王美娥， 徐艷華

(1.河南省省立醫(yī)院神經(jīng)內(nèi)科，鄭州 450000 ；2.中原科技學(xué)院，鄭州 450000)

1 引 言

腦機(jī)接口技術(shù)是通過(guò)采集患者腦電波信號(hào)來(lái)控制外部輔助設(shè)備，以幫助患者復(fù)健或者實(shí)現(xiàn)生活自理[1]。腦機(jī)接口技術(shù)開(kāi)發(fā)應(yīng)用過(guò)程中，最大的難題是如何提高腦電運(yùn)動(dòng)想象分類，即如何準(zhǔn)確分辨患者發(fā)出的腦電波信號(hào)中所蘊(yùn)含的控制指令[2]。只有明確腦電運(yùn)動(dòng)，才能控制外部設(shè)備更好地為患者服務(wù)，否則一旦解析錯(cuò)誤，將極易給患者帶來(lái)危險(xiǎn)。

針對(duì)上述情況，關(guān)于腦電運(yùn)動(dòng)想象分類問(wèn)題的研究得到很多學(xué)者的重視。程時(shí)偉等[3]將卷積神經(jīng)網(wǎng)絡(luò)用于腦電運(yùn)動(dòng)信號(hào)識(shí)別與分類，實(shí)現(xiàn)人與運(yùn)行機(jī)器人之間的相互傳導(dǎo)，控制機(jī)器人幫助肢體運(yùn)動(dòng)障礙患者的日常生活和康復(fù)訓(xùn)練。張進(jìn)等[4]組合兩類分類器，分類不同狀態(tài)下腦電信號(hào)類型，控制機(jī)械手臂作業(yè)和運(yùn)動(dòng)。趙杰等[5]利用奇異譜分析方法進(jìn)行腦電信號(hào)偽跡去除和節(jié)律提取，以支持向量機(jī)作為分類器，分析孤獨(dú)癥兒童腦電信號(hào)，以利于治療。

基于前人研究經(jīng)驗(yàn)，本研究提出基于小波包分解和共空間模式方法的腦電運(yùn)動(dòng)想象分類方法。該方法以小波包分解算法提取腦電波信號(hào)特征，以共空間模式構(gòu)建分類器，分類腦電運(yùn)動(dòng)想象指令，控制外部設(shè)備行動(dòng)，幫助癱瘓患者在一定程度實(shí)現(xiàn)行動(dòng)自由。

2 材料與方法

2.1 實(shí)驗(yàn)材料

以3 cm×4 cm中低頻通用電極及腦電波采集裝置作為電極帽，研究了一種運(yùn)動(dòng)想象方法。用一臺(tái)智能小車控制四類運(yùn)動(dòng)想象任務(wù)的分類正確率。讓實(shí)驗(yàn)對(duì)象依次進(jìn)行腦電運(yùn)動(dòng)想象控制智能小推車。為確保實(shí)驗(yàn)結(jié)果的一致性，在同一智能車上進(jìn)行多組實(shí)驗(yàn)樣本的采集。

腦電運(yùn)動(dòng)是通過(guò)腦機(jī)接口技術(shù)向外部設(shè)備發(fā)射患者腦電波信號(hào)指令，實(shí)現(xiàn)輔助設(shè)備控制的過(guò)程。在該過(guò)程中，患者根據(jù)想要實(shí)現(xiàn)的行為，想象該部位所需要的運(yùn)動(dòng)，但此時(shí)只有大腦皮層被激活，而肢體并未產(chǎn)生任何活動(dòng)，被激活的大腦皮層會(huì)根據(jù)患者想象產(chǎn)生不同類型的腦電信號(hào)。因此，采集患者的腦電波信號(hào)，即可從中提取出患者想要發(fā)出的指令信息，完成對(duì)外部設(shè)備的控制[6]。

2.2 腦電運(yùn)動(dòng)信號(hào)采集

腦電運(yùn)動(dòng)信號(hào)即腦電波信號(hào)，其采集是實(shí)現(xiàn)腦電運(yùn)動(dòng)信號(hào)分類的首個(gè)環(huán)節(jié)。腦電波信號(hào)以腦電圖的形式顯示出來(lái)[7]。腦電波信號(hào)的采集有無(wú)創(chuàng)和有創(chuàng)兩種方式。無(wú)創(chuàng)采集方式，即將電極布置在大腦皮層外部采集腦電波信號(hào)。該方式有統(tǒng)一的電極放置標(biāo)準(zhǔn)[8]，標(biāo)準(zhǔn)中電極名稱、腦部位、編號(hào)間的對(duì)應(yīng)關(guān)系見(jiàn)表1。

