（信号与信息处理专业论文）运动意识脑电分类及基于vc的脑机接口实验系统.pdf

摘要 摘要 基于脑电( e e g ) 的脑机接口( b c i ) 是在人脑和计算机或其它电子设备之 间建立不依赖于常规大脑信息输出通路( 外周神经和肌肉组织) 的全新对外信息 交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严 重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能，建立一种与外界 交流沟通的新途径。 脑机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学 科的交叉技术。一个b c i 系统是由信号采集、特征提取、分类算法、命令输出 等单元组成。其中特征提取和分类算法是其最为重要的研究内容。想象左右手运 动和实际做这个运动会以同样的方式改变大脑主要感觉运动区域的神经活动，引 起脑电相关频率成分的特征变化，如事件相关同步去同步。依据这一生理现象， 及时地提取和识别这些与运动想象相关的脑电特征可以帮助我们有效的分析人 脑的意识。 本文提出了基于m u 节律能量为脑电特征的意识任务分类思想，对被测试者 想象左右手运动的脑电m u 节律能量( 二阶矩) 及其动态变化情况进行研究。二阶 矩计算简单，而且可在线计算，故可以认为，基于m u 节律能量为脑电特征的意 识任务分类在脑机接口的应用中有较高的实用价值。 本文主要对人脑进行左右手运动想象的脑电模式进行识别，属于两类任务分 类，我们引入模式识别技术中的感知器算法、l d a 算法、m a h a l a n o b i s 距离判别 式算法，以e e g ( c 3 ，c 4 ) 两个通道的m l l 节律能量作为特征向量，对左右手运动 想象脑电模式进行识别，实验结果表明，正确识别率可达8 7 8 6 。 v i s u a lc + + 是微软公司提供给客户的强大的系统开发工具，以其界面的开放 性著称，其3 2 位面向对象的程序设计及a c t i v e x 控件的灵活性深受广大科技工 作者的青睐，可广泛应用于各个领域。将v c + 十运用到脑机接口的研究中来， 可以帮助我们建立快速有效的脑电信号的分析识别和转换系统。我们利用了 v c + + 建立了脑机接口实验系统，实现了左右手运动想象脑电信号的动态波十览、 回放、基本节律提取，同时对脑电信号的频谱、功率谱、相关性、m u 节律能量 进行在线同步分析，根据事件相关同步去同步现象对脑电模式分类识别，将识 运动意识脑电分类及基于v c 十+ 的脑机接口实验系统 别结果转换为控制命令通过串口控制外部设备光标的移动。 关键词：脑机接口脑电信号特征提取分类v c 十+ i l a b s 仃a c t a b s t r a c t t h ee e g b a s e db r a i n c o m p u t e ri n t e r f a c e ( b c i ) i san o v e lt e c h n o l o g y , w h i c h p r o v i d e saw h o l l yn e wc o m m u n i c a t i o na n dc o n t r o lc h a n n e lf o rs e n d i n gm e s s a g e sa n d i n s t r u c t i o n sf r o mb r a i nt oe x t e r n a lc o m p u t e r so ro t h e re l e c t r o n i cd e v i c e s ，i n s t e a do f t h en o r m a lo u t p u tp a t h w a y so fp e r i p h e r a ln e r v e sa n dm u s c l e s q u i c ka n dc o r r e c t c l a s s i f i c a t i o no ft h e s ee v e n t r e l a t e de e gp a t t e r nc a l lb eu s e dt oh e l pp a t i e n t sw i t h s e v e r ep a r a l y s i st om o v eac u r s o ro rt or e p l a c ei m p a i r e dm o t o rf u n c t i o na n dp r o v i d ea n e wc o m m u n i c a t i o nc h a n n e lt oe n v i r o n m e n t b r a i n c o m p u t e r i n t e r f a c e t e c h n o l o g y i sa n i n t e r d i s c i p l i n a r yt e c h n o l o g y i n t e g r a t i n gn e u r o l o