脑电信号特征提取及分类
在线脑机接口中脑电信号特征提取与分类方法的思考
在线脑机接口中脑电信号特征提取与分类方法的思考一、在线脑机接口中脑电信号特点与分型神经纤维处于兴奋或抑制状态会产生电信号，即脑电信号，其具体产生机制尚不清楚。
脑电信号除有一半生物电的共性外，还有以下特点：①信号微弱，容易受到干扰，即噪声背景较大。
人体是一个复杂的系统，导致脑电信号非常容易受到外界的影响，故脑电信号的处理需要进行有效的去噪。
②脑电信号频率范围低，一般在0～30Hz，在进行信号获取、放大等预处理时，需要充分考虑到频率效应特性。
③脑电信号具有非线性、随机性强，故无法采用数学函数表示，较一般的生物电信号处理难度更大。
脑电信号的种类按照产生的方式，可分为以下类型：①P300诱发电位。
这种电位是实验者在实验过程中采用外部刺激產生的，实验者通过外部刺激形成P300，根据脑电信号P300峰值出现的时间等参数，能够分析实验对象的脑部思维活动。
研究显示，当刺激发生几率较大时，形成的P300峰值幅度较小，P300是一个外部相应信号，与实验者是否接受训练联系不大。
②其他。
视觉诱发电位、事件相关同步/去同步电位、皮层慢电位、自发脑电信号、颅内脑电信号等，各有优劣，其中事件相关同步/去同步电位在在线脑机接口中应用价值最高，如当想象左侧肢体运动情况下，大脑左侧感觉运动区域能够检出相关的同步电位，这对于肢体功能障碍镜像康复治疗、人工肢体控制有重要意义。
二、在线脑机接口中脑电信号特征提取脑电信号有其独特性型，并对其提出较高的要求，目前可供选择的主要算法包括：①时域特征提取。
它应用得较早，主要用于背景较小、平稳的睡眠脑电耗提取，主要指标包括幅值、方差极值等。
②频域特征。
脑电信号的频域特征较突出，恩熙信號通过分析脑电波、电功率指尖的关系，分析信号的频率、能力等，主要计算方法包括短时傅立叶变换、小波分解等。
③时频联合特征提取，能够获取的信号特征更为丰富，主要算法包括希尔伯特黄变换、小波分解等。
④空域特征提取，主要用于脑科学科研，在线系统中应用较少。
脑电信号处理与特征提取
感谢观看
本书还介绍了如何将提取的特征用于分类和预测任务。这涉及到机器学习和模式识别等领域的知 识。通过将提取的特征输入到分类器或回归模型中，可以对大脑活动进行分类或预测，进而应用 于认知科学、心理学和医学等领域。
《脑电信号处理与特征提取》这本书是一本全面介绍脑电信号处理和特征提取的著作，涵盖了基 本概念、采集方法、信号处理技术、特征提取方法以及应用等多个方面。通过阅读本书，读者可 以深入了解大脑电活动的原理和采集处理方法，掌握从脑电信号中提取有用信息的技术和方法， 并将其应用于认知科学、心理学、生物医学工程等领域。
脑电信号的基本概念和特性：书中详细介绍了脑电信号的产生机制、采集和 处理方法，以及其与大脑活动的关系。这让我对脑电信号有了更深入的了解，也 为我后续的学习和研究打下了坚实的基础。
脑电信号处理算法：书中详细介绍了许多经典的脑电信号处理算法，如滤波、 去噪、特征提取等。这些算法不仅在理论上有着重要的意义，而且在实践中也有 着广泛的应用。通过学习这些算法，我能够更好地理解和应用这些方法来解决实 际问题。
我想说的是，这本书对于推动脑电信号处理与特征提取领域的发展具有重要 的贡献。通过阅读这本书，我不仅对脑电信号处理与特征提取有了更深入的理解， 还学到了很多实用的技术和方法。我相信，这本书的对于推动相关领域的发展以 及启发读者的科研思路都会产生积极的影响。
《脑电信号处理与特征提取》这本书是一本非常值得一读的佳作。它既包含 了最新的研究成果和前沿技术，又通俗易懂，适合初学者。通过阅读这本书，我 对脑电信号处理与特征提取有了更深入的理解，也学到了很多实用的技术和方法。 我相信，这本书对于相关领域的发展以及启发读者的科研思路都会产生积极的影 响。
目录分析
在当今的科技领域，脑电信号处理与特征提取的技术发展日新月异。这本书， 以其目录分析，为我们揭示了这一领域的深度与广度，以及其未来的发展趋势。
基于运动想象的脑电信号特征提取与分类
环境 控 制 、 椅 控制 、 轮 操作 计 算 机 等 ）－。 ［１ １ ２
正 常 人 的脑 电波 随 人 的 意 识 水 平 呈 现 不 同 的 节 律 活 动 ，
电 信 号 ， 样 频 率 为 １ ８ Ｈ 。 有想 象 左 手 运 动 和 想 象 右 手 运 采 ２ ｚ
作 者 简 介 ： 丽 君 （９ ６ ， ， 南 平 顶 山 人 ， 士研 究 生 ， 李 １８ 一）女 河 硕 主要 研 究 方 向 为生 物 医学 信 号 检 测 与 处 理 ， ｍａｌｌｋ ＠ｌ ３ｃｍ； 效 明 （９ ０ ） Ｅ— ｉ：ｊｄ ６ ｏ 吴 ｌ １５ 一 ，
男 ， 川 内 江 人 ． 授 ， 士 研 究 生 导 师 ， 要 从 事 生 物 医 学 信 息 与 医 学 山 Ｉ 教 博 主 仪 器 方 面 的 研 究工 作 。
