视觉诱发脑电信号特征提取方法研究201205

1、五邑大学本科毕业设计摘 要脑机接口（BCI：Brian-Computer Interface）是在人脑和外界（外部设备）之间建立不依赖于常规大脑信息输出通路(外围神经和肌肉组织)的一种通讯系统。扮演系统传输角色的脑电信号（EEG）通常会混叠了眼电、肌电、心电等多种不同的成分。 P300是一种诱发电位，常用于构建脑机接口系统的脑电信号，是神经系统接受特定模式下的视觉刺激所产生的电活动，在特定的脑头皮区域信号能量分布比较明显，相对比较容易检测，在脑机接口中广泛应用。P300顾名思义是根据事件发生后约300ms处脑电信号中的一个正电位波形命名，是由小概率事件诱发产生的事件相关电位（ERP）。本文研究

2、的是脑电信号的处理，即如何从采集到的原始脑电信号中提取有用的信息；另外就是寻求有效的分类特征和分类算法。引用来自BCI Competition III Challenge的数据进行处理（特征提取和分类）。本文采用简单的P300脑电处理算法对实验收集的脑电数据进行预处理。利用巴特沃斯数字低通滤波器进行滤波，并且利用加权平均叠加算法消噪提取P300的幅值特征。然后通过支持向量机（SVM）分类算法处理采集到的数据，并且实现对P300信号的分类识别研究。关键词： 脑机接口(BCI); 脑电(EEG); P300; 特征提取；支持向量机（SVM）AbstractBrain Computer Interf

3、ace (BCI) established the brain and the outside world (external equipment) between the conventional brain not rely on the information output pathways (peripheral nerve and muscle tissue) a communication system. EEG, playing the role of transmission system usually contains many kinds of different ing

4、redients like eye electricity, muscle power, ecg and so on. P300 is a cause potential.It is often used to construct the brain computer interface system eeg, It is nervous system take particular mode of visual stimulation of the electrical activity generated in specific brain scalp area signal energy

5、 distribution is quite obvious, and relatively easy to be detected. It is widely used in brain computer interface.As one component of electro encephalo graphy(EEG) signal,P300 potential is a positive peak at about 300ms after the target stimulus onset in the EEG,occurring in response to infrequent o

6、r particularly significant stimuli.Here, We studies the EEG signals processing, namely how from the primitive brain electrical signal acquisition to extract useful information; Another is to seek effective classification feature and classification algorithm. References are BCI Competition III Challe

7、nge of the data processing (feature extraction and classification).Firstly, we use traditional algorithms for P300 EEG data processing, including low-pass Butterworth filter to smooth EEG data and optimal weighted average algorithm to remove the random noise. Then algorithm processing the data colle

8、cted through the support vector machine (SVM) classification, and realize the P300 classification identification of the signal.Keywords： Brain-Computer Interface; Electroencephalogram; P300; Support Vector Machines; Classification（SVM）目 录摘 要IAbstractII第1章 绪论11.1视觉诱发脑电信号的概述11.2课题研究的背景和意义11.3 脑-机接口国内外

9、研究现状21.3.1诱发视觉脑机接口21.3.2自发EEG脑一机接口31.4本论文主要内容3第2章 视觉诱发脑电信号相关基础知识42.1脑电信号介绍42.1.1采集脑电信号方法42.1.2脑电波的分类42.2事件相关电位P30072.2.1事件相关电位72.2.2 P300脑电信号及其特点82.2.3 P300的研究现状及存在的主要问题82.3本章小结9第3章 基于视觉诱发P300脑-机接口103.1 脑-机接口的工作原理及基本结构103.2 P300脑一机接口实验设计和数据获取103.3 P300脑电信号处理133.3.1 信号预处理143.3.2 信号的特征提取143.3.3 信号特征分类

10、153.4本章小结16第4章 视觉诱发脑电信号P300特征提取174.1 视觉诱发电位174.2 P300的特征174.3视觉诱发信号P300幅值特征184.4 本章小结21第五章 基于SVM的视觉诱发脑电信号P300分类算法225.1支持向量机SVM225.2 基于SVM标准数据分类识别255.2.1 研究数据的简单介绍255.2.2 数据分析265.2.3 数据预处理275.2.4特征提取275.2.5 数据分类过程285.3本章小结29总结与展望30参考文献31致谢32附录1：MATLAB相关语言意思33附录2：本文引用到的程序331、幅值特征提取332、SVM分类算法36附录3: BC

11、I Competition Challenge竞赛数据37IV 第1章 绪论1.1视觉诱发脑电信号的概述视觉诱发电位【1】(visual evokedpotential,VEP)是指枕叶皮层对视觉刺激产生的，可以用头皮电极检出的电活动，又称为特异皮层视觉诱发电位，或皮层视觉诱发电位(visual evoked cortical potential)，是一种长潜伏期的近场皮层电位。 VEP的信号十分微弱，在提取方面存在着一定的难度。通常，从人头皮上记录下来的诱发电位信号波幅只有3-21V，而背景噪声却很大，主要来源于自发脑电，肌电，以及50Hz工业频率电磁波在人体引起的感应电势等，仅自发脑电的波