g y ，s i g n a lc o l l e c t i o n ，s i g n a lp r o c e s s i n g ，p a t t e r nr e c o g n i t i o na n d m o r eo t h e rr e l e v a n tt e c h n i q u e s at y p i c a lb c is y s t e mc o n s i s t so fs e v e r a lp a r t s ，s u c ha s s i g n a la c q u i s i t i o n ，f e a t u r ee x t r a c t i o n ，c l a s s i f i c a t i o na l g o r i t h m ，c o m m a n do u t p u ta n ds o o n f e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o na l g o r i t h ma r em o s ti m p o r t a n t l e f ta n dr i g h t h a n dm o v e m e n ti m a g e r yc a nm o d i f yn e u r a la c t i v i t yi nt h ep r i m a r ys e n s o rm o t o ra r e a s i nav e r ys i m i l a rw a ya so b s e r v a b l ew i t har e a le x e c u t e dm o v e m e n t ，l e a d i n gt os p e c i a l c h a n g e so f e e gc o m p o n e n t ss u c ha se v e n t - r e l a t e dd e s y n c h r o n i z a t i o n s y n c h r o n i z a t i o n ( e r d e r s ) i nt h i sp a p e r ，t h ec l a s s i f i c a t i o no fm e n t a la c t i v i t i e sb a s e do nt h ee n e r g yo fm r r h y t h mw a sp r o p o s e d t h ee e gs i g n a l sw e r er e c o r d e dd u r i n gi m a g i n a t i o no fl e f to r r i g h th a n dm o v e m e n t t h ee n e r g yo fm ur h y t h m ( 2 t h o r d e rm o m e n t ) a n di t sd y n a m i c p r o p e r t i e sw i t hr e s p e c tt ot i m ew e r ea n a l y z e d s i n c et h ec o m p u t a t i o no f2 t ho r d e r m o m e n ti sv e r ys i m p l ea n dc a l la l s ob ee s t i m a t e di n0 n - l i n ew a y ，t h en e wm e t h o dh a s t h ep r a c t i c a b i l i t yi nt h ea p p l i c a t i o no fb r a i n c o m p u t e ri n t e r f a c et e c h n i q u e i nt h i sp a p e r ，w ef o c u so nt h ed i s c r i m i n a t i o no fl e f t - h a n da n dr i g h t h a n dm o t o r i m a g e r ye v e n t - r e l a t e de e gp a t t e r n i ti st w o c l a s sc l a s s i f i c a t i o nt a s k w ei n t r o d u c e p e r c e p t r o na l g o r i t h m ，l d aa l g o r i t h m ，m a h a l a n o b i s d i s t a n c e - b a s e dd i s c r i m i n a n t a l g o r i t h mi np a t t e mr e c o g n i t i o n w ew i l l e x t r a c tt h ee n e r g yo fm ur h y t h mo ft w o 1 1 1 运动意识脑电分类及基于v c t + 的脑机接口实验系统 