王美娥， 徐艷華

(1.河南省省立醫(yī)院神經(jīng)內(nèi)科，鄭州 450000 ；2.中原科技學(xué)院，鄭州 450000)

1 引 言

腦機(jī)接口技術(shù)是通過采集患者腦電波信號來控制外部輔助設(shè)備，以幫助患者復(fù)健或者實(shí)現(xiàn)生活自理[1]。腦機(jī)接口技術(shù)開發(fā)應(yīng)用過程中，最大的難題是如何提高腦電運(yùn)動想象分類，即如何準(zhǔn)確分辨患者發(fā)出的腦電波信號中所蘊(yùn)含的控制指令[2]。只有明確腦電運(yùn)動，才能控制外部設(shè)備更好地為患者服務(wù)，否則一旦解析錯誤，將極易給患者帶來危險(xiǎn)。

針對上述情況，關(guān)于腦電運(yùn)動想象分類問題的研究得到很多學(xué)者的重視。程時偉等[3]將卷積神經(jīng)網(wǎng)絡(luò)用于腦電運(yùn)動信號識別與分類，實(shí)現(xiàn)人與運(yùn)行機(jī)器人之間的相互傳導(dǎo)，控制機(jī)器人幫助肢體運(yùn)動障礙患者的日常生活和康復(fù)訓(xùn)練。張進(jìn)等[4]組合兩類分類器，分類不同狀態(tài)下腦電信號類型，控制機(jī)械手臂作業(yè)和運(yùn)動。趙杰等[5]利用奇異譜分析方法進(jìn)行腦電信號偽跡去除和節(jié)律提取，以支持向量機(jī)作為分類器，分析孤獨(dú)癥兒童腦電信號，以利于治療。

基于前人研究經(jīng)驗(yàn)，本研究提出基于小波包分解和共空間模式方法的腦電運(yùn)動想象分類方法。該方法以小波包分解算法提取腦電波信號特征，以共空間模式構(gòu)建分類器，分類腦電運(yùn)動想象指令，控制外部設(shè)備行動，幫助癱瘓患者在一定程度實(shí)現(xiàn)行動自由。

2 材料與方法

2.1 實(shí)驗(yàn)材料

以3 cm×4 cm中低頻通用電極及腦電波采集裝置作為電極帽，研究了一種運(yùn)動想象方法。用一臺智能小車控制四類運(yùn)動想象任務(wù)的分類正確率。讓實(shí)驗(yàn)對象依次進(jìn)行腦電運(yùn)動想象控制智能小推車。為確保實(shí)驗(yàn)結(jié)果的一致性，在同一智能車上進(jìn)行多組實(shí)驗(yàn)樣本的采集。

腦電運(yùn)動是通過腦機(jī)接口技術(shù)向外部設(shè)備發(fā)射患者腦電波信號指令，實(shí)現(xiàn)輔助設(shè)備控制的過程。在該過程中，患者根據(jù)想要實(shí)現(xiàn)的行為，想象該部位所需要的運(yùn)動，但此時只有大腦皮層被激活，而肢體并未產(chǎn)生任何活動，被激活的大腦皮層會根據(jù)患者想象產(chǎn)生不同類型的腦電信號。因此，采集患者的腦電波信號，即可從中提取出患者想要發(fā)出的指令信息，完成對外部設(shè)備的控制[6]。

2.2 腦電運(yùn)動信號采集

腦電運(yùn)動信號即腦電波信號，其采集是實(shí)現(xiàn)腦電運(yùn)動信號分類的首個環(huán)節(jié)。腦電波信號以腦電圖的形式顯示出來[7]。腦電波信號的采集有無創(chuàng)和有創(chuàng)兩種方式。無創(chuàng)采集方式，即將電極布置在大腦皮層外部采集腦電波信號。該方式有統(tǒng)一的電極放置標(biāo)準(zhǔn)[8]，標(biāo)準(zhǔn)中電極名稱、腦部位、編號間的對應(yīng)關(guān)系見表1。

