0 引言

    腦機(jī)接口（Brain Computer Interface，BCI）是一種不依賴于外部神經(jīng)和肌肉，直接將腦電信號(hào)（Electroencephalogram，EEG）轉(zhuǎn)化為控制指令控制外部設(shè)備運(yùn)行的通信系統(tǒng)。世界上由于各種事故導(dǎo)致身體失去運(yùn)動(dòng)能力的人很多，大多數(shù)殘疾人活動(dòng)空間有限，通常只能在病床和輪椅上活動(dòng)，BCI的誕生為他們實(shí)現(xiàn)與外部的交流提供了可替代手段。此外，BCI在軍事、娛樂等領(lǐng)域應(yīng)用廣泛，取得了較大的成就^[1]。2014年召開的騰訊WE大會(huì)上眾多著名專家學(xué)者提出了BCI與人工智能等將成為未來最具前沿性的科研項(xiàng)目，當(dāng)前已成為研究的熱點(diǎn)，具有廣闊的市場范圍和極大的社會(huì)價(jià)值。

    目前國內(nèi)外腦機(jī)接口主流研究方向有穩(wěn)態(tài)視覺誘發(fā)電位、P300電位、慢皮層電位、運(yùn)動(dòng)想象等方式，其中前三種是通過外界刺激產(chǎn)生腦電信號(hào)。諸如視覺刺激、體感刺激等誘發(fā)電腦產(chǎn)生一定規(guī)律的信號(hào)，然后對(duì)誘發(fā)信號(hào)進(jìn)行處理和分類。運(yùn)動(dòng)想象則是人體自發(fā)產(chǎn)生有關(guān)動(dòng)作意向的信號(hào)，具有實(shí)際意義。

    BCI由信號(hào)采集、信號(hào)預(yù)處理、特征值提取、信號(hào)分類、控制應(yīng)用五部分構(gòu)成。其中的核心關(guān)鍵在于信號(hào)分類。目前腦電信號(hào)分類方法主要有線性判別分析、隱馬爾可夫模型、卡爾曼濾波器等^[2]，線性判別分析使用簡單，容易實(shí)現(xiàn)。但腦電信號(hào)比較復(fù)雜，具有非線性特性，采集的信號(hào)線性可分性較弱且識(shí)別效率比較低?？柭鼮V波器對(duì)于先驗(yàn)知識(shí)依賴性較大，由于當(dāng)前腦科學(xué)認(rèn)知有限，很難從信號(hào)中獲取先驗(yàn)知識(shí)，在信號(hào)分類中效果較差。而BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，在解決非線性問題中取得了不錯(cuò)的效果，在腦電信號(hào)分類識(shí)別方面效果較好。

    雖然標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)路具有很強(qiáng)的非線性、并行性等特點(diǎn)，但其也存在收斂速度慢、易陷入局部最優(yōu)等局限性^[3]。針對(duì)此不足，本文提出使用其優(yōu)化算法中的LM算法設(shè)計(jì)分類器對(duì)信號(hào)進(jìn)行分類識(shí)別。利用主成分分析提取信號(hào)特征值，運(yùn)用MATLAB 2014B軟件對(duì)其進(jìn)行仿真試驗(yàn)，結(jié)果證明LM算法對(duì)比BP神經(jīng)網(wǎng)絡(luò)減少了訓(xùn)練時(shí)間，降低了誤差，提高了分類精度，具有良好的識(shí)別效果。

1 試驗(yàn)材料及信號(hào)采集

1.1 儀器設(shè)備

    本次實(shí)驗(yàn)信號(hào)采集設(shè)備使用的是Emotive Epoc＋，該設(shè)備是美國Emotive公司針對(duì)腦電信號(hào)設(shè)計(jì)的一款非侵入式信號(hào)采集設(shè)備。Emotive Epoc＋包含16個(gè)傳感器（含兩個(gè)參考電極），配置了藍(lán)牙模塊，不需要連線即可將采集的信號(hào)傳輸?shù)絇C，使用方便、便攜，導(dǎo)聯(lián)如圖1所示。

    本文算法驗(yàn)證平臺(tái)所用硬件為基于Arduino的智能小車，核心為最新版本的開發(fā)板Arduino UNO R3。它包含藍(lán)牙模塊、WiFi模塊、四驅(qū)PCB車盤、車輪、電壓表、打印線等。其資料開源，可用于二次開發(fā)。

