吳海靜，何慶華，田逢春

(1.重慶大學(xué)通信工程學(xué)院，重慶400044;2.第三軍醫(yī)大學(xué)大坪醫(yī)院野戰(zhàn)外科研究所創(chuàng)傷、燒傷與復(fù)合傷國家重點(diǎn)實(shí)驗(yàn)室，重慶400042)

0 引言

腦機(jī)接口［1］(brain-computer interface，BCI)是一種人機(jī)接口方式，目的是建立一種不依賴于腦的正常輸出通路(外周神經(jīng)系統(tǒng)與肌肉組織)的腦—機(jī)通信系統(tǒng)，實(shí)現(xiàn)人腦與計(jì)算機(jī)或其他電子設(shè)備的通信和控制。BCI可以為那些思維正常，但不能通過說話或肢體運(yùn)動(dòng)來表達(dá)想法或操作設(shè)備的人提供一種新的通信與控制方式。

根據(jù)BCI利用的腦電信號(hào)和方式的不同，BCI研究方法［2］有以下幾類:事件相關(guān)電位P3000;視覺誘發(fā)電位(video evoked potential，VEP);事件相關(guān)同步或去同步(eventrelated synchronizations or desynchronizations，ERS/ERD);皮層慢電位(slow cortical potential，SCP);自發(fā) EEG信號(hào)。VEP不需要訓(xùn)練，由于誘發(fā)電位出現(xiàn)在特定時(shí)間，其信號(hào)檢測(cè)和處理方法較簡(jiǎn)單，且正確率較高，但需要額外的刺激裝置提供刺激，并且依賴于人的視覺。當(dāng)視覺刺激的頻率比較高(大于4 Hz或6 Hz)時(shí)，記錄到的VEP稱為穩(wěn)態(tài)VEP，當(dāng)視覺刺激頻率比較低，刺激的間隔時(shí)間大于VEP時(shí)程時(shí)，記錄到的VEP稱為瞬態(tài)VEP。瞬態(tài)反應(yīng)和刺激之間呈一一對(duì)應(yīng)的因果關(guān)系。

鑒于穩(wěn)態(tài)視覺誘發(fā)電位在應(yīng)用中存在一定的局限性，本文選擇瞬態(tài)視覺誘發(fā)電位作為研究對(duì)象。

BCI技術(shù)研究的關(guān)鍵是如何快速有效地提取誘發(fā)電位的特征和提高識(shí)別準(zhǔn)確率。本文采用累加平均和小波分解對(duì)腦電信號(hào)做預(yù)處理，采用主成分分析(principal component analysis，PCA)法提取視覺誘發(fā)電位特征，采用K近鄰(K-nearest neighbor，KNN)法進(jìn)行模式識(shí)別。

1 數(shù)據(jù)的獲得

本文數(shù)據(jù)來源于本課題組構(gòu)建的腦—機(jī)接口系統(tǒng)［3］，受試者頭戴電極帽，距屏幕70 cm左右，在刺激界面開始閃爍后注視要選擇的目標(biāo)。測(cè)試電極至于枕骨粗隆部位的Oz，參考電極置于頭頂Cz，右腿驅(qū)動(dòng)置于耳后。在刺激界面上下左右共有4個(gè)刺激模塊，刺激方式采用同頻次復(fù)合刺激，即在單位時(shí)間內(nèi)各個(gè)視覺刺激模塊閃爍的次數(shù)相同，但各個(gè)刺激模塊閃爍的開始時(shí)刻依次錯(cuò)開。每次實(shí)驗(yàn)，受試者注視其中一個(gè)要選擇的目標(biāo)，4個(gè)刺激模塊閃爍一輪后，完成一次選擇。根據(jù)不同刺激模塊開始閃爍的時(shí)刻不同，將會(huì)得到分別與4個(gè)刺激模塊對(duì)應(yīng)的腦電數(shù)據(jù)，受試者在實(shí)驗(yàn)中注視的刺激模塊對(duì)應(yīng)的腦電數(shù)據(jù)稱為目標(biāo)樣本，其他3個(gè)刺激模塊對(duì)應(yīng)的腦電數(shù)據(jù)稱為非目標(biāo)樣本，這4個(gè)樣本稱為一組樣本。

2 特征提取與分類算法

2.1 累加平均和小波濾波

腦電信號(hào)十分微弱，幅值約為5～200μV，淹沒在很強(qiáng)的背景噪聲和干擾中，因此，要想提取出誘發(fā)電位，需要首先提高腦電信號(hào)的信噪比。本文采用電生理測(cè)量中常用的累加平均法［4］與小波分解相結(jié)合。

