林蘇云

（福州職業(yè)技術(shù)學(xué)院 福建省福州市 350108）

1 序言

隨著網(wǎng)絡(luò)通信、人工智能等科學(xué)技術(shù)的快速發(fā)展，人們的家居環(huán)境朝著智能化的方向不斷發(fā)展。在中國加快城市化建設(shè)和新農(nóng)村建設(shè)的進(jìn)程中，人們已不再單純追求住房面積的增大，而將舒適、便捷、安全、高效的居家環(huán)境也作為追求的目標(biāo)。智能家居應(yīng)體現(xiàn)實(shí)用、易用、人性化，在標(biāo)準(zhǔn)化的基礎(chǔ)上，同時(shí)還需考慮個(gè)性化的需求，以滿足不同人群的需要。將腦機(jī)接口技術(shù)運(yùn)用到智能家居中，設(shè)計(jì)新型的基于運(yùn)動(dòng)想象腦機(jī)接口的智能家居系統(tǒng)，能給人們帶來更加舒適和優(yōu)化的操控體驗(yàn)，同時(shí)也能幫助身體殘障人士獲得正常的生活，具有重要的社會(huì)意義。

2 相關(guān)工作

目前，智能家居系統(tǒng)采用了多種技術(shù)。如Kim 等人[1]采用手勢識(shí)別來控制窗簾和燈光。Solorio 等人[2]采用語音命令和Web 應(yīng)用程序進(jìn)行基于云的半自動(dòng)化家庭組件開發(fā)；Juntunen 等人[3]采用手勢和聲音混合控制等多種模式組合來控制照明管理系統(tǒng)。但是，這些智能家居無法滿足身體運(yùn)動(dòng)障礙的人群來使用。近年來，針對特殊人群研發(fā)的基于腦機(jī)接口的智能家居系統(tǒng)迅速發(fā)展。Hoffmann等人[4]在Farwell 等人的工作基礎(chǔ)上研發(fā)了6-Oddball 范式的智能家居控制系統(tǒng)；Lin 等人[5]和Ou 等人[6]研發(fā)了結(jié)合即插即用家庭網(wǎng)絡(luò)的腦機(jī)接口智能環(huán)境控制系統(tǒng)；Birbaumer 等人[7]研發(fā)了基于皮層慢電位的外界機(jī)器人控制系統(tǒng)；李凱[8]研發(fā)了基于SSVEP 腦電信號(hào)的輪椅控制系統(tǒng)，能控制輪椅的左右行駛。這些基于腦機(jī)接口的智能家居系統(tǒng)的研發(fā)具有重要的意義。

基于腦機(jī)接口的智能家居系統(tǒng)能把腦電信號(hào)通過特征提取，特征分類，最后轉(zhuǎn)換為控制命令控制外部設(shè)備，結(jié)合以上案例，本文設(shè)計(jì)一種基于運(yùn)動(dòng)想象腦機(jī)接口的智能家居系統(tǒng)。

3 腦機(jī)接口系統(tǒng)

大腦是人體的重要器官。大腦的皮質(zhì)是整個(gè)大腦最重要的部位，是高級(jí)神經(jīng)活動(dòng)的物質(zhì)基礎(chǔ)。大腦皮層負(fù)責(zé)處理聽覺、視覺、感覺等信息，還掌管著運(yùn)動(dòng)、語言、思考等許多方面。大腦皮層每個(gè)部位都能負(fù)責(zé)許多功能，彼此之間也存在許多重疊，因此不同類型的腦機(jī)接口需要獲取不同區(qū)域的大腦皮層產(chǎn)生的信號(hào)。腦電信號(hào)是由大腦神經(jīng)元的活動(dòng)產(chǎn)生的電位變化，存在于大腦中樞神經(jīng)系統(tǒng)的自發(fā)性活動(dòng)電位中，后者是一種生理電信號(hào)。腦電信號(hào)體現(xiàn)了大腦內(nèi)部的神經(jīng)元電位活動(dòng)，可以通過放置于頭皮表面的電極來進(jìn)行檢測，再經(jīng)過放大、濾波和數(shù)字化處理后，得到電信號(hào)時(shí)間序列，即腦電信號(hào)（EEG）。

