基于少量導聯的腦-機接口實現方法研究

施晨韻，吳小培，殷 嬋，歐陽蕊

(安徽大學 計算機科學與技術學院，合肥 安徽 230601)

腦-機接口(brain-computer interface， BCI)是人-機交互技術的一種特殊實現模式。BCI系統通過對任務相關神經活動進行信號處理、特征提取和分類，實現思維活動和控制命令的轉換，進而實現大腦對外部設備的直接控制[1]。

頭皮腦電(electroencephalogram，EEG)是一種常用的神經活動獲取方法。基于EEG的BCI(EEG-BCI)實現方法具有無創、高時間分辨率、操作簡單和成本低等明顯優勢，近年來一直是BCI領域的研究熱點[1-2]。但是EEG信號容易受到眼電、肌電和心電等生理偽跡以及外部電磁環境的干擾。此外，受大腦容積傳導效應的影響，EEG的空間分辨率通常較低。因此EEG-BCI系統的實現對EEG信號處理和模式識別方法提出了很高的要求。

研究表明，基于多導聯EEG的空域濾波技術能有效改善BCI系統性能[3]。Ramoser等首先提出采用共同空間模式(common spatial pattern， CSP)對運動想象腦電進行空域濾波和特征提取[2]，獲得了非常理想的分類效果。目前，CSP空域濾波方法被廣泛應用于BCI研究領域。CSP是一種有監督設計方法，其性能與訓練樣本規模、質量以及EEG導聯數量等因素密切相關。為了獲得有效數量的訓練樣本，通常需要進行較長時間的數據采集工作。在此期間，受試者往往會因為疲勞和精力分散等原因影響數據采集質量，進而導致CSP濾波器以及BCI系統的穩定性不理想。獨立分量分析(independent component analysis， ICA)是一種多通道盲源分離方法，其特點是能實現有用信號和干擾噪聲的有效分離[4]。相比CSP的有監督設計，ICA屬于無監督設計方法，因此訓練樣本采集相對比較容易。Kachenoura等充分肯定了ICA在BCI系統實現中的應用價值和潛力[4]。但到目前為止，相關研究報道還比較有限。根據現有的文獻資料[4-5]，ICA輸出排序的不確定性以及對EEG導聯分布的過于敏感可能是阻礙其實際應用的主要原因。

本文圍繞運動想象腦-機接口的實現問題，對少量導聯情況下的ICA-BCI系統設計和性能評估方法開展研究，提出采用自測試技術對ICA濾波器進行了優化設計。論文采用BCI competition IV-2b公開數據集對本文方法進行了測試[6]，實驗結果驗證了所提方法的有效性。

圖1 MI-BCI系統實現框圖

1 方法

神經電生理研究表明，當肢體進行真實運動或者想象肢體運動時，大腦運動皮層EEG中的mu/beta節律成分會出現幅度調制現象，稱之為事件相關同步或去同步 (event-related synchronization/desynchroni- zation，ERS/ERD)[1-2]。通過對多通道EEG的分析和處理，可獲取與運動想象(motor imagery，MI)類型相對應的EEG特征，在此基礎上，通過對EEG特征進行分類，可實現從肢體運動想象到控制命令的轉換。基于這一原理所建立的BCI系統稱之為運動想象BCI系統(MI-BCI)。

圖1給出了本文MI-BCI系統的實現算法框架，其中包含系統“設計/訓練”和“測試”兩大部分。具體包括常規的時域帶通濾波器(BPF1，BPF2)的設計和ICA空域濾波器的設計及優化。然后將所建系統模塊應用于測試集中單次試驗的分類。

1.1 ICA空域濾波與運動相關獨立分量選擇

根據圖1所示MI-BCI系統框架，采用ICA空域濾波器對帶通濾波后的多道EEG信號進一步處理，以獲取與左/右手運動相關的EEG源成分。ICA算法假設n個頭皮電極記錄的多道EEG信號x(t)=[x1(t),x2(t), … ,xn(t)]T是m個相互統計獨立的隱含源信號s(t)=[s1(t),s2(t), … ,sm(t)]T的線性瞬時混合，即：

(1)

式(1)中，A為n×m常系數混合矩陣，不失一般性，通常假設n=m。在源的獨立性假設前提下，ICA利用多道觀測數據x(t)進行分離矩陣(W=A-1)估計和隱含源的提取，即：

