萬(wàn)柏坤，劉延剛，明 東，孫長(zhǎng)城，綦宏志，張廣舉，程龍龍

(天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072)

腦-機(jī)接口(brain-computer interface，BCI)是運(yùn)用工程技術(shù)手段在人腦和計(jì)算機(jī)或者其他電子設(shè)備之間建立的直接信息交流和控制通道[1]．BCI可以為思維正常但運(yùn)動(dòng)功能殘缺的病人提供輔助運(yùn)動(dòng)功能，也可以大大擴(kuò)展人與外界進(jìn)行交流和對(duì)外界進(jìn)行控制的能力[2]．

1 BCI系統(tǒng)

典型的 BCI系統(tǒng)如圖 1所示，其技術(shù)研究的核心是從電極所檢測(cè)到的腦電信號(hào)中識(shí)別出人腦思維操作的意圖，提取能反映操作者主觀動(dòng)作意圖的特征參數(shù)并通過(guò)適當(dāng)?shù)乃惴ò阉D(zhuǎn)換為控制外部設(shè)備的命令[3-4]．

圖1 典型的BCI系統(tǒng)結(jié)構(gòu)示意Fig1 Typical structure of BCI system

現(xiàn)代神經(jīng)電生理學(xué)的研究表明，人體實(shí)際的肢體動(dòng)作或者僅是大腦的想象動(dòng)作均可引起誘發(fā)腦電信號(hào)內(nèi)某些特征頻段成分(如 alpha波、beta波等)的功率譜強(qiáng)弱變化，其中功率譜比率下降的現(xiàn)象稱(chēng)為事件相關(guān)去同步化(event related desynchronization，ERD)現(xiàn)象，而功率譜比率上升稱(chēng)為事件相關(guān)同步化(event related synchronization，ERS)現(xiàn)象[5-6]．

不同肢體部位動(dòng)作誘發(fā)的ERD/ERS現(xiàn)象在發(fā)生頻段上具有明顯的差異，如手部動(dòng)作誘發(fā)的 ERD現(xiàn)象較為顯著，多發(fā)生于 10～12 Hz及 20～24 Hz頻段；而舌部動(dòng)作的ERS現(xiàn)象較為顯著，多發(fā)生在10～11 Hz，足部動(dòng)作則為發(fā)生在 7～8 Hz及 20～24 Hz頻段的 ERD現(xiàn)象．另外，不同肢體部位的動(dòng)作誘發(fā)的 ERD/ERS現(xiàn)象還具有不同的皮層區(qū)域分布，由于人體大腦皮層感覺(jué)運(yùn)動(dòng)區(qū)神經(jīng)沖動(dòng)的傳導(dǎo)方式具有左右交叉、上下顛倒的特征，因此皮層區(qū)域分布表現(xiàn)出對(duì)側(cè)占優(yōu)的特點(diǎn)．如當(dāng)進(jìn)行左手的想象動(dòng)作時(shí)，右側(cè)皮層初級(jí)感覺(jué)運(yùn)動(dòng)區(qū)表現(xiàn)出更強(qiáng)的ERD現(xiàn)象[7]．

