【導(dǎo)讀】年以來一個(gè)新的研究領(lǐng)域——“腦—計(jì)算機(jī)接口”正在蓬勃發(fā)展。研究發(fā)現(xiàn)，當(dāng)人們打算進(jìn)行某。圖，并通過神經(jīng)系統(tǒng)控制肌肉來實(shí)現(xiàn)人們的意圖。為此，研究人員試圖開發(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。套系統(tǒng)便被稱作“腦—計(jì)算機(jī)接口”系統(tǒng)。別詳細(xì)解釋了各部分系統(tǒng)的功能以及研究方法，介紹了支持向量機(jī)以及TrebleM-SVM。預(yù)測(cè)當(dāng)前被測(cè)試者所觀察的是哪一幅圖片。并且獲得了比較好的準(zhǔn)確率。

　　

【正文】 波名稱，試驗(yàn)中我選擇 cgau4 小波。返回 值 為輸入數(shù)據(jù)的小波變換后的特征系數(shù)，其長(zhǎng)度和 S 相同。 我們使用了多項(xiàng)式和 Rfc 兩種 SVM 分類器對(duì)小波變換后的特征系數(shù)進(jìn)行分類， 兩張圖 基于腦電信號(hào)的腦機(jī)接口 第 20 頁 共 29 頁 片分別用值 1 和 1 表示， 并調(diào)整分類器的參數(shù)，對(duì)分類結(jié)果作了一定的比較。 Rfc 分類器預(yù)測(cè)和分析函數(shù)分別如下： [AlphaY, SVs, Bias, Parameters, nSV, nLabel] = RbfSVC(Samples, Labels, Gamma, C) [Ans, DecisionValue]= SVMClass(data, AlphaY, SVs, Bias, Parameters, nSV, nLabel)。 其中， Samples 為輸入訓(xùn)練樣本， Labels 為訓(xùn)練樣本也即圖片的種類。 Gamma 值用來調(diào)節(jié)徑向基函數(shù)半徑的大小 。 RbfSVC 函數(shù)是用來訓(xùn)練樣本集。 SVMClass 函數(shù)用來預(yù)測(cè)， data中存放要預(yù)測(cè)的數(shù)據(jù)，返回值 Ans 代表預(yù)測(cè)結(jié)果，用 1 和 1 表示。 多項(xiàng)式 SVM 分類器函數(shù)與 Rbf 分類器函數(shù)基本類似，只是調(diào)節(jié)的參數(shù)為 Degree 和 C， Degree 表示多項(xiàng)式的 階數(shù)，C 表示運(yùn)行耗費(fèi)。 我們從中 36 路數(shù)據(jù)中選出了效果較好的 7 路數(shù)據(jù)，預(yù)測(cè)結(jié)果時(shí)，這 7 路數(shù)據(jù)使用 7 個(gè)分類器，得出的結(jié)果進(jìn)行投票，投票規(guī)則為少數(shù)服從多數(shù)， 最后我們?nèi)〉昧溯^好的分類效果。 試驗(yàn)結(jié)果的詳細(xì)分析如下節(jié)所示。 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。 表 2 Rfc 分類器訓(xùn)練準(zhǔn)確率 參數(shù)（ Gamma|C） 每路腦電信號(hào)預(yù)測(cè)準(zhǔn)確率 1 2 3 4 5 6 |10 0.74 0.88 0.5 0.18 |100 0.57 0.42 0.5 0.5 |1000 0.57 0.42 0.5 0.5 |10000 0.57 0.42 0.5 0.5 |100 0.57 0.35 0.5 0.42 |1000 0.57 0.42 0.5 0.5 |10000 0.57 0.42 0.5 0.5 |10 0.57 0.42 0.5 0.5 基于腦電信號(hào)的腦機(jī)接口 第 21 頁 共 29 頁 |100 0.57 0.42 0.64 0.57 |1000 0.64 0.5 0.57 0.5 |50 0.57 0.64 0.42 0.42 |100 0.5 0.42 0.64 0.57 |1000 0.57 0.5 0.64 0.57 |10000 0.64 0.42 0.57 0.5 |1000 0.5 0.64 0.5 0.5 |10000 1 0.57 0.5 0.64 0.57 限于篇幅，以后記錄信號(hào)分類準(zhǔn)確率省略。 