基于運動想象的腦電信號處理研究綜述

摘 要：近年來，腦機接口技術及應用發展迅速，已成為一種能夠將人的意圖轉化為控制信號，使殘障人士可以通過運動想象就能實現與外界環境進行交互的新興技術。腦機接口系統通過腦電信號采集設備對大腦產生的相應電信號進行提取，經過分類處理后與外部設備連接，使其能夠與外界進行信息交互。腦機接口技術無論是在科學研究還是實際應用中，都有很高的價值。文中圍繞運動想象腦電信號處理關鍵技術進行闡述，分析了腦電信號處理各環節的原理及算法的優缺點，為今后腦電技術的研究提供參考。

關鍵詞：腦機接口；運動想象；信息交互；腦電信號處理；人機交互；腦機融合

中圖分類號：TP273 文獻標識碼：A 文章編號：2095-1302（2024）07-0-03

0 引 言

運動想象（Motor Imagery， MI）是在沒有進行實際肌肉活動的情況下，在大腦中通過意識形態化的想象或模擬來激活神經元群體，產生與實際運動相似的神經活動[1-4]。大腦是人體最重要的部位，它可以控制人類所有的行為活動，包括人類的語言、記憶、感知和運動等[5-6]。但是在現實生活中，有部分人因為意外或疾病（比如中風、腦梗、癱瘓等）導致大腦損傷，造成神經系統功能異常，導致其無法控制自身的正常行為活動。近年來，隨著腦機接口技術及應用的迅速發展，使殘障人士通過運動想象與外界環境進行交互將成為現實。

1 腦機接口概述

為了幫助腦部受損患者與外界進行正常的溝通，目前主流的方法是為這些腦部受損的患者提供一個能夠與外部環境進行交互的控制系統，即腦機接口（Brain Computer Interface， BCI）系統[7-8]。BCI系統可以將人腦與外部的機器連接，從而實現大腦控制設備。實現大腦和外界信息交換的基本流程如圖1所示。首先使用腦電采集設備從人的大腦中采集腦電信號，但是由于腦電信號是一種非平穩的隨機信號，在采集的過程中極易受到各種偽跡信號和噪聲的干擾，所以需要將采集到的腦電信號進行預處理操作，以去除偽跡信號和噪聲的影響。接著對預處理后的信號進行特征提取，然后對特征信息進行分類識別，并將分類結果輸入到外部設備，外部設備根據患者想表達的信息進行相應的操作，從而達到控制外部設備的目的，比如控制肢體機械臂、移動輪椅等操作。

2 運動想象腦電信號的特點分析

從人腦采集的信號按照不同頻率可以劃分為五大類，分別是δ波、θ波、α波、β波和γ波[9-10]。不同頻率的波承載了不同的信息，表1給出了不同頻段的腦波信息。

大腦在想象肢體運動時，特定區域會產生和實際肢體運動時相同的腦區域電位活動，這種活動就是運動想象。在進行運動想象時，大腦相應區域被激活，該區域內的血液流量增加，新陳代謝速度加快，大腦皮層有兩種不同節律的信號產生，分別是8～15 Hz的mu節律（在BCI應用中，一種特殊的α波稱為mu節律）和18～24 Hz的β節律。這種現象就是事件相關同步（Event-Related Synchronization， ERS）和事件相關去同步（Event-Related Desynchronization， ERD）。其中 ERD 現象是指當大腦某些區域受到刺激時，mu和β節律幅值降低，從而產生ERD現象；而ERS是指當大腦處于安靜或者抑制狀態時，mu和β節律幅值升高，從而產生ERS現象。

通過如下公式可以判斷ERD/ERS現象的發生情況：

式中：E是指在進行運動想象之后測量到的特定頻率范圍內的能量值；R是指在進行運動想象之前測量到的能量值。根據該公式，如果結果為正值，則說明E值大于R值，表示運動想象之后的能量值有所增長，發生了ERS現象；如果結果為負值，則發生的是 ERD現象；而如果結果為0，則前后能量值不變，證明沒有上述兩種現象發生。

