人機交互技術(shù)在近些年被廣泛研究，尤其是將人體生物電發(fā)展為交互的媒介。腦機接口（Brain Computer Interface，BCI）就是一種用大腦的信號控制輔助設備的人機交互技術(shù)^[1]。它為運動功能障礙者提供新的康復手段，讓使用者獲得了全新的溝通和交互途徑。BCI系統(tǒng)已成功用于電動輪椅的控制、文字輸入、機器人和智能家居的操控等^[2]。

    檢測大腦的活動有多種方式，其中腦電信號（Electroencephalography，EEG）擁有安全性高、造價廉價等優(yōu)點，所以該方式在BCI領(lǐng)域應用最為普及。有多種實驗范式能產(chǎn)生可區(qū)分的腦電信號^[3]。不同的算法被用于分析這些實驗范式的EEG，P300誘發(fā)電位常應用方差分析、相干平均和相關(guān)分析等時域分析算法^[4]。穩(wěn)態(tài)視覺誘發(fā)和運動想象所產(chǎn)生的腦電信號具有一定的頻率特性，可用短時傅里葉變換、小波變換等時頻分析算法進行分析^[5]。在研究多通道EEG信號時，還可使用引入通道選擇的稀疏共空間模式（Sparse Common Spatial Pattern，SCSP）等時空分析算法^[6]。

    在考慮通過實驗設計的方式增加BCI操作維數(shù)和分類準確率的研究工作中，本課題組提出了附加相關(guān)漢字默讀的多模態(tài)意識任務實驗范式，并從時間、空間、頻率綜合驗證了該實驗范式的有效性和合理性[7]。相比較于單一的思維活動，附加漢字默讀的多模態(tài)意識任務為多個高級思維活動的組合，這涉及更多的大腦皮層。本文通過空間源定位分析的方法來研究EEG信號，分析和比較不同意識任務所激活的大腦皮層以研究多模態(tài)意識任務的生理機理，并幫助BCI的研究和設計。

1 實驗設計

    本文的實驗已在文獻[7]中做了詳細描述。該實驗有10位年齡為22~28歲的受試者(其中7位為男性，3位為女性)參與，依次被標識為S1~S10，其中有6位受試者參加過類似的實驗外，其他人首次參加腦電實驗。受試者均為右利手，身體狀態(tài)良好，在實驗前有足夠的休息。受試者坐著完成整個實驗，通過注視前方1 m處的22英寸液晶顯示屏來獲得提示信息。受試者在明白實驗目的和注意事項后，簽署了《知情同意書》。

    為了比較意識任務附加漢字默讀后的效果，整個實驗包括兩步子實驗，第一步子實驗為多模態(tài)實驗范式，第二步子實驗為單一模態(tài)實驗范式。本實驗為無反饋實驗，具體內(nèi)容如圖1所示?！白蟆焙汀耙肌边@兩個漢字作為提示信息會隨機出現(xiàn)?？臻e期時，屏幕會顯示一個星號“*”，受試者保持2 s放松狀態(tài)。接著顯示1 s的小十字“+”，讓受試者做好準備。之后出現(xiàn)一個漢字，持續(xù)1 s。然后顯示4 s的黑屏，表示為想象期，如果漢字是“左”，受試者在第一步子實驗中想象身體左旋的同時默讀“左”，其在第二步子實驗中僅想象身體左旋；如果漢字是“壹”，受試者在第一步子實驗中想象寫“壹”的筆畫時默讀“壹”，其在第二步子實驗中僅想象寫筆畫。4 s的意識任務結(jié)束后，一次實驗完成，可放松0.5~1.5 s。每個提示在一組實驗中會出現(xiàn)15次，每位受試者在同一天內(nèi)完成5組實驗。一組實驗后，受試者可休息5 min。

