基于復(fù)雜網(wǎng)絡(luò)技術(shù)的異步腦-機(jī)接口分類系統(tǒng)

張 微， 解承軍

(1.中國礦業(yè)大學(xué)銀川學(xué)院信息工程學(xué)院，銀川 750001；2.埃肯鑄造(中國)公司生產(chǎn)部，石嘴山 753000)

腦-機(jī)接口(brain-computer interface,BCI)技術(shù)是一種不依賴周圍神經(jīng)和肌肉組織，實(shí)現(xiàn)腦與外部世界之間傳遞信息和命令的系統(tǒng)[1-2]，在醫(yī)療康復(fù)、運(yùn)動輔助、人機(jī)交互等領(lǐng)域有廣闊的應(yīng)用前景[3]。完整的BCI系統(tǒng)包括信號采集、信號處理、控制裝置和刺激反饋等[4]。即首先，通過腦電圖(electroencephalogram，EEG)[5]獲取腦電信號；其次，對提取的信號進(jìn)行解析，包括預(yù)處理、特征提取和分類識別；最后，將分類識別結(jié)果轉(zhuǎn)為控制指令控制外部裝置，如智能輪椅[6]、機(jī)械手臂[7]、飛行器[8]、電腦操作[9]等。其中，分類識別問題是BCI系統(tǒng)研究的重點(diǎn)。

BCI系統(tǒng)分類常用自回歸模型(autoregressive models, AR)[10]、小波包變換(wavelet packet translation, WPT)[11]、共空間模式(common spatial patterns, CSP )[12]等方法提取特征向量。而研究發(fā)現(xiàn)，人群中15%～30%的用戶存在“BCI盲”問題[13]。此外，不同被試的特征信號存在差異，不同被試電極位置不同會導(dǎo)致導(dǎo)聯(lián)激活區(qū)域和誘發(fā)的腦電信號特征有所不同。現(xiàn)有BCI系統(tǒng)通用性是研究難點(diǎn)之一。

大腦是一個在靜態(tài)和動態(tài)活動中都存在連接的復(fù)雜網(wǎng)絡(luò)，其連接模式與行為意識密切相關(guān)[14]。EEG可記錄不同腦區(qū)的時間序列信號，反映腦區(qū)之間的活動情況和協(xié)同關(guān)系[15]，而腦區(qū)之間相互關(guān)系又可以通過腦網(wǎng)絡(luò)進(jìn)行解析。因此，提出將EEG時間序列轉(zhuǎn)化為腦網(wǎng)絡(luò)，腦網(wǎng)絡(luò)測度可反映腦活動信息且具有普適性[16]。

針對BCI系統(tǒng)分類問題，采用復(fù)雜網(wǎng)絡(luò)技術(shù)對異步BCI系統(tǒng)進(jìn)行分類，針對異步BCI實(shí)現(xiàn)中的關(guān)鍵問題，設(shè)計了面向腦網(wǎng)絡(luò)技術(shù)的實(shí)驗(yàn)范式、預(yù)處理、提取特征、分類識別和實(shí)現(xiàn)。異步BCI系統(tǒng)的運(yùn)行實(shí)驗(yàn)結(jié)果顯示，基于復(fù)雜網(wǎng)絡(luò)技術(shù)的異步BCI分類系統(tǒng)能夠判斷大腦工作態(tài)和空閑態(tài)且避免用戶激活腦區(qū)和導(dǎo)聯(lián)之間差異性，為BCI系統(tǒng)研究提供了一種新的途徑。

1 復(fù)雜腦網(wǎng)絡(luò)技術(shù)

1.1 腦網(wǎng)絡(luò)構(gòu)建

腦網(wǎng)絡(luò)是一個典型的復(fù)雜網(wǎng)絡(luò)，復(fù)雜網(wǎng)絡(luò)的研究是基于圖論，即腦網(wǎng)絡(luò)可抽象為節(jié)點(diǎn)集N={n1,n2,…,nN}和邊集L={l1,l2,…,lN}的組合，構(gòu)成網(wǎng)絡(luò)G(N,L)。腦網(wǎng)絡(luò)的構(gòu)建可分為加權(quán)腦網(wǎng)絡(luò)和二值腦網(wǎng)絡(luò)，二者區(qū)別在于連接權(quán)重。

