基于感覺運動BCI系統(tǒng)的EEG手部運動分類

劉培++秦勝花

摘 要：對于殘疾人或者運動不便的健全人，感覺運動相關(guān)的BCI（Brain Computer Interface）系統(tǒng)是十分必要的。BCI系統(tǒng)的關(guān)鍵部分是對EEG（Eletroencepalograph）信號的采集、提取和分類。本文研究的是手部三種動作在運動執(zhí)行的情況下，人腦產(chǎn)生的EEG信號的不同。利用EEG信號在運動時發(fā)生于大腦感覺運動皮層區(qū)域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）現(xiàn)象，運用EMD（Empirical Mode Decomposition）等算法進行信號的特征提取，然后進行分類，得出了平均準(zhǔn)確率為78.75%的良好結(jié)果。此次研究提供了一種基于EMD新的有效的運動相關(guān)BCI系統(tǒng)研發(fā)中的EEG信號的特征提取算法。

關(guān)鍵詞：腦機接口 腦電波 ERD＼ERS 數(shù)據(jù)分類 特征提取

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1672-3791（2014）04（a）-0006-04

腦機接口（BCI）—— 人或動物腦（或者腦細胞的培養(yǎng)物），與外部設(shè)備之間創(chuàng)建的直接連接通路。腦部發(fā)出的命令可以直接傳輸?shù)酵獠吭O(shè)備，或者外部設(shè)備發(fā)出的命令直接傳達到腦部。它可以用在殘疾人康復(fù)領(lǐng)域，通訊領(lǐng)域和多媒體交互領(lǐng)域等。腦電波（EEG）是腦部在運作時發(fā)出的有一定規(guī)律的電磁波。人體腦電波的頻帶通常在1～30 Hz左右，與運動控制相關(guān)的頻帶通稱為mu節(jié)律，在8～13 Hz左右。mu節(jié)律在運動時會在對側(cè)和同側(cè)表現(xiàn)出事件相關(guān)去同步化（ERD）和事件相關(guān)同步化（ERS）。根據(jù)這一現(xiàn)象，可以從腦電波判斷出此時對應(yīng)的類型。在很多論文中，左右手動作的識別已經(jīng)成熟，但是關(guān)于一只慣用手不同動作的分類研究的很少，這正是本文研究的。在本文中，利用時域特征和由EMD[1]算法得到的頻域特征，結(jié)合自己創(chuàng)新的算法，對三種不同的手部動作進行分類，取得了一定的效果。

1 預(yù)備知識

1.1 EEG

大腦的神經(jīng)細胞內(nèi)和各種體液中存在大量離子，沒有外部刺激時細胞膜的膜電位會維持在靜息電位，受到刺激時，神經(jīng)細胞會在突觸之間放電，從而傳達刺激信息。大量神經(jīng)元的集體放電行為形成的振蕩和同步振蕩被認為是目前大腦高級功能信息整合的最有可能的機制[2]。不同位置的神經(jīng)元集合在大腦進行不同的活動時，放電的頻率、幅值、變化不同，與運動相關(guān)的神經(jīng)元集合分布在運動皮層。

通常設(shè)備采集的腦電波不是直接的神經(jīng)元的放電電位，而是各個區(qū)域的神經(jīng)元集體放電后，通過一系列的振蕩、疊加，透過顱骨等之后的電位，通稱腦電波。事實證明，腦電波能表征出腦內(nèi)的活動和大腦的狀態(tài)。

1.2 運動相關(guān)的BCI

與運動相關(guān)的神經(jīng)元集中分布于大腦皮層中央頂端的左側(cè)和右側(cè)，分別控制右側(cè)肢體和左側(cè)肢體，與之相關(guān)的腦電采集導(dǎo)聯(lián)為10-20系統(tǒng)中的C3導(dǎo)聯(lián)和C4導(dǎo)聯(lián)。

運動相關(guān)的BCI的構(gòu)成部分如圖1所示。

1.3 EMD算法

經(jīng)驗?zāi)Ｊ椒纸猓‥MD）是由Huang提出的一種處理非線性非穩(wěn)態(tài)信號的經(jīng)典算法。該算法的重要部分是將任一復(fù)雜的數(shù)據(jù)集分解成數(shù)量有限的，并且數(shù)量不是很多的特征函數(shù)（Intrinsic Mode Function，IMF），并且這些特征函數(shù)滿足希爾伯特變換（Hilbert Transforms）的條件（即：（1）在整個數(shù)據(jù)區(qū)間內(nèi)，極值點的數(shù)目與過零點的數(shù)目相等或至多相差一個；（2）在任意點處，由極大值定義的包絡(luò)和有極小值定義的包絡(luò)均值為零）。

