【正文】 它不屬于B0 子類，因此我們有理由相信它可能不屬于 B0 子類；同理，我們也有理由懷疑它是否屬于 B1 子類。 如模塊 A0B0、 A1B0、 A2B0、A3B A4B1 …… A9B1 取取 1，其余模塊取 0。 其實(shí)不然。所以該樣本A0B0 A9B0 A9B1 A9B1 Min Min Max Out 輸 入 …… …… 基于腦電信號(hào)的腦機(jī)接口 第 12 頁(yè) 共 29 頁(yè) 一定屬于 B 類。 若 Out = 1，則兩個(gè) min 模塊中，至少有一個(gè)的輸出為 1。 方法二： 圖 6 統(tǒng)合方式二 如圖 6，對(duì)于 上面的合成 ，我們有 如下 結(jié)論： ? 若 Out = 0，則 輸入樣本不屬于 B 類； ? 若 Out = 1，則 輸入樣本屬于 B 類 證明：若 Out = 0，則兩個(gè) min 模塊的輸出都為 0，則存在 i1，使得 Ai1B0輸出是 0，所以輸入樣本不在 B0的控制范圍內(nèi)；存在 i2，使得 Ai2B1 輸出是 0，所以輸入樣本也不在 B1的控制范圍內(nèi)。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)。又由 i 的任意性可知：該輸入樣本不在 A 的任何一個(gè)子類的控制范圍內(nèi)，從而該輸入樣本不在 A 類訓(xùn)練樣本的控制范圍內(nèi)，所以該樣本不屬于 A 類。對(duì)于 上面的合成 ，我們有如下結(jié)論： ? 若 Out = 0，則 輸入樣本 屬于 A 類； ? 若 Out = 1，則 輸入樣本不屬于 A 類 證明 ： 若 Out＝ 1，由 于 Out 是 min 模塊的輸出結(jié)果，則必然它的輸入，即所有的 max模塊的輸出是 1。 在圖 5 中， 我們要解決 A、 B 這個(gè)大的二類問題，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，所組成的兩類問題的解。 In2。 In2。……In n 是集成單元的輸入， Out 是集成單元的輸出，即所有輸入中的最小值?！璉n n)， 其中 In1。 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。最后，我們可以使用下 面兩個(gè) 方法根據(jù)這些答案推導(dǎo)出 原來 的 2 類問題的答案。第二步，我們將兩個(gè)大類的子類兩兩組合，總共得到 10*2 ＝ 20 個(gè)小的 2類問題。于是我們 進(jìn)行如下 操作過程：第一步，我們?cè)O(shè)定子類的規(guī)模是 100 個(gè)樣本。 例如： 一個(gè) 2 類問 題， 0 類訓(xùn)練樣本 共 有 1000 個(gè)， 1類訓(xùn)練樣本有 200 個(gè)。 Treble MSVM 算法能夠?qū)?轉(zhuǎn)化而得的 2 類問題作進(jìn)一步分解 。該并行支持向量機(jī)采用“部分對(duì)部分” (partversuspart)任務(wù)分解方法， 此 方法把傳統(tǒng)支持向量機(jī)所要解決的二類問題分解為一系列更小、更簡(jiǎn)單的二類子問題。 其次，這些 2 類問題 也許 是不平衡問題，即訓(xùn)練樣本集中兩類樣本的數(shù)目相差巨大， 這有可能影響后續(xù)分類器學(xué)習(xí)效率，并且 利用支持向量機(jī)學(xué)習(xí)大規(guī)模的 二類 問題 還 是相當(dāng)困難的。 Treble M方法簡(jiǎn)介 通過上面的變換，我們得到了 6 個(gè)兩類問題，但若是直接 解決這些 2 類問題，我們 可能會(huì)遇到一些困難。 該分解 證明很簡(jiǎn)單，若某個(gè)輸入輸入分類 0，則 M01， M02， M03 中任意一個(gè)或若干個(gè)或全部為 0，則與非之后 Out0 為 1。其它三個(gè)輸出 Out1， Out2， Out3可以此類推，分別表示輸入樣本是否屬于 1 大類、 2 大類、 3 大類。 橢圓形表示與非操作，它的含義與通常我們所說的與非門一致：當(dāng)且僅當(dāng)輸入全為 0 時(shí)，與非模塊輸出 1。 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。若是輸入樣本屬于 0 大類，則 M01應(yīng)輸出 0；若是輸入樣本屬于 1 大類，則 M01 應(yīng)輸出 1；若是輸入樣本屬于其它大類，則對(duì)M01 的輸出結(jié)果不作要求。 將 4 類問題通過以下方法就可以轉(zhuǎn)化為 6 個(gè) 2 類問題，見 基于腦電信號(hào)的腦機(jī)接口 第 9 頁(yè) 共 29 頁(yè) 圖 4。 圖 3 SVM 原理 多類問題轉(zhuǎn)化為二類問題 SVM 算法通常 只能 解決 2 類問題， 并且如果樣本規(guī)模過大或者不平衡，將會(huì)嚴(yán)重影響其訓(xùn)練和分類效果。如圖 3 所示， h*就是最優(yōu)超平面。