0 引言

    腦電波（Electroencephalography，EEG）信號成分復(fù)雜,，按照不同的頻段可以分為不同的波^[1],。

    腦電信號中的Alpha波在人的前額葉處較明顯，相比于其他腦電波信號節(jié)律性最明顯,，多在清醒閉目時出現(xiàn),。當(dāng)人思考問題,、睜開眼睛或受到其他外界刺激時，Alpha波消失,；當(dāng)又閉上眼睛時,， Alpha波又會重新出現(xiàn),，這個現(xiàn)象稱為Alpha波阻斷現(xiàn)象^[2],。研究表明，Alpha波與人的記憶,、運(yùn)動及感覺活動有關(guān)^[3],，這種相關(guān)性對判斷大腦的運(yùn)動意圖有著重要意義。

    利用腦-機(jī)接口(Brain-Computer Interface,，BCI)系統(tǒng),，通過對EEG信號進(jìn)行采集、預(yù)處理,、特征提取和模式分類,，實(shí)現(xiàn)運(yùn)動想象識別是當(dāng)前研究的重點(diǎn)。

    近些年,，對運(yùn)動想象腦電信號的特征提取的方法主要有：自回歸模型法(AR)^[4],、統(tǒng)計(jì)特征提取^[5]、頻域分析法^[6-7],。腦電信號的主要分類方法有線性判別式分類方法,、神經(jīng)網(wǎng)絡(luò)等^[8]。

    在腦電信號特征提取過程中,，利用單個特征值的模式分類會造成訓(xùn)練數(shù)據(jù)量大,、時間長，甚至?xí)绊懛诸惥?。所以,，本研究將多種特征融合，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對腦電信號中的Alpha波進(jìn)行特征提取和模式分類,，具有識別正確率高的優(yōu)點(diǎn),。通過對運(yùn)動想象的腦電信號進(jìn)行特征提取和模式分類可以判斷出想象者的運(yùn)動意識，結(jié)合腦-機(jī)接口,，在肢體殘疾人士的康復(fù)治療,、輔助控制和娛樂等方面有很大的發(fā)展前景^[9]。

1 腦電信號的特征提取方法及檢驗(yàn)

1.1 自回歸模型法（AR）

    AR模型計(jì)算方便,，設(shè)單通道腦電信號由n個采樣點(diǎn)x₀…x_n-1的活動段組成,，根據(jù)AR模型，信號中第k個采樣值x_k如式(1)所示：

式中,，a_i為AR模型系數(shù),，p為模型的階數(shù),，e_k為殘差白噪聲。

    對AR模型進(jìn)行參數(shù)估計(jì)的方法主要有自相關(guān)法,、改進(jìn)協(xié)方差法和Burg算法等,，其中Burg算法計(jì)算簡單，產(chǎn)生的譜質(zhì)量較高,。所以本研究采用Burg算法對AR模型進(jìn)行參數(shù)估計(jì),，經(jīng)實(shí)驗(yàn)驗(yàn)證AR模型Burg法估計(jì)模型參數(shù)p=3。

1.2 統(tǒng)計(jì)特征提取

    (1)腦電信號積分值

    設(shè)腦電信號為x(i),，數(shù)據(jù)長度為N,。積分值計(jì)算如式(2)所示，該特征表現(xiàn)了信號的集中程度,。

    (2)腦電信號均方根值

    腦電信號的均方根值如式(3)所示,，該特征體現(xiàn)了信號的離散程度。

1.3 頻域分析

    在本研究中,，選取功率譜,、平均功率頻率和功率譜密度比值這幾個特征值。

    將腦電信號看作隨機(jī)信號x(n),，有N點(diǎn)樣本值且能量有限,，對其進(jìn)行傅里葉變換得到X_N(e^jω)；然后再取幅值的平方并除以N,，作為x(n)的功率譜P(e^jω)^[10],，如式(4)所示：

