腦機(jī)接口研究概述

左開偉 劉建平 程馨瑩

引言

腦-機(jī)接口作為一種新生事物，經(jīng)歷了從無(wú)到有、從概念模型到實(shí)驗(yàn)論證，再到應(yīng)用開發(fā)的過(guò)程。1924年， 德國(guó)神經(jīng)學(xué)家Hans Berger首次用原始的無(wú)線電裝置首次發(fā)現(xiàn)腦電信號(hào)， 紛紛展開了對(duì)它應(yīng)用的研究。1973年，在加州大學(xué)洛杉磯分校的Jacques Vidal所負(fù)責(zé)的項(xiàng)目中，首次給出了BCI系統(tǒng)的定義。 1999年至今，國(guó)際BCI會(huì)議在美國(guó)四次召開，會(huì)議總結(jié)了BCI技術(shù)的發(fā)展，探討了未來(lái)BCI技術(shù)研究的關(guān)鍵以及BCI系統(tǒng)的開發(fā)標(biāo)準(zhǔn)等問題。腦-機(jī)接口技術(shù)作為一門新興的多學(xué)科交叉的前沿技術(shù)已逐漸走出實(shí)驗(yàn)室，可廣泛應(yīng)用于醫(yī)療康復(fù)、家居娛樂和軍事應(yīng)用等領(lǐng)域。

一、BCI的研究意義與發(fā)展現(xiàn)狀

1.1研究意義

腦機(jī)接口（Brain Compmer Interfaces，BCI） 是不依賴傳統(tǒng)的肌肉和神經(jīng)通路，直接解讀大腦意識(shí)任務(wù)，解碼成相應(yīng)的指令控制外部裝置實(shí)現(xiàn)腦命令的直接輸出科學(xué)、腦科學(xué)、控制科學(xué)和計(jì)算機(jī)科學(xué)的交叉研究熱點(diǎn)，對(duì)于解決神經(jīng)殘疾、特種環(huán)境操縱等一系列應(yīng)用問題具有重要的作用和意義。

（1）醫(yī)療康復(fù)領(lǐng)域：近年來(lái)， BCI技術(shù)可望幫助生活不能自理的病人利用大腦意識(shí)來(lái)實(shí)現(xiàn)與外界的交流，幫助這些病人恢復(fù)部分生活自理能力，給他們的生活帶來(lái)新的希望。

（2）軍事領(lǐng)域：BCI技術(shù)為未來(lái)武器裝備操控提供了智能化發(fā)展方向，已經(jīng)引起世界各國(guó)軍方的高度重視。2013年，美國(guó)國(guó)防部向外界披露了一項(xiàng)“阿凡達(dá)”研究項(xiàng)目，計(jì)劃在未來(lái)實(shí)現(xiàn)通過(guò)意念遠(yuǎn)程操控“機(jī)器戰(zhàn)士”，代替士兵在戰(zhàn)場(chǎng)上作戰(zhàn)，遂行各種特殊作戰(zhàn)任務(wù)。

（3）日常生活：日常生活中，BCI技術(shù)在游戲娛樂、智能家居、實(shí)時(shí)監(jiān)控等方面都有著很大的應(yīng)用空間。2012年，g.tec小組研究了一款腦電游戲系統(tǒng)，用戶可以用它玩憤怒的小鳥和魔獸世界。

1.2發(fā)展現(xiàn)狀

在BCI技術(shù)具有極大實(shí)際應(yīng)用價(jià)值的推動(dòng)下，進(jìn)入二十一世紀(jì)，BCI的研究也進(jìn)入了一個(gè)新的階段。自1999年起，已經(jīng)成功舉辦了四次國(guó)際BCI數(shù)據(jù)處理競(jìng)賽，極大地推動(dòng)了BCI研究的發(fā)展。2013年6月，華裔教授賀斌用腦電波首次實(shí)現(xiàn)了對(duì)遙控飛機(jī)的控制； 2014年6月巴西世界杯開幕式上，一名癱瘓的男子利用安裝在腿部的“外骨骼”為本屆世界杯開球。