假設(shè)該訓(xùn)練集的正反兩類樣本可以被一個(gè)超平面劃分，即存在一個(gè)超平面 ω x + b = 0 滿足： ω xi + b 0 ， 對(duì)于任何 yi = +1 ω xi + b 0 ， 對(duì)于任何 yi = 1 對(duì)于 某 一個(gè)問題，可能存在很多個(gè)滿足式 上式 的超平面 ， 但 僅 有一個(gè)稱為最優(yōu)超平面。 y2) …… (xl。 y1)。不同于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)的解是全局最優(yōu)的，而且支持向量機(jī)不需要人工設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)。 本試驗(yàn)中 主要 使用 SVM 以及 Treble M SVM 分類器，因而這兒詳細(xì)介紹一下此分類器。 Peter Sykacek等人的試驗(yàn)中，系統(tǒng)是基于變參數(shù)的 Kalman 濾波器，用自適應(yīng)的算法來設(shè)計(jì)分類器，根據(jù)用戶進(jìn)行不同的認(rèn)知作業(yè)對(duì)用戶的認(rèn)知狀態(tài)進(jìn)行分類。 在 P. Sykacek 等人的實(shí)驗(yàn)中，利用概率的方法通過一個(gè)大的聯(lián)合概率分布模型，設(shè)計(jì)了一個(gè)自適應(yīng)的信號(hào)處理和轉(zhuǎn)換算法。 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。n 和 Josep Mouri241。在 Jos233。他們通過兩個(gè)試驗(yàn)對(duì)該分類器進(jìn)行評(píng)估：第一個(gè)試驗(yàn)是，通過分析腦電信號(hào)中 ? 節(jié)律信號(hào)，來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。 有時(shí) 輸入的腦信號(hào)并不能 唯 一的確定一個(gè)輸出，因?yàn)榇藭r(shí)用戶也沒有決定唯一的輸出是什么，如果嚴(yán)格的制定一種輸入，將導(dǎo)致錯(cuò)誤的控制，此時(shí)最合理的方法就是以概率的方式賦予每一個(gè)備選的輸出一個(gè)可能的概率。而且應(yīng)該將神經(jīng)生理學(xué)的先驗(yàn)知識(shí)結(jié)合到分類器中，并且應(yīng)該 盡量使用規(guī)則化（ regularization）的和健壯容錯(cuò)性強(qiáng)（ robust）的分類器。 通常情況下，如果性能相近，應(yīng)盡量選擇簡(jiǎn)單的分類器。分類器總體上可以分成線性分類器和非線性分類器兩 大 類。 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。 何慶華 等人在 基于視覺誘發(fā)電位腦機(jī)接口研究中 ，通過小波變換來提取視覺誘發(fā)電位。先 通過 surfaceLaplacian 對(duì)原始信號(hào)進(jìn)行特征提取，再由分類器進(jìn)行分類 ，對(duì)于不同的用戶系統(tǒng)的分類精度范圍是 75%~95%[8]。這個(gè)結(jié)果說明 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]。但他們 設(shè)計(jì)了一種基于 AR 模型的 ARX 模型用來對(duì)原始信號(hào)進(jìn)行 特征提取 ，這種模型把全體平均的 Bereitschaftspotential（一種在動(dòng)作開始 之前產(chǎn)生的事件相關(guān)電位）作為AR 模型的一個(gè)外因輸入，從而對(duì) AR 模型進(jìn)行改進(jìn)，將系統(tǒng)的分類性能提升到了 %177。傳統(tǒng)的方法通過 AR 模型對(duì)腦電信號(hào)進(jìn)行特征提取，分類的精度僅為 %177。 常用的特征提取的方法包括：自回歸（ Autoregressive），傅立葉變換（ Fourier transform），表面拉普拉斯變換（ surfaceLaplacian），小波變換 (Wavelet transform)等。 EEG 信號(hào)的特征提取 EEG 信號(hào)在去除噪音后，還要進(jìn)行特征提取。雖每次經(jīng)過 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。在郭曉靜等人的試驗(yàn)中 ，選取同一個(gè)實(shí)驗(yàn)者進(jìn)行兩個(gè)不同的心理作業(yè)（構(gòu)思寫信，數(shù)學(xué)乘法運(yùn)算）測(cè)試。 通過 ICA、 PCA 或兩種方法結(jié)合，將干腦信號(hào)分離出去，最大程度的保留原來的腦電信號(hào) ，這樣既可以提高信息的傳送速率，又可以盡量保證 EEG 信號(hào)完整，提高后續(xù)工作的精確度。 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。 