武警工程大學(xué) 劉方毅 李方博

腦-機(jī)接口系統(tǒng)組成概述

武警工程大學(xué) 劉方毅 李方博

近年來,腦-機(jī)接口技術(shù)得到了長足的進(jìn)步與發(fā)展.本文在已有相關(guān)工作基礎(chǔ)之上,介紹腦際接口系統(tǒng)的主要組成,并對組成部分涉及到的關(guān)鍵技術(shù)做了介紹與總結(jié),對腦電信號的采集、信號預(yù)處理、特征提取和特征分類等技術(shù)做了闡述,最后對腦機(jī)接口在生活和軍事方面的應(yīng)用進(jìn)行了展望.

腦-機(jī)接口;腦電信號;預(yù)處理;特征提取;特征分類

1.引言

腦-機(jī)接口( brain-computer interface,BCI) 是通過腦神經(jīng)活動與外界交流的一種交流方式,它繞開了人類神經(jīng)末梢和肌肉等通常的信息通道,通過分析腦信號將用戶的運(yùn)動等意圖轉(zhuǎn)換為語言、設(shè)備的控制輸入量等,使用戶直接通過腦信號與外面的環(huán)境進(jìn)行實(shí)時的交互[1].

上世紀(jì)70年代,加州大學(xué)洛杉磯分校,J. J. Vidal博士在他的論文中首先提出了腦-機(jī)接口這一概念,來評估利用腦電信號的可行性[2],這是一個涉及神經(jīng)科學(xué)、心理學(xué)、信號檢測、信號處理和其他技術(shù)等多種學(xué)科的交叉學(xué)科.

圖1 腦機(jī)接口技術(shù)信號處理結(jié)構(gòu)框圖

基本的BCI系統(tǒng)框架如圖1所示,該系統(tǒng)主要由信號采集、信號處理、輸出設(shè)備等部分組成,下面就BCI系統(tǒng)的各組成部分及涉及的關(guān)鍵技術(shù)做以闡述與介紹.

2.信號采集部分

信號采集系統(tǒng)包括記錄電極、信號隔離放大器、濾波器和模擬數(shù)字轉(zhuǎn)換器等部分.它的作用是采集來自大腦的生物電信號,將其轉(zhuǎn)換成數(shù)字信號作為計算機(jī)的輸入控制信號,也就是腦-機(jī)接口系統(tǒng)的輸入信號.目前電極記錄方式最常采用的是植入式電極與頭皮電極兩種.

植入式電極是通過外科手術(shù)將微電極植于顱內(nèi)記錄腦電信號.它具有較高的空間與頻率分辨率、定位性好、記錄信號的信噪較高且電極有較好的位置穩(wěn)定性等優(yōu)點(diǎn).但植入式對大腦有創(chuàng)傷,適用于嚴(yán)重的癱瘓病人.

頭皮電極則是通過把電極直接貼在頭皮上來記錄腦電信號,和醫(yī)學(xué)檢測腦電圖的方法相同.由于頭皮電極檢測具有無創(chuàng)性,檢測方法簡單.頭皮電極距離神經(jīng)元距離較遠(yuǎn),所以分辨率較低,頭皮記錄的腦電信號較小,噪聲大.

3.信號處理模塊

信號處理模塊是通過對腦電信號進(jìn)行適當(dāng)?shù)奶幚硪郧笞R別出用戶的操作意圖,提取能體現(xiàn)用戶主觀動作意識的特征參數(shù)并通過算法將之轉(zhuǎn)換為控制外圍設(shè)備的指令.包括信號預(yù)處理、特征提取、特征分類.

3.1 信號預(yù)處理

腦電信號本身十分微弱并且極易受其他信號(如肌電信號)污染,使用EEG記錄下的腦電信號信噪比不高,因此在進(jìn)行特征提取前會進(jìn)行預(yù)處理,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,空間濾波對于去除高頻噪聲干擾提高信噪比起著重要作用.主要是通過多導(dǎo)聯(lián)EEG信號的加權(quán)組合來獲得較高信噪比的特征信號,提高分類性能.常見的空間濾波方法包括普通平均參考(Common Average Reference, CAR),小拉普拉斯參考(Small Laplacian Reference),大拉普拉斯參考(Large Laplacian Reference).實(shí)驗(yàn)結(jié)果表明,CAR和大拉普拉斯參考的分類結(jié)果最好.

(2)頻域帶通濾波

由于運(yùn)動想象發(fā)生的腦電信號頻帶具有規(guī)律性,分析過寬的頻帶會混入干擾信號,因此,為了提高信噪比,在預(yù)處理中進(jìn)行帶通濾波.濾波器主要有無限長脈沖響應(yīng)濾波器(IIR)和有限長脈沖響應(yīng)濾波器(FIR).

3.2 特征提取

特征提取是從經(jīng)過了預(yù)處理和數(shù)字化處理的腦電信號中提取少量能反應(yīng)使用者意圖的特征向量,來作為分類器的輸入[3],常用的特征提取方法有頻域、時域、時頻域等.

3.2.1 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)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(jié)構(gòu)卻出現(xiàn)明顯差異;其缺點(diǎn)是要求信號至少三階平穩(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(jié)果,特別是對腦信號作動態(tài)特性分析更顯優(yōu)越,因此在腦信號分析中得到了廣泛的應(yīng)用.在自回歸模型譜估計技術(shù)中常用的準(zhǔn)則有信息論準(zhǔn)則、最終預(yù)測誤差準(zhǔn)則等,求取系數(shù)常用的算法有最小二乘法等.

3.2.2 時域分析方法

時域分析方法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(qiáng),主要由幅值檢測、方差分析、均值分析、過零截點(diǎn)分析、相關(guān)分析、直方圖分析等手段.