ERD/ERS現(xiàn)象的發(fā)生頻段和分布區(qū)域的特異性使得其可以用來(lái)作為腦-機(jī)接口中自主運(yùn)動(dòng)意識(shí)信息的轉(zhuǎn)化工具，如將不同部位的肢體想象動(dòng)作對(duì)應(yīng)于不同的控制指令，則通過(guò)對(duì)腦電信號(hào)中 ERD/ERS現(xiàn)象的發(fā)生頻段和分布區(qū)域進(jìn)行分析，即可提取出想象動(dòng)作對(duì)應(yīng)的肢體部位，從而解析出使用者所要傳達(dá)的控制指令．因此，腦-機(jī)接口研究中將肢體想象動(dòng)作誘發(fā)的 ERD/ERS作為一種經(jīng)典范式，傳統(tǒng)的使用方式是采取左、右手想象動(dòng)作的雙模式機(jī)制，這主要是由于左手和右手兩個(gè)部位的皮層特征區(qū)域距離較遠(yuǎn)、腦電特征較為穩(wěn)定，從而有利于識(shí)別．然而以識(shí)別左、右手想象動(dòng)作誘發(fā)腦電特征的方式傳遞自主信息時(shí)，每個(gè)想象動(dòng)作任務(wù)僅可輸出 1,b信息(如識(shí)別出左手動(dòng)作輸出0，識(shí)別出右手動(dòng)作則輸出1，相當(dāng)于輸出1位數(shù)字信號(hào))．顯然這種模式下的腦-機(jī)接口信息傳輸效率比較低，不利于 BCI系統(tǒng)復(fù)雜控制功能的實(shí)現(xiàn)．因此逐步擴(kuò)展動(dòng)作模式的范疇，采用更多的動(dòng)作模式以提高 BCI系統(tǒng)的性能已成為目前的研究共識(shí)．筆者對(duì)包括左手、右手、足部和舌頭 4個(gè)想象動(dòng)作模式進(jìn)行研究，探討多模式想象動(dòng)作誘發(fā)信號(hào)的特征提取和識(shí)別方法，理論上4種動(dòng)作模式可以提供2倍的信息傳輸速率．

2 實(shí)驗(yàn)數(shù)據(jù)

采用的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于國(guó)際 BCI CompetitionⅢ的公開(kāi)數(shù)據(jù)庫(kù)[8]，數(shù)據(jù)庫(kù)中的腦電信號(hào)數(shù)據(jù)所采用的動(dòng)作任務(wù)是由左手、右手、足部和舌頭 4個(gè)部位的想象動(dòng)作組成的．每個(gè)任務(wù)時(shí)間長(zhǎng)度為 8 s，其中，第1秒到第 2秒為任務(wù)的準(zhǔn)備期，此期間內(nèi)要求受試者保持安靜狀態(tài)．第 3秒為任務(wù)的提示期，期間計(jì)算機(jī)屏幕出現(xiàn)一個(gè)“＋”的符號(hào)標(biāo)志以提示受試者下一秒鐘將開(kāi)始執(zhí)行想象動(dòng)作任務(wù)．第 4秒到第 7秒的時(shí)間為想象任務(wù)的動(dòng)作期，此期間符號(hào)“＋”在計(jì)算機(jī)屏幕上消失而代之以出現(xiàn)一個(gè)“→”、“←”、“↓”或者“↑”的符號(hào)標(biāo)志，該標(biāo)志在該期間內(nèi)一直保持顯示在計(jì)算機(jī)屏幕上，當(dāng)該標(biāo)志出現(xiàn)后，即要求受試者按照箭頭方向所示執(zhí)行左手、右手、足部或者舌頭的想象動(dòng)作任務(wù)．第8秒為任務(wù)的恢復(fù)期，提示符號(hào)標(biāo)志消失，計(jì)算機(jī)屏幕恢復(fù)灰黑色背景，受試者停止想象動(dòng)作恢復(fù)平靜狀態(tài)．實(shí)驗(yàn)中所采集的任務(wù)同步腦電數(shù)據(jù)為60導(dǎo)聯(lián)，導(dǎo)聯(lián)的位置如圖2所示[8]．

圖2 多模式想象動(dòng)作的導(dǎo)聯(lián)位置示意Fig.2 Position of EEG electrodes of multi-pattern motor imagery

3 時(shí)頻分析與ERD/ERS

時(shí)頻分析[9]可作為想象動(dòng)作誘發(fā)腦電ERD/ ERS信號(hào)的處理基礎(chǔ)，是由于想象動(dòng)作引起的 ERD/ERS現(xiàn)象有著特定的發(fā)生頻段和相對(duì)于誘發(fā)刺激固定的時(shí)間延遲，因此采用基于短時(shí)傅里葉變換的時(shí)頻分析方法對(duì)事件發(fā)生前后的功率譜密度變化及分布特點(diǎn)進(jìn)行分析．短時(shí)傅里葉變換(short time Fourier transform，STFT)是目前最常用的時(shí)頻分析方法之一，其做法是先使用一個(gè)有限寬度的觀察窗 W(t)對(duì)信號(hào)x(t)進(jìn)行觀察，然后對(duì)加窗后的信號(hào)進(jìn)行傅里葉變換