(2)

式(2)中，y(t)=[y1(t),y2(t), … ,yn(t)]T是對真實源s(t)的逼近，分離矩陣W中的各行向量wi,i=1,…,n稱之為ICA空域濾波器，用于提取不同的獨立源yi(t)=wiTx(t)。

基于不同的源獨立性度量方法，研究者提出了若干經典ICA算法，如Infomax算法、FastICA算法、Jade算法以及Sobi算法等[7-10]。本文采用基于超高斯模型的Infomax算法。分離矩陣W的迭代學習規則如下[7]：

(3)

式(3)中，E為統計平均運算，sign是符號函數，μ為學習率。

由于ICA輸出存在排序不確定性，因此如何從n個輸出獨立分量{yi(t),i=1,…,n}中自動識別出運動相關獨立分量(motor related independent components，MRICs)是當前在線ICA-BCI系統實現的難點[4，11-13]。到目前為止，MRICs的自動識別還沒有統一方法。本文根據獨立分量在頭皮電極上的投影系數，即與yi(t)對應的混合矩陣A的列向量ai=[a1i,a2i,a3i]T系數進行MRICs識別，它們之間的關系可由(4)式表達，其中，ai也稱之為獨立分量yi(t)空域特征。

(4)

本文所用數據為C3，Cz，C4三導聯左/右手MI-EEG，其中C3/C4導聯電極最靠近左/右手運動皮層區域。根據神經電生理原理，MRICs在C3或C4頭皮電極位置應具有最大投影系數[2]。根據(4)式，x1(t)，x2(t)，x3(t)分別為C3，Cz，C4電極的三路EEG信號。經ICA運算后，獨立分量yi(t)在三個運動皮層頭皮電極位置的投影系數為a1i、a2i、a3i，如果|a1i|(或|a3i|)為三個系數中的最大值，則判斷yi(t)是左手(或者右手)MRIC。文中分別用yl(t)(或yr(t))表示，與之對應的分離矩陣行向量wl(或wr)為MRICs空域濾波器，它們之間的運算關系如(5)式。

(5)

1.2 ICA空域濾波器的設計和優化

ICA空域濾波器的設計不依賴訓練數據的標簽信息，是一種無監督設計方法[13]，這是ICA方法的優勢。在已報道的研究中，為了充分利用訓練樣本中的統計信息，通常建議盡可能多的采用訓練數據進行ICA濾波器設計，但這一傳統思路的有效性和可靠性有時難以保證。原因是：1)實測EEG訓練樣本中的某些時段可能會包含比較嚴重的噪聲干擾，如果不進行訓練樣本篩選，很難保證ICA空域濾波器的性能；2)過多的EEG訓練樣本會顯著增加ICA運算的復雜度，降低BCI系統的實用價值[11-12]。

本文采用“自測試”技術對訓練樣本進行選擇，進而實現對ICA空域濾波器的優化設計。具體實現過程如圖2所示。自測試過程包括以下幾個關鍵步驟：1)從訓練集保存的連續EEG樣本中，截取一段時長為T秒(經驗值為100秒左右)的數據段用于ICA空域濾波器的設計[12]；2)基于所得MRICs濾波器[wl，wr]，對訓練集中全部單次試驗數據xi，i=1,…,I進行MIRCs特征提取和分類，并統計識別率；3)按設定的時間步長Ts移動數據窗，獲取新的訓練樣本段，重復步驟1)和2)，遍歷全部訓練樣本，保存全部空域濾波器及其對應識別率結果。

圖2 自測試算法框圖

1.3 時域帶通濾波

在圖1所示MI-BCI系統的設計和測試部分，采用了BPF1和BPF2兩組帶通濾波(均為64階FIR線性相位濾波器)。對于全部9位受試者，BPF1采用統一頻帶范圍：7～40 Hz。在BCI設計和測試階段，BPF1用于對原始EEG數據進行帶通濾波預處理，以增強運動相關的EEG成分并盡可能地抑制干擾偽跡。BPF2只用于測試階段，其目的是對空域濾波器提取的運動相關EEG分量進一步增強處理。由于個體差異性，BPF2的頻帶參數需要根據不同受試者的MI-EEG特征進行專門設計。在本文的前期研究中，通過對9位被試訓練數據(x_3T)進行時-頻分析和“自測試”，獲取了適合每位被試的BDF2頻帶范圍，如表1所示。