2 數(shù)據(jù)采集

    默讀漢字屬于語言活動，想象身體向左旋轉(zhuǎn)涉及空間想象，想象書寫漢字需要語言皮層和運動皮層協(xié)調(diào)工作。實驗的電極如圖2所示，它們遵照國際10/20系統(tǒng)導聯(lián)設置，并覆蓋了威爾尼克區(qū)、布洛卡區(qū)和運動感覺皮層等大腦皮層的35導電極。實驗所用的儀器為美國Neuroscan公司的SynAmps 2系統(tǒng)。安放兩個雙極性電極分別從水平和垂直方向記錄眼電。為了降低50 Hz工頻干擾，需在頭部前額設置接地電極。此外，在采集腦電信號時，還需在頭頂放置參考電極。為了減少實驗過程中的信號失真，所有電極的接觸電阻需維持在5 kΩ以下。系統(tǒng)的帶通濾波器設置為0.1~100 Hz，信號采樣率設置為250 Hz。

3 分析方法

3.1 預處理

    數(shù)據(jù)采集后，首先通過系統(tǒng)自帶的SCAN 4.5軟件的Ocular Artifact Reduction功能來去除眼電信號。成年人的EEG信號中有用的信息主要在α波和β波， 因此信號經(jīng)過一個4~45 Hz的帶通濾波器來濾除噪聲。

3.2 獨立分量分析

    獨立分量分析（Independent Component Analysis，ICA）是信號處理領(lǐng)域重要的研究方法，屬于盲信源分離算法^[8]。經(jīng)過ICA分解后可將有用信號與噪聲信號分離，以做特征提取或者腦電地形圖的繪制等工作。

3.3 時頻分析

    EEG信號在經(jīng)過ICA分解為各自獨立的分量后，可通過時頻分析來判斷該獨立分量是否和思維活動相關(guān)。事件相關(guān)譜擾動（Event-Related Spectral Perturbation，ERSP）是在常規(guī)時頻分析算法上進行了改進，它可突出意識任務時EEG的能量相對空閑時的變化量^[9]。ERSP可分析整個時間軸的能量譜與提示出現(xiàn)的基線能量譜的相對變化值。

    如果進入想象期后，能量譜有提高或者降低，則說明該獨立分量與思維活動相關(guān)，反之則沒有。以受試者S6想象身體左旋的同時默讀“左”為例，他的第1個和第4個獨立分量經(jīng)過4~45 Hz帶通濾波后的ERSP圖如圖3所示。漢字提示出現(xiàn)在圖3中ERSP圖0 s的位置，1 s后，受試者開始相應的想象活動。受試者S6的第4個獨立分量在9~15 Hz范圍內(nèi)的能量隨著思維的進行而增加，他的第1個獨立分量則沒有類似的特征。因此可以判斷，思維活動與第4個分量相關(guān)，與第1個分量無關(guān)。

3.4 等價偶極子源定位分析

    通過時頻分析得到與意識任務相關(guān)的獨立分量后，可用空間源定位分析將其反推得到腦內(nèi)神經(jīng)活動源的位置、強度和方向等重要信息，這樣可判斷意識任務所激活的大腦皮層。

    本文選擇了等價偶極子分析。該算法將事件相關(guān)的神經(jīng)源視為一個或者幾個在大腦內(nèi)活動的電流偶極子^[10]，這些偶極子的方向和位置等信息采用最小化殘余誤差來確定：

其中L為導聯(lián)場矩陣，j為躍遷偶極矩，U為ICA分解后的獨立分量矩陣。

    詳細的操作流程為：

    (1)用EEGLAB工具箱對腦電信號做ICA分解^[11]，其中分解算法采用擴展Infomax法；

    (2)頭部模型選擇BEM，接著獨立分量通過該工具箱中的DIPFIT 2.2插件計算相應的偶極子；

    (3)用一個三維的粗疏網(wǎng)絡掃描出偶極子的大概位置；

    (4)將上一步得到的位置作為初值，繼續(xù)用非線性交叉擬合算法計算出偶極子的精確位置。

4 結(jié)果與分析

    本文的目的是通過對與意識任務相關(guān)的EEG信號進行空間源定位，來對比多模態(tài)意識任務和單一意識任務間的內(nèi)在差異，最終從時間、空間和頻率之外的角度來證明多模態(tài)意識任務的可行性和合理性。

    以受試者S6想象身體左旋的同時默讀“左”為例，圖3給出了空間源定位的流程。兩步子實驗均采用了35個電極來記錄EEG信號，所以經(jīng)過ICA分解后首先可得到35個分量，分量1和分量4為其中的兩個。所有分量經(jīng)過等價偶極子分析計算后分別得到各自對應的偶極子，并標出其在大腦的位置和方向。最后，采用ERSP來分辨與意識任務相關(guān)的獨立分量和偶極子。由ERSP圖可判斷分量4和思維有關(guān)系。圖3最終給出了與身體左旋時默讀“左”這一思維相關(guān)的5個偶極子的位置和方向，它們位于大腦右半皮層的頂部和顳葉。

