【作 者】喬靜，胡鵬舉，洪杰

1 西北工業(yè)大學(xué)機(jī)電學(xué)院，西安市，710072

2 中國(guó)航天空氣動(dòng)力技術(shù)研究院研究生院，北京市，100074

0 引言

腦機(jī)接口(Brain-computer Interface，BCI)，是近些年來(lái)發(fā)展起來(lái)的一種人機(jī)接口技術(shù)，它不同于以往傳統(tǒng)的依靠鍵盤(pán)、鼠標(biāo)等外圍設(shè)備與計(jì)算機(jī)進(jìn)行交互的方式，是一種不依賴(lài)于腦的常規(guī)輸出通道(即外圍神經(jīng)和肌肉)就可以實(shí)現(xiàn)腦—機(jī)通信的系統(tǒng)[1]，該技術(shù)為有運(yùn)動(dòng)障礙的人提供了新的與外界溝通的途徑。由于腦電信號(hào)(EEG)記錄簡(jiǎn)單，且外置式無(wú)創(chuàng)傷性，對(duì)被試的安全及要求比較低，多數(shù)BCI技術(shù)都基于EEG信號(hào)。

經(jīng)過(guò)各國(guó)研究者的努力和實(shí)踐，目前，已經(jīng)形成具有代表性的用以實(shí)驗(yàn)、驗(yàn)證的BCI系統(tǒng)：事件相關(guān)電位(Event Related Potential: ERP)P300的BCI系統(tǒng)[2]、視覺(jué)誘發(fā)電位(Visual Evoked Potential: VEP)的BCI系統(tǒng)[3]、事件相關(guān)同步/去同步 (Event-related synchronization and desynchronization,ERS/ERD)的BCI系統(tǒng)[4-6]、穩(wěn)態(tài)視覺(jué)誘發(fā)響應(yīng)(Steady State VEP:SSVEP)的BCI系統(tǒng)[7]等。為后續(xù)研究者提供了實(shí)驗(yàn)建立的基礎(chǔ)和信號(hào)特征提取、分類(lèi)的依據(jù)，目前常見(jiàn)的EEG信號(hào)分析技術(shù)有：時(shí)域分析法、頻域分析法、時(shí)—頻分析法及多維統(tǒng)計(jì)分析法。其中，時(shí)域分析法直觀(guān)性強(qiáng)，能通過(guò)時(shí)域圖明顯表示出隨時(shí)間變化而引起的信號(hào)變化，不失為一種直觀(guān)有效的EEG信號(hào)分析方法，最初的EEG信號(hào)分析大都采用這種方法；時(shí)—頻分析法可以將信號(hào)的時(shí)間和頻率特征同時(shí)顯現(xiàn)在一幅圖里邊，表現(xiàn)不同時(shí)間點(diǎn)的信號(hào)頻率變化，更有利于凸顯EEG信號(hào)的特性，所以在EEG信號(hào)的處理中得到廣泛應(yīng)用，是目前比較成熟的EEG信號(hào)分析方法[8-9]。

將EEG信號(hào)作為BCI系統(tǒng)的輸入，要先確定所需EEG信號(hào)的特征，在本文的研究中，需要選擇與運(yùn)動(dòng)最相關(guān)的腦電節(jié)律。腦科學(xué)的研究表明，人類(lèi)腦電頻率主要分布在0.5～30 Hz，劃分為4個(gè)基本節(jié)律：δ節(jié)律0～3 Hz、θ節(jié)律3～8 Hz、μ節(jié)律8 ～13 Hz和β節(jié)律13～30 Hz。腦科學(xué)經(jīng)過(guò)這么些年的發(fā)展，已經(jīng)證實(shí)：當(dāng)人們想象或做單側(cè)肢體運(yùn)動(dòng)時(shí)，大腦神經(jīng)元突觸后電位相互削弱和增強(qiáng)，使大腦對(duì)側(cè)的運(yùn)動(dòng)感覺(jué)區(qū)的μ節(jié)律和β節(jié)律能量減小，而同側(cè)的運(yùn)動(dòng)感覺(jué)區(qū)μ節(jié)律和β節(jié)律能量增大，這種現(xiàn)象被稱(chēng)為事件相關(guān)去同步(ERD)和時(shí)間相關(guān)同步(ERS)[4]。腦電信號(hào)的ERD和ERS現(xiàn)象成為判斷左右手想象運(yùn)動(dòng)的最根本依據(jù)[10]。