12、幅就高达20-100V。微弱的诱发电位信号通常淹没在背景自发电位及其他噪声中。因此，如何完整，准确，简单地从强背景噪声中提取微弱的VEP信号，一直是众多科学家研究的焦点课题。1.2课题研究的背景和意义大脑是人体所有高级神经中枢所在地，作为人体最复杂的部分，也是迄今为止宇宙中所知的最为复杂的组织结构。对人类大脑的综合研究己经成为当代科学发展的热点方向之一。由于大脑的复杂和神经联系的丰富多样的特性，对大脑的研究已经涉及到多个领域的交叉技术。当前社会，神经肌肉和大脑的障碍所引起的疾病困扰着越来越多人们的生活。如今的医学虽然能够通过各种方法减缓这些疾病患者的病情，但始终是治标不治本。这些病者通过辅助治

13、疗后虽能进行些近于常人的活动，却更希望正常地与他人进行交流。这种患者的现象已经开始影响到社会的发展，同时也给患者的家庭构成沉重的负担。因此我们迫切地希望能建立一个人与外界环境之间的信息交流与控制的新型通道，可以直接从人的大脑获取信息而不仅仅依赖于人体的外周神经系统和肌肉组织。脑机接口(BCI:Brain-Computer-Interfaee)技术形成于20世纪70年代中期，是一种涉及医学、神经学、信号检测、信号处理、模式识别等多个领域的交叉技术。虽说脑机接口技术还是一门新兴的科技，而且其研究初衷是用于医疗领域，为一些患者提供方便。但近30年来，随着电子和信息技术的快速发展，脑机接口的研究团队越

14、来越多，其研究成果也取得了巨大的进步。人们发现其除了应用在残疾人医疗康复领域，在其他科学研科学研究领域和社会生产活动中也有着潜在的价值。以下是现阶段的脑机接口在一些应用领域的具体介绍:(1)辅助控制:提供一种在特殊环境下控制外部设备的途径。例如在一些恶劣的生产环境下，不允许工作人员进行现场的操作，为了保证生产的正常进行，可以通过脑电控制相关单元。(2)游戏娱乐:作为脑与外部环境的信息通路，脑机接口可以为人们提供一种新的娱乐方式。例如仅仅通过思维想象就可以玩电子游戏。(3)脑科学研究:在研究脑机接口的同时，也是人们对大脑进行深入研究和不断认识的过程，其中取得的一些研究成果将促进脑科学的进步与发展

15、。由于脑电信号的微弱性，复杂性，数据量大等特性，目前所展示的脑机接口系统还很不成熟。如何提高单次试验的分类识别正确率和系统传输比特率是现今的热点和难点。可以预见，在未来，随着各学科研究的进步，脑机接口的应用领域将不断拓展，其研究意义将愈发愈大。1.3 脑-机接口国内外研究现状通常，BCI技术又被称作直接神经接口技术，有单双通道之分。单通道BCI技术只能在同一时刻用电脑接受大脑指令或向大脑发送指令，而双通道BCI技术则能在大脑和电脑之间同时建立起指令(信息)交互链路。目前，世界各国研发机构公开的成果主要集中在单通道BCI技术领域，该技术通过直接采集来自大脑的神经生物信号，并将其转换为输出指令，而

16、不依赖正常的外围神经中枢和肌肉组织输出通道来实现指令传送。目前的BCI系统大多是在线的、同步的和无创伤系统。对于这种在线的、同步的和无创伤的研究方法，再依据EEG的产生是否需要外界刺激，分为诱发EEG(视觉刺激法)和自发EEG(心理作业法)两类对于目前BCI系统的研究现状进行说明。1.3.1诱发视觉脑机接口该方法基于人接受外界视觉刺激所产生的特定电活动，所产生的信号电位有其空间、时间和相位特征与刺激有较严格的锁时关系。目前在BCI的研究中主要有p3oo法和 VEp(Visualevokedpotentials，视觉诱发电位)法。1.P300是一种事件相关电位(Event related pot

17、entials，ERP)，当实验者受到特定视觉刺激后的300ms内，EEG呈正向峰值，对其进行特征提取来研究实验者接受刺激后的脑电变化，这种研究方法称为P300法。它反映了大脑对稀少事件的认知，相关事件出现的概率越小，所引起的P300越显著。2.视觉诱发电位 (Visualevokedpotentials，VEP)视觉诱发电位人眼经过“集中注视”活动诱发大脑视觉皮层神经的特定电活动在头皮电位的反映。基于VEP的BCI系统依赖于使用者控制眼睛注视方向的能力。试验通过对操作者经行生物反馈训练，可获得稳态视觉诱发电位(Steady stateVisualevokedPotentials，SSVEP)