式中，f_max表示功率譜出現(xiàn)峰值時的頻率,，n表示積分范圍,。

    平均功率頻率是指在頻域范圍內(nèi)計(jì)算腦電信號的平均功率頻率，可以定量刻畫腦電信號頻譜的特征,，計(jì)算公式如式(6)：

1.4 特征檢驗(yàn)

    為了提高分類的正確率,，采用K-W檢驗(yàn)法對提取的特征值進(jìn)行檢驗(yàn)。K-W檢驗(yàn)如式(7)所示：

    對前后左右4個方向的600段特征值進(jìn)行K-W檢驗(yàn),，檢驗(yàn)的結(jié)果如表1所示,。

    從表1中可以看出，積分值,、均方根值和AR模型這3個特征具有較高的值,，選取這3個作為特征向量送入分類器中進(jìn)行分類。

2 腦電信號的分類方法

    在提取完腦電信號的特征值之后,，BCI系統(tǒng)選擇BP神經(jīng)網(wǎng)絡(luò)對這些特征向量進(jìn)行分類,。

    本研究采用的BP神經(jīng)網(wǎng)絡(luò)有4個輸入層(表示特征值個數(shù)為4)、7個隱含層、4個輸出層(表示要分類個數(shù)為4),，如圖1所示,。

    三層網(wǎng)絡(luò)在神經(jīng)元有限的情況下，能夠完成所需映射,。BP網(wǎng)絡(luò)學(xué)習(xí)過程由正反向傳播組成,，輸入信號x_i通過中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換,，最終產(chǎn)生輸出信號y_k,，網(wǎng)絡(luò)訓(xùn)練的樣本包含輸入向量和期望輸出，神經(jīng)網(wǎng)絡(luò)實(shí)際輸出這兩者的偏差,，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)之間的連接權(quán)值W_ji和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的連接權(quán)值W_kj以及閾值來實(shí)現(xiàn),，使誤差減小,。經(jīng)過反復(fù)訓(xùn)練,，確定接近最小誤差時對應(yīng)的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，此時,，訓(xùn)練結(jié)束^[12],。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

    本實(shí)驗(yàn)?zāi)X電采集系統(tǒng)結(jié)構(gòu)如圖2所示，采集電極采出腦電信號,，經(jīng)過放大器放大微弱的腦電信號,，濾波器濾除干擾，再經(jīng)由A/D轉(zhuǎn)換為數(shù)字信號,，通過藍(lán)牙發(fā)送到上位機(jī)進(jìn)行處理,。

3.2 實(shí)驗(yàn)條件及方法

    電極位置按照Montreol法^[13]，國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)安放,，如圖3所示,。將電極安放在受試者的前額葉上采集Alpha波，箭頭所指為電極安放位置,，用作參考電極的耳夾夾在左右耳垂上,。

    為保證采集數(shù)據(jù)的準(zhǔn)確性，本研究采用舒爾特方格法^[14],，在實(shí)驗(yàn)之前對受試者的注意力進(jìn)行大量訓(xùn)練,。

3.3 實(shí)驗(yàn)過程

    實(shí)驗(yàn)對象為男性青年，身體健康,，矯正后視力正常,，右利手。實(shí)驗(yàn)室環(huán)境安靜,，室溫正常,。腦電采集電極使用干電極。

    在采集腦電信號實(shí)驗(yàn)數(shù)據(jù)之前,，要進(jìn)行Alpha波阻斷實(shí)驗(yàn),，以驗(yàn)證腦電信號Alpha波采集的正確性,，如圖4所示。

    實(shí)驗(yàn)中,，實(shí)驗(yàn)對象按照如圖5所示的實(shí)驗(yàn)范式進(jìn)行運(yùn)動想象任務(wù),。

    在實(shí)驗(yàn)開始前的半小時，受試者通過左右手和左右腿的實(shí)際運(yùn)動來在大腦中留下實(shí)際運(yùn)動的感覺,。實(shí)驗(yàn)中,，受試者坐在一張舒適的椅子上，身體自然放松,，根據(jù)屏幕提示完成左手,、右手、左腿和右腿的運(yùn)動想象,。

