【正文】 目前比較流行的是低頻異步轉(zhuǎn) 換設(shè)計(jì)方法（ LFASD） [17]。最 后，我們還改進(jìn)試驗(yàn)方法，選出分類效果較高的 7 路數(shù)據(jù)， 投票決定最后結(jié)果。 試驗(yàn)分析 首先我們采用 Rfc 分類器， 64 組數(shù)據(jù)， 訓(xùn)練時(shí) 我們使用其中 50 組，其余 14 組預(yù)測(cè)，由于訓(xùn)練樣本較少，所以我們訓(xùn)練時(shí)采用留一訓(xùn)練法，即每次采用 50 組數(shù)據(jù)中的 49 組訓(xùn)練另外一組預(yù)測(cè)，這樣共重復(fù) 50 次，同時(shí)不斷調(diào)整 Rfc 分類器的參數(shù)，以達(dá)到最高的預(yù)測(cè)準(zhǔn)確率。我們將在下面的分析中選出幾路效果較好的腦電信號(hào)作為我們系統(tǒng)的輸入。 因而對(duì)于我們的系統(tǒng)來(lái)說(shuō)，其主要重點(diǎn)是檢測(cè)、分析、判斷 EEG 信號(hào)，其主要的流程如 下 圖： 圖 11 BCI 系統(tǒng)結(jié)構(gòu) 和 前文系統(tǒng)結(jié)構(gòu)圖 相比較，主要區(qū)別是 上 圖中少了控制部分，這是由我們的試驗(yàn)內(nèi)容所決定的。 // ID string, no trailing ?\0‘ WORD m_wCode。 ? Gentask：此程序能夠提供最大程度的自由度。不妨設(shè)第一個(gè) min 模塊輸出是 1，則模塊 A0B0， A1B0， …… ， A9B0 的輸出都是 1，這表明該樣本在子類 B0 的控制范圍中；同時(shí)，該樣本中不在子類 A0， A1， …… ， A9 中任何一個(gè)的控制范圍中。 Max 單元的作用是從多個(gè)輸入中找出最大值并輸出，其傳遞函數(shù)為： Out = max(In1。這些二類子問(wèn)題的特點(diǎn)是在訓(xùn)練過(guò)程中完全相互獨(dú)立，因此可以容易地在集群計(jì)算機(jī)和網(wǎng)格上實(shí)現(xiàn)超并行學(xué)習(xí)。 圖 4 多類問(wèn)題轉(zhuǎn)化為二類問(wèn)題 上圖 中 將四類問(wèn)題 0， 1， 2， 3 分解為 M01， M02， M03， M12， M13， M23六個(gè)二類問(wèn)題， M01 表示解決 0 大類與 1 大類所組成兩類問(wèn)題的模塊。該系統(tǒng)與同等程度靜態(tài)系統(tǒng)相比，系統(tǒng)的泛化精度和通信速率都提高了 8%，很大程度上提高了系統(tǒng)的性能 [15]。在數(shù)據(jù)較少，對(duì)數(shù)據(jù)的知識(shí)不多時(shí)，線性分類器應(yīng)作為首選；在數(shù)據(jù)足夠充分的情況下，應(yīng)選用非線性分類器來(lái)挖掘數(shù)據(jù)的潛在結(jié)構(gòu)。 在 Dave P. Burke 等人的實(shí)驗(yàn)中， 通過(guò)線性判別分析的參數(shù)模型對(duì)用戶自主步調(diào)的左右手打字進(jìn)行區(qū)分。如果 干擾信號(hào) 的 出現(xiàn)頻率不高， 我們所要求的精度也不高，腦電信號(hào)的損失并不會(huì)對(duì)結(jié)果造成很大影響。 1020 系統(tǒng)的原則是頭皮電極點(diǎn)之間的相對(duì)距離以 10%和 20%來(lái)表示，并采用下面兩條標(biāo)志線： 矢狀線：從鼻根到枕外隆凸的連線，又稱中線。而這一切都是一個(gè)新技術(shù)發(fā)展過(guò)程中所必須經(jīng)歷的。 當(dāng)然，本文所主要關(guān)注的是第二個(gè)方面的內(nèi)容。 隨著 科學(xué) 技術(shù)以及 其它科學(xué)的迅速發(fā)展， 我們很自然的 想 到 ，這種 肌肉 運(yùn)動(dòng)過(guò)程是否必需。