基于独立分量分析的在线脑-机接口系统研究与实现(20210319210251)

1、基于独立分量分析的在线脑 接口系统研究与实现 Absiraa AtWact 龙 in * JcompuferL.nfeJlaceRiajis,: new Lype 2fr-uman bompu jn*lsBC3翹期 y_ htw-FgQspen?drRI-e such a ihe sower espqnse speed of system - fjie -ower resognzon accuracy and 屯 o are 洱三 some cruc.al Bszem 的 rdcdOBC1 sy空 n -mp-erTumta=on need s be on - Thus fhe researc

2、hes of efficCDnf EEG processing a-goshms have significant sowed* such ais【he s-owrtr response speed ofMHnlA tliE -owerccognidon alcxmcy meaning inbui-ding on-ine BQ system - and s . ThprJh 尹朮需护霑hesaf effkieHEmG prgessing 3tiForiLhm5 hnve -n f he research 023 1时於频域分析RTXER$现象 -；1耳：.3 :,2参数建模： 2.4 Ml.空

3、模式分类方法 2 : 4. 1线性分类器 2 : 4. 2非线性分类器 2.5 本章小结” 第三章运动想象脑机接口系统 3 . 1运动想象脑电采集：:-. 3:2信号预处理 /3 : 3特征提取伙:- ; 3 . 4模式分类二 35 控制- 丰 、 . 第四章独立分量分析， 3.4模式分类 3.5控制与反馈 3,6本章小结. 第四章独立分昴分析 3. 6 .14i 一.泊 1 ：7 18 15 .19 * + + “卄 F * + + + + * IT F 1 * 4 + +# + * r* + * + 卡* ！ EE *hi!i!F +， + + + *T!1! PF M 卜+ *I!F ；

4、* + * !. Ff + + * + * V 28 30 311 30 31 ,* + 1丄亠厶亠+4 3 丄 31 32343-符 5； 2系统的硬件平台“ 5；3系统的软件模块；.，. “ 5： 3 ： 1数据采集与预处理 5殳12 iCA滤波器设计处理 知冬J运动想象分类计 5： 3 4结果反馈 5 4系统的离线分析 5, 4.第频段选取 55 2运动想象数据段选取 5. 4 3 iCA导联选取 *+ 5； 4 4离线实验需.八 5. 5系统的在线实验，.：； 5- 6诩仑: . ：. 5. 6： 1实验数据分析 5.5 5丄6,2 ICA训练样本的优化选择 5；7本章小结 rfHj.

5、 鼻 4 kr r + + * + ” + + * r r s1 i - r + + rn ! n -irr r t * ! * * m f w f ? ? + r n !U ni i -r + -r r n ir T T n -r -r i! w m ir ir F F F r ta ai m sr 本章小结. 第六章总结与展望T 6 4总结卩二苟皿荷.七三 6. I总、三口 6： 2展望 . 参考文献 :. 滋44年即5455556-.5755创一站幹 4667M 曲S9 4!r一 B七 a-Bai+”l. b- fa 4. 1盲源分离 12ICA概 .- 肓第五章，基于； ICA .的在

6、线BCI.系统是全文的核心部分，本章设计并实现了 一个基于 |CA .的在线凹BC1 .系统。首先介绍了系统的实验范式和硬件平台，在 描述系统软件模块的过程中详细介绍了系统所采用乔种新颖的有利于在线实现和硬件平台，在 的ICA滤波器设计方法，并对该方法的有效性进行了验证。为了提高系统的在 描述系统软什模块的过程中详细介绍厂系统所采用一种新颖的有利于在线实现 线精度，本章详细介绍了通过系统的离线分析功能对在线实验参数的优化选择过 程。通过对离线分析结果和在线实验数据的对比分析，讨论了单个个体JCi和 个体间交叉Bel 系统性能的影响因素。最后分析了ICA训练样本的优化选择问“ 题。！ i - 第

7、六章，总结与展望；:.：；l I 八：; : J . 题 第六章，总结与展莖 万方数据 生物体中活的细胞和组织无时无刻不在发生着电位的变化，这称为“生物 电现象”。生物电现象在细胞层面主要表现为两种形式：安静状态下的细胞膜- - 内外的电位差产生的静息电位和细胞受到刺激时膜电位的变化产生的动作电m H阂剋吩 位,人体中产生动作电位的刺激可分为以下三种【日別企仙.】： 位, （1）自动节律。例如心脏，肠等自动组织无需外部刺激便: z月q匕.-,刺激自身。 2）内部动力。这类刺激来自于人体內部，如肢体的运动，首先在大脑产生:;i 命令，然后经大脑的运动皮层传输到肌肉。此类刺激被用来实现运动想象脑机

8、脈“丫接口：通过让用 户想象左右手或脚的运动来产生控制命令: 。BCI研究中常见的基于声VEp或p300的脑机接口采，用 R口研究中常见的基于SSVEP或1*300的瞄机接口兼 进门外部刺激。例如光进入眼睛,，声音进入耳朵时会在人体产生相应的电位 变化，这称 的便是此类刺激。诱发电位， 用打勺藩们日常生活中接触较多的心电图、脑电图、胃电图和肌电图等就是人体 相应的器官或组织中众多细胞生物电现象的综合表现。人体中这类能反映人体 形态、机能及其变化状态的信号称为生物医学信号。生物医学电信号是一类不 稳定的，微弱的低频非线性信号,由于人体是一个复杂的有机体：各种生物医；二咙炕H站 学信号之问会相互影

