基于腦電BCI的研究綜述

劉斌　魏夢(mèng)然　羅聰

摘要：一直以來腦研究都是國(guó)內(nèi)外的研究熱點(diǎn)，腦機(jī)接口（Brain Computer Interface， BCI）則是腦研究中的重要內(nèi)容之一。正因?yàn)槿绱?，越來越多的?guó)內(nèi)外研究者開始從事BCI的相關(guān)研究，并取得了諸多優(yōu)秀成果。該文從BCI信號(hào)角度入手，總結(jié)了近年來基于腦電BCI的典型系統(tǒng)、相關(guān)分析方法及研究成果，并具體分析了其中存在的不足之處。

關(guān)鍵詞： 腦機(jī)接口； 腦電信號(hào)； 獨(dú)立分量分析； 小波變換； 支持向量機(jī)

中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）07-1493-03

BCI技術(shù)指的是能夠使人在無(wú)外周神經(jīng)系統(tǒng)和肌肉組織參與的條件下，通過計(jì)算機(jī)等電子設(shè)備輸出控制信號(hào)，進(jìn)而與外界環(huán)境進(jìn)行交流的一種新型人機(jī)交互手段。近年來，基于腦電的腦機(jī)接口技術(shù)成為腦科學(xué)、神經(jīng)醫(yī)學(xué)、人工智能等眾多領(lǐng)域的研究熱點(diǎn)，并逐步發(fā)展成為一門新興的多學(xué)科交叉技術(shù)。

BCI技術(shù)關(guān)鍵在于對(duì)大腦信號(hào)的正確識(shí)別和分類，而腦電數(shù)據(jù)一直是BCI主要分析和研究對(duì)象，原因在于，腦電信號(hào)的采集設(shè)備具有較短的檢測(cè)時(shí)間，容易實(shí)施刺激，并且采集設(shè)備為非入侵式方法對(duì)人體無(wú)危害，同時(shí)腦電信號(hào)具備較好的時(shí)間分辨率。

本文從BCI的腦電信號(hào)角度入手，詳細(xì)的介紹了BCI研究方向及相應(yīng)的腦電信號(hào)分析方法，結(jié)構(gòu)如下：第一節(jié)詳細(xì)綜述基于腦電BCI的主要研究方向；第三節(jié)介紹了常用腦電信號(hào)分析方法；第四節(jié)分析現(xiàn)有腦電信號(hào)分析方法的不足及展望，最后做出相關(guān)工作的總結(jié)。

1 基于腦電BCI主要研究方向

20世紀(jì)90年代，隨著計(jì)算機(jī)技術(shù)的發(fā)展以及機(jī)器學(xué)習(xí)、人工智能等領(lǐng)域的成熟，BCI技術(shù)成為研究熱點(diǎn)，眾多國(guó)內(nèi)外機(jī)構(gòu)對(duì)BCI進(jìn)行重點(diǎn)研究，并取得了一定的成果。目前，國(guó)際上BCI技術(shù)的主要研究方向包括以下5個(gè)方面：

1）P300

P300是大腦認(rèn)知過程中的一種誘發(fā)電位，它表示的是人在接收到新刺激后，大約經(jīng)過300ms的潛伏期之后，會(huì)產(chǎn)生一個(gè)正向的波峰。P300的波幅與相關(guān)靶刺激出現(xiàn)的概率成反比，即靶刺激出現(xiàn)的概率越大，P300的幅值就越小，而靶刺激出現(xiàn)的概率越小則相應(yīng)的P300幅值越大。典型的P300腦機(jī)接口系統(tǒng)是由Farewell[1]等人設(shè)計(jì)的虛擬打字機(jī)，該虛擬打字機(jī)界面由一個(gè)6行6列的隨機(jī)字符矩陣組成，實(shí)驗(yàn)時(shí)，要求被試集中注意力想所要選擇的字符。實(shí)驗(yàn)結(jié)果表明，該BCI系統(tǒng)的準(zhǔn)確率能夠達(dá)到80%，平均通訊速率達(dá)到每分鐘7.8字符。

