基于感覺運(yùn)動(dòng)BCI系統(tǒng)的EEG手部運(yùn)動(dòng)分類

劉培++秦勝花

摘 要：對(duì)于殘疾人或者運(yùn)動(dòng)不便的健全人，感覺運(yùn)動(dòng)相關(guān)的BCI（Brain Computer Interface）系統(tǒng)是十分必要的。BCI系統(tǒng)的關(guān)鍵部分是對(duì)EEG（Eletroencepalograph）信號(hào)的采集、提取和分類。本文研究的是手部三種動(dòng)作在運(yùn)動(dòng)執(zhí)行的情況下，人腦產(chǎn)生的EEG信號(hào)的不同。利用EEG信號(hào)在運(yùn)動(dòng)時(shí)發(fā)生于大腦感覺運(yùn)動(dòng)皮層區(qū)域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）現(xiàn)象，運(yùn)用EMD（Empirical Mode Decomposition）等算法進(jìn)行信號(hào)的特征提取，然后進(jìn)行分類，得出了平均準(zhǔn)確率為78.75%的良好結(jié)果。此次研究提供了一種基于EMD新的有效的運(yùn)動(dòng)相關(guān)BCI系統(tǒng)研發(fā)中的EEG信號(hào)的特征提取算法。

關(guān)鍵詞：腦機(jī)接口 腦電波 ERD＼ERS 數(shù)據(jù)分類 特征提取

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）04（a）-0006-04

腦機(jī)接口（BCI）—— 人或動(dòng)物腦（或者腦細(xì)胞的培養(yǎng)物），與外部設(shè)備之間創(chuàng)建的直接連接通路。腦部發(fā)出的命令可以直接傳輸?shù)酵獠吭O(shè)備，或者外部設(shè)備發(fā)出的命令直接傳達(dá)到腦部。它可以用在殘疾人康復(fù)領(lǐng)域，通訊領(lǐng)域和多媒體交互領(lǐng)域等。腦電波（EEG）是腦部在運(yùn)作時(shí)發(fā)出的有一定規(guī)律的電磁波。人體腦電波的頻帶通常在1～30 Hz左右，與運(yùn)動(dòng)控制相關(guān)的頻帶通稱為mu節(jié)律，在8～13 Hz左右。mu節(jié)律在運(yùn)動(dòng)時(shí)會(huì)在對(duì)側(cè)和同側(cè)表現(xiàn)出事件相關(guān)去同步化（ERD）和事件相關(guān)同步化（ERS）。根據(jù)這一現(xiàn)象，可以從腦電波判斷出此時(shí)對(duì)應(yīng)的類型。在很多論文中，左右手動(dòng)作的識(shí)別已經(jīng)成熟，但是關(guān)于一只慣用手不同動(dòng)作的分類研究的很少，這正是本文研究的。在本文中，利用時(shí)域特征和由EMD[1]算法得到的頻域特征，結(jié)合自己創(chuàng)新的算法，對(duì)三種不同的手部動(dòng)作進(jìn)行分類，取得了一定的效果。

1 預(yù)備知識(shí)

1.1 EEG

大腦的神經(jīng)細(xì)胞內(nèi)和各種體液中存在大量離子，沒有外部刺激時(shí)細(xì)胞膜的膜電位會(huì)維持在靜息電位，受到刺激時(shí)，神經(jīng)細(xì)胞會(huì)在突觸之間放電，從而傳達(dá)刺激信息。大量神經(jīng)元的集體放電行為形成的振蕩和同步振蕩被認(rèn)為是目前大腦高級(jí)功能信息整合的最有可能的機(jī)制[2]。不同位置的神經(jīng)元集合在大腦進(jìn)行不同的活動(dòng)時(shí)，放電的頻率、幅值、變化不同，與運(yùn)動(dòng)相關(guān)的神經(jīng)元集合分布在運(yùn)動(dòng)皮層。

通常設(shè)備采集的腦電波不是直接的神經(jīng)元的放電電位，而是各個(gè)區(qū)域的神經(jīng)元集體放電后，通過一系列的振蕩、疊加，透過顱骨等之后的電位，通稱腦電波。事實(shí)證明，腦電波能表征出腦內(nèi)的活動(dòng)和大腦的狀態(tài)。

