張微　張鳳　劉雄飛　魏金花

摘 要：腦-機(jī)接口（Brain-Computer Interface，BCI）是一種不依賴于肌肉組織，完全自主實(shí)現(xiàn)腦對(duì)外部環(huán)境直接控制的系統(tǒng)。但研究發(fā)現(xiàn)，有15%～30%的用戶存在“BCI盲”問題，即該類用戶難以誘發(fā)出較強(qiáng)的特征信號(hào)。因此，通過構(gòu)建復(fù)雜網(wǎng)絡(luò)，提取復(fù)雜網(wǎng)絡(luò)特征作為分類依據(jù)，以有效解決“BCI盲”問題，分類正確率達(dá)88.6%。

關(guān)鍵詞：腦-機(jī)接口;BCI盲;復(fù)雜網(wǎng)絡(luò)

中圖分類號(hào)：TN911.7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-5168（2021）29-0029-03

Application of Complex Network Technology in Brain-Computer

Interface System

ZHANG Wei ZHANG Feng LIU Xiongfei WEI Jinhua

（Yinchuan University of Science and Technology， Yinchuan Ningxia 750001）

Abstract： Brain-Computer Interface （BCI） is a wholly new system which does not rely on the peripheral nervous and is completely autonomous to realize the direct control of the human brain to the external environment. However， the study found that about 15% to 30% of users exist “BCI blind” problem. In such cases it is difficult for the users to induce a strong signal which. Therefore， this paper extracts the characteristics of by constructing complex networks， which can effectively solve the BCI blind， the recognition rate reaches 88.6%.

Keywords： brain-computer interface;BCI blind;complex network

1 研究背景

腦-機(jī)接口（Brain-Computer Interface，BCI）系統(tǒng)于1973年首次被提出，在其后的40多年研究中，已成為生物醫(yī)學(xué)工程、計(jì)算機(jī)工程及控制工程、人工智能等學(xué)科追求的前沿學(xué)術(shù)問題，主要應(yīng)用在醫(yī)學(xué)（運(yùn)動(dòng)康復(fù)）、非醫(yī)學(xué)（人機(jī)交互、駕駛安全、教育、用戶體驗(yàn)）等領(lǐng)域。腦-機(jī)接口技術(shù)的研究有利于推動(dòng)人工智能的發(fā)展[1]。

根據(jù)腦電信號(hào)采集方式不同，可以將BCI系統(tǒng)分為侵入式和非侵入式兩種類型。其中：侵入式腦-機(jī)接口需要經(jīng)外科手術(shù)將侵入式電極芯片植入被試者（動(dòng)物）大腦，成本較高且有一定風(fēng)險(xiǎn);非侵入式通過從頭皮獲取腦電信號(hào)（Electroencephalo-Graph，EEG），其因無創(chuàng)、采集簡(jiǎn)單、易于記錄等優(yōu)勢(shì)被廣泛應(yīng)用。本研究主要基于非侵入式EEG信號(hào)開展。完整的BCI系統(tǒng)由信號(hào)采集、信號(hào)處理、特征提取、分類識(shí)別和外部控制5部分組成[2]，如圖1所示。特別是提取的特征對(duì)分類正確率具有顯著影響，進(jìn)而影響對(duì)外部設(shè)備的控制。

研究發(fā)現(xiàn)，有15%～30%的用戶存在“BCI盲”問題，即該類用戶難以誘發(fā)出較強(qiáng)的特征信號(hào)[3-5]。腦電信號(hào)較為復(fù)雜，采用常規(guī)的方法提取腦電信號(hào)進(jìn)行分類識(shí)別，正確率往往很低。因此，本文通過構(gòu)建復(fù)雜網(wǎng)絡(luò)，不局限于單一腦電通道，而是構(gòu)建成網(wǎng)絡(luò)，以網(wǎng)絡(luò)的特征進(jìn)行分類，解析大腦在不同任務(wù)態(tài)的腦電信號(hào)區(qū)別，可有效解決“BCI盲”問題，分類正確率達(dá)88.6%。