18、。MatthewMiddendorf等开发了基于VEP的BCI系统，他们在屏幕上设置了几个以不同频率闪烁的按钮，使用者注视其中的一个按钮，系统分析VEP的频率，如果匹配于某个按钮闪烁的频率，就可确定使用者希望选择的按钮。2002年开发了利用ssvEP实现电话拨号的实验系统，2003年实现对电灯、电视、电话等室内环境控制9，2004年开发的Bcl系统能够帮助残疾人利用SSVEP通过红外遥控设备控制电视和空调、拨打电话并启动语音播放。清华大学2004年开发了患者主动参与的上肢康复训练系统，患者利用ssvEP的主动参与有利于提高治疗效果。2006年针对SSVEP的BCI系统不同受试者个体差不同导致控

19、制效果变化差异较大方面，证明了通过通道位置的选择、刺激频率以及选择速率的调整可以减少这种差异带来的影响。1.3.2自发视觉脑一机接口该类方法无需外部刺激，用户通过执行特定的心理活动来实现。简单概括有如下几类：1.事件相关同步电位 (ERD)和事件相关去同步电位(ERS)2.皮层慢电位 (SlowCortiealpotentials，SCP)3.自发EEG的波、节律和节律信号1.4本论文主要内容 视觉刺激产生的P300信号时间特征与刺激有较严格的锁时关系，相对比较容易提取特征，基于视觉诱发的P300脑一机接口系统具有不需要初始训练的优势，易于在线系统的实现。传统的P300脑电信号分类算法存在叠加

20、次数多，分类准确度低等不足等。基于统计学习理论的支持向量机能够很好的解决小样本的学习问题。论文结构安排如下:第二章是关于视觉诱发P300脑机接口系统的一些基本概念，并对事件相关电位P300做了详细的介绍。第三章阐述了基于视觉诱发P300脑-机接口实验过程中数据采集，特征提取以及分类的基本概念和步骤。第四章介绍了P300脑电的诱发以及实验的记录过程，幅值特征提取。第五章对EEG信号的预处理，通过支持向量机（SVM）分类算法处理采集到的数据，并且实现对P300信号的分类识别研究。最后对全文的工作做了总结及展望。第2章 视觉诱发脑电信号相关基础知识2.1脑电信号介绍2.1.1采集脑电信号方法脑电图在

21、头皮外测量，电极仅仅用于接收信号。这是它最大的优势，不会对监控的大脑造成任何可能的损伤。而它的缺点也同样明显：在头皮外接收到的电信号不仅微弱，而且多个脑区的活动信号会叠加在一起，最终形成看起来十分混乱的波形。幸好这些缺点可以部分克服。微弱的电信号可以放大，而波形的分离早在十九世纪就已经由法国数学家傅立叶解决。现在我们只需要解决脑电波和大脑思考行为的对应关系就可以。脑电信号的采集方式，从破坏性上可分为两类：“有创”和 “无创”。“有创”采集方式由于要进行开颅手术而对大脑有一定的损伤；“无创”采集方式就不需要这种手术，从而对人脑没有什么损害。有创采集方式具体可分为完全植入型和皮层表面电极。完全植入

22、型就是将电极植入到大脑皮层中；而皮层表面电极型则是将电极放在大脑皮层的表面而不是真正植入大脑。1999年，由John Donoghue 领导的研究小组在Nature 杂志上发表论文称，他们通过将一个微小的电极阵列植入了一名瘫痪病人的大脑运动皮层，从而使这位患者可以通过思维来操控外界设备，如打开电视机，移动假肢，使用键盘打字，移动鼠标等。皮层表面电极方式和完全植入型相比较，两者虽然都需要做开颅手术，但皮层表面电极方式却不需要将电极植入大脑皮层，而是放置在大脑皮层表面，这样对皮层神经元的损伤就很小，风险也更低些。尽管如此，对大多数用户而言，开颅手术还是难以接受的。因此，有创型的研究和实施一般都是在

23、那些需要用大脑皮层电极来实现病灶的精确定位的癫痫病人身上。目前使用最广泛的仍是基于头皮脑电的无创的脑机接口技术。但是，由于脑电信号在传输到头皮时已经衰减很多，信号十分微弱，要从如此微弱的脑电信号中提取意识信息是相当有难度的。在过去的十年中，科研工作者的研究方向主要就是集中在对头皮脑电信号的检测和分析上。2.1.2脑电波的分类脑电波就是通过电极记录下来的脑细胞群的自发性、节律性电活动。以脑细胞电活动的时间为横坐标、电位为纵坐标，这样把时间与电位的相互关系记录下来的就是脑电图。正常的自发脑电一般处于几微伏到75微伏之间。而由心理活动所引起的脑电信号比自发脑电信号更为微弱，一般在2到10微伏之间，它

24、通常被淹埋在自发电位中，其成分不规则而复杂。脑电波的波形近似于正弦波。它主要是由脑皮质层大量的神经元同时发生突触后的电位变化所引起。一般脑电信号见下图2.3。图2-1 脑电信号在安静状态下，大脑皮层神经细胞自发地表现出持续的节律性电位改变，称为自发脑电活动。它指在没有特定人为刺激的条件下，大脑细胞本身出现的电活动。节律是由频率大体一致的波构成的脑电图。正常成年人的脑电图的波形、频率、波幅和位相等都具有一定特点。人体依其个体差异，身体状况，脑电图的特征都会有所不同。传统上，对脑电图的波形分类主要是依据其频率的不同由人工划分的。通常说来，频率慢的其波幅比较大，而频率快的其波幅就比较小。一般按照频率