1.2 運(yùn)動(dòng)相關(guān)的BCI

與運(yùn)動(dòng)相關(guān)的神經(jīng)元集中分布于大腦皮層中央頂端的左側(cè)和右側(cè)，分別控制右側(cè)肢體和左側(cè)肢體，與之相關(guān)的腦電采集導(dǎo)聯(lián)為10-20系統(tǒng)中的C3導(dǎo)聯(lián)和C4導(dǎo)聯(lián)。

運(yùn)動(dòng)相關(guān)的BCI的構(gòu)成部分如圖1所示。

1.3 EMD算法

經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）是由Huang提出的一種處理非線性非穩(wěn)態(tài)信號(hào)的經(jīng)典算法。該算法的重要部分是將任一復(fù)雜的數(shù)據(jù)集分解成數(shù)量有限的，并且數(shù)量不是很多的特征函數(shù)（Intrinsic Mode Function，IMF），并且這些特征函數(shù)滿足希爾伯特變換（Hilbert Transforms）的條件（即：（1）在整個(gè)數(shù)據(jù)區(qū)間內(nèi)，極值點(diǎn)的數(shù)目與過零點(diǎn)的數(shù)目相等或至多相差一個(gè)；（2）在任意點(diǎn)處，由極大值定義的包絡(luò)和有極小值定義的包絡(luò)均值為零）。

將IMFs進(jìn)行希爾伯特變換并疊加后，可得到原數(shù)據(jù)集的具有實(shí)際物理意義的瞬時(shí)頻率。設(shè)IMF分量為c（t），則它的復(fù)解析信號(hào)如式（1）所示：

（1）

其中a（t）為幅值函數(shù)，表示信號(hào)每個(gè)采樣點(diǎn)的瞬時(shí)幅值能量；為相位函數(shù)，表示信號(hào)每個(gè)采樣點(diǎn)的瞬時(shí)相位，將其對(duì)時(shí)間求導(dǎo)可得到瞬時(shí)頻率。對(duì)每個(gè)IMF分量做Hilbert變換并忽略分解余項(xiàng)，得：

（2）

若將式（2）中的幅度和瞬時(shí)相位作為時(shí)間的函數(shù)表示在三維分布中，幅度的這種 時(shí)—頻分布被稱為希爾伯特幅度譜，簡(jiǎn)稱希爾伯特譜，習(xí)慣上用幅度的平方表示能量密度。

2 數(shù)據(jù)分析

2.1 實(shí)驗(yàn)方案

被試者有7例，三例男性，四例女性，均為右利手，年齡均在26周歲左右，健康無家族遺傳病史。實(shí)驗(yàn)采集設(shè)備為Neuroscan系統(tǒng)，64導(dǎo)腦電電極，2導(dǎo)眼電電極和2導(dǎo)肌電電極，其中腦電電極位置符合10-20系統(tǒng)。采用DC放大，采樣率為1000 Hz，濾波器設(shè)置為0～200 Hz，滿足內(nèi)阻<5 kΩ，供電系統(tǒng)接地，實(shí)驗(yàn)室密封隔音等腦電采集實(shí)驗(yàn)規(guī)范。

采集實(shí)驗(yàn)如圖2所示。

實(shí)驗(yàn)中要求被試者做運(yùn)動(dòng)執(zhí)行任務(wù)，具體提示動(dòng)作有三種，分別為右手握拳、右手手張開、右手捏鑰匙。受試者在實(shí)驗(yàn)界面出現(xiàn)不同指示下完成不同的運(yùn)動(dòng)想象（運(yùn)動(dòng)執(zhí)行）任務(wù)。一次實(shí)驗(yàn)過程周期持續(xù)8 s，最初2 s，實(shí)驗(yàn)界面上出現(xiàn)一個(gè)十字光標(biāo)，指示受試者保持大腦處于放松狀態(tài)并做好準(zhǔn)備；之后屏幕中心的十字光標(biāo)由一張手部動(dòng)作圖片替代，要求被試者根據(jù)圖片在3 s的時(shí)間段內(nèi)不斷重復(fù)完成相應(yīng)的任務(wù)；然后屏幕上出現(xiàn)一張笑臉，為3 s的被試者休息時(shí)間。每個(gè)受試者完成8組實(shí)驗(yàn)，每組包括每個(gè)動(dòng)作10次，時(shí)長(zhǎng)為8 s×3×10=240 s，8組實(shí)驗(yàn)時(shí)間為1920 s。實(shí)驗(yàn)時(shí)序圖如圖3所示。

