研究了一種基于運(yùn)動(dòng)想象識(shí)別的腦-機(jī)接口(BCI)系統(tǒng)，通過(guò)提取想象過(guò)程中的腦電信號(hào)（EEG）中Alpha波特征，采用多特征分類的方法，以提高腦-機(jī)接口系統(tǒng)運(yùn)動(dòng)想象識(shí)別的正確率。針對(duì)腦電信號(hào)單特征分類精確度低、耗時(shí)長(zhǎng)等缺點(diǎn)，采用自回歸模型法、統(tǒng)計(jì)特征提取和頻域分析的方法對(duì)Alpha波提取多個(gè)特征值，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，對(duì)運(yùn)動(dòng)想象進(jìn)行識(shí)別。通過(guò)實(shí)驗(yàn)驗(yàn)證了其識(shí)別率較高，取得了預(yù)期的效果，證明了多特征融合結(jié)合BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于腦機(jī)接口系統(tǒng)的可行性。

關(guān)鍵詞： 多特征；BP神經(jīng)網(wǎng)絡(luò)；腦-機(jī)接口；運(yùn)動(dòng)想象；Alpha波

中圖分類號(hào)： TN98

文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.16157/j.issn.0258-7998.171826

中文引用格式： 劉光達(dá)，王燦，李明佳，等. 基于多特征和BP神經(jīng)網(wǎng)絡(luò)的腦-機(jī)接口研究[J].電子技術(shù)應(yīng)用，2017，43(9)：72-75.

英文引用格式： Liu Guangda，Wang Can，Li Mingjia，et al. Research of brain-computer interface based on multi-feature integration and BP neural network[J].Application of Electronic Technique，2017，43(9)：72-75.

0 引言

腦電波（Electroencephalography，EEG）信號(hào)成分復(fù)雜，按照不同的頻段可以分為不同的波^[1]。

腦電信號(hào)中的Alpha波在人的前額葉處較明顯，相比于其他腦電波信號(hào)節(jié)律性最明顯，多在清醒閉目時(shí)出現(xiàn)。當(dāng)人思考問(wèn)題、睜開眼睛或受到其他外界刺激時(shí)，Alpha波消失；當(dāng)又閉上眼睛時(shí)， Alpha波又會(huì)重新出現(xiàn)，這個(gè)現(xiàn)象稱為Alpha波阻斷現(xiàn)象^[2]。研究表明，Alpha波與人的記憶、運(yùn)動(dòng)及感覺活動(dòng)有關(guān)^[3]，這種相關(guān)性對(duì)判斷大腦的運(yùn)動(dòng)意圖有著重要意義。

利用腦-機(jī)接口(Brain-Computer Interface，BCI)系統(tǒng)，通過(guò)對(duì)EEG信號(hào)進(jìn)行采集、預(yù)處理、特征提取和模式分類，實(shí)現(xiàn)運(yùn)動(dòng)想象識(shí)別是當(dāng)前研究的重點(diǎn)。

近些年，對(duì)運(yùn)動(dòng)想象腦電信號(hào)的特征提取的方法主要有：自回歸模型法(AR)^[4]、統(tǒng)計(jì)特征提取^[5]、頻域分析法^[6-7]。腦電信號(hào)的主要分類方法有線性判別式分類方法、神經(jīng)網(wǎng)絡(luò)等^[8]。

在腦電信號(hào)特征提取過(guò)程中，利用單個(gè)特征值的模式分類會(huì)造成訓(xùn)練數(shù)據(jù)量大、時(shí)間長(zhǎng)，甚至?xí)绊懛诸惥取Ｋ裕狙芯繉⒍喾N特征融合，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)腦電信號(hào)中的Alpha波進(jìn)行特征提取和模式分類，具有識(shí)別正確率高的優(yōu)點(diǎn)。通過(guò)對(duì)運(yùn)動(dòng)想象的腦電信號(hào)進(jìn)行特征提取和模式分類可以判斷出想象者的運(yùn)動(dòng)意識(shí)，結(jié)合腦-機(jī)接口，在肢體殘疾人士的康復(fù)治療、輔助控制和娛樂(lè)等方面有很大的發(fā)展前景^[9]。