式中：ω是角頻率；*( )Wtτ?是()Wtτ?的復(fù)共軛函數(shù)．逐步移動(dòng)觀察窗對(duì)整個(gè)肢體想象動(dòng)作任務(wù)刺激下的腦電信號(hào) x(t)進(jìn)行觀察，可以得到單次任務(wù)的二維時(shí)頻圖譜(如圖 3所示)．由于誘發(fā)腦電信號(hào)的信噪比不高，單次任務(wù)腦電信號(hào)易出現(xiàn)偏差或者噪聲太大，因此，采用多次任務(wù)疊加平均的方法來(lái)增強(qiáng)信噪比．

經(jīng)處理，得到各動(dòng)作模式下的平均二維時(shí)頻圖譜，圖 3(a)、3(c)和圖 4(c)、4(a)所示分別為左手、右手、足部、舌部4個(gè)肢體想象動(dòng)作中特征最顯著導(dǎo)聯(lián)處的時(shí)頻圖譜．橫軸表示時(shí)間，縱軸表示頻率，偽彩色則代表經(jīng)過(guò)疊加平均后的功率譜密度(單位為 dB)．可以看出，左、右手和足部動(dòng)作的ERD現(xiàn)象顯著，而舌頭的想象動(dòng)作則誘發(fā)出較為明顯的ERS現(xiàn)象．

圖3 左、右手想象動(dòng)作特征導(dǎo)聯(lián)處的二維時(shí)頻圖譜和空間分布地形Fig.3 Two-dimensional time-frequency atlases and spatial distribution map of feature channels of left and right hand motor imagery

圖4 舌部和足部想象動(dòng)作特征導(dǎo)聯(lián)處的二維時(shí)頻圖譜和空間分布地形Fig.4 Two-dimensional time-frequency atlases and spatial distribution map of feature channels of tongue and foot motor imagery

時(shí)頻圖譜中標(biāo)示的 t1、t2為 ERD/ERS特異性最強(qiáng)時(shí)段，此時(shí)段內(nèi)的平均功率譜密度在頭皮上的空間分布如圖 3(b)、3(d)、4(b)、4(d)所示，可見(jiàn) 4 種模式想象動(dòng)作的空間分布均具有較強(qiáng)的特異性，其中左、右手想象動(dòng)作的ERD現(xiàn)象分別在34導(dǎo)聯(lián)和28導(dǎo)聯(lián)處最顯著(為左右交叉對(duì)應(yīng))，足部想象動(dòng)作誘發(fā)的ERD在41導(dǎo)聯(lián)處最顯著，而舌頭部位的ERS現(xiàn)象在24導(dǎo)聯(lián)處最強(qiáng)．

時(shí)頻分析的結(jié)果表明，想象左手、右手、足部和舌頭動(dòng)作可以引起特異性較強(qiáng)的頻譜變化，并伴隨有顯著的空間分布，根據(jù)這些信息提取出特征參數(shù)即可用于不同動(dòng)作模式的分類(lèi)識(shí)別．但由于不同動(dòng)作模式誘發(fā)的ERD/ERS現(xiàn)象的特征頻段和響應(yīng)時(shí)段有所不同，因此需要采用可分性分析進(jìn)一步提取出有利于識(shí)別的特征頻譜參數(shù)．

4 Fisher可分性分析與特征提取

信號(hào)的可分性分析是想象動(dòng)作特征電位提取的關(guān)鍵部分，可分性分析作為特征提取的方法，主要用來(lái)評(píng)價(jià)特征參數(shù)在不同類(lèi)別樣本中的分布是否具有明顯的差異，一般差異度越大的參數(shù)越適于作為樣本分類(lèi)的特征值．采用 Fisher可分性分析進(jìn)行頻譜特征的提取，其基本描述[10]為