表1 電極名稱、腦部位、編號(hào)間的對(duì)應(yīng)關(guān)系表

有創(chuàng)采集方式，即通過(guò)外科手術(shù)將檢測(cè)電極植入電腦皮層，采集腦電波信號(hào)。該采集方式由于零距離接觸到大腦皮層神經(jīng)元，因此，采集到的腦電波信號(hào)質(zhì)量更高，但是該方式需要外科手術(shù)介入，會(huì)對(duì)患者造成二次傷害，且長(zhǎng)時(shí)間地植入電極，有可能存在被感染的風(fēng)險(xiǎn)，因此，該方式更適用于全身癱瘓或完全喪失行動(dòng)能力的重癥患者。

2.3 腦電運(yùn)動(dòng)信號(hào)去噪

腦電運(yùn)動(dòng)信號(hào)在采集過(guò)程中易受體內(nèi)外噪聲干擾，且難以避免，只能采集后再處理。根據(jù)噪聲來(lái)源的不同，來(lái)自體外的噪聲可以通過(guò)讓患者的頭皮保持清爽干凈或者讓患者剪短頭發(fā)，使電極與頭皮接觸更親密，以提高采集的信號(hào)質(zhì)量，減少噪聲干擾[9]。而對(duì)于來(lái)自患者體內(nèi)的內(nèi)源性噪聲，則主要利用獨(dú)立成分分析去除。

獨(dú)立成分分析(independent component analysis，ICA)是將腦電運(yùn)動(dòng)信號(hào)分解為若干個(gè)獨(dú)立分量，然后對(duì)每個(gè)獨(dú)立分量評(píng)判獨(dú)立程度，選出符合標(biāo)準(zhǔn)的獨(dú)立分量，即噪聲[10-11]。ICA描述如下：

x=A·s

(1)

式中，x={x1,x2,...,xn}代表觀測(cè)信號(hào)矢量；A代表位置混合矩陣；s={s1,s2,...,xm}代表源信號(hào)矢量。

獨(dú)立成分分析，即從x中分離隱藏在里面的s，即尋找可以實(shí)現(xiàn)二者之間分離的矩陣W，即

W=y·s

(2)

式中，y代表采集到的觀測(cè)信號(hào)，基于獨(dú)立成分分析的腦電運(yùn)動(dòng)信號(hào)去噪具體過(guò)程如下：

步驟1：將電極采集到的觀測(cè)腦電運(yùn)動(dòng)信號(hào)X中心化處理，即計(jì)算所有腦電運(yùn)動(dòng)信號(hào)的均值，并讓均值=0；

步驟2：將觀測(cè)腦電運(yùn)動(dòng)信號(hào)再白化，得到Z；

步驟3：設(shè)定獨(dú)立分量的數(shù)量m以及迭代的次數(shù)，并設(shè)置初始迭代次數(shù)等于1；

步驟4：隨機(jī)選擇一個(gè)初始權(quán)向量Wp；

步驟5：令

(3)

式中，E{}代表均值運(yùn)算；g代表非線性函數(shù)；g′代表非線性函數(shù)的導(dǎo)數(shù)；T代表腦電運(yùn)動(dòng)信號(hào)采集頻率[12]。

步驟6：歸一化Wp，得到Wp′：

(4)

步驟7：判斷Wp′是否收斂，若不收斂，則回到步驟5；否則繼續(xù)下一步：

步驟8：令迭代次數(shù)p′=p+1；

步驟9：判斷p′是否≤設(shè)定獨(dú)立分量的數(shù)量m，若小于等于，則回到步驟4；否則，繼續(xù)下一步:

步驟10：重構(gòu)去噪后的腦電運(yùn)動(dòng)信號(hào)。

2.4 腦電運(yùn)動(dòng)信號(hào)特征提取

腦電運(yùn)動(dòng)信號(hào)特征提取是整個(gè)分類方法中最難的環(huán)節(jié)，也是本研究的重點(diǎn)環(huán)節(jié)[13]。特征提取的準(zhǔn)確性和全面性直接關(guān)系到分類結(jié)果的準(zhǔn)確性。為此，本研究采用小波包分解和共空間模式方法，分別提取腦電運(yùn)動(dòng)信號(hào)的時(shí)域特征和空間域特征[14]。