Benjamin J. Culpepper 和 Robert M. Kelle 在訓(xùn)練分類不同的心理作業(yè)時(shí)，使用 ICA 的方法將干擾信號(hào)從腦電信號(hào)中分離，通過訓(xùn)練好的多層神經(jīng)網(wǎng)絡(luò)模型對(duì) 12 個(gè)通道的腦電信號(hào)進(jìn)行分類。 但如果干擾信號(hào)出現(xiàn)的頻率較高，這種直接去除的方法，對(duì)整個(gè)腦 — 計(jì)算機(jī)接口系統(tǒng)的性能 和精確度 將產(chǎn)生嚴(yán)重影響。 基于腦電信號(hào)的腦機(jī)接口 第 6 頁(yè) 共 29 頁(yè) 對(duì) EEG 信號(hào)的降噪處理最簡(jiǎn)單的方法是 直接從收集到的信號(hào)中去除含有眼電或肌電的部分，但 往往這些信號(hào)中還包 含 部分腦電信號(hào)， 因此 這樣 做勢(shì)必會(huì) 造成原始 EEG 信號(hào)的缺失。記錄兩個(gè)電極之間的相對(duì)電位差，稱作雙極導(dǎo)聯(lián)法，例如眼電信號(hào)通常采用雙極導(dǎo)聯(lián)法。這些電極叫做記錄電 極。 基于腦電信號(hào)的腦機(jī)接口 第 5 頁(yè) 共 29 頁(yè) 圖 2 1020 系統(tǒng)模型 （ 2） 單極導(dǎo)聯(lián)與雙極導(dǎo)聯(lián) 將頭皮上一個(gè)電極的電位設(shè)置為零，這個(gè)電極稱為參考電極。 經(jīng)過上述兩線的邊緣 4 點(diǎn)，以 Cz 為圓心， 4 個(gè)點(diǎn)各在圓周上等距離的取 2 個(gè)點(diǎn)，并在Fz、 C Pz、 C4 間各取一個(gè)點(diǎn)。 TT4外側(cè)各占 10%，其余各 點(diǎn)間占 20%。 冠狀線：兩外耳道之間的連線。從前往后標(biāo)出五個(gè)記錄點(diǎn)： Fpz、 Fz、Cz、 Pz、 Oz?，F(xiàn)代 128 導(dǎo)或 256 導(dǎo)電極帽也是根據(jù) 1020 系統(tǒng)擴(kuò)展而成。出于各方面的考慮，本試驗(yàn)準(zhǔn)備采取非介入式 EEG 信號(hào)采集方式。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。 非介入式的 EEG 信號(hào)，主要測(cè)量的是頭皮表面的腦電信號(hào)，它通過將電極貼附在頭皮上直接獲得。它不能保證腦內(nèi)的電極長(zhǎng)時(shí)期保持結(jié)構(gòu)和功能的穩(wěn)定，而且最初植入電極的定位問題也是一個(gè)十分重要的問題。 介入式 EEG 信號(hào)采集須將電極植入腦皮層下，采集出來的信號(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)。 基于腦電信號(hào)的腦機(jī)接口 第 4 頁(yè) 共 29 頁(yè) EEG 信號(hào)的獲取 EEG 信號(hào)獲取的主要的功能是采集和存儲(chǔ)腦電信號(hào)，并 將其轉(zhuǎn)換成數(shù)字信號(hào)作為后續(xù)處理的輸入。 基于腦電信號(hào)的腦機(jī)接口 第 3 頁(yè) 共 29 頁(yè) 2. BCI 系統(tǒng)的研究方法 BCI 系統(tǒng)的基本結(jié)構(gòu) 一個(gè) BCI 系統(tǒng)主要包括腦電信號(hào)的獲取、降噪處理、特征提取、分類以及輸出控制等幾個(gè)部分。通過比較可以看出，短短三年，腦 — 計(jì)算機(jī)接口技術(shù)已經(jīng)取得了長(zhǎng)足的發(fā)展，而且投身該領(lǐng)域的研究人員也越來越多，新的方法與技術(shù)不多的涌現(xiàn)出來，但隨之也出現(xiàn)了很多新的問題。此次會(huì)議的標(biāo)題為“ BrainComputer Interfaces for Communication and Control, Second International Meeting:Moving Beyond Demonstrations”。 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。會(huì)議的標(biāo)題為“ BrainComputer Interface Technology: Theory and Practice” 。 腦 — 計(jì)算機(jī)接口研究是一個(gè)多個(gè)領(lǐng)域的集成，其中的研究涉及神經(jīng)系統(tǒng)科學(xué)、生理學(xué)、心理學(xué)、生物工程學(xué)、數(shù)學(xué)、計(jì)算機(jī)科學(xué)以及臨床復(fù)原等?？梢姡X — 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。最近，美國(guó)的一家醫(yī)療科研機(jī)構(gòu)已獲批準(zhǔn)在病人腦皮層上植入微 型 芯片，從而病