1 腦電信號(hào)的特征提取方法及檢驗(yàn)

1.1 自回歸模型法（AR）

AR模型計(jì)算方便，設(shè)單通道腦電信號(hào)由n個(gè)采樣點(diǎn)x₀…x_n-1的活動(dòng)段組成，根據(jù)AR模型，信號(hào)中第k個(gè)采樣值x_k如式(1)所示：

式中，a_i為AR模型系數(shù)，p為模型的階數(shù)，e_k為殘差白噪聲。

對(duì)AR模型進(jìn)行參數(shù)估計(jì)的方法主要有自相關(guān)法、改進(jìn)協(xié)方差法和Burg算法等，其中Burg算法計(jì)算簡(jiǎn)單，產(chǎn)生的譜質(zhì)量較高。所以本研究采用Burg算法對(duì)AR模型進(jìn)行參數(shù)估計(jì)，經(jīng)實(shí)驗(yàn)驗(yàn)證AR模型Burg法估計(jì)模型參數(shù)p=3。

1.2 統(tǒng)計(jì)特征提取

(1)腦電信號(hào)積分值

設(shè)腦電信號(hào)為x(i)，數(shù)據(jù)長(zhǎng)度為N。積分值計(jì)算如式(2)所示，該特征表現(xiàn)了信號(hào)的集中程度。

(2)腦電信號(hào)均方根值

腦電信號(hào)的均方根值如式(3)所示，該特征體現(xiàn)了信號(hào)的離散程度。

1.3 頻域分析

在本研究中，選取功率譜、平均功率頻率和功率譜密度比值這幾個(gè)特征值。

將腦電信號(hào)看作隨機(jī)信號(hào)x(n)，有N點(diǎn)樣本值且能量有限，對(duì)其進(jìn)行傅里葉變換得到X_N(e^jω)；然后再取幅值的平方并除以N，作為x(n)的功率譜P(e^jω)^[10]，如式(4)所示：

式中，f_max表示功率譜出現(xiàn)峰值時(shí)的頻率，n表示積分范圍。

平均功率頻率是指在頻域范圍內(nèi)計(jì)算腦電信號(hào)的平均功率頻率，可以定量刻畫腦電信號(hào)頻譜的特征，計(jì)算公式如式(6)：

1.4 特征檢驗(yàn)

為了提高分類的正確率，采用K-W檢驗(yàn)法對(duì)提取的特征值進(jìn)行檢驗(yàn)。K-W檢驗(yàn)如式(7)所示：

對(duì)前后左右4個(gè)方向的600段特征值進(jìn)行K-W檢驗(yàn)，檢驗(yàn)的結(jié)果如表1所示。

從表1中可以看出，積分值、均方根值和AR模型這3個(gè)特征具有較高的值，選取這3個(gè)作為特征向量送入分類器中進(jìn)行分類。

2 腦電信號(hào)的分類方法

在提取完腦電信號(hào)的特征值之后，BCI系統(tǒng)選擇BP神經(jīng)網(wǎng)絡(luò)對(duì)這些特征向量進(jìn)行分類。

本研究采用的BP神經(jīng)網(wǎng)絡(luò)有4個(gè)輸入層(表示特征值個(gè)數(shù)為4)、7個(gè)隱含層、4個(gè)輸出層(表示要分類個(gè)數(shù)為4)，如圖1所示。

