左開偉 劉建平 程馨瑩

引言

腦-機接口作為一種新生事物，經歷了從無到有、從概念模型到實驗論證，再到應用開發(fā)的過程。1924年， 德國神經學家Hans Berger首次用原始的無線電裝置首次發(fā)現(xiàn)腦電信號， 紛紛展開了對它應用的研究。1973年，在加州大學洛杉磯分校的Jacques Vidal所負責的項目中，首次給出了BCI系統(tǒng)的定義。 1999年至今，國際BCI會議在美國四次召開，會議總結了BCI技術的發(fā)展，探討了未來BCI技術研究的關鍵以及BCI系統(tǒng)的開發(fā)標準等問題。腦-機接口技術作為一門新興的多學科交叉的前沿技術已逐漸走出實驗室，可廣泛應用于醫(yī)療康復、家居娛樂和軍事應用等領域。

一、BCI的研究意義與發(fā)展現(xiàn)狀

1.1研究意義

腦機接口（Brain Compmer Interfaces，BCI） 是不依賴傳統(tǒng)的肌肉和神經通路，直接解讀大腦意識任務，解碼成相應的指令控制外部裝置實現(xiàn)腦命令的直接輸出科學、腦科學、控制科學和計算機科學的交叉研究熱點，對于解決神經殘疾、特種環(huán)境操縱等一系列應用問題具有重要的作用和意義。

（1）醫(yī)療康復領域：近年來， BCI技術可望幫助生活不能自理的病人利用大腦意識來實現(xiàn)與外界的交流，幫助這些病人恢復部分生活自理能力，給他們的生活帶來新的希望。

（2）軍事領域：BCI技術為未來武器裝備操控提供了智能化發(fā)展方向，已經引起世界各國軍方的高度重視。2013年，美國國防部向外界披露了一項“阿凡達”研究項目，計劃在未來實現(xiàn)通過意念遠程操控“機器戰(zhàn)士”，代替士兵在戰(zhàn)場上作戰(zhàn)，遂行各種特殊作戰(zhàn)任務。

（3）日常生活：日常生活中，BCI技術在游戲娛樂、智能家居、實時監(jiān)控等方面都有著很大的應用空間。2012年，g.tec小組研究了一款腦電游戲系統(tǒng)，用戶可以用它玩憤怒的小鳥和魔獸世界。

1.2發(fā)展現(xiàn)狀

在BCI技術具有極大實際應用價值的推動下，進入二十一世紀，BCI的研究也進入了一個新的階段。自1999年起，已經成功舉辦了四次國際BCI數(shù)據(jù)處理競賽，極大地推動了BCI研究的發(fā)展。2013年6月，華裔教授賀斌用腦電波首次實現(xiàn)了對遙控飛機的控制； 2014年6月巴西世界杯開幕式上，一名癱瘓的男子利用安裝在腿部的“外骨骼”為本屆世界杯開球。

國內外比較著名的BCI研究機構有：Wadsworth研究中心、Graz-BCI研究機構、Berlin-BCI研究機構、Freiburg/ Tübingen研究小組、Washington/Albany研究小組、NSF、GSU腦實驗研究室，以及清華大學高上凱BCI課題研究組等。

二、BCI系統(tǒng)的基本組成

基本的BCI系統(tǒng)框架如圖1所示，該系統(tǒng)主要組成包括：信號采集、信號處理、特征提取、分類識別、輸出設備等模塊，下面就BCI系統(tǒng)的各組成部分及涉及的關鍵技術做以闡述與介紹。

三、信號采集

BCI系統(tǒng)控制信號的采集是實現(xiàn)BCI技術極為關鍵的第一步。信號采集系統(tǒng)由記錄電極、信號隔離放大器、濾波器和模擬數(shù)字轉換器等部分組成。其作用是采集來自大腦的頭皮信號、腦膜內外信號等，并轉換成數(shù)字信號作為計算機的輸入控制信號，也就是BCI系統(tǒng)的輸入信號。

