李昭陽，伏云發(fā)

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

1 引言

腦機(jī)接口BCI(Brain Computer Interface)是一種建立在大腦和計(jì)算機(jī)或其他外部設(shè)備之間的通信系統(tǒng)，不依賴于由外圍神經(jīng)和肌肉組成的大腦傳輸通路，是一種新的人機(jī)交流方式。該技術(shù)可望為嚴(yán)重運(yùn)動(dòng)殘疾患者或健康人群在特定情況下提供可選的、新的通信或控制方式。

BCI 中傳統(tǒng)的想象任務(wù)主要是運(yùn)動(dòng)想象MI(Motor Imagery)[1,2]，要求被試者或用戶以第一人稱視角感覺或感受自己身體的特定部位(如手或腳)的移動(dòng)過程[3 - 9]。MI心理活動(dòng)屬于動(dòng)覺想象(Kinesthetic Imagination)[3,7 - 9]，人們在日常生活中較少進(jìn)行此種心理活動(dòng)，不易習(xí)得和控制，存在較嚴(yán)重的“BCI盲”[10 - 12]。MI 能力差的被試者難以產(chǎn)生相應(yīng)的腦信號，這嚴(yán)重影響了該類 BCI MI-BCI(Motor Imagery based Brain Computer Interface)的性能，使得他們不能操控這種 BCI。此外，由于 MI 能力不易習(xí)得和控制，MI-BCI往往需要被試者進(jìn)行大量的訓(xùn)練，其性能主要與被試者的訓(xùn)練量有關(guān)，這類 BCI 的分類性能不可靠[13]，而且大量的訓(xùn)練會(huì)給被試者帶來負(fù)擔(dān)，大大降低了該類 BCI 的用戶接受度。與MI相比，VI(Visual Imagery)是另外一種較容易完成的心理想象任務(wù)，要求被試者以第三人稱視角在腦海中清晰地看到一幅畫面，該種心理想象活動(dòng)通常不需要訓(xùn)練，或僅需要少量訓(xùn)練。本文嘗試研究基于VI心理活動(dòng)構(gòu)建BCI(VI-BCI)的可行性。

在VI-BCI的研究中[14 - 18]，VI-BCI范式設(shè)計(jì)很重要，需要?jiǎng)?chuàng)新，要求設(shè)計(jì)不同的VI任務(wù)使得這些任務(wù)誘發(fā)的腦電特征具有可分性。Nataliya等[14]設(shè)計(jì)了花和錘子2類視覺想象任務(wù)，對這2類任務(wù)相關(guān)的腦電信號進(jìn)行了識別研究，取得的分類精度為52%，分類精度不高，可能是由于選擇的VI任務(wù)均是靜態(tài)的，導(dǎo)致誘發(fā)的腦電信號可分性較差。Azmy等[15]對靜息狀態(tài)和VI任務(wù)(想象順時(shí)針旋轉(zhuǎn)一顆星)的最大功率差進(jìn)行了分析，顯示2種狀態(tài)下的最大功率無顯著差異，未報(bào)道分類精度；Neuper等[16]對被試者以第三人稱視角想象自己手的VI任務(wù)和靜息狀態(tài)進(jìn)行分類，平均分類精度為56%；Sousa等[17]對靜態(tài)點(diǎn)、垂直上下2個(gè)方向運(yùn)動(dòng)的動(dòng)態(tài)點(diǎn)以及上下左右4個(gè)方向運(yùn)動(dòng)的動(dòng)態(tài)點(diǎn)的3類VI任務(wù)進(jìn)行分類，平均分類精度為87.64%；Koizumi等[18]對無人機(jī)在3個(gè)平面上(上/下，左/右，前/后)運(yùn)動(dòng)的3類VI任務(wù)進(jìn)行分類，在前額葉皮層提取特征，取得了84.6%的平均分類精度。從以上VI任務(wù)設(shè)計(jì)可以看出，選擇靜態(tài)的VI任務(wù)組合，導(dǎo)致誘發(fā)的腦電信號可分性較差；選擇動(dòng)態(tài)的VI任務(wù)組合，誘發(fā)的腦電信號具有一定的可分性。本文擬將動(dòng)態(tài)的VI任務(wù)(視覺想象抬腿動(dòng)作)與動(dòng)態(tài)的VI任務(wù)(視覺想象落腿動(dòng)作)組合，假設(shè)這2類顯著不同的VI任務(wù)誘發(fā)的腦電特征具有可分性。