Ｗ ａ ｅｅ ｃ ａ ｅ ｎ ｌ ｓｓ ａ ｍｏ ｅ ｃ ｕ ａｅ ｙ ｘｒ ｃ ｈ ｓ ｎｔ ｌ ｈ ｒ ｃｅ ｉｔｃ ｏ ｖ ｌ ｔｐａ ｋ ｇ ａ ａ ｙ ｉ ｃ ｎ ｒ ａ ｃ ｒ ｔｌ ｅ ｔａ ｔｔ ｅ ｅｓｅ ｉ ｃ ａ ａ ｔｒｓｉ ｓ ｆ ＥＥＧ ａ ｄ ａ ｎ ＳＶＭ ｈ ｓ ｇ ｏ ｎｔ— ａ ａ ｏ ｄ ａ ｉ
【 键 词】 脑 机接 口 ； 电信 号 ； 波 包 分析 ； 关 脑 小 支持 向 量机 ［ 中国 图 书 资料 分 类 号］ Ｒ ４ ． ４ 【 献 标 识码 ］ Ａ 【 章 编 号］ １ ０ — ８ ８ ２ １ ） １ ０ １ — ３ ７１４ ０ 文 文 ０ ３ ８ ６ （０ １ ０ — ０ ６ ０
ቤተ መጻሕፍቲ ባይዱ
脑电信号分类及应用研究
脑电信号分类及应用研究随着医疗技术的不断发展，人们对于脑电信号的研究越来越深入，尤其是在神经科学领域。
这一领域的研究重点是探究人脑的功能与结构，以及不同脑区的功能特点和相互联系。
脑电信号分类及应用研究是神经科学研究的重要分支之一。
下面我们将详细探讨这一领域的研究方法、应用和未来发展趋势。
一、脑电信号分类研究脑电信号是指人脑产生的电信号，通常通过脑电图（EEG）采集。
脑电图是一种非侵入性神经生理学检查方法，适用于疾病诊断、脑研究和神经反馈等诊治方法。
人脑的活动会产生多种类型的脑电信号，如α波、β波、δ波和θ波等，它们都具有不同的频率和振幅。
脑电信号分类研究是将这些信号根据不同特征进行分类的方法，可以帮助我们更好地理解人脑活动规律。
常见的分类方法包括：时域特征提取、频域特征提取、时频域特征提取等。
其中时域特征提取是指将信号在时间轴上进行分割，并提取各个时间段的特征值，常用的特征值有均值、方差和归一化信号能量等；频域特征提取是指通过傅里叶变换将信号转换为频域信号，在频域上提取特征值，常用的特征值有功率谱密度、主要频率等；时频域特征提取是将时域和频域通过小波变换进行融合，提取特征值并进行分类。
二、脑电信号应用研究脑电信号分类研究将脑电信号分为不同种类，并为后续研究提供了基础。
下面我们将介绍脑电信号的一些应用研究。
1、脑机接口脑机接口是通过脑电信号对计算机或机器进行控制的技术。
脑机接口可以帮助瘫痪患者进行生活自理，例如通过脑机接口控制轮椅、电视遥控器等。
另外，脑机接口还可以用于交互式游戏、虚拟现实系统等。
2、脑疾病诊断脑电信号是一种重要的诊断手段，在临床上广泛应用于脑癫痫、脑卒中、失眠、抑郁等疾病的诊断。
通过对比不同类型的脑电信号，可以帮助医生对脑疾病进行更准确的诊断。
3、神经反馈神经反馈是一种治疗方法，通过对脑电信号进行监测和调节，改善一些脑部功能异常的疾病。
例如，对于抑郁症患者，可以通过神经反馈帮助患者改变脑部异常活动，从而消除抑郁症状。
脑电信号特征算法总结
脑电信号特征算法总结脑电信号作为一种非侵入性的生物电信号，可以通过电极采集器捕捉到人体脑部的电活动，因此在神经科学、心理学、医学等领域得到广泛应用。
脑电信号特征算法是通过对脑电信号进行处理，提取出其中具有意义的特征量，进而应用于各种应用场景的一种技术手段。
脑电信号特征算法的流程通常包括以下几个步骤：数据预处理、特征提取、特征选择、分类器构建和模型评估等。
其中，数据预处理是指对脑电信号进行滤波、去噪等预处理操作，以保证后续的特征提取和分类器构建能够得到高质量的数据。
特征提取是指从脑电信号中提取出具有代表性的特征量，例如时域特征、频域特征、小波特征等。
特征选择是指从所有提取出的特征量中选择出最具有代表性的特征量，以提高分类器的性能。
分类器构建是指根据所选的特征量和标注数据，构建出一个能够对脑电信号数据进行分类的模型。
模型评估是指对构建的分类器模型进行评估，以确定其分类准确率、召回率、F1值等指标。
脑电信号特征算法的应用非常广泛，例如脑机接口、睡眠分析、脑电诊断等。
脑机接口是指通过脑电信号控制外部设备，例如以脑信号为控制信号的轮椅、假肢等。
睡眠分析是指通过对脑电信号进行分析，对人的睡眠质量、睡眠深度等进行评估。
脑电诊断是指通过对脑电信号的分析，对脑部疾病进行诊断，例如癫痫、阿尔茨海默病等。
脑电信号特征算法的发展还面临着一些挑战和问题。
例如脑电信号的采集操作需要专业人员进行，且容易受到干扰因素的影响，因此对算法的鲁棒性要求较高。
另外，脑电信号的个体差异较大，因此需要针对不同人群进行优化和调整。
脑电信号特征算法是一种非常重要的技术手段，具有广泛的应用前景。
随着科技的不断发展和进步，相信脑电信号特征算法将会在更多的领域得到应用，并取得更加优秀的成果。
人脑皮层神经电信号的信号提取与分析
人脑皮层神经电信号的信号提取与分析人脑皮层神经电信号是指一种通过电信号记录和分析人脑活动的方法，它能够帮助我们了解人类思维和行为的本质。
在神经科学研究和医学领域，人脑皮层神经电信号的信号提取与分析是非常重要的任务。
本文将介绍人脑皮层神经电信号的提取方法，然后探讨如何分析这些信号以获取有用的信息。