9、响，表二！ 2 : 1是几种常见生物医学信号的幅度和频率【応玉321。亍 稳定断微弱的低频非表字停常见生物医学信号的畐度忖的有机体，各种生物医 学馆号之间冬ab蜀巒哺e ampdei逻兄种常叽半物mm学辔me潮1幅嗖粋频率“ 表2.1常见生物医学信号的幅度和频率 Tab. 2The ani 卩 litude and frequency of common biomedical signals 信号名称 幅度范围 频率范围（Hz） 心电(ECG) 0.01-5 mV 0,05-100 脑电(EEG) 2*200 屮 0.1-100 肌电(EMG) 0.02-5 mV 5-2000 宵电(EGG)

10、 0.014 mV 0-1 安徽大学硕士学位论文.第二章运动想象脑电的特征提取与分类说 茲2脑电信号概述 作为高度进化的器官，脑是人体最重要的神经中枢。人脑约包含.50. J00亿个神经 元，其中约蚩亿个是皮质锥体细胞，这些细胞间通过突触传递魁突触淞递擔如图2 1所 示，人脑可大体分为大脑、小脑、脑干三个部分，包围在大脑表面的连通皮状结构称为大 曲圍2.1嶄不，X脑可大棣分为夫脑、/b.脑干三个祁分，包围在大脑表 脑皮层。大脑皮层由神经元、星形胶质细胞和其他支持细胞等神经细胞组成，皮层神经元 之间由大量的突触连接二脑皮层有两个一最为显著的解剖特征：沟和回。如图1 2/ 1（b），在 空间位置上

11、，大脑皮层可分为-若干个叶，每个叶对应了人体的一些主要功能。其中额叶对= 应学习、情绪、：抽.:象思维和自主运动等高级认知功能；顶叶是躯体感觉皮层对应空间，对- 应于视 I觉和体感等信息的处理与整合.；颞叶与嗅觉、.听觉以及高级视觉等功能相对吾二.二应；枕 页与视觉处理有关。.：. |；. ,-.:.：: 觉和体感等信息的处理与整合；颛叶与膜觉、听觉以及高级视觉等功能相对 图2. 1脑及大脑皮层分区 应；枕页与视觉处理有关。 闾人HiFigi.2 :川一曲eRuman妒9 351。现代医学中,常通过患者的脑电图对大脑及神经系统疾病（如肌萎缩 侧索硬化症、癫痫、脑损伤等拧 = ）进行诊断和治疗。

12、工茲代打讹：4：心 脑电用于精神病诊断的尝试，他在】924年利用真空放大管首次从头皮采集到脑 电信号现代医学中，常通过患者的脑电图对大脑及神经系统疾病（如肌萎 缩侧索哽化症，癫痫、脑摄伤等）进行诊断和治疗。 万方数据 安徽大学硕士学位论文.第二章运动想象脑电的特征提取与分类j . - .V 2卫1 1采集方法 11 万方数据 20% 10% 有优缺点。植入式方式主要用于脑部有严重损伤的入，而使用头皮电极的非植 有优缺点植入式方式主要用于脑部有严里损跡人，而偉用头皮电极的非檀 入式方式以其安全无创、简便易行、成本低廉等优点被广泛米用，故而本文也 使用此种采集方式。全无创、简便易行、锻本低廉等优点

13、被广泛采用故而本文也 为了规范脑电采集的电极安放位置，学术界普遍使用国际通用的“10.20国 际标准导联”系统,如下图所示。一般采用左右耳垂的Um i ?Al和A2电极作为参考宀 电 极。与左手，脚，右手的运动想象有关的电极为. - C3, Cz,C4。、程老吓丸存芒 电扱口与左手.脚右手的运动想象有关的电极为C3 S C4. 鼻根点 鼻根点 10% 20% 20% 20% 图-2. 2 1.0.； 20电极系统 Fig . 2. 2 1 0-20 Electrode System 图2.2 10-20电扱系统 2. 2. 2分类 Fig. 2J 10-20 Electrode Syslem

14、止工大脑皮层有其独特的生物电现象，它的电位变化有两种表现形式：一种是 连续的有节律的自发性电位变化生另一一种是由于眼、耳、鼻等感受器官受到刺现形式：一种是 激而产生的局部高电位变化 【361。根据这种电活动，我们可将脑电信号分为自发 脑 电和诱发脑电两种的自发性电位变化，另一种是由于眼、耳、鼻等感受器官豎到刺 激而生的局部高电位变化I殉抿据这种电活动，我们可将脑电信号分为自发 脑电和诱发脑电两种. .i（1）自发脑电i（EEG）。Berge在试验中发:现：正常人闭眼休息时，枕区和顶区沆和 会产生一种频率约为i0Hz,幅度约为一 509V的节律性电位变化,他将其命名为 a 波：而睁眼时，Q波被阻

15、塞，取而代之的是另一种频率约为18. 20Hz，幅度约 波；而睁眼时，a波彼阻塞，取而代之的是另一种频率约为18-20HZ,幅度约 为20. 309V的节律，他称这种节律为13波【34】。表2. 2列出了几种常见的自发脑 丄嫌这种节律为B波bl*表2,2列岀了几种常见的自发脑 二_ . ：!_ :二里垒E兰蛐tl兰坐一 表2. 2脑电节律二1 - 是几种脑电节律的时域波形图。 电节律“圏2,3是几种脑一一域波宦 表2. 2脑电 表2.2脑电节律 节律频率（1-Iz）幅度（pV）- 节律频率（HR幅度他 电节律。图 2 . 3 产生 产生 della节津 （询 】-4 20 -200 theti

