【正文】 ? 顯示器：三星 SyncMaster 710NZ ， 17 寸 LCD ? 顯卡：七彩虹 NVIDIA GeForce 6200 128M ? 硬盤： 200G SATA 第三臺運行 EEG 信號分析軟件，配置稍低 ： ? CPU： Intel Pentium ? 內(nèi)存： 1GB DDR ? 顯示器：優(yōu)派 ViewSonic 15 寸 腦電波采集設(shè)備： Stim2 介紹 Stim2 是一個產(chǎn)生刺激系統(tǒng)， 通過它我們可以產(chǎn)生視覺、聽覺等其他方面的刺激。 由上面的證明，很容易產(chǎn)生一種誤解，例如，對于第一種方法， 某樣本不屬于 A 類 就一定表示該樣本就 屬于 B 類。 若 Out=0，則必有一個 max 模塊的輸出是 0?！璉n n)， 其中 In1。 方法一： 圖 5 統(tǒng)合方式一 用來連接各個模塊的集成單元是： Min 單元和 Max 單元。 一個大的 2 類問題經(jīng)過分解可以轉(zhuǎn)化成多個小的 2 類問題。其他類似。其它的 M 模塊以此類推。所謂最優(yōu)超平面是指距離超平面最近的點跟超平面的距離達到最大。 SVM介紹 支持向量機 （ Support Vector Machine） 是一種基于結(jié)構(gòu)風險最小化原則 (Structure Risk Minimization)的通用學習算法， 它的基本思想是在樣本輸入空間或特征空間構(gòu)造出一個最優(yōu)超平面，使得超平面到兩類樣本集之間的距離達到最大，從而取得最好的泛化能力。o 的系統(tǒng)中，對用戶的三種心理作業(yè)進行區(qū)分，當分類器無法明確區(qū)分用戶當前的狀態(tài)時，用不知道來回答，從而不做任何操作，直到明確的判斷出用戶的意圖為止，在他們的 ABI 系統(tǒng)中，系統(tǒng)的正確率為 70%以上，錯誤率低于 5%，其他的就都屬于不知道的范圍 [13]。 在 Eleanor Curran 等人實驗中使用 AR 的方法進行特征提取，并采用邏輯 小 回歸的方法進行分類 [11]。實驗結(jié)果表明，用小波時頻濾波器結(jié)合少量（ 9~20）次累加平均 ,可提高信噪比 ,提取出視覺誘發(fā)電位信號，視覺誘發(fā)電位的正確識別率在 70 %～ 100 %之間 ,當屏幕上目標個數(shù)為 12 時 ,通訊率可達 30bit/ min[10]。 %。采用擴展 Infomax算法對一混有心電 ( ECG) 偽跡、眼電 ( EOG) 偽跡的腦電信號進行分離。 為了提高降噪處理的精度，很多新的降噪處理方法被提出。另外一個或多個電極與參考電極的電位差即 是 該電極的電位值。 Fpz 之前和 Oz 之后各占中線全長 10%，其余點間距皆占 20%。這種方法相對于介入式 EEG 信號采集方法而言更簡單更安全，實驗時間也大大縮短。其一般結(jié)構(gòu)如下圖： 圖 1 BCI 系統(tǒng)一般結(jié)構(gòu) 以下各 部分分別詳細介紹各部分內(nèi)容。本次會議主要目的是： ? 回顧并評論腦 — 計算機接口研究的現(xiàn)狀； ? 定義基礎(chǔ)的且可應用的腦 — 計算機接口的研究目標； ? 確定并提出腦 — 計算機接口研究中的關(guān)鍵技術(shù)問題； ? 考慮腦 — 計算機接口的標準研究過程和評估方法的發(fā)展。通過腦 計算機接口，病人可以進行 3D的鼠標控制，可以進行單詞拼寫。這種新的系 統(tǒng)就被稱作腦 — 計算機接口（ BrainComputer Interface, BCI）。 大量的研究試驗表明，當人們準備進行某種行為的時候，人腦中的神經(jīng)元會產(chǎn)生相應的電生理信號，正是這些腦電生理信號通過神經(jīng)系統(tǒng)控制肌肉來完成人的意圖。 