提取人脑皮层神经电信号的方法多种多样，包括电生理记录、脑电图和功能磁共振成像等。
其中，电生理记录是最常用的一种方法。
它通过在人脑皮层表面或头皮上放置电极来记录神经元的电活动。
这些电极会测量到神经元的动作电位，即当神经元兴奋时产生的电信号。
然后，这些电信号会经过放大和滤波处理，使得它们可以被进一步分析和研究。
分析人脑皮层神经电信号的目标是从中提取有用的信息以揭示人脑的功能和结构。
在信号分析的过程中，一个重要的步骤是对信号进行预处理。
这包括滤波、降噪和特征提取等步骤。
滤波可以去除信号中的噪声，并将感兴趣的频率范围突出显示。
降噪可以减少信号中的不相关成分，提高它们的可靠性和准确性。
特征提取是通过对信号进行数学分析，发现其中的模式和规律，从而获得有用的信息。
人脑皮层神经电信号的分析方法有很多种。
其中一种常用的方法是时频分析，它可以将信号在时间和频率上进行分解。
时频分析可以帮助我们了解人脑在不同时间段和不同频率下的活动。
例如，人脑在执行认知任务时，会表现出特定的频率成分，这些成分可以通过时频分析来识别和量化。
另一种常见的分析方法是相干性分析。
相干性是评估两个信号之间相关性的指标。
它可以帮助我们了解不同脑区之间的相互作用和协调程度。
相干性分析可以揭示脑区之间的功能连接，为我们研究人脑网络提供重要线索。
同时，人脑皮层神经电信号的分析也可以利用机器学习的方法。
通过训练神经网络，我们可以建立一个模型来识别和分类不同的神经信号模式。
这可以帮助我们自动化信号分析过程，并发现隐藏在复杂信号中的重要特征。
尽管人脑皮层神经电信号的信号提取与分析在神经科学和医学领域具有广泛的应用，但仍面临一些挑战。
eegnet处理脑电信号分类
eegnet处理脑电信号分类
EEGNet 是一种基于深度学习的神经网络模型，被设计用于处
理脑电信号分类任务。
它结合了 Convolutional Neural Networks (CNN) 和 Recurrent Neural Networks (RNN) 的特性，
适用于处理序列信号的分类。
EEGNet 的基本结构由以下几个部分组成：
1. 常规的 CNN 模块：用于提取脑电信号的时空特征。
这个模
块主要包含一维卷积和池化层，用于在时域上提取局部特征，并进行降采样。
2. 深度可分离卷积层：用于进一步提取信号的频域特征。
这个层包含一维卷积、批量归一化和激活函数，可以有效地提取不同频率的特征。
3. RNN 模块：用于建模信号的时间依赖关系。
这个模块可以
是 LSTM (Long Short-Term Memory) 或 GRU (Gated Recurrent Unit) 等的变体，用于处理序列信号。
4. 接全连接层：用于将高层特征映射到不同类别上的概率分布。
这个层通常包括一个全连接层和一个 softmax 函数，用于进行
分类。
EEGNet 可以通过训练过程学习到适合脑电信号分类任务的特
征表示，从而实现高性能的分类性能。
它可以用于识别脑电信
号中的不同事件或状态，例如识别眼闭合和睁开状态，或者识别不同频率的脑电信号。
脑机接口中脑电信号的特征提取和模式分类
脑机接口中脑电信号的特征提取和模式分类潘家辉;冯宝【摘要】从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG 模式特征的识别和分类. 针对 EEG模式分类中所存在的不确定性问题, 从 EEG 的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策. 以P300成分为例, 从导联选择、滤波处理和时间窗处理三方面进行特征提取, 采用贝叶斯线性判别分析的方法进行模式分类. 最后以第三届脑机接口竞赛 P300字符输入的数据为实验, 分别采用 3 种不同的方法进行数据分析, 通过分类准确率和不同重复次数下性能的比较, 实验结果表明了本文特征提取和模式分类方法的有效性.%The identification and classification of EEG pattern features in brain-computer interface (BCI) were proposed from the angle of the intelligent processing and the uncertainty. For the uncertainty problem of the existence of EEG, two aspects of EEG processing, feature extraction and classification, were analyzed. Furthermore, we put forward the methods to solve the problem. With P300 component as an example, the channel selection, filtering