2 復(fù)雜網(wǎng)絡(luò)技術(shù)

復(fù)雜網(wǎng)絡(luò)是一門多學(xué)科交叉理論，可將復(fù)雜系統(tǒng)以網(wǎng)絡(luò)形式進(jìn)行表述，其網(wǎng)絡(luò)可以表現(xiàn)一些關(guān)鍵特征，便于分析研究。人腦是一個(gè)極其復(fù)雜的系統(tǒng)，不同腦區(qū)可看作節(jié)點(diǎn)，腦區(qū)之間的關(guān)聯(lián)程度為網(wǎng)絡(luò)的連接邊，可將大腦構(gòu)建成腦網(wǎng)絡(luò)。將復(fù)雜網(wǎng)絡(luò)與腦-機(jī)接口相結(jié)合（見圖2），既可以解決“BCI盲”問題，又能實(shí)現(xiàn)腦-機(jī)接口在多個(gè)領(lǐng)域的應(yīng)用。

自然界的本質(zhì)是一個(gè)網(wǎng)絡(luò)，具有一定的復(fù)雜性，即個(gè)體和個(gè)體之間相互作用，存在關(guān)聯(lián)。若要構(gòu)建一個(gè)復(fù)雜網(wǎng)絡(luò)，需要具備三要素：節(jié)點(diǎn)、邊、網(wǎng)絡(luò)。節(jié)點(diǎn)為攜帶信息的關(guān)鍵點(diǎn)，本文選取采集腦電信號(hào)的電極帽的導(dǎo)聯(lián)作為節(jié)點(diǎn)。邊是表征節(jié)點(diǎn)之間關(guān)聯(lián)程度的量，一般取0到1之間的值。關(guān)聯(lián)程度越大，取值越接近1;關(guān)聯(lián)程度越小，越接近0。網(wǎng)絡(luò)由節(jié)點(diǎn)和邊共同構(gòu)成。按照節(jié)點(diǎn)與邊的關(guān)聯(lián)程度，可將網(wǎng)絡(luò)分為加權(quán)網(wǎng)絡(luò)和二值網(wǎng)絡(luò)。所謂加權(quán)網(wǎng)絡(luò)，即只要有關(guān)聯(lián)就連接。該種方法構(gòu)建的腦網(wǎng)絡(luò)模型比較復(fù)雜，且有較多虛假連接。二值網(wǎng)絡(luò)有關(guān)系則連接，無關(guān)系不連接，大大降低了模型的復(fù)雜度，去除了部分虛假連接。因此，本文主要構(gòu)建二值腦網(wǎng)絡(luò)模型。

3 復(fù)雜網(wǎng)絡(luò)技術(shù)在腦-機(jī)接口系統(tǒng)中的應(yīng)用

基于復(fù)雜網(wǎng)絡(luò)的腦-機(jī)接口系統(tǒng)主要包含信號(hào)采集、信號(hào)處理、構(gòu)建復(fù)雜網(wǎng)絡(luò)模型、特征提取和分類識(shí)別5個(gè)部分，如圖3所示。

3.1 信號(hào)采集

挑選7名被試者，利用E-Prime軟件搭建試驗(yàn)平臺(tái)，將箭頭為左和箭頭為右的圖像按順序以5 s 一張的速度，以兩個(gè)目標(biāo)圖像的時(shí)間間隔大于500 ms的要求呈現(xiàn)給被試者。被試者佩戴電極帽，按照?qǐng)D片進(jìn)行運(yùn)動(dòng)想象，采集被試者的腦電信號(hào)，如圖4和圖5所示。

試驗(yàn)過程中同時(shí)記錄每個(gè)圖像出現(xiàn)時(shí)對(duì)應(yīng)信號(hào)的標(biāo)記點(diǎn)和圖像自動(dòng)標(biāo)簽（左記為“0”，右記為“1”），將其作為試驗(yàn)樣本集。