式中：m1與 m2分別為兩類(lèi)特征的均值；σ12與 σ22分別為兩類(lèi)特征的方差．Fisher分析的評(píng)價(jià)函數(shù)J實(shí)際上是特征值的類(lèi)間離散度與類(lèi)內(nèi)離散度的比值，J值越大則可分性越高，若兩類(lèi)特征的均值相等，則 J為0，兩類(lèi)特征線(xiàn)性不可分．

采用 Fisher分析的方法對(duì)二維時(shí)頻網(wǎng)格上兩類(lèi)動(dòng)作模式的功率譜密度特征進(jìn)行處理，選擇J值較大且集中的頻段和時(shí)段(特征頻段和特征時(shí)段)進(jìn)行分類(lèi)特征的構(gòu)造．下面以 34導(dǎo)聯(lián)處想象左手動(dòng)作與其他動(dòng)作之間的 Fisher分析為例來(lái)說(shuō)明特征頻段和特征時(shí)段的提取方法．

首先，對(duì)每一次實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行二維時(shí)頻處理，將左手動(dòng)作數(shù)據(jù)作為樣本 1，以其他動(dòng)作的數(shù)據(jù)作為樣本 2，然后在二維時(shí)頻網(wǎng)格上對(duì)每一節(jié)點(diǎn)處的兩個(gè)樣本集計(jì)算其 Fisher系數(shù)(J值)，這樣可得到 Fisher系數(shù)的二維時(shí)頻分布圖(如圖 5(a)所示)．對(duì)動(dòng)作期(3～7 s)內(nèi)的 J值按照時(shí)間軸進(jìn)行平均，可得到隨頻率變化的 J值曲線(xiàn)(如圖 5(b)所示)，該曲線(xiàn)上的兩個(gè)波峰表示左手想象動(dòng)作與其他想象動(dòng)作模式之間存在兩個(gè)具有特異性差別的頻段，采用閾值提取的方法提取出的即為特征頻段．對(duì)特征頻段F1和F2中的J值按照頻率軸進(jìn)行平均，分別得到特征頻段內(nèi)隨時(shí)間變化的 J值曲線(xiàn)(如圖 5(c)、5(d)所示)．然后，在這兩條曲線(xiàn)上分別提取特征時(shí)段

圖5 左手想象動(dòng)作經(jīng)Fisher分析提取特征頻段和特征時(shí)段的示意(34導(dǎo)聯(lián)處)Fig.5 Diagram of extraction of feature frequency bands and time periods of left hand motor imagery by Fisher analysis(at channel 34)

各動(dòng)作模式的分類(lèi)特征是以特征頻段和特征時(shí)段內(nèi)的功率譜密度均值來(lái)構(gòu)造的，這樣得到的特征具有較高的可分性和穩(wěn)定性．例如，在想象左手動(dòng)作時(shí)，在頻段F1和時(shí)段 T1上 34導(dǎo)聯(lián)處的J值為0.828 6，在34導(dǎo)聯(lián)附近的左手模式特征區(qū)域內(nèi)的所有導(dǎo)聯(lián)的平均J值為0.473 3，而在剩余的所有導(dǎo)聯(lián)上的平均J值僅有 0.044 8，顯然，左手模式與其他模式之間具有良好的可分性，提取這個(gè)區(qū)域的導(dǎo)聯(lián)作為左手模式的特征導(dǎo)聯(lián)．同樣，對(duì)其他每種動(dòng)作模式也提取可分性最好的數(shù)個(gè)導(dǎo)聯(lián)，用于構(gòu)造各模式的特征向量，按照特征的J值大小共提取出4種動(dòng)作模式下的27個(gè)特征值，并按照J(rèn)值由大到小對(duì)每種模式的所有特征進(jìn)行排序，由于不同特征組合方式會(huì)導(dǎo)致不同的識(shí)別效果，筆者嘗試了3種特征組合方式(如表1所示)進(jìn)行分類(lèi)識(shí)別，每種組合中使用的各模式的特征均從其所有特征中選擇J值最大的若干個(gè)．組合1與組合2中的特征基本分布在各肢體部位的皮層功能區(qū)上，組合3中的特征分布較廣，除各對(duì)應(yīng)功能區(qū)外，還有部分特征位于其他區(qū)域，如額區(qū)和枕區(qū)．

