基于峰值算法的手動想象腦電信號的識別

摘 要：本文主要研究人在想象左右手運動時，腦電信號發(fā)生的變化。提出了一種新穎的想象運動腦電數(shù)據(jù)分類方法，即基于同步去同步的手動想象腦電數(shù)據(jù)頻度分布的峰度分析。有30名受試者參加了本項實驗。我們經(jīng)過研究受試者按照實驗指示進行想象所產(chǎn)生的腦電數(shù)據(jù)后發(fā)現(xiàn)幾乎所有腦電數(shù)據(jù)都出現(xiàn)了同步去同步現(xiàn)象。本研究利用受試者在想象左右手運動時，腦電信號所體現(xiàn)出的同步去同步特征，結合頻度分布算法針對腦電數(shù)據(jù)進行分析，該方法可以解決短時間分析時計算PSD數(shù)據(jù)size小的問題。特別在C3和C4電極的效果比較明顯且針對實驗群體的綜合判定正確率最高可達80%左右。

關鍵詞：EEG；ERD/ERS；頻度分布；峰度值

中圖分類號：TP334.7

基于腦電波信號的腦機接口（BCI），在近幾年進展迅速，這項技術可以為患有喪失某些肌體活動能力的患者提供了一種非肌體與外界交流的方法。本研究所依據(jù)的事件相關去同步化（event-related desynchronization，ERD）和事件相關同步化（event-related synchronization，ERS）是探討研究腦功能非常有用的信號分析方法。當大腦皮質(zhì)某區(qū)域受到感官、動作指令或想象運動等刺激而開始激活時，該區(qū)域的代謝和血流增加，同時進行信息加工可以導致相應頻段的腦電信號振蕩的幅度減低或者阻滯，這種電生理現(xiàn)象稱作事件相關去同步化（ERD）[1]。大腦在靜息或惰性狀態(tài)下表現(xiàn)出明顯波幅增高的電活動，將其稱為事件相關同步化（ERS）[2]。這表明通過分析腦電數(shù)據(jù)來區(qū)分左右手想象運動是可行的。

（1）ERD/ERS具有頻段特異性：大腦振蕩的活動頻率范圍波動較大，這些頻率常被分為以下頻段：delta（<4 Hz），theta（4～7 Hz），alpha（8～12 Hz），beta（13～30 Hz）及gamma頻段（>30 Hz）。其中又把中央?yún)^(qū)（Rolandic區(qū)）的alpha頻段稱為mu頻段（9～11 Hz）。Alpha和beta頻段的ERD可作為大腦激活的指標，而ERS的出現(xiàn)則表明大腦處于失活狀態(tài)，提示皮質(zhì)區(qū)域恢復到靜息或惰性狀態(tài)[3]。與alpha和beta頻段不同，gamma頻段的ERS與皮質(zhì)激活相關，可能參與多區(qū)域和多種模式的信息整合加工過程[4]。不同頻段在正常和病理的運動加工過程中表現(xiàn)出不同的振蕩模式，表明在大腦皮質(zhì)和皮質(zhì)下水平可能有著相互作用的獨立功能調(diào)節(jié)機制來參與運動神經(jīng)環(huán)路的信息加工。

（2）ERD/ERS具有鎖時性：許多腦電圖（electroencephalography，EEG）和腦磁圖（magnetoencephalography，MEG）的研究發(fā)現(xiàn)感覺運動皮層的神經(jīng)反應振蕩活動在運動開始前幾百毫秒出現(xiàn)并持續(xù)到運動結束后幾秒鐘。例如，在運動開始前幾百毫秒，alpha和beta頻段的能量會迅速降低（ERD），在運動結束之后1～2s beta頻段能量會迅速增高（ERS）[3-6]。因此利用ERD/ERS判左右手相向運動是一種有用方法。

本文主要致力于研究手動想象腦電數(shù)據(jù)頻度分布分析對ERD/ERS這一現(xiàn)象用數(shù)值體現(xiàn)，決短時間分析時計算PSD數(shù)據(jù)size小的問題。進一步，確定在沒有進行任何訓練的情況下，能否通過對手動想象腦電數(shù)據(jù)進行頻度分布分析結果的峰度值達到區(qū)分左右手想象運動的目的。

1 實驗

1.1 實驗者

30位實驗者參加了實驗（20位男性，10位女性），他們的年齡在22到24歲之間，習慣使用右手并且沒有服用藥物，也沒有任何精神系統(tǒng)的疾病。在此實驗之前沒有進行任何與本實驗相關的視覺訓練。實驗之前都告之了實驗過程并得到了他們的允許。