小波分析［5］是將時(shí)域和頻域結(jié)合起來的時(shí)頻分析方法，小波變換系數(shù)能反映信號(hào)在時(shí)域及頻域的局部信息，因此，適合處理視覺誘發(fā)腦電信號(hào)［6］。采用Mallat正交小波變換快速算法實(shí)現(xiàn)信號(hào)的小波變換，設(shè)原始輸入信號(hào)為f(x)，則 A0=f(x)，Mallat 算法可以描述為

信號(hào) f(x)在第 j層的分解結(jié)果為［Aj，Dj，…，D1］。比如j=3時(shí)，分解結(jié)構(gòu)樹如圖1所示。

圖1 多層分解結(jié)構(gòu)樹Fig 1 Multi-level decomposition structure tree

由于五階Daubechies小波是在給定消失矩的條件下具有最小支集的小波，且具有一定的平滑性，與視覺誘發(fā)電位較相似，所以，采用db5小波對(duì)累加平均后的信號(hào)分解。實(shí)驗(yàn)研究表明:瞬態(tài)視覺誘發(fā)電位信號(hào)主要集中在中低頻段，噪聲主要集中在高頻段和低頻段，故可選取誘發(fā)電位比較集中的頻段來提取信號(hào)。當(dāng)采樣頻率為200 Hz時(shí)，誘發(fā)電位主要集中在小波分解第4～5尺度上的細(xì)節(jié)分量，對(duì)應(yīng)頻段是3.125～12.5 Hz，所以，對(duì)腦電信號(hào)進(jìn)行5 尺度小波分解。本文提取D5和D4兩層細(xì)節(jié)系數(shù)重構(gòu)后的波形與累加平均后的信號(hào)波形對(duì)比圖如圖2。

圖2 重構(gòu)信號(hào)對(duì)比Fig 2 Comparison of reconstructed signal

由上圖可以看出:D5和D4兩層系數(shù)包含識(shí)別瞬態(tài)視覺誘發(fā)電位的特征信息，信號(hào)的幅度是腦電信號(hào)放大后的結(jié)果。

2.2 PCA

PCA［7］是一種典型的統(tǒng)計(jì)分析方法，該方法將維數(shù)較高、彼此間存在一定相關(guān)性的原始特征變換成彼此相互獨(dú)立的但能反映原始特征信息的低維特征，起到數(shù)據(jù)降維作用，在模式識(shí)別中有著廣泛的應(yīng)用。

算法的具體過程如下:

1)樣本經(jīng)過小波濾波后維數(shù)從60降到22，作為PCA的輸入。設(shè)訓(xùn)練樣本為T1，T2，T3……TM，其中，M為偶數(shù)，序號(hào)為1－M/2的樣本為目標(biāo)樣本，序號(hào)為(1+M/2)－M的樣本為非目標(biāo)樣本。在一組樣本中有一個(gè)目標(biāo)樣本和3個(gè)非目標(biāo)樣本，為減少由于訓(xùn)練樣本不均衡可能帶來的誤差，本文將目標(biāo)樣本重復(fù)使用3次，以使目標(biāo)樣本與非目標(biāo)樣本數(shù)量相等。則協(xié)方差矩陣為

協(xié)方差矩陣S包含了所有變量之間的相關(guān)性度量，對(duì)角線上的元素越大，表明變量的重要性越高，越小則表明可能是存在的噪聲或是次要變量。

2)接下來尋找一組正交向量，使其可以很好地描述數(shù)據(jù)的分布，這組向量應(yīng)滿足式(3)和式(4)

其中，λk和uk是協(xié)方差矩陣S的特征值和特征向量。

3)將步驟2得到的特征值按照降序排列，取前m個(gè)最大的特征值，λ1＞λ2＞…＞λm，特征向量也對(duì)應(yīng)排序，于是得到特征空間［u1，u2，…，um］。ωk=uTk(T－Ψ)即為樣本T的第k個(gè)主成分。

4)將訓(xùn)練樣本和測(cè)試樣本分別投影到特征空間

圖3為取前2個(gè)主成分的樣本分布圖。

圖3 主成分分布圖Fig 3 Distribution diagram of principal component

為提高識(shí)別準(zhǔn)確率，本文保留90%的主要成分，樣本特征維數(shù)降到5～6維，明顯小于22，因此，達(dá)到降維的目的。相同比例主成分的維數(shù)存在細(xì)小差別，這是由不同的受試者腦電存在差異導(dǎo)致的。

