【脑机接口技术和脑电信号处理发展的国内外文献综述3000字】

–PAGE28–脑机接口技术和脑电信号处理发展的国内外文献综述脑机接口技术的国内外研究现状脑机接口技术在1970年后开始出现，随后被研究人员不断地进行研究。尤其21世纪以来，BCI相关的研究团体和组织相继成立，对脑机接口技术的研究被推上了一个高潮。而运动想象脑电信号由于其没有其他采集方式存在的诸多问题，且在多个方面展现出优秀的特性，大量团体倾注了很多心血，并且成果斐然。奥地利Graz大学围绕上肢瘫痪的康复问题，将运动想象的BCI技术和功能电刺激系统相结合进行了研究[14,15]。如图1.4所示，该实验通过采集到的上肢瘫痪患者运动想象时的脑电信号来控制功能电刺激系统，使该系统能按照患者所想进行相应的动作。患者借助这套系统，成功地自己拿起水杯完成了喝水的动作。Graz大学还在混合型BCI、EEG信号处理等方面进行了研究，都取得了不错的研究成果[16,17]。图1.4基于EEG控制功能性电刺激系统Fig.1.4FunctionalelectricalstimulationsystembasedonEEGcontrol德国的Gomez-RodriguezM等人[18]设计了一种在线手臂康复系统，如图1.5所示。该系统采集被试者想象上肢弯曲或舒展时的脑电信号，输入到机械手臂中进行控制，从而帮助患者实现相应的动作。与此同时，该系统还给患者提供了触觉反馈，进一步提高了系统的稳定性，增强了康复治疗的效果。在8位受试者的实验中都起到了很好的作用，这表明该系统可以有效改善患者康复治疗的效果。图1.5基于运动想象BCI的手臂康复系统Fig.1.5ArmrehabilitationsystembasedonmotionimaginationBCI相比起国外，国内的脑机接口研究起步较晚，但是发展非常迅速，并且也取得了丰硕的成果。如东南大学的徐宝国等人[19]设计了一套上肢康复机器人系统，如图1.6所示。该系统首先通过肢体运动动画刺激被试者想象该肢体动作，然后采集其脑电信号并输入计算机完成信号处理，同时在虚拟现实技术的帮助下进行视觉反馈构成闭环，完成对康复机器人的控制与操作。在6名被试者开展了实验，实验结果表明对6名被试者运动神经功能的康复都有促进作用，从而初步验证了该系统的可行性。图1.6东南大学康复机器人系统Fig.1.6RehabilitationRobotSystemofSoutheastUniversity浙江大学的唐智川[20]等人自主研发了一种上肢外骨骼，他们提出一种新的脑电信号分类方法应用于上肢外骨骼的实时控制中，为偏瘫患者控制上肢外骨骼存在困难提出了很好的解决方法，实验结果表明有较好的控制效果。图1.7浙江大学上肢外骨骼系统Fig.1.7ZhejiangUniversityUpperLimbExoskeletonSystem综上所述，BCI技术近年来在我国处于蓬勃发展中，通过意念来操纵外部辅助装置也是大势所趋。但是目前BCI系统的研究依然较为简单远未达到实际应用的地步，为了使更多的人群通过脑机接口技术受益，研究的关键在于更精准对脑电信号的进行解码，使EEG的处理方法更为成熟可靠。脑电信号处理的国内外研究现状如上所述，脑电信号处理方法是BCI系统中的重中之重。由于采集到的脑电信号维数很高，将其直接放入分类器中分类会存在过拟合等问题，且耗时严重，所以提取脑电信号中有效的特征表征该动作是十分必要的。下面将对目前常用的特征提取算法的研究现状进行介绍。（1）时域分析法时域分析较为简单快捷，并且可以直观地表明EEG的幅值、周期等重要的时域特征信息。但是它的劣势也很明显，它只是一段时间序列的统计，缺失了频域的信息，无法对脑电信号的功率或者幅值随频率变化时的特征进行描述，这局限了它的发展，且由于脑电信号的特殊性，个别时域方法提取的特征并没有意义，故特征提取的结果并不优良，因此脑电信号处理时并不会单纯使用时域分析法来分析[21]。（2）频域分析法在频域分析法中，较为典型的有快速傅里叶变换（FastFourierTransform，FFT）、功率谱估计[22]等。和时域分析法相比，它从另一个角度对信号进行了描述，能够很好地表征脑电信号的频域特性，如频率、相位等信息。频域分析被广大研究人员所利用，其中功率谱估计最为普遍。（3）时频分析法常用的时频分析法主要有：小波分解与重构法[23]、小波包分析（WaveletPacket）[24,25]、希尔伯特黄变换（Hilbert-Huang，HHT）[26]等。由于时频分析法结合了时域和频域的优良特性，不仅统计了时间序列的特征量，而且对幅值或者功率随频率变化而变化的情况都进行了特征提取，从多个角度对脑电信号进行了描述，所以它的效果也较前两者要好很多。（4）多维统计分析方法由于脑电信号数据并不能直接进行分类，需要进行降维处理，然后再求取统计特征。对脑电信号进行降维时，常用的多维统计分析方法主要有：主成分分析（PrincipalComponentAnalysis，PCA）[27]、独立分量分析（Independentcomponentanalysis，ICA）[28]、共空间模式（CommonSpatialPattern，CSP）[29,30]等方法。这些方法在降维时各有千秋，都能取得不错的降维效果。越来越多的研究人员对运动想象脑电信号进行研究，接下来本文对一些近年的研究成果进行介绍。DavidRozado等人[31]添加瞳孔变化作为新的特征，在30位健康受试者上，针对左手运动想象与休息任务，利用CSP算法提取脑电信号特征，平均分类正确率从74％提高到83％。YiWeibo等人[32]在12位受试者上，针对单肢运动想象和多肢运动想象任务，使用功率谱密度作为特征向量提取，分类正确率达到了74.14%。Wei-YenHsu[33]将能量、功率谱、小波模糊近似熵等多个特征结合起来，在左右手两分类的任务中获得了88.2%的平均分类正确率。PramodGaur[34]等人先将脑电信号使用经验模态分解算法分解，计算分解得到的各个模态分量的频段能量，并将其作为特征，同样地，在左右手两分类任务中平均分类正确率达到了70.2%。