1.2 信號(hào)采集

    本文重點(diǎn)是基于運(yùn)動(dòng)想象模式下的腦電信號(hào)分類，信號(hào)采集模式采用2008年BCI競賽的實(shí)驗(yàn)采集方式^[4-5]。實(shí)驗(yàn)前，在一個(gè)相對(duì)安靜的條件下，安排四位同學(xué)保持安靜放松的狀態(tài)下坐在椅子上，按照電腦屏幕出現(xiàn)的箭頭方向做相應(yīng)的思維任務(wù)。每次實(shí)驗(yàn)時(shí)間為7 s，在0~2 s內(nèi)，四位同學(xué)保持安靜放松狀態(tài)；第2秒，PC會(huì)發(fā)出響聲，同時(shí)屏幕出現(xiàn)“+”，提示實(shí)驗(yàn)人員集中注意力，信號(hào)采集任務(wù)即將開始；第3秒時(shí)，PC屏幕會(huì)出現(xiàn)左右上下類型的箭頭，同時(shí)實(shí)驗(yàn)人員根據(jù)箭頭方向想象左手、右手、舌、腳的運(yùn)動(dòng)，直到第7秒結(jié)束，圖2所示為單次信號(hào)采集過程。因?yàn)楸菊n題最后是要將離線數(shù)據(jù)導(dǎo)入交互界面，然后控制Arduino小車左右前后方向運(yùn)動(dòng)來做算法驗(yàn)證，所以實(shí)驗(yàn)過程中根據(jù)箭頭左右上下想象動(dòng)作所采集的數(shù)據(jù)標(biāo)記為左右前后四個(gè)方向數(shù)據(jù)，以便于后續(xù)信號(hào)分類。根據(jù)大腦自發(fā)腦電的特點(diǎn)以及產(chǎn)生原理，數(shù)據(jù)采集好后選擇O1、O2、AF3、F4、F7、P7、FC5、P8共8個(gè)通道的數(shù)據(jù)作為數(shù)據(jù)研究樣本。本次實(shí)驗(yàn)采集500組數(shù)據(jù)，其中400組數(shù)據(jù)為訓(xùn)練樣本，100組數(shù)據(jù)作為測試樣本。

2 信號(hào)預(yù)處理

    因?yàn)槟X電信號(hào)中夾雜著眼電信號(hào)、肌電信號(hào)等干擾信號(hào)，不便于下一步對(duì)信號(hào)的處理和分類，需要對(duì)信號(hào)進(jìn)行濾波處理，得到符合運(yùn)動(dòng)想象特點(diǎn)的腦電信號(hào)。通過分析腦電信號(hào)所對(duì)應(yīng)的功率譜可以得知，8~25 Hz頻帶的腦電信號(hào)增幅明顯，能夠鮮明反映出腦電活動(dòng)，所以選擇8~25 Hz頻帶作為研究課題的最佳范圍頻帶對(duì)原始腦電數(shù)據(jù)進(jìn)行濾波處理。

3 特征值提取

3.1 主成分分析基本原理

    主成分分析是將原有變量重新組合成一組新的線性無關(guān)的幾個(gè)綜合指標(biāo)，然后根據(jù)實(shí)際需求選取較少的綜合指標(biāo)反映原有變量的信息。從數(shù)學(xué)方面看，它是一種降維處理方法^[6]。利用主成分研究復(fù)雜問題過程中，在不損失太多原有變量信息的情況下可只考慮少數(shù)幾個(gè)主成分，這樣可以抓住重點(diǎn)部分，提高分析效率。實(shí)際應(yīng)用中，主成分分析在數(shù)據(jù)分析、人工智能、智慧農(nóng)業(yè)等領(lǐng)域得到極大的應(yīng)用。綜上所述，主成分分析有以下幾個(gè)優(yōu)點(diǎn)：

    （1）消除原有變量之間的相關(guān)性。主成分分析將原有變量組合為新的線性無關(guān)的主成分，消除了原有變量對(duì)分析問題的復(fù)雜性。實(shí)踐表明原有變量相關(guān)性越高，該方法分析效果越好。

    （2）減少選擇指標(biāo)的工作量。往常情況下，很多變量之間具有一定相關(guān)性，利用主成分分析可以消除原有變量之間的相關(guān)性，所以在選擇研究指標(biāo)上相對(duì)簡單容易。

    （3）降低計(jì)算工作量。該方法中各個(gè)主成分是根據(jù)方差大小來排列的，在研究問題時(shí)，可以根據(jù)實(shí)際需要選擇方差較大的幾個(gè)主成分，舍棄一些主成分，從而降低分析問題時(shí)的計(jì)算工作量。