此外，已有VI-BCI研究所采用的特征提取方法取得的分類精度還有待提高[14,16 - 18]。Nataliya 等[14]對視覺想象花和錘子2類任務(wù)相關(guān)的腦電信號提取功率譜特征并采用功率譜加權(quán)共空間模式SpecCSP(Spectrally weighted Common Spatial Patterns)進(jìn)行分類，分類精度不高(52%)。Neuper等[16]對被試者視覺想象自己手部運(yùn)動(dòng)和靜息狀態(tài)2類任務(wù)相關(guān)的腦電信號提取頻帶特征并采用差異敏感學(xué)習(xí)矢量量化DSLVQ(Distinction Sensitive Learning Vector Quantization)方法進(jìn)行分類，平均分類精度也不高(56%)。Sousa等[17]對3類VI任務(wù)相關(guān)的腦電信號提取功率譜能量特征并采用支持向量機(jī)SVM(Support Vector Machine)進(jìn)行分類，平均分類精度為87.64%。Koizumi等[18]對3類VI任務(wù)相關(guān)的腦電信號提取了頻段的功率譜密度PSD(Power Spectral Density) 特征并采用SVM進(jìn)行分類，平均分類精度為84.6%。本文針對所設(shè)計(jì)的動(dòng)態(tài)VI任務(wù)組合，嘗試采用微狀態(tài)提取特征并采用SVM進(jìn)行分類。

在傳統(tǒng)的腦電信號分析中，大都采用時(shí)域分析、頻域分析或時(shí)頻域分析，這些分析方法往往是基于特定的時(shí)間點(diǎn)和少量的電極進(jìn)行研究，不可避免地忽略了多通道腦電信號本身的空間信息和時(shí)域信息，這些信息對腦電信號的研究是非常重要的。本文采用微狀態(tài)對腦電信號進(jìn)行時(shí)-空域分析。目前，微狀態(tài)方法已用于MI-BCI中，并且具有較好的效果[19 - 21]。

2 材料和方法

2.1 材料

2.1.1 被試者

15名被試者(男性，年齡為24～28)參加了這項(xiàng)研究，所有被試者無感知和認(rèn)知障礙，視力正常或矯正至正常。每個(gè)被試者在實(shí)驗(yàn)前都簽署了知情同意書，本文研究遵照赫爾辛基宣言并獲得昆明理工大學(xué)醫(yī)學(xué)院醫(yī)學(xué)倫理委員會(huì)的批準(zhǔn)。

2.1.2 視覺想象任務(wù)

已有VI-BCI研究采用視覺靜態(tài)圖像想象作為心理任務(wù)，誘發(fā)的腦電特征可分性較差[14]；也有研究采用視覺運(yùn)動(dòng)想象(以第三人稱視角在大腦中看到其他物體的運(yùn)動(dòng)，而非被試者肢體的運(yùn)動(dòng))作為心理任務(wù)，如圖1所示，誘發(fā)的腦電特征具有一定的可分性[17,18]。本文擬將視覺運(yùn)動(dòng)想象作為心理任務(wù)對，假設(shè)這2類不同的VI任務(wù)能夠誘發(fā)差異顯著的腦電特征。在本文中，一種VI任務(wù)是視覺想象抬腿動(dòng)作，另一種VI任務(wù)是視覺想象落腿動(dòng)作。