25、进行分类以表示各种成分。目前共有几种不同的分法，其中以下两种分法是最常用的： Schwab分类Walter分类脑电波频率（Hz）脑电波频率（Hz）波0.53波0.53.5波47波47波813波813波1430波1425波30波25图2-2 脑电信号的分类（1）波，频率范围:0.55 Hz，正常成年人的振幅范围:0-200。人在意识清晰时一般没有波，当处在婴幼期或疲劳过度、供氧不足时会产生。波波形如图2.3图2-3 波（2）波，频率范围:47Hz范围:100-150人在有意识的时候产生一些波。波波形如图2.4图2-4 波 （3）波，频率范围:813 Hz，振幅范围:20100。人在意识清晰状态下

26、闭目养神时会产生波，眼睛睁开或进行脑力劳动时，频率较高的波就会取代波。波波形如图2.4图2-4 波 （4）波，频率范围:1430 Hz，振幅范围:520,一般为20uv。人在神经亢奋或心情波动较大时会产生波。当人被突发时间所惊扰时，本来低频的慢波会被p波所取代。p波波形如图2.5图2-5 波（5）波 波为3060Hz频率范围内的脑电活动，波幅较低，在额区和前中央区最为明显。现在，基于EEG的脑机接口主要集中在两个方向：诱发的信号和自发的信号。当某个异常事件发生后的300ms左右，将会检测出一个被叫做P300的电波峰值；当眼睛受到光或图像刺激后，视觉皮层将会产生视觉诱发电位。这两类信号可以通过诱

27、发产生，并且判断准确率较高，但是缺点是需要外界刺激，并且依赖人体本身的某些知觉才能工作。而当某侧肢体运动或者仅仅是想象其运动时同侧的脑区产生的事件相关同步电位、通过反馈训练可以自主控制的皮层慢电位和自发的阿尔法、贝塔等脑电信号虽然不需要外界刺激，但是需要大量的特殊训练和适应过程。 2.2事件相关电位P3002.2.1事件相关电位20世纪60年代，神经电生理研究和计算机技术的快速发展，为人们提供了一个更可观可行的研究心理活动的方法，事件相关电位 (Event Related Potential，ERP)是sutton在1965年提出的，现在这个方法已经受到人们广泛的注意。事件相关电位(ERP)是

28、一种近场电位，当测试被试在辨认某种“靶刺激”时在记录头皮上一种长期潜伏的诱发电位。它映射认知过程中大脑的神经电生理变化，也可以称为“认知电位 (Cognitivepotential)”，是探测心理活动的一个窗口。事件相关电位与经典的诱发电位存在许多不同点，总结其特点如下: （1）被试在测试时一般需要清醒的意识，在一定程度上参与实验而不是被动地接受检测。（2）刺激不能选用单一的内容，必需要有多个的刺激组成刺激序列。为了使受试者积极参与并启动注意和认知过程，可以通过改变刺激的量使标准的刺激发生偏移。一般把事件相关电位有广义和狭义之分，广义包括事件相关电位的全部成分:Pl、NI、PZ、NZ、P3、M

29、MN、N400和CNV，狭义的则仅指Pl、Nl、P2、N2、P3。一个典型的事件相关电位(如图2.6所示)是由三个正相波和二个负向波组成。各波的命名参照普通诱发电位，由波的极性、出现次序和潜伏期决定。在事件相关电位成分中，刺激后50150ms最大负峰为NI，130220ms最大正峰为P2，200300ms最大负峰为N2，25500ms最大正峰为P3。Nl前可能有有正峰Pl，P3之后的负峰为慢波 (SlowWave，SW)。图2-6 典型事件相关电位各成分示意图根据刺激来源不同，可以把事件相关电位分为内源性成分和外源性成分。内源性成分不受到刺激影响，与认知过程相关，包括N2, P3。外源性成分让

30、用受刺激物理特性的影响，包括P1, P2及N1。P300则是事件相关电位中相对而言比较稳定的一种成分，所以很大程度上受到关注和广泛的应用。ERP是一种实时脑电波，它的时间精度可以达到微秒级。ERP的主要优势是稳定的锁时性、高时间精度和比较成熟的信号检测和处理技术;主要弱点体现在空间分辨率低至厘米级。理论研究中，ERP的脑电的源定性实现只能靠数学推导来实现，比如偶极子这种方法，但是稳定及可靠性有限。2.2.2 P300脑电信号及其特点 1965年Sutton发现在刺激后300ms左右出现的个最大的正向波P300并发表在当年的science上。在发现P300时使用了一个经典ERP实验范式:Oddb