16、节律 陶跛） 4-S 100 -150 alpha节律 373 1A 1 nn （0液） 2.U - 1UU beta节律 J4 -30 5 -20 皈人在腫眠，缺範深度麻醉大脑器质 性病变諄状态时产生 用倦，威大脑神经中枢系统被抑制时产生 闭目休息的安靜状态产生；睁眼，恩考， 接覺其他刺激时艘阻断 闭目是眄在额叶出现；突然听到肖响或者 挣眼看亲更等兴閒狀弯也会产生_ 图2. 3脑电节律 Fi磐域去甲Egwyims Fig. 2.3 EEG rtiythms 安徽大学硕士学位论文.第二章运动想象脑.电的特征提取与分类_ 可见脑电信号是比较微弱的，这给信号.的采集带来了.疋的困难，冋精度的库訂冲

17、 采集放大器有助于解决这一问题。此外，EEG还有较强的非平稳性，精神状态 莱嶽夭啓肴站于統决这一问題B此外，EEG还有较强的非平捷性，精神状态 和年龄等因素都会影响其节律，有时还会岀现一些瞬态冲击，较为典型的是癫痫患 者痉挛发作时的棘菠和快速眼动噪声等。用卅現gg 皿或 (Event-Related Potentials , ERP) (2)诱发脑电.(EP)。EP又称为 是对人体感受器官施加某种刺激后，在外周神经系统和中枢神经系统传递信- 1 的过程中产生的电位变化。例如让受试者快速判断屏幕上出现的图案是否是事J， 先约定的目标时，其大脑皮层的顶叶部分会在刺激出现后的册M忠L 300 / 5

18、00ms内产生事 P300龍位，所啟寸，P300;电位常被用来推断人的决策意识。皮层腐电位的幅度一s内产生 般小于 -10 - 309V，而脑干诱发电位比皮层：:EP还要小一个数量级。匕|尹有很强的 背景噪声，如leg emg等，通常使用平均和滤波两种方法从强背景噪声中提|. .取 Ep3.11.。刺激不同的感受器官会产生不同的诱发电位，据此常将EP分为视觉 诱 音彊噪声，如EEG EMG等.通裔備用平均和滤波两种方法从强背景噪声中提 发电位、听觉诱发电位和触觉诱发电位三种，它们的时域波形如图2 . 4。 N 舷4 电的波形匿h ttP : J . cnRqY4kcs) Fig . 2. 4

19、Waveform graph of EP 取刺激不同的感受器官会产生不同的诱发电位，据此常将EP分为视觉 诱发皑位、听觉诱发电位和触觉诱发电位三种.它们的时域波形如團2A. 图2. 4诱发脑 r 当前，常用于 BCI系统的脑电信号有同节律，恥beta 节律，SSVEP P30Q 慢皮质电位(Slow Cortical Potential ，SCP|?【21-23，37 391。此处的 mil 节律是产 生 于感觉运动皮层的频率范围为8. l2Hz的脑电信号，与川alpha节律不同的是I它对动 作、动作准备或运动想象较为敏感，且不受视觉的影响【401。beta节律中有| ； 一部分频率 是爭u节

20、律的谐波，廖率为率范圈26 8 - nHz的z的be埠节彳曲I mu节律有十分 欖密的 联系，因而也与运动或运动想象有关【.41。.所以|眄beta节律常被用作运动想象.訂 脑9机接口的控制信吗律的谐波，频率为186 H2的说i节律与耐 节律有十分 紧密的联系，因而也与运动或运动想象有关W叭所以mu/beta节律常被用作运动 想象脑机接口的控制信号。 2 - 23运动想象勺门ERb zER_S现象 EEG信号由散布，在大部分皮层区域的非局部频率分量和只岀现在特定区域 EE(j措书由蔽布在趣为後层区域的址局部频率分量费二 局部频率分量组成。表现在实际采集中就是非局部频率分量可被大部分电极采 量是

21、天 .的 呂出现在特定区域 局部频率 的局-E A甘 部频率只会在特定的一个或几个电极中岀现。显然，只出现在某个皮层区域的局汕m ： 部频率强度与该皮层对应的功能状态有紧密的联系。例如，当某个皮层区域被激:L：，： ； : , 活之后，某些频.率的节律幅度减小甚至被阻断，.这就是事件相关去同步化| 了 -卫 沁 海齟庄elated些DesynchF伸輛现剩剩4244。与ERD相对应的是事件相 关鈕步化(Event氐ReafednTSynQhrORiEO哋象,ERS现象F：某些活动在一定时刻增大关 了特，定节律的幅度却没有激活皮层的对应区域。在:沖冬、；EEG信号中可以观测到运动想戸谱 象I引发

22、的ERAERS现象，尤其在Q 波和B波中相对较为明显(5.】。图2. . 5呼】反 映的是几波中典型的ERp/ERS现象，图中横轴为时间，纵轴为：Q波能量。在图- 2 . 5的(b)部分，受试者持续的运动想象使得EEG的d波被抑制，其能量大大减 弱，此为ErD现象;当受试者从运动想象状态转为安静的放松状态时!： Q波能量急、 剧增强，即为-ERS现象fJ 此淘ERD现象；当受试者从运动想象状态转为安静的放松状态时a波能虽急剧 増强*即为ERS现象. F(a)Relax Image 厶 ,i 1. 图 : i 1 1 Ji- ;1 e 誓现象 /q band 2翟现 2. 5 Q波中的ERDE

23、Fig . 2. 5 ERD / ERS phenomenon , ERP与事件相关，ERD/ ERS与特定皮层区域的活跃程度. 二者是大脑思维状态的两种不同表现形式EJ一个同步事件既能产生nd 层区域的活跃程度和特定的频率相关, ERP也能 使得.EEG节律以i| ERDX ERS的形式发生改变。简单来说,；花:和ERPs是皮层神经元， 对传:：-:.丨：、 - I I- . NU 得EE 的信号幅度 这现象在想象右手运动时恰好相反。即，想象某一侧肢体运动会使得同侧（对 侧）感觉运动皮层沪m薜b誉节律幅度卜升呷卜降）象在三类运动想象中线想象左严虧 右手，脚的运动分别会在一-C4/C3, Cz