然后我們采用多項(xiàng)式分類器（ PolySVM），所采取的預(yù)測(cè)和訓(xùn)練方法和上面 Rbf 分類器類似，其中莫一次訓(xùn)練后預(yù)測(cè)準(zhǔn)確 率如下表： 表 3 多項(xiàng)式分類器訓(xùn)練準(zhǔn)確率 Degree|C 每路腦電信號(hào)預(yù)測(cè)準(zhǔn)確率 1 2 3 4 5 6 2|1 3|1 5|1 8|1 2|5 3|5 5|5 8|5 8|10 10|10 限于篇幅，以后記錄信號(hào)分類準(zhǔn)確率省略。 由上表可以看出， 對(duì)兩種分類器而言，參數(shù)調(diào)整對(duì)分類準(zhǔn)確率會(huì)產(chǎn)生很大的影響，因而我決定對(duì)每路腦電信號(hào)分類器采用不同的參數(shù)，分別進(jìn)行分類。由上表還可以看出， 在未經(jīng) 基于腦電信號(hào)的腦機(jī)接口 第 22 頁 共 29 頁 處理前， 36 路信號(hào)中很多路分類效果比較差 。我們將改進(jìn)試驗(yàn)方法，具體如下節(jié)所示。 試驗(yàn)改進(jìn) 為進(jìn)一步提高分類準(zhǔn)確率，我們決定從 Rbf 分類器和多項(xiàng)式分類器中再選出一個(gè)分類器作進(jìn)一步優(yōu)化處理。 對(duì)于多項(xiàng)式分類器和 Rbf 分類器 使用留一驗(yàn)證法對(duì) 50 組數(shù)據(jù)進(jìn)行訓(xùn)練的 正確率比較，如下圖所示： 01 4 7 10 13 16 19 22 25 28 31 34系列1系列2 圖 14 兩種分類器比較 上圖中，橫坐標(biāo)上每個(gè)點(diǎn)代表某一路腦電信號(hào)，縱坐標(biāo)表示 各不同參數(shù) 分類準(zhǔn)確率 的均值 ，系列 1 代表多項(xiàng)式分類器，系列 2 代表 Rbf 分類器。 由上 圖 可以看出，多項(xiàng)式分類器分類正確率 在某些路信號(hào)比 Rbf 分類器分類正確率要 高的多，由于我們要從 36 路信號(hào)中選取若干路信號(hào)出來繼續(xù)處理，所以多項(xiàng)式分類器的分類效果肯定比 Rbf 分類器效果好。因而我們準(zhǔn)備使用多項(xiàng)式分類器做進(jìn)一步處理。 根據(jù)分類正確率高低，我們選擇第 2 2 2 2 35 這 7 路數(shù)據(jù)出來作進(jìn)一步試驗(yàn)。 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。 這幾路數(shù)據(jù)分類正確率如下表所示： 表 4 七路腦電信號(hào)預(yù)測(cè)準(zhǔn)確率 基于腦電信號(hào)的腦機(jī)接口 第 23 頁 共 29 頁 Degree|C 每路腦電信號(hào)預(yù)測(cè)準(zhǔn)確率 3 4 21 27 28 29 35 2|1 3|1 5|1 8|1 2|5 3|5 5|5 續(xù)表 4 Degree|C 每路腦電信號(hào)預(yù)測(cè)準(zhǔn)確率 3 4 21 27 28 29 35 8|5 8|10 10|10 對(duì)于每一路信號(hào)， 根據(jù)留一 驗(yàn)證 法， 我們 選取的最優(yōu) degree 和 C 值如下表所示： 表 5 多項(xiàng)式分類器參數(shù)選擇 3 4 21 27 28 29 35 Degree|C ８｜５ 8｜ １０ ５｜５ ３｜５ ３｜５ １０｜１０ 8｜１０ 于是，我們采用 7個(gè)分類器，每次預(yù)測(cè)時(shí)分類器結(jié)果不同時(shí)實(shí)行投票少數(shù)服從多數(shù)的策略， 例如，對(duì)上面 7 路腦電信號(hào)，當(dāng) 7 個(gè)分類器得出的結(jié)果如下所示： 1， 1， 1， 1， 1， 1， 1 此時(shí)預(yù)測(cè)圖片類型為 1 的分類器個(gè)數(shù)為 4，預(yù)測(cè)圖片類型為 1 的分類器個(gè)數(shù)為 3，根據(jù)規(guī)則，整個(gè)系統(tǒng)的輸出為 1。 