【正文】 ........................................................................... 23 試驗(yàn)小結(jié) ............................................................................................................ 24 4. BCI 系統(tǒng)的發(fā)展前景 ..................................................................................................... 25 5. 致謝 ............................................................................................................................ 27 參考文獻(xiàn) .......................................................................................................................... 28 基于腦電信號(hào)的腦機(jī)接口 第 1 頁 共 29 頁 1. 概述 BCI 系統(tǒng)的 背景 自從上世紀(jì)電腦發(fā)明以來 ， 我們 一直都通過 自己 的身體 運(yùn)動(dòng) 來控制電腦。不同的 接口 工具 有各自不同的特點(diǎn)，它們 用來滿足不同的需要。 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)過程是否必需。 大量的研究試驗(yàn)表明，當(dāng)人們準(zhǔn)備進(jìn)行某種行為的時(shí)候，人腦中的神經(jīng)元會(huì)產(chǎn)生相應(yīng)的電生理信號(hào)，正是這些腦電生理信號(hào)通過神經(jīng)系統(tǒng)控制肌肉來完成人的意圖。由于腦中的很多信息是廣泛的分布在很多神經(jīng)元群體之間，存在大量的信息冗余，因此我們只需通過分析相對(duì)較少的神經(jīng)元群體，便能獲取足夠的信息。通過學(xué)習(xí)，大腦不斷的改進(jìn)自己的內(nèi)部模型，從而保證輸出的穩(wěn)定性。而且，大腦可以通過產(chǎn)生不同的生理電信號(hào)，來引發(fā)相同的動(dòng)作事件。這種新的系 統(tǒng)就被稱作腦 — 計(jì)算機(jī)接口（ BrainComputer Interface, BCI）。 通過 先進(jìn)的量測技術(shù)，人類已經(jīng)可以有效且無須侵入體內(nèi)便能輕易 獲 取到如血壓、心電、肌電或腦電活動(dòng)等醫(yī)學(xué)訊號(hào)，針對(duì)這些訊號(hào)進(jìn)一步加以分析處理，使我們得以 觀察到心理變化時(shí)人體的生理反應(yīng) 。 簡單來說， BCI是一種利用腦 電 波 信號(hào) (Electroencephalogram，簡稱 EEG)來讓使用者與外界溝通的技術(shù)。 當(dāng)然，本文所主要關(guān)注的是第二個(gè)方面的內(nèi)容。通過腦 計(jì)算機(jī)接口，病人可以進(jìn)行 3D的鼠標(biāo)控制，可以進(jìn)行單詞拼寫。德國的一個(gè)科研機(jī)構(gòu)最近也被報(bào)道，發(fā)明了一種被稱為“腦快車”的裝置，用戶在戴上一個(gè)頭部裝置后，經(jīng)過簡單的訓(xùn)練就可以通過思維來玩電腦游戲了。但是，就技術(shù)角度而言，腦 — 計(jì)算機(jī)接口技術(shù)現(xiàn)在還處于幼年時(shí)期，它還有很多的地方等待研究和探索。為了增強(qiáng)各個(gè)研究機(jī)構(gòu)的交流與合作，推動(dòng)腦 — 計(jì)算機(jī)接口的研究和發(fā)展， 1999年 7月 National Institutes of Health (NIH)主辦，紐約州 Wadsworth 中心的健康部門的腦 — 計(jì)算機(jī)接口的研究團(tuán)體在 Rensselaerville組織了腦 — 計(jì)算機(jī)接口技術(shù)的第一 屆國際會(huì)議 [1]。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)問題； ? 考慮腦 — 計(jì)算機(jī)接口的標(biāo)準(zhǔn)研究過程和評(píng)估方法的發(fā)展。 2020年 7月，再次由 National Institutes of Health (NIH)主辦，紐約州 Wadsworth 中心的健康部門組織了腦 — 計(jì)算機(jī)接口技術(shù)的第二屆國際會(huì)議 [2]。與第一屆相比，這次的內(nèi)容豐富了許多，先是各個(gè)研究團(tuán)體對(duì)自己研究進(jìn)展進(jìn)行簡要的敘述，然后又針對(duì)四個(gè)主題召開了六個(gè)座談?dòng)懻摃?huì)，隨后又對(duì)四個(gè)都很關(guān)注的問題分別進(jìn)行了辯論以及展 示目前已有的腦 — 計(jì)算機(jī)接口技術(shù)的研究成果等。而這一切都是一個(gè)新技術(shù)發(fā)展過程中所必須經(jīng)歷的。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(xì)介紹各部分內(nèi)容。