腦機接口基礎

1、1.腦-機接口BCI簡介 腦機接口(Brain Computer Interface，BCI)或腦—計算機接口是一種新穎的人機接口方式。目前比較公認的“腦-機接口”的定義是：不依賴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(計算機或其它裝置)通訊系統(tǒng)?，F(xiàn)在大多數(shù)的腦機接口的作法：把電極安放在頭皮上或是帶個電極帽。通過這些電極獲得大腦的電信號(微伏級)，然后把它們送入放大器，在放大器中信號被放大幾千到幾萬倍，然

2、后將模擬信號轉(zhuǎn)換為數(shù)字信號，并送入計算機，計算機對接收到的數(shù)字信號進行處理識別并以識別出來的結(jié)果為基礎，進行諸如交流和控制等工作。,腦-機接口系統(tǒng)簡介,近些年來，腦－機接口BCI(brain-computer interaction）技術的研究在國際上引起了廣泛的興趣并獲得了快速的發(fā)展。人類大腦能夠產(chǎn)生多種信號,包括電的、磁的、化學的以及大腦活動的機械反應等各種形式。這些信號可以通過相應的傳感器進行檢測，從而使得BCI的實施成為可能。由

3、于對磁和化學等信號的檢測技術需要更高的要求,目前BCI信號的獲取主要基于技術相對簡單、費用較為低廉腦電檢測技術，利用腦電EEG(electroencephalogram)來實現(xiàn)無動作的人機交互，BCI技術的研究在肌肉癱瘓但具有良好認知的殘疾人（例如：ALS、脊髓損傷、中風）康復、軍事、人工智能、娛樂等方面都存在潛在的應用價值；它不僅為人與計算機等設備間提供了一種新型的交互方式，而且為對人類自身的認識與研究提供了一種手段，極大地推動著人們

4、對于人腦思維能力的認識和利用,其研究成果具有重大的理論意義、學術價值和廣闊的應用前景。,2. 腦機接口系統(tǒng)基本組成 圖1.1為腦機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、信號采集與預處理、特征提取、特征分類、外圍設備、反饋系統(tǒng)等。BCI系統(tǒng)讀取腦活動的電信號并將其轉(zhuǎn)換成為數(shù)字形式，供計算機識別、處理、甚至控制執(zhí)行單元活動，比如操縱電腦光標，開關電視乃至控制機械假肢。,2.1電極

5、 人的大腦發(fā)出的微弱電信號必須通過電極來獲取，電極是實際上是一個換能裝置，它將在體內(nèi)靠離子傳導的電流轉(zhuǎn)換成在電極和導線內(nèi)靠電子傳導的電流，即離子電流轉(zhuǎn)換成電子電流。這些信號是含有大量的眼電、肌電的偽跡。電極一般使用電極帽固定，例如在我們實驗室使用的是BIOSEMI公司的一套設備。2.2腦電信號的導聯(lián) 對于引出電極與前置放大器的接法，稱之為腦電信號的導聯(lián)。根據(jù)對活動電極與無關電極處置方法的不同，可分為單極導聯(lián)和雙極導

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

7、除無關電極引起的誤差，缺點是兩個活動電極在3cm以內(nèi)時，來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，使用多導記錄多個波形，對病情作出綜合判斷。 2.3腦信號放大電路 腦電信號是一種微弱的低頻電信號，在幅值上是微伏級幅值大概是10μV-200μV。在進行有效的處理、顯示或記錄之前，首先必須把信號放大。下圖為放大電路圖：,為什么使用三級放大電路呢？首先在

8、ADC之前必須把幅值增大到可以滿足ADC采集芯片的要求。另外放大電路采用三級放大形式的優(yōu)點是：信號逐級放大，不集中在某一級。 但一般前級放大倍數(shù)不宜太大，因為信號和噪聲同時經(jīng)過這一級，如果放大倍數(shù)過大，則噪聲也被同樣放大，如果噪聲幅度過大，后級難以有效去除噪聲。中間級是主要放大級，進入這一級的信號已經(jīng)經(jīng)過處理，噪聲已得到有效濾除，一般該級的放大倍數(shù)較大，末級是對前面放大的補充。 其放大倍數(shù)可根據(jù)后級電路作適當調(diào)整。 腦電信號的幅值范圍

9、為10μV-200μ V，由于信號太微弱比標準心電信號微弱的多，共模干擾對腦電信號的檢測將會造成更嚴重的影響，因此腦電放大電路需要具有更高的共模抑制比，一般應在120dB以上。且要求在前置級放大電路應具有更高的輸入阻抗，其值至少應大于10MΩ。,2.4 濾波電路,由電極獲取的信號經(jīng)過前置放器的放大，信號的幅度將變大，但這些信號中仍含有腦電信號范圍外的噪聲和干擾，我們必須從這些信號中提取我們需要的有用信號，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，用高通濾波器濾除0.1Hz以下的信號。,光電隔離器是把發(fā)光器件與光敏接受器件集成在一起 , 或用一根光導纖維把兩部分連接起來的器件。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)光器件上的電信號為耦合器的輸入信號 , 接受器件輸出的信號為隔離器的輸出信號。當有輸入信號加在光電隔離器的輸入端時 , 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)生相應的電信號 , 于是

11、實現(xiàn)了光電的傳輸和轉(zhuǎn)換。其主要特點是以光為媒介實現(xiàn)電信號的傳輸 , 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 信號的處理,3. EEG信號的特征提取 傳統(tǒng)的腦電信號處特征提取方法是對信號進行多次檢測并進行均值濾波,再用統(tǒng)計學的方法尋找腦電信號的變化規(guī)律。這種方法信息傳輸率低,也不能滿足實時（real-time）控制的需求。目前對腦電信號的處理一般采用對單次訓練信號進行研究。其中特征提取和識別分

