復雜網絡技術在腦-機接口系統中的應用

張微　張鳳　劉雄飛　魏金花

摘 要：腦-機接口（Brain-Computer Interface，BCI）是一種不依賴于肌肉組織，完全自主實現腦對外部環境直接控制的系統。但研究發現，有15%～30%的用戶存在“BCI盲”問題，即該類用戶難以誘發出較強的特征信號。因此，通過構建復雜網絡，提取復雜網絡特征作為分類依據，以有效解決“BCI盲”問題，分類正確率達88.6%。

關鍵詞：腦-機接口;BCI盲;復雜網絡

中圖分類號：TN911.7 文獻標識碼：A 文章編號：1003-5168（2021）29-0029-03

Application of Complex Network Technology in Brain-Computer

Interface System

ZHANG Wei ZHANG Feng LIU Xiongfei WEI Jinhua

（Yinchuan University of Science and Technology， Yinchuan Ningxia 750001）

Abstract： Brain-Computer Interface （BCI） is a wholly new system which does not rely on the peripheral nervous and is completely autonomous to realize the direct control of the human brain to the external environment. However， the study found that about 15% to 30% of users exist “BCI blind” problem. In such cases it is difficult for the users to induce a strong signal which. Therefore， this paper extracts the characteristics of by constructing complex networks， which can effectively solve the BCI blind， the recognition rate reaches 88.6%.

Keywords： brain-computer interface;BCI blind;complex network

1 研究背景

腦-機接口（Brain-Computer Interface，BCI）系統于1973年首次被提出，在其后的40多年研究中，已成為生物醫學工程、計算機工程及控制工程、人工智能等學科追求的前沿學術問題，主要應用在醫學（運動康復）、非醫學（人機交互、駕駛安全、教育、用戶體驗）等領域。腦-機接口技術的研究有利于推動人工智能的發展[1]。

根據腦電信號采集方式不同，可以將BCI系統分為侵入式和非侵入式兩種類型。其中：侵入式腦-機接口需要經外科手術將侵入式電極芯片植入被試者（動物）大腦，成本較高且有一定風險;非侵入式通過從頭皮獲取腦電信號（Electroencephalo-Graph，EEG），其因無創、采集簡單、易于記錄等優勢被廣泛應用。本研究主要基于非侵入式EEG信號開展。完整的BCI系統由信號采集、信號處理、特征提取、分類識別和外部控制5部分組成[2]，如圖1所示。特別是提取的特征對分類正確率具有顯著影響，進而影響對外部設備的控制。

研究發現，有15%～30%的用戶存在“BCI盲”問題，即該類用戶難以誘發出較強的特征信號[3-5]。腦電信號較為復雜，采用常規的方法提取腦電信號進行分類識別，正確率往往很低。因此，本文通過構建復雜網絡，不局限于單一腦電通道，而是構建成網絡，以網絡的特征進行分類，解析大腦在不同任務態的腦電信號區別，可有效解決“BCI盲”問題，分類正確率達88.6%。

2 復雜網絡技術

復雜網絡是一門多學科交叉理論，可將復雜系統以網絡形式進行表述，其網絡可以表現一些關鍵特征，便于分析研究。人腦是一個極其復雜的系統，不同腦區可看作節點，腦區之間的關聯程度為網絡的連接邊，可將大腦構建成腦網絡。將復雜網絡與腦-機接口相結合（見圖2），既可以解決“BCI盲”問題，又能實現腦-機接口在多個領域的應用。

自然界的本質是一個網絡，具有一定的復雜性，即個體和個體之間相互作用，存在關聯。若要構建一個復雜網絡，需要具備三要素：節點、邊、網絡。節點為攜帶信息的關鍵點，本文選取采集腦電信號的電極帽的導聯作為節點。邊是表征節點之間關聯程度的量，一般取0到1之間的值。關聯程度越大，取值越接近1;關聯程度越小，越接近0。網絡由節點和邊共同構成。按照節點與邊的關聯程度，可將網絡分為加權網絡和二值網絡。所謂加權網絡，即只要有關聯就連接。該種方法構建的腦網絡模型比較復雜，且有較多虛假連接。二值網絡有關系則連接，無關系不連接，大大降低了模型的復雜度，去除了部分虛假連接。因此，本文主要構建二值腦網絡模型。

3 復雜網絡技術在腦-機接口系統中的應用

基于復雜網絡的腦-機接口系統主要包含信號采集、信號處理、構建復雜網絡模型、特征提取和分類識別5個部分，如圖3所示。

3.1 信號采集

挑選7名被試者，利用E-Prime軟件搭建試驗平臺，將箭頭為左和箭頭為右的圖像按順序以5 s 一張的速度，以兩個目標圖像的時間間隔大于500 ms的要求呈現給被試者。被試者佩戴電極帽，按照圖片進行運動想象，采集被試者的腦電信號，如圖4和圖5所示。