Figure 1 Two VI tasks used in this paper

2.1.3 1個(gè)trail的執(zhí)行時(shí)序與過程

1個(gè)trail的執(zhí)行時(shí)序如圖2所示，要求被試者根據(jù)提示首先進(jìn)行視覺觀察，然后進(jìn)行視覺想象。在t=0 s時(shí)，屏幕上呈現(xiàn)“實(shí)驗(yàn)即將開始”，要求被試者清醒放松，持續(xù)時(shí)間為3 s；在t=3 s時(shí)，屏幕上隨機(jī)呈現(xiàn)一幅抬腿或一幅落腿圖像，要求被試者觀察并記憶該圖像，持續(xù)時(shí)間為3 s；在t=6 s時(shí)，提示圖像消失，屏幕為黑屏，要求被試者想象剛才提示的圖像，持續(xù)時(shí)間為3 s；t=9 s時(shí)，屏幕上呈現(xiàn)“休息”，持續(xù)時(shí)間為5 s。休息結(jié)束，開始下一個(gè)trail。每個(gè)被試者執(zhí)行200個(gè)trails，每個(gè)任務(wù)各100個(gè)trails。

Figure 2 Timing of a single trail

2.1.4 實(shí)驗(yàn)設(shè)置

腦電設(shè)備是北京中科新拓儀器有限責(zé)任公司的新拓NT9200，采樣率為1 000 Hz。電極帽是32通道的(根據(jù)國際10-20系統(tǒng))。接地電極為GND，參考電極為A1和A2，電極阻抗保持在10 kΩ以下。帶通濾波在0.1～100 Hz，并采用50 Hz陷波濾波器以避免電源線污染。在本文中，采集了Fp1、Fp2、F7、F3、Fz、F4、F8、Ft7、Fc3、Fcz、Fc4、Ft8、T3、C3、Cz、C4、T4、Tp7、Cp3、Cpz、Cp4、Tp8、T5、P3、Pz、P4、T6、O1、Oz、O2共30個(gè)通道的腦電數(shù)據(jù)進(jìn)行研究。

2.2 方法

2.2.1 數(shù)據(jù)預(yù)處理

首先對腦電信號進(jìn)行基線漂移校正，以消除腦電信號相對于基線的偏離。然后用橢圓濾波器進(jìn)行1～30 Hz的數(shù)字帶通濾波，最后用獨(dú)立成分分析移除眼動(dòng)偽跡、心電偽跡和肌電偽跡等。

2.2.2 微狀態(tài)方法

微狀態(tài)是一種基于腦地形圖分析的腦電信號表示方法，得到了越來越多的應(yīng)用。微狀態(tài)分析是Lehmann及其同事在工作中發(fā)現(xiàn)的[22,23]，他們發(fā)現(xiàn)，腦地形圖的時(shí)間序列由幾個(gè)典型的地形圖組成，在迅速過渡到不同地形圖之前保持穩(wěn)定(約80～120 ms)，這些穩(wěn)定的地形圖稱為微狀態(tài)。

微狀態(tài)方法是一種用大腦頭皮電極的電勢空間分布來描述腦電信號特點(diǎn)的方法。腦電微狀態(tài)反映了大腦神經(jīng)元集群瞬時(shí)活動(dòng)的總和，不同微狀態(tài)是由不同的神經(jīng)元集群活動(dòng)所引起的，而不同的微狀態(tài)反映了大腦不同的功能狀態(tài)。

微狀態(tài)分析的目的是將記錄的腦電時(shí)間樣本分割成微狀態(tài)類別，因此屬于同一類別的腦電樣本具有盡可能相似的腦地形圖。微狀態(tài)分析的核心是利用聚類方法將腦電信號分割成微狀態(tài)[24]。目前有幾種用于微狀態(tài)分析的聚類方法，如k-均值聚類、改進(jìn)的k-均值聚類、主成分分析和混合高斯算法。數(shù)據(jù)處理的具體流程[24]如下所示：

(1)計(jì)算30個(gè)通道中每個(gè)被試者在每個(gè)時(shí)間點(diǎn)的全局場功率GFP(Global Field Power):

(1)

(2)采用改進(jìn)的k-均值方法進(jìn)行聚類分析。改進(jìn)的k-均值模型模擬了微狀態(tài)的激活，即模擬了每個(gè)時(shí)間點(diǎn)微狀態(tài)的強(qiáng)度。改進(jìn)的k-均值模型如下所示：

xn=Azn+εn

(2)