24、导联产生.ERD现象。- 侧）感觉运动皮层的mu/beta节律幅度上升（卜.降在三类运动想软山想象左手, 杵花 脚的运动分别会在響3, C导联爵 ERD现象 qb 癣 15 万方数据 MI. i手运动想象时的ERD现象(11ttp : /1 . 2 6 ERD phenomenonof lefl 引2. 6左彳 Fie cn / nah!lrand nioior ilna2e / R45efpN) 电疋游鴛辎城ERD现象（hnp:VLunZR4豎pN） 征提取万法、. 2在脑一机接口的概述粳们提到特征提取是BCI研究中的一个重要步骤，它 对于后续的模式分类和数据量压缩有卜分重要的意义。而脑电信

25、号是一种具有非 线性和强背景噪声的非平稳随机信号，所以找到一种高效的特征提取方法很有必 要。好的特征提取算法不仅要从EEG本身和运动想象. EEG 的 ERD ERS现象中提 取出有利于模式分类的特征向量，而且要在/ .fi.损失有效信息的前提下尽可能地够. 雯。好的特征提取算、法不仅矍从EEG木身和运动想象EEG的ERD/ERS现象申 14 提取出右利十模式分类的特征lJ量，而且要在金损先有效信息的前据下尽4能地压缩数据，以减少分类阶段的计算量。目前,BCI研究中常用勺特征提取方法时域，频域以及时频域 分析、脑电信号的参数建模方法、空域滤波方法等J倉数建谨分法.- 2- 3? 1时/频域分析

26、龙L m - 二工时域特征和频域特征是信号的两个重要属性。因为直观，且有明确的物理意 义，时域分析被最早用于脑电的特征提取。随着傅利叶变换的发展，研究者逐渐 开始从频域提取脑电特征，后来有人开始尝试时频域结合的特征提取方法。时/- 频域分析方法发展时间较长，是一类经典的方法。用皿刊卄它歎代 皿 硏共矗丄騎 幵始时域分析能够从波形图直观的观测到信号的几何特性，如幅值。时域分析主取方法。时/ 要是提取信号波形特征，如周期检测、峰值检测、均值、二阶中心距、三阶中心 距和四阶累积量（峭度）等。丄也J也心水逼:WW SC. -；根据：】2/ 2 -节的介绍，我们知道，脑电信号有很突出的频域特征，特别是对

27、节 律性很强的J ;EEG信号。.所以利用谱分析，相干函数等从频域角度提取脑电信号 特征是可行的，常用的方法有我们焉電谱分析、相干分析等出的频域特征.特别是对节 1作为一种非平稳信号.，脑电的瞬态变换蕴含了很多重要信息。为了充分利用 脑电的非平稳特性，时频分析方法将时域信号映射到时间频率平面，这样能够 特征是可厅的，常用的方法有PFT谱分析、相I分折等。 从时间和频率的角度更好的对信号的特征进行分析。此类分析中常用的有小波变 换和短爾叶变换等。本文将在第三章给巒换魏含酣哇EG做时频分析的实例。分利用 运动想象脑电的时域分析中常用的特征有：-mu节律能量一（二阶矩能量）和四阶 累积量【48】等。

28、其中提取二阶矩能量的方式理论简单易于实现。更重宴的是它的也沂总运 算量小；用于在线系统时有利于减少响应时间，提高系统性能。下面本文对这心心炉M讥种 方法做深入介绍- :J对于信号x（n1，令其均值为i，长度为W：，则可通过下式计算它的二阶矩：！？是 廷算聲一小，用于在线系统时有利干减少响应Nit间.提高系统性能*下面本文对这 种方法做深入介冬 掰：E阮”）】寺一以（21） 在实际处理中，为了充分利用上一步的计算结果，一般会基于样本的更新使用在1 线 递推算法来减小计算量。为了更加直观的介绍此方法，本文对一段时长为6秒 的左手运动想象数据提取二阶矩能量进行特征分析。鉴于选取的信号时长较1 在实际

29、处理中.为了充分利用上一步的计算结果* 一般会基于样本的更新使用在 线递推算法来减小计算虽。为了更加頁观的介绍此方法”本文对一段时长为6 秒的左手运动想象数据提取二阶矩能就进行特征分折”鉴于选取的信号时长较 安徽大学硕士学位论文.,，第二章运动想象脑电的特征提取与分一： 短，简单起见，这里采用基于当前时刻全部样本的在线更新策略。如果样本数量1 较尢或者用于在线系统的实现时，使用基于滑动窗的在线更新策略可以有效的减：小 后可 算法的计算量。由式（2丄1）n-门.2知对信号提取二阶能量前需要去除其均值，之 使用如下的递推公式：.; 嘣川者!吲卅掣 为了去除信号中的直流分量以及其他噪声干扰，此处对信

30、号进行了兔3杯的带 通滤波,C3,C.z,导联滤波后的时域波形如下图:，： Fig . 2. 7 T图3蠹氐猱导联带通滤波后的时域波齡filtering Fig. 2.7 The time domain wavefcrm ofC3TCz,C4 after band-pass filtering 基于公式（2 . 2），可以绘制出信号的二阶能量随着想象时长的变化情况，变化 曲线如图2 . 8 想 实线T,明显小于C3导联（最上方的虚线）和cz导联（中间的虚线）。这一现象 符 合运动想象的对侧控制原理，这说明通过比较信号的二阶矩能量也即I ：| mu节律龐 一。从图中可以较为明显的看出三类运动想象