表1 4種模式的3種識(shí)別特征組合Tab.l Three kinds of compages of recognition features of four classes

5 基于SVM的分類(lèi)識(shí)別結(jié)果

分類(lèi)識(shí)別是腦-機(jī)接口系統(tǒng)中重要的信號(hào)處理環(huán)節(jié)，是完成使用者自主意識(shí)到控制命令轉(zhuǎn)化的關(guān)鍵步驟．對(duì)于基于想象動(dòng)作的腦-機(jī)接口系統(tǒng)而言，模式識(shí)別即是通過(guò)對(duì)腦電信號(hào)特征的提取和分類(lèi)來(lái)辨識(shí)出其中所攜帶的自主性動(dòng)作信息．

腦-機(jī)接口的識(shí)別環(huán)節(jié)中，分類(lèi)器建立過(guò)程中可以使用的訓(xùn)練樣本數(shù)往往比較有限，這種情況下傳統(tǒng)的分類(lèi)識(shí)別方法如神經(jīng)網(wǎng)絡(luò)等存在識(shí)別準(zhǔn)確率偏低、分類(lèi)器泛化能力不強(qiáng)、識(shí)別效果不穩(wěn)定等問(wèn)題．基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(support vector machine，SVM)方法是近年來(lái)在模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域中得到廣泛認(rèn)可的分類(lèi)識(shí)別技術(shù)，它可以有效地避免經(jīng)典學(xué)習(xí)方法中的過(guò)學(xué)習(xí)、維數(shù)災(zāi)難和局部極小等問(wèn)題，在小樣本條件下仍具有良好的泛化能力．因此，采用SVM 的方法來(lái)對(duì)提取到的想象動(dòng)作腦電信號(hào)的特征參數(shù)進(jìn)行分類(lèi)識(shí)別[11]．

文中處理的識(shí)別問(wèn)題屬于多分類(lèi)識(shí)別(共4種動(dòng)作模式，也即4個(gè)類(lèi)別)，實(shí)踐上可采用兩種方案進(jìn)行分類(lèi)：①單層分類(lèi)，即同時(shí)對(duì)4種模式進(jìn)行識(shí)別；②雙層分類(lèi)，第1層分類(lèi)首先對(duì)4種模式按照特征的分布特點(diǎn)分為兩類(lèi)(左手和右手動(dòng)作模式為一類(lèi)，足部和舌部動(dòng)作模式為另一類(lèi))，第 2層分類(lèi)是在第 1層分類(lèi)的結(jié)果上在兩類(lèi)內(nèi)部繼續(xù)細(xì)分．對(duì)這兩種方案進(jìn)行測(cè)試并對(duì)其結(jié)果進(jìn)行比較分析，將所有單次實(shí)驗(yàn)樣本分為訓(xùn)練集和測(cè)試集，首先使用訓(xùn)練集訓(xùn)練 SVM分類(lèi)器并進(jìn)行參數(shù)優(yōu)化，然后使用測(cè)試集放入分類(lèi)器中進(jìn)行測(cè)試得到識(shí)別正確率，其結(jié)果如表2所示．

表2 不同特征組合和分類(lèi)方案下的識(shí)別結(jié)果Tab.2 Recognition results under different kinds of feature Tab.2 compages and classification schemes