腦機(jī)接口是人腦向外部環(huán)境發(fā)送信息與命令的通信系統(tǒng)，該通路不依賴于大腦的常規(guī)輸出通路（外周神經(jīng)與肌肉組織）[9]。例如，基于EEG 的腦機(jī)接口系統(tǒng)將EEG 活動(dòng)進(jìn)行編碼作為消息命令，來替代神經(jīng)系統(tǒng)的輸出信號(hào)，因而腦機(jī)接口系統(tǒng)為人們提供了另外一種操控環(huán)境的方式，該技術(shù)形成于20 世紀(jì)70年代[10]。腦機(jī)接口系統(tǒng)主要由輸入（例如，人的電生理活動(dòng)信號(hào)），輸出（例如，設(shè)備控制命令），將輸入信號(hào)轉(zhuǎn)換為輸出信號(hào)的信號(hào)處理部分，如圖1所示。其中，信號(hào)處理部分包括預(yù)處理、特征提取、特征分類3 個(gè)環(huán)節(jié)。

圖1：腦機(jī)接口系統(tǒng)組成

腦機(jī)接口系統(tǒng)的采集部分負(fù)責(zé)采集腦電信號(hào)，將采集到的信號(hào)進(jìn)行放大、濾波、A/D 轉(zhuǎn)換等處理。信號(hào)處理部分負(fù)責(zé)對腦電信號(hào)進(jìn)行預(yù)處理和提取特征，然后再將提取到的特征進(jìn)行分類。設(shè)備控制部分根據(jù)不同的分類結(jié)果對應(yīng)不同的輸出控制命令，實(shí)現(xiàn)對外部設(shè)備的控制。

信息采集部分要考慮采集的規(guī)模、時(shí)間分辨、空間分辨率和采用何種方式進(jìn)行采集。采集方式有侵入式、半侵入式和非侵入式。在采集過程中，來自自身的干擾，如心電、眼電、肌電等，以及來自外界環(huán)境的干擾，如電磁干擾等都有可能影響到正在采集的腦電信號(hào)。信號(hào)的預(yù)處理過程是對原始信號(hào)進(jìn)行濾波降噪，消除這些偽跡和噪聲。目前常用的預(yù)處理方法有空間濾波器、時(shí)間濾波器、通道選擇、頻帶選擇等。特征提取部分主要是找到能夠表征信號(hào)的參數(shù)，以此構(gòu)成特征向量。特征參數(shù)可以從時(shí)域、頻域、時(shí)頻域等進(jìn)行分析。特征分類是對上一步的特征向量進(jìn)行分類識(shí)別，目前常用的有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、線性判別分析等方法。設(shè)備控制部分把分類結(jié)果轉(zhuǎn)換為控制外部設(shè)備動(dòng)作的輸出命令，完成對外部環(huán)境的控制。

4 技術(shù)方案

4.1 腦電信號(hào)的選擇

當(dāng)人的主要感覺運(yùn)動(dòng)皮層不處理感覺信息和不產(chǎn)生運(yùn)動(dòng)輸出的時(shí)候，腦電圖會(huì)表現(xiàn)出大約在8-12Hz 頻率范圍的節(jié)律活動(dòng)。這個(gè)活動(dòng)叫做mu 節(jié)律，通常認(rèn)為是由丘腦和皮質(zhì)之間的交互產(chǎn)生的。電腦分析闡明mu 節(jié)律包含了一些8-12Hz 的節(jié)律，這些節(jié)律在不同的位置，不同的頻率點(diǎn)，能夠互相區(qū)別開來，也就是說，這些節(jié)律與當(dāng)前的感覺輸入與運(yùn)動(dòng)輸出相關(guān)[11][12]。

許多因素表明mu 節(jié)律活動(dòng)可以作為BCI 通信的良好載體。這些節(jié)律與那些和大腦的常規(guī)運(yùn)動(dòng)輸出通道直接相連的皮層區(qū)域相關(guān)。如圖2 所示，運(yùn)動(dòng)和對運(yùn)動(dòng)的準(zhǔn)備通常伴隨著感覺運(yùn)動(dòng)皮層的mu 節(jié)律的降低，特別是在運(yùn)動(dòng)對側(cè)的皮層區(qū)域。這種下降被稱為“事件相關(guān)去同步化”或ERD（event-related desynchronization）。反之，節(jié)律的增加，即“事件相關(guān)同步化”或ERS（event-related synchronization）發(fā)生在運(yùn)動(dòng)后時(shí)期和休息時(shí)期。而且，與BCI 應(yīng)用高度相關(guān)的是，即使運(yùn)動(dòng)想象也能產(chǎn)生ERD 和ERS 現(xiàn)象，而不需要實(shí)際的運(yùn)動(dòng)。因此，它們的發(fā)生不依賴于大腦的常規(guī)輸出通道以及周圍神經(jīng)和肌肉，所以可以作為BCI 的基礎(chǔ)[13]。

圖2：mu 節(jié)律信號(hào)拓?fù)鋱D及其頻域分布[14]