c h a n n e l s ( c 3 ，c 4 ) a sf e a t u r ev e c t o r ，a n dc l a s s i f yt h ee v e n t r e l a t e de e gp a t t e r nd u r i n g l e f ta n dr i g h th a n dm o t o ri m a g e r yw i t ht h et h o s ea l g o r i t h m a c c o r d i n gt ot h ea n a l y s i s a n de x p e r i m e n tr e s u l t s t h ec o r r e c tr a t eo fc l a s s i f i c a t i o nc a na c h i e v e8 7 8 6 m i c r o s o f tp r o v i d ec u s t o m e rw i t hv i s u a lc + + a sas t r o n gs y s t e md e v e l o p m e n t t 0 0 1 v i s u a lc + + i sw e l lk n o w na si t so p e n i n gi n t e r f a c e o b j e c t - o r i e n t e dp r o g r a m m i n g d e s i g na n da c t i v exc o n t r o l s i ti sm o s td e v e l o p e r sf a v o r i t e w ea p p l yv c + 十o n b r a i n - c o m p u t e ri n t e r f a c es t u d yt oe s t a b l i s hb c ie x p e r i m e n ts y s t e m i nt h i ss y s t e m ，w e c a nr e a l i z et h ea n a l y s i sa n dc l a s s i f i c a t i o no fo r i g i n a le e gs i g n a l ，j u s tl i k ed y n a m i c v i e w , b a s i cr h y t h me x t r a c t i o n ，f r e q u e n c ya n a l y s i s ，p o w e ra n a l y s i s ，c o r r e l a t i o na n a l y s i s ， e n e r g yo i l l i n ea n a l y s i sa n ds oo n a c c o r d i n gt oe r d e r s ，w eu s et h er e s u l to f c l a s s i f j c a t i o nt oc o n t f o lt h em o v e m e n to f c u r s o ro f d e v i c e k e y w o r d s ：b r a i n - c o m p u t e ri n t e r f a c e e e g f e a t u r ee x t r a c t i o nc l a s s i f i c a t i o nv i s u a lc + + 独创性声明 本人声明所呈交的学位论又是本人在导师指导f 进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获等复做彳= 喜或其他教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示谢意。 学位敝储签名孝叩 签字吼枷7 年p 月冲日 学位论文版权使用授权书 本学位论文括者完全了解绩彳权犬争有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅。本人授谨慨以将学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：豸 签字日期：弘曰年中 学位论文作者毕业去向- 工作单位 通讯地址： 导师签名：吴心，话 签字日期：瑚7年中月巧日 电话 邮编 叶例 第一章绪论 第一章绪论 1 i 脑机接口( b c i ) 的发展背景 1 9 2 4 年德国精神病学家h a n sb c r g e r 首次发现并记录到人脑有规律的电活 动，1 9 3 3 年b e r g e r 的研究得到了英国著名生理学家e d a d r i a n 等人的肯定，从 此脑电图得到迅速的发展，先后出现了多导联常规脑电图( 自发脑电、诱发脑电) 、 睡眠脑电图、动态脑电图、视频脑电图等检测方法i ”】。在那以后的7 0 年里，脑 电图主要用于临床上神经失调的诊断估价和实验室里脑功能的研究，也有几项研 究讨论了它在治疗学上的意义。