由表2可以看出采用16個(gè)特征的特征組合及雙層分類(lèi)方案下識(shí)別正確率最高，可達(dá)到 85.71%．對(duì)于不同的特征組合，組合2的識(shí)別正確率高于其他兩個(gè)組合，單層分類(lèi)器方案下，組合 2的識(shí)別正確率為81.63%，而組合 1和 3的識(shí)別正確率分別為 73.47%和 75.51%；雙層分類(lèi)器方案下，組合 2的識(shí)別正確率為 85.71%，而組合 1和 3的識(shí)別正確率分別為77.55%和 79.59%．相對(duì)于組合 1而言組合 2增加的特征是同樣位于相應(yīng)動(dòng)作模式的大腦皮層功能區(qū)域內(nèi)，而 J值相對(duì)較低的部分特征，由于采用了更多的特征信息，分類(lèi)效果得到了一定的提高．組合 2高于組合3的原因則較為復(fù)雜，一方面組合3中的特征分布已不完全位于相應(yīng)動(dòng)作模式的大腦皮層功能區(qū)域內(nèi)，這些功能區(qū)外的特征往往是由于腦電的空間低通特性所致，本質(zhì)上屬于一種冗余信息，而且對(duì)于識(shí)別起不到正面作用，另一方面分類(lèi)器學(xué)習(xí)時(shí)在樣本數(shù)一定的情況下，特征維度過(guò)高時(shí)將帶來(lái)學(xué)習(xí)機(jī)泛化能力的下降，組合3中的特征維度相對(duì)于樣本數(shù)量而言過(guò)高，從而降低了分類(lèi)器的識(shí)別效果．不同特征組合的分類(lèi)對(duì)比結(jié)果說(shuō)明，對(duì)于多模式想象動(dòng)作的分類(lèi)絕不是特征越多越好，過(guò)分增加特征維度有可能帶來(lái)識(shí)別效率的下降．

對(duì)于不同的分類(lèi)器方案，各種特征組合方式下雙層分類(lèi)的最終正確率均比單層分類(lèi)的高了約 4%(比如 16個(gè)特征時(shí)，單層分類(lèi)為 81.63%，而雙層分類(lèi)可達(dá) 85.71%)，這也說(shuō)明雙層分類(lèi)能夠改善分類(lèi)效果，其原因可能是由于支持向量機(jī)本身所具有的更適合于二分類(lèi)的特點(diǎn)．

此外，從表2中可以看到雙層分類(lèi)的第1層分類(lèi)正確率都很高，在 16個(gè)特征時(shí)可以達(dá)到 97.96%，這說(shuō)明左、右手模式和足部、舌頭模式的功能區(qū)和特征頻段的分布的可分性相當(dāng)好；同時(shí)，左、右手模式的ERD/ERS信號(hào)強(qiáng)度也遠(yuǎn)遠(yuǎn)高于足部、舌頭模式．

6 結(jié) 論

(1)采用二維時(shí)頻分析結(jié)合Fisher可分性分析的方法對(duì)多模式想象動(dòng)作的誘發(fā)腦電信號(hào)進(jìn)行特征提取，采用支持向量機(jī)構(gòu)造分類(lèi)器進(jìn)行識(shí)別，研究結(jié)果表明，多導(dǎo)時(shí)頻特征的優(yōu)化組合可以獲得較高的多模式想象動(dòng)作區(qū)分效果，采用雙層的分類(lèi)器構(gòu)造方案可以提高分類(lèi)識(shí)別的正確率．

(2)將傳統(tǒng)的左右手雙模式想象動(dòng)作腦-機(jī)交互任務(wù)擴(kuò)展到左手、右手、足部、舌頭 4種模式后，識(shí)別效果未見(jiàn)明顯下降，這為雙模式動(dòng)作任務(wù)向多模式動(dòng)作任務(wù)的推廣提供了良好的條件，同時(shí)也為進(jìn)一步擴(kuò)展動(dòng)作模式奠定了基礎(chǔ)．

