視覺誘發(fā)腦電信號特征提取方法研究201205

1、五邑大學本科畢業(yè)設計摘 要腦機接口（BCI：Brian-Computer Interface）是在人腦和外界（外部設備）之間建立不依賴于常規(guī)大腦信息輸出通路(外圍神經(jīng)和肌肉組織)的一種通訊系統(tǒng)。扮演系統(tǒng)傳輸角色的腦電信號（EEG）通常會混疊了眼電、肌電、心電等多種不同的成分。 P300是一種誘發(fā)電位，常用于構建腦機接口系統(tǒng)的腦電信號，是神經(jīng)系統(tǒng)接受特定模式下的視覺刺激所產(chǎn)生的電活動，在特定的腦頭皮區(qū)域信號能量分布比較明顯，相對比較容易檢測，在腦機接口中廣泛應用。P300顧名思義是根據(jù)事件發(fā)生后約300ms處腦電信號中的一個正電位波形命名，是由小概率事件誘發(fā)產(chǎn)生的事件相關電位（ERP）。本文研究

2、的是腦電信號的處理，即如何從采集到的原始腦電信號中提取有用的信息；另外就是尋求有效的分類特征和分類算法。引用來自BCI Competition III Challenge的數(shù)據(jù)進行處理（特征提取和分類）。本文采用簡單的P300腦電處理算法對實驗收集的腦電數(shù)據(jù)進行預處理。利用巴特沃斯數(shù)字低通濾波器進行濾波，并且利用加權平均疊加算法消噪提取P300的幅值特征。然后通過支持向量機（SVM）分類算法處理采集到的數(shù)據(jù)，并且實現(xiàn)對P300信號的分類識別研究。關鍵詞： 腦機接口(BCI); 腦電(EEG); P300; 特征提取；支持向量機（SVM）AbstractBrain Computer Interf

3、ace (BCI) established the brain and the outside world (external equipment) between the conventional brain not rely on the information output pathways (peripheral nerve and muscle tissue) a communication system. EEG, playing the role of transmission system usually contains many kinds of different ing

4、redients like eye electricity, muscle power, ecg and so on. P300 is a cause potential.It is often used to construct the brain computer interface system eeg, It is nervous system take particular mode of visual stimulation of the electrical activity generated in specific brain scalp area signal energy

5、 distribution is quite obvious, and relatively easy to be detected. It is widely used in brain computer interface.As one component of electro encephalo graphy(EEG) signal,P300 potential is a positive peak at about 300ms after the target stimulus onset in the EEG,occurring in response to infrequent o

6、r particularly significant stimuli.Here, We studies the EEG signals processing, namely how from the primitive brain electrical signal acquisition to extract useful information; Another is to seek effective classification feature and classification algorithm. References are BCI Competition III Challe

7、nge of the data processing (feature extraction and classification).Firstly, we use traditional algorithms for P300 EEG data processing, including low-pass Butterworth filter to smooth EEG data and optimal weighted average algorithm to remove the random noise. Then algorithm processing the data colle

8、cted through the support vector machine (SVM) classification, and realize the P300 classification identification of the signal.Keywords： Brain-Computer Interface; Electroencephalogram; P300; Support Vector Machines; Classification（SVM）目 錄摘 要IAbstractII第1章 緒論11.1視覺誘發(fā)腦電信號的概述11.2課題研究的背景和意義11.3 腦-機接口國內外

9、研究現(xiàn)狀21.3.1誘發(fā)視覺腦機接口21.3.2自發(fā)EEG腦一機接口31.4本論文主要內容3第2章 視覺誘發(fā)腦電信號相關基礎知識42.1腦電信號介紹42.1.1采集腦電信號方法42.1.2腦電波的分類42.2事件相關電位P30072.2.1事件相關電位72.2.2 P300腦電信號及其特點82.2.3 P300的研究現(xiàn)狀及存在的主要問題82.3本章小結9第3章 基于視覺誘發(fā)P300腦-機接口103.1 腦-機接口的工作原理及基本結構103.2 P300腦一機接口實驗設計和數(shù)據(jù)獲取103.3 P300腦電信號處理133.3.1 信號預處理143.3.2 信號的特征提取143.3.3 信號特征分類