其中，xn為第n次采樣的腦電信號樣本，1≤n≤N，N為時(shí)間樣本數(shù)；A∈RC×K為聚類的地形圖，C為腦電通道數(shù)，K為聚類數(shù)(微狀態(tài)的類別)；zn∈RK×N為第n次采樣腦電信號微狀態(tài)的激活狀態(tài)；εn為第n次采樣的腦電信號噪聲。從模型來看，改進(jìn)的k-均值模型可以看做是一個(gè)生成模型。

有一個(gè)重要的約束條件，即每個(gè)時(shí)間點(diǎn)只能有一個(gè)微狀態(tài)處于活動(dòng)狀態(tài)。也就是說，除一種值外，zn的所有k值都為0,模型可以寫為：

xn=alnzlnn+εn

(3)

其中，aln為第n個(gè)腦電樣本的地形圖 ，zlnn為第n次采樣的微狀態(tài)處于激活狀態(tài)時(shí)的微狀態(tài)標(biāo)簽。

本文采用改進(jìn)的k-均值把腦電樣本分割成預(yù)定數(shù)量的微狀態(tài)原型，目的是最大限度地提高腦電樣本和它們所分配的微狀態(tài)之間的相似性。本文將腦電數(shù)據(jù)聚類為2～8個(gè)微狀態(tài)(這樣的做法是考慮到大多數(shù)研究發(fā)現(xiàn)4個(gè)微狀態(tài)最適合描述腦電數(shù)據(jù))。

(3)除了根據(jù)腦地形圖選擇微狀態(tài)的數(shù)量外，還應(yīng)該檢查不同微狀態(tài)在擬合度方面的質(zhì)量。在將腦電數(shù)據(jù)聚類為微狀態(tài)之后，將選擇用于進(jìn)一步分析的最佳微狀態(tài)數(shù)目。選擇要使用的微狀態(tài)的數(shù)量是一個(gè)重要的步驟，但這并不簡單。在許多情況下，沒有一個(gè)完美的答案能夠很好地解釋數(shù)據(jù)的微狀態(tài)集群。其中一個(gè)問題是如何測量微狀態(tài)集群和驗(yàn)證集群之間的關(guān)系。本文采用擬合度量的方法用于估計(jì)不同的微狀態(tài)集群對原始的EEG(Electro Encephalo Gram)的解釋(或擬合)程度。在微狀態(tài)分析中，確定微狀態(tài)數(shù)量的常用方法之一是計(jì)算擬合度量，然后根據(jù)這些度量和微狀態(tài)地形圖的擬合程度(例如它們在生理上是否可行？)做出定性決策。本文采用全局解釋方差GEV(Global Explained Variance)和交叉驗(yàn)證準(zhǔn)則CV(Cross-Validation criterion)來評估微狀態(tài)的擬合度。

GEV是衡量每個(gè)EEG樣本與分配給它的微狀態(tài)之間相似程度的指標(biāo)，GEV越大越好。計(jì)算公式為：

(4)

其中，GFPn為全局場功率，為第n次采樣的腦電所有電極的標(biāo)準(zhǔn)偏差。GEV可以看作是EEG樣本與其微狀態(tài)原型之間的相關(guān)性。

交叉驗(yàn)證準(zhǔn)則CV的值與殘余噪聲有關(guān)，因此其目的是獲得較小的CV值。計(jì)算公式為：

(5)

(6)

(4)當(dāng)獲得最佳數(shù)量的微狀態(tài)原型后，希望看到原始腦電信號與這些微狀態(tài)原型的匹配程度。也就是說，在選擇出微狀態(tài)的最佳數(shù)量之后，需要將微狀態(tài)反擬合到腦電信號中，反擬合是基于它們在地形上最相似的微狀態(tài)并給腦電樣本分配一個(gè)微狀態(tài)標(biāo)簽，這種相似性用全局地形圖差異GMD(Global Map Dissimilarity)來衡量，也被稱為DISS，是一種距離度量，度量地形圖的相似程度。對于2個(gè)EEG樣本xn和xt，GMD的計(jì)算方式如下所示：

(7)