2.4.1小波變換提取腦電運(yùn)動(dòng)信號(hào)的時(shí)域特征 首先，設(shè)腦電運(yùn)動(dòng)信號(hào)為x(n)；其次對(duì)x(n)離散化，得到f(n)；然后對(duì)f(n) 有限層分解，即：

(5)

式中，L代表小波分解有限層數(shù)；AL代表最底層的逼近分量；Dj代表不同層數(shù)所對(duì)應(yīng)的細(xì)節(jié)分量。j代表頻率分辨率[15]。信號(hào)四層小波分解見(jiàn)圖1，cDL,cDL-1,……,cD2,cD1為每層的小波系數(shù)。

圖1 信號(hào)四層小波分解示意圖

最后，計(jì)算cDL,cDL-1,……,cD2,cD1絕對(duì)值的平均值、標(biāo)準(zhǔn)差和能量均值，以此作為腦電運(yùn)動(dòng)信號(hào)頻域特征[16]。

2.4.2共空間模式提取腦電運(yùn)動(dòng)信號(hào)空間域特征

步驟1：選取腦電運(yùn)動(dòng)信號(hào)構(gòu)成N×T的矩陣Yi，其中，i代表腦電運(yùn)動(dòng)信號(hào)種類；N為腦電導(dǎo)聯(lián)數(shù)，計(jì)算協(xié)方差矩陣Zi，即

(6)

(7)

(8)

式中，Λ代表特征值矩陣；Β代表特征向量矩陣。

步驟4：構(gòu)建白化矩陣P。

(9)

步驟5：針對(duì)種類1，通過(guò)上述變換，協(xié)方差矩陣變?yōu)槿缦滦问剑?/p>

(10)

式中，n代表腦電運(yùn)動(dòng)信號(hào)特征數(shù)量。

上述公式中，將類1的協(xié)方差歸為一類，其余腦電運(yùn)動(dòng)信號(hào)類別視為另一類，步驟6：構(gòu)建空間濾波器F。

F=[F1,F2]

(11)

(12)

式中，f為S1，S1共同的特征向量矩陣；f1代表前m個(gè)特征向量組成矩陣；f2代表其余特征向量組成的矩陣。

步驟7：對(duì)Yi空間濾波，得到投影矩陣Ri。

Ri=F·Yi

(13)

步驟8：對(duì)Ri平方運(yùn)算，得到信號(hào)能量值var(Ri2)。

步驟9：對(duì)var(Ri2)對(duì)數(shù)運(yùn)算，得到空間域特征量Qi。

(14)

步驟10：同上，得到各種模式下的腦電運(yùn)動(dòng)信號(hào)特征數(shù)據(jù)[17]。

2.5 腦電運(yùn)動(dòng)想象分類實(shí)現(xiàn)

基于上述得到的各種模式下的腦電運(yùn)動(dòng)信號(hào)特征數(shù)據(jù)，構(gòu)建分類器，實(shí)現(xiàn)腦電運(yùn)動(dòng)想象分類[18]。

以決策樹(shù)算法為基礎(chǔ)，一個(gè)決策樹(shù)對(duì)應(yīng)一種腦電運(yùn)動(dòng)信號(hào)類別，最后完成所有類別的決策樹(shù)構(gòu)建，形成完整的隨機(jī)森林分類器[19]。因此，決策樹(shù)的構(gòu)建是分類實(shí)現(xiàn)的關(guān)鍵。決策樹(shù)構(gòu)建基本流程見(jiàn)圖2。

圖2 決策樹(shù)構(gòu)建基本流程

將腦電運(yùn)動(dòng)信號(hào)特征數(shù)據(jù)輸入到分類器當(dāng)中，即可實(shí)現(xiàn)腦電運(yùn)動(dòng)想象分類[20]。

3 結(jié)果與分析

為了驗(yàn)證本研究方法的分類效果，以一名受試者做出的運(yùn)動(dòng)想象以及本方法給出的分類結(jié)果為標(biāo)準(zhǔn)，進(jìn)行準(zhǔn)確性驗(yàn)證。

3.1 電極布置

按照2.2無(wú)創(chuàng)方式采集受試者腦電波。選擇3 cm×4 cm中低頻通用電極貼片，按表1布置方案縫制一個(gè)電極帽，作為腦電波采集裝置。電極帽示意圖見(jiàn)圖3。

圖3 電極帽示意圖

3.2 實(shí)驗(yàn)設(shè)計(jì)

