腦機(jī)接口基礎(chǔ)

1、1.腦-機(jī)接口BCI簡(jiǎn)介 腦機(jī)接口(Brain Computer Interface，BCI)或腦—計(jì)算機(jī)接口是一種新穎的人機(jī)接口方式。目前比較公認(rèn)的“腦-機(jī)接口”的定義是：不依賴(lài)于腦的正常輸出通路(外周神經(jīng)系統(tǒng)及肌肉組織)的腦-機(jī)(計(jì)算機(jī)或其它裝置)通訊系統(tǒng)?，F(xiàn)在大多數(shù)的腦機(jī)接口的作法：把電極安放在頭皮上或是帶個(gè)電極帽。通過(guò)這些電極獲得大腦的電信號(hào)(微伏級(jí))，然后把它們送入放大器，在放大器中信號(hào)被放大幾千到幾萬(wàn)倍，然

2、后將模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)，并送入計(jì)算機(jī)，計(jì)算機(jī)對(duì)接收到的數(shù)字信號(hào)進(jìn)行處理識(shí)別并以識(shí)別出來(lái)的結(jié)果為基礎(chǔ)，進(jìn)行諸如交流和控制等工作。,腦-機(jī)接口系統(tǒng)簡(jiǎn)介,近些年來(lái)，腦－機(jī)接口BCI(brain-computer interaction）技術(shù)的研究在國(guó)際上引起了廣泛的興趣并獲得了快速的發(fā)展。人類(lèi)大腦能夠產(chǎn)生多種信號(hào),包括電的、磁的、化學(xué)的以及大腦活動(dòng)的機(jī)械反應(yīng)等各種形式。這些信號(hào)可以通過(guò)相應(yīng)的傳感器進(jìn)行檢測(cè)，從而使得BCI的實(shí)施成為可能。由

3、于對(duì)磁和化學(xué)等信號(hào)的檢測(cè)技術(shù)需要更高的要求,目前BCI信號(hào)的獲取主要基于技術(shù)相對(duì)簡(jiǎn)單、費(fèi)用較為低廉腦電檢測(cè)技術(shù)，利用腦電EEG(electroencephalogram)來(lái)實(shí)現(xiàn)無(wú)動(dòng)作的人機(jī)交互，BCI技術(shù)的研究在肌肉癱瘓但具有良好認(rèn)知的殘疾人（例如：ALS、脊髓損傷、中風(fēng)）康復(fù)、軍事、人工智能、娛樂(lè)等方面都存在潛在的應(yīng)用價(jià)值；它不僅為人與計(jì)算機(jī)等設(shè)備間提供了一種新型的交互方式，而且為對(duì)人類(lèi)自身的認(rèn)識(shí)與研究提供了一種手段，極大地推動(dòng)著人們

4、對(duì)于人腦思維能力的認(rèn)識(shí)和利用,其研究成果具有重大的理論意義、學(xué)術(shù)價(jià)值和廣闊的應(yīng)用前景。,2. 腦機(jī)接口系統(tǒng)基本組成 圖1.1為腦機(jī)接口的基本組成框圖。除了人本身外，BCI系統(tǒng)主要由放大電路、信號(hào)采集與預(yù)處理、特征提取、特征分類(lèi)、外圍設(shè)備、反饋系統(tǒng)等。BCI系統(tǒng)讀取腦活動(dòng)的電信號(hào)并將其轉(zhuǎn)換成為數(shù)字形式，供計(jì)算機(jī)識(shí)別、處理、甚至控制執(zhí)行單元活動(dòng)，比如操縱電腦光標(biāo)，開(kāi)關(guān)電視乃至控制機(jī)械假肢。,2.1電極

5、 人的大腦發(fā)出的微弱電信號(hào)必須通過(guò)電極來(lái)獲取，電極是實(shí)際上是一個(gè)換能裝置，它將在體內(nèi)靠離子傳導(dǎo)的電流轉(zhuǎn)換成在電極和導(dǎo)線內(nèi)靠電子傳導(dǎo)的電流，即離子電流轉(zhuǎn)換成電子電流。這些信號(hào)是含有大量的眼電、肌電的偽跡。電極一般使用電極帽固定，例如在我們實(shí)驗(yàn)室使用的是BIOSEMI公司的一套設(shè)備。2.2腦電信號(hào)的導(dǎo)聯(lián) 對(duì)于引出電極與前置放大器的接法，稱(chēng)之為腦電信號(hào)的導(dǎo)聯(lián)。根據(jù)對(duì)活動(dòng)電極與無(wú)關(guān)電極處置方法的不同，可分為單極導(dǎo)聯(lián)和雙極導(dǎo)