關(guān)鍵詞： 腦 計算機接口 ， 腦電波， Treble M, 支持向量機，特征提取 ，分類 基于腦電信號的腦機接口 第 ii 頁 共 29 頁 A BCI System Based On EEG ABSTRACT As the development of scientific technology, the understanding of human brains and the PC technology, a new studying area—BrainComputer Interface has been developing quickly during the recent twenty years. It has been discovered that some electricity signals will appear in the brain when one person wants to do something. These signals stand for his or her meaning and control the muscles to implement the person39。 基于腦電信號的腦機接口 基于腦電信號的腦機接口系統(tǒng) 班 級： F0103304 學生姓名： 于洪 指導教師： 呂寶糧 基于腦電信號的腦機接口 第 i 頁 共 29 頁 基于腦電信號的腦機接口系統(tǒng) 摘要 隨著科學技術(shù)的不斷進步、人們對大腦功能認識的不斷深入以及高性能 PC 的問世等，近 20年以來一個新的研究領(lǐng)域 —— “腦 — 計算機接口”正在蓬勃發(fā)展。s goals. Therefore, researchers are trying to develop a system which can directly read one39。研究結(jié)果還進一步表明，用來產(chǎn)生單個事件（某個具體的動作）的腦信號，很可能是相同腦區(qū)域不同地方的神經(jīng)元共同作用的結(jié)果，并且存在相當程度的冗余，這樣即便腦中的部分區(qū)域受損，但腦的功能并不會缺失。 更進一步， 假設(shè)我們有一種方法可以測試出并且分辨開若干種不同的思維狀態(tài)，我們就可以把這些思維狀態(tài)作為字母，在此之上建立一個更為復雜的語言，這種語言便可用來人與計算機甚至人與人之間的交流。最近，美國的一家醫(yī)療科研機構(gòu)已獲批準在病人腦皮層上植入微 型 芯片，從而病人通過腦電的改變就可以控制生活中的一些常用的設(shè)備了。 本次會議的成功舉辦，成功的推動了腦 — 計算機接口研究的交流和發(fā)展。 基于腦電信號的腦機接口 第 4 頁 共 29 頁 EEG 信號的獲取 EEG 信號獲取的主要的功能是采集和存儲腦電信號，并 將其轉(zhuǎn)換成數(shù)字信號作為后續(xù)處理的輸入。因而現(xiàn)在很多腦 — 計算機接口的研究都是基于頭皮表面的腦電信號進行的。 冠狀線：兩外耳道之間的連線。這些電極叫做記錄電 極。 Benjamin J. Culpepper 和 Robert M. Kelle 在訓練分類不同的心理作業(yè)時，使用 ICA 的方法將干擾信號從腦電信號中分離，通過訓練好的多層神經(jīng)網(wǎng)絡(luò)模型對 12 個通道的腦電信號進行分類。雖每次經(jīng)過 ICA 分析后所得到的獨立分量的次序是不定的 , 但相同的心理作業(yè)所得獨立分量在頭皮電極上的能量分布情況是非常相似的。但他們 設(shè)計了一種基于 AR 模型的 ARX 模型用來對原始信號進行 特征提取 ，這種模型把全體平均的 Bereitschaftspotential（一種在動作開始 之前產(chǎn)生的事件相關(guān)電位）作為AR 模型的一個外因輸入，從而對 AR 模型進行改進，將系統(tǒng)的分類性能提升到了 %177。 我們的試驗中準備使用小波變換作為特征提取的方法。 有時 輸入的腦信號并不能 唯 一的確定一個輸出，因為此時用戶也沒有決定唯一的輸出是什么，如果嚴格的制定一種輸入，將導致錯誤的控制，此時最合理的方法就是以概率的方式賦予每一個備選的輸出一個可能的概率。 有于每個用戶的反應能力，記憶能力，以及操作能力不同，甚至一個用戶由于心理狀態(tài)等因素的改變在進行同樣的心理作業(yè)的時候，產(chǎn)生的腦行為也會有所改變，而 且人腦本身也是一個高度自適應的控制器，因此腦 — 計算機接口應具有一定的適應能力。不同于神經(jīng)網(wǎng)絡(luò)，支持向量機的解是全局最優(yōu)的，而且支持向量機不需要人工設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)。如圖 3 所示， h*就是最優(yōu)超平面。 