目前，常見(jiàn)的基于運(yùn)動(dòng)想象的EEG信號(hào)的特征提取算法有：小波變換、支持向量機(jī)、傅里葉變換（Fast Fourier Transform，F(xiàn)FT）、相關(guān)性分析、AR參數(shù)估計(jì)、共空間模型（CSP）、Butterworth低通濾波、遺傳算法等；常見(jiàn)的基于運(yùn)動(dòng)想象的EEG信號(hào)的分類(lèi)算法有：線(xiàn)性距離判別、支持向量機(jī)（Support Vector Machine，SVM）、聚類(lèi)算法、貝葉斯分類(lèi)器、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)等[11-17]。

本文針對(duì)6路EEG信號(hào)通道、兩類(lèi)思維任務(wù)的實(shí)驗(yàn)平臺(tái)，采用小波包分解的方法提取特定頻帶的能量信息，然后采用線(xiàn)性距離判別的方法進(jìn)行分類(lèi)，最后采用Kappa系數(shù)進(jìn)行分類(lèi)衡量，編程簡(jiǎn)單，得到良好的實(shí)驗(yàn)結(jié)果。

1 實(shí)驗(yàn)數(shù)據(jù)

本研究所用的實(shí)驗(yàn)數(shù)據(jù)來(lái)自公開(kāi)發(fā)布在互聯(lián)網(wǎng)的用于BCl2008競(jìng)賽的腦電數(shù)據(jù)，是由奧地利Graz科技大學(xué)提供的BCICIV_2b_gdf，分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。整個(gè)試驗(yàn)共有9個(gè)被試者，每個(gè)被試者做5組試驗(yàn)，其中前2組實(shí)驗(yàn)是無(wú)反饋的，后3組實(shí)驗(yàn)是帶反饋的；前3組是訓(xùn)練數(shù)據(jù)，后2組是測(cè)試數(shù)據(jù)。每個(gè)實(shí)驗(yàn)包括120個(gè)試次（60次想象左手，60次想象右手）。實(shí)驗(yàn)采用AgCl電極，數(shù)據(jù)由差分電極從國(guó)際標(biāo)準(zhǔn)10-20導(dǎo)聯(lián)系統(tǒng)的C3、CZ、C4三個(gè)通道獲得，如圖1所示。依據(jù)人體功能區(qū)域在腦部的劃分，C3、C4位置包含了想象對(duì)側(cè)手部運(yùn)動(dòng)時(shí)最為豐富的信息，本研究只采用這兩個(gè)通道的數(shù)據(jù)信息。實(shí)驗(yàn)組成如圖2所示。

圖1 電極布置圖Fig.1 Position of EEG electrodes

圖2 實(shí)驗(yàn)設(shè)置時(shí)序圖Fig.2 Timing of the paradigm

實(shí)驗(yàn)設(shè)置1中，1～3 s，受試者盯著屏幕，屏幕上顯示一個(gè)“+”，其中第2 s時(shí)，一聲蜂鳴(1000 Hz，70 ms)，提示試驗(yàn)即將開(kāi)始。3 s時(shí)十字符號(hào)被一個(gè)向左或者向右的箭頭所代替，受試者被箭頭引導(dǎo)著想象手的運(yùn)動(dòng)，該箭頭持續(xù)1.25 s，整個(gè)實(shí)驗(yàn)過(guò)程持續(xù)7 s，之后有一個(gè)1.5 s的暫停，最后有1 s的空白，防止與接下來(lái)的試次發(fā)生重疊。

實(shí)驗(yàn)設(shè)置2中，實(shí)驗(yàn)開(kāi)始時(shí)屏幕上呈現(xiàn)灰色的反饋標(biāo)示，第2 s時(shí)一聲蜂鳴(1000 Hz，70 ms)提示試驗(yàn)即將開(kāi)始。3 s時(shí)箭頭出現(xiàn)并持續(xù)至第7.5 s，受試者依據(jù)箭頭指向想象相應(yīng)的運(yùn)動(dòng)，在反饋階段，反饋標(biāo)示依據(jù)想象結(jié)果與箭頭對(duì)應(yīng)或不對(duì)應(yīng)而呈現(xiàn)笑臉或苦臉。同樣在之后有一個(gè)1.5 s的暫停和1 s的空白，防止與接下來(lái)的試次發(fā)生重疊。