表1 電極名稱、腦部位、編號間的對應(yīng)關(guān)系表

有創(chuàng)采集方式，即通過外科手術(shù)將檢測電極植入電腦皮層，采集腦電波信號。該采集方式由于零距離接觸到大腦皮層神經(jīng)元，因此，采集到的腦電波信號質(zhì)量更高，但是該方式需要外科手術(shù)介入，會對患者造成二次傷害，且長時間地植入電極，有可能存在被感染的風(fēng)險(xiǎn)，因此，該方式更適用于全身癱瘓或完全喪失行動能力的重癥患者。

2.3 腦電運(yùn)動信號去噪

腦電運(yùn)動信號在采集過程中易受體內(nèi)外噪聲干擾，且難以避免，只能采集后再處理。根據(jù)噪聲來源的不同，來自體外的噪聲可以通過讓患者的頭皮保持清爽干凈或者讓患者剪短頭發(fā)，使電極與頭皮接觸更親密，以提高采集的信號質(zhì)量，減少噪聲干擾[9]。而對于來自患者體內(nèi)的內(nèi)源性噪聲，則主要利用獨(dú)立成分分析去除。

獨(dú)立成分分析(independent component analysis，ICA)是將腦電運(yùn)動信號分解為若干個獨(dú)立分量，然后對每個獨(dú)立分量評判獨(dú)立程度，選出符合標(biāo)準(zhǔn)的獨(dú)立分量，即噪聲[10-11]。ICA描述如下：

x=A·s

(1)

式中，x={x1,x2,...,xn}代表觀測信號矢量；A代表位置混合矩陣；s={s1,s2,...,xm}代表源信號矢量。

獨(dú)立成分分析，即從x中分離隱藏在里面的s，即尋找可以實(shí)現(xiàn)二者之間分離的矩陣W，即

W=y·s

(2)

式中，y代表采集到的觀測信號，基于獨(dú)立成分分析的腦電運(yùn)動信號去噪具體過程如下：

步驟1：將電極采集到的觀測腦電運(yùn)動信號X中心化處理，即計(jì)算所有腦電運(yùn)動信號的均值，并讓均值=0；

步驟2：將觀測腦電運(yùn)動信號再白化，得到Z；

步驟3：設(shè)定獨(dú)立分量的數(shù)量m以及迭代的次數(shù)，并設(shè)置初始迭代次數(shù)等于1；

步驟4：隨機(jī)選擇一個初始權(quán)向量Wp；

步驟5：令

(3)

式中，E{}代表均值運(yùn)算；g代表非線性函數(shù)；g′代表非線性函數(shù)的導(dǎo)數(shù)；T代表腦電運(yùn)動信號采集頻率[12]。

步驟6：歸一化Wp，得到Wp′：

(4)

步驟7：判斷Wp′是否收斂，若不收斂，則回到步驟5；否則繼續(xù)下一步：

步驟8：令迭代次數(shù)p′=p+1；

步驟9：判斷p′是否≤設(shè)定獨(dú)立分量的數(shù)量m，若小于等于，則回到步驟4；否則，繼續(xù)下一步:

步驟10：重構(gòu)去噪后的腦電運(yùn)動信號。

2.4 腦電運(yùn)動信號特征提取

腦電運(yùn)動信號特征提取是整個分類方法中最難的環(huán)節(jié)，也是本研究的重點(diǎn)環(huán)節(jié)[13]。特征提取的準(zhǔn)確性和全面性直接關(guān)系到分類結(jié)果的準(zhǔn)確性。為此，本研究采用小波包分解和共空間模式方法，分別提取腦電運(yùn)動信號的時域特征和空間域特征[14]。

2.4.1小波變換提取腦電運(yùn)動信號的時域特征 首先，設(shè)腦電運(yùn)動信號為x(n)；其次對x(n)離散化，得到f(n)；然后對f(n) 有限層分解，即：

