脑电信号特征提取及分类

绪论引言大脑又称端脑，是脊椎动物脑的高级的重要部分，由左右两半球构成及连接两个半球的中间部分，即第三脑室前端的终板构成。它是控制运动、产生感觉及实现高级脑功效的高级神经中枢[］。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功效进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。人的思维、语言、感知和运动能力都是通过大脑对人体器官和对应肌肉群的有效控制来实现的[］。人的大脑由大概1011个互相连接的单元体构成，其中每个单元体有大概104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分构成：树突、轴突和细胞体。神经元的树突和其它神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一种足够大的刺激去极化神经元细胞时，能够统计到一种持续1—2ERP的沿轴突波形传导的峰形电位—动作电位。动作电位上升到顶端后开始下降,产生某些小的超极化波动后恢复到静息电位(静息电位(RestingPotential，RP）是指细胞未受刺激时,存在于细胞膜内外两侧的外正内负的HYPERLINK”http：//baike.百度。com/view/581322.htm"电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位.局部电位是神经系统分析整合信息的基础.细胞膜的电特性决定着神经元的电活动［].当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被减少从而提高了膜的兴奋性，当兴奋性超出特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一种神经元。由上述可知，膜电位是神经组织实现正常功效的基本条件，是兴奋产生的本质。膜电位使神经元能够接受刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根同样发散，由诸多细小的神经纤维丝构成，能够接受电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行解决，如果信号超出特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出成果。而正是这种错综复杂的神经组织构造和复杂的信息解决机制,才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说,脑细胞就像是脑内一种个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R。Caton）就在猴脑和兔脑上统计到了脑电活动,并发表了“脑灰质电现象的研究”论文,但当时并没有引发广泛的关注[]。1872年，贝克（A。Beck）［］再一次发表脑电波的论文，才引发广泛关注，从而掀起脑电现象研究的热潮。可是，直至1924年德国的精神病学家贝格尔（H.Berger）[］才真正地统计到了人脑的脑电波,从此人的脑电图诞生了。图1.1人脑图图1。2神经元图脑机接口概述脑机接口背景及意义脑-机接口（Brain—ComputerInterface，BCI)是在大脑与外部设备之间建立的直接的交流通道。脑机接口技术产生于二十世纪七十年代，是一种多学科的交叉技术，现在它在国际研究领域非常活跃，它涉及生物技术、生物医学工程、纳米技术、认知科学、信息技术、计算机科学、神经科学和应用数学等，成为众多学科科研工作者的研究热点。人的大脑是一种极其复杂的系统，研究人的思维机理、实现神经系统损伤患者于周边环境进行信息交换是神经学领域里的极其重要的一项研究课题。人体脑电信号综合地反映了大脑神经系统的思维活动，是分析脑状况和神经活动的重要根据［］。脑电信号与神经系统脑部疾病如脑血管病、癫痫、神经系统损失等有着亲密的关系。因此脑电信号的分析解决和分类识别对脑部疾病的病态预报、辨识和防治含有很重要的意义。BCI为人们提供了与外界进行交流和控制的另一种方式，人们能够不通过语言和动作来交流，而是直接通过脑电信号来体现思想、控制设备，这也为此后智能机器人的发展提供了一种更为灵活的信息交流方式。脑—机接口作为连接生物智能系统和人工智能系统的一种复杂平台，对脑机接口的研究是一项长久而艰巨的任务。近来十年来,脑-机接口的研究有了可喜的发展［].在全球范畴内，越来越多的学者和教师等科研人员投入到脑—机接口的研究热潮中来。BCI装置的应用场合大致有以下四个方面：一是为思维正常但神经肌肉系统瘫痪（如脊髓（或脑干)损伤，肌萎缩性侧索硬化等）的病人设计出适宜的BCI装置，让病人恢复对身体肌肉的控制和交流能力；二是当传统控制方式不能完全满足某些场景的控制规定时，为特殊环境作业人员提供辅助控制（如医疗手术、航空航天等)；三是BCI装置可为人们提供另一种新的娱乐方式，例如用“思想”玩网络游戏等；四是在研究自动化控制的同时，加深对人类脑电活动规律的认知深度[]。上述四方面中第一种应用场景是现在最重要的应用，而随着研究的进一步和扩展，其它的更多的应用场合也正在不停的增加。时至今天，大多数BCI系统仍然处在实验室的理论研究阶段，直到近来几年,才逐步看到其在实用的医疗器械装置中崭露头角。BCI系统将“电脑”与“人脑"完美地整合在同一种系统中,能够说实现了一句古话：“心想事成”.即使现在BCI技术的开发中还存在许多技术难关尚未攻破，但从现在所获得的阶段性成果中我们已经看到了开发这类装置的重要科学价值及其广泛的应用前景。现在,使用脑—机接口技术研制的的人机交互系统在航空航天、智能控制和信息解决等领域也有着广泛的应用。中国有大概三千两百多万[]老年人需要不同形式的护理，而现在我国为老年人提供的服务设施严重短缺.同时，由于多个灾难和疾病造成的残障人士也诸多,这就更加增大了对服务设施的需求.现在许多发达国家采用服务机器人为老年人与残疾人士提供服务，用来提高他们的生活质量。但是，由于大多数服务机器人与人的交互方式都是通过声音、按钮等传统方式，而诸多老年人及残障人士部分或完全丧失了自主控制肌肉的能力，甚至吞咽、说话都困难，这些人控制这类服务机器人的难度非常大。如何使这部分人群重新恢复对外部世界的控制能力以及与外部世界交流的能力，协助他们重新返回当代社会是现在研究的热点［]。脑机接口是人脑与计算机或其它电子设备之间建立的直接的交流和控制通道。通过这种通道，人就能够直接通过脑来体现想法或操纵其它设备，而不再需要通过肢体的动作或语言，这是一种全新的通信和控制方式。由于其无创性、统计简朴和高时间分辨率，运用脑电图办法获得人脑的电活动信号已成为脑-计算机接口研究、神经障碍患者康复研究等领域的重要监测手段。研究脑机接口有非常深远的意义，特别是在脑机接口实用装置上。现在国内已有诸多科研单位及高校都在主动展开脑机接口的研究工作.并且，随着人们对脑机接口越来越进一步的研究，现在已有某些小构成功开发了某些基本可用的脑机接口原型［］。另外，有些公司也认为脑机接口的市场前景很广阔,正在着力开发医学或非医学应用的脑机接口产品。由此观之，人们在进行基础研究的同时，也要及时地花时间开发真正实用的脑机接口系统，方便研究的工作能跟上发展快速的脑机接口潮流[］。研究历史和国内外现状1924年德国精神病学家，耶那大学的HansBerger专家［]初次发现并统计到人脑由规则的脑电活动.通过大量的实验研究确认了脑电图（electroencephalogram，EEG)的存在后，他于1929年正式发表了“有关人脑电图”的论文，对人脑的电活动和脑电图做了精确的描述，奠定了脑电图学的基础.