2 特征量的提取和分類(lèi)

2.1 數(shù)據(jù)預(yù)處理

選擇每個(gè)被試的前3組實(shí)驗(yàn)作為訓(xùn)練數(shù)據(jù)進(jìn)行特征提取和分類(lèi)器訓(xùn)練，后2組實(shí)驗(yàn)用來(lái)測(cè)試分類(lèi)器。

選擇合適的頻段進(jìn)行濾波：依據(jù)運(yùn)動(dòng)想象左右手的μ節(jié)律8～12 Hz和β節(jié)律19～26 Hz[4]，對(duì)數(shù)據(jù)進(jìn)行巴特沃斯帶通濾波。在構(gòu)建帶通濾波器時(shí)，首先會(huì)牽涉到濾波器階數(shù)選擇的問(wèn)題。階數(shù)越高，濾波器的截止頻率越精確，但會(huì)導(dǎo)致在時(shí)域的數(shù)據(jù)分散；階數(shù)太低了，濾波效果不明顯[18]。經(jīng)過(guò)多次試驗(yàn)，本文選用6階的巴特沃斯帶通濾波。

圖3 想象左右手(5 ～7)s數(shù)據(jù)濾波前后對(duì)比Fig.3 Data comparison of (5 ～7)s about left/right hand class before and after filtering

選擇合適的時(shí)間段作為能量對(duì)比區(qū)間：對(duì)每組數(shù)據(jù)都進(jìn)行可視化處理，然后根據(jù)計(jì)算的結(jié)果，最終選擇(5 ～7)s作為能量特征對(duì)比區(qū)間。其濾波前后結(jié)果，如圖3所示。

2.2 小波包分解

小波包分解是小波變換的一種形式，小波變換是時(shí)間（空間）頻率的局部化分析，它通過(guò)伸縮平移運(yùn)算對(duì)信號(hào)(函數(shù))逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能很好地反映信號(hào)在時(shí)域和頻域的局部信息。

信號(hào)f (x)從 j尺度到 j+1尺度逐步分解的過(guò)程，也就是對(duì)信號(hào)f (x)從高分辨率到低分辨率的分析過(guò)程[13-14]。

小波包分解的數(shù)學(xué)公式為：

小波包分解是一個(gè)遞推的過(guò)程，分解形式及過(guò)程，如圖4所示。其中CA、CD分別表示小波包分解所得各層的逼近信號(hào)(低頻部分)和細(xì)節(jié)信號(hào)(高頻部分)。

小波包分解的級(jí)數(shù)是由用于特征提取的信號(hào)所覆蓋的頻率范圍決定的，分解級(jí)數(shù)越高，各層所覆蓋的頻率范圍越小[14,19]。因此，將信號(hào)進(jìn)行小波包分解時(shí)，分解的層數(shù)要視具體信號(hào)的采樣頻率及用于特征提取的信號(hào)的頻率范圍而定。本文分析所采用的腦電競(jìng)賽數(shù)據(jù)的采樣頻率為250 Hz，先將信號(hào)進(jìn)行重采樣到256 Hz，然后進(jìn)行5層分解，各層所對(duì)應(yīng)的頻帶如表1所示。

表1 分解層數(shù)與對(duì)應(yīng)頻率Tab.1 Decomposition levels and the corresponding frequency bands

圖4 小波包分解示意圖Fig.4 Schematic diagram of wavelet packet decomposition

由于ERD/ERS現(xiàn)象在想象左右手中體現(xiàn)為μ節(jié)律8～13 Hz 和β節(jié)律13～30 Hz能量的不同，本研究選用小波包分解的第四層的CD4、第五層的CD5進(jìn)行信號(hào)的重構(gòu)。經(jīng)分解并重構(gòu)后，很好的對(duì)腦電信號(hào)進(jìn)行進(jìn)一步降噪并使特定頻段能量特征更加突出。降噪后信號(hào)，如圖5所示。

2.3 分類(lèi)

分類(lèi)采用線(xiàn)性距離的閾值進(jìn)行判定，不需要特別的設(shè)計(jì)分類(lèi)器。

把腦電信號(hào)的每次試驗(yàn)開(kāi)始后5～7 s的數(shù)據(jù)作為能量特征輸入，判斷C3通道和C4通道能量的大小，其能量差記作γi。

其中，Pc3(i)、Pc4(i)分別是C3、C4通道對(duì)比區(qū)間的能量。γi>0或γi<0意味著第i個(gè)試次是屬于想象L類(lèi)或R類(lèi)。

