寇建閣,李想,王娜,汪首坤,宮妍竹

（1.北京航空航天大學(xué)，北京 100191；2.北京理工大學(xué)，北京 100081；3.中國(guó)傳媒大學(xué)媒體融合與傳播國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100024）

1 引言

隨著腦-機(jī)技術(shù)的發(fā)展，獲取的腦電信號(hào)可靠性越來(lái)越高，足以作為控制信號(hào)來(lái)驅(qū)動(dòng)外部設(shè)備［1,2］。但腦電信號(hào)的處理困難一直限制著腦-機(jī)技術(shù)的發(fā)展與工程實(shí)現(xiàn)，降低了腦電信號(hào)的實(shí)用性。不同的濾波方式、信號(hào)處理方法都會(huì)影響腦電信號(hào)的解碼質(zhì)量。

腦電信號(hào)一般有高通濾波和低通濾波的預(yù)處理方法。高通濾波器一般會(huì)得到高頻率峰電位（Spikes）信號(hào)；低通濾波后可以得到相對(duì)頻率相對(duì)較低的局部場(chǎng)電位信號(hào)（Local Potential Field,LFP)，此類(lèi)腦電信號(hào)中蘊(yùn)含著豐富的運(yùn)動(dòng)相關(guān)信息［3］。為了探究癲癇的成病因素，Gotman等人［4］利用截止頻率為1 Hz的2階低頻濾波器對(duì)腦電信號(hào)做了預(yù)處理，然后提取了預(yù)處理之后的腦電信號(hào)特征，對(duì)癲癇疾病患者的腦電信號(hào)判斷起到了很好的效果，有利于癲癇疾病的診斷。Hammer［5］、Takufumi等人［6］分別證明了腦電信號(hào)在解析運(yùn)動(dòng)中的價(jià)值，并通過(guò)實(shí)驗(yàn)加以佐證。Jeong-Hun［7］等應(yīng)用低頻皮層腦電信號(hào)進(jìn)行運(yùn)動(dòng)軌跡解碼，得出“低頻信號(hào)中蘊(yùn)含了大量與運(yùn)動(dòng)有關(guān)的信息，包括運(yùn)動(dòng)開(kāi)始時(shí)間、方位和速度等”的結(jié)論。

腦電信號(hào)濾波作為信號(hào)解碼的前提條件，取得了積極的成效，但腦電信號(hào)在實(shí)際分析應(yīng)用中仍會(huì)存在不同的問(wèn)題。例如尖峰信號(hào)的分析中容易受到場(chǎng)地環(huán)境干擾，且長(zhǎng)期記錄效果不佳，LFP信號(hào)分析中低頻動(dòng)作、工頻干擾影響較大。因此，如何獲得一個(gè)穩(wěn)定、低噪的腦電信號(hào)是一重要關(guān)鍵問(wèn)題。

獲得高質(zhì)量的預(yù)處理腦電信號(hào)之后，對(duì)該信號(hào)進(jìn)行準(zhǔn)確解碼是腦機(jī)接口的另一核心問(wèn)題。目前，支持向量機(jī)（Support Vector Machines,SVM）、線性判別分析（Linear Discriminant Analysis,LDA）、卡爾曼濾波（Kalman Filtering）等經(jīng)典機(jī)器學(xué)習(xí)算法已應(yīng)用到腦電解碼當(dāng)中［8］。深度學(xué)習(xí)算法因其模型可以在多種場(chǎng)合下應(yīng)用，且不需要基于先驗(yàn)經(jīng)驗(yàn)知識(shí)的特征提取便能得到較好識(shí)別效果，從而獲得較多研究人員的青睞。基于小波分析的方法可提高參數(shù)準(zhǔn)確率，Neethu Robinson［9］通過(guò)腦電信號(hào)解碼獲得手部運(yùn)動(dòng)軌跡。精細(xì)回歸樹(shù)算法簡(jiǎn)單實(shí)用，在腦電信號(hào)解碼過(guò)程中可以發(fā)揮較好的效果，是流行的腦電信號(hào)解碼方法［10］。