試驗(yàn)結(jié)果 當(dāng)訓(xùn)練模型都建立好了之后，我們開始用該模型預(yù)測(cè)腦電數(shù)據(jù)。最終測(cè)試預(yù)測(cè)了 14 組腦電數(shù)據(jù)，結(jié)果如下： 表 6 最終預(yù)測(cè)結(jié)果 1 2 3 4 5 6 7 8 9 10 11 12 13 14 預(yù)測(cè)結(jié)果 1 1 1 1 1 1 1 1 1 1 1 1 1 1 正確 1 1 1 1 1 1 1 1 1 1 1 1 1 1 基于腦電信號(hào)的腦機(jī)接口 第 24 頁 共 29 頁 結(jié)果 由上表可以看出，對(duì)這 14 組腦電數(shù)據(jù)的預(yù)測(cè)中，只有第 4 組數(shù)據(jù)預(yù)測(cè)錯(cuò)誤 （紅色表示） ，預(yù)測(cè)正確率達(dá) 92%。 試驗(yàn)小結(jié) 在本次試驗(yàn)中，我們使用了自己采集的 EEG 信號(hào)，對(duì)其 進(jìn)行處理后使用小波變換提取特征值，然后我們使用多項(xiàng)式和 Rbf 兩種 SVM 分類器進(jìn)行分類，同時(shí)還調(diào)整了兩種分類器的各個(gè)參數(shù)，比較了兩種分類器的分類效果。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。 最終達(dá)到比較理想的分類結(jié)果。 由于本試驗(yàn)項(xiàng)目須到 7 月底結(jié)束，所以 這次試驗(yàn)中，采集到的數(shù)據(jù)量比較小， 用 SVM就能夠取得較高的運(yùn)行速度，當(dāng)數(shù)據(jù)量變大時(shí)，我們還將用 Treble M 方法提高 SVM 運(yùn)行速度。 基于腦電信號(hào)的腦機(jī)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(jì)算機(jī)接口的研究主要用于康復(fù)工程，為那些肌肉活動(dòng)有障礙的人提供一種新的通訊和控制途徑。通過腦 — 計(jì)算機(jī)接口系統(tǒng)，這些人可以利用腦信號(hào)直接和外部環(huán)境進(jìn)行通訊。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)來彌補(bǔ)用戶缺失的部分神經(jīng)信號(hào)，來完成用戶的正常神經(jīng)傳導(dǎo)。 除此以外，作為一個(gè)新的控制系統(tǒng)，腦 — 計(jì)算機(jī)接口技術(shù)可以在機(jī)器人控制技術(shù)中得到發(fā)揮，也可以在遙控技術(shù)中得到應(yīng)用。而且如果腦 — 計(jì)算機(jī)接口系統(tǒng)的控制精度和速度都達(dá)到實(shí)用階段后，某些復(fù)雜的操作，如果通過腦信號(hào)直接控制，將大大降低操作難度。 由于腦 — 計(jì)算機(jī)接口對(duì)人們來說是一種全新的技術(shù)，成熟后，將控制技術(shù)應(yīng)用于游戲娛樂領(lǐng)域，一定會(huì)引發(fā)游戲娛樂領(lǐng)域的一場(chǎng)革新。 除了 用計(jì)算機(jī)對(duì)腦電 信號(hào)進(jìn)行實(shí)時(shí)的分析和信息提取，用來對(duì) 其他設(shè)備進(jìn)行輔助控制 ，EEG 生物反饋也是一個(gè)熱門研究方向。 所謂反饋，就是將過去過程的輸出結(jié)果以某種信息形式提供給輸入端，調(diào)節(jié)系統(tǒng)的輸入，從而對(duì)過程進(jìn)行控制。