(3)肢體想象動(dòng)作的誘發(fā)特征區(qū)域性較為集中，而左手、右手、足、舌4個(gè)肢體部位在大腦皮層初級(jí)感覺(jué)運(yùn)動(dòng)區(qū)內(nèi)的對(duì)應(yīng)主控區(qū)域相互間隔較遠(yuǎn)，因此其產(chǎn)生的特異性誘發(fā)腦電信號(hào)仍可表現(xiàn)出空間可分性，這是多模式任務(wù)識(shí)別的基礎(chǔ)原因．想象動(dòng)作模式的擴(kuò)展可以提高腦-機(jī)交互的信息傳輸效率，但受制于腦電信號(hào)較低的空間分辨率，動(dòng)作模式的擴(kuò)展必須考慮到誘發(fā)特征的空間分布特異性．因此，進(jìn)一步的動(dòng)作模式擴(kuò)展也應(yīng)當(dāng)考慮到誘發(fā)特征的區(qū)域集中性以及與已有模式的皮層功能區(qū)間隔．

［1］ Wolpaw J R，Birbaumer N，Heetderks W J，et al. Braincomputer interface technology：A review of the first international meeting[J]. IEEE Trans Rehabil Eng，2000，8(2)：222-225.

［2］ Wolpaw J R，Birbaumer N，McFarland D J，et al. Braincomputer interfaces for communication and control[J].Clinical Neurophysology，2002，113：94-109.

［3］ 萬(wàn)柏坤，高 揚(yáng)，趙 麗，等. 腦-機(jī)接口：大腦對(duì)外信息交流的新途徑[J]．國(guó)外醫(yī)學(xué)生物醫(yī)學(xué)工程分冊(cè)，2005，28(1)：4-9.Wan Baikun，Gao Yang，Zhao Li，et al. Brain-computer interface：A new channel for information communicate between human brain and environments[J]. Biomedical Engineering Foreign Medical Sciences，2005，28(1)：4-9(in Chinese).

［4］ Vaughan T M. Brain-computer interface technology：A review of the second international meeting[J]. IEEE Trans Neural Syst Rehabil Eng，2003，11(2)：94-109.

［5］ 莊 平．腦電事件相關(guān)去同步化和同步化活動(dòng)與運(yùn)動(dòng)相關(guān)性作業(yè)[J]. 中國(guó)臨床康復(fù)，2004，8(1)：152-154.Zhuang Ping．EEG event-related desynchronization and synchronization activities and movement relate dexercises[J]. Chinese Journal of Clinical Rehabilitation，2004，8(1)：152-154(in Chinese).

［6］ Pfurtscheller G，Lopes da Silva F H．Event-related EEG/MEG synchronization and desychronization：Basic principles[J]. Clinical Neurophysiology，1999，110(11)：1842-1857.

［7］ Neuper C，Müller G R，Kübler A，et al. Clinical application of an EEG-based brain-computer interface：A case study in a patient with severe motor impairment[J].Clinical Neurophysiology，2003，114：399-409.

［8］ Krusienski D J，Wolpaw J R，Millán José del R. The BCI competitionⅢ：Validating aternative approaches to actual BCI problems[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineeing，2006，14(2)：153-158．

［9］ 殷曉中，于盛林. 信號(hào)的時(shí)頻分析理論及應(yīng)用評(píng)述[J].現(xiàn)代電子技術(shù)，2006，29(21)：118-120.Yin Xiaozhong，Yu Shenglin．Time-frequency analysis and its application[J]. Modern Electronic Technique，2006，29(21)：118-120(in Chinese).

［10］ 楊 健，楊靜宇，葉 暉．Fisher線(xiàn)性兼?zhèn)浞治龅睦碚撗芯考捌鋺?yīng)用[J]. 自動(dòng)化學(xué)報(bào)，2003，29(4)：481-493.Yang Jian，Yang Jingyu，Ye Hui．Fisher linear analysis of both theoretical research and its applications[J]. Acta Automation Sinica，2003，29(4)：481-493(in Chinese).

［11］ 胡 哲，鄭 誠(chéng)，閔鵬鵬. 支持向量機(jī)及其應(yīng)用研究[J]. 重慶科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2008，10(2)：121-124.Hu Zhe，Zheng Cheng，Min Pengpeng．Support vector machine and its applications[J]. Journal of Chongqing University of Science and Technology：Natural Sciences Edition，2008，10(2)：121-124(in Chinese).