在人脑的中枢神经系统中始终存在着随着脑神经活动所产生的电位活动，把这种电位活动检测出来就是脑电图.此后脑电图研究得到快速发展，并推广到了全世界。1932年，HansBerger和Dietsch［]开始使用傅里叶变换分析脑电信号；20世纪70年代,在美国国防部的国防先进技术研究署（DARPA，DefenseAdvancedResearchProjectsAgency，就是这个部门发明了互联网）资助下，加利福尼亚大学洛杉矶分校（UCLA，UniversityofCaliforniaLosAngeles）开始尝试运用脑电信号，将人类思考的成果不借助肌肉和神经组织，而直接通过计算机来输出——让思考能够直接被看到，让人脑能够直接控制机械[]。直到这时,脑-机接口(Brain-computerInterface，BCI)这个名词才初次出现在科学文献中。随着这个词出现的是人们对大脑活动越来越进一步的理解.1978年,人们发现猴子能够在训练后，能够快速学会自由地控制初级运动皮层中单个神经元的放电频率［］；1989年，约翰霍普金斯大学的科学家发现了恒河猴手臂运动方向和大脑运动皮层中单个神经元放电模式的关系[］；到了九十年代，某些研究人员已经能够实时捕获运动皮层中的复杂神经信号,并且用来控制外部设备，使得机械义肢可能变得和原生肢体同样容易使用，人类在进化的漫长道路上看到了一种全新的可能性：人和机械，能够作为一种生命的不同构成部分而共同存在.1990年代中期随着信号解决和机器学习技术的发展，脑机接口的研究逐步成为热点;1991年Wolpaw［］等发表了通过变化脑电信号中的mu节律幅度来控制光标移动的成果，最先提出了大脑驱动控制技术的概念，即脑电控制。之后不停出现有关脑电控制的实例；1999年,Birbaumer等人描述了一种使用脑电信号的脑机接口系统，以及其在残障人士身上测试的状况。在他们开创性的工作中，Birbaumer等人展示了一种身患肌萎缩性（脊髓）侧索硬化(ALS）症病人成功使用BCI系统控制一种拼写装置并与外界交流［］。这个系统是根据这样一种事实：受试者能够自主的学习慢皮层电位的规律，通过反馈训练学习，受试者能够使SCP幅度产生正向或负向偏移。系统的缺点是它的通信速率也相对较慢，并且普通都需要受试者对系统进行数月的训练与学习。,Nature发表了题目为“RealBrainsforRealRobots"的文章,报道了用从猴子大脑皮层获取的神经信号实时控制一种千里之外的机器人的例子［]。在Birbaumer等人工作的同时，一种以相有关运动想象的脑电信号变化作为控制信号的脑机接口系统也正在发展（PfurtsCheller和Neuper，）。这些系统在很长一段时间内都只由健康人或者是四肢瘫痪者来测试，如今可选的测试对象加进了肌萎缩性(脊髓）侧索硬化(ALS)症病人和其它残障对象。,清华大学生物医学工程研究所高上凯专家等人开发出了一种基于稳态视觉诱发电位（SSVEP)的视觉拨号系统。该系统运用不同频率的视觉刺激能够诱发频域特性明显的脑电信号的原理，只需用眼睛注视就能输入盼望的号码，该系统的速度居世界前列，能够达成68bits/min。另外，他们还较为进一步的研究了基于运动想象的脑机接口系统。现在他们的研究所重要从两方面推动脑机接口的研究：首先为研究脑机接口控制过程中的神经机理以实现含有互适应能力的脑机接口算法;另首先为研制含有实用价值的脑机接口装置.6月，马萨诸塞州福克斯煲的“赛博动力学"公司(Cyberkinetics）［］为一位24岁的四肢瘫痪者马特·内格尔(MattNagle）脑中植入了一枚芯片。这枚被叫做“脑门"（BrainGate)的芯片只有药片大小。医生为马特做了一种开颅手术,把“脑门"放在大脑表面。在通过9个月的练习之后,马特能够仅凭思考来收发电子邮件、控制一种机械手臂，甚至能够玩电脑游戏.“脑门”有96个电极,能够探测1000多个神经元细胞的活动.将这些神经元的活动发送出来，通过电脑的分析和解决,让马特获得了更加好的生活质量[]。，匹兹堡大学的一项研究成果发表在《自然》杂志上.他们的一种研究小组将微电极阵列植入恒河猴大脑的运动区,采集多个神经元的放电信号，并且通过计算机转换成电动假肢的控制命令.通过一段时间的训练之后，猴子学会了直接用大脑控制假肢运动，对抓取力度和假肢运动轨迹的控制达成了很高的精确度，几乎把机械假肢当成了自己的另一条手臂。美国NewYork州的Wadsworth研究中心，奥地利的格拉茨大学，以及德国、加拿大等都在进行前沿性的研究。国内的像清华大学、华中科技大学、上海交通大学、中南民族大学、等都有研究，而清华大学在这方面做的比较进一步.现在世界上处在领先地位的研究机构都有很不错的脑机接口实验系统.德国柏林的Fraunhofer学院建立了一种叫做B脑机接口的原型机系统,并且在这个原型机基础上开发了某些具体的实例系统.最成功的一种例子是一种运用运动想象（motorimage）进行字符输入的系统,这个系统的拼写速度能够达成每分钟7.6个字符［]。在这个系统中，运用被试者想象右手或右脚运动来产生两种不同的脑电波，系统分析识别这两种不同的脑电波然后分别作为“选择”和“拟定”的意思,通过这种方式来让被试者选择盼望输入的字符.和之前的基于P300的字符拼写系统相比，这个系统的通讯速度提高了诸多.奥地利格拉茨科技大学的脑机接口研究小组也是以运动想象为重要实验模式，实现了多类在线异步脑机接口系统，其中的典型代表为神经假肢控制系统。这个系统中实验者是一名小儿麻痹症患者,患者的左手手臂不能够自由抬放，手指不能抓握。实验中分析识别患者运动想象时发出的脑电信号，转化为假肢的控制指令，从而使患者能够实现左手手臂的举起、放下、手指的抓紧和松开等动作，从而让患者实现一定程度的自理。除此之外，该小组还开发出了其它的脑机接口系统，像多媒体控制、虚拟键盘拼写等［］。无独有偶，德国知名的图宾根大学的wolpaw等使用另一种办法设计了一种思想翻译装置，通过监测慢皮质电位的变化来实现对外部设备的控制。系统中通过使用视觉反馈技术实现了字母拼写的功效。另外，美国纽约州最全方面的州立健康实验室Wadsworth中心重要研究如何用从运动感觉皮质测得的脑电信号控制指针的一维或二维运动[]。为了便于比较和评定，他们研制了脑机接口—通用系统，现在世界上200多个实验室都已经在使用脑机接口-通用系统。近来，脑电波研究小组和脑电波研究方向的人数都在增加,但即使都是做脑机接口研究的小组，也是从不同的方面找不同的突破口，用来实现不同的应用，能够说是百家齐放,百花争鸣。早在1995年，全球的研究小组还不到6个，可是到了1999年，研究小组的个数已经超出了20，截止现在，世界各地的研究小组也有近百个.随着研究小组的增多，与此有关的学术会议也日渐频繁，有关的学术刊物文章也比比皆是,诸多有关领域的杂志都已经为脑机接口开辟了专刊。同时国际脑机接口竞赛也应运而生，竞赛组织者会提供真实系统下采集的真人的EEG数据,各参赛小组或个人对这些数据进行分析解决,最后提交成果和算法检查阐明，此竞赛迄今为止已经顺利举办了诸多次。随着着脑机接口竞赛的成功举办，越来越多的研究单位开始对脑机接口技术产生爱好。现在研究者们把用在各个领域的特性提取和分类的算法拿来研究对EEG信号的特性提取和分类。惯用的特性提取算法有：自回归模型（AR模型）、功率谱密度预计、小波变换、混沌法、公共空间模式、新型描述符、多维统计分析等。惯用的分类办法有：Fisher线性鉴别、贝叶斯办法、BP神经网络、支持向量机等。通过数年的努力，BCI的研究获得了不少令人欣慰的成果，但不可否认的是尚处在发展阶段。现在，大多数BCI仍然处在实验阶段，大部分测试在正常人中进行，在残疾人中测试较少[]。