2）穩(wěn)態(tài)視覺誘發(fā)電位（Steady State Visual Evoked Potential ，SSVEP）

視覺誘發(fā)電位指的是神經(jīng)系統(tǒng)受到電刺激所產(chǎn)生的特定的點(diǎn)活動(dòng)[2]。在不同的刺激模式下，根據(jù)在大腦視覺皮層測(cè)量到的誘發(fā)電位與視覺刺激的對(duì)應(yīng)關(guān)系，可以相應(yīng)的判斷出被試的刺激模式，進(jìn)而發(fā)送相應(yīng)的控制輸出命令。不同的視覺刺激產(chǎn)生的誘發(fā)腦電也會(huì)不同，根據(jù)頻率的差異，視覺誘發(fā)電位又可分為瞬時(shí)視覺誘發(fā)電位和穩(wěn)態(tài)視覺誘發(fā)電位。當(dāng)刺激的頻率為大于等于5-6Hz時(shí)，就會(huì)產(chǎn)生周期性的誘發(fā)電位，這種視覺誘發(fā)電位就稱之為穩(wěn)態(tài)視覺誘發(fā)電位。

基于SSVEP典型的BCI系統(tǒng)是高上凱等人設(shè)計(jì)的自動(dòng)撥號(hào)系統(tǒng)[3]。撥號(hào)界面的每個(gè)鍵均以一定的頻率閃爍。當(dāng)被試注視某個(gè)撥號(hào)鍵時(shí)，SSVEP中主要含有該頻率的倍數(shù)頻率成份，BCI系統(tǒng)根據(jù)這個(gè)頻率來選擇鍵盤上的數(shù)據(jù)進(jìn)而實(shí)現(xiàn)撥號(hào)的功能。該撥號(hào)BCI系統(tǒng)的平均準(zhǔn)確率達(dá)到87.5%，而信號(hào)傳輸速率為68 bits/min。

3）改變心理作業(yè)

腦電信號(hào)是大腦不同活動(dòng)狀態(tài)下的一種反應(yīng)，當(dāng)大腦進(jìn)行不同的任務(wù)時(shí)，腦電信號(hào)在左右大腦之間會(huì)表現(xiàn)出差異性。利用腦電信號(hào)的這一特性為檢測(cè)不同的心理作業(yè)提供了一種參考。Keirn等人[4]探討了通過腦電信號(hào)區(qū)分五種不同心理作業(yè)的可能性，并取得較好的效果。Keirn對(duì)腦電信號(hào)采用的是功率譜方法，在進(jìn)行功率譜估計(jì)時(shí)，采用自相關(guān)法的分類正確率在80%-90%之間，而采用AR模型的方法，與模型的階數(shù)有關(guān)，當(dāng)階數(shù)大于5階時(shí)，正確率也能達(dá)到自相關(guān)法的水平。

4）慢皮層電位（Slow Cortical Potential，SCP）

SCP反映的是產(chǎn)生于皮層的電位變化情況，持續(xù)時(shí)間從300ms到幾秒，SCP能夠反映出皮質(zhì)I、 II層的興奮情況，通過一定程度的反饋訓(xùn)練，被試可以控制SCP幅值產(chǎn)生正向或者反向的偏移。Hinterberger等人[5]利用SCP原理為肌萎縮性病人設(shè)計(jì)了TTD（Thought Translation Device）BCI系統(tǒng)。通過訓(xùn)練，病人可以掌握控制SCP的幅值，繼而通過TTD系統(tǒng)與外界進(jìn)行交流。研究表明，當(dāng)SCP的幅值控制正確率達(dá)到75%以上時(shí)，就能夠使用TTD在計(jì)算機(jī)中進(jìn)行語(yǔ)言拼寫。