3.2.3 時頻域分析方法

常用的時頻分析方法有短時Fourier變換、小波變換和Hilbert-Huang變換.

(1)短時Fourier變換反映的是圍繞t的頻率分布[4].為了研究信號在時間t內(nèi)的特征,可加強(qiáng)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(shí)現(xiàn).由于加窗后的信號加強(qiáng)了圍繞時間t的信號,對于截取的信號仍認(rèn)為是平穩(wěn)的,因此,短時Fourier變換這種方法只適用于緩變信號的分析.

(2)小波變換.小波變換是一種多尺度的信號分析方法,具有良好的時頻局部化特性,非常適合分析非平穩(wěn)腦電信號的瞬時特性和時變特性.通過小波變換可以較好提取時間定位良好的不同節(jié)律腦信號,為腦信號動態(tài)分析與分類提供新依據(jù).

(3)Hilbert-Huang變換.1998年,黃鄂博士等提出一種針對非平穩(wěn)信號的時頻分析方法--希爾伯特-黃變換(Hilbert-Huang Transform, HHT),通過經(jīng)驗(yàn)?zāi)B(tài)分解方法得到一系列內(nèi)蘊(yùn)模態(tài)函數(shù)(Intrinsic Mode Function, IMF).IMF的特點(diǎn)使得通過希爾伯特變換得到的瞬時頻率既有數(shù)學(xué)上的意義,也有了物理上的意義[5].對IMF進(jìn)行希爾伯特變換可獲得信號的時間-頻率-振幅(能量)分布,也就是希爾伯特(能量)譜.希爾伯特譜在頻域和時域上都有良好的分辨率,并且三維的分布能夠反映出信號的內(nèi)在本質(zhì)特征.

4.特征分類

特征分類是基于腦電信號根據(jù)不同的運(yùn)動或意識能使腦電活動產(chǎn)生不同響應(yīng)的特性,確定運(yùn)動或意識的類型與特征信號之間的關(guān)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(jīng)網(wǎng)絡(luò)、支持向量機(jī)等.

(1)在線性判別分析中,先為每一類建立概率密度方程式模型,通過學(xué)習(xí)一個適當(dāng)?shù)某矫孢_(dá)到對兩類特征較好分類的目的,其優(yōu)點(diǎn)是計算相對簡單,缺點(diǎn)是對于復(fù)雜的非線性EEG數(shù)據(jù)的分類效果不理想.

(2)貝葉斯-卡爾曼濾波是一種經(jīng)驗(yàn)估值方法,根據(jù)特征向量在不同的類別下的后驗(yàn)概率來判斷所屬類別,即該該特征向量屬于使其具有最大后驗(yàn)概率的類別[6].把腦電信號轉(zhuǎn)變成為響應(yīng)的感知狀態(tài)的概率,因此可以接受不同狀態(tài)間以及一系列訓(xùn)練所產(chǎn)生的腦電之間的銜接存在非平穩(wěn)性.

(3)人工神經(jīng)網(wǎng)絡(luò)在BCI系統(tǒng)中應(yīng)用最為廣泛,其應(yīng)用簡單,參數(shù)選擇簡單,分類結(jié)果準(zhǔn)確率較高,但也存在一些缺點(diǎn),由于其優(yōu)化目標(biāo)是基于經(jīng)驗(yàn)的風(fēng)險最小化,因而不能保證網(wǎng)絡(luò)的泛化能力.

(4)支持向量機(jī)也是通過學(xué)習(xí)一個合適的超平面來對兩類特征進(jìn)行分類,是基于結(jié)構(gòu)風(fēng)險最小化原則,保證學(xué)習(xí)機(jī)器具有良好的泛化能力,優(yōu)點(diǎn)是解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等問題,缺點(diǎn)是速度相對較慢,需要大型數(shù)據(jù)分析時比較困難[7].

5.結(jié)束語

腦機(jī)接口技術(shù)作為一種前沿的對外交流與控制方式經(jīng)過近30年的快速發(fā)展其應(yīng)用領(lǐng)域已經(jīng)從最初的醫(yī)療康復(fù)拓展到方方面面.在交通領(lǐng)域中,可以利用腦機(jī)接口來實(shí)現(xiàn)無人駕駛等技術(shù).在軍事領(lǐng)域中,通過遠(yuǎn)程發(fā)送腦電控制信號來控制武器,不但可以提高作戰(zhàn)信息化水平,還可以降低傷亡率.隨著技術(shù)的不斷完善和多學(xué)科的融合發(fā)展,腦機(jī)接口技術(shù)正在逐步應(yīng)用于現(xiàn)實(shí),造福人類.

[1]Schalk G,Brunner P,Gerhardt LA,et al.Brain-computer interfaces(BCIs):detection instead of classification.J Neurosci Methods.2008Jan 15:167(1):51-62.

[2]王斐,張育中,寧延會,聞時光.腦-機(jī)接口研究進(jìn)展[J].智能系統(tǒng)學(xué)報,2011,6(6):189-199.

[3]趙慧,李遠(yuǎn)清.腦機(jī)接口技術(shù)研究概況[J].計算機(jī)技術(shù)與自動化,2006,25(4):115-118.

[4]葛哲學(xué),陳仲生.Matlab時頻分析技術(shù)及其應(yīng)用[M].北京:人民郵電出版社,2006.

[5]楊哂哂,李明.用Hilbert-Huang變換做時頻分析的頻率分辨率的實(shí)驗(yàn)研究[D].華東師范大學(xué),2007.

[6]Duda R O,Hart P E,Stork D G.Pattern Classiˉcation (2ndedition).New York:Wiley,2001.

[7]徐寶國.基于腦電信號的人機(jī)接口技術(shù)研究[D].南京:東南大學(xué),2009.