BCI要进入实际应用阶段，尚有诸多问题等待解决，如:如何减少脑机接口系统对感觉输出通道和常规运动的依赖程度;脑机接口系统的信息传输率需要提高；现在还没有精确客观地评定脑机接口系统性能的规范;如何更有效地剔除多个噪声,获取清晰的脑电信号，谋求有效的信号特性、最优的特性提取和转换算法；脑机接口系统的开发要重视多样化、个性化，用来满足脑机接口系统应用广泛性的规定和使用者个体的差别；如何设计出更为合理的学习训练办法,让使用者在尽量短的时间内最有效地控制其脑电信号特性；减少电极的数量，减少使用的复杂程度，增强脑机接口系统的稳定性和兼容性；提高顾客使用时的自动化程度；增强使用者与脑机接口系统的互相适应性.近些年来，脑电波和大脑意识之间的作用关系的研究获得了明显的进展，科研人员意识到能够根据不同的脑电信号对不同的意识任务进行精确而快速的分类，从而实现神经障碍患者和外界环境的信息沟通［]。脑机接口的开发和探索还存在着诸多问题。尽管现在存在的这些问题不可能在短时间内完全解决，但它却为我们此后的研究方向提供了指导作用。相信随着现在各有关交叉学科，如智能控制,数学，信息科学，神经生物学、人工智能等，的不停发展与互相增进，尚有全球各地的研究机构之间合作和交流的日渐频繁,脑机接口技术将越来越成熟稳定［]。随着对上述问题的认识的进一步，这些问题也会逐个解决，那时脑机接口将不再是实验室的一种理论,而是遍及我们生活的方方面面，多个新颖独特、高效便捷的脑机接口设备将会进一步我们的生活,为我们提供便利。本文的研究内容本文重要是对受试者回答“是”或“非”时产生的P300脑电波进行了研究，通过对信号的预解决、特性提取和分类，最后达成能根据受试者的P300脑电波判断出受试者回答的是“是”还是“非”的成果。本文选择共空间模式（CSP)作为信号特性提取的算法,然后分别选择了Fisher线性识别和支持向量机（SVM）作为信号分类识别的算法,解决实验采集到的听觉刺激诱发的P300数据。本文共分为5章。第1章为绪论，重要介绍了脑机接口的基本概念和科学应用,论述了脑机接口的研究背景和研究意义；第2章为脑机接口原理和实验信号采集，首先介绍了脑机接口系统的基本构造和原理,之后介绍了脑电信号的特点和分类，重点介绍了P300信号，最后介绍了脑电信号的采集过程;第3章为脑电信号数据解决办法介绍，重要介绍了脑电信号的多个算法.首先针对预解决逐个介绍了脑电信号中会包含的多个噪声及其特点，另首先，介绍了特性提取算法,重点介绍了共空间模式，最后，介绍了特性分类算法,重点介绍了支持向量机和Fisher线性鉴别;第4章为实验数据解决，重要对实验采集到的数据进行解决：脑电信号预解决、脑电信号特性提取、特性分类,最后分析和讨论了数据解决成果；第5章为结论与展望,重要对全文的工作进行了总结，并对后来的研究进行展望。脑机接口原理和实验信号采集脑机接口基本原理及构造受试者在接受外界刺激后或产生动作意识和动作执行之间，他的大脑的神经系统电活动会发生对应的变化。我们能够通过一定的手段检测出神经电活动的这种变化，并把它作为动作即将发生的特性信号。通过对该信号特性提取和分类识别，分辨出引发脑电变化的动作意图,再通过计算机传输和外部驱动设备,把人的动作意图转化为实际动作，实现在没有肌肉和外围神经直接参加的状况下人脑对外部环境的控制[］，这就是脑机接口的基本工作原理。脑机接口系统普通都含有脑电信号采集、脑电信号预解决、特性提取、分类、进入实际应用几个功效模块，具体见下图2。1.图2。1脑机接口系统图脑电信号介绍脑电信号采集方式脑电图在头皮外测量，电极仅仅用于接受信号。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：在头皮外接受到的电信号不仅微弱，并且多个脑区的活动信号会叠加在一起，最后形成看起来十分混乱的波形.幸好这些缺点能够部分克服[]。微弱的电信号能够放大,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能够[］。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JohnDonoghue领导的研究小组在Nature杂志上发表论文称［］，他们通过将一种微小的电极阵列植入了一名瘫痪病人的大脑运动皮层，从而使这位患者能够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，两者即使都需要做开颅手术，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,对大多数顾客而言，开颅手术还是难以接受的.因此，有创型的研究和实施普通都是在那些需要用大脑皮层电极来实现病灶的精拟定位的癫痫病人身上。现在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诸多，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称有难度的。在过去的十年中,科研工作者的研究方向重要就是集中在对头皮脑电信号的检测和分析上[］。侵入式BCI,又称植入式BCI,是一种有损型脑电采集技术，运用直接脑神经接口技术，通过外科开颅手术将电极阵列植入颅内，直接统计或刺激大脑神经元，从而实现和外界环境的交互。通过植入这些微装置于颅内神经中枢，能够更精确地监测大脑的活动、研究大脑机能、治疗脑部疾病，控制外部设备等。随着微机电技术、传感器技术、无线通信技术等技术的发展，新一代的可全植入、多功效的微装置也将实现［］。尚有一种无损植入型技术是非侵入式BCI。非侵入式BCI使用头皮电极统计大脑活动产生的EEG信号.非侵入式BCI系统能够实现简朴、无损的脑机交互.侵入式BCI和非侵入式BCI相比，侵入式BCI有损伤，但精确;而非侵入式BCI无损伤，但信号含糊,不易捕获，易被干扰[］。现在世界上的研究状况是不可兼得,但随着生物技术和信号技术的发展,非侵入式BCI的检测精度也将逐步上升,这种技术也将在后来的研究中处在主导地位，并且在实际使用中有着广泛的应用。脑电图仪为放大百万倍的微伏级精密电子设备，它的使用环境及条件设备规定比较严格。普通应当选择在安静、避光和电磁干扰小的房间。临床使用的脑电图仪最少应有8个导联，另外尚有12、16、32导联等多个规格型号.在认知研究中则普通使用32、64、96导联的脑电图仪。普通脑电图仪导联数目越多，所能获得的脑电时空信息业越丰富。但是，电极数越多，除了设备更昂贵以外，在使用时安装电极的时间也越长，信息解决的复杂度也对应增加，因此应根据具体状况做出合理的取舍.统计脑电图所使用的电极有漏斗状电极、针状电极和盘状电极等几个，另外尚有某些需要放置在特定部位的特殊电极如蝶骨电极、鼻咽电极、皮质电极和深部电极等.有关头皮电极的位置，有许多放置法如Montreal、Cohn及Gibbs法等[]。但应用最多的是10—20系统法，即国际脑电图学会建议采用的原则电极安放法。为了辨别电极和两大脑半球的关系,普通右侧用偶数，左侧用奇数。10～20系统电极法，其前后方向的测量是以从鼻根到枕骨粗隆连成的正中线为基准，将该距离分成10等份,按10，20，20,20,20，10(％）的次序做好标记。在此线左右等距的对应部位标定出左右前额点（FP1,FP2）、额点（F3,F4）、中间点（C3，C4）、顶点(P3,P4)和枕点（O1,O2），前额点的位置在鼻根上相称于鼻根至枕骨粗隆的10%处，额点在前额点之后相称于鼻根至前额点距离的两倍，即鼻根正中线距离20%处,向后中央、顶、枕诸点的间隔均为20%,10~20系统电极的命名即源于此。10～20电极安放示意图见下图2.2。图2。