    分別對10位受試者兩步子實驗的兩類想象做了分析，與意識任務相關(guān)的偶極子數(shù)量結(jié)果如圖4所示。根據(jù)10位受試者的平均結(jié)果，想象寫“壹”的筆畫時默讀“壹”的偶極子數(shù)量最多，達到了5個，說明這類思維活動較復雜，涉及較多的大腦皮層。其他意識任務的結(jié)果為：想象身體左旋時默讀“左”(4.3個)、僅想象寫筆畫(3.6個)和僅想象身體左旋(2.5個)，這恰好和四者平均分類準確率的排序一致(分類準確率來自文獻[7])。相比較于單模態(tài)，多模態(tài)的意識任務涉及更復雜的思維活動，因此有更多大腦皮層參與，這使得EEG信號具有更高的可分性。本文的結(jié)果在綜合腦電信號特征提取和分類的結(jié)果后^[7]，發(fā)現(xiàn)了腦電信號分類準確度提高的內(nèi)在原因，最終全面驗證了多模態(tài)實驗范式的可行性和合理性。

5 結(jié)論

    等價偶極子分析方法可將EEG信號逆運算以定位信號源的空間位置，此方法相對低廉和方便。本文通過對多模態(tài)和單模態(tài)這兩步子實驗進行空間源定位分析，并對比了這兩步子實驗的偶極子數(shù)量和分布，發(fā)現(xiàn)多模態(tài)子實驗具有更多和思維活動相關(guān)的偶極子。更多的偶極子也意味著更多的大腦皮層被激活，也驗證了多模態(tài)意識任務分類準確率提高的內(nèi)在原因。因此從空間源定位的角度驗證了多模態(tài)實驗的合理性和可行性。

參考文獻

[1] RABIE A R，ATHANASIOS V V. Brain computer interface：control signals review[J].Neurocomputing，2017，223：26-44.

[2] He Wei，Zhao Yue，Tang Haoyue，et al.A wireless BCI and BMI system for wearable robots[J].IEEE Transactions on Systems，Man，and Cybernetics：Systems，2016，46(7)：936-946.

[3] HWANG H J，KIM S，CHOI S，et al.EEG-based brain-computer interfaces: a thorough literature survey[J].International Journal of Human-Computer Interaction，2013，29(12)：814-826.

[4] Jin Jing，ALLISON B Z，SELLERS E W，et al.An adaptive P300-based control system[J].Journal of Neural Engineering，2011，8(3)：036006.

[5] WACKER M，WITTE H.Time-frequency techniques in biomedical signal analysis: a tutorial review of similarities and differences[J].Methods of Information in Medicine，2013，52(4)：279-296.

[6] FATTAHI D，NASIHATKON B，BOOSTANI R.A general framework to estimate spatial and spatio-spectral filters for EEG signal classification[J].Neurocomputing，2013，119：165-174.

[7] Wang Li，Zhang Xiong，Zhong Xuefei，et al.Improvement of mental tasks with relevant speech imagery for brain-computer interfaces[J].Measurement，2016，91：201-209.

[8] HYVARINEN A，KARHUNEN J，OJA E.Independent component analysis[M].New York：Wiley，2001.

[9] 王力，張雄，仲雪飛，等.頻分析在語言想像腦機接口中的應用[J].東南大學學報(自然科學版)，2014，44(6)：1126-1130.

[10] MUSHA T，OKAMOTO Y.Forward and inverse problems of EEG dipole localization[J].Critical Reviews in Biomedical Engineering，1999，27(3-5)：189-239.

[11] DELORME A，MAKEIG S.EEGLAB：an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis[J].Journal of Neuroscience Methods，2004，134(1)：9-21.

作者信息：

王  力1，董倩妍1，黃志鵬1，謝玉懷2，胡  曉1

（1.廣州大學 機械與電氣工程學院，廣東 廣州510006；2.廣州萊銘生物科技有限公司，廣東 廣州510330）