31、all。Oddball范式的原理是:通过对同一个感觉通道施加两种刺激，一种刺激是大概率事件(如90%)，另一种刺激则是小概率事件(如10%)。两种刺激随机的出现，对于被试来说，小概率事件的偶然性强且概率低。实验任务要求被试关注小概率事件的靶刺激，并对小概率刺激出现尽快做出方应。在这种环境下，实验结果显示在小概率事件发生300ms后出现一个正向波，被称为P300。 P300作为事件相关电位中最主要的组成，影响P300波形的潜伏期和波幅的主要因素有以下几点: (1)刺激形式的不同，这点是区别一般的诱发电位; (2)诱发的难易度，难度越大则效果越好，反之则较差; (3)与刺激发生的概率相关，小概率事

32、件是 P300电位诱发的前提; (4)在头部不同位置的P300波形也不相同，头顶处最好，两侧则稍差;(5)刺激性质的不同，导致P300波形的潜伏期和波幅存在差异。视觉、听觉和体感所诱发波形的潜伏期和波幅各有特点。2.2.3 P300的研究现状及存在的主要问题 P300电位是脑机接口常用的一种信号，一般通过Oddball范式诱发，它的应用有两个优势:一是被试实验之前不需要进行训练即可成功诱发出P300电位;其次是P300的延迟很短，单次实验的时间也就很短。 P300的分析方法有很多，一些常见的方法有:独立分量分析、支持向量机和小波变换等。近年来，针对P300的识别问题，人们作了大量的研究，并提出

33、了多种可行的识别方案。Bostanov提出了基于连续小波变换的算法;Hoffmann等人提出了基于最小二乘回归的boosting方法;Xu等人提出了基于独立分量分析的算法;Liu等人提出以主成分分析后的脑电信号作为识别特征的基于T权重方法;Kaper等人设计了支持向量机(Support Vector Machines, SVM); Rakotomamonjy等人为了提高SVM的识别准确率，提出了基于支持向量机集成的P300识别方法。 脑机接口系统的可用性衡量标准是它的准确率和传输率。由于P300信号极易被噪声污染，使得我们很难通过一次实验就将它准确地识别出来，所以必须进行多次重复实验，并将实验

34、结果经过叠加才能较准确地将其识别。从一般的实验过程可以看出，每进行一次实验需要进行多次加亮，所需的重复实验次数相应很多，信息的转换速率就会很慢。因此，此类脑机接口系统的关键问题就是如何用尽可能少的重复实验次数实现字符的准确判断。如何在提高系统的判定准确率的同时系统的传输率也能得到保障，是系统可用性的关键之处。另外，单次实验的识别准确率以及最优分类器的训练速度也是评价系统性能的主要指标。2.3本章小结视觉诱发脑电信号是脑电的其中一种形式，本章是首先对脑电信号（EEG）的一些基本的概念作简单的介绍：概念、采集方式、信号的分类。而事件相关信号P300是视觉诱发脑电信号其中的一种，在这一章也阐述了它的

35、特点、目前研究的现状和面临的问题。第3章 基于视觉诱发P300脑-机接口3.1 脑-机接口的工作原理及基本结构BCI技术的内在原理是:当一个人的大脑在进行思维活动、产生意识(如动作意识)或受到外界刺激(如视觉、听觉等)时，伴随其神经系统运行的还有一系列电活动，这些脑电信号可以通过特定的技术手段加以检测，然后再通过信号处理(特征提取、功能分类等)，从中辨别出当事人的真实意图，并将其 思维活动转换为指令信号，以实现对外部物理设备的有效控制。基于该原理，BCI技术系统与其他通讯及控制系统一样，由输入(如使用者的EEG信号)、输出(如控制外部设备的指令)、信号处理和转换等功能环节组成。脑一机接口组成如

36、图3.1所示，具备信号采集、信号分析和外部应用设备控制接口三个功能模块。图3-1 BCI系统基本结构被试者头部戴上一个电极帽，采集EEG信号，并传送给放大器，信号一般需放大10000倍左右，经过信号的滤波和刀D转换等预处理最后转化为数字信号存储于计算机中。信号分析从经过预处理的EEG信号中提取与受试者意图相关的特定特征量(如频率变化、幅度变化等);特征量提取后交给分类器进行分类，分类器的输出即作为控制器的输入。控制器将已分类的信号转换为实际的动作，如在显示器上的光标移动、机械手运动、字母输入、控制轮椅、开电视等。有些BCI系统还设置了反馈环节(如图3.1中所示)，不仅能让受试者清楚自己的思维产

37、生的控制结果，同时还能够帮助受试者根据这个结果来自主调整脑电信号，以达到预期目标。3.2 P300脑一机接口实验设计和数据获取对同一感觉通道的一系列刺激由两种刺激组成，一种刺激出现的概率较大(例如0.85)，称为标准刺激;另一种刺激出现的概率很小 (0.15)称为偏差刺激。两种刺激出现的顺序是随机的，这样对于被试者来说刺激具有偶然性。令被试者发现偏差刺激后立刻按键或者记录其数目，此时偏差刺激称为靶刺激。在偏差刺激出现后30OmS可以观察到一个很明显的正波，此即P300。研究发现，P300是一种内源性成分，它不受刺激物理特性的影响，与人们的知觉或认知心理活动有关，与人们的注意、记忆、智能等加工过