表1 帶通濾波器的頻帶范圍

1.4 特征提取與分類

在獲得左、右手MRICs并經BPF2帶通濾波增強后，分別取yl(t)和yr(t)在運動想象時段的EEG樣本(3.5～7.5 s，參見圖3)，以該時段的信號能量El，Er作為特征：

根據運動想象誘發的ERD現象[1]，即被試在進行左/右手運動想象時，肢體對側運動皮層的μ節律幅度會出現抑制現象。因此，通過對El和Er大小進行比較，可實現運動想象分類，即:

(8)

式(8)中，C為分類結果，“l”和“r”分別表示左手和右手運動想象。

2 實驗結果與分析

2.1 實驗數據

本文所采用的實驗數據是2008年BCI 國際競賽提供的公開數據集(BCI competition IV-2b)[6]。該數據集中包含9位被試者進行左、右手運動想象時采集的兩類MI-EEG數據。每位被試提供5組數據(x_1T，x_2T，x_3T，x_4E，x_5E；x=1，…，9為受試者編號)，前三組作為訓練集，后兩組為測試集。后三組數據為同一實驗范式下(提供MI控制結果的反饋信息)采集的數據。本文研究中，我們選擇x_3T為訓練集，x_4E，x_5E為測試集。每一數據集中含有3導聯(C3，Cz，C4)運動皮層EEG數據，由160個單次試驗組成(左、右手MI各80個)。單次試驗的時間長度為8～9 s，采集過程如圖3所示。

每次試驗開始時(t=0)計算機屏幕中央出現一個灰色的笑臉，此后的2 s時刻(t=2 s)，一個短促“beep”聲音提示受試者做好準備。MI類型提示在t=3 s出現在計算機屏幕上直到7.5 s結束。受試者在這段時間內按指定的運動類型進行左手或右手運動想象，此后MI提示消失，計算機屏幕變為空白，被試等待下一次單次試驗開始。需要說明的是BCI competition IV-2b對參賽結果的評估標準是依據對兩組測試集(x_4E，x_5E)的最優分類結果，并采用kappa值為量化評估指標[6]。

2.2 自測試實驗

圖3 單次MI實驗的時間范式

圖4 自測試識別率結果

圖5 受試者5的模型遷移測試結果

為了驗證前述數據質量對ICA濾波器及其BCI性能的影響。本節依照圖2給出的自測試算法流程，首先對第5和第8兩位受試者測試集(5_3T，8_3T)進行了自測試。數據窗時寬T=96 s，數據窗滑動步長Ts=8 s，自測試識別率結果分別如圖4(a)和圖4(b)所示。根據圖4(a)可以看到，在采用5_3T中某些EEG數據段設計ICA空域濾波器時，對應的自測試識別率明顯降低(虛線方框標識)，表明該數據集中的部分數據段含有較嚴重的干擾成分。相比較而言，圖4(b)所示識別率雖然也有一定的波動，但總體平穩，表明8_3T不含有被嚴重干擾的數據段。不難理解，在預處理、特征提取、分類方法和測試集等完全相同的前提下，自測試識別率的波動顯然與ICA濾波器在性能方面的差異有直接關系，但根本原因還是ICA設計樣本的差異。為了進一步驗證樣本質量、ICA濾波器性能和BCI識別率三者之間的關系，我們基于受試者5的三組數據集，進行模型遷移測試，其步驟與自測試基本一致，不同之處在于，測試集不再是5_3T自身，而是5_4E和5_5E。圖5給出了基于5_4E和5_5E的遷移測試識別率?？梢钥吹?，圖5圖(a)(b)遷移測試識別率與4(a)所示的自測試識別率在變化趨勢上具有很高的一致性。這一結果對ICA濾波器性能評估和優化選擇具有實際意義。我們可根據訓練集的自測試結果，選用與最大自測試識別率對應的ICA空域濾波器[wl，wr]構建MI-BCI系統，也可以根據自測試識別率，選擇更多高質量的訓練樣本，進一步優化設計ICA濾波器，這樣可有效避免低質量訓練數據參與ICA-BCI系統的設計和訓練，確保ICA-BCI系統具有良好穩定的性能。