1.2 實驗過程

本實驗和早期Ou Bai的實驗過程類似。所有實驗者都參加了第一階段的研究，即左右手實際運動。在實驗過程中，要求保持安靜以維持實驗者的注意力。

實驗者舒服的坐在椅子上，前臂放在桌子上并自然舒展。除了手部外，全身放松并盡量保持這種狀態(tài)。因為因任何不確定的運動因起的澡聲都干擾實驗結果。另外，要求實驗者在實驗的視覺刺激階段盡量避免眨眼，吞咽等身體運動[7]。若一旦被發(fā)現(xiàn)，實驗者就被要求再次放松。在實驗者的正前方放置了一臺屏幕為14英寸的筆記本電腦，屏幕與實驗得成2o～3o的視角。實驗數(shù)據(jù)的記錄和分析由Matlab程序完成。

每位實驗者都要進行兩次實驗。每次包含兩個階段，第一階段是實際運動，第二階段是想象運動。每階段8次試驗，包括2次左手運動，2次右手運動，2次想象左手運動，2次想象右手運動。實驗過程先由空白的屏幕顯示開始，如圖1，經(jīng)過3秒鐘的休息后，一個十字形圖案會出現(xiàn)在屏幕上，這是在提示實驗者試驗馬上就要開始了，接下來的6秒，會出現(xiàn)一個閃爍的向右的箭頭，這是提示實驗者立刻開始實際或想象運動了。6秒實際或想象運動之后，屏幕上會出現(xiàn)一個圈，這時實驗者停止運動。左手運動試驗類似，只是運動方向相反。這兩個階段的試驗在25-35分鐘完成。整個實驗持續(xù)了一周。采樣頻率為1000Hz。

圖1 試驗視覺刺激

提示圖案包括固定的十字，箭頭，圓圈。只有在屏幕空白時間段才允許眨眼和吞咽動作。實驗者要在箭頭指示出現(xiàn)階段運動，并到結束標志出現(xiàn)階段時停止。

1.3 數(shù)據(jù)記錄和處理

采用以耳垂為參考的10-20國際系統(tǒng)規(guī)范的16導聯(lián)記錄數(shù)據(jù)，這些位置包括Fp1 Fp2 F3 F4 C3 C4 P3 P4 O1 O2 F7 F8 T3 T4 T5和T6。另外，我們使用Z電極去除澡聲，以A1和A2為參考電極。腦電波記錄設備需要接地線。各電極阻抗保持在10 K?以下；設備型號為Neurofax EEG-9100K。去除那些試驗數(shù)據(jù)的記錄時間小于10S的數(shù)據(jù)，然后用0.1-60Hz過濾器過濾，并降低頻率到100Hz.這合格后的數(shù)據(jù)用自己編寫的程序儲存到數(shù)據(jù)集中。因為C3和C4電極能分別代表左右腦，所以我們選用他們并計算出腦電數(shù)據(jù)經(jīng)過頻度分析后的峰值。

2 方法

受試者在接受外界命令或即將發(fā)生運動意識時，大腦的神經(jīng)系統(tǒng)電活動會發(fā)生相應的改變。我們可以通過采集腦電數(shù)據(jù)的相關設備檢測出神經(jīng)電活動的這種變化，并把它作為動作即將發(fā)生的特征信號[7-9]。通過對該信號分類識別，分辨出引發(fā)腦電變化的動作意圖，再通過計算機傳輸和外部驅(qū)動設備，把人的動作意圖轉(zhuǎn)化為實際動作，實現(xiàn)在沒有肌肉和外圍神經(jīng)直接參與的情況下人腦對外部環(huán)境的控制。

2.1 事件相關同步/去同步

在腦功能區(qū)定位中的應用：許多EEG研究都證明在執(zhí)行運動相關任務時，某些頻段的ERD/ERS出現(xiàn)在感覺運動皮層，并且具有對側優(yōu)勢。alpha和beta頻段在大腦放松或想象運動狀態(tài)下表現(xiàn)出明顯的電活動。本研究主要針對alpha和beta頻段的能量進行研究。

圖2 當受試者處于放松狀態(tài)時，腦電信號呈現(xiàn)同步（ERS）現(xiàn)象

當受試者開始想象手動運動時，腦電信號呈現(xiàn)去同步（ERD）現(xiàn)象具體表現(xiàn)為振幅下降。

2.2 頻度分布

為了體現(xiàn)腦電信號在運動相關任務時所體現(xiàn)的事件相關同步/去同步這一規(guī)律，我們引進頻度分布來反應所采集的腦電數(shù)據(jù)的波動大小的數(shù)字特征。

（1）將原始數(shù)據(jù)幅值區(qū)分為40個等寬區(qū)間。

（2）計算每個區(qū)間內(nèi)包含的數(shù)據(jù)點數(shù)。

圖3 軟件工具通過頻度分布函數(shù)計算所得的結果

橫軸為數(shù)據(jù)區(qū)分刻度，縱軸為數(shù)據(jù)點個數(shù)