目前采集 EEG 信號(hào)主要有兩種方法，一是介入式采集，二是非介入的方式測量和記錄各種腦行為產(chǎn)生的信號(hào)。但其缺點(diǎn)也是顯而易見的。試驗(yàn)安全也是一個(gè)嚴(yán)重的問題。這種方法相對(duì)于介入式 EEG 信號(hào)采集方法而言更簡單更安全，實(shí)驗(yàn)時(shí)間也大大縮短。但由于電極是附于頭皮表層外的， 測到的 EEG 信號(hào)精度較低，噪音較大，并且每個(gè)電極所記錄的信號(hào)往往是附近很多個(gè) EEG 發(fā)生源所發(fā)出的信號(hào)的線性組合。 對(duì)于非介入式 EEG 信號(hào)采集方法，主要有以下兩種導(dǎo)聯(lián)方式 [3]： （ 1） 國際 1020 系統(tǒng) 如圖 2，國際腦電圖學(xué)會(huì)在 1958 年制定了各國統(tǒng)一的 1020 國際腦電位記錄系統(tǒng)，沿用至今。 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。 Fpz 之前和 Oz 之后各占中線全長 10%，其余點(diǎn)間距皆占 20%。從左到右也記錄五個(gè)點(diǎn)： T C Cz、 C T4。 Cz 是矢狀線和冠狀線的交點(diǎn)，因而常作為基準(zhǔn)點(diǎn)。這樣 1020 系統(tǒng)共 21 個(gè)有效電極組成。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。采用一個(gè)公共參考電極與多個(gè)記錄電極的方法叫做單極導(dǎo)聯(lián)法，腦電記錄常采用此法。 EEG 信號(hào)降噪處理 當(dāng)我們獲取到原始的 EEG 信號(hào)之后，收集到的信號(hào)中還包含了很多干擾信號(hào)（ artifact），如眼電（ EOG）和肌電信號(hào)（ EMG）等，因而必需對(duì) EEG 信號(hào)進(jìn)行降噪處理。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。 為了提高降噪處理的精度，很多新的降噪處理方法被提出。實(shí)驗(yàn)結(jié)果表明，用ICA 分離干擾信號(hào)的時(shí)間遠(yuǎn)少于對(duì)信號(hào)特征 進(jìn)行分類的時(shí)間 ，而對(duì)分類而言，用 的時(shí)間對(duì)兩個(gè)不同的心理作業(yè)分類可以達(dá)到 85%的精度，用 的時(shí)間，可以將分類精度提升到 95%[4] 。由于用戶在操作的時(shí)候會(huì)做出錯(cuò)誤的反應(yīng)，他們結(jié)合 PCA方法通過使用一個(gè)自適應(yīng)的線性與處理和分類算法檢測 singletrial 中的錯(cuò)誤相關(guān)否定（ error related negativity, ERN），然后通過 ERN 的檢測對(duì)用戶的錯(cuò)誤進(jìn)行校正，試驗(yàn)結(jié)果表明，通過 ERN 對(duì)用戶的錯(cuò)誤進(jìn)行校正，提高了用戶的操作正確率，用戶的錯(cuò)誤率平均減少了 21% [5]。 目前 研究腦電信號(hào)的獨(dú)立源在頭皮電極上的分布情況，已發(fā)現(xiàn)當(dāng)相同的人多次進(jìn)行同一心理作業(yè)時(shí)，腦電信號(hào)中始終存在比較穩(wěn)定的獨(dú)立源成分。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 ,ICA 方法能有效的將這些偽跡濾除掉，成功的提取出獨(dú)立分量 [6]。 以便下面的分類處理 。 在 Dave P. Burke 等人的實(shí)驗(yàn)中， 通過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。 %。%。 Febo Cincotti 等人在實(shí)驗(yàn)中 根據(jù)腦電信號(hào)的功率普的差別對(duì)用戶不同的動(dòng)作意象進(jìn)行 基于腦電信號(hào)的腦機(jī)接口 第 7 頁 共 29 頁 區(qū)分。 在 Ramaswamy Palaniappan 等人在實(shí)驗(yàn)中 ，用腦電信號(hào)的功率譜密度（ PSD）作為信號(hào)的特征，使用 fuzzy ARTMAP 神經(jīng)網(wǎng)絡(luò)來分類不同的心理作業(yè) [9]。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 ,提取出視覺誘發(fā)電位信號(hào)，視覺誘發(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]。 EEG 信號(hào)的 分類 EEG 特征提取之后， 通過分類器 根據(jù)信號(hào)的特征進(jìn)行分類。常用的線性分類器有 ： 線性判別分析器（ LDA），邏輯分類器（ Logistic regression）等；常用的非線性分類器有，支持向量機(jī)（ Support Vector Machine SVM），神經(jīng)網(wǎng)絡(luò)（ NN）等。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挖掘數(shù)據(jù)的潛在結(jié)構(gòu)。 在 Eleanor Curran 等人實(shí)驗(yàn)中使用 AR 的方法進(jìn)行特征提取，并采用邏輯 小 回歸的方法進(jìn)行分類 [11]。