在線腦機(jī)接口中腦電信號(hào)特征提取與分類方法的思考

褚凱軒

一、在線腦機(jī)接口中腦電信號(hào)特點(diǎn)與分型

神經(jīng)纖維處于興奮或抑制狀態(tài)會(huì)產(chǎn)生電信號(hào)，即腦電信號(hào)，其具體產(chǎn)生機(jī)制尚不清楚。腦電信號(hào)除有一半生物電的共性外，還有以下特點(diǎn)：①信號(hào)微弱，容易受到干擾，即噪聲背景較大。人體是一個(gè)復(fù)雜的系統(tǒng)，導(dǎo)致腦電信號(hào)非常容易受到外界的影響，故腦電信號(hào)的處理需要進(jìn)行有效的去噪。②腦電信號(hào)頻率范圍低，一般在0～30Hz，在進(jìn)行信號(hào)獲取、放大等預(yù)處理時(shí)，需要充分考慮到頻率效應(yīng)特性。③腦電信號(hào)具有非線性、隨機(jī)性強(qiáng)，故無法采用數(shù)學(xué)函數(shù)表示，較一般的生物電信號(hào)處理難度更大。

腦電信號(hào)的種類按照產(chǎn)生的方式，可分為以下類型：①P300誘發(fā)電位。這種電位是實(shí)驗(yàn)者在實(shí)驗(yàn)過程中采用外部刺激產(chǎn)生的，實(shí)驗(yàn)者通過外部刺激形成P300，根據(jù)腦電信號(hào)P300峰值出現(xiàn)的時(shí)間等參數(shù)，能夠分析實(shí)驗(yàn)對(duì)象的腦部思維活動(dòng)。研究顯示，當(dāng)刺激發(fā)生幾率較大時(shí)，形成的P300峰值幅度較小，P300是一個(gè)外部相應(yīng)信號(hào)，與實(shí)驗(yàn)者是否接受訓(xùn)練聯(lián)系不大。②其他。視覺誘發(fā)電位、事件相關(guān)同步/去同步電位、皮層慢電位、自發(fā)腦電信號(hào)、顱內(nèi)腦電信號(hào)等，各有優(yōu)劣，其中事件相關(guān)同步/去同步電位在在線腦機(jī)接口中應(yīng)用價(jià)值最高，如當(dāng)想象左側(cè)肢體運(yùn)動(dòng)情況下，大腦左側(cè)感覺運(yùn)動(dòng)區(qū)域能夠檢出相關(guān)的同步電位，這對(duì)于肢體功能障礙鏡像康復(fù)治療、人工肢體控制有重要意義。

二、在線腦機(jī)接口中腦電信號(hào)特征提取

腦電信號(hào)有其獨(dú)特性型，并對(duì)其提出較高的要求，目前可供選擇的主要算法包括：①時(shí)域特征提取。它應(yīng)用得較早，主要用于背景較小、平穩(wěn)的睡眠腦電耗提取，主要指標(biāo)包括幅值、方差極值等。②頻域特征。腦電信號(hào)的頻域特征較突出，恩熙信號(hào)通過分析腦電波、電功率指尖的關(guān)系，分析信號(hào)的頻率、能力等，主要計(jì)算方法包括短時(shí)傅立葉變換、小波分解等。③時(shí)頻聯(lián)合特征提取，能夠獲取的信號(hào)特征更為豐富，主要算法包括希爾伯特黃變換、小波分解等。④空域特征提取，主要用于腦科學(xué)科研，在線系統(tǒng)中應(yīng)用較少。⑤非線性動(dòng)力學(xué)，主要方法包括關(guān)聯(lián)緯、復(fù)雜度、Lyapunov指數(shù)等，通過分析不同生理情況下的非線性特征分析大腦功能，診斷腦部疾病；⑥人工神經(jīng)網(wǎng)絡(luò)，成功用于人腦電信號(hào)分析，進(jìn)行在線識(shí)別癲癇信號(hào)，獲得較好的準(zhǔn)確率，但尚無用于在線腦機(jī)接口腦電信號(hào)特征提取。⑦其他特征提取方法主要包括主成分分析、近似熵等。不同提取方法得到的腦電圖特征存在明顯的差異，部分算法可能不適合在線分析，計(jì)算量較龐大。以短時(shí)傅立葉變變換為例，其在時(shí)間-頻率中描述非平穩(wěn)的時(shí)變信號(hào)，能夠更全面地觀察恩熙信號(hào)的時(shí)頻聯(lián)合特征，包括時(shí)域窗法、頻域窗法，需要進(jìn)行改良。以頻域窗法為例，若窗譜W（ω）表示窗函數(shù)W（n）的傅立葉變化，那么信號(hào)STFT表示為XSTFT（n，ω）

，STFT是序列X（n）與窗函數(shù)W（n）e-jnω的卷積與序列e-jnω的乘積，窗函數(shù)隨著時(shí)間軸的移動(dòng)，截取到一小段信號(hào)，然后進(jìn)行傅立葉變化，得到二維函數(shù)，從而得到信號(hào)的時(shí)頻聯(lián)合分布。

三、在線腦機(jī)接口中腦電信號(hào)特征分類

目前常用的分類方法，包括決策樹、樸素貝葉斯、支持向量機(jī)、Fisher線性判斷、神經(jīng)網(wǎng)絡(luò)等。當(dāng)前，越來越多的學(xué)者采用準(zhǔn)確率、召回率以及AUC值評(píng)價(jià)分類的效果，聯(lián)合分類法越來越受到重視。特別是隨著計(jì)算機(jī)性能的發(fā)展，計(jì)算量、計(jì)算速度不斷提高，算法量對(duì)算法的選擇影響明顯被削弱，聯(lián)合算法結(jié)合不同算法的優(yōu)勢，可明顯提高準(zhǔn)確率、降低召回率，成為處理復(fù)雜、易受干擾的在線腦機(jī)接口中腦電信號(hào)分類首選方法。

參考文獻(xiàn)：

[1]吳朝暉，俞一鵬，潘 綱，等.腦機(jī)融合系統(tǒng)綜述[J].生命科學(xué)，2014（6）：645-649.

[2]王行愚，金 晶，張 宇，等.腦控——基于腦機(jī)接口的人機(jī)融合控制[J].自動(dòng)化學(xué)報(bào)，2013（3）： 208-221.endprint