基于腦電alpha波的實時腦-機接口系統

喻 曉

(漳州電業局，福建漳州 363000)

腦 - 機 接 口［1-4］(brain-computer interface，BCI)是一種在大腦和外部設備(計算機或外界環境等)之間傳遞信息的通訊系統，但這個系統不依靠外圍神經和肌肉組成的大腦正常輸出通道來傳遞信息。BCI技術近年在全球范圍內成為研究熱點，其研究成果在工業控制、康復醫學、心理測試、腦認知科學等領域有著廣闊的應用前景。

BCI系統的實時化研究是BCI實用化技術的關鍵問題之一，其根本點在于提高對腦電信號識別的正確率和識別速度。BCI系統要求具有實時的處理速度和較高的準確識別率。由于腦電信號的復雜性和非平穩性，通過在線分析腦電信號進行信號處理和模式識別是一個挑戰［1］。本文對基于EEG信號的BCI系統進行實時性研究，建立了一個基于腦電alpha波的實時光標控制系統，實現了在線BCI控制。

按照腦電信號控制方式的不同，BCI系統分為同步模式和異步模式［2-6］。同步腦-機接口系統要求用戶必須在系統規定的時間內進入一種特定的思維狀態;異步腦-機接口系統需要不斷分析腦電信號，用戶可以自由啟動某種思維任務來完成特定的控制，具有更好的實用性［7-13］。本文建立的基于腦電alpha波的實時光標控制系統屬于異步模式的腦-機接口系統。

1 特征選取和模式識別

1.1 特征選取

alpha波為自發腦電的主要成分之一，與視覺皮層的閑散節律相對應，頻率為8～13 Hz，振幅為20～100 μV。清醒閉目時 alpha波出現，而在睜眼、思考問題或接受其他刺激時，alpha波消失，出現快波，這稱為alpha波阻斷現象。整個大腦皮層都產生alpha波，但是在枕部最為明顯［6］。不同受試者的alpha波幅值具有明顯個體差異，即使同一受試者，在睜眼、閉眼2種狀態下的alpha波幅值同樣具有明顯差異，通過分析腦電數據容易區分出2種不同狀態。圖1為本文設計的實驗中某受試者睜眼和閉眼2種狀態下的O1導聯的alpha波波形，從中可以看出閉眼狀態alpha波幅值明顯高于睜眼狀態，本文基于此特征設計了一套簡便易行的基于腦電alpha波的BCI系統。該系統通過受試者睜眼、閉眼行為，自主調節alpha波幅度，實現對光標移動快速、可靠的實時控制。

圖1 某受試者睜眼、閉眼狀態下O1導聯alpha波對比

電極帽采集EEG，經過放大、A/D轉換等前置處理后，以電壓幅值形式存儲到服務器計算機，客戶端，計算機通過TCP連接與服務器計算機建立連接，并實時接收腦電數據;客戶端對接收到的腦電信號進行8～13 Hz的帶通濾波，得到O1、O2兩導的alpha波。濾波器采用10階Butterworth無限長沖擊響應(IIR)濾波器。

設Xij為第i導的第j個采樣點腦電數據，根據時域內信號能量計算方法，N個采樣點對應第i導腦電數據的平均能量為

本文選取的采樣率為1 000 Hz，將N=600時O1、O2兩導的alpha波平均能量PLO1和PLO2作為特征。

1.2 模式識別

Fisher線性判別分析方法(FDA)是模式識別中一種行之有效的特征提取方法，其原理是試圖找到一組最佳的投影方向。在這些投影方向上，可以最好地區分訓練集中屬于不同類別的樣本［13］。

定義以下矩陣和向量:

假設在樣本空間L中有N個d維樣本:x1，x2…xN，其中N1個屬于樣本子集D1，N2個屬于樣本子集 D2。

1)樣本均值

2)樣本類內離散度

3)樣本類間離散度

收集的資料既要涵蓋高中低水、豐平枯年范圍，又要反映現狀年測站水文特性情況。根據以上原則，我們確定以下資料范圍及內容：

定義Fisher的準則函數

找出使得類間離散度Sb最大而類內離散度Sw最小的投影方向w，即最大化準則函數JF(w)。用Lagrange乘子法求解取得極大值時的W*，得到最優解:

利用先驗知識選定分界閾值點y0，再根據決策規則:

即可判斷x屬于什么類別。

受試者的分界閾值點參考值

2 系統實現和實驗設計

本系統利用正常人腦電alpha波阻斷現象，設計了相應的BCI系統，包括信號傳輸、處理平臺、前面板，以實現對光標移動的實時控制。

圖2為BCI系統結構，系統采用NEUROSCAN平臺采集數據，采樣率為1 000Hz。NEUROSCAN由電源盒、電極帽、放大器、顯示器、SCAN4.3軟件平臺組成。電極帽記錄的腦電信號經放大器放大、A/D轉換后由SCAN4.3軟件平臺實時發送，在客戶端程序中對數據進行接收、濾波、特征提取、模式識別、產生控制脈沖等信號處理工作，最終產生控制命令驅動光標移動。電極帽采用32通道國際10-20系統導聯。本系統遠程傳送和接收EEG信號的實現基于傳輸控制協議(transmission control protocol，TCP)。本文采用LabVIEW平臺編程實現客戶端程序。圖3為基于LabVIEW平臺的客戶端的系統流程。

圖2 BCI系統結構

圖3 基于LabVIEW平臺的客戶端的系統流程

受試者通過調節閉眼時間實現控制光標向4個方向移動。實驗方法:在LabVIEW平臺下，根據式(1)得到采樣率為1 000 Hz，N=600時受試者頭部O1，O2導聯對應的alpha波平均能量PLO1和PLO2，通過線性判別分析的方法判定受試者當前睜眼閉眼狀態，并輸出控制信號Cr，當Cr=1時系統發出1聲提示音，如受試者保持閉眼狀態，系統每隔600 ms發出1次提示音。當受試者僅聽到1聲提示音后睜眼則表示選擇方向‘上’;聽到2聲提示音后睜眼則表示選擇方向‘下’;聽到3聲提示音后睜眼則表示選擇方向‘左’;聽到4聲提示音后睜眼則表示選擇方向‘右’。輸出的控制信號與所對應的命令如表1所示。

表1 控制命令

正常人閉眼后alpha波能量上升輸出Cr=1需要2.4 s，保持閉眼狀態輸出上下左右4個方向分別需要 1.2 s、1.8 s、2.4 s、3.0 s，所以系統輸出1個控制命令平均需要4.5 s。

3 實驗結果分析

圖4為基于BCI的光標控制系統界面窗口，10名受試者參加了該系統的基本控制實驗。實驗目的是為了檢驗系統的操作性能和響應速度，分析系統參數的設置范圍以及出現操作失誤的原因。參加實驗的10位受試者均為在校研究生，未經過任何先期訓練。

圖4 基于BCI的光標控制系統界面窗口

具體實驗:受試者控制光標分別向上下左右4個方向移動5步，統計每位受試者完成任務所需時間及出錯次數。如果光標未按受試者目標方向移動，則記為1個錯誤。在相同實驗條件下，首先進行1組測試實驗，根據每位受試者的睜閉眼alpha波幅值設定分界閾值點y0，然后每位受試者重復完成5組實驗，作為系統實驗用以檢驗系統的正確率。

表2為系統實驗記錄。從表2中可以看出，通過幾次實驗訓練即可有效提高操作正確率。分析得到出現誤操作的主要原因有:① 受試者閉眼期間alpha波幅值下降導致錯誤輸出‘0’;② 受試者睜眼后alpha波幅值下降延遲而導致錯誤輸出‘1’;③ 受試者睜眼狀態下alpha波幅值出現抖動上升而導致錯誤輸出‘1’。第①類錯誤與分界閾值點y0過高有關，另外分界閾值點y0過高可能會導致受試者閉眼后alpha波幅值未超過分界閾值點y0導致無命令輸出。第②類和第③類錯誤的出現和分界閾值點y0的設置過低有關，因此需要通過測試實驗設定分界閾值點y0。

表2 系統實驗錯誤記錄及正確率統計

從實驗數據看，不同受試者在睜眼和閉眼時alpha波能量差異明顯，進一步驗證了alpha波阻斷現象的普適性。通過實驗數據統計和分析可以得出:以下2個參數的設定直接影響了系統的正確率。