腦電信號采集的一個重要問題是電極導聯(lián)方式的選擇。電極導聯(lián)方式通常分為單極導聯(lián)與雙極導聯(lián)兩種[12]。單極導聯(lián)一般選用耳垂、乳突等作為參考點，將參考電極作為相對零電位，記錄頭皮上活動電極與參考電極的電位差。雙極導聯(lián)是將活動電極等間距地兩兩放置在頭皮的同一區(qū)域，記錄兩個電極之間的電位差，作為放大器的輸入。

四、特征產生

特征產生是BCI整個系統(tǒng)的核心模塊之，該模塊從采集的腦電信號中識別出用戶的操作意圖，提取能反映用戶主觀動作意識的特征參數(shù)并通過某種算法將之轉換為控制外圍設備的指令。包括信號預處理、特征提取、特征分類，其中特征提取和分類是BCI信號處理最為關鍵的環(huán)節(jié)。

4.1信號預處理

腦電信號的預處理是進行特征提取和分類的必不可少的前提，主要作用是消除干擾，提高信噪比。在此主要有空間濾波、頻域的帶通濾波、去除眼電、基線校正等。

（1）空間濾波。對于多通道信號，空間濾波對于提高信噪比起著重要作用。常見的空間濾波方法主要有耳突參考，普通平均參考，小拉普拉斯參考，大拉普拉斯參考。

（2）頻域帶通濾波

由于運動想象發(fā)生的腦電信號頻帶有一定的規(guī)律，分析過寬的頻帶會參雜干擾信號，因此，在預處理中進行帶通濾波可消除部分干擾信號，提高信噪比。

濾波器主要由IIR濾波器（無限長脈沖響應濾波器）和FIR濾波器（有限長脈沖響應濾波器）。

此外還要進行去除眼電，基線校正等。

4.2特征提取

特征提取是從信號預處理模塊得到的腦信號中提取出少量的有用的信息表示為特征向量，作為后續(xù)分類器的輸入。隨著傅立葉變換在腦電圖分析領域的應用，相繼引入了頻域、時域、時頻域等多種特征提取方法。

4.2.1頻域分析方法

頻域分析方法主要由功率譜估計、雙譜分析、自回歸參數(shù)模型估計等。

（1）功率譜估計。功率譜估計是頻域分析的主要手段之一，它主要是從頻率的角度直觀地觀察腦電節(jié)律的分布與變換情況；但其方差特性不好，且數(shù)據(jù)較長時，估計值沿頻率值的起伏比較劇烈。

（2）雙譜分析。相對于功率譜估計，雙譜分析優(yōu)越之處在于針對一些不同生理狀態(tài)下的腦信號，有些功率譜很相似，雙譜結構卻出現(xiàn)明顯差異；但雙譜分析也有其缺陷性，其要求信號至少三三階平穩(wěn)，只對短數(shù)據(jù)腦信號才有意義。

（3）自回歸參數(shù)模型譜估計。由于其模型中的系數(shù)較易求解，且對數(shù)據(jù)處理能得到高分辨率的譜分析結果，特別是對腦信號作動態(tài)特性分析更顯優(yōu)越，因此在腦信號分析自回歸參數(shù)模型譜估計技術得到了廣泛的應用。

4.2.2時域分析方法

時域分析方法在早期的腦電分析中占據(jù)主導地位，主要是提取腦電信號的一些波形特征，提取到的特征物理意義明確、直觀性強，主要有幅值檢測、方差分析、均值分析、過零截點分析、相關分析、直方圖分析等手段，但信號的許多特征需要變換到頻域才能有所體現(xiàn)，因此在信號處理方面具有較大的局限性。

4.2.3時頻域分析方法

腦信號是非平穩(wěn)的，單純的時域或頻域分析方法由于時域和頻域分辨率的不確定性原理，不會同時在時域和頻域獲得較高的分辨率，只有把時間和頻率結合起來處理才能取得更好的結果。常用的時頻分析方法有短時Fourier變換、Wigner-Ville分布和小波變換，近年來也陸續(xù)出現(xiàn)各種自適應時頻分析方法。

