叢艷平，曹林林，趙 靖，王欣蕊

(1.廣州航海學(xué)院 信息與通信工程學(xué)院，廣東 廣州 510725；2.北京聯(lián)合大學(xué) 城市軌道交通與物流學(xué)院，北京 100101；3.燕山大學(xué) 電氣工程學(xué)院，河北 秦皇島 066004)

0 引言

腦機(jī)接口是一種在人腦和機(jī)器之間建立起來的直接的信息傳輸通路[1-3]。現(xiàn)有研究大都采用腦電圖技術(shù)對(duì)大腦活動(dòng)進(jìn)行測量，腦電圖技術(shù)具有非侵入、佩戴方便、時(shí)間分辨率高的優(yōu)點(diǎn)，因此被廣泛應(yīng)用于對(duì)智能輪椅、四旋翼飛行器、仿人機(jī)器人等機(jī)器人設(shè)備的腦機(jī)接口控制應(yīng)用，可以幫助因患有帕金森綜合癥、腦干中風(fēng)、脊髓損傷等嚴(yán)重神經(jīng)肌肉疾病而失去了行動(dòng)能力的運(yùn)動(dòng)障礙病人，使他們恢復(fù)一定程度的行動(dòng)能力和生活自理能力[4-6]。

腦機(jī)接口根據(jù)控制方式可以分為同步腦機(jī)接口和異步腦機(jī)接口兩種[7]。在同步腦機(jī)接口中，受試者需要根據(jù)系統(tǒng)提示，在規(guī)定的時(shí)間段內(nèi)進(jìn)行特定的認(rèn)知活動(dòng)，系統(tǒng)對(duì)這段時(shí)間采集到的腦電信號(hào)進(jìn)行分類，從而輸出對(duì)機(jī)器人的控制指令。而在異步腦機(jī)接口中，受試者則可以按照自己的意愿在任意時(shí)刻開始和停止特定認(rèn)知活動(dòng)，系統(tǒng)對(duì)采集的腦電信號(hào)進(jìn)行實(shí)時(shí)處理，在線識(shí)別受試者的控制狀態(tài)和非控制狀態(tài)，是一種更為靈活自然的控制方式。在異步腦機(jī)接口中，腦電信號(hào)模式是產(chǎn)生穩(wěn)定可靠、可區(qū)分、可重復(fù)的腦電信號(hào)特征的關(guān)鍵，目前常用的腦電信號(hào)模式有穩(wěn)態(tài)視覺誘發(fā)電位(steady-state visual evoked potential, SSVEP)、運(yùn)動(dòng)想象(motor imagery, MI)、事件相關(guān)電位(event-related potential, ERP)、慢皮層電位等[8-10]。Choi等混合了SSVEP、MI和ERP三種腦電模式，被試通過SSVEP指令和MI指令驅(qū)動(dòng)仿人機(jī)器人探索未知環(huán)境，通過ERP指令控制仿人機(jī)器人抓取物體[8]；Savic等則先使用SSVEP指令來選擇機(jī)械手的抓取模式，然后通過MI指令執(zhí)行該模式下的抓取動(dòng)作[9]；Han等提出一種最大化信噪比和最大化鎖相值的方法，用于異步解碼SSVEP信號(hào)并控制移動(dòng)機(jī)器人[10]。但是由于非控制狀態(tài)下被試可以進(jìn)行除控制任務(wù)外的任意活動(dòng)，因此如何準(zhǔn)確識(shí)別受試者的非控制狀態(tài)，仍然是制約現(xiàn)有研究走向?qū)嵱没囊粋€(gè)關(guān)鍵難題[11-12]。