近年来，由于追求更高的分类精度，且实际应用中，需要对采集到脑电信号不断的处理，传统的机器学习算法并不能有效解决大数据集，深度学习也被运用于脑电信号处理中。LingSaiHo等人[39]利用连续小波变换方法将EEG数据转换为尺度图，搭建了视觉几何组（vg-16）网络的卷积神经网络（ConvolutionalNeuralNetworks，CNN），实验结果表明，两分类任务的平均正确率为68.33%；鞠晓慧等人[40]设计了六层的CNN来对左手和脚运动想象脑电信号进行特征分类，两类任务的平均正确率达到86.73%。参考文献庞国防，胡才友，杨泽.中国人口老龄化趋势与对策[J].中国老年保健医学，2021，19(01)：3-5.穆光宗，张团.我国人口老龄化的发展趋势及其战略应对[J].华中师范大学学报(人文社会科学版)，2011，50(05)：29-36.王陇德，刘建民，杨弋，等.我国脑卒中防治仍面临巨大挑战——《中国脑卒中防治报告2018》概要[J].中国循环杂志，2019，34(02)：105-119.俞夏娣，伍文文.脑中风患者传统康复治疗临床疗效研究[J].辽宁中医杂志，2014，41(06)：1161-1163.战中才.国内外脑机交互技术研究现状及趋势[J].现代制造技术与装备，2020，56(11)：82-83.WenchangZhang,ChuanqiTan,FuchunSun,etal.AreviewofEEG-basedbrain-computerinterfacesystemsdesign[J].BrainScienceAdvances,2018,4(02):156-167.McfarlandDJ,WolpawJR.EEG-BasedBrain-ComputerInterfaces[J].CurrentOpinioninBiomedicalEngineering,2017,4:194.拉杰什P.N.拉奥（RajeshP.N.Rao）著，张莉，陈民钿译.脑机接口导论[M].北京：机械工业出版社，2016，84-123.周思捷，王国良，白红民，等.皮质脑电图节律术中定位运动区皮质的研究[J].中国微侵袭神经外科杂志，2018，23(05)：201-203.韩伟，卓雁文，谢康宁，等.脑电信号处理与分析方法研究进展[J].中国医疗设备，2020，35(04)：149-154.孙吉林，尹岭，赵文清.脑磁图[M].科学技术文献出版社，2005.肖立志.功能性磁共振成像方法与应用[J].大自然探索，1995(1)：47-53.陈兴稣，王雪峰，王元庆.功能近红外光谱在大脑成像中的研究及应用[J].红外技术，2016(05)：433-439.PfurtschellerG,Müller-PutzGR,SchlöglA,etal.15yearsofBCIresearchatGrazUniversityofTechnology:currentprojects.[J].IEEEtransactionsonneuralsystemsandrehabilitationengineering:apublicationoftheIEEEEngineeringinMedicineandBiologySociety,2006,14(2):126-138.RuppRüdiger,KreilingerAlex,RohmMartin,etal.Developmentofanon-invasive,multifunctionalgraspneuroprosthesisanditsevaluationinanindividualwithahighspinalcordinjury.[J].ConferenceproceedingsAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety.IEEEEngineeringinMedicineandBiologySociety.AnnualConference,2012,1835-1838.ElectricalEngineering;RecentStudiesfromGrazUniversityofTechnologyAddNewDatatoElectricalEngineering(FunctionalRehabilitationoftheParalyzedUpperExtremityAfterSpinalCordInjurybyNoninvasiveHybridNeuroprostheses)[J].ElectronicsNewsweekly,2015.GRMüller-Putz,SchwarzA,PereiraJ,etal.Fromclassicmotorimagerytocomplexmovementintentiondecoding:ThenoninvasiveGraz-BCIapproach[M].2016.Gomez-RodriguezM,PetersJ,HillJ,etal.Closingthesensorimotorloop:hapticfeedbackfacilitatesdecodingofmotorimagery[J].JournalofNeuralEngineering,2011,8(3):036005.徐宝国，彭思，宋爱国.基于运动想象脑电的上肢康复机器人[J].机器人，2011，33(03)：307-313.唐智川，孙守迁，张克俊.基于运动想象脑电信号分类的上肢康复外骨骼控制方法研究[J].机械工程学报，2017，53(10)：60-69.康春香.基于运动想象的脑电信号特征选择及分类算法研究[D].西南科技大学，2017.赵丽，郭旭宏.基于运动想象的脑电信号功率谱估计[J].电子测量技术，2012，35(06)：81-83+87.张艳，徐子衡.基于小波分析的运动想象脑电信号分类算法[J].金陵科技学院学报，2019，35(04)：6-9+88.张玉婷，张永.基于小波包分解和近似熵的脑电信号分类[J].