在此期间，人们也曾考虑它是否有另一种功能： 即从中解读人的思想和意图，使得人们在与别人交流或者控制设备的时候直接通 过脑活动的方式进行，不需要通常的外周神经和肌肉通道。这种想法常常出现在 科幻小说和科幻电影里。然而基于e e g 的对外信息交流在很长一段时间一直未受 到严肃关注，存在以下至少两方面的原因眦l 。首先，由于e e g 记录了大脑不同 部位神经细胞群的电活动，即应表现出大脑各部位的功能活动。所以理论上，人 的思维意识活动也应该在脑电中反映出来，但是要通过脑电来探测和识别大脑的 主观意愿，却又几乎难以实现。这是因为e e g 由大量神经元的活动电位构成，而 大脑有着复杂的电生理和空间几何特征，以及未知、多变的功能活动。要想在这 样一个复杂，扭曲和多变的神经细胞群电活动环境中识别单独一条神经传导信息 或控制命令是一项相当困难的工作。其次，基于e e g 的对外信息交流系统要求能 够对e e g 进行实时的分析。有关的技术设备不仅造价昂贵，而且距实际应用相距 甚远，其有限的信息交流能力也难以引起人们太大的研究兴趣。近年来的科技发 展和社会进步已经改变了这一局面。首先，基础和临床的研究已经对于构成e e g 的信号有了详细的了解。对于e e g 的主要的节律和各种不同的诱发电位，发生的 部位和机理以及它们和大脑的某一特定的功能之间的联系，都已经比较了解。大 量的研究已经证实：e e g 信号跟实际的和想象中的运动以及精神活动都是密切相 关的。其次，信号处理技术和模式识别技术高速发展也为脑机接口的研究提供了 前提条件。科学技术进步和社会发展极大的鼓励和推动了脑一机接口技术 ( b r a i n c o m p u t e ri n t e r f a c e ，b c i ) 的研究和发展。b c i 作为一种基于e e g 的对外 运动意识脑电分类及基于v c + + 的脑机接口实验系统 信息交流系统，通过解读人的思想分辨入的意识，实现由思想对外界的直接交流 和控制，可以为那些不能使用传统辅助设备的残疾患者提供一种新的交流方式 6 - 1 0 ! 。 1 2 脑机接口的定义和构成 脑机接口( b c i ) 是在人脑和计算机或其它电子设备之间建立不依赖于常规大 脑信息输出通路( 外周神经和肌肉组织) 的全新对外信息交流和控制技术。脑机 接口使用在头皮或皮层神经元记录的脑电活动，并把它转化为对外界的控制信号。 通过脑机接口，入可以壹接通过脑来表达想法或操纵设备，而不需要通过语言和 肢体的动作。与任何通信和控制系统一样，脑机接口是由输入、输出和将输入转 换成输出的翻译算法信息反馈三部分组成的1 1 2 1 。图1 1 给出了这几部使用者分 的相互关系。 i - i b c i 系统框图f 1 6 l b c i 的工作主要依靠两套自适应系统的相互作用，一个是使用者的大脑，它 2 第一章绪论 产生并控制可以被b c i 系统检测的思维活动信息，如脑电信号；另一个是b c i 系 统，它识别思维活动的信息，并归纳为具体控制命令，从而表达使用者的意图， 实现用思想对外部设备的直接信息交流和控制。 1 3 脑机接口研究现状 脑机接口的研究在国际上兴起时问还不长，但目前，国际上，对人的大脑思 维机理的研究和b c i 技术的研究已经成为热点。第一次和第二次脑机接口国际研 讨会分别于1 9 9 9 年和2 0 0 2 召开。第一次会议有来自六个国家的2 2 个研究组参加。 会议明确了脑机接口的定义，提出了脑机接口研究中的关键问题，讨论了脑机接 口的开发标准及评价方法。会议总结了这一领域的最新进展，提出脑机接口研究 应超越可行性验证和实验室演示的阶段，将其投入实际应用。脑机接口的发展前 景取决于能在多大程度上满足使用者的需要。关于脑机接口的学术论文也逐年增 多，说明这一领域越来越得到研究人员的重视。对b c i 研究目前主要集中在国外， 如美国、西欧，澳大利亚等国家和地区，国内仅清华大学开始起步研究，其它尚 未有实质性研究开发结果。国际上，基于脑电的b c i 研究也仅是刚刚起步，离实 际应用阶段尚差很远，现有b c i 系统都处实验阶段，受试者也多系正常人，尚未 在残疾人中推广试用。作为辅助技术的应用上，基于e e g 的信息交换目前仅对不 能使用传统辅助设备的人才有实用价值，而它的推广应用还要依赖于其速度和准 确度的切实改善【t 3 - 1 5 1 。 b c i 技术的发展还处于起步阶段，其未来的价值最终在于信息传输速率的提 高，和一系列关键问题的解决。他们包括：b c i 需要独立于正常神经肌肉交流通 道而依靠于正常大脑功能；选择信号采集和信号特征提取方法、转换算法、输出 装置和操作协议；开发使用者训练方法；注意影响使用者动机和成功的心理和行 为因素；应用对象和实验对象的选择；非肌肉交流通道上大量未知的能力和限制。 而这些都有待于神经科学和心理学基础领域的进一步发展，以及多学科之问的密 切合作。在接下来的十年里，设计个性化且实用的b c i 系统来帮助重症瘫痪病人 进行交流和装置操作是可行的，这也是认知工程的魅力和困难所在。 运动意识脑电分类及基于v c + + 的脑机接口实验系统 1 4 脑电信号的特征提取 特征提取就是以特征信号作为源信号，确定各种参数并以此为向量组成表征 信号特征的特征向量。