3.2 信號(hào)處理

信號(hào)處理是BCI系統(tǒng)工作的第一步。首先，被測(cè)試者戴上電極帽，在頭皮處涂上導(dǎo)電液方可采集腦電信號(hào);其次，采集的原始EEG信號(hào)需要去除干擾和偽跡;最后，為了便于分析，往往要對(duì)處理好的信號(hào)進(jìn)行頻段劃分，劃分為delta（0～4 Hz）、theta頻段（4～7 Hz）、alpha 頻段（8～13 Hz）、beta頻段（14～30 Hz）。不同頻段可以反映不同的腦電特征。比較發(fā)現(xiàn)，delta頻段信號(hào)特征較為明顯，因此本文重點(diǎn)采用delta頻段數(shù)據(jù)。

3.3 構(gòu)建復(fù)雜網(wǎng)絡(luò)模型

3.3.1 節(jié)點(diǎn)。由于采集裝置為64導(dǎo)，若要選取腦電極作為節(jié)點(diǎn)，則有64個(gè)節(jié)點(diǎn)。這種方法建立的模型過于復(fù)雜，故通過繪制腦地形圖，根據(jù)激活腦區(qū)情況，定位C1、C2、C3、C4、C5、C6、CP1、CP2、CP3、CP4、CP5、CP6、FC1、FC2、FC3、FC4、FC5、FC6等18個(gè)分布在大腦后頂葉區(qū)和額葉區(qū)的導(dǎo)聯(lián)作為節(jié)點(diǎn)。這樣構(gòu)造的復(fù)雜網(wǎng)絡(luò)模型有18個(gè)節(jié)點(diǎn)，大大降低了網(wǎng)絡(luò)的復(fù)雜度。

3.3.2 邊。根據(jù)構(gòu)建的18個(gè)節(jié)點(diǎn)，生成18個(gè)節(jié)點(diǎn)之間的關(guān)系矩陣，即18×18的連接矩陣。此矩陣中的數(shù)據(jù)代表復(fù)雜網(wǎng)絡(luò)的邊，其值大于0小于1。

3.3.3 復(fù)雜網(wǎng)絡(luò)。根據(jù)節(jié)點(diǎn)和連接節(jié)點(diǎn)之間邊的關(guān)系，采用相位鎖相值法（Phase Locking Value，PLV）構(gòu)造了復(fù)雜網(wǎng)絡(luò)。根據(jù)生成的邊矩陣發(fā)現(xiàn)，邊的關(guān)系矩陣中的值有大有小，即節(jié)點(diǎn)之間存在強(qiáng)相關(guān)和弱相關(guān)。如果只要有關(guān)聯(lián)就反映在網(wǎng)絡(luò)上，構(gòu)造的網(wǎng)絡(luò)往往很復(fù)雜。為了簡(jiǎn)化網(wǎng)絡(luò)的復(fù)雜度，選取閾值為0.87，即大于0.87才認(rèn)為節(jié)點(diǎn)之間有關(guān)聯(lián)，邊的值設(shè)置為1;小于0.87則認(rèn)為節(jié)點(diǎn)之間無關(guān)聯(lián)，邊的值設(shè)置為0。構(gòu)建的復(fù)雜網(wǎng)絡(luò)如圖6所示。采用此種方法大大降低了網(wǎng)絡(luò)復(fù)雜度，且有效去除了虛假連接。

3.4 提取特征

復(fù)雜網(wǎng)絡(luò)的特征主要有節(jié)點(diǎn)度、聚類系數(shù)及特征路徑長(zhǎng)度等網(wǎng)絡(luò)測(cè)度。分別對(duì)上述特征進(jìn)行計(jì)算和分析發(fā)現(xiàn)：聚類系數(shù)大于節(jié)點(diǎn)度和特征路徑長(zhǎng)度，因此選擇聚類系數(shù)作為主要特征。本文提取構(gòu)建的PLV二值腦網(wǎng)絡(luò)的聚類系數(shù)作為系統(tǒng)主要特征進(jìn)行分類，結(jié)果如圖7所示。