5）事件相關(guān)去同步（ERD）和事件相關(guān)同步（ERS）

ERD是指，人在進(jìn)行某一意識(shí)活動(dòng)時(shí)，大腦皮層存在對(duì)應(yīng)的處于激活狀態(tài)的區(qū)域，而這些區(qū)域產(chǎn)生的腦電信號(hào)中的β波和α波的低頻部分將出現(xiàn)幅值衰減的想象。ERS則是指，大腦皮層的部分區(qū)域在沒有受到刺激的情況下，該區(qū)域的腦電信號(hào)中的α波和β波出現(xiàn)幅值增加的情況。

基于ERD/ERS的BCI系統(tǒng)目前主要是用于辨別運(yùn)動(dòng)想象任務(wù)下的腦電信號(hào)，通過分析被試不同運(yùn)動(dòng)想象模式下ERD/ERS腦電能量分布情況來判別被試的想象內(nèi)容，并輸出相應(yīng)的控制信號(hào)。GRAZ-BCI系統(tǒng)是由GRAZ大學(xué)的Pfurtschller等人[6]通過長(zhǎng)時(shí)間研究而建立的。GRAZ-BCI系統(tǒng)包括GRAZ I和GRAZ II等BCI系統(tǒng)，GRAZ I系統(tǒng)通對(duì)左右手運(yùn)動(dòng)想象的腦電信號(hào)的分類識(shí)別率可達(dá)85%；GRAZ II系統(tǒng)對(duì)被試左右手食指和右腳的運(yùn)動(dòng)想象腦電信號(hào)進(jìn)行分類，通過一定訓(xùn)練，在線分類準(zhǔn)確率可達(dá)77%。

2 常用的腦電數(shù)據(jù)分析方法

在上節(jié)中介紹了5種常見的BCI系統(tǒng)，這些系統(tǒng)中都涉及到一個(gè)重要的過程，即對(duì)腦電信號(hào)的分析和處理。對(duì)腦電信號(hào)的研究，研究者提出了很多特征提取和判別計(jì)算方法，主要包括：

1）功率譜分析法。功率譜分析法從頻域角度入手來對(duì)腦電信號(hào)進(jìn)行分析，能夠很好的反映出信號(hào)的能量變化過程。傳統(tǒng)的功率譜分析方法是直接通過傅里葉變換來進(jìn)行功率譜估計(jì)，雖然容易實(shí)現(xiàn)，但分辨能力有限；現(xiàn)代功率譜估計(jì)中常用的方法是AR模型，與傳統(tǒng)功率譜方法相比，AR模型法的優(yōu)勢(shì)在于，只需要短程數(shù)據(jù)就能夠獲得高分辨率的譜估計(jì)，同時(shí)能夠方便的轉(zhuǎn)化為特征向量。張毅等人[7]通過8階AR模型來逼近腦電數(shù)據(jù)，并將AR模型系數(shù)作為腦電信號(hào)的特征量來進(jìn)行特征分類，該方法的正確識(shí)別率達(dá)到75%。

2）小波變換法。小波變化對(duì)信號(hào)在時(shí)域和頻域內(nèi)進(jìn)行聯(lián)合分析。小波變換具有多分辨率特性，能夠?qū)⑿盘?hào)的各個(gè)頻帶分解，進(jìn)而重構(gòu)各個(gè)頻帶的信號(hào)，小波變換能夠在分解與重構(gòu)信號(hào)的過程中，提取出信號(hào)的隱藏特征。Wei-Yen Hsu等人[8]進(jìn)行了用離散小波變換對(duì)腦電信號(hào)進(jìn)行特征提取的研究，通過對(duì)腦電信號(hào)的離線分析獲取DWT所需參數(shù)，并利用線性判別分類方法進(jìn)行分類，通過對(duì)比發(fā)現(xiàn)該方法得到了較高的識(shí)別率。