(5)

式中，L代表小波分解有限層數(shù)；AL代表最底層的逼近分量；Dj代表不同層數(shù)所對應(yīng)的細(xì)節(jié)分量。j代表頻率分辨率[15]。信號四層小波分解見圖1，cDL,cDL-1,……,cD2,cD1為每層的小波系數(shù)。

圖1 信號四層小波分解示意圖

最后，計(jì)算cDL,cDL-1,……,cD2,cD1絕對值的平均值、標(biāo)準(zhǔn)差和能量均值，以此作為腦電運(yùn)動信號頻域特征[16]。

2.4.2共空間模式提取腦電運(yùn)動信號空間域特征

步驟1：選取腦電運(yùn)動信號構(gòu)成N×T的矩陣Yi，其中，i代表腦電運(yùn)動信號種類；N為腦電導(dǎo)聯(lián)數(shù)，計(jì)算協(xié)方差矩陣Zi，即

(6)

(7)

(8)

式中，Λ代表特征值矩陣；Β代表特征向量矩陣。

步驟4：構(gòu)建白化矩陣P。

(9)

步驟5：針對種類1，通過上述變換，協(xié)方差矩陣變?yōu)槿缦滦问剑?/p>

(10)

式中，n代表腦電運(yùn)動信號特征數(shù)量。

上述公式中，將類1的協(xié)方差歸為一類，其余腦電運(yùn)動信號類別視為另一類，步驟6：構(gòu)建空間濾波器F。

F=[F1,F2]

(11)

(12)

式中，f為S1，S1共同的特征向量矩陣；f1代表前m個特征向量組成矩陣；f2代表其余特征向量組成的矩陣。

步驟7：對Yi空間濾波，得到投影矩陣Ri。

Ri=F·Yi

(13)

步驟8：對Ri平方運(yùn)算，得到信號能量值var(Ri2)。

步驟9：對var(Ri2)對數(shù)運(yùn)算，得到空間域特征量Qi。

(14)

步驟10：同上，得到各種模式下的腦電運(yùn)動信號特征數(shù)據(jù)[17]。

2.5 腦電運(yùn)動想象分類實(shí)現(xiàn)

基于上述得到的各種模式下的腦電運(yùn)動信號特征數(shù)據(jù)，構(gòu)建分類器，實(shí)現(xiàn)腦電運(yùn)動想象分類[18]。

以決策樹算法為基礎(chǔ)，一個決策樹對應(yīng)一種腦電運(yùn)動信號類別，最后完成所有類別的決策樹構(gòu)建，形成完整的隨機(jī)森林分類器[19]。因此，決策樹的構(gòu)建是分類實(shí)現(xiàn)的關(guān)鍵。決策樹構(gòu)建基本流程見圖2。

圖2 決策樹構(gòu)建基本流程

將腦電運(yùn)動信號特征數(shù)據(jù)輸入到分類器當(dāng)中，即可實(shí)現(xiàn)腦電運(yùn)動想象分類[20]。

3 結(jié)果與分析

為了驗(yàn)證本研究方法的分類效果，以一名受試者做出的運(yùn)動想象以及本方法給出的分類結(jié)果為標(biāo)準(zhǔn)，進(jìn)行準(zhǔn)確性驗(yàn)證。

3.1 電極布置

按照2.2無創(chuàng)方式采集受試者腦電波。選擇3 cm×4 cm中低頻通用電極貼片，按表1布置方案縫制一個電極帽，作為腦電波采集裝置。電極帽示意圖見圖3。

圖3 電極帽示意圖

3.2 實(shí)驗(yàn)設(shè)計(jì)