210—20电极安放示意图脑电波的分类脑电波就是通过电极统计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互有关系统计下来的就是脑电图。正常的自发脑电普通处在几微伏到75微伏之间。而由心理活动所引发的脑电信号比自发脑电信号更为微弱，普通在2到10微伏之间，它普通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。它重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发。普通脑电信号见下图2.3。图2。3脑电信号在安静状态下，大脑皮层神经细胞自发地体现出持续的节律性电位变化,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。节律是由频率大致一致的波构成的脑电图。正常成年人的脑电图的波形、频率、波幅和位相等都含有一定特点。人体依其个体差别，身体状况，脑电图的特性都会有所不同。传统上，对脑电图的波形分类重要是根据其频率的不同由人工划分的。普通说来，频率慢的其波幅比较大，而频率快的其波幅就比较小。普通按照频率进行分类以表达多个成分.现在共有几个不同的分法,其中下列两种分法是最惯用的,本文根据的是和田丰治的分法［].和田丰治分类:δ波0.5—3Hz，θ波4-7Hz，α波8—13Hz，β波13-30Hz,γ波〉31Hz；Walter分类：δ波0.5-3。5Hz,θ波4—7Hz,α波8-13Hz,β波14—25Hz,γ波〉26Hz.α波健康人α波的平均振幅在30-50微幅，重要分布于顶枕区,普通呈正弦样波。大多数健康成人的脑电以α波为重要成分，在觉醒安静闭眼状态时出现的数量最多且振幅也最高.当进入睡眠时，α波完全消失。苏醒睁眼时或注意集中时其幅值减少，并由较高频率的β波替代。以α波的频率为基准，比α波频率慢的叫慢波，比α波频率快的叫快波。β波β波的频率范畴为14～30Hz，波幅范畴为5～30μV，它遍及整个大脑，以额叶和中央区最为明显。光刺激能使β波受到克制，β波与精神紧张及情绪激动有关，它们在盼望和紧张状态下加强.θ波θ波的频率为4～7Hz,波幅范畴为10～40μV，两侧对称，颞叶较明显，普通困倦时出现，是中枢神经系统克制状态的体现。健康成人脑电图中仅散在出现少量θ波。θ波是正常小朋友脑电图中重要成分,成人脑电图中出现θ波表达为不正常波。θ波出现与精神状态有关，在乎愿受到挫折或抑郁时易出现，并可持续20~60秒之久，精神愉快时就消失。在老年期和病理状态下θ波是很常见的波形.δ波δ波出现在熟睡、婴儿及严重器质性脑病患者中,幅值在100微幅左右。该波只能在皮质内发生,而不受脑的较低档部位神经的控制.γ波γ波为30~60Hz频率范畴内的脑电活动，波幅较低，在额区和前中央区最为明显。现在,基于EEG的脑机接口重要集中在两个方向［］：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,将会检测出一种被叫做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.这两类信号能够通过诱发产生,并且判断精确率较高，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干工作。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有关同时电位、通过反馈训练能够自主控制的皮层慢电位和自发的阿尔法、贝塔等脑电信号即使不需要外界刺激，但是需要大量的特殊训练和适应过程。P300信号介绍P300是事件有关电位（EventRelatedPotential,ERP）的一种，由于其峰值大概出现在有关事件发生后的300ms,因此被命名为P300。研究表明，有关事件出现的概率越小，其引发的P300电位越明显。基于P300的脑机接口的优点是使用者不必通过复杂训练就可获得较高的识别对的率。P300是Sutton［］在1965年发现的,Sutton的论文发表在当年的美国科学杂志上。Sutton在发现P300时使用了一种称为Oddball的ERP实验范式.Oddball实验范式是说，对同一种感觉通道施加两类不同的刺激，其中一种刺激出现的概率很大，而另一种刺激出现的概率很小，两种刺激随机出现。这样,对于被测者来说,小概率刺激的出现含有偶然性，出现频率较低。Sutton在实验时让被测者关注一种小概率刺激作为目的刺激，只要小概率刺激一出现就尽快做出反映。在这种条件下，实验统计显示在小概率刺激300ms之后会出现一种正波，这就是P300。进一步研究发现，P300的波幅和投入的心理资源量成正有关的关系，其潜伏期随任务难度增加而变长。有关P300和认知过程的联系，一种猜想是，P300代表大脑结束知觉任务时的活动，当大脑对所期盼的目的刺激做出反映时,内侧颗叶或顶叶等有关部位会激活，产生了膜间负电位，当结束反映时这些部位又受到克制,正是在这个时候会出现P300。有关潜伏期的研究,Donchin认为［］，P300的潜伏期反映的是大脑对外界刺激的反映所需的时间。这就意味着P300可用于研究脑的高级认知过程。另外，有研究发现，在普通的哺乳动物中也普遍存在着P300，这阐明P300很有可能代表生物神经系统的某种基本活动。按照ERP成分的划分办法［]，根据潜伏期的差别，10ms内为早成分，10-50ms为中成分，50-300ms为晚成分，300ms后来则称为慢波.P300显然属于晚成分。普通所测量的P300是沉没在自发脑电以及眼电、肌电、脑电、工频等一系列干扰信号中的，而其中最难分离的就是自发脑电信号.事件有关电位有两个重要的特性：潜伏期恒定和波形恒定.与此相对,自发脑电则是随机变化的。因此，能够将同一事件多次引发的多段脑电统计下来，但每一段脑电都是多个成分的综合,涉及自发脑电(噪声)。将由相似刺激引发的多段脑电进行多次叠加，由于自发脑电或噪音是随机变化，有高有低，互相叠加时就出现正负抵消的状况,而ERP信号则有两个恒定，因此不会被抵消,其波幅反而会不停增加，当叠加到一定程度时，ERP信号就会显现出来了。因此，在普通的ERP信号研究解决中，为了提取事件有关电位变化，会进行多次重复刺激，通过预定程序实现叠加提取。典型P300电位图见下图2.4。 图2。2P300电位图图2。4典型P300电位图信号采集过程被试和实验设计被试介绍选择适宜的受试者对研究成果的普遍性和可靠性都含有很重要的影响。本课题的受试者为7位在读硕士，均身体健康、精神状态良好、矫正视力在5.0以上、右利手;实验室为环境安静、隔磁、隔热的电磁屏蔽室；电极采用了材料为氯化银的表面电极;为了减少躯体运动和脑电活动的干扰，本次实验选择耳垂作为参考电极（耳垂位置为国际10—20系统原则参考电极位置），并且为避免由同侧颞区造成的耳电极活化，采用对侧耳垂作为参考零电位。刺激方案设计实验的刺激方案为听觉刺激：录制好6个需要回答“是”或“非”的问题（例如：你是中国人吗？），其中3个问题的答案是“是”，3个问题的答案是“非"。受试者做实验时需带耳机听问题,然后用大脑回答.每位受试者做10组重复性实验.听觉刺激的问题时间间隔图见图2.5.听觉刺激的问题的时间点图见图2.6.图2。5听觉刺激的问题实验图图2.6刺激方案时间间隔图实验设备和数据采集脑电信号采集系统重要为脑电图仪.脑电图仪是专门用于测量和统计脑电图的装置，其工作做原理是:放置在头皮的电极能够检测出微弱的脑电信号，其通过电极导联耦合到差动放大器进行适宜放大并且数字化,最后通过与其配套的PC上的统计系统统计下信号数据[].听觉刺激脑电信号采集系统以下图2。7所示。