將IMFs進行希爾伯特變換并疊加后，可得到原數(shù)據(jù)集的具有實際物理意義的瞬時頻率。設(shè)IMF分量為c（t），則它的復(fù)解析信號如式（1）所示：

（1）

其中a（t）為幅值函數(shù)，表示信號每個采樣點的瞬時幅值能量；為相位函數(shù)，表示信號每個采樣點的瞬時相位，將其對時間求導(dǎo)可得到瞬時頻率。對每個IMF分量做Hilbert變換并忽略分解余項，得：

（2）

若將式（2）中的幅度和瞬時相位作為時間的函數(shù)表示在三維分布中，幅度的這種 時—頻分布被稱為希爾伯特幅度譜，簡稱希爾伯特譜，習(xí)慣上用幅度的平方表示能量密度。

2 數(shù)據(jù)分析

2.1 實驗方案

被試者有7例，三例男性，四例女性，均為右利手，年齡均在26周歲左右，健康無家族遺傳病史。實驗采集設(shè)備為Neuroscan系統(tǒng)，64導(dǎo)腦電電極，2導(dǎo)眼電電極和2導(dǎo)肌電電極，其中腦電電極位置符合10-20系統(tǒng)。采用DC放大，采樣率為1000 Hz，濾波器設(shè)置為0～200 Hz，滿足內(nèi)阻<5 kΩ，供電系統(tǒng)接地，實驗室密封隔音等腦電采集實驗規(guī)范。

采集實驗如圖2所示。

實驗中要求被試者做運動執(zhí)行任務(wù)，具體提示動作有三種，分別為右手握拳、右手手張開、右手捏鑰匙。受試者在實驗界面出現(xiàn)不同指示下完成不同的運動想象（運動執(zhí)行）任務(wù)。一次實驗過程周期持續(xù)8 s，最初2 s，實驗界面上出現(xiàn)一個十字光標(biāo)，指示受試者保持大腦處于放松狀態(tài)并做好準(zhǔn)備；之后屏幕中心的十字光標(biāo)由一張手部動作圖片替代，要求被試者根據(jù)圖片在3 s的時間段內(nèi)不斷重復(fù)完成相應(yīng)的任務(wù)；然后屏幕上出現(xiàn)一張笑臉，為3 s的被試者休息時間。每個受試者完成8組實驗，每組包括每個動作10次，時長為8 s×3×10=240 s，8組實驗時間為1920 s。實驗時序圖如圖3所示。

2.2 數(shù)據(jù)預(yù)處理

使用Neuroscan自帶波形分析軟件Scan4.3對數(shù)據(jù)進行預(yù)處理，如幅值參數(shù)為±100 uV的偽跡濾除，校正基線漂移，1～45 Hz的帶通濾波器，眨眼眼電的濾除。然后使用Matlab下的EEGLAB工具箱將參考導(dǎo)聯(lián)改為M1/M2，取出C3和C4導(dǎo)聯(lián)的相關(guān)事件之前1000 ms到事件之后750 ms的數(shù)據(jù)段。然后以事件發(fā)生時刻為0時刻，（-814 ms，-300 ms）時間段內(nèi)的數(shù)據(jù)平均值為基線[3]。最后將數(shù)據(jù)針對不同事件標(biāo)記進行分段處理。

2.3 數(shù)據(jù)選擇和特征提取

由于研究內(nèi)容是運動引起的C3，C4導(dǎo)聯(lián)的腦電波的各種變化，而腦電波在非運動時的狀態(tài)和在一側(cè)肢體運動時二導(dǎo)聯(lián)共同含有的變化成分可能與情緒，環(huán)境，噪聲等一系列的復(fù)雜因素相關(guān)，所以在本文中，采取了兩種處理方法來進行特征提取，并將結(jié)果進行了對比。

一種是使用C4和C3導(dǎo)聯(lián)的差值A(chǔ)，即A=C4-C3。對A進行以下的特征作提取：最大幅值與最小振幅的差值，幅值的平均值，最大和最小頻率的差值。其中頻率是用EMD算法得出。

另一種方法是使用只C3導(dǎo)聯(lián)的值，即B=C3。對B進行以下的特征作提取：最大幅值與最小振幅的差值，幅值的平均值，最大和最小頻率的差值。其中頻率是也用EMD算法得出。