(1)定義網(wǎng)絡(luò)節(jié)點(diǎn)：選擇頭皮電極(即導(dǎo)聯(lián))作為節(jié)點(diǎn)構(gòu)建腦網(wǎng)絡(luò)。

(2)量化網(wǎng)絡(luò)的邊：腦網(wǎng)絡(luò)的邊是通過度量不同節(jié)點(diǎn)時間序列的相關(guān)性來量化節(jié)點(diǎn)間的相互關(guān)系，利用鎖相值(phase locking value,PLV)加權(quán)網(wǎng)絡(luò)。

(3)選擇合適的閾值：腦網(wǎng)絡(luò)各節(jié)點(diǎn)和邊之間存在強(qiáng)連接和弱連接，通過選取閾值可去除腦網(wǎng)絡(luò)中弱連接，即將加權(quán)腦網(wǎng)絡(luò)轉(zhuǎn)化為二值腦網(wǎng)絡(luò)。具體網(wǎng)絡(luò)構(gòu)建如圖1所示。

圖1 腦功能網(wǎng)絡(luò)構(gòu)建Fig.1 Establish brain function network

1.2 腦網(wǎng)絡(luò)基本測度

腦網(wǎng)絡(luò)的測度能刻畫腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和動力學(xué)性質(zhì)，是分析腦網(wǎng)絡(luò)特性的重要技術(shù)支撐。常用的腦功能網(wǎng)絡(luò)的3種重要測度如下。

(1)節(jié)點(diǎn)度。腦網(wǎng)絡(luò)節(jié)點(diǎn)度能反映該節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要程度，定義為某一節(jié)點(diǎn)中其他節(jié)點(diǎn)與之相連的邊數(shù)總和，即將鄰接矩陣的第i行或第j列的元素求和，即

(1)

式(1)中：Ki為節(jié)點(diǎn)度，表示加權(quán)網(wǎng)絡(luò)中各節(jié)點(diǎn)權(quán)系數(shù)aij相加。

(2)聚類系數(shù)。腦網(wǎng)絡(luò)聚類系數(shù)能反映該節(jié)點(diǎn)在網(wǎng)絡(luò)中的連接的緊密程度，定義為某一節(jié)點(diǎn)中與之直接相連的鄰居節(jié)點(diǎn)之間相互連接的概率，即

(2)

式(2)中：Ei表示節(jié)點(diǎn)i所有相鄰節(jié)點(diǎn)之間相互連接的連邊數(shù)；ki表示節(jié)點(diǎn)i與所有相鄰的節(jié)點(diǎn)連接的連邊數(shù)。聚類系數(shù)0

(3)特征路徑長度。腦網(wǎng)絡(luò)特征路徑長度表示節(jié)點(diǎn)對在網(wǎng)絡(luò)中的離散程度，定義為任意一個節(jié)點(diǎn)到達(dá)另一個節(jié)點(diǎn)之間的最小連邊數(shù)的平均值，即

(3)

式(3)中：N表示腦網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)；di,j表示從節(jié)點(diǎn)i到節(jié)點(diǎn)j所有連邊中的最短路徑；特征路徑長度L表示所有兩兩相互連接的節(jié)點(diǎn)對之間最短路徑的平均值。

2 系統(tǒng)設(shè)計與實(shí)現(xiàn)

BCI系統(tǒng)的設(shè)計與實(shí)現(xiàn)主要包括實(shí)驗(yàn)范式設(shè)計、預(yù)處理、特征提取、分類識別和實(shí)現(xiàn)等。基于腦網(wǎng)絡(luò)技術(shù)的BCI與基于EEG的BCI在上述核心環(huán)節(jié)的設(shè)計上有著重要區(qū)別。因此，主要解決面向腦網(wǎng)絡(luò)技術(shù)的實(shí)驗(yàn)范式設(shè)計、信號預(yù)處理、腦網(wǎng)絡(luò)的構(gòu)建、基于腦網(wǎng)絡(luò)測度的特征提取、分類識別及實(shí)現(xiàn)。