38、程密切相关。本文所采用P300信号数据来自2004年9月进行的BCI分类竞赛数据中的视觉诱发P300电位信号 (DatasetAlbany BCI Competition2004)，信号数据是通过BCI200O系统一记录由 P300 Oddball实验所产生的脑电信号得到的。基于视觉诱发P30O的脑一机接口系统如图3.2所示。图3-2 脑-机接口系统图在P300实验中，受试者面对着一个 66的字母和数字组成的矩阵。要拼写的单词出现在屏幕的左上方，按照字符逐个拼写。受试者的任务是将集中注意力观察要拼写的字符上。对于每一个待选的字符，矩阵的行和列都会随机的高亮12次，而且每12次的高亮必定覆盖着1

39、2个行/列，高亮时间100ms然后间隔75ms，即周期为7.5Hz。这样其中必定有一行和一列的高亮包含了所需要的字符，根据诱发P300信号的原理，这包含了目标字符行和列由于随机性和突发性会产生的P300脑电信号。靶刺激和非靶刺激产生的EEG波形对比如图3.3所示。图3-3 靶刺激和非靶刺激EEG波形对比图3-4 64导电极位置图实验所提供的数据结构以240Hz采样率对受试者采集64导脑电数据，64导电极位置图如图3.3所示。数据分为两类:训练集与测试集。训练集中对应的字符是己知的，供训练算法使用，测试集中对应的字符未知。不论训练集或者测试集，其数据的结构如下:对每一个待选字符，矩阵的12个行与

40、列以随机的顺序被高亮，但每12次的高亮必定覆盖这12个行，列。每一次高亮称为一次trial;这12次 trial组成一个数据块block。上述实验过程对每一个待选的字符重复巧次，得到15个数据块block。将这巧个block的数据合成一轮run，形成某一字符的完整数据。训练集和测试集中都包含着若干轮的数据，其数据多少根据该集内带拼写字的总字符数决定。其中第一节 (Session10)包括5个段，第二节(Session11)包括6个段，第三部分 (Session12)包括8个段。前两节数据 (Session10和Sessionll)为训练数据，第三节(Session12)为测试信号。第一节各段的

41、目标字符分别为CAT，DOG，FISH，WATER，BOWL:第二节各段的目标字符分别为HAT，HAT，GLOVE，SHOES，FISH，RAT;第三节为测试数据，其目标字符应由实验者通过某种识别算法预测得到，其各段的正确预测结果应为FOOD，MOOT，HAM，PIE，CAKE，TUNA，ZYGOT，4567，此结果用于比较各算法的识别准确性。图3-5 刺激界面标号数据中的每一个trial究竟是对应于哪一行或者列被高亮则有符号表明，预测受试对象是注视的哪个字符，我们可以将问题分解成为判断这个字母中哪个行列含有是P300诱发信号，如果能确定一个行和一个列的话，我们也就确定了受试对象注视的字符。刺

42、激界面行列标号如图3.5所示。3.3 P300脑电信号处理信号分析目标是从所检测的EEG中识别出使用者的操作意图，提取能反映使用者主观动作意识的特征参数并通过适当算法将之转换为控制外部机电设备的执行命令。它包括信号预处理、特征提取、特征分类等，其中特征提取和识别分类是BCI信号分析最为关键的环节。3.3.1 信号预处理信号预处理的目的是提高信噪比。噪声的来源有很多种，包括非神经源噪声和神经源噪声。其中非神经源噪声有眼动伪迹、肌电干扰、工频干扰等;而神经源噪声，包括自发的与意念无关的信号，或者与感兴趣特征脑电无关的其他特征信号。这些不需要的信号，应尽可能地去除。目前常用的P300脑电信号预处理算

43、法主要包括三类:第一，时间滤波器，如低通滤波器带通滤波器（本文主要采用此方法）等;第二，空间滤波器，如共同均值参考CAR(common average reference)，Laplacian参考;第三，空间时间滤波器，如主分量分析(PCA)，独立分量分析 (ICA)等;通过预处理后得到的信号更有利于后面的特征提取环节和翻译算法环节最终提高整个BCI系统的带宽。3.3.2 信号的特征提取信号的特征提取是从经过了预处理和数字化处理的EEG信号中提取出能反映使用者意图的信号特征，目前提取信号特征的方法分类如下表，本文简单介绍其中几种:方法类型特征提取方法举例时域线性滤波、方差分析、相干平均、相关分

44、析、过零点分析、波形参数分析、带通滤波、直方图分析、匹配跟踪频域傅里叶变换、自相关FFT、谱分析（AR模型）时-频域小波变换、短时傅里叶变换（STFT）、独立成分分析法（ICA）空域拉氏变换、主成分分析法（PCA）、共有空域模式（common spatial patterns）表3 特征提取方法(1)快速傅立叶变换 (fast Fourier transform;FFT)如果假设脑源信号和噪声都是有限带宽的，且它们的频谱不重叠，则可对信号进行傅立叶变换设计出对应于不同频带的滤波器。(2)自回归模型 (Auto Regression，AR)AR模型参数的估计方法是基于分段法，数据被分为若十数据段