3.4 數(shù)據(jù)處理及結(jié)果

    每次運(yùn)動想象的數(shù)據(jù)的時間為30 s,，采樣率為512 Hz，其原始數(shù)據(jù)（Raw data）如圖6,。

    先將原始數(shù)據(jù)進(jìn)入帶通濾波器,，濾出Alpha波，再進(jìn)入50 Hz陷波器,，濾除工頻干擾,，最后小波包去噪，讓數(shù)據(jù)更好地進(jìn)行處理,。原始數(shù)據(jù)經(jīng)過濾波處理后的圖像如圖7所示,。

    原始數(shù)據(jù)經(jīng)過濾波等處理后，進(jìn)行特征值的提取和分類訓(xùn)練,。

    表2為運(yùn)動想象各方向的分類準(zhǔn)確率,。

4 結(jié)語

    本研究創(chuàng)新性地采用多種特征結(jié)合BP神經(jīng)網(wǎng)絡(luò)對腦電信號進(jìn)行分析。在提取出合適的數(shù)據(jù)段后,，最終的分類結(jié)果與單特征和線性分類器方法相比正確率較高,，證明了本文的多特征融合的提取方法結(jié)合BP神經(jīng)網(wǎng)絡(luò)對處理腦電信號的可行性，為腦電信號的處理提供了一條有效路徑,。

參考文獻(xiàn)

[1] 張樂迪,，王俊生，常旭,，等.便攜式腦電采集器研究與設(shè)計(jì)[J].電子技術(shù)應(yīng)用,，2014，40(2)：27-29.

[2] ARROYO S,，LESSER R P,，GORDON B et al.Functional significance of the mu rhythm of human cortex: an eletro-physiologic study with subdural electrodes[J].Electroenceph clin Neurophysiol 1993，87：76-87.

[3] 陳騫.基于腦電Alpha波的BCI電視遙控系統(tǒng)的設(shè)計(jì)與實(shí)驗(yàn)研究[D].天津：天津大學(xué)，2005.

[4] INOUE K,，MATSUOKA S.Pattern recognition of EEG signals during right and left hand motor imagery based on AR-model[J].Clinical Neurophysiology,，2007，118(10)：209-209.

[5] 張莉.表面肌電信號模式識別及其運(yùn)動分析[D].長春：吉林大學(xué),，2013.

[6] 楊大鵬,，姜力，趙京東,，等.基于腦電信號的高智能假手控制[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),，2008(5)：1225-1230.

[7] MATTHIAS K，PETER M.BCI competition 2003-data set Ⅱb:support vector machines for the P300 speller paradigm[J].IEEE Transactions on Biomedical Engineering,，2004,，51（6）：1073-1076.

[8] 李明愛，王蕊,，郝冬梅.想象左右手運(yùn)動的腦電特征提取及分類研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào),，2009(2)：166-170，176.

[9] 王寧,，孫廣金,，劉學(xué)文.一種基于腦機(jī)接口的頭盔顯示/瞄準(zhǔn)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2015,，41(5)：149-151，155.

[10] 楊彬.基于腦-機(jī)接口的想象運(yùn)動腦電信號的分析[D].蘭州：蘭州理工大學(xué),，2008.

[11] Ronager.Power spectrum analysis of EMG pattern in normal and diseased muscles[J].J Neurol Sci,，1989，94(1-3)：283-294.

[12] 邢進(jìn)良.BP神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用[J].沙洋師范高等?？茖W(xué)校學(xué)報(bào),，2007（5）：46-49.

[13] 李穎潔，邱意弘,，朱貽盛.腦電信號分析方法及其應(yīng)用[M].北京：科學(xué)出版社,，2009.

[14] 肖嬋.基于腦電波的注意力訓(xùn)練研究[D].武漢：華中師范大學(xué)，2016.

作者信息：

劉光達(dá),，王  燦,，李明佳，孫瑞辰,，蔡  靖,，宮曉宇

（吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，吉林 長春130061）