2.1 實(shí)驗(yàn)范式設(shè)計

基于腦網(wǎng)絡(luò)技術(shù)的BCI系統(tǒng)主要是圍繞工作態(tài)和空閑態(tài)判斷這一核心問題。為減少腦網(wǎng)絡(luò)技術(shù)計算復(fù)雜度大而導(dǎo)致的BCI響應(yīng)延遲的問題，提取腦運(yùn)動準(zhǔn)備信號(brain-motor-preparatory potential，BP)[17]，即提取運(yùn)動執(zhí)行前2 000 ms的EEG代替運(yùn)動執(zhí)行中的EEG作為研究對象。為避免外界干擾，采集被試者完全自主運(yùn)動手臂時的EEG和肌電圖(electromyography，EMG)，其中EMG的采集是為了定位BP。單次實(shí)驗(yàn)包括運(yùn)動準(zhǔn)備、運(yùn)動執(zhí)行和放松，如圖2所示。

圖2 實(shí)驗(yàn)范式流程Fig.2 Test progress

2.2 預(yù)處理

信號分析的第一步是對采集信號預(yù)處理。基于腦網(wǎng)絡(luò)技術(shù)的異步BCI系統(tǒng)預(yù)處理主要包括去干擾和劃分頻段，具體步驟如下。

(1)觀察原始EEG，剔除質(zhì)量較差被試EEG。

(2)去除眼電等偽跡干擾。

(3)通過EMG定位BP，截取運(yùn)動前2 000 ms的EEG作為BCI系統(tǒng)的工作態(tài)信號，截取工作態(tài)前2 000 ms的EEG作為空閑態(tài)數(shù)據(jù)，將工作態(tài)數(shù)據(jù)和空閑態(tài)數(shù)據(jù)分別保存。

(4)將截取的工作態(tài)和空閑態(tài)數(shù)據(jù)通過帶通濾波器劃分為delta(0～4 Hz)、theta頻段(4～7 Hz)、alpha 頻段(8～13 Hz)、beta頻段(14～30 Hz)四個頻段。

2.3 基于PLV加權(quán)腦網(wǎng)絡(luò)的特征分析

PLV是一種從相位角度構(gòu)建腦網(wǎng)絡(luò)的方法，能測量導(dǎo)聯(lián)間腦電信號在某一窄頻帶的相位同步化程度，通過相位差反映導(dǎo)聯(lián)間腦電信號的同步性。

2.3.1 節(jié)點(diǎn)

采集被試全通道(64導(dǎo))EEG，采用ERP成分疊加平均法從運(yùn)動起始前的2 000 ms處以50 ms為周期繪制被試腦地形圖，如圖3所示。

圖3 腦地形圖Fig.3 Brain topographic map

圖3顯示從1 400 ms到1 800 ms大腦激活腦區(qū)有明顯變化，特別是在C1、C2、C3、C4、C5、C6、CP1、CP2、CP3、CP4、CP5、CP6、FC1、FC2、FC3、FC4、FC5、FC6等分布在大腦后頂葉區(qū)和額葉區(qū)的18個導(dǎo)聯(lián)上EEG有較大的變化。因此，選擇以上18個導(dǎo)聯(lián)作為腦網(wǎng)絡(luò)節(jié)點(diǎn)。

2.3.2 邊

將預(yù)處理之后的數(shù)據(jù)段采用PLV量化各節(jié)點(diǎn)間的關(guān)系，生成一個18×18連接矩陣，即PLV加權(quán)腦網(wǎng)絡(luò)模型。

2.3.3 顯著性判定

通過小波包變換將采集數(shù)據(jù)分解為delta、theta、alpha、beta四個頻段，采用t檢驗(yàn)對PLV加權(quán)網(wǎng)絡(luò)18個節(jié)點(diǎn)對的顯著性進(jìn)行判定，結(jié)果如表1所示。