2.4 衡量標(biāo)準(zhǔn)——Kappa系數(shù)

Kappa系數(shù)是由Cohen在1960年提出的，是一種衡量分類(lèi)精度的方法，它使不同任務(wù)下的分類(lèi)正確率標(biāo)準(zhǔn)轉(zhuǎn)化成用統(tǒng)一參數(shù)即Kappa進(jìn)行衡量，使得多分類(lèi)任務(wù)性能的比較更加公平[20]。Kappa計(jì)算結(jié)果為-1～1，但通常Kappa是落在0～1間，可分為5組來(lái)表示不同級(jí)別的一致性：0.0～0.20為極低的一致性(slight)、0.21～0.40為一般的一致性(fair)、0.41～0.60為中等的一致性(moderate)、0.61～0.80為高度的一致性(substantial)和0.81～1為幾乎完全一致(almost perfect)。即Kappa值越大，表示對(duì)不同任務(wù)的分類(lèi)越接近實(shí)際情況。

圖5 降噪后想象左右手(5～7)s 數(shù)據(jù)對(duì)比Fig.5 Denoised data comparison of (5～7)s about left/right hand class

Kappa系數(shù)的計(jì)算公式為：

式中，Po為真實(shí)正確率，Pc為期望正確率。

設(shè)樣本總數(shù)為n，真實(shí)為1類(lèi)的樣本數(shù)為a1，為2類(lèi)的樣本數(shù)為a0，預(yù)測(cè)為1類(lèi)的樣本數(shù)為b1，為2類(lèi)的樣本數(shù)為b0，真實(shí)label和預(yù)測(cè)label對(duì)應(yīng)值相等的象元數(shù)為s，則

3 結(jié)論

本文的研究中，小波包分解采用Daubechies小波家族的db5作為基進(jìn)行分解。

采用能量對(duì)比的方法，本文的特征提取和分類(lèi)算法對(duì)BCI2008的競(jìng)賽數(shù)據(jù)BCICIV_2b_gdf，最優(yōu)正確率93%，對(duì)各被試的兩個(gè)試次的Kappa系數(shù)值如表2所示， Kappa系數(shù)的最優(yōu)結(jié)果為0.6033，較競(jìng)賽結(jié)果略好。同時(shí)，由表2可得出，競(jìng)賽最優(yōu)結(jié)果[21]對(duì)各個(gè)被試結(jié)果的樣本方差為0.0763，本文所采用的方法得到的樣本方差為0.0195，可見(jiàn)本文所采用的方法得到的處理結(jié)果更為平穩(wěn)。

表2 本文試驗(yàn)結(jié)果與競(jìng)賽結(jié)果Kappa系數(shù)比較Tab.2 Results comparison of Kappa coefficients between this article and the competition

從以上的分析及結(jié)果可以看到，采用特定時(shí)間段能量對(duì)比的方法可以得到平穩(wěn)且可靠度更高的結(jié)果，比較適合于在線(xiàn)系統(tǒng)，可以使繁瑣的分類(lèi)校準(zhǔn)期和決策時(shí)間大大縮短；另外，也可以由此得出結(jié)論當(dāng)人們看到提示想象或做單側(cè)肢體運(yùn)動(dòng)后的2 s內(nèi)，ERD/ERS現(xiàn)象最為顯著[22]。同以往的方法[9-17,23]相比，該算法無(wú)疑既簡(jiǎn)單效果又好。但該算法是有不足之處存在的：該算法對(duì)于3種及以上的運(yùn)動(dòng)意識(shí)任務(wù)不能進(jìn)行分類(lèi)，因?yàn)槎囝?lèi)的能量特征不能很好地使用能量差分離開(kāi)，因此會(huì)對(duì)結(jié)果產(chǎn)生很大的偏差。但對(duì)于目前較為簡(jiǎn)單的兩類(lèi)意識(shí)任務(wù)的BCI接口，該方法還不失為一種簡(jiǎn)單可靠的方法，具有很大的應(yīng)用空間。

[1]Birbaumer N,Heetderks WJ.Brain-computer interface technology：a review of the first international meeting[J].IEEE Trans Neur Syst Rehabil Eng,2000,(8): 164-173.