6、聯(lián)。所謂單極導(dǎo)聯(lián)就是將活動(dòng)電極接至前置放大器的一個(gè)輸入端，無(wú)關(guān)電極接到前置放大器的另一個(gè)輸入端。無(wú)關(guān)電極一般選兩側(cè)耳垂，活動(dòng)電極選擇在頭皮的一個(gè)電極。這種接法的優(yōu)點(diǎn)是：能記錄活動(dòng)電極下腦電位變化的絕對(duì)值，其波幅較高且穩(wěn)定，缺點(diǎn)是：無(wú)關(guān)電極不能保持零電位，,易混進(jìn)其它生物干擾。雙極導(dǎo)聯(lián)則不使用無(wú)關(guān)電極，只使用頭皮上的兩個(gè)活動(dòng)電極。這樣做的優(yōu)點(diǎn)是：所記錄波形為兩個(gè)電極腦電變化的差值，由于前置放大器對(duì)共模信號(hào)的抑制作用，可以大大減少干擾，可排

7、除無(wú)關(guān)電極引起的誤差，缺點(diǎn)是兩個(gè)活動(dòng)電極在3cm以?xún)?nèi)時(shí)，來(lái)自較大范圍的腦電電位差被互相抵消，而且值較低，波形也不恒定。在實(shí)際中，需要根據(jù)不同的情況和要求連接成不同的方式，使用多導(dǎo)記錄多個(gè)波形，對(duì)病情作出綜合判斷。 2.3腦信號(hào)放大電路 腦電信號(hào)是一種微弱的低頻電信號(hào)，在幅值上是微伏級(jí)幅值大概是10μV-200μV。在進(jìn)行有效的處理、顯示或記錄之前，首先必須把信號(hào)放大。下圖為放大電路圖：,為什么使用三級(jí)放大電路呢？首先在

8、ADC之前必須把幅值增大到可以滿(mǎn)足ADC采集芯片的要求。另外放大電路采用三級(jí)放大形式的優(yōu)點(diǎn)是：信號(hào)逐級(jí)放大，不集中在某一級(jí)。 但一般前級(jí)放大倍數(shù)不宜太大，因?yàn)樾盘?hào)和噪聲同時(shí)經(jīng)過(guò)這一級(jí)，如果放大倍數(shù)過(guò)大，則噪聲也被同樣放大，如果噪聲幅度過(guò)大，后級(jí)難以有效去除噪聲。中間級(jí)是主要放大級(jí)，進(jìn)入這一級(jí)的信號(hào)已經(jīng)經(jīng)過(guò)處理，噪聲已得到有效濾除，一般該級(jí)的放大倍數(shù)較大，末級(jí)是對(duì)前面放大的補(bǔ)充。 其放大倍數(shù)可根據(jù)后級(jí)電路作適當(dāng)調(diào)整。 腦電信號(hào)的幅值范圍

9、為10μV-200μ V，由于信號(hào)太微弱比標(biāo)準(zhǔn)心電信號(hào)微弱的多，共模干擾對(duì)腦電信號(hào)的檢測(cè)將會(huì)造成更嚴(yán)重的影響，因此腦電放大電路需要具有更高的共模抑制比，一般應(yīng)在120dB以上。且要求在前置級(jí)放大電路應(yīng)具有更高的輸入阻抗，其值至少應(yīng)大于10MΩ。,2.4 濾波電路,由電極獲取的信號(hào)經(jīng)過(guò)前置放器的放大，信號(hào)的幅度將變大，但這些信號(hào)中仍含有腦電信號(hào)范圍外的噪聲和干擾，我們必須從這些信號(hào)中提取我們需要的有用信號(hào)，去除噪聲和干擾。我們一般使用低通