3）獨(dú)立分量分析。利用ICA方法對(duì)腦電信號(hào)進(jìn)行分析，可以從腦電信號(hào)中提取出出心電及眼電信號(hào)，同時(shí)可以分離出工頻干擾等噪聲信號(hào)，從而有效的增強(qiáng)腦電信號(hào)中所要分析的節(jié)律成分。Lemm等人[9]用ICA方法對(duì)腦電信號(hào)進(jìn)行分解，并根據(jù)所得到的權(quán)值去除無(wú)關(guān)的干擾，顯著的提高了腦電信號(hào)的信噪比。Navarro等人[10]設(shè)置對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)果表明使用ICA方法處理腦電數(shù)據(jù)后與不使用ICA方法相比能夠使正確識(shí)別率至少提高20%。

4）支持向量機(jī)。SVM是一種基于統(tǒng)計(jì)學(xué)的方法，其原理是將低維空間不可分的數(shù)據(jù)映射到高維空間中，并通過計(jì)算得到一個(gè)最優(yōu)面，從而使樣本線性分開。Shoker等人[11]在研究想象左右手運(yùn)動(dòng)想象腦電信號(hào)的μ節(jié)律時(shí)，利用SVM進(jìn)行來分類，較好地解決了非線性、維數(shù)高、樣本小、局部極小點(diǎn)等問題，并獲得83.5%以上的分類準(zhǔn)確率。

5）人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是通過模擬大腦神經(jīng)網(wǎng)絡(luò)特征而建立的數(shù)據(jù)處理算法，人工神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的學(xué)習(xí)能力和適應(yīng)能力，它能夠通過一定的訓(xùn)練和學(xué)習(xí)獲取網(wǎng)絡(luò)的結(jié)構(gòu)特征，今年來，神經(jīng)網(wǎng)絡(luò)方法被廣泛用于腦電信號(hào)研究中。C.W.Ko等人[12]利用神經(jīng)網(wǎng)絡(luò)來檢測(cè)瞬時(shí)的腦電信號(hào)異常波，得到了83%左右的正確識(shí)別率。

6）共同空間模式算法（Common Spatial Pattern ， CSP）。CSP算法的基本原理是，采用對(duì)兩個(gè)協(xié)方差矩陣同時(shí)進(jìn)行對(duì)角化方法來設(shè)計(jì)最優(yōu)的空間濾波器，進(jìn)而分辨左手運(yùn)動(dòng)想象和右手運(yùn)動(dòng)想象的腦電信號(hào)特征。Sun.S等人[13]針對(duì)腦電信號(hào)提出核特征提取算法（Kernel feature extractor），該方法的核心是將CSP線性濾波器拓展到高維的核空間中，利用該方法對(duì)腦電信號(hào)中的非線性混疊現(xiàn)象進(jìn)行研究，并取得了較好的效果。

3 前人工作總結(jié)及展望

在前兩節(jié)內(nèi)容中，介紹了目前國(guó)際上主要的BCI研究方向、腦電數(shù)據(jù)分析方法及取得的研究成果。在本節(jié)內(nèi)容中，將分別介紹上述腦電信號(hào)分析方法的優(yōu)點(diǎn)及可能存在的問題。

1）功率譜分析法能夠很好的反映出信號(hào)的頻域過程，而其缺陷則在于采用該方法會(huì)損失腦電信號(hào)的時(shí)域信息。腦電信號(hào)高時(shí)間分辨率的特點(diǎn)決定了，時(shí)域信號(hào)包含著重要的信息，如果舍棄這些信息必然對(duì)結(jié)果有一定的影響。

2）小波變換法同樣從頻域角度進(jìn)行處理，會(huì)損失腦電信號(hào)的時(shí)域信息。此外，該方法在很大程度上依賴于腦電信號(hào)的先驗(yàn)知識(shí)，主要表現(xiàn)在直接獲取感興趣信號(hào)頻段的小波系數(shù)作為特征。但是由于腦電信號(hào)本身隨機(jī)的，信號(hào)分布無(wú)規(guī)則，且其產(chǎn)生機(jī)理復(fù)雜，而人類對(duì)大腦的研究也有限，所以很難獲得準(zhǔn)確的先驗(yàn)知識(shí)。

