0 引言

    腦電波（Electroencephalography，EEG）信號(hào)成分復(fù)雜，按照不同的頻段可以分為不同的波^[1]。

    腦電信號(hào)中的Alpha波在人的前額葉處較明顯，相比于其他腦電波信號(hào)節(jié)律性最明顯，多在清醒閉目時(shí)出現(xiàn)。當(dāng)人思考問題、睜開眼睛或受到其他外界刺激時(shí)，Alpha波消失；當(dāng)又閉上眼睛時(shí)， Alpha波又會(huì)重新出現(xiàn)，這個(gè)現(xiàn)象稱為Alpha波阻斷現(xiàn)象^[2]。研究表明，Alpha波與人的記憶、運(yùn)動(dòng)及感覺活動(dòng)有關(guān)^[3]，這種相關(guān)性對(duì)判斷大腦的運(yùn)動(dòng)意圖有著重要意義。

    利用腦-機(jī)接口(Brain-Computer Interface，BCI)系統(tǒng)，通過對(duì)EEG信號(hào)進(jìn)行采集、預(yù)處理、特征提取和模式分類，實(shí)現(xiàn)運(yùn)動(dòng)想象識(shí)別是當(dāng)前研究的重點(diǎn)。

    近些年，對(duì)運(yùn)動(dòng)想象腦電信號(hào)的特征提取的方法主要有：自回歸模型法(AR)^[4]、統(tǒng)計(jì)特征提取^[5]、頻域分析法^[6-7]。腦電信號(hào)的主要分類方法有線性判別式分類方法、神經(jīng)網(wǎng)絡(luò)等^[8]。

    在腦電信號(hào)特征提取過程中，利用單個(gè)特征值的模式分類會(huì)造成訓(xùn)練數(shù)據(jù)量大、時(shí)間長，甚至?xí)绊懛诸惥?。所以，本研究將多種特征融合，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)腦電信號(hào)中的Alpha波進(jìn)行特征提取和模式分類，具有識(shí)別正確率高的優(yōu)點(diǎn)。通過對(duì)運(yùn)動(dòng)想象的腦電信號(hào)進(jìn)行特征提取和模式分類可以判斷出想象者的運(yùn)動(dòng)意識(shí)，結(jié)合腦-機(jī)接口，在肢體殘疾人士的康復(fù)治療、輔助控制和娛樂等方面有很大的發(fā)展前景^[9]。

1 腦電信號(hào)的特征提取方法及檢驗(yàn)

1.1 自回歸模型法（AR）

    AR模型計(jì)算方便，設(shè)單通道腦電信號(hào)由n個(gè)采樣點(diǎn)x₀…x_n-1的活動(dòng)段組成，根據(jù)AR模型，信號(hào)中第k個(gè)采樣值x_k如式(1)所示：

式中，a_i為AR模型系數(shù)，p為模型的階數(shù)，e_k為殘差白噪聲。

    對(duì)AR模型進(jìn)行參數(shù)估計(jì)的方法主要有自相關(guān)法、改進(jìn)協(xié)方差法和Burg算法等，其中Burg算法計(jì)算簡單，產(chǎn)生的譜質(zhì)量較高。所以本研究采用Burg算法對(duì)AR模型進(jìn)行參數(shù)估計(jì)，經(jīng)實(shí)驗(yàn)驗(yàn)證AR模型Burg法估計(jì)模型參數(shù)p=3。

1.2 統(tǒng)計(jì)特征提取

    (1)腦電信號(hào)積分值

    設(shè)腦電信號(hào)為x(i)，數(shù)據(jù)長度為N。積分值計(jì)算如式(2)所示，該特征表現(xiàn)了信號(hào)的集中程度。

    (2)腦電信號(hào)均方根值

    腦電信號(hào)的均方根值如式(3)所示，該特征體現(xiàn)了信號(hào)的離散程度。

1.3 頻域分析

    在本研究中，選取功率譜、平均功率頻率和功率譜密度比值這幾個(gè)特征值。

    將腦電信號(hào)看作隨機(jī)信號(hào)x(n)，有N點(diǎn)樣本值且能量有限，對(duì)其進(jìn)行傅里葉變換得到X_N(e^jω)；然后再取幅值的平方并除以N，作為x(n)的功率譜P(e^jω)^[10]，如式(4)所示：