根據(jù)實(shí)驗(yàn)獲得樣本特征，選擇合適且有效的數(shù)據(jù)解碼器，同時(shí)提出一種簡(jiǎn)單可靠的腦電信號(hào)預(yù)處理和特征提取方法和腦電信號(hào)解碼策略，建立腦電信號(hào)和步態(tài)間的映射關(guān)系，是至關(guān)重要的。本文提出采用低通巴特沃斯濾波器對(duì)信號(hào)進(jìn)行提取，并采用短時(shí)傅里葉變換和重采樣的連續(xù)小波變換方法對(duì)信號(hào)進(jìn)行特征提取。提取后的腦電信號(hào)特征經(jīng)過(guò)精細(xì)回歸樹(shù)模型與步態(tài)信號(hào)建立聯(lián)系，實(shí)現(xiàn)了基于腦電信號(hào)的大鼠自由運(yùn)動(dòng)狀態(tài)下的步態(tài)解碼。

2 信號(hào)采集

為采集自由活動(dòng)下大鼠的腦電和步態(tài)信號(hào)，搭建了專(zhuān)用實(shí)驗(yàn)臺(tái)。實(shí)驗(yàn)裝置由小動(dòng)物走步機(jī)、支架、腦電采集裝置、攝像機(jī)、遮光筒等組成，如圖1所示。實(shí)驗(yàn)過(guò)程中，大鼠通過(guò)“馬甲”固定于支架上，上肢懸空不負(fù)重，后肢負(fù)重在走步機(jī)履帶上且可以自由行走。大鼠行走速度取決于走步機(jī)轉(zhuǎn)速與大鼠后肢走路熟練程度。走步機(jī)可以通過(guò)調(diào)節(jié)履帶轉(zhuǎn)速調(diào)整大鼠行走速度。在大鼠行進(jìn)過(guò)程中可通過(guò)此掛臂保持前臂懸空，只依靠后腿行進(jìn)。遮光筒用于遮擋大鼠眼部周?chē)饩€，減少外部環(huán)境干擾，使其行走時(shí)更加專(zhuān)注，同時(shí)降低腦電信號(hào)噪聲干擾。

圖1 實(shí)驗(yàn)臺(tái)布置與信號(hào)采集示意圖

電極植入過(guò)程中，準(zhǔn)確定位嚙齒動(dòng)物模型腦區(qū)皮質(zhì)中后肢功能區(qū)域是重要的，這將決定信號(hào)采集的正確與否。本文采用Frost等人確定的后肢運(yùn)動(dòng)腦區(qū)對(duì)應(yīng)區(qū)域，定位其在前腦后部和顱骨縱向縫合中線的外側(cè)位置，從而確定大鼠大腦皮質(zhì)后肢運(yùn)動(dòng)表現(xiàn)的位置［11］。所有手術(shù)均在2～3%異氟醚富氧全麻下采用無(wú)菌技術(shù)完成。通過(guò)捏腳趾和控制呼吸頻率來(lái)監(jiān)測(cè)麻醉深度。動(dòng)物被放在一個(gè)立體定位的框架上，手術(shù)過(guò)程中保持麻醉狀態(tài)并保證呼吸暢通。手術(shù)的第一步是在頭皮正中切開(kāi)一道切口，從頭皮上撥開(kāi)所有組織暴露出頭骨。然后，確定Bregma點(diǎn)和Lambda點(diǎn)，并標(biāo)記所需的開(kāi)顱位置。然后，在Lambda點(diǎn)的后部放置一枚螺絲釘以連接接地線，并在頭皮上額外安裝6枚螺絲釘以穩(wěn)定頭部的acrylic cement。微絲電極利用直徑在25 μm的商用金屬絲（鉑（70%）銥（30%）合金）制備。在M1的后肢區(qū)植入線間距為5 0 0 μm(1.5×1.5）的微絲陣列，電極為4 4排列，共16通道。在植入過(guò)程中將采集設(shè)備與電極相連，調(diào)整電極插入深度，并持續(xù)觀測(cè)數(shù)據(jù)記錄狀態(tài)，直到信號(hào)信噪比相對(duì)較高時(shí)停止。該陣列的中心被植入在Bregma后方2.6 mm，中線外側(cè)2 mm，硬腦膜表面下約1.5 mm的位置，覆蓋后肢區(qū)的所有區(qū)域。最后用牙科丙烯酸樹(shù)脂封閉暴露的開(kāi)顱口和開(kāi)口區(qū)，并做好術(shù)后護(hù)理。