現(xiàn)有研究表明，受試者在控制狀態(tài)和非控制狀態(tài)下的注意力水平存在顯著差異，通過實(shí)時(shí)解析腦電信號(hào)來估計(jì)受試者的注意力水平，是實(shí)現(xiàn)控制狀態(tài)和非控制狀態(tài)高效識(shí)別的一種有效途徑[13-14]。為分類專注和放松這兩種注意力狀態(tài)，Chen等提取了δ和β節(jié)律成分，提出采用兩者能量的比值作為評(píng)價(jià)注意力水平的特征指標(biāo)[15]；Liu等提出了一種α+β+δ+θ+R方法，通過融合多個(gè)頻帶的節(jié)律特征，來檢測注意力狀態(tài)[16]；Wu等通過分析腦電信號(hào)中的非線性特征，提出一種優(yōu)化的復(fù)雜網(wǎng)絡(luò)(optimized complex network，OCN)方法并取得了更高的分類精度[17]；Zhang等則對(duì)OCN算法進(jìn)行了改進(jìn)，通過優(yōu)選個(gè)性化頻帶來提升分類性能[13]。盡管這些研究在注意力狀態(tài)的實(shí)時(shí)分類中取得了一定的效果，但是上述方法大都只考慮了FPz位置的單通道腦電數(shù)據(jù)，如何有效融合多通道腦電數(shù)據(jù)中的互補(bǔ)性信息，建立具有更高精度的多通道注意力檢測方法，是本論文研究的主要內(nèi)容。

本文提出了一種基于共空間模式濾波(common spatial pattern，CSP)和改進(jìn)復(fù)雜網(wǎng)絡(luò)的多通道注意力檢測方法，對(duì)于實(shí)時(shí)采集到的多通道腦電數(shù)據(jù)，通過共空間模式濾波算法進(jìn)行空間降維，構(gòu)建優(yōu)化參數(shù)的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)并提取圖論特征，用于分類專注和放松狀態(tài)下的腦電信號(hào)。

1 專注和放松狀態(tài)的腦電數(shù)據(jù)采集

本文采集了16名受試者的腦電數(shù)據(jù)進(jìn)行分析，所有受試者都是視力正?；蛘叱C正后視力正常，在試驗(yàn)開始前已經(jīng)充分了解了試驗(yàn)的原理、流程和注意事項(xiàng)，并自愿簽署了知情同意書。試驗(yàn)中受試者坐在舒適的扶手椅上，先后進(jìn)行專注和放松兩個(gè)階段的試驗(yàn)任務(wù)。在專注試驗(yàn)中，受試者需要在平板電腦上進(jìn)行《別踩白塊兒》游戲，在此期間受試者往往會(huì)保持注意力的高度集中，以在游戲中贏得更高的分?jǐn)?shù)，因此可以認(rèn)為這段時(shí)間記錄的腦電數(shù)據(jù)為專注狀態(tài)數(shù)據(jù)；在放松試驗(yàn)中，受試者需要坐在舒適的扶手椅中看著白色墻壁，不進(jìn)行任何其他操作，此任務(wù)中記錄的腦電數(shù)據(jù)為放松狀態(tài)數(shù)據(jù)。

腦電信號(hào)的采集使用美國Brain Product公司生產(chǎn)的64通道actiCHamp腦電信號(hào)采集系統(tǒng)，采樣率設(shè)定為5 kHz，對(duì)每名受試者分別記錄135 s以上的專注狀態(tài)數(shù)據(jù)和放松狀態(tài)數(shù)據(jù)，從中提取出90個(gè)數(shù)據(jù)試次用于后續(xù)的處理和分類。通道位置按照國際標(biāo)準(zhǔn)10-20系統(tǒng)放置，參考電極和地電極分別放置在Fz和FPz通道處。已有研究表明，人腦的注意機(jī)制與額葉腦區(qū)有關(guān)，因此為了檢測腦電信號(hào)中的注意力狀態(tài)，本論文只使用了前額位置的Fp1、Fp2、AFz、AF3、AF4、AF7、AF8、F1、F2、F3、F4、F5、F6、F7、F8共15個(gè)腦電通道[17]。通道的分布如圖1所示，圓圈圈出的是本論文中所選用的15個(gè)通道，其中實(shí)心圓圈標(biāo)出的7個(gè)通道更靠近前額位置，記為通道組1，所有圓圈圈出的15個(gè)通道記為通道組2，在后續(xù)分析中對(duì)這兩組電極位置的分類效果進(jìn)行了對(duì)比。