    計(jì)算步驟如下：

    （1）原始數(shù)據(jù)標(biāo)準(zhǔn)化，目的在于消除不同量綱以及正逆指標(biāo)的影響。

    將原始矩陣X：

    （5）選取前k個(gè)累計(jì)貢獻(xiàn)率超過85%的主成分。

3.2 基于主城分分析特征值提取

    將濾波之后的信號(hào)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，對(duì)其進(jìn)行主成分分析。表1為經(jīng)分析后得出的各個(gè)主成分的特征值、方差貢獻(xiàn)率、累計(jì)貢獻(xiàn)。

    主成分原理中，貢獻(xiàn)率代表所提取主成分包含原始變量的信息量，累計(jì)貢獻(xiàn)率代表相應(yīng)幾個(gè)主成分累積包含原始變量的信息量。通過表1可知第一主成分包含原始變量53.5%的信息量，第二主成分包含原始變量37.8%的信息量，第三主成分包含原始變量3.9%的信息量，第四主成分包含原始變量2.1%的信息量。按照累積貢獻(xiàn)率超過85%為原則選取主成分，為避免輸入變量過少引起分類準(zhǔn)確度降低，選取前4個(gè)主成分作為新的研究變量。

4 LM算法信號(hào)識(shí)別仿真分析

4.1 BP神經(jīng)網(wǎng)絡(luò)

    BP神經(jīng)網(wǎng)絡(luò)于1986年由以McCelland和Rumelhart為首的科研小組提出，它是一種誤差反向傳播算法，是實(shí)際應(yīng)用中最為廣泛的神經(jīng)網(wǎng)絡(luò)之一。其基本原理是通過輸出后誤差估計(jì)輸出層直接前導(dǎo)層誤差，然后利用此誤差估計(jì)更前一層誤差，以此模式反傳獲得所有層的誤差不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)輸出值接近期望值。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成^[7]。其中輸入層神經(jīng)元負(fù)責(zé)接收外部數(shù)據(jù)并傳遞給隱含層神經(jīng)元。隱含層負(fù)責(zé)信息變換，是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，其層次設(shè)計(jì)可以根據(jù)實(shí)際問題需要設(shè)計(jì)為單隱含層或多隱含層結(jié)構(gòu)。輸出層負(fù)責(zé)網(wǎng)絡(luò)輸出。在該網(wǎng)絡(luò)模型訓(xùn)練過程中，若實(shí)際輸出與期望相差較大，訓(xùn)練將進(jìn)入誤差反向傳播階段，誤差會(huì)通過輸出層逐一反傳到輸入層并不斷調(diào)整各層權(quán)值和閾值，直至輸出最佳實(shí)際值^[8]。

    雖然標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)有一定優(yōu)點(diǎn)，但在生活應(yīng)用中仍存在一些缺陷。首先，網(wǎng)絡(luò)訓(xùn)練對(duì)樣本依賴性強(qiáng)，若樣本存在冗余、代表性差、矛盾性強(qiáng)，則該網(wǎng)絡(luò)很難達(dá)到預(yù)期效果。其次，權(quán)值和閾值敏感性強(qiáng)，需要多次調(diào)參，浪費(fèi)大量時(shí)間。再者，應(yīng)用中可能會(huì)陷入局部最優(yōu)。針對(duì)該神經(jīng)網(wǎng)絡(luò)的種種權(quán)限，本文提出基于LM算法的BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建分類器對(duì)腦電信號(hào)進(jìn)行分類。

4.2 LM算法

    基于BP神經(jīng)網(wǎng)絡(luò)的一些不足和缺陷，出現(xiàn)很多改進(jìn)的算法。改進(jìn)方式主要包括采用更加有效的優(yōu)化算法和啟發(fā)式學(xué)習(xí)算法。啟發(fā)式學(xué)習(xí)算法主要通過對(duì)表現(xiàn)函數(shù)進(jìn)行分析而改進(jìn)BP算法。目前該類型算法主要有自適應(yīng)lr的梯度法、有動(dòng)量梯度下降法、有動(dòng)量和自適應(yīng)lr的梯度下降法等。另一種優(yōu)化算法是基于數(shù)值最優(yōu)化理論的改進(jìn)方法，主要有共軛梯度法、高斯-牛頓法等^[9]。