3.5 分類識(shí)別

分類識(shí)別實(shí)際上是將設(shè)置的標(biāo)簽（樣本集、答案）和采集的腦電（測(cè)試集、測(cè)試）進(jìn)行比對(duì)的過程，比對(duì)的結(jié)果即分類正確率。常用的分類方法有支持向量機(jī)（Support Vector Machine，SVM）和深度學(xué)習(xí)等。分類識(shí)別是非常關(guān)鍵的一步。本項(xiàng)目采用SVM分類模型，選擇7名被測(cè)試者分別進(jìn)行10組測(cè)試，得到其分類正確率，取分類正確率平均值作為最終結(jié)果。結(jié)果表明，構(gòu)建的腦復(fù)雜網(wǎng)絡(luò)分類正確率最高可達(dá)88.6%。

4 試驗(yàn)驗(yàn)證

為驗(yàn)證復(fù)雜網(wǎng)絡(luò)技術(shù)在BCI系統(tǒng)中的應(yīng)用效果，本文設(shè)計(jì)了腦電信號(hào)控制外部設(shè)備（智能小車）的試驗(yàn)范式進(jìn)行在線試驗(yàn)，試驗(yàn)流程如圖8所示。

按照?qǐng)D8的控制流程，隨機(jī)選取10名被測(cè)試者，按照試驗(yàn)范式，采集腦電信號(hào)進(jìn)行預(yù)處理。對(duì)于處理好的delta頻段數(shù)據(jù)，采用PLV方法構(gòu)建二值腦網(wǎng)絡(luò)，提取聚類系數(shù)作為特征，以支持向量機(jī)作為分類器進(jìn)行分類，并將分類結(jié)果十折交叉驗(yàn)證，分類正確率最高達(dá)70.1%。

5 結(jié)語

通過試驗(yàn)驗(yàn)證，構(gòu)建復(fù)雜網(wǎng)絡(luò)模型，提取網(wǎng)絡(luò)特征作為BCI系統(tǒng)特征，是一種新的研究BCI系統(tǒng)分類的方法。一方面避免了“BCI盲”問題，另一方面構(gòu)建的復(fù)雜網(wǎng)絡(luò)提供了有價(jià)值的信息。試驗(yàn)結(jié)果表明，復(fù)雜網(wǎng)絡(luò)的特征分類識(shí)別正確率離線達(dá)88.6%，在線達(dá)70.1%?？梢姡谀X網(wǎng)絡(luò)技術(shù)的異步BCI系統(tǒng)具有可行性，可作為一種新途徑。

參考文獻(xiàn)：

[1]巫嘉陵，高忠科.腦機(jī)接口技術(shù)及其在神經(jīng)科學(xué)中的應(yīng)用[J].中國(guó)現(xiàn)代神經(jīng)疾病雜志，2021（21）：3-8.

[2]HAN Y，BIN H. Brain-computer interfaces using sensorimotor rhythms： current state and future perspectives[J].IEEE Transactions on Biomedical Engineering，2014（5）：1425-1435.

[3]張銳.運(yùn)動(dòng)想象腦-機(jī)接口的神經(jīng)機(jī)制與識(shí)別算法研究[D].成都：電子科技大學(xué)，2015：16-17.

[4]堯德中.腦功能探測(cè)的電學(xué)理論與方法[M].北京：科學(xué)出版社，2003：3-11.

[5]張微，解承軍.基于復(fù)雜網(wǎng)絡(luò)技術(shù)的異步腦-機(jī)接口分類系統(tǒng)[J].科學(xué)技術(shù)與工程，2020（11）：4383-4386.