首先讓受試者戴上電極帽，并端坐在椅子上，保持安靜，然后給出2～3 s的準(zhǔn)備時(shí)間，讓受試者做好測(cè)試準(zhǔn)備。屏幕上提示功能鍵亮起，正式進(jìn)入測(cè)試環(huán)節(jié)，同時(shí)屏幕上會(huì)顯示出一個(gè)“+”字方塊，每個(gè)方塊代表了一個(gè)腦電運(yùn)動(dòng)想象，最后每隔3 s會(huì)亮起一個(gè)方塊，受試者通過(guò)亮起提示想象四種不同部位的運(yùn)行，即想象左手、右手、舌以及腳，直至第12 s結(jié)束。在采集期間，每結(jié)束一種腦電波采集，將腦電波信號(hào)傳輸?shù)脚c之相連的計(jì)算機(jī)，實(shí)時(shí)顯示腦電圖數(shù)據(jù)。腦電波數(shù)據(jù)采集現(xiàn)場(chǎng)見(jiàn)圖4。

圖4 腦電波數(shù)據(jù)采集現(xiàn)場(chǎng)

采集到的腦電圖數(shù)據(jù)示意圖見(jiàn)圖5。

圖5 腦電圖數(shù)據(jù)示意圖

3.3 智能小車控制

以控制智能小車是否與腦電波數(shù)據(jù)吻合作為四類運(yùn)動(dòng)想象任務(wù)分類準(zhǔn)確性的驗(yàn)證對(duì)象?？刂泼钆c想象運(yùn)動(dòng)的對(duì)應(yīng)關(guān)系，見(jiàn)表2。

表2 控制命令與想象運(yùn)動(dòng)的對(duì)應(yīng)關(guān)系

讓受試者依次做出腦電運(yùn)動(dòng)想象，控制智能小車在圖6場(chǎng)景下做出一系列開(kāi)始→前進(jìn)→左拐→前進(jìn)→右拐→前進(jìn)→右拐→后退→前進(jìn)→左拐→前進(jìn)→結(jié)束的相應(yīng)運(yùn)動(dòng)。

圖6 智能小車運(yùn)動(dòng)場(chǎng)景

3.4 分類效果分析

以受試者腦電運(yùn)動(dòng)想象與控制小車運(yùn)行的對(duì)應(yīng)關(guān)系為分類效果驗(yàn)證標(biāo)準(zhǔn)，一旦小車運(yùn)動(dòng)與受試者腦電運(yùn)動(dòng)想象存在分歧，即認(rèn)為分類出現(xiàn)錯(cuò)誤。在相同實(shí)驗(yàn)條件下，利用基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法、基于奇異譜分析的分類方法以及基于組合分類器的分類方法做出腦電運(yùn)動(dòng)想象(舌→左手→舌→右手→舌→右手→腳→舌→左手→舌)。受試者腦電運(yùn)動(dòng)想象與小車運(yùn)行對(duì)應(yīng)關(guān)系見(jiàn)表3。

表3 受試者腦電運(yùn)動(dòng)想象與小車運(yùn)行對(duì)應(yīng)關(guān)系表

由表3可知，當(dāng)腦電運(yùn)動(dòng)想象反應(yīng)右手時(shí)，基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法為前進(jìn)；當(dāng)腦電運(yùn)動(dòng)想象反應(yīng)是左手時(shí)，基于奇異譜分析的分類方法為后退；當(dāng)腦電運(yùn)動(dòng)想象反應(yīng)是左手時(shí)，基于組合分類器的分類方法為右拐。在這三種方法控制下，智能小車給出的運(yùn)動(dòng)反應(yīng)均出現(xiàn)誤差，表明分類有誤。而本研究分類方法控制的智能小車給出的運(yùn)動(dòng)反應(yīng)與智能小車實(shí)際應(yīng)該給出的運(yùn)動(dòng)反應(yīng)完全一致，證明本研究方法達(dá)到了預(yù)期的分類結(jié)果。

4 結(jié)論

綜上所述，腦電運(yùn)動(dòng)想象的出現(xiàn)可在一定程度上幫助殘疾人群恢復(fù)一定的行動(dòng)力，但由于存在腦電想象分類不準(zhǔn)確，使外部設(shè)備給出的反應(yīng)與腦電波類型存在偏差。針對(duì)該問(wèn)題，本研究提出了一種基于小波包分解和共空間模式方法的腦電運(yùn)動(dòng)想象分類方法，該方法結(jié)合小波包分解和共空間模式兩種方法，提取了更全面的腦電波特征，從而提高分類結(jié)果的準(zhǔn)確性。最終經(jīng)過(guò)實(shí)驗(yàn)測(cè)試驗(yàn)證本研究方法的分類質(zhì)量更高。