    LM算法是介于高斯-牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，可以說是兩者相結(jié)合的一種改進(jìn)方法，既包含高斯-牛頓法的局部收斂性，又包含梯度下降法的全局性特點(diǎn)，能夠有效抑制神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)^[10]。基于LM算法的BP神經(jīng)網(wǎng)絡(luò)原理如下。

    設(shè)w_k為網(wǎng)絡(luò)訓(xùn)練中第k次迭代的權(quán)值和閾值所組成的向量，w^(k+1)表示為新的權(quán)值和閾值所組成的向量，按照下面公式可得^[11]：

4.3 基于LM算法仿真識(shí)別

    本次運(yùn)動(dòng)想象四類方向?yàn)锳rduino智能小車左右前后4種動(dòng)作方向，訓(xùn)練樣本為400組，測試樣本為100組。特征值分別定義為[1 0 0 0]、[0 1 0 0 ]、[0 0 1 0]、[0 0 0 1]。經(jīng)過多次訓(xùn)練，當(dāng)輸入層、隱含層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)目設(shè)置為4、10、4，各網(wǎng)絡(luò)層傳遞函數(shù)分別設(shè)置為tansig、tansig、purelin，學(xué)習(xí)步數(shù)epoch為1 000，學(xué)習(xí)速率lr為0.2，誤差為0.000 01時(shí)，其訓(xùn)練效果最好，圖3為其訓(xùn)練誤差圖示。最后利用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練識(shí)別并進(jìn)行比較，如圖4所示。

    由圖可知，LM算法訓(xùn)練誤差比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)誤差小。經(jīng)計(jì)算,前者平均誤差為5.630 6×10^-7，分類準(zhǔn)確率為86%，后者平均誤差為0.001 4，分類準(zhǔn)確率為56%。實(shí)驗(yàn)證明LM算法分類效果切實(shí)可行。

5 串口通信界面設(shè)計(jì)

    圖形用戶界面（Graphical User Interface，GUI）是一種由菜單、窗口、光標(biāo)、對(duì)話框、文本、按鍵等圖形對(duì)象構(gòu)成的用戶界面。MATLAB GUI編程與M文件程序編寫相對(duì)比，不僅需要寫內(nèi)部程序，還需要編輯前臺(tái)界面^[12]。MATLAB GUI前臺(tái)界面由眾多交互組件組成，主要有文本標(biāo)簽、按鈕、編輯文本框、單選按鈕、復(fù)選框、框架、下拉菜單、滑動(dòng)條和列表框等^[13]。對(duì)組件屬性進(jìn)行設(shè)置，并點(diǎn)擊或通過其他方式對(duì)其進(jìn)行激活后，往往會(huì)發(fā)生一些變化。MATLAB GUI中包含鍵盤鍵按下時(shí)響應(yīng)函數(shù)KeyPressFcn、關(guān)閉窗口時(shí)響應(yīng)函數(shù)CloseRequestFcn等，GUI設(shè)計(jì)中，總體功能的實(shí)現(xiàn)關(guān)鍵在于回調(diào)函數(shù)的編寫，所以設(shè)計(jì)中掌握回調(diào)函數(shù)至關(guān)重要。

    本文最終的目標(biāo)是實(shí)現(xiàn)腦電信號(hào)分類的控制應(yīng)用，總體思路為設(shè)計(jì)一個(gè)GUI界面，界面應(yīng)實(shí)現(xiàn)數(shù)據(jù)的導(dǎo)入、腦電信號(hào)顯示、主成分分析提取特征值、LM算法信號(hào)分類、文本框動(dòng)態(tài)顯示分類方向以及藍(lán)牙串口傳遞控制指令等，圖5所示為設(shè)計(jì)的GUI交互界面。

    操作順序如下：

    （1）點(diǎn)擊“打開訓(xùn)練數(shù)據(jù)”按鈕，在計(jì)算機(jī)中選擇處理好的訓(xùn)練數(shù)據(jù)導(dǎo)入。

    （2）點(diǎn)擊“BP分類器”按鈕，開始應(yīng)用LM算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分類，并將分類結(jié)果轉(zhuǎn)化為控制指令傳遞給Arduino智能車，為清晰觀察算法驗(yàn)證效果，每一個(gè)分類結(jié)果間隔1 s顯示到可編輯文本框中，并觀察Arduino小車動(dòng)作方向。

    （3）點(diǎn)擊“打開測試數(shù)據(jù)”按鈕，在計(jì)算機(jī)中選擇處理好的測試數(shù)據(jù)并將其導(dǎo)入。

    （4）點(diǎn)擊“BP分類器”按鈕，對(duì)測試數(shù)據(jù)進(jìn)行分類并觀察其結(jié)果和Arduino小車動(dòng)作方向。

