基于平移窗運動想象腦電信號活動段提取*

張 莉 ，王凱瑞 ，李 楊 ，汪清山 ，蔡 靖 ，王 鋼

(1.吉林大學 儀器科學與電氣工程學院，吉林 長春 130026；2.北華大學，吉林 吉林 132013)

0 引言

腦-計算機接口(Brain-Computer Interface，BCI)是指在人腦與計算機或其他電子設備之間建立一種直接信息交互的通道[1-3]。這種信息交互方式不依賴于外周神經以及肌肉組織，可以為癱瘓病人，尤其是喪失了肌體運動功能但思維正常的患者，提供一種新的與外界進行交流控制的途徑[3-4]。同時，腦-機接口技術在非醫學領域提供了一種新的思維控制的娛樂方式,在軍事、智能交通、智能家居、情感識別等領域也有很大的應用前景[4]。

1973 年，Vidal 等首次使用brain-computer interface來表述人腦與外界的直接信息傳輸通路，并提出了腦-機接口系統的框架雛形[1]。90 年代初，出現了基于感覺運動節律的腦-機接口。在Wolpaw 等開發的Wadsworth BCI中，受試者利用Mu/Beta 節律實現一維、二維光標控制[5-6]。Graz BCI 團隊建立了可區分想象身體不同部位運動(包括左右手、腳、舌頭)時腦電信號的腦-機接口系統[7]。

目前，自回歸時頻分析、共空間模式分析(Common Spatial Pattern，CSP)、獨立成分分析(Independent Component Analysis，ICA)等分析方法的應用十分普遍。但在實時控制系統中，復雜算法會導致運算時間長，實時性差，因此需要一種簡單迅速的分析方法。同時，作為自發腦活動的典型代表，在腦-機接口實時控制系統中，運動想象腦電信號受受試者主觀因素的影響(如注意力不集中等)，采集信號會在某一時段內無效，即沒有明顯的ERS/ERD 特征，進而會造成識別準確率的降低。

本文利用活動段檢測方法[8]，截取與運動想象動作相應的腦電信號，將其與ERS/ERD 特征相結合，用于特征判斷。利用2003 年BCI 競賽data set Ⅲ進行測試,分類準確率達到83.571 4%。實驗結果證明，該方法可以根據ERS/ERD 特征剔除低質量的數據，有效提高運動想象腦電信號的準確率。

1 基本原理

1.1 Mu/Beta 節律基本特征

腦電波(Electroencephalography，EEG)信號的成分復雜，按照不同的頻率成分將其分為不同的信號。目前，腦-機接口技術中常用P300、穩態視覺誘發電位、慢皮質電位、Mu/Beta 節律這4 類信號[9]。在大腦皮層的感覺運動區域可記錄到8～12 Hz的Mu 節律腦電波信號，其不受視覺的影響，但會隨動作或運動想象發生變化[9-11]。18～26 Hz的Beta 節律也與動作或運動想象存在聯系[11-15]。

研究顯示，Mu/Beta 節律與運動想象的關系表現為：當想象某側肢體的運動時，可導致同一側感覺運動皮層的Mu/Beta 節律幅度升高，稱這一現象為事件相關同步化(Event-Related Synchronization，ERS)；同時，相對側感覺運動皮層的Mu/Beta 節律幅度下降，稱之為事件相關去同步化(Event-Related Desynchronization，ERD)[12]。

1.2 平移窗活動段檢測原理

不同的肢體運動想象引起相應肢體感覺運動皮層區域產生明顯的ERS/ERD 現象[10-12，14]，將具有顯著ERS/ERD 特征的時間段稱之為活動段。活動段檢測的目的就是確定相應肢體運動想象信號產生的起點與終點，從而截取有效信號。

考慮算法的實時性與高效性，采用Mu/Beta 節律幅值檢測方法，即在固定時間窗內，計算時間序列的積分值，其反映了該序列ERS/ERD 特征的顯著情況。具體檢測步驟為：