and time window selection were used for feature extraction. Then the Bayes linear discriminant analysis method was used for pattern classification. Finally, the P300 data sets of the BCI competition Ⅲ were used for data analysis. By comparing the classification accuracy rate of three different methods, the results demonstrated the effectiveness of our method.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【总页数】5页(P268-272)【关键词】脑机接口;P300;特征提取;模式分类;贝叶斯线性判别法【作者】潘家辉;冯宝【作者单位】华南师范大学软件学院,南海 528225;桂林航天工业学院自动化系,桂林 541004【正文语种】中文脑机接口(brain-computer interface, BCI)是一种不依赖于大脑外周神经与肌肉正常输出通道的控制系统, 通过采集和分析人脑生物电信号, 在人脑与计算机或其他电子设备间建立起直接交流和控制的通道. 这样人就可以通过大脑来表达意愿或操纵设备, 而不需要语言或肢体的动作, 这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力, 以提高患者的生活质量. 脑机接口的发展有赖于神经科学、工程学、心理学、计算机和康复学等各交叉学科专家间的密切合作, 具有非常重要的科学意义、学术价值和广阔的应用前景, 是当今世界研究的热点[1].要想实现脑机接口, 有两个个必要条件: 第一, 必须有一种能够可靠反应大脑思维的信号; 第二, 这种信号能够被实时快速地收集. 目前可用于脑机接口的人脑信号有: EEG(脑电图)、EMG(脑磁图)和fMRI(功能性核磁共振图像)等. 目前大多数BCI研究机构采用的大脑信号是EEG[2]. 本文的研究不是探讨如何设计和实现BCI系统, 我们关注BCI中EEG信号的模式分类问题.“不确定性”在主、客观世界中都是普遍存在, 例如人类关于世界的认识是不确定的, 人类的认知过程也是不确定的. 因此脑机接口中也存在着“不确定性”的问题. 在文献[3]中说到不确定性, 主要包含随机性、模糊性、不完备性、不稳定性和不一致性, 其中随机性和模糊性是最重要的两种基本形式. 在脑机接口中, 不确定性问题主要包含下列两个方面:1) EEG模式具有不确定性人脑系统在结构、功能、行为等方面以及它的输入-输出反应特性都极为复杂[4]. 作为对大脑状态的外部反映, 脑电活动也表现出得相当复杂. 因此, 所测得的EEG信号是非平稳的、带有强噪声的、具有不确定性的时间序列数据.虽然脑电信号能够反应大脑的功能状态, 包含一些有价值的信息, 但不包含所有的信息, 我们不能完全清楚地解释大脑皮层中神经元之间的相互作用, 以及如何产生脑电. 我们关于EEG的知识是有限的、不完备的. 同时, 人体中的神经元细胞所构成的网络系统是如此的巨大, 它们之间的相互作用很难进行量化. 而且, 人脑是一个复杂巨系统, 大脑的行为从宏观意义上可以说是带有强烈的随机性.因此, 我们关于大脑以及大脑功能活动的表征—EEG的认识是模糊的、不完备的, 只能定性地解释EEG的产生、以及行为特征, 而不能做到对大脑以及脑电的完全量化认识.2) 分类问题本身具有不确定性所谓分类, 就是根据确定的概念外延导出概念的内涵, 即用模型或函数能够预测那些类标记尚未可知的对象, 以区分新的概念外延[3]. 这里导出的分类模型是基于对带有类标记的已知训练集的分析, 因此, 分类是一种有类标记指导的机器学习方法, 是一个概念归纳的过程.而对于EEG的分类, 由于我们不能用精确定义的概念和严格证明的定理描述实现对不同类别的EEG进行完全区分, 因此我们对于EEG特征不同这一概念的认识是模糊的.而且作为一种有类标记指导的学习方法, 分类问题具有不确定性, 主要表现在: 将新的待分类的对象划分给相应的类时, 可能会出现与两个异类的类中心的距离都比较接近的情况; 此外, 根据少量类标记已知的训练集导出分类模型, 可能会过于适应训练集的数据分布, 而不能有效地描述整体数据集的分类结构, 因此, 在划分更多的、类标记未知的新对象时, 会出现很多的不确定性问题.下面将从数据处理和数据分类两方面来研究如何有效解决EEG信号模式分类的不确定性问题.一般来说, EEG的特征提取是脑机接口中的预处理环节. 