10、濾波器濾除l00Hz以上的信號(hào)，用高通濾波器濾除0.1Hz以下的信號(hào)。,光電隔離器是把發(fā)光器件與光敏接受器件集成在一起 , 或用一根光導(dǎo)纖維把兩部分連接起來(lái)的器件。通常發(fā)光器件為發(fā)光二極管 (LED) , 光接受器件為光敏晶體管等。加在發(fā)光器件上的電信號(hào)為耦合器的輸入信號(hào) , 接受器件輸出的信號(hào)為隔離器的輸出信號(hào)。當(dāng)有輸入信號(hào)加在光電隔離器的輸入端時(shí) , 發(fā)光器件發(fā)光 , 光敏管受光照射產(chǎn)生光電流 , 使輸出端產(chǎn)生相應(yīng)的電信號(hào) , 于是

11、實(shí)現(xiàn)了光電的傳輸和轉(zhuǎn)換。其主要特點(diǎn)是以光為媒介實(shí)現(xiàn)電信號(hào)的傳輸 , 而且器件的輸入和輸出之間在電氣上完全是絕緣的。結(jié)構(gòu)如下圖：,2.5 信號(hào)的處理,3. EEG信號(hào)的特征提取 傳統(tǒng)的腦電信號(hào)處特征提取方法是對(duì)信號(hào)進(jìn)行多次檢測(cè)并進(jìn)行均值濾波,再用統(tǒng)計(jì)學(xué)的方法尋找腦電信號(hào)的變化規(guī)律。這種方法信息傳輸率低,也不能滿(mǎn)足實(shí)時(shí)（real-time）控制的需求。目前對(duì)腦電信號(hào)的處理一般采用對(duì)單次訓(xùn)練信號(hào)進(jìn)行研究。其中特征提取和識(shí)別分

12、類(lèi)是BCI信息處理最為關(guān)鍵的環(huán)節(jié)。特征提取就是以特征信號(hào)作為源信號(hào),確定各種參數(shù)并以此為向量組成表征信號(hào)特征的特征向量。特征參數(shù)包括時(shí)域信(如幅值)和頻域信號(hào)(如頻率)兩大類(lèi),相應(yīng)的特征提取方法包括： 3.1 時(shí)域法 時(shí)域分析主要用來(lái)直接提取波形特征，如過(guò)零點(diǎn)分析、直方圖分析、方差分析、峰值檢測(cè)、波形識(shí)別等。這方面的應(yīng)用有事件相關(guān)電位(ERP)法,采用ERP的幅值特性作為特征信號(hào)的特征提取方法。值得一提的是現(xiàn)在該領(lǐng)

13、域普遍關(guān)注的P300電位，這種響應(yīng)在刺激后發(fā)生大約300ms的時(shí)間出現(xiàn)，因此，其本身就是以時(shí)間參數(shù)命名的一種特征信號(hào)。根據(jù)事件發(fā)生與相關(guān)電位產(chǎn)生之間的時(shí)間差結(jié)合誘發(fā)電位的幅值就可以判斷P300的發(fā)生。,3.2 頻域法 功率譜分析是頻域分析的主要手段，它的意義在于把幅度隨時(shí)間變化的腦電波變?yōu)楣β孰S頻率變化頻譜圖。從而可以直觀的看到腦電節(jié)律的分布。然后用兩個(gè)時(shí)間域的濾波器(0一3Hz，8一30Hz)進(jìn)行濾波，分別得到ER

14、P信號(hào)(a波:8一12Hz和p波:18一24Hz)。3.3 時(shí)頻分析法 腦信號(hào)是一種時(shí)變的非平穩(wěn)信號(hào)，不同時(shí)刻有不同的頻率成分，而單純的時(shí)頻分析法由傅氏變換聯(lián)系起來(lái)，使時(shí)域頻域截然分開(kāi)，由于時(shí)域頻域分辨率不確定的原理，很難做到時(shí)頻的分辨率都很高。而且在EEG中很多病變都是一瞬態(tài)形式存在的，只有把時(shí)間頻率結(jié)合起來(lái)處理才能取得較好的效果?？梢哉f(shuō)時(shí)頻表示法為腦信號(hào)的處理提供了非常好的前景。用的較為廣泛的時(shí)-頻分析法有win