（1）短時Fourier變換。為了研究信號x（t）在時間t內的特征，可加強該時間的信號，壓縮其他時間的信號。這個可以通過信號乘以窗函數(shù)來實現(xiàn)。由于加窗后的信號加強了圍繞時間t的信號，因此，F(xiàn)ourier變換反映的是圍繞t的頻率分布。

（2）Wigner-Ville分布。Wigner-Ville分布是一種時/頻混合的信號表示方法，能同時進行時域和頻域分析，并把兩者結合起來，其各階矩具有明確的物理意義。通過Wigner-Ville分布分析，不但可求出信號在時間、頻率兩域上的分布圖，還可以求出信號的頻率變化情況。

（3）小波變換。小波變換通過基波的伸縮和平移，解決信號處理時頻率分辨率和時間分辨率的矛盾，克服Fourier和Gabor變換的局限性；采用小波基處理方法，在時域和頻域都有良好的局部化性質。

（4）Hilbert-Huang變換。1998年，黃鄂博士等提出的希爾伯特-黃變換（Hilbert-Huang Transform， HHT）是一種新的針對非平穩(wěn)信號的時頻分析方法，通過EMD（Empirical Mode Decomposition， EMD）方法得到一系列內蘊模態(tài)函數(shù)（Intrinsic Mode Function， IMF）。

（5）局部均值分解（LMD）。Jonathan S. Smith在前人的研究基礎上提出了一種新的自適應非平穩(wěn)信號的處理方法——局部均值分解。LMD自適應地將任何一個復雜的非平穩(wěn)信號分解成若干個瞬時頻率具有物理意義的PF分量之和，其中每一個PF分量由一個包絡信號和一個純調頻信號相乘而得到。

4.3特征分類

特征分類是基于腦電信號根據(jù)不同的運動或意識能使腦電活動產生不同響應的特性，確定運動或意識的類型與特征信號之間的關系。常用的特征分類方法有線性判別分析、貝葉斯-卡爾曼濾波、人工神經網(wǎng)絡、支持向量機、遺傳算法等。

（1）線性判別分析。在線性判別分析中，從概率統(tǒng)計角度對EEG特征進行分類，先為每一類建立概率密度方程式模型，輸入新的數(shù)據(jù)，計算每一類產生的概率，概率值最大的電所對應的類就是輸入權的類別。

（2）貝葉斯-卡爾曼濾波。這是一種經驗估值方法，把腦電信號轉化成響應的感知狀態(tài)的概率，因此允許不同狀態(tài)之間以及一系列訓練產生的腦電之間的銜接存在非平穩(wěn)性。

（3）人工神經網(wǎng)絡。神經網(wǎng)絡在BCI系統(tǒng)中應用最為廣泛，其應用簡單，參數(shù)選擇簡單，分類結果準確率較高，但也存在一些缺點，由于其優(yōu)化目標是基于經驗的風險最小化，因而不能保證網(wǎng)絡的泛化能力。

（4）支持向量機。支持向量機是一種基于統(tǒng)計學理論的機器學習方法，遵循結構風險最小化原則，保證學習機器具有良好的泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部極小點等問題，其缺點是速度慢，不適合大型數(shù)據(jù)分析。

（5）遺傳算法。運用遺傳算法，要從檢測到的腦電信號中提取出大量特征信號，而后通過遺傳算法去除偽特征信號，保留有用的特征信號作為驅動信號。缺點是速度較慢，需要較長的訓練時間，其并行機制的潛在能力沒有得到充分的利用。

五、結束語

經過30年的發(fā)展，BCI系統(tǒng)在理論與技術上已經日趨成熟，尤其近十年來，隨著神經科學、認知科學和計算機科學的飛速發(fā)展，BCI理論技術取得了長足的發(fā)展與進步，應用領域也逐漸擴大，在各領域的巨大成就展示了其無限的應用潛力。本文從腦信號采集、信號預處理、特征提取和分類等模塊系統(tǒng)地介紹了BCI，并對各部分涉及到的常用關鍵技術做了簡單介紹。然而，BCI技術目前仍處于發(fā)展階段，相信在神經學科、電子學科、心理學科、計算機學科等各個學科的研究者們的努力下，BCI技術將日漸成熟，在不久的將來造福于人類。