為此，研究人員試圖開(kāi)發(fā)一套系統(tǒng)，它 可以直接讀取人腦中的生理電信號(hào)，并分析其含義，將其轉(zhuǎn)換為控制信號(hào)直接對(duì)外設(shè)進(jìn)行操控。研究結(jié)果顯示，大腦是 動(dòng)態(tài)改變的，通過(guò)學(xué)習(xí)，它一直在不斷的改變，然而它的輸出信號(hào)卻是相對(duì)穩(wěn)定的?？梢?jiàn)，腦 — 計(jì)算機(jī)接口的強(qiáng)大功能與廣闊的實(shí)用前景已經(jīng)初露 端倪。 介入式 EEG 信號(hào)采集須將電極植入腦皮層下，采集出來(lái)的信號(hào)精度較高， 噪音較小，并且能夠精確測(cè)量某一部分大腦神經(jīng)元活動(dòng)狀態(tài)。 TT4外側(cè)各占 10%，其余各 點(diǎn)間占 20%。 Lucas C. Parra 等人在他們的試驗(yàn)中發(fā)現(xiàn)，對(duì)于從腦電信號(hào)中分類干擾信號(hào)， ICA 方法在系統(tǒng)實(shí)時(shí)處理過(guò)程中，櫓棒性不是很好，而 PCA 方法在實(shí)時(shí)系統(tǒng)中進(jìn)行從腦電信號(hào)中分離干擾信號(hào)表現(xiàn)出了良好的性能。這個(gè)結(jié)果說(shuō)明 ARX 模型在基于誘發(fā)電位或事件相關(guān)電位的 BCI 系統(tǒng)的特征提取中，將發(fā)揮巨大作用 [7]。他們通過(guò)兩個(gè)試驗(yàn)對(duì)該分類器進(jìn)行評(píng)估：第一個(gè)試驗(yàn)是，通過(guò)分析腦電信號(hào)中 ? 節(jié)律信號(hào)，來(lái)判斷用戶是睜眼還是閉眼，分類結(jié)果為：正確分類率 87%， 12%為不可做出分類結(jié)果，僅僅 1%分類錯(cuò)誤。 y1)。 橢圓形表示與非操作，它的含義與通常我們所說(shuō)的與非門一致：當(dāng)且僅當(dāng)輸入全為 0 時(shí)，與非模塊輸出 1。于是我們 進(jìn)行如下 操作過(guò)程：第一步，我們?cè)O(shè)定子類的規(guī)模是 100 個(gè)樣本。 在圖 5 中， 我們要解決 A、 B 這個(gè)大的二類問(wèn)題，我們已經(jīng)將 A 分解成 A0， A1， …… ，A0B1 …… A1B0 A1B1 A9B0 A9B1 max max max min Out 輸 入 A0B0 基于腦電信號(hào)的腦機(jī)接口 第 11 頁(yè) 共 29 頁(yè) A9 這十個(gè)子類， B 分解為 B0、 B1 兩 個(gè)子類， 其中 A0B0 表示解決以 A0 子集作為 0 類樣本，B0 子集作為 1 類樣本，所組成的兩類問(wèn)題的解。 如模塊 A0B0、 A1B0、 A2B0、A3B A4B1 …… A9B1 取取 1，其余模塊取 0。因而我們準(zhǔn)備使用 Stim2 中 Gentask 來(lái)產(chǎn)生刺激。 表 1 NetReader 網(wǎng)絡(luò)連接控制字 ID 字符串 Code Request Body size 值 含義 值 介紹 ―CTRL‖ 1 一 般 控 制碼 1 版本獲取 0 2 關(guān)閉連接 0 2 Server 端控制碼 1 開(kāi)始獲取數(shù)據(jù) 0 2 停止獲取數(shù)據(jù) 0 3 進(jìn)入阻塞狀態(tài) 0 4 改變配置 0 5 DC 校正 0 3 Client 端控制碼 1 獲取 EDF 頭 0 2 獲取 AST 配置文件 0 3 要求開(kāi)始發(fā)送數(shù)據(jù) 0 4 要求停止發(fā)送數(shù)據(jù) 0 ―FILE‖ 1 配置文件 1 Neuroscan AST 格式文件 ≠ 0 ―DATA‖ 1 信息 1 版本信息 ≠ 0 2 標(biāo)準(zhǔn) EDF 數(shù)據(jù)頭 ≠ 0 3 基本數(shù)據(jù)頭 ≠ 0 2 EEG 數(shù)據(jù) 1 Neuroscan 16bit 元數(shù)據(jù) ≠ 0 2 Neuroscan 32bit 元數(shù)據(jù) ≠ 0 客戶端連接到服務(wù)器段的標(biāo)準(zhǔn)過(guò)程如下： 1. 