其主要任务是根据脑机接口系统的要求, 去除与特征脑电无关的其他特征信号, 提高数据的信噪比, 通过选取合适的特征提取方法提取所需要的各种特征参数, 并以此组成表示EEG特征的特征向量. EEG模式的特征提取是构建分类模型的前提.由于EEG数据是非平稳的、带有很强背景噪声的、具有不确定性的时间序列数据, 因此在特征的提取过程中, 我们希望能够发现那些容易提取、对噪声不敏感, 以及对区分不同类别的EEG模式很有效的特征集. 因此, 这需要将与EEG相关的背景知识和对EEG样本数据的分析结合起来, 以此发现有用的和有效的特征.目前, 在基于EEG的脑机接口研究中, 常用的特征参数大部分是时域特征, 如P300成分慢皮层电位等. 常用的特征提取方法有: 傅立叶变换、小波变换、自回归建模、空间和时间滤波器、头皮电极类型和定位等用来检测和测量特征的信号处理方法[5].我们以P300成分为例, P300是Sutton等于1965年所发现的, 是一种事件相关电位, 即凡是外加一种特定的刺激作用于机体, 在给予刺激或撤消刺激时, 在神经系统任何部位引起的电位变化[6]. 其中, P300即为晚成分的第三个正波P3. 其中, P是英文“正波”(positivity)的简写, 300则是潜伏期约为300毫秒. P300字符输入系统是一种基于P300成分的典型脑机接口应用, 已成功应用在虚拟键盘上, 并帮助残疾人实现与电脑的交流. 与其它大部分脑电信号一样, P300是一种具有多通道的皮层信号. 因此, 在进行P300电位检测之前, 特征选择是非常重要的.在早期的研究中, 研究者重点关注的是P300正波本身, 所提取的用于分类的参数也是与这个正波相关的特征量. 通常是在一个较窄的时间窗(例如刺激后200～400 ms范围)内提取P300波形的幅度、面积等特征量. 目前, 部分研究已表明采用长时间窗内的数据进行分类比单纯使用P300正波数据的效果更好[7]. 这类文献分析P300时所用的时间窗通常是手动选择的以包括0-600毫秒的时间段. 但是, P300的有效成分通常是与特定的使用者及刺激事件相关. 在0~600 ms这样的长时间窗内除了P300波形外, 还包含了其他有用的脑电成分. 这些脑电成分对应的导联对不同的使用者也情况各异. 此外, 使用大的时间窗以包括具有窄小宽度的P300成分可能会降低P300与背景信号的区分性. 对于上述的不确定性问题, 我们采用下面方法进行智能处理.3.1 导联选择增加了信息来源是一种有效的方法, 然而导联选择范围过大, 会出现高维特征向量出现过学习现象的风险. 因此, 除了在传统认为P300信号较强的大脑顶区布置电极外, 我们还可以进行人工选择或者半自动选择的方法, 通过观察采集的训练数据, 画出目标与非目标的波形图, 如图1所示, 除了顶区外, 枕区也有区分明显的情况, 因此可以适当扩充区分明显的导联, 使该选择更合理.3.2 滤波处理在滤波环节, 研究滤波器阶次和频带两个参数对结果的一个影响. 使用FIR滤波器进行滤波, 使用窗函数法设计滤波器, 选择Kaiser窗. 考虑到特征提取的过程中需要进行一次降采样, 为了满足采样定律, 所采集信号的频率范围不能超过采样率的一半, 这是选择带通滤波器高端截止频率的原则. 在不研究滤波对结果影响时, 固定选择频带为0.1-12Hz, 阶次为12的FIR滤波器, 然后数据通过降采样至32Hz. 3.3 时间窗选择每个个体的P300正波时间都一样, 但基本的时间范围不会相差太远. 我们可以在使用长时间窗方法中选取0~600ms作为数据段. 理论上讲, 这个时间窗内除了包含P300成分外, 也应该包含刺激发生后较早的诱发响应成分. 我们的实验结果表明特征窗越长, 分类正确率也会越高. 这分类器会自动挑选合适的特征, 要做的只需要使窗口内包含全部重要的特征, 然后让分类器自动搜索这些特征即可.此外, 我们可以对时间窗做这样的划分, 其中开始部分的0~100ms作为基线校准使用, 后面的100~600ms以32 Hz进行采样共包含20个数据点, 这20个数据点就构成了一个20维的特征向量. 上述的处理都是在相关背景知识下所做的优化操作, 这样做无疑增加了信息来源, 最终提高了BCI系统的识别正确率.在脑机接口中, 构建分类模型的目的是获取与不同认知活动相关联的模式类别. 模型分类能力的好坏取决于所提取的特征对不同类别的EEG模式的区分能力和所选择的分类方法.常见的具有代表性的分类方法有支持向量机、人工神经网络、贝叶斯网络、遗传算法等. 如果所提取的特征能够线性地划分特征空间, 区分不同的EEG模式特征, 那么分类模型的构建就非常简单, 采用简单的线性分类方法就可很容易地将不同特征的EEG区分开来.概率论是表示不确定性的唯一合理的方法, 概率论对于机器学习或不确定情况下的推理是有用的. 贝叶斯概率理论是数学概率论的一个分支,它通过将先验知识和观测事件结合起来而允许我们对于现实世界中的不确定性建模并进行感兴趣的推理[8]. 因此,我们可以把各种机器学习问题统一在贝叶斯机器学习方法框架下, 把机器学习和模式识别问题看作是一个贝叶斯推理问题. 