2.2 數(shù)據(jù)預(yù)處理

使用Neuroscan自帶波形分析軟件Scan4.3對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，如幅值參數(shù)為±100 uV的偽跡濾除，校正基線漂移，1～45 Hz的帶通濾波器，眨眼眼電的濾除。然后使用Matlab下的EEGLAB工具箱將參考導(dǎo)聯(lián)改為M1/M2，取出C3和C4導(dǎo)聯(lián)的相關(guān)事件之前1000 ms到事件之后750 ms的數(shù)據(jù)段。然后以事件發(fā)生時(shí)刻為0時(shí)刻，（-814 ms，-300 ms）時(shí)間段內(nèi)的數(shù)據(jù)平均值為基線[3]。最后將數(shù)據(jù)針對(duì)不同事件標(biāo)記進(jìn)行分段處理。

2.3 數(shù)據(jù)選擇和特征提取

由于研究?jī)?nèi)容是運(yùn)動(dòng)引起的C3，C4導(dǎo)聯(lián)的腦電波的各種變化，而腦電波在非運(yùn)動(dòng)時(shí)的狀態(tài)和在一側(cè)肢體運(yùn)動(dòng)時(shí)二導(dǎo)聯(lián)共同含有的變化成分可能與情緒，環(huán)境，噪聲等一系列的復(fù)雜因素相關(guān)，所以在本文中，采取了兩種處理方法來進(jìn)行特征提取，并將結(jié)果進(jìn)行了對(duì)比。

一種是使用C4和C3導(dǎo)聯(lián)的差值A(chǔ)，即A=C4-C3。對(duì)A進(jìn)行以下的特征作提取：最大幅值與最小振幅的差值，幅值的平均值，最大和最小頻率的差值。其中頻率是用EMD算法得出。

另一種方法是使用只C3導(dǎo)聯(lián)的值，即B=C3。對(duì)B進(jìn)行以下的特征作提?。鹤畲蠓蹬c最小振幅的差值，幅值的平均值，最大和最小頻率的差值。其中頻率是也用EMD算法得出。

2.4 數(shù)據(jù)分類

針對(duì)每一列特征值，每次隨機(jī)取出1000組數(shù)據(jù)，進(jìn)行不同動(dòng)作數(shù)據(jù)組之間的該特征的數(shù)據(jù)大小比較，并計(jì)算出準(zhǔn)確率。把上述兩種方法中相應(yīng)的特征的準(zhǔn)確率相乘，得到最終的準(zhǔn)確率。

3 結(jié)果對(duì)比

大多數(shù)實(shí)驗(yàn)者的數(shù)據(jù)結(jié)果與該表中的結(jié)果相一致，因此，該結(jié)果能夠表明合理的分類正確率。分類結(jié)果中包含了每一個(gè)動(dòng)作的每一種處理方式。結(jié)果如表1、表2所示，選取了四個(gè)實(shí)驗(yàn)者的實(shí)驗(yàn)數(shù)據(jù)，其中A代表從A（A=C4-C3）獲得的數(shù)據(jù)集的準(zhǔn)確性。B表示從B（B=C3）的數(shù)據(jù)集進(jìn)行計(jì)算所獲得的精確度。

A的結(jié)果明顯優(yōu)于B。這是因?yàn)镃4和C3的差值更排除類似情感，精神狀態(tài)等方面的干擾。從生理學(xué)上來說，當(dāng)一側(cè)的手進(jìn)行運(yùn)動(dòng)時(shí)，左腦區(qū)與右腦區(qū)的運(yùn)動(dòng)中樞產(chǎn)生的腦電波都會(huì)發(fā)生改變。