式中，f_max表示功率譜出現(xiàn)峰值時(shí)的頻率，n表示積分范圍。

    平均功率頻率是指在頻域范圍內(nèi)計(jì)算腦電信號(hào)的平均功率頻率，可以定量刻畫腦電信號(hào)頻譜的特征，計(jì)算公式如式(6)：

1.4 特征檢驗(yàn)

    為了提高分類的正確率，采用K-W檢驗(yàn)法對(duì)提取的特征值進(jìn)行檢驗(yàn)。K-W檢驗(yàn)如式(7)所示：

    對(duì)前后左右4個(gè)方向的600段特征值進(jìn)行K-W檢驗(yàn)，檢驗(yàn)的結(jié)果如表1所示。

    從表1中可以看出，積分值、均方根值和AR模型這3個(gè)特征具有較高的值，選取這3個(gè)作為特征向量送入分類器中進(jìn)行分類。

2 腦電信號(hào)的分類方法

    在提取完腦電信號(hào)的特征值之后，BCI系統(tǒng)選擇BP神經(jīng)網(wǎng)絡(luò)對(duì)這些特征向量進(jìn)行分類。

    本研究采用的BP神經(jīng)網(wǎng)絡(luò)有4個(gè)輸入層(表示特征值個(gè)數(shù)為4)、7個(gè)隱含層、4個(gè)輸出層(表示要分類個(gè)數(shù)為4)，如圖1所示。

    三層網(wǎng)絡(luò)在神經(jīng)元有限的情況下，能夠完成所需映射。BP網(wǎng)絡(luò)學(xué)習(xí)過程由正反向傳播組成，輸入信號(hào)x_i通過中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換，最終產(chǎn)生輸出信號(hào)y_k，網(wǎng)絡(luò)訓(xùn)練的樣本包含輸入向量和期望輸出，神經(jīng)網(wǎng)絡(luò)實(shí)際輸出這兩者的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的連接權(quán)值W_ji和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的連接權(quán)值W_kj以及閾值來實(shí)現(xiàn)，使誤差減小。經(jīng)過反復(fù)訓(xùn)練，確定接近最小誤差時(shí)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，此時(shí)，訓(xùn)練結(jié)束^[12]。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

    本實(shí)驗(yàn)?zāi)X電采集系統(tǒng)結(jié)構(gòu)如圖2所示，采集電極采出腦電信號(hào)，經(jīng)過放大器放大微弱的腦電信號(hào)，濾波器濾除干擾，再經(jīng)由A/D轉(zhuǎn)換為數(shù)字信號(hào)，通過藍(lán)牙發(fā)送到上位機(jī)進(jìn)行處理。

3.2 實(shí)驗(yàn)條件及方法

    電極位置按照Montreol法^[13]，國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)安放，如圖3所示。將電極安放在受試者的前額葉上采集Alpha波，箭頭所指為電極安放位置，用作參考電極的耳夾夾在左右耳垂上。

    為保證采集數(shù)據(jù)的準(zhǔn)確性，本研究采用舒爾特方格法^[14]，在實(shí)驗(yàn)之前對(duì)受試者的注意力進(jìn)行大量訓(xùn)練。

3.3 實(shí)驗(yàn)過程

    實(shí)驗(yàn)對(duì)象為男性青年，身體健康，矯正后視力正常，右利手。實(shí)驗(yàn)室環(huán)境安靜，室溫正常。腦電采集電極使用干電極。

    在采集腦電信號(hào)實(shí)驗(yàn)數(shù)據(jù)之前，要進(jìn)行Alpha波阻斷實(shí)驗(yàn)，以驗(yàn)證腦電信號(hào)Alpha波采集的正確性，如圖4所示。

    實(shí)驗(yàn)中，實(shí)驗(yàn)對(duì)象按照如圖5所示的實(shí)驗(yàn)范式進(jìn)行運(yùn)動(dòng)想象任務(wù)。