實(shí)驗(yàn)環(huán)境為一個(gè)相對(duì)黑暗狀態(tài)，大鼠腿部關(guān)鍵關(guān)節(jié)外側(cè)貼有反光球，走步機(jī)兩側(cè)各固定有用于追蹤大鼠步態(tài)的2臺(tái)3D攝像機(jī)。攝像機(jī)鏡頭邊緣附有補(bǔ)光燈，用于加強(qiáng)大鼠腿部關(guān)鍵點(diǎn)的反光效果，增強(qiáng)大鼠和腿部點(diǎn)的對(duì)比度，便于追光定位。步態(tài)信號(hào)通過(guò)Plexon CinePlex(Plexon Inc,Dallas,USA）步態(tài)采集系統(tǒng)進(jìn)行采集，采集頻率為80 Hz。腦電信號(hào)采集系統(tǒng)（Plexon Inc,Dallas,USA）與步態(tài)信號(hào)采集裝置同步工作，信號(hào)通道數(shù)為16個(gè)，采樣頻率為40000 Hz。最終，將采集的步態(tài)數(shù)據(jù)與腦電數(shù)據(jù)存儲(chǔ)于PC中。

3 信號(hào)采集

3.1 腦電信號(hào)預(yù)處理

初步濾波后的大鼠腦電信號(hào)仍包含較多噪聲干擾，這些干擾信號(hào)在采集系統(tǒng)中16通道的腦電信號(hào)中同時(shí)含有，這種干擾項(xiàng)會(huì)降低腦電信號(hào)的信噪比。為減少此類(lèi)噪聲的干擾，可通過(guò)均值降噪對(duì)信號(hào)進(jìn)行消噪處理［12］。

16通道的腦電圖都包含一個(gè)參考信號(hào)，從原始數(shù)據(jù)中減去參考信號(hào)時(shí)，這個(gè)差值可以更清楚地反應(yīng)大腦活動(dòng)的特征。使用信號(hào)幅值平均值作為參考信號(hào)Common Average Referencing(CAR）的方式可有效降低各個(gè)通道間信號(hào)噪聲。該方法一般用在多通道信號(hào)中，利用均值法處理腦電信號(hào)時(shí)，假設(shè)有N個(gè)通道的腦電信號(hào)，利用在某時(shí)刻N(yùn)個(gè)通道的信號(hào)值總和計(jì)算平均值，通過(guò)減法將N個(gè)通道的數(shù)值減去平均值，獲得該通道的實(shí)際數(shù)值，即所需信號(hào)，其原理如公式（1）所示。

式中，N為信號(hào)通道數(shù)；yn為第n通道的腦電信號(hào)；y為原始腦電信號(hào)；yfiltered為均值濾波后的信號(hào)。本文中，16通道腦電信號(hào)均滿(mǎn)足信號(hào)質(zhì)量要求，對(duì)每個(gè)通道的信號(hào)做均值濾波處理，可獲取16通道的腦電信號(hào)，即n=16。

處理過(guò)程中，每個(gè)通道的信號(hào)均選用巴特沃斯濾波器進(jìn)行濾波，以通道1信號(hào)為例，結(jié)果如圖2所示。橫坐標(biāo)為時(shí)間，縱坐標(biāo)為信號(hào)幅值。由圖中可看出，經(jīng)過(guò)均值濾波預(yù)處理之后，原始信號(hào)中高頻噪聲信號(hào)被消除，低頻信號(hào)得以突出，信號(hào)中的噪聲被進(jìn)一步弱化。

圖2 均值濾波后第一通道信號(hào)

實(shí)驗(yàn)過(guò)程中采集的腦電信號(hào)因采集頻率過(guò)高會(huì)在特征提取時(shí)產(chǎn)生過(guò)擬合。為采集有效的高質(zhì)量信號(hào)特征，需對(duì)濾波降噪后的腦電信號(hào)進(jìn)行平滑處理。本文中，選用Savitzky-Golay濾波器（S-G濾波器）對(duì)均值濾波后的信號(hào)進(jìn)行平滑處理。處理過(guò)程中，采用3001長(zhǎng)度的3階窗函數(shù)S-G濾波器對(duì)信號(hào)進(jìn)行濾波處理，結(jié)果如圖3所示。與未濾波信號(hào)相比，處理過(guò)的信號(hào)保留了足夠的原始信號(hào)的信息量，同時(shí)降低了信號(hào)波動(dòng)和起伏程度，一定程度上提高了信噪比，有利于信號(hào)特征提取。