3）ICA方法是現(xiàn)階段使用較廣的一種方法，在信號(hào)提取和空間濾波等方面取得了較好的效果，但其固有缺陷使得ICA方法在一些BCI系統(tǒng)的應(yīng)用中并不是很理想。其缺陷主要表現(xiàn)在：為了獲得穩(wěn)定的結(jié)果，ICA需要較長(zhǎng)的數(shù)據(jù)長(zhǎng)度，這就導(dǎo)致了計(jì)算量大；其次，由于腦電信號(hào)是隨機(jī)的，當(dāng)采用ICA 方法對(duì)腦電信號(hào)進(jìn)行獨(dú)立分量提取時(shí)，不能保證獲得有價(jià)值的結(jié)果；最后，ICA 方法希望提取的各分量盡可能相互獨(dú)立，這一點(diǎn)同樣難以保證，因?yàn)榇竽X內(nèi)部存在著廣泛的聯(lián)系，各個(gè)導(dǎo)聯(lián)之間很有可能相互關(guān)聯(lián)。

4）SVM方法是基于統(tǒng)計(jì)原理分類方法，但對(duì)腦電信號(hào)使用SVM算法，同樣存在一些問題。在SVM使用過程中，由于腦電信號(hào)的隨機(jī)、非平穩(wěn)特性，研究者對(duì)信號(hào)的分布特性缺少一定的先驗(yàn)知識(shí)，導(dǎo)致對(duì)SVM最優(yōu)核函數(shù)的選取及參數(shù)的設(shè)置均存在不確定性。

5）人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)算法中的一種，其主要特點(diǎn)是能夠較好的解決非線性問題。然而，神經(jīng)網(wǎng)絡(luò)中仍然存在很多重要的問題尚未從理論上解決，需要在實(shí)際使用中憑借先驗(yàn)信息確定，如網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)的確定、初始權(quán)值大小、學(xué)習(xí)步長(zhǎng)以及局部極小值、過學(xué)習(xí)與欠學(xué)習(xí)等普遍存在的問題。

6）CSP 算法的優(yōu)點(diǎn)是并不需要預(yù)先選擇被試的特異性頻帶，而缺點(diǎn)則是需要大量的導(dǎo)聯(lián)電極采集腦電信號(hào)， 同時(shí)需要對(duì)腦電信號(hào)進(jìn)行多通道分析，而采用多通道方法的腦電信號(hào)放大系統(tǒng)則會(huì)限制 BCI 系統(tǒng)對(duì)便攜式的發(fā)展要求，所以仍然需要進(jìn)一步優(yōu)化導(dǎo)聯(lián)電極的數(shù)目。

除上述各個(gè)方法自身存在缺陷外，這些方法還有兩個(gè)共同的不足之處：1）只針對(duì)有限的導(dǎo)聯(lián)進(jìn)行分析，其中大部分研究者分析的是C3、C4這兩個(gè)中央運(yùn)動(dòng)區(qū)導(dǎo)聯(lián)[14]。而這依賴于一個(gè)共同的前提性假設(shè)，即大腦的各個(gè)功能區(qū)是模塊化的，與功能區(qū)相關(guān)的大腦認(rèn)知活動(dòng)也是相互分離和獨(dú)立的。但目前有研究表明，在大腦皮層內(nèi)部，即使是非常簡(jiǎn)單的腦認(rèn)知活動(dòng)，其實(shí)現(xiàn)也依賴于多個(gè)腦功能區(qū)域的整合和協(xié)同；2）將腦電信號(hào)分析看作單純的信號(hào)特征提取和分類問題，沒有考慮到腦電信號(hào)本身的特性。

目前BCI中腦電信號(hào)分析方法的一個(gè)研究趨勢(shì)是，充分結(jié)合并利用生理學(xué)的大腦認(rèn)知研究成果，并帶入到具體方法中，從而找到一種具有較強(qiáng)普遍適用性的特征提取方法。而對(duì)于BCI的應(yīng)用方面，除了基本醫(yī)療康復(fù)領(lǐng)域外，BCI將更多的應(yīng)用于生活?yuàn)蕵贩矫?。此外，在?dāng)前移動(dòng)互聯(lián)網(wǎng)大背景下，將BCI與移動(dòng)互聯(lián)網(wǎng)相結(jié)合的應(yīng)用相信也將是一個(gè)關(guān)注點(diǎn)。