廣義上來說，生物反饋就是用監(jiān)控儀器檢測(cè)并放大人體內(nèi)部的生理過程，使這種本身對(duì)人來說不可得的信息變?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)。 它通過采集 被測(cè) 試者的腦電信號(hào)并以某種方式顯示出來，以訓(xùn)練受試者有意識(shí)地控制自身腦電波模式，達(dá)到 控制或其他 目的。 通過不斷地訓(xùn)練，受試者能夠隨意調(diào)節(jié)腦電波節(jié)律的增加或減少，這 樣 的目的就是誘導(dǎo)出與神經(jīng)放松相關(guān)的腦電波，并且通過反復(fù)訓(xùn)練產(chǎn)生持久效應(yīng)，使大腦形成一種“習(xí)慣”，自此以后它就能不斷地產(chǎn)生 正常 的腦電波模式。 目前大多數(shù)腦 — 計(jì)算機(jī)接口系統(tǒng)都屬于同步或者提示類型的系統(tǒng)，用戶只能在制定的時(shí)間內(nèi)操作，這對(duì)于腦 — 計(jì)算機(jī)接口技術(shù)的實(shí)用化發(fā)展是一個(gè)很大的制約。為此一些研究人員開始考慮設(shè)計(jì)一種可以連續(xù)工作的腦 — 計(jì)算機(jī)接口系統(tǒng)，整個(gè)系統(tǒng)一直處于開啟狀態(tài)，它不斷的檢測(cè)用戶的狀態(tài)，并判斷用戶當(dāng)前是否處于控制狀態(tài)，還是空閑狀態(tài)，然后再?zèng)Q定是否使用轉(zhuǎn)換算法對(duì)腦信號(hào)進(jìn)行轉(zhuǎn)換。目前比較流行的是低頻異步轉(zhuǎn) 換設(shè)計(jì)方法（ LFASD） [17]。Jaimie F. Borisoff 等人基于 LFASD 設(shè)計(jì)了基于結(jié)合腦電信號(hào)能量標(biāo)準(zhǔn)化（ energy normalization transform, ENT）和特征空間維數(shù)降低的四種改進(jìn)型的異步腦轉(zhuǎn)換裝置（ ABS），精度比原來的系統(tǒng)提高了很多。試驗(yàn)結(jié)果為，新系統(tǒng)與傳統(tǒng)的 LFASD 系統(tǒng)相比真實(shí)正比率（ true positive rate）提高了將近 33%，使錯(cuò)誤正比率（ false positive rate）控制在 1%~2%的范圍內(nèi)，并且特征空間維數(shù)的降低，并不影響系 統(tǒng)的分類性能 [18] 。 當(dāng)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(xué)家、 計(jì)算機(jī)學(xué)家、 康復(fù)醫(yī)療工作者、教育工作者等的關(guān)注。在美國(guó)，田納西 、密歇根、俄亥俄等州都有很多大學(xué)及醫(yī)學(xué)研究機(jī)構(gòu)從事這方面的研究 。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 年召開的 腦機(jī)接口研究的國(guó)際學(xué)術(shù)討論會(huì)，就有來自美國(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。 基于 EEG 的 腦機(jī)接口技術(shù)的進(jìn)展需要神經(jīng)學(xué)專家、工程技術(shù)人員、 基于腦電信號(hào)的腦機(jī)接口 第 26 頁 共 29 頁 計(jì)算 機(jī)程序員、心理學(xué)家、康復(fù)工程專家等進(jìn)行多學(xué)科之間的交流與合作。 可見，在國(guó)外腦電生物反饋和腦機(jī)接口的研究正方興未艾，而國(guó)內(nèi)從事這方面研究的人還不多，有條件進(jìn)行這種 研究的 機(jī)構(gòu)也不多。事實(shí)上，我國(guó)各種癱瘓患者、殘疾人、帕氏綜合征患者、失語癥患者以及存在其他各種交流障礙的患者有上千萬，因