國(guó)內(nèi)外比較著名的BCI研究機(jī)構(gòu)有：Wadsworth研究中心、Graz-BCI研究機(jī)構(gòu)、Berlin-BCI研究機(jī)構(gòu)、Freiburg/ Tübingen研究小組、Washington/Albany研究小組、NSF、GSU腦實(shí)驗(yàn)研究室，以及清華大學(xué)高上凱BCI課題研究組等。

二、BCI系統(tǒng)的基本組成

基本的BCI系統(tǒng)框架如圖1所示，該系統(tǒng)主要組成包括：信號(hào)采集、信號(hào)處理、特征提取、分類識(shí)別、輸出設(shè)備等模塊，下面就BCI系統(tǒng)的各組成部分及涉及的關(guān)鍵技術(shù)做以闡述與介紹。

三、信號(hào)采集

BCI系統(tǒng)控制信號(hào)的采集是實(shí)現(xiàn)BCI技術(shù)極為關(guān)鍵的第一步。信號(hào)采集系統(tǒng)由記錄電極、信號(hào)隔離放大器、濾波器和模擬數(shù)字轉(zhuǎn)換器等部分組成。其作用是采集來(lái)自大腦的頭皮信號(hào)、腦膜內(nèi)外信號(hào)等，并轉(zhuǎn)換成數(shù)字信號(hào)作為計(jì)算機(jī)的輸入控制信號(hào)，也就是BCI系統(tǒng)的輸入信號(hào)。

腦電信號(hào)采集的一個(gè)重要問題是電極導(dǎo)聯(lián)方式的選擇。電極導(dǎo)聯(lián)方式通常分為單極導(dǎo)聯(lián)與雙極導(dǎo)聯(lián)兩種[12]。單極導(dǎo)聯(lián)一般選用耳垂、乳突等作為參考點(diǎn)，將參考電極作為相對(duì)零電位，記錄頭皮上活動(dòng)電極與參考電極的電位差。雙極導(dǎo)聯(lián)是將活動(dòng)電極等間距地兩兩放置在頭皮的同一區(qū)域，記錄兩個(gè)電極之間的電位差，作為放大器的輸入。

四、特征產(chǎn)生

特征產(chǎn)生是BCI整個(gè)系統(tǒng)的核心模塊之，該模塊從采集的腦電信號(hào)中識(shí)別出用戶的操作意圖，提取能反映用戶主觀動(dòng)作意識(shí)的特征參數(shù)并通過(guò)某種算法將之轉(zhuǎn)換為控制外圍設(shè)備的指令。包括信號(hào)預(yù)處理、特征提取、特征分類，其中特征提取和分類是BCI信號(hào)處理最為關(guān)鍵的環(huán)節(jié)。

4.1信號(hào)預(yù)處理

腦電信號(hào)的預(yù)處理是進(jìn)行特征提取和分類的必不可少的前提，主要作用是消除干擾，提高信噪比。在此主要有空間濾波、頻域的帶通濾波、去除眼電、基線校正等。

（1）空間濾波。對(duì)于多通道信號(hào)，空間濾波對(duì)于提高信噪比起著重要作用。常見的空間濾波方法主要有耳突參考，普通平均參考，小拉普拉斯參考，大拉普拉斯參考。

（2）頻域帶通濾波

由于運(yùn)動(dòng)想象發(fā)生的腦電信號(hào)頻帶有一定的規(guī)律，分析過(guò)寬的頻帶會(huì)參雜干擾信號(hào)，因此，在預(yù)處理中進(jìn)行帶通濾波可消除部分干擾信號(hào)，提高信噪比。

濾波器主要由IIR濾波器（無(wú)限長(zhǎng)脈沖響應(yīng)濾波器）和FIR濾波器（有限長(zhǎng)脈沖響應(yīng)濾波器）。

此外還要進(jìn)行去除眼電，基線校正等。

4.2特征提取

特征提取是從信號(hào)預(yù)處理模塊得到的腦信號(hào)中提取出少量的有用的信息表示為特征向量，作為后續(xù)分類器的輸入。隨著傅立葉變換在腦電圖分析領(lǐng)域的應(yīng)用，相繼引入了頻域、時(shí)域、時(shí)頻域等多種特征提取方法。