通過(guò) TCP 連接，連至 ACQUIRE 服務(wù)端。顯示可以序列如下： 1. 黑屏 2s 2. 圖片 1 5s 3. 黑屏 2s 4. 圖片 2 5s 5. 黑屏 2s 6. 圖片 1 5s 7. 黑屏 2s 8. 圖片 2 5s 9. …… 腦電數(shù)據(jù)如上文所講，由非介入式電機(jī)帽收集，通過(guò)放大器傳給 ?！?wname’為所要使用的小波名稱，試驗(yàn)中我選擇 cgau4 小波。我們將改進(jìn)試驗(yàn)方法，具體如下節(jié)所示。腦 — 計(jì)算 機(jī)接口也可以用于神經(jīng)彌補(bǔ)技術(shù)，它不但監(jiān)聽(tīng)用戶的神經(jīng)信號(hào)，還可以分析信號(hào)，產(chǎn)生新的信號(hào)來(lái)彌補(bǔ)用戶缺失的部分神經(jīng)信號(hào)，來(lái)完成用戶的正常神經(jīng)傳導(dǎo)。腦機(jī)接口的研究也正成為生物醫(yī)學(xué)工程和康復(fù)工程領(lǐng)域的一個(gè)新亮點(diǎn)， 2020 年召開(kāi)的 腦機(jī)接口研究的國(guó)際學(xué)術(shù)討論會(huì)，就有來(lái)自美國(guó)、加拿大、英國(guó)、德國(guó)、澳大利亞和意大利等國(guó)家的 幾十 位科學(xué)家和工程研究專家，代表 多 個(gè)不同的腦機(jī)接口研究小組參加會(huì)議。廣義上來(lái)說(shuō)，生物反饋就是用監(jiān)控儀器檢測(cè)并放大人體內(nèi)部的生理過(guò)程，使這種本身對(duì)人來(lái)說(shuō)不可得的信息變?yōu)榭傻?，并以某種形式返回給個(gè)人，以進(jìn)行生理活動(dòng)的調(diào)節(jié)。 這幾路信號(hào)分別對(duì)應(yīng)著以下幾路信號(hào)： Fp1, Fp2, T4, A1, T5, P3, Oz。 RbfSVC 函數(shù)是用來(lái)訓(xùn)練樣本集。 腦電信號(hào)的處理和分類 腦電信號(hào)的處理和分類均在 Matlab 上實(shí)現(xiàn)。 基于腦電信號(hào)的腦機(jī)接口 第 17 頁(yè) 共 29 頁(yè) 7. 發(fā)送斷開(kāi)連接數(shù)據(jù)包。如上圖所示，點(diǎn)擊右邊的按鈕，可將腦電波 EEG 信號(hào)保存。該系統(tǒng)分為以下幾個(gè)部分： ? Motor：包含 Tap 和 Track 任務(wù)。不妨 假 設(shè)第 i 個(gè) 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(shí)， 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)。 Min 單元的作用是從多個(gè)輸入中找出最小值并輸出，其傳遞函數(shù)為： Out = min(In1。 Treble M方法簡(jiǎn)介 通過(guò)上面的變換，我們得到了 6 個(gè)兩類問(wèn)題，但若是直接 解決這些 2 類問(wèn)題，我們 可能會(huì)遇到一些困難。如圖 3 所示， h*就是最優(yōu)超平面。 有于每個(gè)用戶的反應(yīng)能力，記憶能力，以及操作能力不同，甚至一個(gè)用戶由于心理狀態(tài)等因素的改變?cè)谶M(jìn)行同樣的心理作業(yè)的時(shí)候，產(chǎn)生的腦行為也會(huì)有所改變，而 且人腦本身也是一個(gè)高度自適應(yīng)的控制器，因此腦 — 計(jì)算機(jī)接口應(yīng)具有一定的適應(yīng)能力。 我們的試驗(yàn)中準(zhǔn)備使用小波變換作為特征提取的方法。雖每次經(jīng)過(guò) ICA 分析后所得到的獨(dú)立分量的次序是不定的 , 但相同的心理作業(yè)所得獨(dú)立分量在頭皮電極上的能量分布情況是非常相似的。這些電極叫做記錄電 極。