2.3 全部數據的遷移測試

圖6 九位受試者訓練數據的自測試結果：(a)-(i)對應受試者1-9

圖6給出了全部9位受試者訓練集數據(x_3T，x=1，…，9)的自測試結果。在后續模型遷移測試中，分別從圖6所示的9組自測試結果中，選擇最大識別率對應的ICA空域濾波器[wl，wr]i，i=1，…，9構建相應的ICA-BCI系統，然后對每位受試者的兩組測試數據(x_4E，x_5E，x=1，…，9)進行模型遷移識別率測試，所得結果如表2所示?？紤]到BCI競賽以兩組測試集的最高識別為評估標準，所以表2最后一行列出了兩組識別正確率結果中的最大值，并同時給出了相應的kappa值(見表3)。識別正確率(Acc)和kappa值(Ka)的換算關系如(9)式所示。為了便于比較，表3中列出了針對該組數據的BCI競賽第一名的結果。

表2 九位被試數據的遷移識別率(%)(訓練數據x_3T，測試數據為x_4E，x_5E)

表3 本文結果與BCI競賽第一名結果比較(kappa值)

(9)

根據表3可知，使用本文所提算法對4位被試(1，4，5，6)測試集的分類結果優于BCI競賽第一名的結果，其中在對被試6的MI分類中，本文方法優勢明顯(kappa值提升27.8%)。兩方法對被試(7，9)的測試結果相同。兩種方法應用于全部被試數據的平均kappa值分別為0.62和0.6，總體上，本方法要優于BCI競賽第一名所采用的方法。

2.4 討論

根據已公布的BCI competition IV-2b競賽結果和參賽者所使用的方法[6]，競賽第一名獲得者采用了基于濾波器組的共同空間模式方法(FBCSP)[14]。競賽第二名獲得者則采用基于多時/頻窗口的特征向量提取和分類方法。從所用特性向量維數和運算復雜度方面來看，競賽所用方法顯然要高于本文所提方法，但本文方法卻獲得了更高的識別率結果。

目前，CSP是MI-BCI系統實現主要采用的空域濾波算法。CSP空域濾波器雖然理論上具有最佳可區分性，但其不足之處也比較明顯，例如，CSP設計所需的大量標簽樣本采集是一件比較困難的工作，用戶通常需要長時間觀察計算機屏幕提示進行運動想象，因此極易出現疲勞和精力分散問題，由此而產生的低質量訓練樣本是很難通過人工檢查方式發現的[15]。到目前為止，低質量的訓練樣本所導致的CSP濾波器的穩定性和可遷移性較差問題還難以有效克服[16]。本文采用的ICA方法是一種無監督設計方法。ICA空域濾波器的設計不依賴運動類型標簽，因此，訓練樣本采集要容易得多。在正式操作前，用戶可在安靜狀態下采集ICA濾波器設計所需EEG樣本。特別是導聯較少的情況下，100秒左右的連續EEG樣本基本能滿足設計要求。雖然ICA濾波器也可能會因強干擾或者電極故障而出現性能下降(如圖4(a)，圖5所示)，但其優化調整相對方便。從圖6所示自測試結果可以看到，正常情況下，采用不同數據段設計的ICA濾波器的性能基本穩定。因此，如果出現識別率或控制效果異常，通常只需受試者在靜息狀態下重新采集一段100秒左右的EEG訓練樣本即可(注：靜息狀態下，可有效減少不自主運動引起的電極故障和突發強干擾)[3，13]。另外，較少EEG導聯的使用，不僅會明顯降低出現電極干擾和電極故障的發生概率，也有利于降低系統實現和維護作成本。

3 結語

針對少量導聯情況下MI-BCI系統的可實現性開展研究，提出了一種基于ICA的MI-BCI系統構建方案。實驗結果表明，所提方法具有良好的運動想象分類性能和較低的運算復雜度，因此具有實際應用潛力。所提方法的特色體現于ICA空域濾波器的無監督優化設計思路。基于該思路所建立的MI-BCI系統實現方法具有一定的實際應用價值。此外，本文研究結果驗證了在少量導聯EEG情況下，ICA方法依然能起到信噪比改善效果，為ICA在MI-BCI系統實現中的合理運用提供了有價值的參考。