(1)對原始信號進行加窗處理，根據多次實驗選擇合適的窗長度以及重疊范圍。利用平移窗將采集到的腦電信號進行分段；

(2)在每一時間段內分別計算C3、C4 通道信號的積分值PC3，PC4；

設腦電信號為x(i)，數據長度為M。腦電信號積分值公式為：

(3)設置檢測系數α，對信號進行判斷：當PC3≥α·PC4或PC4≥α·PC3時，認為該時段內ERS/ERD特征明顯，將該段信號提出；反之將該段信號舍棄。

2 實驗結果及分析

實驗數據來自2003 年BCI 國際競賽數據data set Ⅲ。實驗任務為受試者(性別:女，年齡：25 歲，健康狀況:良好)根據視覺提示想象左手或右手運動[9，16]。信號的采集頻率為128 Hz，采集電極位于大腦皮層中央區C3、C4。

2.1 ERS/ERD 特征

設計8～30 Hz的巴特沃斯帶通濾波器對原始信號進行濾波，提取含有Mu/Beta 節律的信號，C3 通道與C4通道的信號特征如圖1 所示。

圖1 想象左右手運動的Mu/Beta 節律信號

根據圖1，C3、C4 電極可采集到ERS/ERD 特征十分明顯的運動想象信號。以想象左手運動為例，在前3 s的準備階段，C3、C4 電極的信號區別不明顯；從t=3 s 開始，C3 通道的信號幅值明顯升高，ERS 特征顯著。故利用ERS/ERD 特征可以提取有效的左右手運動想象信號。

2.2 ERS/ERD 特征活動段檢測

2.2.1 活動段檢測參數設置

根據平移窗活動段檢測步驟，首先需確定平移窗的窗口長度N、重疊范圍L 以及檢測系數α。本文采用MATLAB的classify 函數，以“linear”為判別函數，以腦電信號積分值與方均根植為特征參數，在不同活動段檢測參數下對測試數據進行分類。

在本實驗中，窗口長度N與分類準確度無明顯關系。在相同條件下，根據多次實驗結果，窗口長度N=32，N=8 時分類準確率最高，均為83.571 4%。

取窗口長度N=32，進行10 組測試，每組測試中取相同的重疊范圍與測試樣本，取檢測系數α∈[1，2]；組與組之間取不同的重疊范圍。10 組測試結果取平均值，對檢測系數與分類準確率進行2 次多項式擬合，結果如圖2 所示。

圖2 檢測系數與分類準確率擬合曲線

根據圖2，分類準確率的最大值出現在檢測系數為1.86 時，其分類準確率為82.537 8%。檢測系數在[1.7，1.9]區間內時，均可得到較高的分類準確率。

取窗口長度N=32，分別設置檢測系數α 為1.7、1.8、1.9，進行3 組測試。每組測試中取重疊范圍L∈[0，1]N；3 組測試結果取平均值，對重疊范圍與分類準確率進行4 次多項式擬合，結果如圖3 所示。

圖3 重疊范圍與分類準確率擬合曲線

根據圖3，分類準確率的最大值出現在重疊范圍為0.193 8N 時，其分類準確率為83.043 8%。窗口的重疊范圍在[0.1，0.3]N 區間內時，均可得到較高的分類準確率。

2.2.2 活動段信號提取

設置活動段檢測參數：窗口長度N=32，重疊范圍L=7(0.219N)，檢測系數α=1.8，進行活動段檢測并提取信號，如圖4 所示。

圖4 Mu/Beta 節律腦電信號

根據圖4(a)，原始Mu/Beta 節律信號在t=3，5，8，9 s等時刻附近，C3、C4 通道信號幅值基本相同，無明顯ERS/ERD 特征。直接對原始測試集Mu/Beta 節律信號分類，其提取的特征參數差異化小，分類準確度低，為76.428 6%；經過活動段提取的Mu/Beta 節律信號中，C4 幅值顯著高于C3 通道，其分類準確度達到83.571 4%。

3 結論

本文利用活動段檢測技術，以2003 年BCI 競賽data set Ⅲ數據為對象，對ERS/ERD 特征明顯的活動段進行提取，利用提取后信號C3、C4 通道的積分值，借助MATLAB的classify 函數進行分類，分類準確率達到83.571 4%。

經實驗驗證，該方法具有實時性與高效性，可用于提高腦-機接口系統實施控制的準確度，同時也可實時監測、評價受試者的腦活動狀態。在受試者注意力不集中時，可進行提醒，以提高控制準確度。該方法對基于Mu/Beta 節律的腦機接口實時系統的研究有一定的幫助，但對其他類型的腦電信號的分類研究的適用性需進一步研究。