表1 PLV腦網(wǎng)絡(luò)顯著性判定Table 1 PLV Brain network significance

表1顯示在大樣本t檢驗(yàn)中delta頻段有顯著性差異，連接數(shù)最多，故選擇delta頻段構(gòu)建腦網(wǎng)絡(luò)。

2.3.4 拓?fù)涮匦?/p>

腦網(wǎng)絡(luò)拓?fù)淙鐖D4所示。圖4中黑線代表權(quán)重相對較大，即連接強(qiáng)度大，工作態(tài)加權(quán)腦網(wǎng)絡(luò)與空閑態(tài)加權(quán)腦網(wǎng)絡(luò)有顯著不同，其中連接強(qiáng)度大的節(jié)點(diǎn)集中在后頂葉和額葉區(qū)，與神經(jīng)生理研究結(jié)果一致[18]。

圖4 PLV加權(quán)腦網(wǎng)絡(luò)拓?fù)鋱DFig.4 PLV weighted brain network topology

2.3.5 測度分析

在delta頻段計算節(jié)點(diǎn)度、聚類系數(shù)、平均路徑長度網(wǎng)絡(luò)測度，并提取其特征，如圖5所示。

圖5對比分析PLV工作態(tài)和空閑態(tài)加權(quán)腦網(wǎng)絡(luò)的節(jié)點(diǎn)度、聚類系數(shù)、特征路徑長度的差異性：①工作態(tài)和空閑態(tài)加權(quán)腦網(wǎng)絡(luò)在不同任務(wù)態(tài)下腦網(wǎng)絡(luò)測度存在差異性；②工作態(tài)節(jié)點(diǎn)度、聚類系數(shù)均大于空閑態(tài)；而特征路徑長度與上述表現(xiàn)相反。③工作態(tài)腦網(wǎng)絡(luò)更容易社團(tuán)化。

圖5 加權(quán)腦網(wǎng)絡(luò)測度差異性Fig.5 Weighted brain network measure difference

加權(quán)網(wǎng)絡(luò)能反映網(wǎng)絡(luò)的全部信息，但極有可能造成虛假連接，影響網(wǎng)絡(luò)測度。將加權(quán)網(wǎng)絡(luò)轉(zhuǎn)化為二值網(wǎng)絡(luò)可簡化腦網(wǎng)絡(luò)，更易提取明顯特征。

2.4 基于PLV二值腦網(wǎng)絡(luò)的特征分析

通過設(shè)置閾值將加權(quán)網(wǎng)絡(luò)轉(zhuǎn)換為二值網(wǎng)絡(luò)。采用步進(jìn)法，閾值T從0到1以0.01為步長步進(jìn)，選取T=0.87為閾值。大于閾值的連邊為1，表現(xiàn)為全連接；小于閾值的連邊為0，表現(xiàn)為不連接。

2.4.1 拓?fù)涮匦?/p>

由于二值化后節(jié)點(diǎn)之間的連接強(qiáng)度一致，統(tǒng)一用綠線標(biāo)識，如圖6所示。圖中基于PLV的工作態(tài)二值腦網(wǎng)絡(luò)的拓?fù)浔瓤臻e態(tài)復(fù)雜。

圖7 二值腦網(wǎng)絡(luò)網(wǎng)絡(luò)測度差異性Fig.7 Network measure difference of binary brain network

圖6 PLV二值腦網(wǎng)絡(luò)拓?fù)鋱DFig.6 PLV binary brain network topology

2.4.2 測度分析

基于PLV的二值腦網(wǎng)絡(luò)對節(jié)點(diǎn)度、聚類系數(shù)和特征路徑長度測度進(jìn)行分析，如圖7所示。對比分析PLV工作態(tài)和空閑態(tài)二值腦網(wǎng)絡(luò)的節(jié)點(diǎn)度、聚類系數(shù)、特征路徑長度的差異性，結(jié)果同加權(quán)腦網(wǎng)絡(luò)，通過t檢驗(yàn)(P<0.05)聚類系數(shù)有顯著差異性。