2.3 KNN 算法

KNN算法［8］是一種非常有效的非參數(shù)化分類器，主要思想是訓(xùn)練樣本為n維時(shí)，每個(gè)樣本代表n維空間的一個(gè)點(diǎn)，所有樣本都位于此n維空間中。給定一個(gè)未知樣本X，在這個(gè)n維空間內(nèi)，找出與X距離最近的k個(gè)訓(xùn)練樣本作為X的k個(gè)近鄰，這k個(gè)近鄰中多數(shù)屬于哪一類，就把未知樣本X歸于哪一類。本文中k取7，判斷閾值取6，即1個(gè)測(cè)試樣本的7個(gè)近鄰中有大于等于6個(gè)近鄰屬于目標(biāo)樣本，則判斷該測(cè)試樣本屬于目標(biāo)樣本。例如:圖3所示情況，測(cè)試樣本的7個(gè)近鄰都是目標(biāo)樣本，因此，判斷改測(cè)試樣本為目標(biāo)樣本。

本文的最終目的是從一組樣本中識(shí)別出受試者的選擇，首先對(duì)一組中的4個(gè)測(cè)試樣本分別進(jìn)行提取誘發(fā)電位和模式識(shí)別，判斷是否屬于目標(biāo)樣本，如果通過識(shí)別只有1個(gè)測(cè)試樣本屬于目標(biāo)樣本，則該測(cè)試樣本對(duì)應(yīng)的刺激模塊即為受試者的選擇;如果識(shí)別出有多個(gè)測(cè)試樣本屬于目標(biāo)樣本，則取k個(gè)近鄰中屬于目標(biāo)樣本數(shù)最多的測(cè)試樣本作為最終選擇;如果仍有多個(gè)測(cè)試樣本的k個(gè)近鄰中屬于目標(biāo)樣本的數(shù)量相同，則取其中與目標(biāo)訓(xùn)練樣本距離最小的測(cè)試樣本作為最終選擇。

3 實(shí)驗(yàn)結(jié)果

由于每個(gè)人的腦電信號(hào)都存在著差異，為提高識(shí)別率，本文為每個(gè)受試者建立一個(gè)數(shù)據(jù)庫，訓(xùn)練樣本和測(cè)試樣本均來自各自的數(shù)據(jù)庫。本文取16組腦電數(shù)據(jù)樣本作為訓(xùn)練樣本，20組作為測(cè)試樣本。受試者為三名健康男性，實(shí)驗(yàn)結(jié)果見表1。

表1 實(shí)驗(yàn)結(jié)果對(duì)比Tab 1 Comparison of experimental results

通過實(shí)驗(yàn)結(jié)果對(duì)比可以驗(yàn)證選用小波分解的必要性，同時(shí)也證明了KNN比最近鄰效果更好，減少了由單個(gè)最近鄰點(diǎn)決定結(jié)果可能引起的誤差。

4 結(jié)論

在本文中，小波分解的目的在于提取出可識(shí)別的誘發(fā)電位信號(hào)，而不要求對(duì)信號(hào)進(jìn)行精確的重構(gòu)，因此，小波濾波器的頻帶設(shè)得比較窄，信號(hào)存在一定程度的失真，但這種失真不影響對(duì)腦電信號(hào)的識(shí)別。實(shí)驗(yàn)結(jié)果證明:采用少量次累加平均和小波分解濾波相結(jié)合提高信噪比，采用PCA提取誘發(fā)電位特征，采用KNN算法進(jìn)行模式識(shí)別，對(duì)于識(shí)別瞬態(tài)視覺誘發(fā)電位具有較好的效果。

［1］高上凱.淺談腦—機(jī)接口的發(fā)展現(xiàn)狀與挑戰(zhàn)［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2007，26(6):801－809.

［2］何慶華.基于視覺誘發(fā)電位的腦機(jī)接口實(shí)驗(yàn)研究［J］.生物醫(yī)學(xué)工程雜志，2004，21(1):93－96.

［3］王 永，何慶華，田逢春，等.基于FPGA的腦機(jī)接口實(shí)時(shí)系統(tǒng)［J］.電子技術(shù)應(yīng)用，2009(4):133－136.

［4］吳寶明，廖維宏.誘發(fā)電位檢測(cè)信號(hào)處理技術(shù)進(jìn)展［J］.創(chuàng)傷外科雜志，2001，3(1):67－68.

［5］葛哲學(xué)，沙 威.小波分析理論與Matlab R2007實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2007:10.

［6］何慶華，吳寶明，彭承琳，等.基于小波和神經(jīng)網(wǎng)絡(luò)的視覺誘發(fā)電位識(shí)別方法［J］.儀器儀表學(xué)報(bào)，2007，28(6):1003－1006.

［7］Jin Jing，Wang Xingyu，Wang Bei.Classification of direction perception EEG based on PCA-SVM［J］.Natural Compulation，2007，2:116－120.

［8］邊肇祺，張學(xué)工.模式識(shí)別［M］.2版.北京:清華大學(xué)出版社，2000.