通過GFP歸一化，2個(gè)屬于同一微狀態(tài)的不同EEG樣本將獲得較小的GMD距離。

將提取出的4類微狀態(tài)匹配到被試者的腦電信號后，分別計(jì)算出2種VI任務(wù)下的微狀態(tài)時(shí)間序列的如下幾個(gè)參數(shù)：

①平均持續(xù)時(shí)間MD(Mean Duration)：每種微狀態(tài)保持穩(wěn)定時(shí)的平均持續(xù)時(shí)間(ms)。

②所占時(shí)間比TCR(Time Coverage Ratio):每種微狀態(tài)在總的信號時(shí)間中所占的比值。

③每秒出現(xiàn)頻率OPS(Occurrence Per Second)： 每種微狀態(tài)每秒出現(xiàn)的次數(shù)。

本文對微狀態(tài)的時(shí)間序列參數(shù)進(jìn)行統(tǒng)計(jì)分析，篩選出差異最顯著的2種微狀態(tài)，對差異顯著的微狀態(tài)時(shí)間參數(shù)構(gòu)建特征向量；最后采用SVM對2類VI任務(wù)進(jìn)行識別。

2.2.3 支持向量機(jī)

支持向量機(jī)SVM是一種分類算法，它通過尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，也能獲得良好統(tǒng)計(jì)規(guī)律的目的。

SVM算法的核心在于：(1)在線性可分的情況下，利用間隔最大化的學(xué)習(xí)策略尋求一個(gè)間隔最大的超平面；(2)在線性不可分的情況下，通過核函數(shù)將低維的特征向量映射到高維來尋求線性可分。本文采集的腦電信號正是小樣本且是非線性的，因此SVM分類器適合本文研究。

在本文中，從視覺想象腦電信號中提取出4種微狀態(tài)，每一種微狀態(tài)都是大腦神經(jīng)活動(dòng)的時(shí)-空信息的集合，以微狀態(tài)的時(shí)間序列進(jìn)行分類。統(tǒng)計(jì)分析表明，微狀態(tài)1和微狀態(tài)4的差異明顯，本文就以微狀態(tài)1和微狀態(tài)4的微狀態(tài)時(shí)間序列作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行分類研究。首先用訓(xùn)練樣本和標(biāo)簽來訓(xùn)練模型，然后再用模型對測試樣本進(jìn)行標(biāo)簽預(yù)測，最后把預(yù)測標(biāo)簽與真實(shí)的標(biāo)簽進(jìn)行對比，得到分類的精度。

3 t檢驗(yàn)結(jié)果

為了比較微狀態(tài)參數(shù)在2類任務(wù)中的差異顯著性，對所有被試者在2種視覺想象任務(wù)下的狀態(tài)時(shí)間序列進(jìn)行了t檢驗(yàn)，結(jié)果如表1所示，從結(jié)果可以看出，微狀態(tài)1和微狀態(tài)4的參數(shù)MD、TCR和OPS在2種視覺想象任務(wù)下都存在顯著性的差異(P<0.05),微狀態(tài)2和微狀態(tài)3的差異不顯著(P>0.05)。

Table 1 Comparison of significant differences of four microstate time parameter characteristics in two VI tasks

表2呈現(xiàn)了15個(gè)被試者在基于微狀態(tài)提取特征(視覺想象開始后0～3 s)并利用SVM取得的平均、最高和最低分類精度。

圖3呈現(xiàn)了微狀態(tài)平均持續(xù)時(shí)間存在的差異性。從圖3可以看出，微狀態(tài)1的平均持續(xù)時(shí)間在任務(wù)2時(shí)(平均113.28 ms)相比任務(wù)1時(shí)(平均93.75 ms)明顯增長；微狀態(tài)2和微狀態(tài)3與微狀態(tài)1的情況相同；而微狀態(tài)4的平均持續(xù)時(shí)間在任務(wù)1時(shí)(平均113.84 ms)相比任務(wù)2時(shí)(平均66.41 ms)明顯增長，與其它3個(gè)微狀態(tài)相反。