31、时 手运动使得咕导联的信号能量被抑制发生了一Er ERS/ ERD现象，即 ERsa-wiO- j 量【49： 50】可以建立一种简单易行的三分类运动想象脑电分类算法，本文将在第:；，汕四章！ 节介绍这种算法的分类策略 凹章节介绍这种算法的分类策略。 5 6 时间用 1510 摧刊衽，|I Fig. 2.8- Fig . 2. 8 The cha nges ofthe seco ndmome nt energy 加C4导联的二阶矩能量变化：. e second moment energj! m C35C and C4 11in C3， Cz and C4 2恕2参数建模 参数建模方法处理脑电的

32、基础是假设脑电为准平稳信号15l】。我们知道脑电， 信号实际是非平稳的，所以在这个假设的框架下可以认为脑电是分段平稳的。因r. I - 此 在使用这类方法前需要根据平稳性对脑电信号进行分段;.且每次只能处理一个农”诜处汴脑电 平稳段，每处理一个平稳段都需要重新建立一个参数模型【阳。常用的参数H模型， 有自.回归(Aut。巒ess.%,.宀AR)J模型和自回归.滑动平均(AutoregressiveMXL； integrated Moving Average . ARMA)模型等。下面对此类方法中最为基础的AR模 integrated Moving Avcraget ARMA)teS!等卞面对此

33、类方法申礙为基础的AR橈 型方法做简单的介绍。AR模型的参数是一种常用的脑电特征。这种方法首先构 建需要构建一个券 对零均 统阶次 性系统，然后通过 的响应与待处理的脑电信号一致。此时系统的参数便可以看作是脑电信号的一种心 特征，与其他两种方法相比;参数建模方法提取的特征可能并没有十分明显的生1 J：- 理意义，嗣它属于方种间接的脑电特征提取方法特即3构建了信号殘例的一生 个AR-模- -I.: : CL.、；：- 型： P 工;疗)=一占qx(刀一w玎(2.3)| I7 万方数据 安徽大学硕士学位论文.第二章运动想象脑电的特征提取与分 上式中，P是AR模型的阶次，;.ai，是第:i .阶的参

34、数，w例是系统的激励白噪声。文献【311 统响应与脑电信号一致程度的判 S. -=-!- J4 、模型系数集 程度的判据也会彫响最优阶次的选取.成功建立模型之 对单通道脑电处理时的学AR模型阶次选取问题进行了研究，得出了如下结二“论：不同特征的脑电 活动选取的阶次不一样：信号越长需要的阶次越高；衡量系 论：不貝特征的脑电活动选取的酌次不一祥；信号鶴长需赛的阶次曙高辛御量皋 据也会影响最优阶次的选取。成功建立模型之后，可用的特征有：频域特征、模型系数 合、极点集合、振荡程度等： 后，可用的转征有；频域特征、模型系数集合、极点集合、振荡程度等 2. 3. 3空域滤波 233空域滤波 上面介绍的时/

35、频域分析和参数建模方法处理单通道脑电时有较高的运算效 在对实时性要求比较高的在线-，Bcb.系统中被广泛使用。但本文在前面已经.一 - 提到过，为了获取丰富的信息通常要采集多通道脑电信号，此时这两种方法的效./ ui.i-n. 果并不是很理想，因为它们不能从多通道脑电中提取出足够多的特征信息。作为 一种新型的多通道信号处理方法,，空域滤波方法可以充分利用脑电信号中的高阶 统计信息。 种新型的多通道信号处理方法，空域滤液方法可以充分利用脑电信号中的高阶 从2. 2节的描述我们知道不同的思维状态会在大脑皮层表现出不同的空间特 统计彳言民 征分布，从2 . 2. 3小节的左右手运动想象的空间脑地形图

36、（图2 . 6）可以看出，运动 想象的era Ers现象具有十分明显的空间特性。而空域滤波方法可以很好的对! 头皮电极的空间分布状态和各通道脑电之间的互信息加以综合利用，能够充分挖1 掘 运动想象脑电的空间特性以提取出更多的特征。另外，从原理上看使用空域滤弦“ /波方 法提取的脑电特征似乎比上述两类方法具有更多的生理意义。因其在脑电信需抚笔号处理 中瘍大潜力，这一类方法正受到越来越多的关注，常业脑电信号的鵬 理上看使用处理。滤 近年来以独立分量分析和共同空间模式述两挺Commow%觥地意CSp等雜域滤波 方法诫来越多地应用到，这曝系统的研究中。来越多的关汛常用于脑电信号的预 CSP基于协方差矩

37、阵的联合对角化，利用信号的时空特性寻找最优化的空间 要利用数据类型标签）, 了提高虽然而言CSp滤波设计以“最大可区分性”为准则，分性标穷属于依 赖数据标签的有监督设计，这对训练数据的采集提岀了很高的要求。例女口，在采集 训练数据时赖受憋须集中精黔严格地按照提示标签进行运动想提出了很象。嚟潜受例 试者自身的疲劳程度，运动想象经验和方式以及外界干扰等均会对 - 数据采集实验的效果产生无法预知的影响，因此真实思维活动与标签提示言息不一 致现象时有发生。这些错误标注的训练数据很难通过人工检查的方式进行剔 除，由. 此会造成-CSP滤波器性能的明显下降。.不过ICA也有其固有的“先天性”二不足，如：

38、独立分量（Independent .Components ,ICs）幅度和排序的不确定性。这：.：. 一问题的存在一定程度是制约了在綸切I CrJCA.BC1,系统的建立，且到目前为止，也*这 未见特别有效的解决方法。:常.见的思路是用不同特征的融合进行运动相关独立分冷丄忖八.量 （MRICs）的识别，但现有方法的通用性并不理想m- 1定性和定性都有待实 而 虫燼之其他两类方法感域滤波方法费量比较大，实时性和稳定性都有待提 高。所以如果在充分发挥优势的同时,能够找到一种减小计算量.，提 时性的实现方式，将会给这类“年轻”的信号处理方法注入更为旺盛的生命力， 这也是本文的研究重点。本文会在第四章