特征参数包括时域信号( 如幅值) 和频域信号( 如频率) 两大 类，相应的特征提取方法也分为时域法、频域法和时频域方法【1 6 1 。 事件相关电位( e r p ) 是诱发电位的一种，采用e r p 的幅值特性作为特征信 号的特征提取方法属于时域信号处理方法，如p 3 0 0 电位，其本身就是以信号产 生的对间来定义的。根据事件发生与相关电位产生之间的时间差以及诱发电位的 幅值可以判断诱发信号产生的诱发事件的种类。c g u g e r 等人采用 a a r ( a d a p t i v ea u t o r e g r e s s i v e ) 模型，对e e g 信号做时域分析，只用少数几个 a a r 参数就可以达到期望的效果。p 波和p 波是根据它们发生的频率来区分的， 据此可以进行基于频率特性的信号处理。李勇等人设计了一种空间一时间分析的 信号处理方法，对两种不同的手指运动进行识别和分类，属于典型的频域特征提 取方法。该方法先对得到的多通道e e g 信号进行预处理，确定合理的参考点，然 后用两个时间域的滤波器进行滤波，分别得到e r p ( e v o k e dr e s p o n s ep o t e n t i a l ) 信 号和事件相关电位。滤波器的权值按照b u t t e r w o r t h 近似方法进行设计。小波变换 是一种时频信号处理方法，在缺乏先验知识的条件下，小波变换能有效检测出脑 电信号中短时、低能量的瞬态脉冲，最大的优点时采用可变的时频窗口去分析信 号的不同频率成份。特征提取还有一些其它的方法，如es y k a c e k 等人采用自回 归( a r ) 模型进行脑电信号的特征提取，a r 的系数a k 就是线性回归模型的参数， 也是代表信号特征的特征信号，改变这些系数，可以得到不同的特征信号。近年 来，又发展了一种更适合于脑电特点的信号特征提取方法：独立成分分析 ( c a ) t 1 7 - 1 9 1 。这是一种多维统计分析方法，与脑电时、频分析方法有着本质的不同。 多维统计分析方法的特点是能同时处理多道脑电信号，因此有利于揭示和增强脑 电信号中的隐含特征，在脑电消噪和特征提取等方面具有独特的效果。 1 5 特征信号的分类方法 梅征信号分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同 响应的特性，确定运动或意识的类型与特征信号之间的关系。信号分类结果的好 4 第一章绪论 坏取决于两个方面的因素：一是要进行分类的特征信号是否具有明显的特征，即 特征信号的性质；二是分类方法是否有效。几种具有代表性的b c i 特征信号分类 综述如下”； ( 1 ) 入工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 人工神经网络是b c i 系统 应用最多的分类器。由于其应用简单，参数选择方便，分类结果准确性较高，被 广泛地应用于脑电信号的分类。需要指出的是，应用传统的多层感知器进行信号 分类识别，需要确定合适的隐含层神经元数目，在神经网络理论中，隐层神经元 数目的确定，目前还没有很好的方法。 ( 2 ) 贝叶斯一卡尔曼滤波这是一种经验估值方法，它能把e e g 信号转变成相 应的感知状态的概率，因此允许不同状态之间以及一系列训练产生的e e g 之间的 衔接存在非平稳性。ps y k a e e k t 2 0 ! 等人通过估计整体准确率和波特率两个参数， 比较了相同静态分类条件下各种滤波器算法的性能。通过两组健康人的数据分析， 指出采用多种分类方法综合分类，能显著提高b c i 系统的分类性能，准确率和波 特率至少可提高8 以上。 ( 3 ) 残性判别分析( l i n e a r d i s c f i m i n a n t a n a l y s i s ，l d a ) 在l d a 中，先为每一 类建立概率密度方程式模型，输入新的数据，计算每一类产生的概率，概率值最 大的点所对应的类就是输入数据的类别【2 l l 。s c h l o e g la 的研究小组嘲最早使用 l d a 方法进行信号分类，他们把适应性自回归a a r 和l d a 相结合，构成了一种 信号分类器，该分类器用l d a 估计参数，基于a a r 建立模型，取得了较为理想 的分类效果。 ( 4 ) 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 用遗传算法对特征信号进行分类时，要 从检测到的脑电信号中提取出大量的特征信号( 包括有用的特征信号和伪特征信 号) ，然后通过遗传算法去除伪特征信号，保留有用的特征信号作为驱动信号i 捌。 这种算法的特点是要对特征信号进行大量的分析运算，从中找出各种特征参数， 然后从中选取最优的部分，算法的运算量比较大。 ( 5 ) 概率模型s t e v e nl 在其文献中指出，b c i 需要有效的方法对e e g 信号进 行在线实时处理，基此提出了一种用于想象左右手运动的单次训练在线分类方法 单次训练在线分类“波概率模型。