15、ger分布和小波（wavelet）變換。小波變換能有效檢測(cè)出腦電信號(hào)中短時(shí)、低能量的瞬態(tài)脈沖，其最大的優(yōu)點(diǎn)是采用可變的時(shí)頻窗口分析信號(hào)的不同頻率成份。,3.4 腦電信號(hào)的多維(即空間域)統(tǒng)計(jì)分析方法 這是一類(lèi)與腦電時(shí)頻分析方法有著本質(zhì)差別的信號(hào)分析方法，如主分量分析(primary Component Analysis，PCA)，因素分(Factor Analysis FA)，投影追隨(project Pursui

16、t，PP)和獨(dú)立分量分析(Independent Component Analysis，ICA)等。多維統(tǒng)計(jì)分析方法的特點(diǎn)是能同時(shí)處理多導(dǎo)腦電信號(hào)，因此有利于揭示和增強(qiáng)腦電信號(hào)中隱含的特征。在腦電消噪和特征提取等方面具有獨(dú)特的效果。現(xiàn)在以獨(dú)立成分分析ICA為主，ICA的應(yīng)用主要還是對(duì)腦電進(jìn)行預(yù)處理，用于消除原始腦電信號(hào)中的干擾成分，進(jìn)而改善腦一機(jī)通信的正確識(shí)別率對(duì)于分離后的信號(hào)分別采用小波分析(Wavelet Analysis)，小波

17、包分析(Wavelet Packet Analysis)，對(duì)噪聲進(jìn)行消除。 作為現(xiàn)代非平穩(wěn)信號(hào)分析工具，小波變換的多分辨率分析特性使我們能夠聚焦到信號(hào)的每一個(gè)細(xì)節(jié)，利用它的帶通特性可以方便地將觀測(cè)信號(hào)中的一些窄帶信號(hào)提取或消除；獨(dú)立分量分析(Independent Component Analysis,ICA)則從一個(gè)全新的盲源分離角度為多道腦電信號(hào)處理提供了一種有效的手段。下文將對(duì)獨(dú)立成分分析和小波變換在腦電信號(hào)預(yù)處理

18、中的應(yīng)用進(jìn)行討論：,3.4.1 首先介紹一下現(xiàn)在ICA算法： ICA基本思路是從多維觀測(cè)信號(hào)中提取統(tǒng)計(jì)獨(dú)立的成分。ICA的出發(fā)點(diǎn)非常簡(jiǎn)單,它假設(shè)成分是統(tǒng)計(jì)獨(dú)立的而且還必須假設(shè)獨(dú)立成分是非高斯分布的。為了給ICA下一個(gè)嚴(yán)格的定義，這里需要使用一個(gè)隱藏的統(tǒng)計(jì)變量模型 X=As

19、 這個(gè)統(tǒng)計(jì)模型稱(chēng)為獨(dú)立成分分析,或者ICA模型,它表示被觀察到的數(shù)據(jù)是如何由獨(dú)立成分混合而產(chǎn)生的.獨(dú)立成分是隱藏的變量，意味著它不能直接被觀察到，而且混合矩陣也被假設(shè)為未知的 。在混合矩陣A和源信號(hào)未知的情況下,僅利用觀測(cè)信號(hào)x和源是統(tǒng)計(jì)獨(dú)立這一假設(shè),盡可能真實(shí)地分離出源信號(hào)s,這就是所謂的盲源分離問(wèn)題(Blind Source Separation,簡(jiǎn)稱(chēng)BSS)。,,ICA算法種類(lèi)（1） 互

20、信息極大的Infomax算法 Infomax是指Information Maximization,即信息傳輸極大原則。這種原則源自于神經(jīng)系統(tǒng)的去冗余特性，可描述為：當(dāng)一個(gè)網(wǎng)絡(luò)的輸入端和輸出端的互信息達(dá)到最大時(shí)，等價(jià)于輸出端各分量之間的冗余信息得到去除。,ICA獨(dú)立性度量方法有：互信息極小、最大似然、極大輸出熵和非高斯性極大等。,(2) FastICA算法 固定點(diǎn)(Fixed-Point)算法，又稱(chēng)FastICA，

