基于腦電圖的三分類前臂運動方向解析

逯 鵬， 張利朋， 胡玉霞， 陳書立， 李新建(鄭州大學 電氣工程學院， 河南 鄭州 450001)

0 引言

同一肢體不同運動方向的解析能夠為BCI(腦機接口)系統(tǒng)提供更多的控制指令.相較于多肢體控制[1]，單肢體控制在一些領(lǐng)域有著天然的優(yōu)勢(如鼠標，假肢的控制).目前，利用腦電圖(EEG)解析簡單肢體運動(如左、右手運動)[2-3]的工作已能在訓練條件下達到針對一般被試較高的兩分類識別率.在此基礎(chǔ)上,神經(jīng)生理學研究表明，運動方向、速度等復雜腦神經(jīng)活動與EEG之間存在關(guān)聯(lián)關(guān)系[4-5].然而,進一步通過EEG解析運動方向等信息主要有三方面困難：一是簡單意識判別中常用的提示信號會對復雜意識判別產(chǎn)生嚴重干擾；二是復雜意識活動中的腦區(qū)定位范圍更精細和復雜；三是復雜腦神經(jīng)活動的EEG頻段范圍較窄且有差異[6].

指導上述問題的解決途徑包括：2004年，Meckes等[7]研究定位前臂運動方向相關(guān)聯(lián)腦區(qū)時，發(fā)現(xiàn)與運動方向關(guān)聯(lián)腦區(qū)并不在運動區(qū)，需進一步通過實驗確定.2009年，Wang等[8]采用延遲執(zhí)行動作任務(wù)的實驗范式設(shè)計技術(shù)，減少提示信息干擾，進一步利用獨立分量分析PPC(后頂葉皮層區(qū))的EEG數(shù)據(jù)得到80.25%的兩分類正確率.2014年，Keum等[9]結(jié)合EEG與fNIRS(近紅外光學腦功能成像)兩種方法對手臂運動方向(向左、向右、向前、向后與停止)采用單次兩分類識別，得到了平均高于80%的正確率.

前期的研究者主要針對單次兩分類任務(wù)進行研究，筆者針對單次三分類運動方向進行識別，增加運動方向的識別類別.圍繞上述目標，首先，設(shè)計被試者自主運動的實驗范式；然后，采用全通道(64導)數(shù)據(jù)，分析運動準備和運動執(zhí)行兩個過程的腦區(qū)電勢變化，確定運動方向關(guān)聯(lián)腦區(qū)；最后，通過WPD與CSP融合的方法進行特征提取和分類，實現(xiàn)三分類運動方向解析.筆者設(shè)計了可有效避免提示信息干擾的實驗，并增加了任務(wù)識別類別，為基于EEG的手臂運動方向研究提供了參考.

1 實驗部分

提示信息會顯著增加EEG的成分復雜性[10],為了避免干擾，設(shè)計無提示信息的實驗范式，實時記錄被試者運動狀態(tài).

精心選擇被試者5名(兩女三男，右利手)，身體健康，被試者在完全自愿的情況下參與實驗被試者與腦電采集系統(tǒng)均在屏蔽室中，室內(nèi)燈光適中.被試者坐在一個舒適的高靠背椅子上，全身肌肉處于放松狀態(tài).

實驗開始后，被試者開始自主執(zhí)行規(guī)定動作,手腕放置位置如圖1.在每個Trial的開始被試者的右臂自然放在原點，被試者自主進行右臂運動，運動結(jié)束時按下相對應(yīng)的按鍵；每個Trial結(jié)束后，被試者休息約2 s后(避免返回時運動規(guī)劃信息干擾)右臂重新回到原點.然后，自主進行下一個Trial的實驗；被試者聽到“實驗結(jié)束”的提示音后實驗結(jié)束，實驗流程如圖2所示.

圖1 手腕位置示意圖Fig.1 Wrist position sketch map

圖2 實驗流程圖Fig.2 Experimental flow chart

每組實驗4 min，每名被試者一次做5組實驗，各組實驗之間有4 min休息時間.腦電信號采集采用美國Neuroscan公司的64導EEG采集系統(tǒng),EEG的采樣頻率為1 000 Hz，10～20國際標準電極位置，實驗過程中電極阻抗值小于5 kΩ.