1)分界閾值點y0的設定因受試者不同而異，系統實驗前需進行測試實驗，用以設定分界閾值點y0。不適當的降低分界閾值點y0會引發錯誤。

2)alpla腦電信號平均處理時間常數的設定直接影響了系統的抗干擾能力和系統響應速度，由此影響了實驗的正確率。將濾波后的alpha波信號進行平均處理，適當的平均處理時間可以有效提高系統抗干擾能力，如眨眼、打哈欠等。過大的平均處理時間會降低系統的靈敏度。平均處理時間同時也是提示音間隔時間，需考慮受試者反應速度。通過統計分析多次實驗數據將其設定為600 ms。

文獻［7］建立的基于腦電alpha波的腦-機接口控制系統需要受試者注視有5個指示燈(代表5種不同操作命令)的控制面板，指示燈按順時針方向依次循環閃爍點亮，并持續一段時間，如果某個指示燈點亮時受試者閉眼產生alpha波，則選中該指示燈代表的操作命令，其工作方式為同步模式，需要受試者注視有指示燈的控制面板，該系統輸出一個控制命令需要9 s。文獻［5］建立的基于alpha波的異步腦-機接口系統輸出一個控制命令需要45 s。本文建立的基于腦電alpha波的實時光標控制系統輸出一個控制命令僅需3.6～5.4 s，操作簡單，響應速度快，正確率高，實用價值高，與現有的基于腦電alpha波的BCI系統相比，具有更好的實時性。3個系統對比情況見表3。

表3 基于腦電alpha波的BCI系統對比

4 結束語

本文利用在腦神經功能正常的人中普遍存在的腦電alpha波阻斷現象，設計了一套控制光標移動的BCI系統，并進行了系統實驗。為確定系統的分界閾值點y0、平均處理時間常數等參數，先后對10名受試者進行了測試實驗。通過統計分析實驗數據，設定了系統參數，并設計了光標移動任務系統實驗，考察了系統的響應速度、準確率。實驗結果表明，未經先期訓練的受試者可以利用該系統穩定可靠地實現既定實驗任務，系統具有操作簡便、正確率較高和響應速度較快的特點，同現有的基于腦電alpha波的BCI系統相比，具有更好的實用價值。本系統利用TCP/IP協議實現腦電信號采集系統和數據處理系統的通信，實現了信號采集和數據處理系統的分離，為進一步研究開發便攜式腦電信號采集設備和實時控制的腦-機接口系統提供技術基礎。

［1］Blankertz B，Curio G，Müller K R.Classifying single trial EEG:Toward brain computer interfacing［J］.Advances inNeural Inf Proc Systems(NIPS 01)，2002，14:157-164.

［2］程明，高上凱，張琳.基于腦電信號的腦-計算機接口［J］.北京生物醫學工程，2000(6):113-118.

［3］Wolpaw J R，McFarland D J，Neat G W，et al.An EEG-based brain-computer interface for cursor control［J］.Electroenceph Clin Neurophysiol，1991，78:252.

［4］Jonathan R W.Brain-computer interface research at the wadsworth center［J］.IEEE Transactions on Rehabilitation Engineering，2000，8(2):222-226.

［5］趙海濱，王宏，李春勝.基于alpha波的異步腦-機接口系統［J］.東北大學學報:自然科學版，2009，10:1377-1380.

［6］黃遠桂，吳聲伶.臨床腦電圖學［M］.北京:人民衛生出版社，1998.

［7］萬柏坤，綦宏志，趙麗，等.基于腦電alpha波的腦-機接口控制實驗［J］.天津大學學報，2006，39(8):978-984.

［8］李凌，張金香.閉眼與開眼靜息狀態下腦電α波的差異研究［J］.電子科技大學學報，2010(3):451-453.

［9］堯德中，劉鐵軍，雷旭，等.基于腦電的腦-機接口:關鍵技術和應用前景［J］.電子科技大學學報，2009(5):550-554.

［10］吳婷，顏國正，楊幫華.一種快速的腦電信號特征提取與分類方法［J］.系統仿真學報，2007(9):4342-4344.

［11］張莉，何傳紅，何為.典型相關分析去除腦電信號中眼電偽跡的研究［J］.計算機工程與應用，2009(31):218-220.

［12］唐艷，柳建新，龔安棟.ICA+CSSD的腦-機接口分類［J］.電子科技大學學報，2008，37(5):466-469.

［13］邊肇祺，張學工.模式識別［M］.北京:清華大學出版社，1988.