21、是一種快速的尋優(yōu)迭代算法。與普通的神經(jīng)網(wǎng)絡(luò)算法不同的是這種算法采用了批處理的方式，即在每一步迭代中有大量的樣本數(shù)據(jù)參與運(yùn)算。但是從分布式并行處理的觀點(diǎn)來(lái)看，該算法仍可稱(chēng)之為是一種神經(jīng)網(wǎng)絡(luò)算法。固定點(diǎn)算法以負(fù)熵最大作為一個(gè)搜尋方向，可以實(shí)現(xiàn)順利地提取腦電信號(hào)的特征。,3.4.2 小波變換(Wavelet Transform,WT) 小波分析是傅立葉分析思想上里程碑式的進(jìn)展。 小波變換將信號(hào)分解成一系列小波函數(shù)的疊加，小波窗口

22、大小隨頻率改變。在低頻時(shí)，時(shí)間分辨率較低但頻率分辨率較高；在高頻時(shí)，時(shí)間分辨率較高但頻率分辨率較低。腦電信號(hào)是非平穩(wěn)信號(hào)，由于小波變換的多分辨率特點(diǎn)，很適合提取。小波分析中的正交函數(shù)系是在選擇適當(dāng)?shù)幕拘〔?母小波)后，通過(guò)二進(jìn)制的伸縮和平移來(lái)產(chǎn)生“小波”的。小波分析相當(dāng)于一個(gè)數(shù)學(xué)顯微鏡，具有放大、縮小和平移的功能，其作用類(lèi)似于一組帶寬相等、中心頻率可變的帶通濾波器。小波變換在實(shí)際中分為CWT和DWT。,4 BCI信號(hào)的分類(lèi)識(shí)別

23、 在提取出BCI輸入信號(hào)的特征后，接下來(lái)就是要對(duì)特征信號(hào)進(jìn)行分類(lèi)。由于根據(jù)不同的運(yùn)動(dòng)或意識(shí)，腦電信號(hào)能夠產(chǎn)生不同的響應(yīng)特性，因此分類(lèi)是確定運(yùn)動(dòng)或意識(shí)的類(lèi)型與特征信號(hào)之間的關(guān)系。信號(hào)分類(lèi)結(jié)果的好壞取決于兩個(gè)方面的因素:一是用于分類(lèi)的信號(hào)的特征是否明顯；二是分類(lèi)方法是否有效。腦-機(jī)接口中常使用的分類(lèi)方法主要有人工神經(jīng)網(wǎng)絡(luò)、線性分類(lèi)(Linear DiscriminantAnalysis LDA)、支持向量機(jī) (Support

24、Vector Machine SVM)等分類(lèi)方法。,5 腦一機(jī)接口研究存在的問(wèn)題及展望 目前，腦電信號(hào)分類(lèi)還面臨很多挑戰(zhàn)，主要可歸納為以下幾類(lèi)：(1) 信息傳輸率(帶寬) 即使是有經(jīng)驗(yàn)的測(cè)試者操作最快的腦機(jī)接口系統(tǒng)，最大傳輸率也才25b/min，相當(dāng)于每分鐘3個(gè)字符，這對(duì)正常的對(duì)話與交流仍然太慢。(2) 高誤差率 目前處于實(shí)驗(yàn)室研究階段的BCI系統(tǒng)的判斷正確率雖然優(yōu)于隨意猜測(cè)的正確率

25、，但離實(shí)際應(yīng)用的需要還有距離，BCI的特征信號(hào)提取和分類(lèi)技術(shù)還不夠完善。以上這些問(wèn)題的改善和解決可能需要經(jīng)歷一段較長(zhǎng)的研究探索時(shí)間。 雖然腦一機(jī)接口的發(fā)展還很不完善，存在的問(wèn)題也很多，但對(duì)于BCI技術(shù)能否最終走出實(shí)驗(yàn)室，答案可以說(shuō)是肯定的。隨著當(dāng)代微電子技術(shù)和信息技術(shù)的發(fā)展，各技術(shù)、新方法的不斷出現(xiàn)都在推動(dòng)著B(niǎo)CI朝實(shí)用化方向全面發(fā)展，相信有人類(lèi)完全有能力將BCI的研究成果轉(zhuǎn)化為有價(jià)值的應(yīng)用產(chǎn)品?？傊珺CI技要在眾多領(lǐng)域的