使用手臂運動感應(yīng)裝置和肌電記錄手臂的運動情況，給EEG數(shù)據(jù)添加標簽點.

2 方向數(shù)據(jù)疊加處理

利用EEG識別前臂運動方向要解決與運動方向信息相關(guān)聯(lián)腦區(qū)的定位問題.由于腦電信號中包含了大量的噪聲干擾和偽跡信號，因此要進行數(shù)據(jù)預處理.實驗表明,運動方向相關(guān)的腦區(qū)并不在運動區(qū)[7]，確定關(guān)聯(lián)腦區(qū)是獲取正確EEG的前提.首先，采用平均疊加技術(shù)獲得運動規(guī)劃與執(zhí)行過程EEG中的ERP(事件相關(guān)電位)成分，并通過分析各個通道ERP在不同運動方向時的變化分析相關(guān)腦區(qū)，最后通過繪制腦地形圖確定與運動方向最相關(guān)的關(guān)聯(lián)腦區(qū).

首先，將被試者的數(shù)據(jù)分為左、右和靜止三類，圖3為每個Trial的數(shù)據(jù)構(gòu)成，將運動執(zhí)行時刻作為數(shù)據(jù)起始點，取[-1 999,200] ms的數(shù)據(jù)進行離線分析，靜止類的數(shù)據(jù)用休息時的2 200 ms數(shù)據(jù)；然后，對每名被試者的數(shù)據(jù)的每個通道分別進行1～45 Hz的帶通濾波；最后，將每類信號的對應(yīng)通道進行多次疊加并畫出整個頭部腦地形圖(圖4)和相應(yīng)通道ERP(圖5).

圖3 由休息、運動規(guī)劃和執(zhí)行三個階段構(gòu)成的離線數(shù)據(jù)Fig.3 The offline data consisted of three stages: rest, movement planning and execution

圖4 不同方向任務(wù)時腦地形圖Fig.4 The Brain topographic maps of different directions

圖5 關(guān)聯(lián)通道的ERPFig.5 The ERP of associated channel

圖4表明，在前臂做左右不同方向的運動時，在大腦頂枕部出現(xiàn)同側(cè)電勢受到抑制對側(cè)電勢受到激發(fā)的現(xiàn)象；在前臂保持靜止時大腦頂枕部沒有出現(xiàn)單側(cè)電勢增加的現(xiàn)象.關(guān)聯(lián)通道波形如圖5所示，在被試者前臂向右運動開始前的300 ms左右(被試在500 ms時刻運動)在頂枕區(qū)左側(cè)通道(P1、P3、P5、CP3、CP5、TP7)的ERP出現(xiàn)峰值.分析結(jié)果表明，被試者在沒有刺激程序的實驗條件下，自主運動的思維規(guī)劃階段發(fā)生在運動執(zhí)行之前約400 ms，運動方向相關(guān)腦區(qū)在PPC區(qū)及其附近.

3 運動方向信息解析方法

被試前臂不同方向的運動過程中，腦區(qū)相應(yīng)的神經(jīng)元被激活引起顱外電勢在空間和時間上改變[11]，因此如何獲取EEG的空間和頻域特征是手臂運動方向解析的關(guān)鍵.

3.1 基于小波包和共空間模式的特征提取

首先采用WPD(小波包)分解EEG重構(gòu)低頻部分，然后采用CSP共空間模式提取多通道EEG的空域特征.采用WPD與CSP相結(jié)合的方法提取特征，不僅能有效利用WPD的時頻特征，而且能彌補CSP缺乏頻域信息的缺陷.特征提取過程如圖6所示.

圖6 基于WPD與CSP的算法流程圖Fig.6 Algorithm flow chart based on WPD and CSP

3.2 方向特征提取過程

從預處理后的數(shù)據(jù)中，截取每個Trial的運動執(zhí)行階段之前600 ms和之后300 ms數(shù)據(jù)進行模型訓練和分類.