该方法先用对受试者进行调试之后的临时 m o r l e t 小波对源信号进行滤波处理，从中选取合适的时一频信号，然后用这种基 运动意识脑电分类及基于v c 抖的脑机接口实验系统 于时一频信号的算法对e e g 信号进行分类处理。由于想象的左右手运动可能导致 e e o 中的“波发生混乱，算法对由c 3 和c 4 测德的1 0 h z - - 2 0 h z 范围内的运动信 号进行调幅，并估计其概率模型。 1 6 论文的主要内容 本文提出了基于m u 节律能量为脑电特征的意识任务分类思想，对被测试者 想象左右手运动的脑电1 1 1 1 1 节律能量( 二阶矩) 及其动态交化情况进行研究，二阶矩 计算简单，而且可在线计算，故可以认为，基于m l l 节律能量为脑电特征的意识 任务分类在脑机接口的应用中有较高的实用价值。本文主要对人脑进行左右手运 动想象的脑电模式进行识别，属于两类任务分类，我们引入模式识别技术中的感 知器算法，l d a 算法，m a h a l a n o b i s 距离判别式算法，以e e g ( c 3 ，c 4 ) 两个通道 的m u 节律能量作为特征向量，对左右手运动想象脑电模式进行识别，实验结果 表明，正确识别率可达8 7 8 6 。 v i s u a lc + + 是微软公司提供给客户的强大的系统开发工具，以其界面的开放 性著称，其3 2 位面向对象的程序设计及a c t i v ex 控件的灵活性深受广大科技工 作者的青睐，可广泛应用于各个领域潍懈。将v c + 运用到脑机接口的研究中来， 可以帮助我们建立快速有效的脑电信号的分析识别和转换系统。我们利用了v c 抖 建立了脑机接1 3 实验系统，实现了左右手运动想象脑电信号的动态浏览，回放， 基本节律提取，同时对脑电信号的频谱、功率谱、相关性、m u 节律能量进行在线 同步分析，根据事件相关同步去同步现象对脑电模式分类识别，将识别结果转换 为控制命令通过串口控制外部设备光标的移动。 第二章基于脑电信号的意识任务分类方法 第二章基于脑电信号的意识任务分类方法 b c i 系统由信号的产生、处理、转换、输出以及开关和时钟等单元组成。在 b c i 技术的发展中，信号分析和转换算法是其最为重要的研究内容。b c i 技术 的核心是把用户输入的脑电信号转换成输出控制信号或命令的转换算法。b c i 研 究工作中相当重要的部分就是调整人脑和b c i 系统之间的相互适应关系，也就是 寻找合适的信号处理与转换算法，使得神经电信号能够实时、快速、准确地通过 b c i 系统转换成可以被计算机识别的命令或操作信号。本文提出了基于m u 节律 能量为脑电特征的意识任务分类思想，对被测试者想象左右手运动的脑电m u 节 律能量( - - 阶矩) 及其动态变化情况进行研究，二阶矩计算简单，而且可在线计算， 故可以认为，基于m u 节律能量为脑电特征的意识任务分类在脑机接口的应用中 有较高的实用价值。本文主要对人脑进行左右手运动想象的脑电模式进行识别， 属于两类任务分类，我们引入模式识别技术中的感知器算法、l d a 算法、 m a h a l a n o b i s 距离判别式算法，以e e g ( c 3 ，c 4 ) 两个通道的m u 节律能量作为特征 向量，对左右手运动想象脑电模式进行识别，实验结果表明，正确识别率可达 8 7 8 6 。 2 1 脑电信号的基本知识 2 1 1 脑电信号的产生机理及记录方法 脑电图( e e g ) 是通过电极记录下来的脑细胞群的自发性，节律性电活动阳。 根据电极放置方式的不同，脑电图分为头皮脑电，皮层脑电及深部脑电图。其中 头皮脑电是大脑神经电活动产生的电场经容积导体( 由皮层，颅骨，脑膜及头皮 构成) 传导后在头皮上的电位分布。皮层脑电图是指在开颅手术时将电极放置在 大脑皮层描记下来的脑电图。深部脑电图是指皮层下各种结构的电活动的记录。 电极的放置通常采用国际1 0 2 0 导联系统，如图2 1 所示，它是基于电极位置和 大脑皮层之间的联系构造的。电极位置的表示由数字和字母两部分构成，字母在 前数字在后。偶数表示的电极在右半球，奇数表示电极位于左半球的，而奇偶数 7 运动意识脑电分类及基于v c + + 的脑机接口实验系统 前的字母代表了电极所对应的大脑皮层区域。a 代表耳，c 代表中央皮层，f p 代 表额叶前部，f 代表额叶，p 代表顶部皮层，o 代表枕部，t 代表颞叶。表2 1 列 出了1 0 2 0 系统各导联的部位、名称、代号。另外有时候记录水平 图2 - i 国际1 0 2 0 脑电极放置系统： 部位 名称左半球中线右半球 前额 f f o n t a lp o l o 印lf p 2 撷 f r o n t a lf 3 f 翻顿i n f e f i o rf r o n t a t f 黾 额中 d 弁试f z 领 t e m p o r a lt 3 t 后氍 p o n e n o l - t e m p o r a lk t 6 中央c e n t r a l白 c 顶点 v 毫r t e xc z 顿p a f i e t 缸p ，n 顼中 dp 口i e t a lp z 枕o c d p i t a lo ao ， 且 a u f i c u t a ra i a 2 地 g r o u n d g 表2 - 1 国际1 0 - 2 0 脑电极放置系统导联部位、名称、代号【1 1 i 第二章基于脑电信号的意识任务分类方法 图2 - 2 扩展的国际标准1 0 - 2 0 脑电极放置系统c “1 和垂直眼动的眼电图( e o g ) 的电极也被放置。