圖1 本文方法所采用的通道分布Fig.1 Electrode distribution selected for the proposed method

2 基于CSP和OCN的注意力檢測方法

為分類專注和放松兩種注意力狀態(tài)下的腦電數(shù)據(jù)，本文提出了一種基于CSP和OCN的注意力檢測方法，包括預(yù)處理、CSP空間濾波、OCN特征提取和模式分類4個(gè)步驟。

2.1 預(yù)處理

預(yù)處理階段需要對(duì)每個(gè)試次的腦電數(shù)據(jù)分別進(jìn)行濾波和降采樣處理，以降低噪聲干擾和提高計(jì)算效率。本論文首先對(duì)將采集到的腦電數(shù)據(jù)進(jìn)行0.5～60 Hz帶通濾波，濾波器選用切比雪夫I型濾波器，采用filtfilt函數(shù)實(shí)現(xiàn)，通帶波紋和阻帶波紋分別設(shè)置為3 dB和40 dB。然后采用50 Hz陷波濾波器去除其中的工頻噪聲成分，最后將濾波后的數(shù)據(jù)由5 kHz降采樣到500 Hz。

2.2 CSP空間濾波

CSP是腦機(jī)接口研究中常用的一種空間濾波方法，在對(duì)運(yùn)動(dòng)想象腦電信號(hào)的分類處理中取得了良好的效果，本文將這一算法應(yīng)用于解析腦電信號(hào)中的注意力相關(guān)特征[17]。假設(shè)X∈RNc×Ns為預(yù)處理后的前額腦區(qū)多通道腦電數(shù)據(jù)，CSP算法主要通過計(jì)算最優(yōu)的空間濾波器系數(shù)W，使得空間濾波后的子成分X在專注和放松兩類狀態(tài)下具有最大化的方差值差異[18]。式中Nc為通道數(shù)量，Ns為數(shù)據(jù)點(diǎn)數(shù)，W通過求解以下的特征值分解問題來計(jì)算[15]

C(1)·W=C(1)+C(2)·W·D

(1)

其中，C(1)和C(2)分別表示專注和放松狀態(tài)下的混合空間協(xié)方差矩陣，D為C(1)特征值所構(gòu)成的對(duì)角陣。

計(jì)算之后得到Nc×Nc維度的空間濾波器W，其中每行表示一組空間濾波系數(shù)。本論文選取了第一行的系數(shù)W(1)來對(duì)多通道腦電數(shù)據(jù)X進(jìn)行空間濾波，得到1×Ns維的濾波后成分z用于后續(xù)的處理：

z=W(1)×X。

(2)

2.3 OCN特征提取

OCN是一種基于復(fù)雜網(wǎng)絡(luò)分析的注意力特征提取方法，通過將一維腦電數(shù)據(jù)轉(zhuǎn)化為相空間下的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，并提取所建網(wǎng)絡(luò)的圖論指標(biāo)來分類專注和放松兩種狀態(tài)的腦電數(shù)據(jù)[16]。傳統(tǒng)的OCN算法主要包含建立相空間網(wǎng)絡(luò)、優(yōu)化網(wǎng)絡(luò)參數(shù)、提取OCN特征三個(gè)步驟。

1)建立相空間網(wǎng)絡(luò)。對(duì)于空間濾波后得到的一維腦電數(shù)據(jù)z，基于延時(shí)嵌入法對(duì)其進(jìn)行相空間重構(gòu)，得到相空間下的狀態(tài)向量

(3)

其中，m表示嵌入維數(shù)，τ表示延遲時(shí)間，M=Ns-(m-1)τ表示相空間下狀態(tài)向量的個(gè)數(shù)。

以狀態(tài)向量作為節(jié)點(diǎn)建立相空間網(wǎng)絡(luò)，各節(jié)點(diǎn)之間的連邊由兩個(gè)狀態(tài)向量間的歐式距離計(jì)算得到：