    在實(shí)驗(yàn)開始前的半小時(shí)，受試者通過左右手和左右腿的實(shí)際運(yùn)動(dòng)來在大腦中留下實(shí)際運(yùn)動(dòng)的感覺。實(shí)驗(yàn)中，受試者坐在一張舒適的椅子上，身體自然放松，根據(jù)屏幕提示完成左手、右手、左腿和右腿的運(yùn)動(dòng)想象。

3.4 數(shù)據(jù)處理及結(jié)果

    每次運(yùn)動(dòng)想象的數(shù)據(jù)的時(shí)間為30 s，采樣率為512 Hz，其原始數(shù)據(jù)（Raw data）如圖6。

    先將原始數(shù)據(jù)進(jìn)入帶通濾波器，濾出Alpha波，再進(jìn)入50 Hz陷波器，濾除工頻干擾，最后小波包去噪，讓數(shù)據(jù)更好地進(jìn)行處理。原始數(shù)據(jù)經(jīng)過濾波處理后的圖像如圖7所示。

    原始數(shù)據(jù)經(jīng)過濾波等處理后，進(jìn)行特征值的提取和分類訓(xùn)練。

    表2為運(yùn)動(dòng)想象各方向的分類準(zhǔn)確率。

4 結(jié)語

    本研究創(chuàng)新性地采用多種特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)腦電信號(hào)進(jìn)行分析。在提取出合適的數(shù)據(jù)段后，最終的分類結(jié)果與單特征和線性分類器方法相比正確率較高，證明了本文的多特征融合的提取方法結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)處理腦電信號(hào)的可行性，為腦電信號(hào)的處理提供了一條有效路徑。

參考文獻(xiàn)

[1] 張樂迪，王俊生，常旭，等.便攜式腦電采集器研究與設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2014，40(2)：27-29.

[2] ARROYO S，LESSER R P，GORDON B et al.Functional significance of the mu rhythm of human cortex: an eletro-physiologic study with subdural electrodes[J].Electroenceph clin Neurophysiol 1993，87：76-87.

[3] 陳騫.基于腦電Alpha波的BCI電視遙控系統(tǒng)的設(shè)計(jì)與實(shí)驗(yàn)研究[D].天津：天津大學(xué)，2005.

[4] INOUE K，MATSUOKA S.Pattern recognition of EEG signals during right and left hand motor imagery based on AR-model[J].Clinical Neurophysiology，2007，118(10)：209-209.

[5] 張莉.表面肌電信號(hào)模式識(shí)別及其運(yùn)動(dòng)分析[D].長春：吉林大學(xué)，2013.

[6] 楊大鵬，姜力，趙京東，等.基于腦電信號(hào)的高智能假手控制[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2008(5)：1225-1230.

[7] MATTHIAS K，PETER M.BCI competition 2003-data set Ⅱb:support vector machines for the P300 speller paradigm[J].IEEE Transactions on Biomedical Engineering，2004，51（6）：1073-1076.

[8] 李明愛，王蕊，郝冬梅.想象左右手運(yùn)動(dòng)的腦電特征提取及分類研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2009(2)：166-170，176.

[9] 王寧，孫廣金，劉學(xué)文.一種基于腦機(jī)接口的頭盔顯示/瞄準(zhǔn)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2015，41(5)：149-151，155.

[10] 楊彬.基于腦-機(jī)接口的想象運(yùn)動(dòng)腦電信號(hào)的分析[D].蘭州：蘭州理工大學(xué)，2008.

[11] Ronager.Power spectrum analysis of EMG pattern in normal and diseased muscles[J].J Neurol Sci，1989，94(1-3)：283-294.

[12] 邢進(jìn)良.BP神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用[J].沙洋師范高等專科學(xué)校學(xué)報(bào)，2007（5）：46-49.

[13] 李穎潔，邱意弘，朱貽盛.腦電信號(hào)分析方法及其應(yīng)用[M].北京：科學(xué)出版社，2009.

[14] 肖嬋.基于腦電波的注意力訓(xùn)練研究[D].武漢：華中師范大學(xué)，2016.

作者信息：

劉光達(dá)，王  燦，李明佳，孫瑞辰，蔡  靖，宮曉宇

（吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，吉林 長春130061）