图2.7脑电信号采集系统上图中脑电采集系统重要涉及脑电放大器（本实验采用的为一台32导高空间分辨率脑电设备（NT9200））一台、耳机线二根、USB电缆一根、电极帽一种、PC机两台（在采集脑电信号时，听觉刺激和脑电采集统计分别通过两台PC机同时进行）.脑电放大器、电极帽、PC机的具体性能指标以下:1.脑电放大器.如图2。8所示.通道数:32；采样率：1000/1024次/秒；共模克制比：≥110dB；噪声电平:≤2.5μVpp;时间常数控制：0.03s，0.1s，0。3s;高频滤波控制：15，30，45，60，120Hz；工频陷波：50Hz；输入范畴：±15mV；分辨率：0.5μV；标记信号:正极电压：+4。5到+12V（串口8脚+9脚—）（圆形内+外-）校准方式:方波；电源：USB供电；隔离电压：2500V；运行环境：温度10℃-40℃，湿度30%图2。8脑电放大器NT92002。电极帽。用来采集头皮EEG信号。电极帽上的电极被固定在软橡胶内，以使佩戴者使用更舒适，适合长时间实验的需要。使用时需要在电极内注入导电膏或者用高浓度盐水浸泡，以确保电极与头皮接触电阻不大于5kΩ，用于获得精确的脑电数据。实验室采用的是符合国际10—20原则系统（详见图2.2）的32导电极帽,电极为原则的银/氯化银（Ag/AgCl）电极.3.两台PC机，其中一台PC用于安装听觉刺激系统，用来对受试者产生听觉刺激。另外一台PC于脑电放大其配套使用，用于采集实验产生的脑电信号.PC机的技术参数为：CPU：IntelPentium3。0GHz，64位；内存：4GBDDR主板：华硕P5GD1PROFSB800M;显卡:七彩虹NVIDIAGeForce6200128M；显示屏：联想，19寸LCD；硬盘：260GBSATA实验过程做实验时，在一种光线可控的屋子里,做实验时熄灯。尽量隔绝外界噪声和电磁干扰。受试者坐在椅子中,两手自然地放在扶手上，闭上眼睛,戴着带有棉套的耳机,听刺激方案设计的问题。每个受试者做10组实验,每组实验要听6个问题，每个问题听完后根据问题内容默答“是"或者“不是”,每两个问题之间间隔3s。脑电采集的通道数为32,采样率为1000Hz.与脑电放大器配套的实验数据采集软件的界面（NT9200系列数字脑电分析系统）见下图2。9,实验采集到的脑电信号见下图2.10.图2。9NT9200系列数字脑电分析系统图2.10实验采集到的脑电信号本章小结本章介绍了脑机接口的原理和实验信号的采集。首先介绍了脑机接口的基本原理；然后介绍了脑电信号的采集和分类,重点介绍了P300电位;之后对脑机接口系统的基本构造和原理进行了介绍，最后对实验数据的采集进行了具体介绍。脑电信号数据解决脑电信号的特点和研究办法当代科学认为大量神经元细胞的非线性组合构成了脑电信号，脑电活动信号含有拟定性混沌的特性，人类的大脑是一种高度复杂、自组织的非线性系统。脑电信号的特点以下：脑电信号非常微弱，而背景噪声却很强.背景噪声是指非研究对象的信号,如肌肉动作,眼睛眨动、精神紧张等[］，由此带来某些工频干扰和伪迹等信号。普通EEG信号的电压都很低，范畴大致在50uV—100uV之间，这些信号和脑电信号相比，体现比较强烈。这样的话脑电信号的提取就很重要,对应地对设备精度,检测系统参数配备、分析系统等都有很高的规定，只有这样才干从繁芜复杂的信号中提取微弱的脑电信号。脑的活动是涉及到诸多方面的活动,由于影响因素太多，人们又未完全认识其活动规律，只能从大量的统计构造中寻找，造成随机性很强。脑电信号是一种非平稳随机信号。非平稳是指大脑中的神经元的关系始终处在不停发展变化中，并且对外界的影响含有一定的自我调节能力，因此脑电信号在时域上是非平稳信号。脑电信号的频域特性明显。现在公认的人类脑电活动的频率范畴为0。5Hz—30Hz之间。脑电信号含有非线性特性。脑电信号是大脑中多个神经元之间互相作用的信号的复杂组合，组合的非线性造成脑电信号含有非线性的特点。脑电信号的测量普通都是用多电极测得的多导联信号，在各导联信号之间的互信息中蕴含着重要的信息,进一步有效地挖掘导连之间互信息,找出多导联脑电信号之间的规律特性是现在脑电科学研究的一种热点。事件有关电位（ERP，EventRelatedPotential)是一种与特定事件发生进程有锁时关系的脑电信号。ERP是刺激事件引发的实时脑电波，时间精度能够达成纳级。稳定的锁时性和高时间精度是事件有关电位的重要优势。而事件有关电位的重要弱点在于低的空间分辨率,只能达成厘米级。理论研究中,事件有关电位只能采用数学推导来实现脑电的源定位，例如偶极子，此办法的稳定及可靠性有限.事件有关电位不需要特别的训练，信号检测和解决技术已经比较成熟，局限性就是需要人含有一定的知觉来配合(如视觉)。下列通过事件有关电位的产生过程来介绍某些典型的ERP成分[]，涉及CNV，MMN,N400以及本文所研究的P300电位。研究办法涉及信号预解决、特性提取、特性分类等,其中脑机接口信号解决中最核心的环节是特性提取和特性分类。通过阅读和总结大量论文发现，全部比较好的算法都显示出了某些共同特点：几乎全部的分类办法都是线性的，最惯用的办法是Fisher鉴别分析和线性支持向量机（SVM）；获胜算法大都使用了CSSD/CSP办法；某些获胜算法联合使用了振荡事件有关去同时(ERD)和非振荡事件有关电位（ERP）特性[]。这些结论能够一定程度的反映脑机接口信号解决的研究现状。信号预解决普通状况下，脑电波的数据量非常大，因此对信号的预解决首先是进行降采样，以减少数据量。然后要进行导联的选用,普通是根据经验或者通过某些导联算法来进行有关导联的选用。最后,还要对信号进行带通滤波，普通为2—30Hz的滤波。人体脑电信号是一种很微弱的电信号，采集脑电信号时,会受到多个噪声的干扰，从电极统计下来的信号会带有伪迹，比较常见的伪迹以下：工频干扰、眨眼、眼球运动伪迹和心电伪迹等。在带通滤波之后要对信号进行初步的伪迹去除，用来增强我们要解决的脑电成分。50Hz工频干扰是由人体的分布电容所引发，包含丰富的谐波分量以及因电网不稳定而造成的其它噪声，用带通滤波器之后会滤掉一部分这种干扰[]。另外,在做实验时普通要考虑眼动干扰和心电干扰的因素。电极接触噪声是瞬时干扰，是由于电极与肌肤接触不良引发的，即病人与检测系统的连接不好，这方面在采集信号时要注意。滤波器类型的选择要根据要解决的信号特性而定。Butterworth滤波器[]的频率特性曲线,无论是在通带和阻带都是频率的单调函数，因此，当通带边界处满足指标规定时,通带内必定有余量。Chebyshev滤波器[]能将精确度均匀地分布在整个通带内，或者均匀分布在整个阻带内，或者是同时分布在两者之内,这样就可实现用阶数较低的系统来满足规定的目的。对性能规定一定的状况下，如果对频率截至特性没有特殊规定，考虑采用Chebeshev滤波器.脑电信号是由人体大脑发出的极其精密、相称复杂并且有规律的微弱信号,外界干扰以及其它因素的存在都会使其变得更复杂,要精确地对其进行检测、存储和分析等是一项十分艰巨的任务。脑电信号的监视、分析必须建立在有效克制多个干扰、检出良好的脑电信号的基础之上。数据预解决始终是是脑电信号解决中一项非常重要的内容.脑电信号的特性提取算法特性提取算法介绍特性提取：对某一模式的测量值进行多个矩阵变换，以突出该模式中的含有代表性特性的一种办法。脑电信号特性提取是从通过了预解决和数字化解决的脑电信号中提取出能反映使用者意图的信号特性，惯用的特性提取办法有自回归模、小波变换、独立分量分析和共空间模式等［］.