在本文, 我们使用贝叶斯线性判别分析的方法来进行脑电信号P300成分的模式分类.贝叶斯线性判别分析(BLDA)利用正则化来防止与高维且可能为噪声的数据的过拟合[9]. 通过Bayes分析, 可以自动而快速从训练数据估计出正则化的阶数, 并且不需要耗费时间去交叉验证.当将类1的回归目标设为, 对于类-1的回归目标设为时, 这里为训练例数总和, 为类1的样本数, 为类-1的样本数. 贝叶斯线性判别分析的方法是在Bayes框架下的回归分析, 并设定如上目标值.假定Bayes回归中的目标值t和特征向量x与叠加的高斯白噪声线性相关:在这个假定下, 可以得到用于回归中计算权值w的似然函数:这里t表示回归目标值, X表示从用于训练的特征向量的水平堆栈获得的矩阵. D表示一对, 表示噪声方差的逆, N表示训练集中的样本数.为了在Bayes背景下描述推导, 需要为隐含变量设定先验分布, 例如权向量w. 权值的先验分布为一个零均值的高斯分布. w的估计值向初始值收敛, 从而降低了过拟合的危险.给定似然函数和先验分布, 后验分布可以由Bayes公式计算如下:既然先验和似然函数都是高斯分布的, 后验概率也应该是高斯分布并且它的参数可以由似然函数和先验概率通过方阵计算得到.通过将代入了新的输入向量x的似然函数(公式2)与后验分布(3)相乘, 并对w积分, 从而获得了预分布, 即在输入向量条件下的回归目标值的概率分布.预分布同样也是高斯型分布, 可以由均值和方差来表示.仅使用预分布的均值即可完成分类决策来参与决定, 对重复试验的每次均值进行累加, 累加均值最大值所对应的目标即可作为BLDA算法得出的分类结果.为了验证本文提出的方法, 我们分析第III届脑机接口竞赛关于P300字符输入的数据集[10], 并与其它比较好的算法比较其分类性能. 对该数据集简单描述如下: 每个使用者使用的字符输入界面为6×6的字符矩阵, 如图2所示. 在使用过程中, 要求使用者注视其中一个字符键. 所采集到的脑电信号为64通道的, 采样率为240Hz. 使用者分别是为被试Subject A和被试Subject B. 这里的界面刺激闪烁采用行闪列闪的方式. 因此行列交替闪烁一轮(round)有12次闪烁, 这样的闪烁在输入每个字符时需重复15次(repeat). 对每个使用者采集总计185个字符.为了测试本文分类方法的性能, 我们分别比较了常规的方法、本文的方法、以及与在本次竞赛第一名的获得者Rakoto与Guigue所取得的结果[11]进行比较. 对于常规的方法, 一般在每一行或列开始闪烁时, 对每个通道的信号都抽取其0-600ms 的信号, 并对其进行0.1-20Hz的带通滤波及进行10倍的下采样, 然后采用标准支持向量机分类算法对同样的数据集进行数据分析并计算同样的性能指标(分类准确率). 对于Rakoto方法[11], 他们在训练集上进行递归消除通道和迭代选取时空特征的方法.两位被试的离线数据分析结果如表1所示. 从表1中看出, 两位被试使用本文的特征提取和分类方法比常规方法的准确率要高, 但比Rakoto方法要低. 图2显示了三种方法在不同的重复次数(round的个数)下的平均准确率. 每个重复次数对应一个准确率, 例如5表示的是从round1到round 5采集的脑电数据. 在本次竞赛数据中, 这个重复次数的范围从1到15. 从图2中可以看出, 对于不同的重复次数, 本文方法都能获得比常规方法更高的准确率, 而在重复次数较低(<5)的情况下, 本文的方法与Rakoto方法的准确率接近.本文从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG模式特征的识别和分类. 针对EEG模式分类中所存在的不确定性问题, 从EEG的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策.脑机接口的研究还处于初级的探索阶段, 我们对于大脑、EEG时间序列数据的认识和理解都是模糊的、不精确的, 无法量化的, 同时EEG的分类也是模糊的、带有很强的随机性, 因此在EEG模式的识别和分类中存在着许多不确定性问题, 传统的信号处理方法很难提取到能够反映与认知活动相关的特征, 这就要求我们采用定性的数据处理方法和推理方法, 结合EEG和认知活动的相关的专业背景知识, 提取到与认知活动相匹配的定性特征, 这是本人今后研究的方向, 也是今后BCI研究发展的一个重要方向.1 王新光,邹凌,段锁林,周仁来.脑机接口技术的研究与进展.中国组织工程研究与临床康复,2008,12(39):7722–7724.2 杨帮华,颜国正,丁国清,于莲芝.脑机接口关键技术研究.北京生物医学工程,2005,24(4):308–310.3 李德毅,刘常昱,杜鹢,韩旭.不确定性人工智能.软件学报,2004,15(11):1583–1594.4 钱学森,于景元,戴汝为.