垂直e o g 电极放置于眼的上下 都位，水平e o g 电极放置于两眼与鼻的相邻两侧。更多的电极放置矩阵可以遵 循一个修正的可扩展的1 0 - 2 0 系统，如图2 - 2 所示。显然，头部电极越多意味着 信号在头部的空间分辨率越高。目前，2 5 6 个电极的矩阵已经成功应用到研究中 f 捌 2 1 2 脑电信号的基本节律 大脑中的电活动一部分是有节律性的，一部分是无节律性的。脑电图的波形 很不规则，可视为由许多节律波合成。当代脑电图学根据其频率、振幅的不同， 将正常的脑电图划分为6 波，0 波，a 波和b 波( 0 波和6 波又称为慢波) ，人的 意识状态决定于哪种波占主导地位”。 a 波一般见于全部头皮导联，但以枕、顶区为主。以单极导联而言，显示最 高波幅者为枕，其次为顶、额后，再次为额前，波幅最低者为颞，但也可以是顶 区波幅最高，频率约为8 1 3 h z ，振幅约为2 0 1 0 0 u v ，它是有节律性脑电波中 最明显的波。整个皮层均能产生n 波，只是在枕部最为明显，但这决不能认为a 9 运动意识脑电分类及基于v c + + 的脑机接口实验系统 现为由小变大，然后又由大到小作规律性交化，形成所谓a 波的梭形，这称为调 幅现象。口波波形通常是正弦波样，有时呈弧形或锯齿状。睁眼，思考问题时， 或接受其它刺激时，口波消失而出现快波，这一现象称为a 波的阻断，如果被测 者又安静闭目，则a 波又重新出现。p 波在额部及颞部最明显，它是个快波，频 率约为1 8 3 0 h z ，振幅约为5 2 0 u v 。 p 波往往是附加在a 波上，如用外刺激抑制了a 波，则可显现b 波。如果被 测者睁眼视物，或听到突然的响声，或进行思考活动时，则在头皮其他部位也出 现p 波，所以口波的出现一般代表大脑皮质兴奋的结果。 e 波主要和临睡状态下的朦胧意识和梦境出现有关，频率约为4 7 h z ，振幅 约为1 0 5 0 u v 。 6 波只有在睡眠时出现，但在深部麻醉、缺氧、或大脑有器质性病变时也可 出现6 波。频率约为l 3 5 h z ，振幅约为2 0 2 0 0 u v 。 2 2 实验数据及预处理 当人们做单侧肢体动作时( 如左手运动) ，大脑对侧主感觉运动皮层的m u 节律 ( s - , 1 2 h z ) 幅度明显减小，而同侧主感觉运动皮层的m u 节律幅度明显增大，这种现 象被称为事件相关去同步( e v e n t - r e l a t e dd e s y n e h r o n i z a t i o n ，e r d ) 及同步 ( e v e n t - r e l a t e ds y n c h r o n i z a t i o n ，e r s ) ”“1 。不仅如此，当人们仅是想象这个动作 而没有执行时，会激活相同的大脑感觉运动区域并产生与执行这个动作相同的脑 电模式。及时有效地提取和识别这些与运动想象相关的脑电模式可以帮助严重瘫 痪病人控制光标或辅助运动设备以替代其受损的运动功能建立一种与外界交流沟 通的新途径1 。本文介绍了左右手运动想象的运动意识脑电信号识别方法。 脑电数据的采集过程如下：将电极放在c 3 ，c 4 ( 这两个位置代表了大脑左右 手运动感觉区域) 位置，待测试者面对计算机屏幕的提示想象左右手运动。一次 测试过程为9 秒钟，用1 2 8 h z 的采样频率对所得的e e g 信号进行采样，共得1 1 5 2 点数据。前两秒钟被测试者处安静状态，不做任何思维想象，计算机屏幕上只有 一“十”字图像。2 秒钟时，计算机发出由低到高的提示音。三秒钟后屏幕出现向左 或向右的箭头和一条状图案，提示被测试者想象用左( 右) 手按箭头指向去移动 1 0 第二章基于脑电信号的意识任务分类方法 屏幕上出现的条状棒。数据采集过程到9 秒钟结束。 一 ot2l4 67_ 麓发 2 - 3 实验电极位置及实验进程示意图f 1 6 1 图2 - 4 ( a ) ，( b ) 为典型的2 导联脑电波形。从图2 4 两组脑电波形中大致 可以观测到，被测试者在进行左右运动想象时，c 3 和c 4 脑电波形中的m u 节律 发生了变化。这种变化反映出事件相关去同步( e r d ) 和同步( e r s ) 现象。由 于m u 节律集中在8 1 2 h z 的频率范围上，为了更好地观测并利用m s 节律的变化， 我们用中心频率为1 0 h z ，通带为8 1 2 i - i z 的带通滤波器对原始脑电数据迸行滤波 预处理”。图2 5 是对图2 _ 4 两组脑电进行带通滤波的结果。从图中我们可以很 容易看到滤波后的脑电信号谐波特征更加明显，运动想象类型不同，1 0 h z 的谐波 成分也有着较明显的差异。如将这一现象转环成控制信号，即可实现人脑对外部 设备的简单控制。 “5 厂 ) 4 5 厂 o n 帅帕帅嗣事以删。