首先讓受試者戴上電極帽，并端坐在椅子上，保持安靜，然后給出2～3 s的準(zhǔn)備時間，讓受試者做好測試準(zhǔn)備。屏幕上提示功能鍵亮起，正式進(jìn)入測試環(huán)節(jié)，同時屏幕上會顯示出一個“+”字方塊，每個方塊代表了一個腦電運(yùn)動想象，最后每隔3 s會亮起一個方塊，受試者通過亮起提示想象四種不同部位的運(yùn)行，即想象左手、右手、舌以及腳，直至第12 s結(jié)束。在采集期間，每結(jié)束一種腦電波采集，將腦電波信號傳輸?shù)脚c之相連的計(jì)算機(jī)，實(shí)時顯示腦電圖數(shù)據(jù)。腦電波數(shù)據(jù)采集現(xiàn)場見圖4。

圖4 腦電波數(shù)據(jù)采集現(xiàn)場

采集到的腦電圖數(shù)據(jù)示意圖見圖5。

圖5 腦電圖數(shù)據(jù)示意圖

3.3 智能小車控制

以控制智能小車是否與腦電波數(shù)據(jù)吻合作為四類運(yùn)動想象任務(wù)分類準(zhǔn)確性的驗(yàn)證對象。控制命令與想象運(yùn)動的對應(yīng)關(guān)系，見表2。

表2 控制命令與想象運(yùn)動的對應(yīng)關(guān)系

讓受試者依次做出腦電運(yùn)動想象，控制智能小車在圖6場景下做出一系列開始→前進(jìn)→左拐→前進(jìn)→右拐→前進(jìn)→右拐→后退→前進(jìn)→左拐→前進(jìn)→結(jié)束的相應(yīng)運(yùn)動。

圖6 智能小車運(yùn)動場景

3.4 分類效果分析

以受試者腦電運(yùn)動想象與控制小車運(yùn)行的對應(yīng)關(guān)系為分類效果驗(yàn)證標(biāo)準(zhǔn)，一旦小車運(yùn)動與受試者腦電運(yùn)動想象存在分歧，即認(rèn)為分類出現(xiàn)錯誤。在相同實(shí)驗(yàn)條件下，利用基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法、基于奇異譜分析的分類方法以及基于組合分類器的分類方法做出腦電運(yùn)動想象(舌→左手→舌→右手→舌→右手→腳→舌→左手→舌)。受試者腦電運(yùn)動想象與小車運(yùn)行對應(yīng)關(guān)系見表3。

表3 受試者腦電運(yùn)動想象與小車運(yùn)行對應(yīng)關(guān)系表

由表3可知，當(dāng)腦電運(yùn)動想象反應(yīng)右手時，基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法為前進(jìn)；當(dāng)腦電運(yùn)動想象反應(yīng)是左手時，基于奇異譜分析的分類方法為后退；當(dāng)腦電運(yùn)動想象反應(yīng)是左手時，基于組合分類器的分類方法為右拐。在這三種方法控制下，智能小車給出的運(yùn)動反應(yīng)均出現(xiàn)誤差，表明分類有誤。而本研究分類方法控制的智能小車給出的運(yùn)動反應(yīng)與智能小車實(shí)際應(yīng)該給出的運(yùn)動反應(yīng)完全一致，證明本研究方法達(dá)到了預(yù)期的分類結(jié)果。

4 結(jié)論

綜上所述，腦電運(yùn)動想象的出現(xiàn)可在一定程度上幫助殘疾人群恢復(fù)一定的行動力，但由于存在腦電想象分類不準(zhǔn)確，使外部設(shè)備給出的反應(yīng)與腦電波類型存在偏差。針對該問題，本研究提出了一種基于小波包分解和共空間模式方法的腦電運(yùn)動想象分類方法，該方法結(jié)合小波包分解和共空間模式兩種方法，提取了更全面的腦電波特征，從而提高分類結(jié)果的準(zhǔn)確性。最終經(jīng)過實(shí)驗(yàn)測試驗(yàn)證本研究方法的分類質(zhì)量更高。