3 運動想象腦電信號處理方法

3.1 腦電信號采集

在對信號進行采集過程中，兩種主要的采集方式分別是植入式采集和非植入式采集。植入式采集需要借助外科手術將傳感器植入到受試者大腦中來記錄某些神經元活動時產生的腦電信號，植入式采集也叫做侵入式采集，由于它是直接將傳感器植入到大腦中，不易受外界的影響，所以采集到的信號相對穩定、精確。但同時也正因為它需要手術，長期把傳感器放入人腦，存在一定的風險，所以植入式采集的方法一般會應用到重度受損的腦部或者一些動物腦中。而非植入式采集只需讓受試者戴上電極帽就可以采集到電信號。非植入式采集也叫做非侵入式采集，和植入式采集相比，它無需借助外科手術將傳感器植入人腦，而是借助電極帽來獲取腦電信號，操作非常簡單，對受試者身體影響較小。但是這樣采集到的信號經過了顱骨、頭皮等部位的傳導，干擾因素較多，比如眼電、心電信號的干擾，使得信噪比較低、穩定性較差、空間分辨率較差，因此實際應用時還需要對非植入方式下采集到的腦電數據進行預處理來去除噪聲的干擾，從而提高信噪比。

3.2 運動想象腦電信號的預處理

由于腦電信號很微弱，有較強的隨機性和較低的信噪比（Signal Noise Ratio， SNR），不同的個體間存在較大的差異，而且在采集過程中經常會受到一些如眼電、心電等微弱電信號的影響，因此對采集到的原始腦電信號進行預處理是必要的。常用的預處理方法是濾波，它可以消除部分噪聲的影響，但是一些噪聲可能會與運動想象腦電信號的頻率重疊，需要使用其他的預處理方式來提高腦電信號的SNR。因此對腦電原始信號需首先使用帶通濾波器進行處理，然后再使用獨立成分分析（Independent Components Analysis， ICA）進行其他偽跡的去除，最后對處理后的腦電信號進行數據重構。

運動想象的ERD/ERS現象主要發生在mu節律和β節律，因此首先對腦電信號進行8～30 Hz的濾波，最常用到的就是FIR濾波器。FIR濾波器的單位沖擊響應時間是有限的，因此它又被稱作有限沖擊響應濾波器。它的工作原理是：首先，對采集到的模擬信號進行A/D數字轉換；然后，把信號輸入到濾波器中，經過加法器和乘法器；最后，把處理后的模擬信號進行D/A模擬轉換，得到我們需要的信號。該濾波器的工作原理如圖2所示。

經過FIR濾波器的處理，一切明顯的干擾將會被去除掉。長度為N的FIR濾波器的輸入和輸出信號之間的關系如下：

，ak=f（k）" " " " " " " " " "（2）

式中：x（n）為輸入的信號；f（k）為濾波系數。

3.3 運動想象腦電信號的特征提取

原始信號經過8～30 Hz的濾波處理過后，還會存在一些眨眼、心臟跳動或肌肉活動時產生的干擾噪聲，濾波處理后需使用ICA進一步消除噪聲，提高信噪比。通過ICA獨立成分分析，可以將采集到的混合信號進行分離提取，最終得到純凈的腦電信號。ICA算法可以把原信號中未知的多種信號抽取出來，它是一種盲信號分離方法，是一種從多維的統計數據中發現未知成分的方法。算法可以概述如下：假設采集到的原始腦電信號由N個混合信號組成，可以表示為一個二維矩陣x（t），此矩陣的行代表著每個通道的信號，列代表采樣點，如式（3）所示：