(4)

2) 優(yōu)化網(wǎng)絡(luò)參數(shù)。在相空間網(wǎng)絡(luò)的建立過程中，τ、m和θ三個(gè)參數(shù)會(huì)顯著影響網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，因此對(duì)上述參數(shù)進(jìn)行優(yōu)化選取，能夠有效提升OCN算法的分類性能。本文選用互信息法來選取最優(yōu)的τ參數(shù)，通過信息論來計(jì)算時(shí)延互信息曲線的第一個(gè)局部最小值以確定τ參數(shù)；在確定τ參數(shù)基礎(chǔ)上，采用虛假近鄰法來選取最優(yōu)的m參數(shù)，隨著m的不斷增加，虛假近鄰所占的比例減少到零或不再減少時(shí)對(duì)應(yīng)的重構(gòu)相空間已經(jīng)充分展開，選擇滿足上述條件的最小的m作為嵌入維數(shù)的估計(jì)值；最后通過交叉驗(yàn)證方法來搜索準(zhǔn)確率最高的θ參數(shù)，從權(quán)重最小值到權(quán)重均值以一定的步長向上搜索作為閾值，采用局部最優(yōu)分類結(jié)果對(duì)應(yīng)的權(quán)重閾值作為復(fù)雜網(wǎng)絡(luò)稀疏化的絕對(duì)閾值標(biāo)準(zhǔn)[13,16]。

3) 提取OCN特征。對(duì)于優(yōu)化后的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，提取其平均度K和平均聚類系數(shù)C這兩個(gè)圖論參數(shù)作為最終分類的特征。其中K是網(wǎng)絡(luò)中與節(jié)點(diǎn)連邊數(shù)的平均值，反映了網(wǎng)絡(luò)整體的稀疏程度；C是所有網(wǎng)絡(luò)節(jié)點(diǎn)的聚類系數(shù)的平均值，反映了網(wǎng)絡(luò)節(jié)點(diǎn)之間的全局聚合程度。兩個(gè)參數(shù)的計(jì)算公式為

(5)

(6)

其中，ki是第i個(gè)節(jié)點(diǎn)的度，N是網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)量，j和h為第i個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，wij為第i個(gè)和第j個(gè)節(jié)點(diǎn)和的連接權(quán)重。

2.4 模式分類

在腦機(jī)接口研究中，隨機(jī)森林分類器、支持向量機(jī)、線性Fisher分類器都被用于腦電信號(hào)的模式分類，并取得了不錯(cuò)的效果。本文為了分類專注和放松狀態(tài)下的腦電信號(hào)特征，采用了隨機(jī)森林分類器進(jìn)行分類[17]。

2.5 驗(yàn)證流程

為了評(píng)價(jià)基于CSP和OCN的注意力檢測方法的分類性能，本文采用專注試驗(yàn)和放松試驗(yàn)中記錄的前額區(qū)域的多通道腦電數(shù)據(jù)，對(duì)所提算法進(jìn)行9折交叉驗(yàn)證，如圖2所示。在訓(xùn)練過程中，對(duì)專注狀態(tài)和放松狀態(tài)的訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理后，首先計(jì)算能夠最大化兩類數(shù)據(jù)方差值差異的CSP空間濾波系數(shù)(如2.2節(jié)所示)，使用該系數(shù)對(duì)兩類數(shù)據(jù)分別進(jìn)行空間濾波后，采用濾波后的數(shù)據(jù)計(jì)算和優(yōu)化OCN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(如2.3節(jié)所示)，提取OCN特征用于訓(xùn)練分類器(如2.4節(jié)所示)。在測試過程中，所提方法選用訓(xùn)練階段得到的參數(shù)，對(duì)測試數(shù)據(jù)進(jìn)行特征提取和分類，計(jì)算分類的平均準(zhǔn)確率作為最終的評(píng)價(jià)指標(biāo)[19]。