4.2.1頻域分析方法

頻域分析方法主要由功率譜估計(jì)、雙譜分析、自回歸參數(shù)模型估計(jì)等。

（1）功率譜估計(jì)。功率譜估計(jì)是頻域分析的主要手段之一，它主要是從頻率的角度直觀地觀察腦電節(jié)律的分布與變換情況；但其方差特性不好，且數(shù)據(jù)較長(zhǎng)時(shí)，估計(jì)值沿頻率值的起伏比較劇烈。

（2）雙譜分析。相對(duì)于功率譜估計(jì)，雙譜分析優(yōu)越之處在于針對(duì)一些不同生理狀態(tài)下的腦信號(hào)，有些功率譜很相似，雙譜結(jié)構(gòu)卻出現(xiàn)明顯差異；但雙譜分析也有其缺陷性，其要求信號(hào)至少三三階平穩(wěn)，只對(duì)短數(shù)據(jù)腦信號(hào)才有意義。

（3）自回歸參數(shù)模型譜估計(jì)。由于其模型中的系數(shù)較易求解，且對(duì)數(shù)據(jù)處理能得到高分辨率的譜分析結(jié)果，特別是對(duì)腦信號(hào)作動(dòng)態(tài)特性分析更顯優(yōu)越，因此在腦信號(hào)分析自回歸參數(shù)模型譜估計(jì)技術(shù)得到了廣泛的應(yīng)用。

4.2.2時(shí)域分析方法

時(shí)域分析方法在早期的腦電分析中占據(jù)主導(dǎo)地位，主要是提取腦電信號(hào)的一些波形特征，提取到的特征物理意義明確、直觀性強(qiáng)，主要有幅值檢測(cè)、方差分析、均值分析、過(guò)零截點(diǎn)分析、相關(guān)分析、直方圖分析等手段，但信號(hào)的許多特征需要變換到頻域才能有所體現(xiàn)，因此在信號(hào)處理方面具有較大的局限性。

4.2.3時(shí)頻域分析方法

腦信號(hào)是非平穩(wěn)的，單純的時(shí)域或頻域分析方法由于時(shí)域和頻域分辨率的不確定性原理，不會(huì)同時(shí)在時(shí)域和頻域獲得較高的分辨率，只有把時(shí)間和頻率結(jié)合起來(lái)處理才能取得更好的結(jié)果。常用的時(shí)頻分析方法有短時(shí)Fourier變換、Wigner-Ville分布和小波變換，近年來(lái)也陸續(xù)出現(xiàn)各種自適應(yīng)時(shí)頻分析方法。

（1）短時(shí)Fourier變換。為了研究信號(hào)x（t）在時(shí)間t內(nèi)的特征，可加強(qiáng)該時(shí)間的信號(hào)，壓縮其他時(shí)間的信號(hào)。這個(gè)可以通過(guò)信號(hào)乘以窗函數(shù)來(lái)實(shí)現(xiàn)。由于加窗后的信號(hào)加強(qiáng)了圍繞時(shí)間t的信號(hào)，因此，F(xiàn)ourier變換反映的是圍繞t的頻率分布。

（2）Wigner-Ville分布。Wigner-Ville分布是一種時(shí)/頻混合的信號(hào)表示方法，能同時(shí)進(jìn)行時(shí)域和頻域分析，并把兩者結(jié)合起來(lái)，其各階矩具有明確的物理意義。通過(guò)Wigner-Ville分布分析，不但可求出信號(hào)在時(shí)間、頻率兩域上的分布圖，還可以求出信號(hào)的頻率變化情況。

（3）小波變換。小波變換通過(guò)基波的伸縮和平移，解決信號(hào)處理時(shí)頻率分辨率和時(shí)間分辨率的矛盾，克服Fourier和Gabor變換的局限性；采用小波基處理方法，在時(shí)域和頻域都有良好的局部化性質(zhì)。

（4）Hilbert-Huang變換。1998年，黃鄂博士等提出的希爾伯特-黃變換（Hilbert-Huang Transform， HHT）是一種新的針對(duì)非平穩(wěn)信號(hào)的時(shí)頻分析方法，通過(guò)EMD（Empirical Mode Decomposition， EMD）方法得到一系列內(nèi)蘊(yùn)模態(tài)函數(shù)（Intrinsic Mode Function， IMF）。