4.2 腦電信號(hào)的采集

測量和采集腦電信號(hào)是整個(gè)實(shí)驗(yàn)研究的最初步驟，因而對采集到的信號(hào)質(zhì)量有很高的要求，將直接影響到后續(xù)處理的精度與研究結(jié)論的可靠性。大腦信號(hào)的提取有多種手段，包括功能性核磁成像技術(shù)、功能性近紅外造影技術(shù)，正電子放射斷層掃描技術(shù)、腦磁圖（MEG）和腦電圖（EEG）等。不過因?yàn)榍懊鎺追N成本比較高昂且時(shí)間分辨率不夠，所以通常人們更愿意采用EEG 來記錄大腦信號(hào)，這種手段不僅比較便宜，而且在實(shí)際中的應(yīng)用最為方便和廣泛。在腦電信號(hào)采集的實(shí)際操作過程中，完備的腦電采集系統(tǒng)整體應(yīng)該包括測量與采集（電極放置方法）、預(yù)處理（對腦電信號(hào)的放大、濾波、A/D 轉(zhuǎn)換等）和存儲(chǔ)記錄等。本方案采用想象左手和右手運(yùn)動(dòng)的實(shí)驗(yàn)任務(wù)來進(jìn)行腦電信號(hào)的收集。人們想象自己身體的肢體運(yùn)動(dòng)但是并沒有產(chǎn)生實(shí)際的運(yùn)動(dòng)或動(dòng)作，通過這種運(yùn)動(dòng)想象來激發(fā)具有節(jié)律性的腦電信號(hào)。放置在頭皮上的電極采集到的信號(hào)微弱且含有噪聲，采集設(shè)備需要對其進(jìn)行放大、濾波和A/D 轉(zhuǎn)換等處理。腦電信號(hào)的幅值容易受到受試者的情緒，心態(tài)，動(dòng)作等的影響，還有來自環(huán)境中的噪音，電磁設(shè)備等的影響，這些污染實(shí)驗(yàn)數(shù)據(jù)的噪聲被稱為EEG 偽跡。因此，必須使用有效的算法來減少偽跡帶來的影響。在本設(shè)計(jì)方案中，主要采取去除均值和CAR 濾波的方式來消除運(yùn)動(dòng)想象信號(hào)的噪聲。腦電信號(hào)的采集可使用g.tec 放大器和Ag/Agcl電極，雙極導(dǎo)聯(lián)的安放位置如圖3 左所示，三個(gè)雙極EEG 通道（前“+”，“-”后）測量C3 和C4，CZ 導(dǎo)聯(lián)。腦電信號(hào)的采用頻率為128Hz，通過0.5-30Hz 的濾波處理。

圖3：電極安放位置

4.3 特征提取

從腦電信號(hào)中提取到的特征需要能夠代表運(yùn)動(dòng)想象不同任務(wù)下呈現(xiàn)出的特征，通過上述分析已經(jīng)知道，可以通過mu 節(jié)律來進(jìn)行分析，但是功率譜的計(jì)算需要花費(fèi)一定的時(shí)間，考慮到功率譜可以由AR 系數(shù)計(jì)算而來，因此考慮采用AR 系數(shù)來構(gòu)成特征向量，研究也證實(shí)AR 系數(shù)可以很好的代表運(yùn)動(dòng)想象腦電的特征[15][16]。因此，本設(shè)計(jì)方案采用AR 系數(shù)來構(gòu)成運(yùn)動(dòng)形象不同任務(wù)的特征向量。首先要對運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行建模。將單個(gè)通道的運(yùn)動(dòng)想象腦電信號(hào)作為一個(gè)隨機(jī)信號(hào)，采用k 階AR 模型進(jìn)行擬合，表示為：

其中，x(n)表示信號(hào)的第n 個(gè)采樣值，p 為AR 模型的階數(shù)，ak為AR 模型的AR 系數(shù)，e(n)為均值為0，方差為δ2的白噪聲殘差[17]。本論文采用Burg 算法來求解AR 系數(shù)，具體實(shí)現(xiàn)可以歸納為如下步驟：

（1）初始化：定義k 階前向預(yù)測誤差序列為fk(n)，k 階后向預(yù)測誤差序列為bk(n)，初始化：

（2）計(jì)算第k+1 階反射系數(shù)uk+1：

（3）采用下式估計(jì)k+1 階AR 模型系數(shù)：先計(jì)算公式（4），再計(jì)算公式（5）：

（4）判斷是否k+1=p，若否，則進(jìn)入步驟（5），若是，則停止計(jì)算，得到p 階AR 模型的系數(shù)a1, a2,…,ap。

（5）采用下式估算k+1 階前向預(yù)測誤差序列以及k+1 階后向預(yù)測誤差序列，之后返回步驟（2）：

AR 系數(shù)計(jì)算完之后，將各個(gè)通道的運(yùn)動(dòng)想象腦電信號(hào)的p 階AR 系數(shù)連接成向量，即為對應(yīng)腦電信號(hào)的特征向量。