自回归AR模型：AR模型参数的预计办法是基于分段法，待解决数据被分为若干段，预计每段数据的AR模型参数,这样会得到一种有关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，也是代表信号特性的特性信号，通过变化这些系数,就能够得到不同的特性信号功率谱密度预计,信号的功率谱密度为当波的频谱密度乘以一种适宜的系数后将得到每单位频率波携带的功率，这规定信号的傅里叶变换必须存在，即信号平方可加或者平方可积。小波变换［］:小波变换是一种时频信号解决办法。小波这一术语,顾名思义，“小波”就是社区域、长度有限、均值为0的波形。所谓“小”是指它含有衰减性；而“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最后达成高频处时间细分,低频处频率细分,能自动适应时频信号分析的规定，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题,成为继傅里叶变换以来在等典型难题。现在，支持向量机已经成功应用到不少领域,如文本自动分类、手写体数字识别等.Fisher线性鉴别分析的核心思想就是寻找最佳投影方向,使得样本在该方向上作投影后，类内离散度尽量的小,类间离散度尽量的大。支持向量机是从线性可分状况下的最优分类面发展而来的，其目的是寻找一种最优分类面,不仅能将两类样本对的分开,并且分类间隔γ最大。基于样本数据的机器学习模拟人类从实例中观察学习总结归纳的能力，重要应用在对某些观察数据不能够找到原理的状况，通过机器学习抽象出规律,并运用这些规律去分析新的实例对象，对新实例数据进行分析判断,从而得出比较好的输出成果。统计学习理论针对小样本数据的统计问题建立了一套新的理论体系,这种理论是一种专门研究小样本状况下机器学习规律的理论.其中考虑到了对渐近性能的规定，并且重视在有限的信息条件下获得最优的成果.统计学习理论重要包含下列4方面的内容:(1)经验风险最小化准则下统计学习一致性的条件；(2)在上述概念基础上的反映统计学习办法推广能力的界；(3)在这些界的基础上的针对小样本数据的归纳推理原则；（4)实现上述推理的办法。所谓VC维,是对函数类的一种度量,能够简朴的理解为问题的复杂程度，VC维数越高,一种问题就越复杂。正是由于SVM关注的是VC维，背面我们能够看到，SVM解决问题的时候,和样本的维数无关。现在，VC维是描述函数集学习性能容量的最佳指标，是统计学理论的一种核心概念，在计算函数集与分布无关的泛化能力界中起着重要的作用。VC维的直观定义是对一种批示函数集F，如果存在h个样本能够被函数集里的函数按照全部可能的2h种形式分开（如图3.1），则称函数集F能够把这些样本打散.函数集F的VC维就是它能打散的最大样本数目h。若对任意数目的样本都有函数能将它们打散，则函数集F的VC维是无穷大.VC维越大意味着机器学习算法越复杂，学习容量也越大，其对应的学习能力也就越强.对于Rd中的超平面，其VC维是d+1.对于一种N维的再生核Hilbert空间,其VC维是N+1，它独立于对范数的限制。图3。1VC维示意图构造风险最小化原则（StructuralRiskMinimization,SRP)：构造风险最小化是针对小样本条件下的机器学习问题而提出的一种归纳推理原则，能够用来预计和控制学习机器的泛化能力。构造风险最小化的意义重要是在定性分析中的应用。在有限训练样本下，学习机器的复杂性越高，VC维度越高，置信界限就越大,这将造成真实风险与经验风险之间的可能的差别越大。图3.2示意性地描述了构造风险最小化原则,h代表VC维，F为函数集.随着构造元素序号的增加，经验风险将减小,置信范畴将增加.图3。2构造风险最小化示意图支持向量机是从线性可分状况下的最优分类面(OptimalHyperplane)发展来的.所谓最优分类面，就是规定分类面不仅能够将两类样本点无误地分开,并且要使得两类的分类空隙最大。假定由两类构成的大小为n的训练样本集{（xi，yi）,i=1，2，…，n}，假设属于类别1,记yi为1，否则记为yi为—1。学习的目的是构造一种鉴别函数，将测试数据尽量对的地分类。针对样本集的数据为线性和非线性两种状况分别讨论。线性状况:在线性可分的状况下，存在一种超平面能够使训练样本完全分开，分类超平面为(3。9)其中w是n维向量，b是偏移量。对于训练集D中的任一（xi，yi）都满足：（3.10)其中表达向量与的内积。上式可简写成:（3.11）由统计学习理论能够得知，如果训练样本集中的全部向量都被某超平面对的划分,并且距超平面近来的样本数据与超平面之间的距离最大，那么该超平面为最优超平面(如图3.3所示）:图3.3最优分类超平面优化超平面的求解问题能够转换成以下的二次规划问题，定义满足下式中档式约束的训练数据为支持向量。minw,b12训练样本集为线性不可分时，需引入非负松驰变量，，分类超平面的最优化问题为：minw,b1其中C是处罚参数，它为一种常数，C越大表达对错误分类的处罚越大。采用拉格朗日乘子法求解这个含有线性约束的二次规划问题，即：maxα,β其中，为拉格朗日乘子。则能够求得对偶最优化问题：maxα,β根据Karush-Kuhn-Tucher条件（KKT条件)知，在最优点拉格朗日乘子与约束的积为0，即αiy分析式(3。15）和式（3。16)两式,我们有以下发现：1.=0,则=0，xi能够被对的分类；2.0<〈C，则，=0，此时，xi为支持向量,我们定义0<〈C所对应的支持向量为非边界支持向量;3．=C,,,此时xi为支持向量,我们定义C所对应的支持向量为边界支持向量。从而计算参数b为:b=y为了使计算成果可靠，我们对全部原则支持向量分别计算b的值，然后求平均,即:（3.18）式中NSV为原则支持向量数。非线性状况:对于非线性分类问题，我们通过一种非线性函数将训练集数据x从原始模式通过这个非线性函数进行变换，映射到一种高维的线性特性空间，而这个线性特性空间的维数有可能很大。我们需要在这个维数可能为无穷大的线性空间中构造出来一种超平面分类器，来实现分类的最优化，并得到分类器的鉴别函数。因此，在非线性状况下，这个分类超平面为：（3.19）鉴别函数为：（3.20)最优分类超平面问题描述为：minw,b,ξ得到对偶最优化问题：maxα{L式中被称为核函数。鉴别函数为：yx=sign[其中阈值为：（3.24）通过非线性函数将样本数据映射到高维特性空间，并在特性空间中构造最优分类超平面,在求解最优化问题和计算鉴别函数时并不需要计算该非线性函数，而只需计算核函数，从而避免灾难维数问题.核函数的选择必须满足Merce条件。由统计学习理论可知，对于分类器，实际风险Rstr(f)和经验风险Remp（f）之间最少有的概率满足(）（3.25）其中是VC维，对于线性分类器，满足：（3。26）其中,是包络训练数据的最小球半径.机器学习过程不仅要使经验风险最小,还要使VC维尽量的小,这样对将来样本才会有较好的泛化能力，这是构造风险最小化准则的基本思想。支持向量机办法本质上是一种非负的二次型优化问题，在理论上能够得到全局最优解，并且不存在局部极小点问题.核函数的选择非常重要，适宜的核函数能够使分类的精确率达成最高。某些经常采用的核函数有：p阶多项式核函数、径向基（RadialBasisFunction，RBF）核函数、正切(Sigmoid)双曲核、Fourier级数核、神经网络核函数、B—样条核。导联的选用在基于SVM的算法里是很重要的一步。实验数据是32导联加上两参考电位。现在，已报道的基于P300的BCI分类系统大部分都只选用其中的部分导联，由于选择部分导联能够减少数据运算，提高运算速度。理论上来讲，去除部分对有效信号成分没有奉献的导联数据,相称于提高了待解决数据的信噪比，有助于识别对的率的提高。导联的选用能够通过简朴的比较4导联,8导联,16导联以及32导联的运算成果之后，根据经验预先设定，也有研究者尝试着在分类识别过程中按一定算法进行自动选择调节。