一个科学新领域–开放的复杂巨系统及其方法论.自然杂志,1990,12(5):1–8．5 李少宾.面向脑机接口的不确定性EEG分类研究[硕士学位论文].合肥:中国科学技术大学,2008.6 Farwell LA, Donchin E. Talking of the top of your head: Toward a mental prothesis utilizing event-related brain potentials．Electroenceph Clin Neurophysiol, 1988, 70: 510–523.7 Krusienski DJ, Sellers EW, McFarland DJ. Toward enhanced 17300 speller performances. Journal of Neuroscience Methods, 2008, 167(1): 15–21.8 王向阳.面向不确定性推理和数据分析的模式识别方法研究[博士学位论文].上海:上海交通大学,2007.9 Kindermans PJ, Verstraeten D, Schrauwen B. A Bayesian model for exploiting application constraints to enable unsupervised training of aP300-based BCI. PloS One, 2012, 7(4): e33758.10 Kaper M, Meinicke P, Grossekathoefer U, Lingner T, Ritter H. BCI competition 2003-data set IIb: support vector machines for the P300 speller paradigm. IEEE Trans. on Biomedical Engineering, 2004, 51(6): 1073–1076.11 Rakotomamonjy A, Guigue V. BCI competition III: dataset II-ensemble ofSVMs for BCI P300 speller. IEEE Transactions on Biomedical Engineering, 2008, 55(3): 1147–1154.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 1 章 绪论 第 1 章 绪论
1.1 引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴第 1 章 绪论 脑和兔脑上记录到了脑电活动，并发表了“脑灰质电现象的研究”论文，但当时并没有引起广泛的关注[4]。1872年，贝克（A.Beck）[5]再一次发表脑电波的论文，才引起广泛关注，从而掀起脑电现象研究的热潮。可是，直至1924年德国的精神病学家贝格尔（H.Berger）[6]才真正地记录到了人脑的脑电波，从此人的脑电图诞生了。
图1.1 人脑图 图1.2 神经元图 1.2 脑机接口概述 1.2.1 脑机接口背景及意义 脑-机接口( Brain-Computer Interface , BCI) 是在大脑与外部设备之间建立的直接的交流通道。脑机接口技术产生于二十世纪七十年代，是一种多学科的交叉技术，目前它在国际研究领域非常活跃，它涉及生物技术、生物医学工程、纳米技术、认知科学、信息技术、计算机科学、神经科学和应用数学等，成为众多学科科研工作者的研究热点。人的大脑是一个极其复杂的系统，研究人的思维机理、实现神经系统损伤患者于周围环境进行信息交换是神经学领域里的极其重要的一项研究课题。人体脑电信号综合地反映了大脑神经系统的思维活动，是分析脑状况和神经活动的主要依据[7]。脑电信号与神经系统脑部疾病如脑血管病、癫痫、神经系统损失等有着密切的关系。因此脑电信号的分析处理和分类识别对脑部疾病的病态预报、辨识和防治具有很重要的意义。 BCI为人们提供了与外界进行交流和控制的另一种方式，人们可以不通过语言和动作来交流，而是直接通过脑电信号来表达思想、控制设备，这也为今后智能机器人的发展提供了一个更为灵活的信息交流方式。脑-机接口作为连接生物智能系统第 1 章 绪论 和人工智能系统的一个复杂平台，对脑机接口的研究是一项长期而艰巨的任务。最近十年来，脑-机接口的研究有了可喜的发展[8]。在全球范围内，越来越多的学者和教师等科研人员投入到脑-机接口的研究热潮中来。 BCI装置的应用场合大致有如下四个方面：一是为思维正常但神经肌肉系统瘫痪（如脊髓 (或脑干) 损伤，肌萎缩性侧索硬化等）的病人设计出合适的BCI装置，让病人恢复对身体肌肉的控制和交流能力；二是当传统控制方式不能完全满足一些场景的控制要求时，为特殊环境作业人员提供辅助控制（如医疗手术、航空航天等）；三是BCI装置可为人们提供另一种新的娱乐方式，例如用“思想”玩网络游戏等；四是在研究自动化控制的同时，加深对人类脑电活动规律的认知深度[9]。