手張開和捏鑰匙之間的差值比手打開與握拳之間的差值更明顯。這一結(jié)果的原因之一是因?yàn)閷?duì)參與者來說，手張開和握拳的動(dòng)作相比捏鑰匙而言，更容易做。

4 總結(jié)和未來工作

本文的目的是為了提高利用腦電圖來對(duì)動(dòng)作進(jìn)行解讀的準(zhǔn)確率，從而使與運(yùn)動(dòng)相關(guān)的BCI系統(tǒng)能更好的控制假手，并區(qū)分出不同的手部動(dòng)作。本次研究得出的比較好的結(jié)果是手張開和捏鑰匙兩個(gè)動(dòng)作的分類，平均準(zhǔn)確率是78.75%。而手張開和握拳的分類準(zhǔn)確率是48.25%，這證明了上述方法不適合用于此兩類動(dòng)作之間的分類。這對(duì)控制假手進(jìn)行必要的手部動(dòng)作這一目標(biāo)而言，是非常重要的一步。今后的工作是準(zhǔn)確地分類手部和手腕部的動(dòng)作，并將離線分析的處理模式改進(jìn)為實(shí)時(shí)數(shù)據(jù)處理。

參考文獻(xiàn)

[1] Norden E. Huang，Zheng Shen，Steven R.Long.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].The Royal Society， 1998.

[2] 包尚聯(lián).腦功能成像物理學(xué)[M].鄭州大學(xué)出版社，2006

[3] Stephan Waldert，Hubert Preisssl， Evariste Demandt.Hand Movement Direction Decoded from MEG and EEG[J].The Journal Neuroscience，January 23，2008.

[4] A.K.Mohamed，T，Marwala，L.R.John. Singel-trial EEG Discrimination between Wrist and Finger Movement Imagery and Execution in a Sensorimotor BCI[C].2011 33rd Annual international Conference of the IEEE EMBS.

[5] 顏彪，楊娟.關(guān)于希爾伯特變換的分析和研究[J].電氣電子教學(xué)學(xué)報(bào)，2004， 10.

[6] 徐爭(zhēng)光.經(jīng)驗(yàn)?zāi)Ｊ椒纸獾臄?shù)學(xué)理論研究[M].華中科技大學(xué)，2009.

[7] D.GABOR，Dr.Ing.，Associate Member. Theory of Communication[M].24th September，1945.

[8] Cheolsoo Park，David Looney，Preben Kidmose.Time-Frequency Analysis of EEG Asymmery Using Bivariate Empirical Mode Decomposition[J].IEEE Transactions on Neural Systems And Rehabilitation Engineering，August， 2011.

[9] Pawel Herman， Girijesh Prasad，Thomas Matin McGinnity，Damien Coyle，Comparative Analysis of Spectral Approaches to Feature Extraction for EEG-Based Motor Imagery Classification[J]，IEEE Transactions on Neural Systems And Rehabilitation Engineering， August，2008.

[10] 莊平.腦電事件相關(guān)去同步化和同步化活動(dòng)與運(yùn)動(dòng)相關(guān)性作業(yè)[J].中國臨床康復(fù)，2004.

[11] Abdul-Khaaliq Mohamed.Towards Improved EEG Interpretation in a Sensorimotor BCI for the Control of a Prosthetic or Orthotic Hand[M].University of Witwatersrand， June， 2011.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計(jì)信號(hào)處理：醫(yī)學(xué)信號(hào)分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實(shí)驗(yàn)教程[M].天津社會(huì)科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計(jì)信號(hào)處理：醫(yī)學(xué)信號(hào)分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實(shí)驗(yàn)教程[M].天津社會(huì)科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.

[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.

[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.

[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.

[15] G.Pfurtscheller，F(xiàn).H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.

[16] 邱天爽，唐洪，劉海龍.統(tǒng)計(jì)信號(hào)處理：醫(yī)學(xué)信號(hào)分析與處理[M].科學(xué)出版社，2012.

[17] 趙侖.ERP實(shí)驗(yàn)教程[M].天津社會(huì)科學(xué)院出版社，2004.

[18] Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.

[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.

[20] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.

[21] Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.

[22] G.Pfurtscheller a'b'*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.