本文介绍了一种依导联对成果的奉献选择导联的办法。该办法使用了一种递归的剔除无效导联，获得最大奉献导联的算法.（3.27）上式为递归算法中计算识别对的率的公式,其中tp为对的的正值,fp为错误的正值，fn为错误的负值。首先将全部的32路导联都参加进算法中，这样能够得到一种值，然后剔除其中的任意一路导联命名为k,余下导联参加算法会获得一种新的值,最后总共会得到32个值。这32个值中最大的对应的导联能够认为识别对的率奉献最小，即其中所含P300信号最小，故将其剔除。剩余的31导联也按照上述的计算办法进行计算，逐个剔除。这样递归计算之后得到的剩余导联组合就是对识别奉献最大的。基于P300信号的脑机接口系统所选择的导联应当位于对P300信号敏感的脑部头顶区域附近，不同的测试者，该区域位置变化不大.Fisher线性鉴别Fisher线性鉴别分析的基本思想：通过寻找一种投影方向(线性变换），将高维问题减少到一维问题来解决，并规定变换后的一维数据含有以下性质：同类样本尽量聚集在一起，不同类的样本尽量远。Fisher线性鉴别分析,就是通过给定的训练数据，拟定投影方向和阈值，即拟定线性鉴别函数，然后根据这个线性鉴别函数，对测试数据进行测试，最后得到测试数据的类别。1。的拟定各类样本均值向量（3.28）样本类内离散度矩阵和总类内离散度矩阵（3。29)（3.30)样本类间离散度矩阵（3.31）在投影后的一维空间中，各类样本均值。样本类内离散度和总类内离散度。样本类间离散度。Fisher准则函数使得投影后各类满足两个性质:·各类样本内部尽量密集,即总类内离散度越小越好。·各类样本尽量离得远,即样本类间离散度越大越好.根据这个性质拟定准则函数，并且根据使准则函数获得最大值,可求出：。2。阈值的拟定实验中采用的办法：。3.Fisher线性鉴别的决策规则对于某一种未知类别的样本向量，如果，则;否则.方差原则化（归一化解决）一种样本集中，某一种特性的均值与方差为：,（3.32）归一化:图3.4Fisher线性鉴别流程图本章小结本章重要介绍了本课题在脑电信号数据解决中使用的算法。首先介绍了脑电信号的研究办法；另首先，介绍了脑电信号包含的多个噪声及预解决的必要性；然后介绍了特性提取算法，其中重点介绍了共空间模式（CSP）；最后，介绍了特性分类算法，其中重点介绍了支持向量机和Fisher线性鉴别。实验数据解决数据预解决首先对包含噪声的信号进行2—30Hz的切比雪夫I型带通滤波解决。由于实验采集到的数据量非常大，因此滤波之后对数据进行了10倍的降采样解决，减少维度。然后进行实验数据段的提取和数据调节工作。最后是导联选用.由于在实验中已经考虑到眼动干扰、心电干扰和电极接触噪声，因此在本数据中这两种干扰均比较小。具体预解决过程以下：电极选择。共采集了32导联。去除部分对有效信号成分没有奉献的导联数据，相称于提高了待解决数据的信噪比，有助于识别对的率的提高，并且，使用部分导联很大程度上减少了运算速度，更有助于实现脑电信号实时解决。选用8个导联[Fz,Cz，Pz，Oz,T5，P3，P4，T6］。滤波。每一路提取的信号都由1个8阶的切比雪夫I型带通滤波器进行频率通过区间为2Hz到30Hz的滤波解决。根据P300事件有关电位的频率重要分布在低频区，此带通滤波后P300信号将会被保存下来.Butterworth滤波器的频率特性曲线，无论是在通带和阻带都是频率的单调函数。因此,当通带边界处满足指标规定时，通带内必定有余量。Chebyshev滤波器能将精确度均匀地分布在整个通带内，或者均匀分布在整个阻带内，或者是同时分布在两者之内,这样就可实现用阶数较低的系统来满足规定的目的。对性能规定一定的状况下,如果对频率截至特性没有特殊规定，考虑采用Chebyshev滤波器。图4。1切比雪夫滤波图4。2原始信号和滤波后的信号降采样.采样频率为1000Hz，进行10倍降采样，降采样后点数为100Hz。这里的单次实验时间片段取刺激之后1000ms的时间段,这样每单次实验的导联的采样点数就为100个。图4.3未降采样的信号和将采样后的信号单次实验数据段提取。单次实验从刺激开始算起,刺激开始后的1000ms结束.激发的信号会在刺激300ms后出现，故分析1000ms足够.从数据中提取出持续时间1000ms的单次实验数据段。（采集的点为：500—600(第1个听觉刺激的问题后的1s），1000—1100（第2个听觉刺激的问题后的1s)，1540-1640（第3个听觉刺激的问题后的1s），2090-2190(第4个听觉刺激的问题后的1s)，2545-2645（第5个听觉刺激的问题后的1s），3113—3213（第6个听觉刺激的问题后的1s））.数据调节。眨眼、眼睛的转动、肌肉活动，或者测试者的移动都能够造成EEG信号产生比较大幅度的输出。为了减少这些干扰的影响，对从每一种电极获得的数据进行调节。计算x，使得脑电采样数据中有90%的数值不大于x；再计算有y，使得脑电采样数据中有90％的数值不不大于y；分别计为和y；将数据中全部不不大于x和不大于y的都分别由x和y两个值所取代。最后，由于单次实验数据里的P300特性不明显，需要通过重复叠加来使得P300特性明显.本文将重复实验得到的数据进行10次叠加,叠加后得到了比较明显的含有P300信号的数据。图4。4实线是含有特性信号的脑电数据，在300ms～500ms之间有较大的波峰，为P300成分；虚线是不含有P300成分的脑电信号.图4。4经10次重复实验平均后得到的P300信号（虚线为无听觉刺激时的脑信号）数据特性提取实验过程中的每一种问题所产生的脑电波的有效数据是一种8（个导联）＊100（个数据点）的矩阵（点云）。每个受试者做10组实验，每组实验听6个问题，因此每个受试者会进行10＊6=60次听觉刺激,产生60个样本。总共有7个受试者，因此，本次实验共采集了7＊60=420个样本，其中有若干样本由于在采集过程中有损，故最后总共有390个有效样本。每个听觉刺激实验采集到的EEG是一种N＊T矩阵，其中N为导联的数量,T为采样点数量．共空间模式把N*T矩阵的每一列视为N维空间的一种点,T个N维空间的点构成了一种点云．被试执行不同运动或运动想象任务时，产生EEG构成的点云呈现出不同的空间分布特点．CSP找到一种线性变换，把两个不同任务的点云映射到另一种空间上，使得两个不同任务的点云在空间分布上的差别最明显:把8*100矩阵的每一列视为8维空间的一种点，100个8维空间的点构成一种点云。执行“是”的时候产生一种点云，执行“非"的时候又产生一种另外的点云。CSP要找到一种线性变换，把这两个点云映射到另一种空间上，使得这两个点云在空间分布上的差别最明显。实验数据通过CSP变换，两类数据（yes类和no类）的数据矩阵映射到了同一种空间上，在这个空间上yes类的特性值和no类的特性值之和为1，分别为最大和最小,见下图4.5。图4。5yes类和no类的特性值分类成果导联的选用对于支持向量机是非常重要的，选择部分导联能够减少数据运算，提高运算速度。本文介绍了一种根据导联对成果的奉献来选用导联的办法。该办法使用了一种递归的剔除无效导联，获取最大奉献导联的算法。(4.1）上式为递归算法中计算分类对的率的公式，其中为对的的正值数，为错误的正值数，为错误的负值数。首先将实验得到的全部的32路导联都参加到该算法中，能够得到一种值；然后把这32导联轮流剔除其中一路导联（命名为）,余下的31路导联参加算法，能够得到一种新的值；计算出的总共32个中，值最大的对应的导联能够认为对分类奉献最小，即所含P300信号最小，将其剔除，这样就剩余31导联的数据。对剩余的31导联也按照上述的计算办法进行计算，逐个剔除。这样递归计算，最后得到的剩余导联组合就是对识别奉献最大的.