睁删蜘刚州m 抖艚渊 ， f暑 痞也5 卜f f f f f f 了露n 5 卜f f f f f f 亨 馨 ”厂 霉 广 。m 州娜晰眠删。籼恍酬 日5 十_ 言f 十_ 言f d仍卜t 寸卜t ，卜中d 时问( s ) 时闻( s ) 图2 - 4 两组运动想象e e g ( c 3 ，c 4 ) f 言号，上下图分别显示的是c 3 。c 4 两个通道信号( a ) 想象左手运动情况b ) 想象右手运动情况 运动意识脑电分类及基于v c + + 的脑机接口实验系统 a ) 盖 能 馨 ”厂b ) ”广 。卜叫蝴 。 晰一卅稚一姗一v 叫 柚卜1 亨 1 言r 刊三舢卜亨f 1 j f 1 寸 r 越“i r ，1 。b 枷。蝴脚哪。忡一一謇。 铷删渊辫静。啼删一 棚l 盲t f r 1 一。毒f 盲f r 1 一 时同( 5 ) 时间【s ) 图2 - 5 对图2 4 中e e g - ( c 3 ，c 4 ) 信号的带通滤波( 8 1 2 h z ) 的输出结果 2 3 基于m u 节律畿量的运动想象脑电特征提取 对于均值为零的随机信号x ( ”) ，其规一化的二阶矩定义如下： r t h = ，( 阼) ( 2 3 1 3 ) 对于长度为n 的信号工( ) ，用下式对( 2 3 1 ) 茧定义的二阶矩进行估计： m ：= e x 2 ( 疗) * 专羹x 2 ( 栉) ( 2 s z ) 在信号处理的实际应用中，通常不断有新的样本输入，因此，为了实时地反映 信号统计特征的动态变化，我们建立在线的递推算法。以下给出基于滑动窗口和 变窗口长度的两种- g 阶矩估计算法。 滑动窗口二阶矩估计【3 3 l ：假设窗口长度为n ，当前时刻为n ，窗口内数据为 工扣一n + i ) 、x ( n 1 ) 、x ( n ) ，n 时刻二阶矩记为，1 2 ( 栉) ，令在n + l 时刻新到 来的信号样本为x ( 行+ 1 ) 此时窗口内的数据为x ( n 一+ 2 ) 、x ( 力、工扣+ 1 ) 容易得出： 鸭o + 1 ) 2 ( 珂) 一专 x 2 ( n 一) 一，( 聍+ 1 ) ) ( 2 3 3 ) 变窗口长度四阶累积量估计：如果固定窗口的左端，假定从数据的第一个样 本点工( 1 ) 为起始点，随着新来的数据对二阶矩进行更新，我们可以得到另一种二 第二章基于脑电信号的意识任务分类方法 阶矩的递推算法，其公式如下： 鸭( 州) = 焘，2 ( 咖掣 ( 2 3 4 ) 在实际应用中，两种算法可组合使用。在数据接收的开始阶段，数据长度达不到 指定长度，可用( 2 3 4 ) 式进行二阶矩的在线递推估计。一旦数据长度达到窗口长度后， 在用( 2 - 3 3 ) 式的二阶矩的在线递推算法。值得注意的是。上述规一化二阶矩递推公式成 立的前提是：输入信号的均值必须为零。考虑到本文中脑电数据已被进行带通滤波处 理，不含直流成分，因此递推公式成立。 我们用前面给出的二阶矩递推公式对上图中的脑电信号进行分析，窗口长度为5 1 2 个采样点，结果如图2 6 所示。从图中可以看到，在运动想象期间，c 3 ，c 4 两电极的 m u 节律能量很好的反映了左右手运动想象的差别，即当进行左手运动想象的时候，c 3 电极的m u 节律能量明显大于c 4 电极的m u 节律能量。而对于右手想象运动则正好相反。 并且这个规律在整个分析区域内存在，因此有利予b c i 系统对不同运动想象的分类和决 策。 ( a ) 一 竣 鑫 | l i 篁 时间( s ) 运动意识脑电分类及基于v 叶的脑机接口实验系统 竣 鑫 麓 时同( s ) 圈2 - 6e e g ( c 3 ，c 4 ) f 害号的在线二阶矩时序圈滑动窗口长度为5 1 2 ( 相当于4 s ) ( a ) 想象左手运动情况( b ) 想象右手运动情况 根据上图，我们建立一简单的基于m u 节律能量为特征的左右手运动想象分类 方法： 吲f ) - 啪，仁善馨麓 州， 式中t 为决策分类时间为了验证上述结果是否具有一定的普遍性，根据这一 分类判决准则，我们对1 4 0 组带运动想象类型标注的e e g ( c 3 ，c 4 ) 信号进行动态分 析。我们取决策时间1 = 7 4 2 s ，窗口长度n = 5 1 2 ，得到e e g ( c 3 ，c 4 ) 信号基于m u 节 律能量的决策分类图如下； 1 4 第二章基于脑电信号的意识任务分类方法 拿 u 拦 能量( c 3 ) 图2 - 7 基于m u 节律能量的1 4 0 组脑电信号的决策分类图r p ：左手，“，：右手) 从上图中可以看到，在运动想象期间，c 3 ，c 4 两电极的蛐j 节律能量很好的反 映了左右手运动想象的差别，即当进行左手运动想象的时候，c 3 电极的m u 节律能 量明显大于c 4 电极的枷节律能量。而对于右手想象运动则正好相反。并且这个规 律在整个分析区域内存在，因此有利于b c i 系统对不同运动想象的分类和决策。因 此我们提取1 4 0 组带左右手运动想象类型标注的e e g ( c 3 。c 4 ) 信号的删节律能量 【e ( c 3 ) ，e ( c 4 ) 】作为特征向量，接下来运用多种分类方法对特征向量进行分类，从 而完