10、153.4本章小結16第4章 視覺誘發(fā)腦電信號P300特征提取174.1 視覺誘發(fā)電位174.2 P300的特征174.3視覺誘發(fā)信號P300幅值特征184.4 本章小結21第五章 基于SVM的視覺誘發(fā)腦電信號P300分類算法225.1支持向量機SVM225.2 基于SVM標準數(shù)據(jù)分類識別255.2.1 研究數(shù)據(jù)的簡單介紹255.2.2 數(shù)據(jù)分析265.2.3 數(shù)據(jù)預處理275.2.4特征提取275.2.5 數(shù)據(jù)分類過程285.3本章小結29總結與展望30參考文獻31致謝32附錄1：MATLAB相關語言意思33附錄2：本文引用到的程序331、幅值特征提取332、SVM分類算法36附錄3: BC

11、I Competition Challenge競賽數(shù)據(jù)37IV 第1章 緒論1.1視覺誘發(fā)腦電信號的概述視覺誘發(fā)電位【1】(visual evokedpotential,VEP)是指枕葉皮層對視覺刺激產(chǎn)生的，可以用頭皮電極檢出的電活動，又稱為特異皮層視覺誘發(fā)電位，或皮層視覺誘發(fā)電位(visual evoked cortical potential)，是一種長潛伏期的近場皮層電位。 VEP的信號十分微弱，在提取方面存在著一定的難度。通常，從人頭皮上記錄下來的誘發(fā)電位信號波幅只有3-21V，而背景噪聲卻很大，主要來源于自發(fā)腦電，肌電，以及50Hz工業(yè)頻率電磁波在人體引起的感應電勢等，僅自發(fā)腦電的波

12、幅就高達20-100V。微弱的誘發(fā)電位信號通常淹沒在背景自發(fā)電位及其他噪聲中。因此，如何完整，準確，簡單地從強背景噪聲中提取微弱的VEP信號，一直是眾多科學家研究的焦點課題。1.2課題研究的背景和意義大腦是人體所有高級神經(jīng)中樞所在地，作為人體最復雜的部分，也是迄今為止宇宙中所知的最為復雜的組織結構。對人類大腦的綜合研究己經(jīng)成為當代科學發(fā)展的熱點方向之一。由于大腦的復雜和神經(jīng)聯(lián)系的豐富多樣的特性，對大腦的研究已經(jīng)涉及到多個領域的交叉技術。當前社會，神經(jīng)肌肉和大腦的障礙所引起的疾病困擾著越來越多人們的生活。如今的醫(yī)學雖然能夠通過各種方法減緩這些疾病患者的病情，但始終是治標不治本。這些病者通過輔助治

13、療后雖能進行些近于常人的活動，卻更希望正常地與他人進行交流。這種患者的現(xiàn)象已經(jīng)開始影響到社會的發(fā)展，同時也給患者的家庭構成沉重的負擔。因此我們迫切地希望能建立一個人與外界環(huán)境之間的信息交流與控制的新型通道，可以直接從人的大腦獲取信息而不僅僅依賴于人體的外周神經(jīng)系統(tǒng)和肌肉組織。腦機接口(BCI:Brain-Computer-Interfaee)技術形成于20世紀70年代中期，是一種涉及醫(yī)學、神經(jīng)學、信號檢測、信號處理、模式識別等多個領域的交叉技術。雖說腦機接口技術還是一門新興的科技，而且其研究初衷是用于醫(yī)療領域，為一些患者提供方便。但近30年來，隨著電子和信息技術的快速發(fā)展，腦機接口的研究團隊越