上述四方面中第一个应用场景是目前最重要的应用，而随着研究的深入和扩展，其他的更多的应用场合也正在不断的增加。时至今日，大多数BCI系统仍然处于实验室的理论研究阶段，直到最近几年，才逐渐看到其在实用的医疗器械装置中崭露头角。BCI系统将“电脑”与“人脑”完美地整合在同一个系统中，可以说实现了一句古话：“心想事成”。虽然目前BCI技术的开发中还存在许多技术难关尚未攻破，但从目前所取得的阶段性成果中我们已经看到了开发此类装置的重要科学价值及其广泛的应用前景。现在，使用脑-机接口技术研制的的人机交互系统在航空航天、智能控制和信息处理等领域也有着广泛的应用。 中国有大约三千两百多万[10]老年人需要不同形式的护理，而目前我国为老年人提供的服务设施严重短缺。同时，由于各种灾难和疾病造成的残障人士也很多，这就更加增大了对服务设施的需求。目前许多发达国家采用服务机器人为老年人与残疾人士提供服务，用来提高他们的生活质量。但是，由于大多数服务机器人与人的交互方式都是通过声音、按钮等传统方式，而很多老年人及残障人士部分或完全丧失了自主控制肌肉的能力，甚至吞咽、说话都困难，这些人控制此类服务机器人的难度非常大。如何使这部分人群重新恢复对外部世界的控制能力以及与外部世界交流的能力，帮助他们重新返回现代社会是目前研究的热点[11]。脑机接口是人脑与计算机或其他电子设备之间建立的直接的交流和控制通道。通过这种通道，人就可以直接通过脑来表达想法或操纵其他设备，而不再需要通过肢体的动作或语言，这是一种全新的通信和控制方式。由于其无创性、记录简单和高时间分辨率，利用脑电图方法获得人脑的电活动信号已成为脑-计算机接口研究、神经障碍患者康复研究等领域的重要监测手段。 研究脑机接口有非常深远的意义，尤其是在脑机接口实用装置上。现在国内已经有很多科研单位及高校都在积极展开脑机接口的研究工作。并且，随着人们对脑机接口越来越深入的研究，目前已经有一些小组成功开发了一些基本可用的脑机接口原型[12]。另外，有些企业也认为脑机接口的市场前景很广阔，正在着力开发医学第 1 章 绪论 或非医学应用的脑机接口产品。由此观之，人们在进行基础研究的同时，也要及时地花时间开发真正实用的脑机接口系统，以便研究的工作能跟上发展迅速的脑机接口潮流[13]。
1.2.2 研究历史和国内外现状 1924年德国精神病学家，耶那大学的Hans Berger教授[14]首次发现并记录到人脑由规则的脑电活动。通过大量的实验研究确认了脑电图（electroencephalogram, EEG)的存在后，他于1929年正式发表了“关于人脑电图”的论文，对人脑的电活动和脑电图做了精确的描述，奠定了脑电图学的基础。在人脑的中枢神经系统中始终存在着伴随脑神经活动所产生的电位活动，把这种电位活动检测出来就是脑电图。此后脑电图研究得到迅速发展，并推广到了全世界。 1932年，Hans Berger和Dietsch[15]开始使用傅里叶变换分析脑电信号； 20世纪70年代，在美国国防部的国防先进技术研究署（DARPA，Defense Advanced Research Projects Agency，就是这个部门发明了互联网）资助下，加利福尼亚大学洛杉矶分校（UCLA， University of California Los Angeles）开始尝试利用脑电信号，将人类思考的结果不借助肌肉和神经组织，而直接通过计算机来输出——让思考可以直接被看到，让人脑可以直接控制机械[16]。直到这时，脑-机接口（Brain-computer Interface，BCI）这个名词才首次出现在科学文献中。伴随这个词出现的是人们对大脑活动越来越深入的理解。1978年，人们发现猴子可以在训练后，能够快速学会自由地控制初级运动皮层中单个神经元的放电频率[17]；1989年，约翰霍普金斯大学的科学家发现了恒河猴手臂运动方向和大脑运动皮层中单个神经元放电模式的关系[18]；到了九十年代，一些研究人员已经能够实时捕捉运动皮层中的复杂神经信号，并且用来控制外部设备，使得机械义肢可能变得和原生肢体一样容易使用，人类在进化的漫长道路上看到了一种全新的可能性：人和机械，可以作为一个生命的不同组成部分而共同存在。 1990年代中期随着信号处理和机器学习技术的发展，脑机接口的研究逐渐成为热点； 1991年Wolpaw[19]等发表了通过改变脑电信号中的mu节律幅度来控制光标移动的成果，最先提出了大脑驱动控制技术的概念，即脑电控制。之后不断出现有关脑电控制的实例； 1999年，Birbaumer等人描述了一个使用脑电信号的脑机接口系统，以及其在残障人士身上测试的情况。在他们开创性的工作中，Birbaumer等人展示了一个身患肌萎缩性(脊髓)侧索硬化(ALS)症病人成功使用BCI系统控制一个拼写装置并与外界交流[20]。这个系统是根据这样一个事实:受试者能够自主的学习慢皮层电位的规律，