2.3 峰值計算

為描述腦電數(shù)據(jù)經(jīng)過頻度分布計算后分布的形狀與對稱形式，這里引入了特征量的峰值。

（1）取頻度分布中每個劃分的數(shù)據(jù)區(qū)間中的數(shù)據(jù)點數(shù)N=（n1，n2，n3…n40）。

（2）用標準差公式計算出樣本數(shù)據(jù)N的標準差值，標準差σ值計算如下：

（1）

（3）用峰度公式計算出樣本數(shù)據(jù)N的峰值，峰值k計算如下：

（2）

3 結果

3.1 峰值（峰度）

將所采集到的腦電按頻度分布所制定的規(guī)則整理后，我們可以看到數(shù)據(jù)體現(xiàn)出類似正太分布的形態(tài)。利用峰度公式計算出腦電數(shù)據(jù)具體的峰值，更直觀的反映出手動想象腦電數(shù)據(jù)頻度分布分析對ERD/ERS這一現(xiàn)象用數(shù)值體現(xiàn)。經(jīng)過左右手相向運動的峰值對比研究發(fā)現(xiàn)，正常受試者腦電數(shù)據(jù)在非想象運動同步狀態(tài)下的峰值約為4.3左右，在想象運動去同步狀態(tài)下的峰值約為4.8，兩種狀態(tài)下的最終值有較為明顯的差異。

3.2 正確率

經(jīng)過對C3，C4數(shù)據(jù)峰值的比較我們得出最高判別正確率可以達到80%左右。

4 討論

本文在充分地關注國內(nèi)外研究的基礎之上，以左右手運動想象作為實驗方法，系統(tǒng)地研究了基于左右手想象運動的BC技術，從離線的數(shù)據(jù)分析到實現(xiàn)實時應用的設計。結合受試者在想象運動時，腦電數(shù)據(jù)會出現(xiàn)同步/去同步這一顯著的特征現(xiàn)象，提出了一種新穎的想象運動腦電數(shù)據(jù)分類方法，并取得了一定的成效。

本論文的主要研究成果和創(chuàng)新的地方包括如下幾點：

（1）成功地采用基于統(tǒng)一的方法進行研究，包括導聯(lián)，數(shù)據(jù)時間，特征選擇，頻帶選擇等，活的了較為滿意的分類效果。同時也探討了設計在左右手想象運動分類中的作用。

（2）在腦電信號處理算法方面，采用較為成熟可靠的算法來分析原始數(shù)據(jù)，體現(xiàn)出同步/去同步這一特征現(xiàn)象，且每個數(shù)據(jù)只單獨計算一次，無需多次計算疊加，從而使得即時采取腦電信號進行計算并發(fā)出命令成為可能。為實現(xiàn)實時BCI系統(tǒng)提供了理論依據(jù)，對同層次的BCI研究具有一定意義的借鑒價值。

（3）在BCI應用方面，自行初步設計了基于左右手想象運動的實時在線BCI系統(tǒng)，并可以在此基礎上將實時在線BCI系統(tǒng)與具體的應用相結合。

參考文獻：

[1]Pfurtscheller G，Aranibar A.Event-related cortical desynchronization detected by power measurements of scalp EEG.Electroencephalogr Clin Neu-rophysiol，1977（42）：817-826.

[2]Pfurtscheller G.Event-related synchronization （ERS）：an electrophysiological correlate of cortical areas at rest.Electroencephalogr Clin Neurophys-Iol，1992（83）：62-69.

[3]Pineda JA.The functional significance of mu rhythms：translating“seeing”and“hearing”into“doing”.Brain Res Brain Res Rev，2005（50）：57-68.

[4]Tonet O，Marinelli M，Citi L，Rossini P M，Rossini L，Megali G and Dario P 2008 Defining brain-machineinterface applications by matching interface performancewith device requirements J.Neurosci.Methods 167 91-104.

[5]Wang Y，Wang Y，Gao X，Hong B，Jia Cand Gao S 2008Brain-computer interfaces based on visual evokedpotentials：feasibility of practical system designs IEEEE MB Mag，2008（27）：64-71.

[6]Bin G，Gao X，Wang Y，Hong B and Gao S 2009 Researchfrontier：VEP-based brain-computer interfaces：time，frequency，and code modulations IEEE Comput.Intell.Mag.4 22-6.

[7]J.Müller-Gerking，G.Pfurtscheller，H.Flyvbjerg.Classification of movement-related EEG in a memorized delay task experiment.Clinical Neurophysiology，2000（08）：1353-1365.

[8]A.Rakotomamonjy，V.Guigue.BCI Competition III：dataset II-ensemble of SVERP for BCI P300 Speller.IEEE Trans.Biomed.Eng，2008（03）：1147-1154.

[9]Probabilistic Methods in Multi-Class Brain-Computer Interface[J].Journal of Electronic Science and Technology of China，2009（01）.

作者簡介：陳志華（1961-），男，研究生導師，教授，博士，研究方向：生物信息與人工智能；柳澤明（1988.07-），男，山東人，研究生，在讀碩士，研究方向：生物信息與人工智能。

作者單位：大連交通大學，遼寧大連 116021

基金項目：本文由遼寧省教育廳項目（項目編號：L2012165）資助。