（5）局部均值分解（LMD）。Jonathan S. Smith在前人的研究基礎(chǔ)上提出了一種新的自適應(yīng)非平穩(wěn)信號(hào)的處理方法——局部均值分解。LMD自適應(yīng)地將任何一個(gè)復(fù)雜的非平穩(wěn)信號(hào)分解成若干個(gè)瞬時(shí)頻率具有物理意義的PF分量之和，其中每一個(gè)PF分量由一個(gè)包絡(luò)信號(hào)和一個(gè)純調(diào)頻信號(hào)相乘而得到。

4.3特征分類

特征分類是基于腦電信號(hào)根據(jù)不同的運(yùn)動(dòng)或意識(shí)能使腦電活動(dòng)產(chǎn)生不同響應(yīng)的特性，確定運(yùn)動(dòng)或意識(shí)的類型與特征信號(hào)之間的關(guān)系。常用的特征分類方法有線性判別分析、貝葉斯-卡爾曼濾波、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法等。

（1）線性判別分析。在線性判別分析中，從概率統(tǒng)計(jì)角度對(duì)EEG特征進(jìn)行分類，先為每一類建立概率密度方程式模型，輸入新的數(shù)據(jù)，計(jì)算每一類產(chǎn)生的概率，概率值最大的電所對(duì)應(yīng)的類就是輸入權(quán)的類別。

（2）貝葉斯-卡爾曼濾波。這是一種經(jīng)驗(yàn)估值方法，把腦電信號(hào)轉(zhuǎn)化成響應(yīng)的感知狀態(tài)的概率，因此允許不同狀態(tài)之間以及一系列訓(xùn)練產(chǎn)生的腦電之間的銜接存在非平穩(wěn)性。

（3）人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在BCI系統(tǒng)中應(yīng)用最為廣泛，其應(yīng)用簡(jiǎn)單，參數(shù)選擇簡(jiǎn)單，分類結(jié)果準(zhǔn)確率較高，但也存在一些缺點(diǎn)，由于其優(yōu)化目標(biāo)是基于經(jīng)驗(yàn)的風(fēng)險(xiǎn)最小化，因而不能保證網(wǎng)絡(luò)的泛化能力。

（4）支持向量機(jī)。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，保證學(xué)習(xí)機(jī)器具有良好的泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等問題，其缺點(diǎn)是速度慢，不適合大型數(shù)據(jù)分析。

（5）遺傳算法。運(yùn)用遺傳算法，要從檢測(cè)到的腦電信號(hào)中提取出大量特征信號(hào)，而后通過(guò)遺傳算法去除偽特征信號(hào)，保留有用的特征信號(hào)作為驅(qū)動(dòng)信號(hào)。缺點(diǎn)是速度較慢，需要較長(zhǎng)的訓(xùn)練時(shí)間，其并行機(jī)制的潛在能力沒有得到充分的利用。

五、結(jié)束語(yǔ)

經(jīng)過(guò)30年的發(fā)展，BCI系統(tǒng)在理論與技術(shù)上已經(jīng)日趨成熟，尤其近十年來(lái)，隨著神經(jīng)科學(xué)、認(rèn)知科學(xué)和計(jì)算機(jī)科學(xué)的飛速發(fā)展，BCI理論技術(shù)取得了長(zhǎng)足的發(fā)展與進(jìn)步，應(yīng)用領(lǐng)域也逐漸擴(kuò)大，在各領(lǐng)域的巨大成就展示了其無(wú)限的應(yīng)用潛力。本文從腦信號(hào)采集、信號(hào)預(yù)處理、特征提取和分類等模塊系統(tǒng)地介紹了BCI，并對(duì)各部分涉及到的常用關(guān)鍵技術(shù)做了簡(jiǎn)單介紹。然而，BCI技術(shù)目前仍處于發(fā)展階段，相信在神經(jīng)學(xué)科、電子學(xué)科、心理學(xué)科、計(jì)算機(jī)學(xué)科等各個(gè)學(xué)科的研究者們的努力下，BCI技術(shù)將日漸成熟，在不久的將來(lái)造福于人類。