x（t）=[x1（t）， x2（t）， x3（t）， ...， xN（t）]T" " " " " " " " " " " "（3）

假設未知的源信號為a（t），則a（t）可以表示為：

a（t）=[a1（t）， a2（t）， a3（t）， ...， aN（t）]T" " " " " " " " " " " "（4）

假設未知信號的混合機制用矩陣B表示，則采集到的原始信號可以用未知的信號源a（t）表示，則有：

x（t）=B·a（t）" " " " " " " " " " " " " " " " " " " "（5）

上式表示各未知的信號經過矩陣B混合后得到采集信號x（t），矩陣B中的每一列都代表了某個獨立成分在電極上的空間分布。

3.4 運動想象腦電信號的分類

能否對腦電信號進行正確的分類，直接影響了腦機接口的性能，所以選擇合適的分類器，對腦機接口系統來說同樣是至關重要的。可以將當下主流的分類方法分為兩類：一類是機器學習相關方法，另一類是深度學習相關方法。下面針對幾種主流的分類方法原理及優缺點進行分析。

支持向量機分類法是一種典型的機器學習算法，它可以用來解決數據的非線性分類問題。它的原理是：通過合適的內核函數，把輸入維度較低的向量映射到一個維度更高的特征向量空間中，從而找到一個最佳的超平面，這個超平面可以讓兩類數據的距離最大化。但是實際應用時可能會遇到十分復雜的且數量龐大的計算，此時支持向量機就不適用了，它只適合小樣本分類，且只適合二分類。線性判別分析是基于機器學習的線性分類方法，它的原理是通過構造線性判別函數將所有數據投射到一條直線上，使得同類數據靠攏，不同類數據遠離，從而判斷其類別。它的優點是實際操作簡單、計算量少、分類速度快、分類精確度高，因此被廣泛應用于腦機接口的研究中。卷積神經網絡是基于深度學習的分類方法，主要由多層結構組成，每層結構都有不同的功能：輸入層（Input Layer）可以對數據進行預處理，包括一些去均值、歸一化操作；卷積層（Conv Layer）可以在相當程度上保留數據的原始信息，且可以有效減少樣本的數據量；激勵層（ReLU Layer）將卷積層計算后的數據輸入到激勵層，可以將其進行非線性映射；池化層（Pooling Layer）用于壓縮數據和參數的量，對特征向量進行降維處理；全連接層（Fully Connected Layer）用于最終的識別。循環神經網絡增加了獨特的循環遞歸結構，能有效分析傳統的神經網絡無法分析的輸入信息之間的整體邏輯關系，克服了傳統神經網絡的局限性，使其實用性大大增強。

4 結 語

目前深度學習的相關分類算法學習網絡的層數仍存在局限性，層數過多，容易產生過擬合現象；層數過少，又不能達到良好的分類效果，更準確的數據需要通過更多的試驗來確定。當前對于腦電信號分類的研究大多是針對二分類或者四分類，遠達不到實際生活中的需求，未來應開展多分類任務的研究。

參考文獻

[1]李丹妮.基于運動想象腦電信號的特征提取和分類算法研究[D].重慶：重慶郵電大學，2019.

[2]王武奇.基于運動想象的腦機接口控制系統的研究[D]. 哈爾濱：哈爾濱理工大學，2018.

[3]鄺亞云.基于運動想象的腦機接口技術研究[D].太原：中北大學，2019.

[4]戴若夢.基于深度學習的運動想象腦電分類[D].北京：北京理工大學，2015.

[5]鞠曉慧.基于卷積神經網絡的運動想象腦電信號分類研究[D].濟南：山東師范大學，2020.

[6]高上凱.腦機接口的現狀與未來[J].機器人產業，2019，5（5）：40-44.

[7]莊桂山，鄧蓉蓉.腦機接口技術發展態勢研究[J].產業與科技論

壇，2023，22（23）：55-58.

[8]劉帥，烏日開西·艾依提.基于運動想象腦機接口的機械手控制系統設計[J].機械設計與制造，2024，62（4）：60-63.

[9]郭珺，張思齊，薛凱，等.腦機接口的關鍵硬件技術與未來應用

[J].無人系統技術，2023，6（5）：1-16.

[10]蒲梅，張慧，王以政.腦機接口技術：連接大腦與計算機的未來

[J].科技視界，2023，13（26）：1-2.