4.4 特征分類

SVM 是針對線性和非線性數(shù)據(jù)進(jìn)行分析的一種分類新方法[18]。它最早是在1992年，被Vladimir Vapnik 和他的同事Berhard、Isabelle Guyon 組成的團(tuán)隊(duì)率先提出來，它的基礎(chǔ)性工作在20 世紀(jì)60年代便已出現(xiàn)。這些年以來，支持向量機(jī)的研究，無論是理論上還是實(shí)現(xiàn)算法上，都有了顯著的提高，為解決“過學(xué)習(xí)”、“維數(shù)災(zāi)難”這些問題提供了良好的解決方案。支持向量機(jī)主要是基于統(tǒng)計(jì)學(xué)習(xí)理論[19]，針對小樣本、非線性以及高維的模式識(shí)別有著獨(dú)特的優(yōu)勢，因而在數(shù)據(jù)分類的領(lǐng)域能夠有較大的發(fā)展[20]。主要應(yīng)用范圍較廣，包括各類識(shí)別，如故障、語音、文本、手寫字體及人臉圖像等等，還可以應(yīng)用在基因分類，預(yù)測等較多前沿領(lǐng)域上。支持向量機(jī)的主要思想是尋找能夠滿足分類要求的最優(yōu)分類超平面，該超平面在滿足分類要求精度的同時(shí)，要使得超平面到兩側(cè)分類樣本的距離最大。在理論上，支持向量機(jī)能滿足對數(shù)據(jù)的最優(yōu)分類。在線性可分支持向量機(jī)中，令訓(xùn)練樣本集為其中每個(gè)樣本為d 維向量。如果這些樣本是線性可分，那么將能找到超平面把樣本無差錯(cuò)的分開。其中，是線性判別函數(shù)的權(quán)值（即超平面的法向量），b 是常數(shù)項(xiàng)，是向量w 與x 的內(nèi)積，也就是wTx。為了使得分類超平面對所所有的樣本都能夠正確分類，且具有分類間隔，要求超平面滿足一下約束條件這種分類超平面又叫做規(guī)范化的分類超平面，如圖4 所示。

圖4：規(guī)范化的最優(yōu)分類超平面[21]

引入拉格朗日函數(shù)， 用拉格朗日發(fā)進(jìn)行求解，可以得到最優(yōu)的分類超平面最優(yōu)分類函數(shù)為：

其中， 為拉格朗日乘數(shù)。

4.5 設(shè)備控制

本文設(shè)計(jì)的運(yùn)動(dòng)想象腦電控制的智能家居系統(tǒng)，目標(biāo)是能夠?qū)⒂脩舻囊鈭D輸出為設(shè)備的控制行為。采集到的腦電信號(hào)，經(jīng)過上述的預(yù)處理、特征提取、特征分類后即可得到是想象左手運(yùn)動(dòng)還是想象右手運(yùn)動(dòng)兩種分類結(jié)果。將想象左手運(yùn)動(dòng)的腦電信號(hào)轉(zhuǎn)換為控制電器設(shè)備切換的輸出命令，將想象右手運(yùn)動(dòng)的腦電信號(hào)轉(zhuǎn)換為控制電器設(shè)備開關(guān)狀態(tài)的輸出命令，即可實(shí)現(xiàn)對常用電器設(shè)備的腦電控制。

5 總結(jié)

智能家居系統(tǒng)能夠讓人們的居住環(huán)境更加舒適與便捷，目前常用的人機(jī)交互方式有語音交互、手勢交互等，但是對于運(yùn)動(dòng)障礙人員，還不能順利完成這些人機(jī)交互。本文給出了一種基于腦機(jī)接口的智能家居系統(tǒng)設(shè)計(jì)方案，將腦機(jī)接口技術(shù)與智能家居結(jié)合，為解決這一問題提供了一種新的思路。本文設(shè)計(jì)的基于腦機(jī)接口的智能家居系統(tǒng)，選擇運(yùn)動(dòng)想象腦電信號(hào)作為輸入，提取AR 系數(shù)作為信號(hào)特征，采用支持向量機(jī)進(jìn)行分類，將分類結(jié)果轉(zhuǎn)化為控制對應(yīng)設(shè)備的命令，可實(shí)現(xiàn)對常用電器設(shè)備的控制，具有現(xiàn)實(shí)意義。