14、來越多，其研究成果也取得了巨大的進步。人們發(fā)現(xiàn)其除了應用在殘疾人醫(yī)療康復領域，在其他科學研科學研究領域和社會生產(chǎn)活動中也有著潛在的價值。以下是現(xiàn)階段的腦機接口在一些應用領域的具體介紹:(1)輔助控制:提供一種在特殊環(huán)境下控制外部設備的途徑。例如在一些惡劣的生產(chǎn)環(huán)境下，不允許工作人員進行現(xiàn)場的操作，為了保證生產(chǎn)的正常進行，可以通過腦電控制相關單元。(2)游戲娛樂:作為腦與外部環(huán)境的信息通路，腦機接口可以為人們提供一種新的娛樂方式。例如僅僅通過思維想象就可以玩電子游戲。(3)腦科學研究:在研究腦機接口的同時，也是人們對大腦進行深入研究和不斷認識的過程，其中取得的一些研究成果將促進腦科學的進步與發(fā)展

15、。由于腦電信號的微弱性，復雜性，數(shù)據(jù)量大等特性，目前所展示的腦機接口系統(tǒng)還很不成熟。如何提高單次試驗的分類識別正確率和系統(tǒng)傳輸比特率是現(xiàn)今的熱點和難點?？梢灶A見，在未來，隨著各學科研究的進步，腦機接口的應用領域將不斷拓展，其研究意義將愈發(fā)愈大。1.3 腦-機接口國內外研究現(xiàn)狀通常，BCI技術又被稱作直接神經(jīng)接口技術，有單雙通道之分。單通道BCI技術只能在同一時刻用電腦接受大腦指令或向大腦發(fā)送指令，而雙通道BCI技術則能在大腦和電腦之間同時建立起指令(信息)交互鏈路。目前，世界各國研發(fā)機構公開的成果主要集中在單通道BCI技術領域，該技術通過直接采集來自大腦的神經(jīng)生物信號，并將其轉換為輸出指令，而

16、不依賴正常的外圍神經(jīng)中樞和肌肉組織輸出通道來實現(xiàn)指令傳送。目前的BCI系統(tǒng)大多是在線的、同步的和無創(chuàng)傷系統(tǒng)。對于這種在線的、同步的和無創(chuàng)傷的研究方法，再依據(jù)EEG的產(chǎn)生是否需要外界刺激，分為誘發(fā)EEG(視覺刺激法)和自發(fā)EEG(心理作業(yè)法)兩類對于目前BCI系統(tǒng)的研究現(xiàn)狀進行說明。1.3.1誘發(fā)視覺腦機接口該方法基于人接受外界視覺刺激所產(chǎn)生的特定電活動，所產(chǎn)生的信號電位有其空間、時間和相位特征與刺激有較嚴格的鎖時關系。目前在BCI的研究中主要有p3oo法和 VEp(Visualevokedpotentials，視覺誘發(fā)電位)法。1.P300是一種事件相關電位(Event related pot

17、entials，ERP)，當實驗者受到特定視覺刺激后的300ms內，EEG呈正向峰值，對其進行特征提取來研究實驗者接受刺激后的腦電變化，這種研究方法稱為P300法。它反映了大腦對稀少事件的認知，相關事件出現(xiàn)的概率越小，所引起的P300越顯著。2.視覺誘發(fā)電位 (Visualevokedpotentials，VEP)視覺誘發(fā)電位人眼經(jīng)過“集中注視”活動誘發(fā)大腦視覺皮層神經(jīng)的特定電活動在頭皮電位的反映?；赩EP的BCI系統(tǒng)依賴于使用者控制眼睛注視方向的能力。試驗通過對操作者經(jīng)行生物反饋訓練，可獲得穩(wěn)態(tài)視覺誘發(fā)電位(Steady stateVisualevokedPotentials，SSVEP)