在 Torsten Felzer 和 Bernd Freisleben設(shè)計(jì)的系統(tǒng)中，通過使用 PeGNC（ probability estimating guarded neural classifier）分類器將輸入信號(hào)為每一個(gè)獨(dú)立的輸入類別賦予一個(gè)可能的概率，這樣如果在概率相差不多的情況下，輸出將不做出判斷。第二個(gè)試驗(yàn)是在第一個(gè)試驗(yàn)的基礎(chǔ)上，通過仿真數(shù)據(jù)將分類范圍擴(kuò)大到四類，結(jié)果顯示于傳統(tǒng)方法相比， PeGNC 網(wǎng)絡(luò)在處理有重疊分類的任務(wù)時(shí)，有很大的優(yōu)勢 [12]。 del R. Mill225。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)分類器無法明確區(qū)分用戶當(dāng)前的狀態(tài)時(shí)，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(cuò)誤率低于 5%，其他的就都屬于不知道的范圍 [13]。而其中最關(guān)鍵的是將腦信號(hào)轉(zhuǎn)換為邏輯信號(hào)的轉(zhuǎn)換算法具有適應(yīng)能力，這樣才能提高腦 — 計(jì)算機(jī)接口的精度。實(shí)驗(yàn)結(jié)果證明，自適應(yīng)的系統(tǒng)僅需要適當(dāng)?shù)挠?xùn)練便能比同等程度的靜態(tài)系統(tǒng)表現(xiàn)出色，這種自適應(yīng)的轉(zhuǎn)換算法適用于用戶訓(xùn)練過程中腦信號(hào)出現(xiàn)動(dòng) 基于腦電信號(hào)的腦機(jī)接口 第 8 頁 共 29 頁 態(tài)改變的情況，并且離線試驗(yàn)分析揭示，這種方法可以產(chǎn)生更高的通信率 [14]。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]。 SVM介紹 支持向量機(jī) （ Support Vector Machine） 是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 (Structure Risk Minimization)的通用學(xué)習(xí)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(gè)最優(yōu)超平面，使得超平面到兩類樣本集之間的距離達(dá)到最大，從而取得最好的泛化能力。 設(shè)給定問題的訓(xùn)練樣本集為 {(x1。 (x2。 yl)}， 其中 xi∈ Rn； yi∈（ 1， 1）， i = 1…… l。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。支持向量機(jī)就是要尋找這個(gè)最優(yōu)超平面，而那些跟最優(yōu)超平面距離最近的點(diǎn)就是支持向量。如果 要解決問題的是一個(gè) 4 類問題 或者時(shí)更多類的問題 ，我們首先要先把這個(gè) 4 類問題 化歸到 2 類問題。 圖 4 多類問題轉(zhuǎn)化為二類問題 上圖 中 將四類問題 0， 1， 2， 3 分解為 M01， M02， M03， M12， M13， M23六個(gè)二類問題， M01 表示解決 0 大類與 1 大類所組成兩類問題的模塊。其它的 M 模塊以此類推。 黑線箭頭表示傳遞原值。Out0 是輸出：若 Out0 為 1，則表示輸入樣本輸入 0 大類。對(duì)于某一個(gè)輸入樣本，若 4 個(gè)輸出只有一個(gè)取值為 1，則該系統(tǒng)的結(jié)論自然是輸入樣本歸屬于該輸出相對(duì)應(yīng)的大類；若是 4 個(gè)輸出有多于一個(gè)取得 1 值，或者 4 個(gè)輸出取值全為 0，則該系統(tǒng)的結(jié)論是“無法判斷”。其他類似。首先，這些 2 類問題的訓(xùn)練樣本集規(guī)模 可能 非常龐大 。為了充分利用分布式并行計(jì)算機(jī)系統(tǒng)，解決大規(guī)模模式分類問題， 呂寶糧教授在 [16]提出了一種并行支持向量M01 M02 M03 M12 M13 M23 樣本輸入 與非 與非 與非 與非 Out0 Out1 Out2 Out3 基于腦電信號(hào)的腦機(jī)接口 第 10 頁 共 29 頁 機(jī)，稱為最小最大模塊支持向量機(jī) （ MinMax Modular SVM） 。這些二類子問題的特點(diǎn)是在訓(xùn)練過程中完全相互獨(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)。 一個(gè)大的 2 類問題經(jīng)過分解可以轉(zhuǎn)化成多個(gè)小的 2 類問題。首先，這是一個(gè)不平衡問題，我們期望通過劃分得到平衡的 2 類問題；其次，我們期望得到的 2 類問題規(guī)模不要太大，不妨 假 定為每個(gè)問題有 200 個(gè)訓(xùn)練樣本。按照這個(gè)標(biāo)準(zhǔn)，將0 類訓(xùn)練樣本集劃分為 10 個(gè)子集，記為 A0， A1， …… ， A9；將 1 類樣本劃分為 2 個(gè)子集，記為 B0， B1。對(duì)每個(gè)小的 2 類問題，單獨(dú)進(jìn)行訓(xùn)練，進(jìn)而得到每個(gè)小 的 2 類問題的解。 方法一： 圖