，F(xiàn)RIEHSGM，et al.Neuronal ensemble control of prosthetic devices by a human with tetraplegia［J］.Nature，2006，442(13):164 －171.

［4］MCFARLAND D J，ANDERSON C W，MüLLER K R，et al.BCI Meeting 2005 workshop on bci signal processing:feature extraction and translation［J］.IEEE Transactions on Neural Systems And Rehabilitation Engineering，2006，14(2):135－138.

［5］VASIL K，JULIANA Y，MARTIN S，et al.Increased frontal phase－locking of event－related alpha oscillations during task processing［J］.International Journal of Psychophysiology，2001，39(2):159 －165.

［6］葛瑜，楊鋼.腦機接口系統(tǒng)中EEG信號特征提取與分類［J］.微計算機信息，2008(18):266 －268.

［7］CHEN P H，F(xiàn)AN R E，LIN C J.A study on SMO － type decomposition methods for support vector machines［J］.IEEE Transactions on Neural Networks，2006，17(4):893－908.