基于此算法，从最初32导联计算，最后得到的8个最大奉献导联为：[Fz,Cz，Pz，Oz，T5,P3，P4，T6].下图4。6和图4。7描述了基于Fisher线性鉴别和SVM（支持向量机)算法时，不同数量的特性向量的识别对的率.其中，在上面的红线正方形对应的曲线为把全部数据都作为训练组，然后再作为测试组进行分类的对的率对应的对的率，在下面的蓝线圆圈对应的曲线为把数据的二分之一作为训练组，然后另二分之一作为测试组进行分类的对的率对应的对的率。图4.6数据全部作为训练组和测试组的分类成果图4。7数据部分作为训练组部分作为测试组的成果将数据中Fisher线性鉴别和SVM（支持向量机）的识别对的率提取出来生成表格4.1与表格4。2.表格4。1为把全部数据都作为训练组，然后再作为测试组进行分类的对的率对应的对的率，表格4。2为把数据的二分之一作为训练组，然后另二分之一作为测试组进行分类的对的率对应的对的率。正器类分特性向量数量正器类分对的率分类器1234Fisher线性鉴别63.9%73.6%85。0％91。3%SVM（支持向量机)70.1%77。4％89。7％93。2％表4。1交叉数据作为训练组和测试组的分类成果正器类分特性向量数量正器类分对的率分类器1234Fisher线性鉴别52.0%67。7%79。4%84.5%SVM(支持向量机)65。2％72.1%81。7%89.3％表4。2195组数据作为训练组,剩余195组数据作为测试组的成果从数据解决的成果能够看出用CSP(共空间模式）特性提取的办法，能够较好地提取信号的特性向量.由分类成果所示,对于每一条识别曲线，随着分类输入的特性向量的个数的增加,Fisher线性鉴别和CSP(共空间模式）的分类对的率无一例外都有明显的上升。另外，SVM（支持向量机）的分类对的率比Fisher线性鉴别的分类对的率要高某些，对于解决P300信号的分类状况，SVM（支持向量机)优于Fisher线性鉴别。另外由图4。1和4.2的对比能够阐明,训练组的数量越大，得到的分类对的率越高.由实验证明，本文使用的信号解决办法能够用于脑—机接口P300信号的研究。本章小结本章重要对实验采集到的数据进行解决，涉及脑电信号预解决、脑电信号特性提取、特性分类.对于特性提取，本文重要采用了共空间模式，把两类不同空间的信号映射到同一种空间上,使得这两类信号在空间分布上的差别最明显。之后对得到的两类信号进行分类，使用支持向量机和Fisher算法。之后把脑电信号数据的解决成果进行分析和讨论.研究成果显示，支持向量机和Fisher线性鉴别对P300信号都含有很高的识别率和识别速度；其中支持向量机识别率高某些，优于Fisher线性鉴别。结论与展望全文总结此课题重要研究了P300信号的有关内容，对受试者回答“是"或“非”时产生的P300脑电波进行识别：通过预解决、特性提取、分类，最后达成能根据受试者的P300脑电波判断出受试者回答的是“是”还是“非”的成果。这为神经障碍患者与外界进行信息交流提供了一种可行方案.对信号进行预解决，首先进行滤波，然后对滤波后的信号进行降采样，之后提取单次实验数据段，即提取出要解决的数据，然后进行一定的数据调节,最后选用有关的电极。对于特性提取，本文重要采用了共空间模式，把两类不同空间的信号映射到同一种空间上，使得这两类信号在空间分布上的差别最明显.之后对得到的两类信号进行分类，使用支持向量机和Fisher算法。研究成果显示,支持向量机和Fisher线性鉴别对P300信号都含有很高的识别率和识别速度；对390次实验采集的真实P300脑电信号样本进行数据分析，在原则识别方案的基础上，通过多次信号平均和参数优化，能够达成88.9％,满足了识别性能规定，其中支持向量机的识别率较高某些。将来工作展望由于脑机接口技术还处在发展阶段，并且是一种多学科的交叉领域，涉及到各个学科的前沿性问题，而本文也仅对脑机接口的P300信号解决部分进行了研究，该课题进一步的研究工作能够从下列几方面继续研究：在离线信号解析的研究中,人们的注意力往往集中在如何提高识别的对的率，而不太顾及信号解决算法的复杂性及计算量。然而一种实用的脑机系统必须要能实现统计信号的实时在线解决。如果解决的速度跟不上,即使在离线分析中获得了较好效果的算法也无法应用到实际的在线应用系统中.本课题的计算量比较大，对实时信号的解决睬有比较大的延时。后来这方面的工作应当更多考虑实时性问题。实验数据的采集量有待增加，刺激方案的设计还需要更多的思考。现在重要是分析解决正常人的脑电信号，但愿后来能够更多的采集某些神经障碍者的脑电信号进行分析。总之，要实现医疗康复脑机接口，不仅规定适宜的刺激方案，并且规定速度快精确率高能够进行实时解决的算法.作者相信，随着各学科技术的不停发展,脑机接口技术会越来越多地应用到生活的各个领域，更加好的为人类服务。参考文献_blank”ErikssonJ,KarvanenJ,KoivunenV。SourceDistributionAdaptiveMaximumLikelihoodEstimationofICAModel[A］.HelsinkiProc.ofSecondIntl.WorkshoponIndependentComponentAnalysisandBlindSignalSeparation,：227-232.高上凯.浅谈脑—机接口的发呈现状与挑战。中国生物医学工程学报，.12陈瑞中。_top”AnAlgorithmforIdle—StateDetectionandContinuousClassifierDesigninMotor-Imagery-BasedBCI［J］。HYPERLINK”/kns50/Navi/Bridge.aspx?DBCode=CJFD&LinkType=BaseLink＆Field=BaseID&TableName=CJFDBASEINFO&NaviLink=Journal+of+Electronic+Science+and+Technology+of+China＆Value=ZGKE"\t"_blank”JournalofElectronicScienceandTechnologyofChina，HYPERLINK”http：///kns50/Navi/Bridge.aspx?DBCode=CJFD&LinkType=IssueLink&Field=BaseID*year*issue＆TableName=CJFDYEARINFO&Value=ZGKE**01&NaviLink=Journal+of+Electronic+Science+and+Technology+of+China"\t”_blank"，(01).张新闻。\t"_top”P300脑电诱发电位的分类识别及在脑机接口中的应用［D］.山东大学,

.

魏文庆。HYPERLINK”/kns50/detailref。aspx?filename=.nh＆dbname=CMFD&filetitle=%e5%9f%ba%e4％ba％8eEEG％e7%9a％84BCI％e7%9a％84%e7％a0%94%e7%a9％b6％e4%b8％8e％e8%ae%be％e8％ae%a1”基于EEG的BCI的研究与设计[D]。浙江大学,。Sykacek,P。,Roberts，S.,Stokes,M。，Curran,E。，Gibbs,M。，Pickup，L。HYPERLINK”http://211。151。93。38/index。html?sid=IEEE%20Trans.％20Neural。%20Sys。％20Reh。％20Eng＆Title=Probabilistic%20methods％20in%20BCI%20research＆aufirst=Sykacek，P.,Roberts，S.，