45、，估计每段数据的AR模型参数，得到一个关于AR模型参数的时间过程，AR的系数就是线性回归模型的参数，也是代表信号特征的特征信号，改变这些系数，可以得到不同的特征信号。基于AR模型的自适应算法 (adaptiveautoregression，AAR)和多变量参数AAR模型算法(multi-variableautoregression，MVAAR)也在脑电提取试验中得到应用。(3)小波变换法将原始信号与一个在时域和频域均具有良好局部化性质的伸缩小波函数进行积分或者卷积，把信号分解为位于各个不同频带和时段内的成分，然后在每一尺度下将属于噪声的小波系数抑制，保留属于信号的小波系数，再经反演小波变换提取

46、信号。在缺乏先验知识的条件下，小波变换能有效检测出脑电信号中短时、低能量的瞬态脉冲，其最大的优点是采用可变的时频窗口去分析信号的不同频率成份。(4)独立分量分析 (Independent Componeni Analysis，ICA)独立分量分析是一种多维统计分析方法，能够把体现用户控制意图的脑源信号同伪差及无关的脑电活动相分离。同时还可将脑电信号中的基本节律分别集中在不同的独立分量中。独立分量分析与脑电时频分析方法有着本质的不同，多维统计分析方法的特点是能同时处理多道脑电信号，因此有利于揭示和增强脑电信号中的隐含特征，在脑电消噪和特征提取等方面具有独特的效果。3.3.3 信号特征分类特征信号

47、分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同响应的特性，确定运动或意识的类型与特征信号之间的关系。信号分类结果的好坏取决两个方面的因素:一是要进行分类的特征信号是否具有明显的特征;二是分类方法是否有效。几种具有代表性的BCI特征信号分类方法如下:(l)线性判别式分析 (Linear Diseriminant Analysis，LDA)线性判别式分析方法简单是实际应用中最常用的方法之一。在LDA中先建立各类的概率密度方程式模型，再输人数据计算每一类产生的概率，概率值最大的点所对应的类就是输人数据的类别。schloeglA的研究小组最早使用LDA方法进行信号分类取得了较为理想的分类效

48、果。(2)贝叶斯(Bayesian)决策贝叶斯分类器是以错误率或风险为准则函数的分类器，它使错误率或风险达到最小。贝叶斯决策的一个重要前提，就是各个类别的先验概率以及类条件概率密度均为已知。因此用贝叶斯决策理论设计分类器，其关键并不在于分类器设计，而在于如何较好地进行概率密度估计。 Psykacek等138通过估计整体准确率和波特率两个参数，比较了相同静态分类条件下各种滤波器算法的性能。通过两组健康人的数据分析，指出采用多种分类方法综合分类，能显著提高系统的分类性能，准确率和波特率至少可提高8%以上。(3)支持向量机 (Support Veetor Machine，SVM)分类器支持向量机基于

49、统计学习理论和结构风险最小化原则，其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间，然后在特征空间中求取把样本线性分开的最优分类面。算法使用分类问隔控制线性学习机器的容量，从而使结构风险最小，也使其在有限样本下具有了较强的泛化能力。不同的核函数即变换到不同的特征空间，使用核函数也避免了在高维的特征空间中直接计算。本文选择了支持向量机作为最终的分类工具。(4)人工神经网络 (Artifieial Neutral Networks，ANN)人工神经网络是BCI系统应用最多的分类器。由于其应用简单，分类结果准确性较高，被广泛地应用于脑电信号的分类。 JDeng40让受试者想象左右手的运动

50、，引起脑电信号的变化，并用头皮电极在C3、C4、FZ三点记录信号的变化，得到三个通道的数据，然后进行谱分析把得到的功率谱密度参数作为特征信号输入人工神经网络分类器。分类器的输出即为信号代表的左右手运动的类别。(5)共同空间模式 (Common spatial pattern，CSP)CSP算法基于两个协方差矩阵的同时对角化来设计最优的空间滤波器，它被成功用于运动相关EEG的分类，以分辨左手想象运动和右手想象运动脑电特征。CSP的优点是不需要预先选择被试者特异性的频带，缺点是需要大量的电极及对脑电信号的多通道分析，而多通道的脑电信号放大系统限制了CSP用于便携式BCI系统中，所以还需要进一步优化

51、电极数量。3.4本章小结视觉诱发P300脑-机接口系统是本次试验的先决条件（硬件基础），本章详细介绍了本系统的基本原理和结构，以及试验设计的方法、数据获取的过程。针对本次设计是探究视觉诱发P300信号的特征提取和分类，后一部分对特征提取和分类的方法作了简单的介绍，未第四章做好知识准备。第4章 视觉诱发脑电信号P300特征提取4.1 视觉诱发电位诱发脑电信号是指大脑受到特定的感观刺激或事件影响所诱发的大脑皮层神经电活动。诱发电位 (evoked potentials，EP)记录的是神经系统对刺激本身产生的反应。按照不同的刺激方式，诱发可以分为视觉诱发，听觉诱发，体觉诱发等。不同的诱发电位往往在不