39、详细介绍独立分量分析方法，此处不 v 再赘 述。时性的实现方式，将会给这类“年轻”的信号处理方法注入更为旺盛的生命力* 血这也是本文的研究重点。本文会在第四章详细介绍独立分量分析方法，此处不 再赘述M. EEG的模式分类方法 2J提取到信号的有效特征后，要将特征分量输入分类器进行模式分类。BCI系 统模式分类的目的是将数字形式的脑电特征向量转化为驱动外部设备的逻辑控 制命令。具体到运动想象脑电信号的处理中，由于不同的想象模式会产生不同娶.的脑 电特征，所以本质上讲礴动想象脑电融式分类就是从获取脑电的特征“反外部设备的護” 岀想象类型，然后根 BCI系统的控制准确性，影响分类性能的因素主要有两个

40、，其一是分类 的控制命令时 I勺准确性直接中：二 的脑吐特征，所以本质上讲，运动想象脑电的模式分类就毘从获取脑电的持征龍反 推出想象类型.燃后根据推断的结果生成对应的控制命令。分类的准确性直接 决定了 BCI系统的控制准确性，影哦分类性能的因索主要有两个，其一星分类 t9 万方数据 基于独立分量分析的在线脑.机接口系统研究与实. 器的输入也即特征分量是否能够准确的描述脑电信号的真实特征且易于被分类I; 器区分开来，另一个是分类算法本身性能的优劣。目前，.BcI使用的分类器可大 致分为线性分类器和非线性分类器两大类，非线性分类器中常见的有神经网络、匚非 线性贝叶斯分类器最邻近分类器四种，另外还有

41、将多种分类器组合在一起的器组合在-所谓 组合分类器阮，一531。 2出1线性分类器 线性分类器是在在HCI研究中应用最为广泛的一类分类器，它们采用线性函用线性函 数作为类别判断的依据。在众多的分类器中线性分类器的速度最快，而且原理简单 Machine； sVMHJ。1门！人 :： :1 Ai：i 泊门Lda首先会基于一个标准的概率密度函数为每个类别建立一个概率密度模 型，并且保证标注模型和所有类别的概率密度函数具都有相同的协方差。输入特1;-征 向量后，劇用这些类别的概率密度函数计算对应的概率，讒终这个特征向量会协方差。输被划 归到概率最大的一个类别中。目前，支持向量机在脑电信号的模式分类中已

42、经取得 了很好的效果，它在解决丨Bq.研究中的小训练集等问题上面有独特的优势。：SVM 基于核函数在高维空间对特征向量进行分类，在线性可分问题上，它.,;希望找到 一个线性的超平面对两类样本进行分割，判定分类面最优的依据是支持向量到分 SVM 于核函数在高维空间对特征向量进行分类，往线性可分问題上，它 类面的距离最大。 希望找到一个线性的超乎面对两类样本进軒分割，判定分类面最优的依据是支持 2 - 4 2非线性分类器 :. r 4非线性分类在大型的复杂的数据分类上表现出了很大的优势，主要有神经网络 (Neural Networks， NN),非线性贝叶斯分类器(Nonlinear Bayesi

43、an classifiers)，最邻 近分类器we篥乘ighbor的afs徴躊。类上表现出了很大的优势，主要有神经网 八下面对这几种分类器做简单的介绍 W 352】：題同线性分类器一样，神经网络也是BCI中应用得较多 焙J的一类分类器，且叩:I /I、:I： U I ： 具有很好的通用性：只要神经元的数量和层级足够多，NN可以逼近任何连续函 数，这使得它可以灵活的处理各种模式分类问题。常用神经网络分类器有多层感 具有很好的通用性；只要神经元的数量和层级足够多，NN可以遛近任何连续函 数.这使得它可以灵活的处理各种模式分类问题常用神经网络分类器有多层感 # 万方数据 安徽大学硕士学位论文.第二章

44、运动想象脑电的特征提取与分类, 知器(酗冊卧詁昭锢眼口； 1ML曲学习向量量化-加ning隧 锻辟创腳魁叽， LVQ网络，动态神经觀轆貓iN震筠雜乩，DNN以及贝叶斯逻辑辑回I辑回神 经网络(Bayesian Logistic Regression Neural Network , BLRNN)等。其中使用最 为 神经网络但叭tsian Logistic Rcgfession Neural Network, BLRNN)其中使用慑 广泛的是 MLR每一个多层感知器由几个神经元层级构成，他们包括一个输 入层， 一个或几个隐含层以及一个输岀层。一乜每个神经元的输入都是前一层神经的r 输岀，输 出层

45、神经元的输出结果取决于输入，MLP的特征向量士守专读哥为神浓询 嘯显非线性贝叶斯分类器能够生成非线性决策边界，并且它们能够很好的抑制非确 定性样本对分类结果带来的不媲响。.成耳(隐马殊可夫模型-(Hidden # MarkOVMdes抑HMM) 和贝叶斯二次判别分莓结果 糊蹄丽良Qadratc马；DisCT 型dAnOJM抑BQDAlodek, 等都属于非线性贝十斯分类器。W.最近邻分类器是一种根据特征向量的最近邻对其进行分类的非线 英心 性分类J厂.心 英瓠 器，不同的算法选取的最近邻会有所不同。.例如慝迂邸.一近邻(kNearestNeighborsj,KNN)分类法选取训练 集中的特征向