粗 線箭頭表示傳遞原值的非：若是尾端值 為 0，則首端傳遞的值為 1；反之，則傳遞 0。 Treble M方法簡介 通過上面的變換，我們得到了 6 個兩類問題，但若是直接 解決這些 2 類問題，我們 可能會遇到一些困難。 例如： 一個 2 類問 題， 0 類訓練樣本 共 有 1000 個， 1類訓練樣本有 200 個。 Min 單元的作用是從多個輸入中找出最小值并輸出，其傳遞函數(shù)為： Out = min(In1。 In2。不妨 假 設(shè)第 i 個 max 模塊輸出是 0，即 AiB0，AiB1 取值都為 0，這表示該樣本在 Ai 的控制范圍內(nèi)；同時， 該樣本不在 B 的子類的控制范圍內(nèi)，即不在 B 的控制范圍內(nèi)。 其實不然。該系統(tǒng)分為以下幾個部分： ? Motor：包含 Tap 和 Track 任務。 基于腦電信號的腦機接口 第 14 頁 共 29 頁 當我們使用 Stim 專用硬件時，可以達到的精度如下： ? 聲音： ? 噪音 106dB SNR ? 精度 24 bits ? 速率 192 kHz ? SPL 0120dB ， .75dB 獨立通道控制 ? 圖像： ? 至少 256Mb RAM ? 雙顯示器支持 ? 達到系統(tǒng)所支持的刷新率 ?至少分辨率 1024*768 ? 內(nèi)置硬件加速， Microsoft DirectX 支持 ? 觸摸板： ? 鍵盤，鼠標以及 4button response pad 都是 1ms 精度。如上圖所示，點擊右邊的按鈕，可將腦電波 EEG 信號保存。 // Body size (in bytes) } PacketHeader。 基于腦電信號的腦機接口 第 17 頁 共 29 頁 7. 發(fā)送斷開連接數(shù)據(jù)包。 而運行 Stim2 的電腦 2 此時將圖片顯示給被測試者看，同時此電腦將當前圖片信息傳送給電腦 3， 電腦 3 也同時在收集電腦 1 傳送過來的 EEG 信號，電腦 3 根據(jù)這兩個信息訓練 SVM 分類器，此時電腦系統(tǒng)運行模式如下圖： Signal acquiring Classification Solution Signal process Feature extraction 基于腦電信號的腦機接口 第 18 頁 共 29 頁 圖 12 訓練階段模型 在預測階段， 腦電波 EEG信號采集后通過放大器傳送給運行 Scan的電腦 1，而運行 Stim2的電腦 2 此時將圖片顯示給被測試者看， 與上面不同的是此時該 電腦 不 將當前圖片信息傳送給電腦 3，電腦 3 僅僅 在收集 電腦 1 傳送過來的 EEG 信號， 并 根據(jù) EEG 信號判斷此時被測試者所觀察的圖片是哪一幅圖片，此時電腦系統(tǒng)運行模式如下圖： 圖 13 預測階段模型 基于腦電信號的腦機接口 第 19 頁 共 29 頁 腦電信號數(shù)據(jù)獲取 在本試驗中，被測試為一名上海交通大學計算機系在校學生，資料如下： ? 性別：男 ? 年齡： 21 ? 健康狀況：良好 試驗時，被測試者坐在一間安靜的房間內(nèi)，一直注視著電腦屏幕，不受到任何外力的打擾。 腦電信號的處理和分類 腦電信號的處理和分類均在 Matlab 上實現(xiàn)。wname39。 RbfSVC 函數(shù)是用來訓練樣本集。 由上表可以看出， 對兩種分類器而言，參數(shù)調(diào)整對分類準確率會產(chǎn)生很大的影響，因而我決定對每路腦電信號分類器采用不同的參數(shù)，分別進行分類。 這幾路信號分別對應著以下幾路信號： Fp1, Fp2, T4, A1, T5, P3, Oz。 基于腦電信號的腦機接口 第 25 頁 共 29 頁 4. BCI 系統(tǒng)的發(fā)展前景 目前，基于 EEG 的 BCI 研究才剛剛起步， 目前的腦 — 計算機接口的研究主要用于康復工程，為那些肌肉活動有障礙的人提供一種新的通訊和控制途徑。廣義上來說，生物反饋就是用監(jiān)控儀器檢測并放大人體內(nèi)部的生理過程，使這種本身對人來說不可得的信息變?yōu)榭傻?，并以某種形式返回給個人，以進行生理活動的調(diào)節(jié)。 當前在世界范圍內(nèi) ， BCI 已經(jīng)越來越受到工程研究專家、心理學家、 計算機學家、 康復醫(yī)