因而現(xiàn)在很多腦 — 計(jì)算機(jī)接口的研究都是基于頭皮表面的腦電信號(hào)進(jìn)行的。 本次會(huì)議的成功舉辦，成功的推動(dòng)了腦 — 計(jì)算機(jī)接口研究的交流和發(fā)展。 更進(jìn)一步， 假設(shè)我們有一種方法可以測(cè)試出并且分辨開(kāi)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(gè)更為復(fù)雜的語(yǔ)言，這種語(yǔ)言便可用來(lái)人與計(jì)算機(jī)甚至人與人之間的交流。s goals. Therefore, researchers are trying to develop a system which can directly read one39。 關(guān)鍵詞： 腦 計(jì)算機(jī)接口 ， 腦電波， Treble M, 支持向量機(jī)，特征提取 ，分類 基于腦電信號(hào)的腦機(jī)接口 第 ii 頁(yè) 共 29 頁(yè) 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。這種新的系 統(tǒng)就被稱作腦 — 計(jì)算機(jī)接口（ BrainComputer Interface, BCI）。本次會(huì)議主要目的是： ? 回顧并評(píng)論腦 — 計(jì)算機(jī)接口研究的現(xiàn)狀； ? 定義基礎(chǔ)的且可應(yīng)用的腦 — 計(jì)算機(jī)接口的研究目標(biāo)； ? 確定并提出腦 — 計(jì)算機(jī)接口研究中的關(guān)鍵技術(shù)問(wèn)題； ? 考慮腦 — 計(jì)算機(jī)接口的標(biāo)準(zhǔn)研究過(guò)程和評(píng)估方法的發(fā)展。這種方法相對(duì)于介入式 EEG 信號(hào)采集方法而言更簡(jiǎn)單更安全，實(shí)驗(yàn)時(shí)間也大大縮短。另外一個(gè)或多個(gè)電極與參考電極的電位差即 是 該電極的電位值。采用擴(kuò)展 Infomax算法對(duì)一混有心電 ( ECG) 偽跡、眼電 ( EOG) 偽跡的腦電信號(hào)進(jìn)行分離。實(shí)驗(yàn)結(jié)果表明，用小波時(shí)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(jué)誘發(fā)電位信號(hào)，視覺(jué)誘發(fā)電位的正確識(shí)別率在 70 %～ 100 %之間 ,當(dāng)屏幕上目標(biāo)個(gè)數(shù)為 12 時(shí) ,通訊率可達(dá) 30bit/ min[10]。o 的系統(tǒng)中，對(duì)用戶的三種心理作業(yè)進(jìn)行區(qū)分，當(dāng)分類器無(wú)法明確區(qū)分用戶當(dāng)前的狀態(tài)時(shí)，用不知道來(lái)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(cuò)誤率低于 5%，其他的就都屬于不知道的范圍 [13]。所謂最優(yōu)超平面是指距離超平面最近的點(diǎn)跟超平面的距離達(dá)到最大。其他類似。 方法一： 圖 5 統(tǒng)合方式一 用來(lái)連接各個(gè)模塊的集成單元是： Min 單元和 Max 單元。 若 Out=0，則必有一個(gè) max 模塊的輸出是 0。 綜上所的，整個(gè) Treble MSVM 模型的結(jié)構(gòu)如下圖所示： 圖 7 Treble MSVM 模型 基于腦電信號(hào)的腦機(jī)接口 第 13 頁(yè) 共 29 頁(yè) 3. BCI 系統(tǒng)試驗(yàn)介紹 試驗(yàn)設(shè)備 電腦共三臺(tái)，配置如下： 第一臺(tái)運(yùn)行 ： ? CPU： Intel Pentium ， 64 位 ? 內(nèi)存： 2GB DDR ? 主板：華碩 P5GD1PRO FSB 800M ? 顯示器：三星 SyncMaster 710NZ ， 17 寸 LCD ? 顯卡：七彩虹 NVIDIA GeForce 62