46、量作为最近邻；马氏距覽(Maha|anobis分、类模型也是一种常见的最近邻分类 分类法选取训练集中的特征向量作为最近邻；马氏距离(Mahalanobis distance)分 相比于仅使用单个分类器，将多种相似的分类器组合到一起可以减少分类的 错误,，提高分类稳定性”55】。常用的分类器聚合策略有：投票(Votin91 ，叠加 (Stack% 助推(Boosting/等宀一； ，具体到运动想象脑电的分类器选择,应本着“就简”的原则。因为简单的分- 1：- 类策略往往有更强的抗干扰能力抑分类效果也更加稳定，而且简单的分类方法有 利于在线脑一机接口系统的实现。.正因为如此抑线性分类器才能在rm

47、回“:bci研究中倍 受青睐。第五章会提到抑本文的在线系统选取的是基于. . mu节律能量的分类方法抑 该方法可以有效的对三类运动想象模式进行区分抑可以满足在线系统对分类算法川；.：. 实时性的要求。章会提到，本文的在线系统选取的是基于mu节律能最的分类方袪. 2 5：本章小结* :癸応兮祺点空匸它汁(匕唬m貧奈込討賈真比 实时性的要求：口 本章主要介绍了运动想象脑电的特征提取和模式分类方法。首先介绍了人体 生物医学信号的产生和分类，并介绍了几种常见的人体生物医学信号的参数。 2 . 2节交代了基于运动想象脑电的脑机接口系统的神经生理学基础。介绍了 脑电信号的产生机理抑简单说明了脑电采集的电极

48、安放标准。分别对;自发脑电的：- 主物医学信号的产生和分类，并介绍几种常见的人体生物更学信号的参数。 节交代了基于运动想象脑堪的胸机接口系统的冲经生理学基础介绍了 晡电信号的产生机理，简单说明了脑电采集的电极安放标准.分别对自发恼电的 万方数据 节律分类和诱发脑电进行了阐述，并們/beta节律引出了这一小节的重点内容： 鹳剧黨现象。的ERD/ERS现象” 想象脑电处理中的特征提取和模式分类方法进行了介绍 运动想象脑电的 接着对运动想象脑电处理中的特征提取征 取方法主要分为时/频域分析、参数建模、空域滤波三类，分别对前两类方法中 模式綁法主要分类方法中 介绍“特征提 具有代表勺 为线性和非线性两

49、种，非线性分类器中又包括神经网络、非线性贝叶斯分类器、 最近邻分类器等。本章的最后简单介绍了运动想象脑电分类器的选取原则。 最近邻分类器等。本章的最后简单介绍了运动想象脑电分类器的选取原则 AR模型方法进行了简单说 # 万方数据 安徽大学硕士学位论文.第三章运动想象脑机接口系统. 万方数据 弾信号作为控制信号的脑机接口系统称为运动想象脑机.接 MIBCI及其实现方式有具体而完整的认识，本章将基于第一章 详细描述-MIBCI 右利手的受试者，其左纓状况、獄型手的对侧J早的 1【爵】。由于受试者选择上的限制，所以要的对赢 剌激来引导受试者定成垣动患象侄业* C *il一 L 佩畫临按财的曼试疔 器

50、 运动想 I 3 1 Motor imagery - E ?文鼍凌蠢 j-_L! 采集较件 采集较件 口系统。为了对 对BCI的介绍和第二章对MI . EEG的介绍，结合 的实现过程。要提出的是，因为本章汨的在于介绍MIBCI，的实现过程,-所以， 每一步都尽可能的使用简便易行的实现方法。壮血二沉上凸怕 曲於二?迁； 所以每一歩都尽可能的使用简便易行的实现方法。 3. 1运动想象脑电采集 3J运动想象脑电采集 MIBCI系统对想象类 在采集实验开始前要选择合适的受试者。如前所述， 型的判别依据是运动想象脑电的. ERD ERS现象，不同受试者1ERDT ERS现象的强: 度有很大差别，.甚至有

51、的受试者在进行运动想象时不会出现能被有效区分的，.，.,：.WERD / ERS现剽26j。此外，受试者的年龄、性别、健康状况.、疲劳程度、利手情池： 况等都会对实验结果产生影响。例如对于右 ERD现象要强于右侧（非利手的对侧） 择到大量符合要求的受试者的可能性较小。 的ERD现象要强于右侧非利手的对侧）皿】。由于受试者选择上的限制*所以要 如下图所示，非植入式的MIBCI系统使用电极帽记录运动想象脑电，经过 专用的脑电放大器输送到计算机采集软件显示、保存、处理。通常需要提供视觉刺 激来引导受试者完成运动想象作业。口imK便F电站附迁：汽加艺皆加上.甘 专用的脑电放大器输送到计算机采集软件显示

52、、保存、处理通常需要提供视觉 图Ml运动想象脑电采集 Fig. Tl Motor imagery EEG acquisiLion 安徽大学硕士学位论文：基于独立分量分析的在线脑.机接口系统研究与实现.一 万方数据 下图显示的是八导联原始*. EEG信号中某个单次运动想象的时域波形。运动 想象开始的位置记为时间零点，数据时长为： 可以看出Fpl，Fp导联的原始信号中含 时怏为1時，其中中-6是 曰的口工口日/士旦 庭眼信号。 很耳 -:宜 m 卿 1009 1 迦 )00 2颗 300040005l50Q 6000 fiSOQ 7000 T50Q BO00 CO 9300 Bf fffll/mi