圖3中黑色線代表15位被試者的平均結(jié)果，橫坐標(biāo)上的1和2分別代表視覺想象抬腿動(dòng)作和視覺想象落腿動(dòng)作，三角代表值的大小。

Table 2 Classification accuracy of features extracted by microstate

Figure 3 Differences in mean duration of microstate

圖4呈現(xiàn)了微狀態(tài)所占時(shí)間比值存在的差異。從圖4可以看出，微狀態(tài)1所占的時(shí)間比值，在任務(wù)2時(shí)(平均52.21%)比任務(wù)1時(shí)(平均48.75%)高；微狀態(tài)2和微狀態(tài)3與微狀態(tài)1的情況相同；而微狀態(tài)4所占的時(shí)間比值，在任務(wù)1時(shí)(平均39.56%)比任務(wù)2時(shí)(平均34.85%)高，與其它3個(gè)微狀態(tài)相反。圖4中各符號的含義與圖3中的相同。

Figure 4 Differences in the time ratio of microstate

圖5呈現(xiàn)了微狀態(tài)出現(xiàn)頻率的差異。從圖5可以看出，在任務(wù)1時(shí)，微狀態(tài)4出現(xiàn)的頻率比其它3個(gè)微狀態(tài)的要高，微狀態(tài)1出現(xiàn)的頻率最低；而在任務(wù)2時(shí)，微狀態(tài)1出現(xiàn)的頻率比其它3個(gè)微狀態(tài)的要高，微狀態(tài)4出現(xiàn)的頻率最低。圖5中各符號的含義與圖3中的相同。

Figure 5 Frequency differences of microstate

圖6呈現(xiàn)了采用改進(jìn)的k-均值把腦電樣本分割成預(yù)定數(shù)量的微狀態(tài)原型，按照預(yù)先設(shè)定的值，從左到右依次排列。本文將腦電數(shù)據(jù)聚類為2～8個(gè)微狀態(tài)原型(這樣的做法是因?yàn)榭紤]到大多數(shù)研究發(fā)現(xiàn)4個(gè)微狀態(tài)最適合描述腦電數(shù)據(jù))。

Figure 6 EEG data clustered into 2～8 microstate prototypes

圖7呈現(xiàn)了采用GEV和CV來評估微狀態(tài)分段的擬合度。從圖7可以看出，在微狀態(tài)數(shù)量為4時(shí)，CV值是最小的，GEV的值是一直增長的，因此，本文選取了4個(gè)微狀態(tài)進(jìn)行研究。

Figure 7 Selecting effective number of microstates based on degree of fitting

圖8所示為15位被試者在2種VI任務(wù)下的腦電信號被解析成微狀態(tài)時(shí)間序列示意圖，把每個(gè)被試者腦電信號在每個(gè)時(shí)間點(diǎn)的頭皮電勢地形圖(通過GFP局部峰值點(diǎn)獲得)與聚類得到的4個(gè)微狀態(tài)進(jìn)行GMD比較，根據(jù)GMD的大小將原始地形圖與MS1～MS4 4個(gè)微狀態(tài)進(jìn)行匹配。由圖8可知，各個(gè)微狀態(tài)基本一樣，即保持準(zhǔn)穩(wěn)定狀態(tài)。

Figure 8 Microstate time sequences schematic diagram of EEG signals of 15 subjects in 2 visual imagery tasks

圖9呈現(xiàn)了采用微狀態(tài)提取特征的分類精度隨時(shí)間變化的曲線。圖9結(jié)果表明，測試集在0～3 s的分類精度曲線整體較平穩(wěn)。在0～0.2 s有一個(gè)極大值，0.2～0.5 s有一個(gè)較大的上升趨勢，0.5～3 s基本趨于平穩(wěn)。

Figure 9 Classification accuracy vs. time when using microstate extraction feature

4 討論

目前MI-BCI的研究較多，已有大量文獻(xiàn)對MI相關(guān)腦電做了識別研究，取得了一定的進(jìn)展，但MI范式存在缺點(diǎn)，MI心理活動(dòng)不易習(xí)得和控制，存在BCI盲，難以實(shí)用化。與MI-BCI相比，VI-BCI的研究較少，VI相關(guān)腦電解碼面臨挑戰(zhàn)，但VI范式具有優(yōu)點(diǎn)，VI心理活動(dòng)易習(xí)得和控制。VI-BCI是一種較新的BCI，具有潛在的應(yīng)用前景。