    經(jīng)實(shí)驗(yàn)，當(dāng)導(dǎo)入訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)并對(duì)其進(jìn)行分類后，Arduino小車動(dòng)作方向以及動(dòng)作時(shí)間與文本框中分類結(jié)果和出現(xiàn)時(shí)間一致，證明算法驗(yàn)證成功。

6 結(jié)論

    信號(hào)分類是腦機(jī)接口中的關(guān)鍵和核心^[14]，本文針對(duì)其提出應(yīng)用LM算法創(chuàng)建分類器對(duì)腦電信號(hào)進(jìn)行分類識(shí)別。利用主成分分析對(duì)預(yù)處理的信號(hào)進(jìn)行降維處理，去除了不同導(dǎo)聯(lián)信號(hào)的相關(guān)性，避免了變量過多導(dǎo)致訓(xùn)練效率降低的情況，然后分別將LM算法和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類做對(duì)比，實(shí)驗(yàn)證明前者在誤差、分類準(zhǔn)確度上優(yōu)于后者，具有較好的分類效果。

參考文獻(xiàn)

[1] 陳豐，吳裕斌，曹丹華.基于STM32和USB虛擬串口的EEG信號(hào)采集儀設(shè)計(jì)[J].儀表技術(shù)與傳感器，2016(12)：65-68.

[2] 許童羽，馬藝銘，曹英麗，等.基于主成分分析和遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏輸出功率短期預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2016，44(22)：90-95.

[3] LI C，DAI Y，ZHAO J，et al.Remote sensing monitoring of volcanic ash clouds based on PCA method[J].ACTA Geophysica，2015，63(2)：1-19.

[4] SHIN J W，KWON S B，BAK Y，et al.BCI induces apoptosis via generation of reactive oxygen species and activation of intrinsic mitochondrial pathway in H1299 lung cancer cells[J].Science China Life Sciences，2018：1-11.

[5] He Gaiyun，Huang Can，Guo Longzhen，et al.Identification and adjustment of guide rail geometric errors based on BP neural network[J].Measurement Science Review，2017，17(3):135-144.

[6] 陳悅，張少白.LM算法在神經(jīng)網(wǎng)絡(luò)腦電信號(hào)分類中的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013(2)：119-122.

[7] 馮思維，魏慶國.一種基于穩(wěn)態(tài)視覺誘發(fā)電位的腦-機(jī)接口閱讀系統(tǒng)[J].科學(xué)技術(shù)與工程，2015，15(35)：204-207.

[8] 徐竹濤.基于MATLAB GUI的溫室滴灌系統(tǒng)優(yōu)化設(shè)計(jì)方法研究[D].楊凌：西北農(nóng)林科技大學(xué)，2016.

[9] 徐佳琳，左國坤.基于互信息與主成分分析的運(yùn)動(dòng)想象腦電特征選擇算法[J].生物醫(yī)學(xué)工程學(xué)雜志，2016(2)：201-207.

[10] 鄭國正，陳李勝.共同空間模型及其在EEG分類中的應(yīng)用[J].上饒師范學(xué)院學(xué)報(bào)，2015(6)：10-13.

[11] 葉德文，郁蕓，李修寒.基于Visual Studio與Matlab集成的腦電數(shù)據(jù)庫管理和分析系統(tǒng)[J].生物醫(yī)學(xué)工程研究，2015，34(4)：238-242.

[12] 孫會(huì)文，伏云發(fā)，熊馨，等.基于HHT運(yùn)動(dòng)想象腦電模式識(shí)別研究[J].自動(dòng)化學(xué)報(bào)，2015，41(9)：1686-1692.

[13] 梁致漢.基于EEG的腦機(jī)接口技術(shù)研究與實(shí)現(xiàn)[D].天津：天津理工大學(xué)，2015.

[14] XUE F，YANG Y L，DONG F T.Real-time temperature monitoring system design based on MATLAB GUI[J].Journal of Computer Applications，2014，889-890(1)：737-740.

作者信息:

趙東東1，宋洪軍2，許玉虎1，崔東云1，王  帥1，丁筱玲1

（1.山東農(nóng)業(yè)大學(xué) 機(jī)械與電子工程學(xué)院，山東 泰安271018；2.國投創(chuàng)新投資管理有限公司，北京100000）