53、 段 图3 . 2原始EEG信号 Fig, 3 3 ?ornap ee 偽nai Fi些 J.2 Original EEG signal 33 2信沁 输入信号的预处理是BCI系统实现过程中的一个重要步骤，是提取岀具备 良好可识别性特征分量的保证。运动想象脑电信号的预处理操作主要有：带通滤-=乙 波、去工频干扰、消除基线漂移、空域滤波等。本文所使用的采集放太器中内置It鼻 产遵了 03 5去00频q带通滤波和去除工频干扰的域滤搀等z陷波等预处理操作。还需对信号内資 进行进一步的带通滤波。.3花紀密K花工浣莪漲缪蛙逬-庄远K 帝.：.从频域来看,，与运动想象相关的脑电信号集中在一定的频段之内，所

54、以通常 。常用的数字滤波器分为无限长冲激响应数字滤波器 也有一定的要 使用带通滤波去除非目标干扰以提高信号信噪比。滤波频带.的选择也有一定的要. .j v讨 求，.频带过宽可能会引入一些噪声干扰. 失，即所谓的“过滤波”。常用的数字滤波器分为无限长冲激响应数字滤波器(IIR) 求，频带过宽可能会引入一些噪芦干扰.频带过窄则可能导致部分有用信息的丢 失，即所谓的“过滤波S常用的数字滤波器分为无限长冲激响应数字滤波器町 和有限冲激响应数字滤波器(FIR)两种，它们的系统响应函数如下式： 和有限冲激响应数字滤波器(FI鳥:我:$ 酢=篙簧 25 万方数据 脑电信 MagnitudeResponse(

55、dB) Magnitude 总旺閉环乂 fdBii 对比上图中滤波前后的频域波形可以看出，ofband-8.s30i-121系统研究与实现. 中的EOG信号。 Fp1 C3 咖啊忡幽加 I 啊怦痢阳啊怦艸融伽 亦岬v Oz O2 W*1 Sea Re 30 L.174 30.74 r # - 万方数据 MM 10L 3L8 Activity 图3.8 C4导联的功率谱 pig, 3.8 Activity powir spectrum of C1! 安徽大学硕j学位论文第三章运动想象脑一机接迪遜.U系统 3小3特征提取 mibc |系统特征提取的主要目标是提取出运动想象时间段的刖宙；庇習 ERS

56、特征 参数。理论上预处理阶段得到的独立分量越接近运动想象独立源，特征提取阶段 参数口理论上预处理阶段得酗龜工分縊越接近运动想彖碰=源，特征提取阶段 提取到运动想象数据段的 ERQ/ ERS现象越明显。对于不同的受试者，其ERQZERS 的现象出现的频段可能会有所不同。 的现象出现的频段可能会有所不同a 提取到运动想袅数摇凰的JBD/ERS现象越明欺对于不同的受试者，其ERD/ERS Fig . 3. 9 Independent components maps 團3.9独立井量的头皮位置分布图 Fig. 3.9 Independent components cnap$ 由于ICA的排序不确定性，

57、在对 Ml . EEG进行特征提取前需要先确定M /. %G在输出信号中的位置。可以通过独立分量在头皮位置的鑰征提取（掃諭虧进行 简单判断，通过独立分量的空间脑地形图，可以确定在 , C3，.C4电极处分丿 有最大强度的 IC2，IC5，IC6为MRICs。它们与运动想象类型的对应关系为 I费脚判題右手，鶴怦分别畔iC甩iC咚iC毎。如图3.是对同一 受试者某次实验中三种想象类型MRICs的时频分析。对比-C3； Cz，C4三个电极 的时频分析图，想象左手运动时，手。分别注极1P即de.-L）约在06 S时间段内发愎对了 ERD现象：想象右手运动时种想象类电如即QC的时约在0. 5对时间段内出

58、现了4 土Rd 輸斶象脚部运动时，想缴即IIC的创约在的4理时间段内发生了较为嘶镀生 竽锲象。三个想ERD现象发生的频段都在橄砒0 .14姗左右种这便是该受试者本次ERD 实验的特征提取频段。此处要说明一点种在线系统构建过程中的一个难点是实现；, ERD现象.三个ERD现象发生的频段都在10J4HW左右*这便是该受试者本次 实验的特征提取频段此处要说明-点，在线系统构建过程中的一牛难点是实现 运动梢父独涉分量的自动选取，j本文仅利用进域信息实瓯佶总宝揽7种种MRiCt自动选j淨算法，将在第 “章详细说明。：，. 增噼甜叶日衔 10运动相关独立分量的时频分析 炉:n -c 万方数据 Fig .

59、3. 10 Time-frequency - anal)7sis I。MRQs Fig. Tnne-ficquency anahsis lo MRJCs 确定ER ERS的发生频带后，可以使用带通滤波器滤除MRICs中除该频带以外的其他频率分 量，以提取出易于分类识别的运动想象特征向量。XllF) 三个能量的最小值。例如，对IC . L, IC . R, IC . F进行特征增强后，分别计算它 们在想象时段的信号能量，得到直方图如图八 3. 11/从图中可以直观的看出能量 最小的独立分量是，IC .F,此次试验的想象类型为脚。；二富Y 5汨腎沁 最小的独立分虽是IC-F,此次试验的想象.类型为

60、脚“ 0-0.40 序 07 图3. 11三分类运动想象分类结果 Fig . 3 .Sass | motor, imageries“誉帀厨帧 r results Fig. All 3-class motor imageries classificatian 占 3点5 一控制与反馈 经过模式分类得到控制命令后，可以根据应用场景使用肚疔谆.i护”对外部对象 进行控制，如轮椅、机械外骨骼、游戏设备，计算机软件等等。通过更换控制模块 进行控制，如轮椅、机械外骨騎、游戏设备，计算机软件等等m通过更换控制模 可以使 MIBCI应用于不同的场景。另外在控制的过程中用户可以通过控制结果 的