本文在實(shí)驗(yàn)范式上選取了2種動(dòng)態(tài)圖像作為VI任務(wù)，科學(xué)假設(shè)是視覺想象這2類不同的圖像，它們誘發(fā)的腦電特征具有可分性。由表1和表2以及圖3～圖5的結(jié)果可以看出，這2種VI任務(wù)誘發(fā)的腦電信號之間最顯著的差異出現(xiàn)在微狀態(tài)1和微狀態(tài)4。由表3的結(jié)果可以看出，采用微狀態(tài)方法提取特征在一定程度上能夠區(qū)分(平均分類精度為(80.6±2.58)%)所設(shè)計(jì)的VI任務(wù)對。因此，本文設(shè)計(jì)的VI任務(wù)組合具有可分性?？梢灶A(yù)見，如果能夠找到更好的特征提取和分類方法，還有可能提高分類精度，這是我們未來要開展的工作。

本文對視覺想象2種不同動(dòng)態(tài)圖像的平均分類精度比Nataliya 等[14]對視覺想象花和錘子的平均分類精度提高了28.6個(gè)百分點(diǎn)，比Neuper等[16]對視覺想象自己手部運(yùn)動(dòng)和靜息態(tài)的平均分類精度提高了24.6個(gè)百分點(diǎn)。我們推測可能是由于Nataliya 等[14]設(shè)計(jì)的VI任務(wù)對均為靜態(tài)的，導(dǎo)致誘發(fā)的腦電信號可分性較差；Neuper等采用的視覺想象自己手部運(yùn)動(dòng)具有一定的難度，導(dǎo)致誘發(fā)的腦電信號可分性較差。然而，這些研究的特征提取和分類方法各不相同。

本文的平均分類精度比Koizumi等[18]對視覺想象無人機(jī)在3個(gè)平面(上/下，左/右，前/后)中運(yùn)動(dòng)的3類任務(wù)的平均分類精度低了4個(gè)百分點(diǎn)，比Sousa等[17]對視覺想象靜態(tài)點(diǎn)、垂直上下2個(gè)方向運(yùn)動(dòng)的動(dòng)態(tài)點(diǎn)以及上下左右4個(gè)方向運(yùn)動(dòng)的動(dòng)態(tài)點(diǎn)的3類VI任務(wù)的平均分類精度低了7.04個(gè)百分點(diǎn)。本文與Koizumi等和Sousa等的研究相比，分類精度較低。我們推測可能是由于Koizumi等與Sousa等所選擇的電極通道是前額葉的，本文選擇的是全腦通道，這些研究的特征提取方法不同。

本文進(jìn)行的是離線VI-BCI研究，我們未來的研究工作：(1) 在線驗(yàn)證和完善所提方法；(2) 進(jìn)一步完善VI-BCI實(shí)驗(yàn)范式，可以考慮增加新的VI任務(wù)；(3) 針對VI-BCI實(shí)驗(yàn)范式，嘗試更有效的特征提取和分類方法。

5 結(jié)束語

有別于傳統(tǒng)的MI-BCI，本文針對一種相對較新的VI-BCI進(jìn)行研究。為提高VI任務(wù)對誘發(fā)的腦電特征之間的可分性，提出了一種視覺想象2種不同動(dòng)態(tài)圖像組合的范式，實(shí)驗(yàn)研究表明該VI任務(wù)對誘發(fā)的腦電信號之間最顯著的差異出現(xiàn)在微狀態(tài)1和微狀態(tài)4。實(shí)驗(yàn)結(jié)果也表明采用微狀態(tài)提取特征取得了(80.6±2.58)%的平均分類精度。因此，基于腦電識別視覺想象2種不同的動(dòng)態(tài)圖像有望作為一種腦機(jī)接口策略，本文也可望為構(gòu)建新型腦電的在線實(shí)時(shí)VI-BCI提供思路。