圖2 本文所提方法的交叉驗(yàn)證流程Fig.2 Cross validation procedure for evaluating the proposed method

3 結(jié)果和討論

為了驗(yàn)證所提方法的有效性，本文選取了OCN方法[13]和α+β+δ+θ+R方法[15]作為比較，分別采用0.5 s和1 s兩種數(shù)據(jù)長度的腦電數(shù)據(jù)開展交叉驗(yàn)證。其中，本文方法選用通道組2的數(shù)據(jù)進(jìn)行處理。圖3顯示了三種算法對(duì)不同長度數(shù)據(jù)進(jìn)行分類的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，在兩種數(shù)據(jù)長度下，本文方法都取得了最高的平均準(zhǔn)確率。在0.5 s數(shù)據(jù)長度下，本文方法取得了99.49%±0.89%的準(zhǔn)確率，遠(yuǎn)高于OCN方法(82.81%±4.51%)和α+β+δ+θ+R方法(87.46%±4.12%)。采用t檢驗(yàn)進(jìn)行顯著性分析的結(jié)果表明，0.5 s長度下本文方法的準(zhǔn)確率與其他兩種方法間都存在顯著性差異(p<0.001)。在1 s數(shù)據(jù)長度下，本文方法取得了99.57%±0.96%的準(zhǔn)確率，高于OCN方法(86.8%±4.86%)和α+β+δ+θ+R方法(99.42%±0.62%)。t檢驗(yàn)的結(jié)果表明，1 s長度下本文方法的準(zhǔn)確率顯著高于OCN方法(p<0.001)，但是與α+β+δ+θ+R方法相比，由于兩種算法準(zhǔn)確率都已經(jīng)很高了，兩者間并不存在顯著性差異(p=0.538)。

圖3 三種方法在0.5 s和1 s數(shù)據(jù)長度下的分類準(zhǔn)確率Fig.3 Classification accuracies of the three methods with data length of 0.5 s and 1 s

表1給出了0.5 s數(shù)據(jù)長度下三種算法在16名受試者的數(shù)據(jù)上取得的準(zhǔn)確率結(jié)果。其中，本文方法分別采用通道組1和通道組2兩種通道組合進(jìn)行評(píng)價(jià)，實(shí)驗(yàn)結(jié)果表明，相比于包含有7個(gè)前額區(qū)域通道的通道組1(97.31%)，包含15個(gè)通道的通道組2取得了更高的平均準(zhǔn)確率(99.49%)。在三種對(duì)比算法中，本文方法不論選用通道組1還是通道組2，在所有受試者的數(shù)據(jù)上都取得了顯著更高的準(zhǔn)確率；相比于OCN方法(82.81%)和α+β+δ+θ+R方法(87.46%)，選用通道組2的本文方法分別將其平均準(zhǔn)確率提升了20.1%和13.8%，并且在11名受試者的數(shù)據(jù)上都取得了100%的分類準(zhǔn)確率。

表1 不同方法在0.5 s數(shù)據(jù)長度下的分類準(zhǔn)確率Tab.1 Classification accuracies of different methods with data length of 0.5 s%

4 結(jié)論

本文提出了一種基于共空間模式濾波和改進(jìn)復(fù)雜網(wǎng)絡(luò)的多通道注意力檢測方法，使用16名受試者的數(shù)據(jù)進(jìn)行交叉驗(yàn)證結(jié)果顯示，本文方法在數(shù)據(jù)長度為0.5 s和1 s時(shí)都取得更高的分類準(zhǔn)確率。尤其是在0.5 s數(shù)據(jù)長度時(shí)，本文所提方法取得了99.49%的平均準(zhǔn)確率，遠(yuǎn)高于現(xiàn)有的OCN方法(82.81%)和α+β+δ+θ+R方法(87.46%)，這些試驗(yàn)結(jié)果驗(yàn)證了本文所提方法的有效性。