52、同的大脑区域采集得到，并且对应于大脑不同部位的活跃状态。视觉诱发电位(Visual Evoked Potential,EVP)是大脑皮质枕叶区对视刺激发生的电反应，是代表视网膜接受刺激，经视路传导至枕叶皮层而引起的电位变化。4.2 P300的特征每个人的大脑结构都有着自己的特异性，而不同人的脑电信号也往往具有各自的特点。P3OO信号的主要特征有波峰偏移位置，P300波峰幅值以及N200波谷幅值，并且P30O信号同样也有因人而异的特点。换句话说，不同的人测得的特征P3OO波形在形状上往往会有很大的差别。图4-1显示了实验过程中测得的六位被试的特征P30O信号波形。图4-1 不同被试的P300信号

53、各人之间的P300波形会有如此的区别是和每个人不同的认知水平，反应速度以及思想集中程度有着联系的。例如，老年人的P300波峰延迟往往要比年轻人大;在精神状态不佳的情况下(比如醉酒后)测得波形峰值幅度会比较小。此外，P3OO波形也会受人的健康程度影响，ALS病人的P300信号相比正常人要不明显很多，幅度也相对比较小。【13】4.3视觉诱发信号P300幅值特征 文件example.m（附录二）这个程序从Cz通道解压刺激,并使用一个非常简单的 “峰值挑选”算法来预测Subject A的训练数据中每个特征时期的靶。这个示例使用15次加权平均滤波的方法进行分类。执行该代码,改变Matlab目录包含文件的

54、目录并且在命令窗口中输入“example”。图4-2 脑电信号电压分布地形图图4.2显示了电压（用归一化方差值计算）在脑电信号地形图中的分布 (即信号的方差的比例是取决于行/列是否包含所需的字符), 得出了一个300ms刺激后的演示样本。这种地形表明, 经过强化同行/列，不同行/列的字母,相对于那些没有包含的，在300毫秒一有个相当广泛的空间差异。图4.3 视觉诱发脑电信号P300幅值特性*Sample classification of the P300 test dataBCI Competition III Challenge(C) Dean Krusienski and Gerwin

55、Schalk 2004Wadsworth Center/NYSDOH*Collecting Responses and Performing classification. Classification Results: %分类结果Epoch: 1 Predicted: 4 Target: E Epoch: 2 Predicted: A Target: AEpoch: 3 Predicted: 8 Target: E Epoch: 4 Predicted: V Target: VEpoch: 5 Predicted: 9 Target: Q Epoch: 6 Predicted: U Targ

56、et: TEpoch: 7 Predicted: F Target: D Epoch: 8 Predicted: O Target: OEpoch: 9 Predicted: T Target: J Epoch: 10 Predicted: I Target: GEpoch: 11 Predicted: O Target: 8 Epoch: 12 Predicted: P Target: REpoch: 13 Predicted: B Target: B Epoch: 14 Predicted: R Target: REpoch: 15 Predicted: J Target: G Epoch

57、: 16 Predicted: O Target: OEpoch: 17 Predicted: F Target: N Epoch: 18 Predicted: C Target: CEpoch: 19 Predicted: 5 Target: E Epoch: 20 Predicted: D Target: DEpoch: 21 Predicted: I Target: H Epoch: 22 Predicted: C Target: CEpoch: 23 Predicted: T Target: T Epoch: 24 Predicted: X Target: UEpoch: 25 Pre

58、dicted: I Target: I Epoch: 26 Predicted: D Target: DEpoch: 27 Predicted: B Target: B Epoch: 28 Predicted: P Target: PEpoch: 29 Predicted: U Target: U Epoch: 30 Predicted: O Target: HEpoch: 31 Predicted: A Target: M Epoch: 32 Predicted: W Target: EEpoch: 33 Predicted: R Target: M Epoch: 34 Predicted:

59、 5 Target: 6Epoch: 35 Predicted: I Target: O Epoch: 36 Predicted: U Target: UEpoch: 37 Predicted: K Target: X Epoch: 38 Predicted: O Target: OEpoch: 39 Predicted: L Target: C Epoch: 40 Predicted: R Target: FEpoch: 41 Predicted: O Target: O Epoch: 42 Predicted: U Target: UEpoch: 43 Predicted: A Targe

60、t: K Epoch: 44 Predicted: W Target: WEpoch: 45 Predicted: E Target: A Epoch: 46 Predicted: _ Target: 4Epoch: 47 Predicted: T Target: V Epoch: 48 Predicted: J Target: JEpoch: 49 Predicted: E Target: E Epoch: 50 Predicted: 4 Target: FEpoch: 51 Predicted: R Target: R Epoch: 52 Predicted: T Target: ZEpoch: 5