2.4 數(shù)據(jù)分類

針對每一列特征值，每次隨機取出1000組數(shù)據(jù)，進行不同動作數(shù)據(jù)組之間的該特征的數(shù)據(jù)大小比較，并計算出準(zhǔn)確率。把上述兩種方法中相應(yīng)的特征的準(zhǔn)確率相乘，得到最終的準(zhǔn)確率。

3 結(jié)果對比

大多數(shù)實驗者的數(shù)據(jù)結(jié)果與該表中的結(jié)果相一致，因此，該結(jié)果能夠表明合理的分類正確率。分類結(jié)果中包含了每一個動作的每一種處理方式。結(jié)果如表1、表2所示，選取了四個實驗者的實驗數(shù)據(jù)，其中A代表從A（A=C4-C3）獲得的數(shù)據(jù)集的準(zhǔn)確性。B表示從B（B=C3）的數(shù)據(jù)集進行計算所獲得的精確度。

A的結(jié)果明顯優(yōu)于B。這是因為C4和C3的差值更排除類似情感，精神狀態(tài)等方面的干擾。從生理學(xué)上來說，當(dāng)一側(cè)的手進行運動時，左腦區(qū)與右腦區(qū)的運動中樞產(chǎn)生的腦電波都會發(fā)生改變。

手張開和捏鑰匙之間的差值比手打開與握拳之間的差值更明顯。這一結(jié)果的原因之一是因為對參與者來說，手張開和握拳的動作相比捏鑰匙而言，更容易做。

4 總結(jié)和未來工作

本文的目的是為了提高利用腦電圖來對動作進行解讀的準(zhǔn)確率，從而使與運動相關(guān)的BCI系統(tǒng)能更好的控制假手，并區(qū)分出不同的手部動作。本次研究得出的比較好的結(jié)果是手張開和捏鑰匙兩個動作的分類，平均準(zhǔn)確率是78.75%。而手張開和握拳的分類準(zhǔn)確率是48.25%，這證明了上述方法不適合用于此兩類動作之間的分類。這對控制假手進行必要的手部動作這一目標(biāo)而言，是非常重要的一步。今后的工作是準(zhǔn)確地分類手部和手腕部的動作，并將離線分析的處理模式改進為實時數(shù)據(jù)處理。

參考文獻

[1] Norden E. Huang，Zheng Shen，Steven R.Long.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].The Royal Society， 1998.

[2] 包尚聯(lián).腦功能成像物理學(xué)[M].鄭州大學(xué)出版社，2006

[3] Stephan Waldert，Hubert Preisssl， Evariste Demandt.Hand Movement Direction Decoded from MEG and EEG[J].The Journal Neuroscience，January 23，2008.

[4] A.K.Mohamed，T，Marwala，L.R.John. Singel-trial EEG Discrimination between Wrist and Finger Movement Imagery and Execution in a Sensorimotor BCI[C].2011 33rd Annual international Conference of the IEEE EMBS.

[5] 顏彪，楊娟.關(guān)于希爾伯特變換的分析和研究[J].電氣電子教學(xué)學(xué)報，2004， 10.

[6] 徐爭光.經(jīng)驗?zāi)Ｊ椒纸獾臄?shù)學(xué)理論研究[M].華中科技大學(xué)，2009.

[7] D.GABOR，Dr.Ing.，Associate Member. Theory of Communication[M].24th September，1945.

[8] Cheolsoo Park，David Looney，Preben Kidmose.Time-Frequency Analysis of EEG Asymmery Using Bivariate Empirical Mode Decomposition[J].IEEE Transactions on Neural Systems And Rehabilitation Engineering，August， 2011.

[9] Pawel Herman， Girijesh Prasad，Thomas Matin McGinnity，Damien Coyle，Comparative Analysis of Spectral Approaches to Feature Extraction for EEG-Based Motor Imagery Classification[J]，IEEE Transactions on Neural Systems And Rehabilitation Engineering， August，2008.

[10] 莊平.腦電事件相關(guān)去同步化和同步化活動與運動相關(guān)性作業(yè)[J].中國臨床康復(fù)，2004.

[11] Abdul-Khaaliq Mohamed.Towards Improved EEG Interpretation in a Sensorimotor BCI for the Control of a Prosthetic or Orthotic Hand[M].University of Witwatersrand， June， 2011.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計信號處理：醫(yī)學(xué)信號分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實驗教程[M].天津社會科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計信號處理：醫(yī)學(xué)信號分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實驗教程[M].天津社會科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計信號處理：醫(yī)學(xué)信號分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實驗教程[M].天津社會科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.