[2]Farwell LA,Donchin E.Talking off the top of your head: toward a mental prosthesis utilizing event related brain potentials[J].Electroenceph Clin Neurophysio,1988,70(1): 510- 523.

[3]Sutter EE.The brain response interface: communication through visually induced electrical brain response[J].J Microcomput App,1992,15(l): 31- 45.

[4]Pfurstcheller G,Lopes da Silva FH.Event-related EEG／MEG synchronization and desynchronizaiton: basic principles[J].Clin Neurophy,1999,110(11): 1842-1857.

[5]Wolpaw JR,McFarland DJ,Neat GW,et al.An EEG-based brain-computer interface for cursor control[J].Electroenceph Clin Neurophysiol,1991,78: 252-259.

[6]Kalcher J,Pfurtscheller G,Flotzinger D.Graz brain-computer interface: an EEG-based cursor control system[C].Proc IEEE EMBS,1993,1264-1265.

[7]McMillan GR,Calhoun GL,Middendorf MS,et al.Direct brain interface utilizing self regulation of steady state visual evoked response(ssver)[C].Proc 18th RESNA,1995: 693-695.

[8]付春梅.基于聚類(lèi)分析法的腦電圖數(shù)據(jù)分析的研究[D].大連交通大學(xué),2007.

[9]李麗君.基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取及分類(lèi)算法研究[D].華南理工大學(xué),2012.

[10]徐寶國(guó),宋愛(ài)國(guó).單次運(yùn)動(dòng)想象腦電的特征提取和分類(lèi)[J].東南大學(xué)學(xué)報(bào),2007,37(4): 629-633.

[11]吳婷,顏國(guó)正,楊幫華.一種快速的腦電信號(hào)特征提取與分類(lèi)方法[J].系統(tǒng)仿真學(xué)報(bào),2007,19(18): 4342-4344.

[12]裴曉梅,鄭崇勛.基于Fisher判據(jù)時(shí)頻分析的運(yùn)動(dòng)相關(guān)腦電特征選擇及優(yōu)化[J].西安交通大學(xué)學(xué)報(bào),2008,42(8): 1026-1030.

[13]何慶華,吳寶明,彭承琳,等.基于小波和神經(jīng)網(wǎng)絡(luò)的視覺(jué)誘發(fā)電位識(shí)別方法[J].儀器儀表學(xué)報(bào),2007,28(6): 1003-106.

[14]徐寶國(guó),宋愛(ài)國(guó),費(fèi)樹(shù)岷.在線(xiàn)腦機(jī)接口中腦電信號(hào)的特征提取與分類(lèi)方法[J].電子學(xué)報(bào),2011,5: 1025-1030.

[15]李麗君,黃思娟,吳效明,等.基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取與分類(lèi)[J].醫(yī)療衛(wèi)生裝備,2011,32(1): 16-25.

[16]王宏,趙海濱,劉沖.采用小波熵和頻帶能量提取腦電信號(hào)特征[J].吉林大學(xué)學(xué)報(bào)工學(xué)版,2011,41(3): 828-831.

[17]劉凈瑜.運(yùn)動(dòng)想象腦電信號(hào)的識(shí)別方法及應(yīng)用[D].北京工業(yè)大學(xué),2009.

[18]李鐘慎.基于MATLAB設(shè)計(jì)巴特沃斯低通濾波器[J].信息技術(shù),2003,27(3): 49-52.

[19]徐長(zhǎng)發(fā),李國(guó)寬.實(shí)用小波方法[M].第二版,武漢: 華中科技大學(xué)出版社,2004.

[20]楊平,劉鐵軍,堯德中.支持向量機(jī)后驗(yàn)概率方法在多任務(wù)腦機(jī)接口中的應(yīng)用[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2009,32(2): 171-176.

[21]競(jìng)賽最優(yōu)結(jié)果[DB/OL].[2008].http://www.bbci.de/competition/iv/results/index.html#dataset2b.

[22]王江,徐桂芝,王磊,等.基于多通道自適應(yīng)自回歸模型腦-機(jī)接口系統(tǒng)特征的提取[J].中國(guó)組織工程研究與臨床康復(fù),2011,48(15): 9007-9010.

[23]金晶,王行愚,張秀.基于能量特征的左右手運(yùn)動(dòng)想象腦信號(hào)的識(shí)別方法 [J]. 華東理工大學(xué)學(xué)報(bào),2007,33(4): 536-540.