12、類是BCI信息處理最為關鍵的環(huán)節(jié)。特征提取就是以特征信號作為源信號,確定各種參數(shù)并以此為向量組成表征信號特征的特征向量。特征參數(shù)包括時域信(如幅值)和頻域信號(如頻率)兩大類,相應的特征提取方法包括： 3.1 時域法 時域分析主要用來直接提取波形特征，如過零點分析、直方圖分析、方差分析、峰值檢測、波形識別等。這方面的應用有事件相關電位(ERP)法,采用ERP的幅值特性作為特征信號的特征提取方法。值得一提的是現(xiàn)在該領

13、域普遍關注的P300電位，這種響應在刺激后發(fā)生大約300ms的時間出現(xiàn)，因此，其本身就是以時間參數(shù)命名的一種特征信號。根據(jù)事件發(fā)生與相關電位產(chǎn)生之間的時間差結(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。然后用兩個時間域的濾波器(0一3Hz，8一30Hz)進行濾波，分別得到ER

14、P信號(a波:8一12Hz和p波:18一24Hz)。3.3 時頻分析法 腦信號是一種時變的非平穩(wěn)信號，不同時刻有不同的頻率成分，而單純的時頻分析法由傅氏變換聯(lián)系起來，使時域頻域截然分開，由于時域頻域分辨率不確定的原理，很難做到時頻的分辨率都很高。而且在EEG中很多病變都是一瞬態(tài)形式存在的，只有把時間頻率結(jié)合起來處理才能取得較好的效果?？梢哉f時頻表示法為腦信號的處理提供了非常好的前景。用的較為廣泛的時-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出腦電信號中短時、低能量的瞬態(tài)脈沖，其最大的優(yōu)點是采用可變的時頻窗口分析信號的不同頻率成份。,3.4 腦電信號的多維(即空間域)統(tǒng)計分析方法 這是一類與腦電時頻分析方法有著本質(zhì)差別的信號分析方法，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)和獨立分量分析(Independent Component Analysis，ICA)等。多維統(tǒng)計分析方法的特點是能同時處理多導腦電信號，因此有利于揭示和增強腦電信號中隱含的特征。在腦電消噪和特征提取等方面具有獨特的效果?，F(xiàn)在以獨立成分分析ICA為主，ICA的應用主要還是對腦電進行預處理，用于消除原始腦電信號中的干擾成分，進而改善腦一機通信的正確識別率對于分離后的信號分別采用小波分析(Wavelet Analysis)，小波

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

18、中的應用進行討論：,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信號中提取統(tǒng)計獨立的成分。ICA的出發(fā)點非常簡單,它假設成分是統(tǒng)計獨立的而且還必須假設獨立成分是非高斯分布的。為了給ICA下一個嚴格的定義，這里需要使用一個隱藏的統(tǒng)計變量模型 X=As

19、 這個統(tǒng)計模型稱為獨立成分分析,或者ICA模型,它表示被觀察到的數(shù)據(jù)是如何由獨立成分混合而產(chǎn)生的.獨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為未知的 。在混合矩陣A和源信號未知的情況下,僅利用觀測信號x和源是統(tǒng)計獨立這一假設,盡可能真實地分離出源信號s,這就是所謂的盲源分離問題(Blind Source Separation,簡稱BSS)。,,ICA算法種類（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：當一個網(wǎng)絡的輸入端和輸出端的互信息達到最大時，等價于輸出端各分量之間的冗余信息得到去除。,ICA獨立性度量方法有：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(Fixed-Point)算法，又稱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)參與運算。但是從分布式并行處理的觀點來看，該算法仍可稱之為是一種神經(jīng)網(wǎng)絡算法。固定點算法以負熵最大作為一個搜尋方向，可以實現(xiàn)順利地提取腦電信號的特征。,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展。 小波變換將信號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，時間分辨率較低但頻率分辨率較高；在高頻時，時間分辨率較高但頻率分辨率較低。腦電信號是非平穩(wěn)信號，由于小波變換的多分辨率特點，很適合提取。小波分析中的正交函數(shù)系是在選擇適當?shù)幕拘〔?母小波)后，通過二進制的伸縮和平移來產(chǎn)生“小波”的。小波分析相當于一個數(shù)學顯微鏡，具有放大、縮小和平移的功能，其作用類似于一組帶寬相等、中心頻率可變的帶通濾波器。小波變換在實際中分為CWT和DWT。,4 BCI信號的分類識別

23、 在提取出BCI輸入信號的特征后，接下來就是要對特征信號進行分類。由于根據(jù)不同的運動或意識，腦電信號能夠產(chǎn)生不同的響應特性，因此分類是確定運動或意識的類型與特征信號之間的關系。信號分類結(jié)果的好壞取決于兩個方面的因素:一是用于分類的信號的特征是否明顯；二是分類方法是否有效。腦-機接口中常使用的分類方法主要有人工神經(jīng)網(wǎng)絡、線性分類(Linear DiscriminantAnalysis LDA)、支持向量機 (Support

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

25、，但離實際應用的需要還有距離，BCI的特征信號提取和分類技術還不夠完善。以上這些問題的改善和解決可能需要經(jīng)歷一段較長的研究探索時間。 雖然腦一機接口的發(fā)展還很不完善，存在的問題也很多，但對于BCI技術能否最終走出實驗室，答案可以說是肯定的。隨著當代微電子技術和信息技術的發(fā)展，各技術、新方法的不斷出現(xiàn)都在推動著BCI朝實用化方向全面發(fā)展，相信有人類完全有能力將BCI的研究成果轉(zhuǎn)化為有價值的應用產(chǎn)品。總之，BCI技要在眾多領域的