從預處理后的數(shù)據(jù)中選取與運動方向相關(guān)的導聯(lián)(CP1、CP2、CP3、CP4、CP5、CP6、P1、P2、P3、P4、P5、P6)，采用WPD以‘db4’小波對每個導聯(lián)的信號進行8層分解.

輸入信號采樣頻率為1 000 Hz，得到S(8,0)～S(8,255)共256個窄帶信號.其中S(8,0)，S(8,1)，S(8,2)，S(8,3)，S(8,7)對應(yīng)的子帶頻率為[0, 9.8]Hz.前臂運動方向信號集中在1～10 Hz[12]，選取S(8,0)，S(8,1)，S(8,2)，S(8,3)，S(8,7)共5個子帶進行信號重構(gòu).

得到具有頻域特征的矩陣EH×L，其中H是通道數(shù)，L是采樣點數(shù),歸一化后的腦電數(shù)據(jù)的協(xié)方差矩陣為：

(1)

用C1和C2分別表示右手向左和右手向右兩種狀態(tài)下的空間協(xié)方差矩陣，得到協(xié)方差矩陣Ct：

Ct=C1+C2.

(2)

將Ct表示成Ct=UtλtUtT，Ut為矩陣Ct的特征向量，λt是對應(yīng)特征值.通過該變化，特征值按照降序進行了排列，與其對應(yīng)的特征向量也重新進行了排列.然后用主成分分析法進行白化：

(3)

則C1、C2可變?yōu)椋?/p>

S1=PC1PT，S2=PC2PT.

(4)

S1與S2有相同特征向量，即若S1=Bλ1BT，則S2=Bλ2BT，且λ1+λ2=I.S1、S2有相同特征向量B，I是單位矩陣.由于兩類矩陣特征值之和為I，則S1最大特征值所對應(yīng)的特征向量使S2有最小特征值.

將白化后的腦電數(shù)據(jù)投影在特征向量B的前m和后m列特征向量上，能夠得到最佳的分類特征.投影矩陣為：

W=BTP.

(5)

截取的腦電數(shù)據(jù)E最終可變?yōu)椋?/p>

Z=WE.

(6)

取將投影后的信號Z2 m×n做如下變化:

(7)

將變化后的f作為運動方向特征值，利用SVM(支持向量機)進行分類識別[13-14].

3.3 運動方向特征識別

CSP屬于兩分類算法，不能直接應(yīng)用解決三分類運動方向信息解析.針對該問題，筆者采用兩次二分類的方法解決運動方向單次三分類問題.即先對靜止和運動狀態(tài)進行識別，再對運動方向進行識別，最后采用SVM(支持向量機)通過構(gòu)造超平面對高維特征進行分類.

4 結(jié)果分析

分別對5名被試者(S1～S5，20～25周歲，右利手)進行了6組實驗，得到400個樣本數(shù)據(jù).其中,每名被試的80%數(shù)據(jù)做訓練，20%數(shù)據(jù)做測試，結(jié)果如表1所示.

表1 5名被試分類識別正確率Tab.1 The correct rate of 5 subjects %

表1顯示，5名被試者平均三分類識別率大于85%,最低識別率為81.6%，最高識別率為91.6%，結(jié)果優(yōu)于文獻[8]的80.25%二分類識別率；優(yōu)于文獻[9]的二分類平均80%以上識別率；優(yōu)于文獻[15]利用小波包系數(shù)用作特征平均65%的三分類識別率.

5 結(jié)束語

對基于EEG的前臂運動方向解析方法進行了研究.設(shè)計被試者自主運動的實驗范式，利用WPD與CSP結(jié)合的方法提取出信號特征，通過SVM對右手前臂進行三分類(左、右和靜止)識別.結(jié)果表明上述方法，在增加了運動方向分類數(shù)的前提下，達到了兩分類的識別率.該工作增加了現(xiàn)有BCI系統(tǒng)的控制指令編碼，為探索非侵入式解析精細運動規(guī)劃信息提供可能性.