圖3 第一通道LFP信號(hào)通過(guò)S-G濾波平滑處理后結(jié)果

3.2 步態(tài)信號(hào)預(yù)處理

實(shí)驗(yàn)過(guò)程中，大鼠腿部的標(biāo)記點(diǎn)共有臀、膝、踝和足4個(gè)關(guān)節(jié)點(diǎn)位。步態(tài)信號(hào)通過(guò)信號(hào)采集系統(tǒng)獲取大鼠腿部關(guān)節(jié)點(diǎn)位的三維坐標(biāo)。通過(guò)每個(gè)時(shí)間點(diǎn)獲取的坐標(biāo)點(diǎn)位，每?jī)蓚€(gè)相鄰關(guān)節(jié)點(diǎn)間可構(gòu)成一組向量。兩個(gè)向量之間的夾角可以反映某一關(guān)節(jié)隨時(shí)間變化的角度，本文以膝關(guān)節(jié)為參考點(diǎn)。向量的構(gòu)成方式如公式（2）所示：

式中，uk-h為膝部點(diǎn)位到臀部點(diǎn)位的向量；xk,yk,zk為膝關(guān)節(jié)三維坐標(biāo)值；xh,yh,zh為臀關(guān)節(jié)三維坐標(biāo)值。

基于關(guān)節(jié)點(diǎn)位向量可得出膝部點(diǎn)位到踝部點(diǎn)位、臀部點(diǎn)位的向量組?；谙嗤瑫r(shí)刻的向量組，可計(jì)算出以膝關(guān)節(jié)為頂點(diǎn)的夾角變化值，從而獲得大鼠膝關(guān)節(jié)沿Z方向的速度變化量。通過(guò)計(jì)算可獲得大鼠后肢Z軸準(zhǔn)確位置，結(jié)果如圖4所示。

圖4 大鼠腿部膝關(guān)節(jié)速度隨時(shí)間變化

4 步態(tài)解碼方法

本文基于回歸樹(shù)線性模型進(jìn)行建模，模型如公式（3）所示：

已知訓(xùn)練集D=(x1,y1),(x2,y2)…(xN,yN),其中X為輸入變量，f(x）為輸出變量。給定一組輸入空間劃分為R1,R2,R3…RM的數(shù)據(jù)集，每一個(gè)劃分的空間Rm對(duì)應(yīng)一個(gè)輸出值cm。在對(duì)空間劃分后回歸樹(shù)模型的優(yōu)劣程度可以用平方誤差來(lái)描述，如公式（4）所示：

每組數(shù)據(jù)輸出值的最優(yōu)解可描述為整組數(shù)據(jù)所有點(diǎn)的平均值，如公式（5）所示：

已有空間劃分情況下回歸樹(shù)的最優(yōu)生成可由公式（5）進(jìn)行描述。一般情況下，在空間劃分過(guò)程中可采用以下方法：1）在所有輸入變量中找到第j個(gè)輸入變量xj，和它對(duì)應(yīng)的數(shù)值s作為初始的切分變量和切分點(diǎn)，并通過(guò)此輸入變量將輸入空間劃分成如式（6）和（7）所示的兩個(gè)數(shù)值空間：

基于空間劃分，可以獲得公式（8）的優(yōu)化函數(shù)用于尋找最優(yōu)切分點(diǎn)：

式中，c1,c2分別為初始子數(shù)據(jù)集R1和R2上的輸出值，min為最小值。

在建立回歸樹(shù)模型前將腦電和步態(tài)數(shù)據(jù)分成兩組數(shù)據(jù)集（各為50%），腦電特征作為預(yù)測(cè)數(shù)據(jù)集，步態(tài)數(shù)據(jù)運(yùn)動(dòng)學(xué)特征作為響應(yīng)數(shù)據(jù)集。在建立模型前，訓(xùn)練集數(shù)據(jù)特征采用主成分分析法（Principal Component Analysis,PCA）進(jìn)行處理。主成分分析法是一種常用的數(shù)據(jù)分析方法［13,14］，這種方法的原理是對(duì)數(shù)據(jù)做線性變換，變換結(jié)果是一組各維度線性無(wú)關(guān)的數(shù)據(jù)表示形式，最終可以降低數(shù)據(jù)維度，提高訓(xùn)練成熟度。