針對上述結(jié)論，優(yōu)選聚類系數(shù)作為基于腦網(wǎng)絡(luò)技術(shù)BCI系統(tǒng)特征。

2.5 基于PLV二值腦網(wǎng)絡(luò)的特征分析

常采用線性Fisher和非線性支持向量機(jī)(support vector machine，SVM)分類器進(jìn)行分類。針對EEG的高度不穩(wěn)定且非線性的特點(diǎn)，采用非線性SVM分類器進(jìn)行分類。為提高測試算法準(zhǔn)確性，采用十折交叉驗(yàn)證，識別正確率，如表2所示。

(1)以腦網(wǎng)絡(luò)的聚類系數(shù)作為特征，基于二值腦網(wǎng)絡(luò)的分類正確率高于加權(quán)腦網(wǎng)絡(luò)的分類正確率。

(2)基于SVM分類器的平均分類正確率為70.91%，其中最高分類正確率可達(dá)88.60%。

2.6 基于腦網(wǎng)絡(luò)技術(shù)的異步BCI系統(tǒng)實(shí)現(xiàn)

基于腦網(wǎng)絡(luò)技術(shù)的異步BCI系統(tǒng)實(shí)現(xiàn)主要是將采集的EEG基于腦網(wǎng)絡(luò)技術(shù)進(jìn)行實(shí)時處理，通過控制外部設(shè)備實(shí)時檢驗(yàn)控制效果。控制流程如圖8所示。

表2 SVM分類識別正確率Table 2 SVM classification and recognition accaracy

圖8 基于腦網(wǎng)絡(luò)技術(shù)的異步BCI在線控制流程Fig.8 Asynchronous BCI online control process based on brain network technology

按照實(shí)驗(yàn)范式，采集被試EEG并實(shí)時在線處理，提取腦網(wǎng)絡(luò)的聚類系數(shù)為特征判斷分類識別工作態(tài)和空閑態(tài)。若為工作態(tài)，前進(jìn)；若為空閑態(tài)，則停止，如圖9所示。在線識別正確率如表3所示。

由表3可知，采用基于PLV構(gòu)建的二值腦網(wǎng)絡(luò)，提取聚類系數(shù)作為特征，以SVM分類器作為分類器，在線識別工作態(tài)和任務(wù)態(tài)的6名被試平均識別正確率為59.84%，其中，最高在線識別正確率達(dá)到70.50%，最低在線識別正確率為51.20%。

3 結(jié)論

基于EEG的異步BCI系統(tǒng)是實(shí)現(xiàn)人與計算機(jī)自主交互的重要技術(shù)之一。針對“BCI盲”問題，以腦網(wǎng)絡(luò)技術(shù)為切入點(diǎn)，將EEG時間序列轉(zhuǎn)換成網(wǎng)絡(luò)。針對BCI系統(tǒng)實(shí)現(xiàn)中的關(guān)鍵問題，設(shè)計了面向腦網(wǎng)絡(luò)技術(shù)的BCI實(shí)驗(yàn)范式，構(gòu)建腦網(wǎng)絡(luò)并提取聚類系數(shù)作為腦網(wǎng)絡(luò)的特征，分類識別工作態(tài)和空閑態(tài)信號，并將識別結(jié)果轉(zhuǎn)化為指令控制外部設(shè)備運(yùn)動。得到以下結(jié)論：

(1)基于腦網(wǎng)絡(luò)技術(shù)異步BCI系統(tǒng)能夠判斷工作態(tài)和空閑態(tài)，離線分類平均正確率可達(dá)70.91%，在線最高分類正確率可達(dá)70.50%。

(2)基于腦網(wǎng)絡(luò)技術(shù)的異步BCI系統(tǒng)具有可行性，可作為實(shí)現(xiàn)BCI系統(tǒng)的一種新途徑。

表3 SVM分類識別正確率Table 3 SVM classification and recognition accuracy

圖9 在線控制外部設(shè)備動作Fig.9 Control external device actions online