三層網(wǎng)絡(luò)在神經(jīng)元有限的情況下，能夠完成所需映射。BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程由正反向傳播組成，輸入信號(hào)x_i通過(guò)中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線性變換，最終產(chǎn)生輸出信號(hào)y_k，網(wǎng)絡(luò)訓(xùn)練的樣本包含輸入向量和期望輸出，神經(jīng)網(wǎng)絡(luò)實(shí)際輸出這兩者的偏差，通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的連接權(quán)值W_ji和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的連接權(quán)值W_kj以及閾值來(lái)實(shí)現(xiàn)，使誤差減小。經(jīng)過(guò)反復(fù)訓(xùn)練，確定接近最小誤差時(shí)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，此時(shí)，訓(xùn)練結(jié)束^[12]。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

本實(shí)驗(yàn)?zāi)X電采集系統(tǒng)結(jié)構(gòu)如圖2所示，采集電極采出腦電信號(hào)，經(jīng)過(guò)放大器放大微弱的腦電信號(hào)，濾波器濾除干擾，再經(jīng)由A/D轉(zhuǎn)換為數(shù)字信號(hào)，通過(guò)藍(lán)牙發(fā)送到上位機(jī)進(jìn)行處理。

3.2 實(shí)驗(yàn)條件及方法

電極位置按照Montreol法^[13]，國(guó)際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)安放，如圖3所示。將電極安放在受試者的前額葉上采集Alpha波，箭頭所指為電極安放位置，用作參考電極的耳夾夾在左右耳垂上。

為保證采集數(shù)據(jù)的準(zhǔn)確性，本研究采用舒爾特方格法^[14]，在實(shí)驗(yàn)之前對(duì)受試者的注意力進(jìn)行大量訓(xùn)練。

3.3 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)對(duì)象為男性青年，身體健康，矯正后視力正常，右利手。實(shí)驗(yàn)室環(huán)境安靜，室溫正常。腦電采集電極使用干電極。

在采集腦電信號(hào)實(shí)驗(yàn)數(shù)據(jù)之前，要進(jìn)行Alpha波阻斷實(shí)驗(yàn)，以驗(yàn)證腦電信號(hào)Alpha波采集的正確性，如圖4所示。

實(shí)驗(yàn)中，實(shí)驗(yàn)對(duì)象按照如圖5所示的實(shí)驗(yàn)范式進(jìn)行運(yùn)動(dòng)想象任務(wù)。

在實(shí)驗(yàn)開始前的半小時(shí)，受試者通過(guò)左右手和左右腿的實(shí)際運(yùn)動(dòng)來(lái)在大腦中留下實(shí)際運(yùn)動(dòng)的感覺。實(shí)驗(yàn)中，受試者坐在一張舒適的椅子上，身體自然放松，根據(jù)屏幕提示完成左手、右手、左腿和右腿的運(yùn)動(dòng)想象。

3.4 數(shù)據(jù)處理及結(jié)果

每次運(yùn)動(dòng)想象的數(shù)據(jù)的時(shí)間為30 s，采樣率為512 Hz，其原始數(shù)據(jù)（Raw data）如圖6。

先將原始數(shù)據(jù)進(jìn)入帶通濾波器，濾出Alpha波，再進(jìn)入50 Hz陷波器，濾除工頻干擾，最后小波包去噪，讓數(shù)據(jù)更好地進(jìn)行處理。原始數(shù)據(jù)經(jīng)過(guò)濾波處理后的圖像如圖7所示。

原始數(shù)據(jù)經(jīng)過(guò)濾波等處理后，進(jìn)行特征值的提取和分類訓(xùn)練。

表2為運(yùn)動(dòng)想象各方向的分類準(zhǔn)確率。

4 結(jié)語(yǔ)

本研究創(chuàng)新性地采用多種特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)腦電信號(hào)進(jìn)行分析。在提取出合適的數(shù)據(jù)段后，最終的分類結(jié)果與單特征和線性分類器方法相比正確率較高，證明了本文的多特征融合的提取方法結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)處理腦電信號(hào)的可行性，為腦電信號(hào)的處理提供了一條有效路徑。