5 實(shí)驗(yàn)結(jié)果與討論

本文通過(guò)對(duì)局部場(chǎng)電位信號(hào)進(jìn)行低通濾波處理，選取信噪比最高、特征最明顯的結(jié)果。之后將LFP信號(hào)按照不同頻率劃分為6個(gè)信號(hào)區(qū)間，采用不同的提取方式進(jìn)行信號(hào)特征提取，基于提取的不同信號(hào)特征，利用回歸樹(shù)模型進(jìn)行大鼠步態(tài)解碼預(yù)測(cè)，最終得出預(yù)測(cè)結(jié)果。

首先對(duì)16通道的信號(hào)質(zhì)量進(jìn)行評(píng)估。在信號(hào)采集的16通道中，選擇單個(gè)通道數(shù)據(jù)進(jìn)行檢驗(yàn)。在信號(hào)比較中，從所列出的濾波方法、特征提取方法和不同的步態(tài)特征中選擇一種作為對(duì)所有通道數(shù)據(jù)的處理方法，分別對(duì)每一通道數(shù)據(jù)進(jìn)行解碼處理。

為選取最優(yōu)信號(hào)，引入皮爾遜相關(guān)系數(shù)作為對(duì)于結(jié)果優(yōu)劣的判定條件。相關(guān)系數(shù)是通過(guò)計(jì)算兩組變量的協(xié)方差并歸一到方差平方根上，得到對(duì)于兩組變量相似性判斷的量化分析，定義如（9）式所示：

式中，Cov(X,Y）為變量X和Y的協(xié)方差；Var［X］和Var［Y］分別為變量X和Y的方差。

基于公式（9），對(duì)16通道單通道進(jìn)行相關(guān)性計(jì)算，結(jié)果如表1所示，16個(gè)通道與步態(tài)信號(hào)均有在0.2-0.4之間的相關(guān)系數(shù)，體現(xiàn)出一定的正相關(guān)性。

表1 信號(hào)解碼膝關(guān)節(jié)位置坐標(biāo)的皮爾遜相關(guān)系數(shù)

選取相關(guān)系數(shù)最高（效果最優(yōu)）的第四通道信號(hào)，基于不同的頻率區(qū)間將LFP信號(hào)進(jìn)行劃分，對(duì)每一段信號(hào)分別進(jìn)行均值處理和S-G降噪，然后通過(guò)小波變換對(duì)信號(hào)進(jìn)行進(jìn)一步的特征提取，通過(guò)回歸樹(shù)方法探究腦電信號(hào)和大鼠步態(tài)之間的映射關(guān)系。

如表2所示，為腦電信號(hào)不同信號(hào)區(qū)間段與大鼠步態(tài)信息相關(guān)度，從表中可得腦電信號(hào)低頻區(qū)在解碼效果上有著更好的效果。隨著信號(hào)頻率的增加，基于腦電信號(hào)的步態(tài)解碼效果逐步降低，γ頻段解碼效果最差。

表2 不同LFP信號(hào)區(qū)間段對(duì)大鼠步態(tài)解碼結(jié)果

選擇以300 Hz為截止頻率的低通巴特沃斯濾波器提取局部場(chǎng)電位信號(hào)。利用16通道信號(hào)所定義的均值濾波器進(jìn)行降噪處理，并通過(guò)S-G濾波器平滑處理，分別經(jīng)過(guò)短時(shí)傅里葉變換、小波變換和希爾伯特-黃變換（HHT）三種方法對(duì)信號(hào)進(jìn)行特征提取。1）濾波后的信號(hào)經(jīng)過(guò)窗長(zhǎng)度為2000，窗交疊長(zhǎng)度為1000的窗函數(shù)并結(jié)合窗內(nèi)傅里葉變換提取出短時(shí)傅里葉變換后的信號(hào)特征，將每個(gè)通道的501×7231個(gè)特征轉(zhuǎn)換為分貝值。將該分貝值作為信號(hào)特征進(jìn)行擬合和解碼；2）對(duì)同一信號(hào)采用小波變換提取特征，從基于廣義“Morse”小波進(jìn)行分解后的信號(hào)中提取出189×3616408維度的特征；3）利用希爾伯特-黃變換進(jìn)行特征提取，單通道信號(hào)被分解成10個(gè)本征模函數(shù)，通過(guò)10個(gè)本征模函數(shù)對(duì)原始信號(hào)進(jìn)行分解，生成101×3616408維度的信號(hào)特征。