試驗過程中同時記錄每個圖像出現時對應信號的標記點和圖像自動標簽（左記為“0”，右記為“1”），將其作為試驗樣本集。

3.2 信號處理

信號處理是BCI系統工作的第一步。首先，被測試者戴上電極帽，在頭皮處涂上導電液方可采集腦電信號;其次，采集的原始EEG信號需要去除干擾和偽跡;最后，為了便于分析，往往要對處理好的信號進行頻段劃分，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）。不同頻段可以反映不同的腦電特征。比較發現，delta頻段信號特征較為明顯，因此本文重點采用delta頻段數據。

3.3 構建復雜網絡模型

3.3.1 節點。由于采集裝置為64導，若要選取腦電極作為節點，則有64個節點。這種方法建立的模型過于復雜，故通過繪制腦地形圖，根據激活腦區情況，定位C1、C2、C3、C4、C5、C6、CP1、CP2、CP3、CP4、CP5、CP6、FC1、FC2、FC3、FC4、FC5、FC6等18個分布在大腦后頂葉區和額葉區的導聯作為節點。這樣構造的復雜網絡模型有18個節點，大大降低了網絡的復雜度。

3.3.2 邊。根據構建的18個節點，生成18個節點之間的關系矩陣，即18×18的連接矩陣。此矩陣中的數據代表復雜網絡的邊，其值大于0小于1。

3.3.3 復雜網絡。根據節點和連接節點之間邊的關系，采用相位鎖相值法（Phase Locking Value，PLV）構造了復雜網絡。根據生成的邊矩陣發現，邊的關系矩陣中的值有大有小，即節點之間存在強相關和弱相關。如果只要有關聯就反映在網絡上，構造的網絡往往很復雜。為了簡化網絡的復雜度，選取閾值為0.87，即大于0.87才認為節點之間有關聯，邊的值設置為1;小于0.87則認為節點之間無關聯，邊的值設置為0。構建的復雜網絡如圖6所示。采用此種方法大大降低了網絡復雜度，且有效去除了虛假連接。

3.4 提取特征

復雜網絡的特征主要有節點度、聚類系數及特征路徑長度等網絡測度。分別對上述特征進行計算和分析發現：聚類系數大于節點度和特征路徑長度，因此選擇聚類系數作為主要特征。本文提取構建的PLV二值腦網絡的聚類系數作為系統主要特征進行分類，結果如圖7所示。

3.5 分類識別

分類識別實際上是將設置的標簽（樣本集、答案）和采集的腦電（測試集、測試）進行比對的過程，比對的結果即分類正確率。常用的分類方法有支持向量機（Support Vector Machine，SVM）和深度學習等。分類識別是非常關鍵的一步。本項目采用SVM分類模型，選擇7名被測試者分別進行10組測試，得到其分類正確率，取分類正確率平均值作為最終結果。結果表明，構建的腦復雜網絡分類正確率最高可達88.6%。

4 試驗驗證

為驗證復雜網絡技術在BCI系統中的應用效果，本文設計了腦電信號控制外部設備（智能小車）的試驗范式進行在線試驗，試驗流程如圖8所示。

按照圖8的控制流程，隨機選取10名被測試者，按照試驗范式，采集腦電信號進行預處理。對于處理好的delta頻段數據，采用PLV方法構建二值腦網絡，提取聚類系數作為特征，以支持向量機作為分類器進行分類，并將分類結果十折交叉驗證，分類正確率最高達70.1%。

5 結語

通過試驗驗證，構建復雜網絡模型，提取網絡特征作為BCI系統特征，是一種新的研究BCI系統分類的方法。一方面避免了“BCI盲”問題，另一方面構建的復雜網絡提供了有價值的信息。試驗結果表明，復雜網絡的特征分類識別正確率離線達88.6%，在線達70.1%?？梢姡谀X網絡技術的異步BCI系統具有可行性，可作為一種新途徑。

參考文獻：

[1]巫嘉陵，高忠科.腦機接口技術及其在神經科學中的應用[J].中國現代神經疾病雜志，2021（21）：3-8.

[2]HAN Y，BIN H. Brain-computer interfaces using sensorimotor rhythms： current state and future perspectives[J].IEEE Transactions on Biomedical Engineering，2014（5）：1425-1435.

[3]張銳.運動想象腦-機接口的神經機制與識別算法研究[D].成都：電子科技大學，2015：16-17.

[4]堯德中.腦功能探測的電學理論與方法[M].北京：科學出版社，2003：3-11.

[5]張微，解承軍.基于復雜網絡技術的異步腦-機接口分類系統[J].科學技術與工程，2020（11）：4383-4386.