4 結(jié)束語(yǔ)

本文通過大量資料對(duì)基于腦電的BCI研究方向、BCI中涉及的腦電數(shù)據(jù)分析方法進(jìn)行整合并形成綜述。不僅介紹了BCI中腦電信號(hào)的具體算法及相關(guān)研究成果，分析可能存在的不足之處，并對(duì)腦電信號(hào)的研究做出展望，希望可以為BCI研究起到積極的作用。人類大腦是一個(gè)十分復(fù)雜和精密的系統(tǒng)，目前人類對(duì)大腦的研究還處于前期的探索階段，還有很多未知有待進(jìn)一步研究，相信對(duì)BCI的研究有助于進(jìn)一步加深對(duì)大腦的認(rèn)識(shí)。

參考文獻(xiàn)：

[1] L.A.Farwell， E.Donchin. Talking off the top of your head： toward a mental prosthesis utilizing event-related brain potentials[J]， Electroenceph. Clin. Neurophysiol， 1988， 70：510-523.

[2] Friman O， Volosyak I， Graser A.Multiple Channel Detection of Steady-State Visual Evoked Potentials for Brain-Computer Interfaces[J]， IEEE Transactions on Biomedical Engineering， 2007， 54（4） ：742-750.

[3] Cheng M， Gao X R， Gao S K. Design and implementation of a brain-computer interface with high transfer rates [J]， IEEE Transactions on Biomedical Engineering， 2002，49（10）：1181-1186.

[4] Kirkup L， Searle A， Craig A. EEG-Based system for rapid on-off switching without prior learning[J]， Medical & biological engineering & computing， 1997， 35： 504-509.

[5] Birbaumer N， Hinterberger T. The thought-translation device（TTD）：neuro behavioral mechanisms and clinical outcome[J]， IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2003， 11（2）： 120-123.

[6] Pfurtscheller G， Neuper C， Guger C. Current trends in Graz brain-computer interface （BCI） research [J]， IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2000， 8（2）： 216-219.

[7] 張毅，楊柳，李敏. 基于AR和SVM的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別[J].華中科技大學(xué)學(xué)報(bào)，2011，39（S2）： 103-106.

[8] Wei-Yen Hsu， Chou-Ching Lin， Ming-Shaung Ju. Wavelet-based fractal features with active segment selection： application to single-trial EEG data[J]， Journal of Neuroscience Methods ， 2007，163（1）：145-60.

[9] Lemm， Curio G， Hlushchuk Y. Enhancing the signal-to-noise ratio of ICA-based extracted ERPs[J]， IEEE Trans Biomed Eng， 2006， 53（4）：601-607.

[10] Navarro I，Sepulveda F， Huba B. A comparison of time-frequency and ICA based features and five classifiers for wrist movement classification in EEG signals[C]， Shang-hai，China：Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference， 2005： 2118-2121.

[11] Shoker L， Sanei S， Sum A. Distinguishing between left and right finger movement from EEG using SVM[C]， Shanghai， China： Engineering in Medicine and Biology 27th Annual Conference， 2005：5420-5423.

[12] Carballido J， Kostov A， Martenez J. Enhancement of EEG control signals in the development of Brain Computer Interface[J]， Proceedings of the First Joint MBES Conference，1999 （1）：445

[13] Sun S， Zhang C. An optimal kernel feature extractor and its application to EEG signal classification [J]， Neurocomputing， 2006， 69 （13）： 1743-1748.

[14] 劉成，何可人，周天彤. 左右手運(yùn)動(dòng)想象腦電模式識(shí)別研究[J].常州大學(xué)學(xué)報(bào)，2013，25（1）：25-30.