解碼過(guò)程中，利用建立的精細(xì)回歸樹(shù)模型為基礎(chǔ)，通過(guò)50%數(shù)據(jù)的訓(xùn)練集搭建映射模型。為建立訓(xùn)練集與步態(tài)數(shù)據(jù)的一一對(duì)應(yīng)關(guān)系，需統(tǒng)一數(shù)據(jù)維度。短時(shí)傅里葉變換提供的特征維度與步態(tài)數(shù)據(jù)一致，可直接進(jìn)行模型訓(xùn)練。小波變換提取的信號(hào)特征與步態(tài)數(shù)據(jù)不一致，分別采用1）插值法對(duì)步態(tài)數(shù)據(jù)進(jìn)行補(bǔ)足的方式和2）腦電信號(hào)重采樣降低腦電信號(hào)維度的方式，使步態(tài)信號(hào)與腦電信號(hào)維度一致；由于小波變換中重采樣的方式可以提高測(cè)試集相關(guān)度，希爾波特-黃變換僅利用重采樣的處理方式降低腦電信號(hào)采樣頻率，使之與步態(tài)信號(hào)維度相同。表3所示為三種不同濾波方式在大鼠LFP信號(hào)對(duì)步態(tài)特征解碼中的效果。

表3 三種LFP信號(hào)特征提取方式解碼效果對(duì)比

通過(guò)對(duì)比各種信號(hào)特征提取方式，基于腦電信號(hào)重采樣的小波變換方法提取的腦電信號(hào)特征，通過(guò)精細(xì)回歸樹(shù)模型訓(xùn)練之后，在測(cè)試集中得到最好的結(jié)果，如圖5所示。預(yù)測(cè)所得結(jié)果和真實(shí)信號(hào)之間有著較高相關(guān)度，呈現(xiàn)正相關(guān)關(guān)系。但在信號(hào)幅值維度仍有一定差異，其主要原因?yàn)椋盒〔ㄗ儞Q作為一種精度較高的特征提取方式，在模型訓(xùn)練過(guò)程中容易產(chǎn)生過(guò)擬合現(xiàn)象，導(dǎo)致訓(xùn)練結(jié)果在趨勢(shì)上一致，在幅值上與步態(tài)信號(hào)產(chǎn)生差異。

圖5 LFP信號(hào)經(jīng)CWT特征提取解碼訓(xùn)練集結(jié)果

6 結(jié)論

為建立大鼠腦電信號(hào)和步態(tài)信號(hào)之間映射關(guān)系，解碼預(yù)測(cè)大鼠步態(tài)，提出了基于局部場(chǎng)電位信號(hào)的特征提取和步態(tài)解碼方法。在解碼方法探索過(guò)程中，發(fā)現(xiàn)采用300 Hz為截止頻率的低通巴特沃斯濾波器對(duì)局部場(chǎng)電位信號(hào)進(jìn)行提取，并應(yīng)用短時(shí)傅里葉變換和重采樣的小波變換方法對(duì)信號(hào)進(jìn)行特征提取的方式效果較好，測(cè)試集信號(hào)解碼相關(guān)度可達(dá)0.5081。提取后的腦電信號(hào)特征經(jīng)過(guò)精細(xì)回歸樹(shù)方法可以更好的與步態(tài)信號(hào)建立聯(lián)系。同時(shí)，探討了大鼠局部場(chǎng)電位信號(hào)與步態(tài)特征相關(guān)度的問(wèn)題，發(fā)現(xiàn)頻率越低的信號(hào)（δ）對(duì)步態(tài)信號(hào)的解碼預(yù)測(cè)效果越優(yōu)，頻率越高的信號(hào)（high γ）對(duì)步態(tài)信號(hào)解碼預(yù)測(cè)效果越差。在接下來(lái)的研究中，更應(yīng)該關(guān)注低頻信號(hào)的采集和處理，這會(huì)給基于腦電信號(hào)為輸入的控制方法帶來(lái)幫助，促進(jìn)腦-機(jī)接口技術(shù)的工程應(yīng)用。