18、。MatthewMiddendorf等開發(fā)了基于VEP的BCI系統(tǒng)，他們在屏幕上設置了幾個以不同頻率閃爍的按鈕，使用者注視其中的一個按鈕，系統(tǒng)分析VEP的頻率，如果匹配于某個按鈕閃爍的頻率，就可確定使用者希望選擇的按鈕。2002年開發(fā)了利用ssvEP實現(xiàn)電話撥號的實驗系統(tǒng)，2003年實現(xiàn)對電燈、電視、電話等室內環(huán)境控制9，2004年開發(fā)的Bcl系統(tǒng)能夠幫助殘疾人利用SSVEP通過紅外遙控設備控制電視和空調、撥打電話并啟動語音播放。清華大學2004年開發(fā)了患者主動參與的上肢康復訓練系統(tǒng)，患者利用ssvEP的主動參與有利于提高治療效果。2006年針對SSVEP的BCI系統(tǒng)不同受試者個體差不同導致控

19、制效果變化差異較大方面，證明了通過通道位置的選擇、刺激頻率以及選擇速率的調整可以減少這種差異帶來的影響。1.3.2自發(fā)視覺腦一機接口該類方法無需外部刺激，用戶通過執(zhí)行特定的心理活動來實現(xiàn)。簡單概括有如下幾類：1.事件相關同步電位 (ERD)和事件相關去同步電位(ERS)2.皮層慢電位 (SlowCortiealpotentials，SCP)3.自發(fā)EEG的波、節(jié)律和節(jié)律信號1.4本論文主要內容 視覺刺激產(chǎn)生的P300信號時間特征與刺激有較嚴格的鎖時關系，相對比較容易提取特征，基于視覺誘發(fā)的P300腦一機接口系統(tǒng)具有不需要初始訓練的優(yōu)勢，易于在線系統(tǒng)的實現(xiàn)。傳統(tǒng)的P300腦電信號分類算法存在疊加

20、次數(shù)多，分類準確度低等不足等?；诮y(tǒng)計學習理論的支持向量機能夠很好的解決小樣本的學習問題。論文結構安排如下:第二章是關于視覺誘發(fā)P300腦機接口系統(tǒng)的一些基本概念，并對事件相關電位P300做了詳細的介紹。第三章闡述了基于視覺誘發(fā)P300腦-機接口實驗過程中數(shù)據(jù)采集，特征提取以及分類的基本概念和步驟。第四章介紹了P300腦電的誘發(fā)以及實驗的記錄過程，幅值特征提取。第五章對EEG信號的預處理，通過支持向量機（SVM）分類算法處理采集到的數(shù)據(jù)，并且實現(xiàn)對P300信號的分類識別研究。最后對全文的工作做了總結及展望。第2章 視覺誘發(fā)腦電信號相關基礎知識2.1腦電信號介紹2.1.1采集腦電信號方法腦電圖在

21、頭皮外測量，電極僅僅用于接收信號。這是它最大的優(yōu)勢，不會對監(jiān)控的大腦造成任何可能的損傷。而它的缺點也同樣明顯：在頭皮外接收到的電信號不僅微弱，而且多個腦區(qū)的活動信號會疊加在一起，最終形成看起來十分混亂的波形。幸好這些缺點可以部分克服。微弱的電信號可以放大，而波形的分離早在十九世紀就已經(jīng)由法國數(shù)學家傅立葉解決?，F(xiàn)在我們只需要解決腦電波和大腦思考行為的對應關系就可以。腦電信號的采集方式，從破壞性上可分為兩類：“有創(chuàng)”和 “無創(chuàng)”?！坝袆?chuàng)”采集方式由于要進行開顱手術而對大腦有一定的損傷；“無創(chuàng)”采集方式就不需要這種手術，從而對人腦沒有什么損害。有創(chuàng)采集方式具體可分為完全植入型和皮層表面電極。完全植入

22、型就是將電極植入到大腦皮層中；而皮層表面電極型則是將電極放在大腦皮層的表面而不是真正植入大腦。1999年，由John Donoghue 領導的研究小組在Nature 雜志上發(fā)表論文稱，他們通過將一個微小的電極陣列植入了一名癱瘓病人的大腦運動皮層，從而使這位患者可以通過思維來操控外界設備，如打開電視機，移動假肢，使用鍵盤打字，移動鼠標等。皮層表面電極方式和完全植入型相比較，兩者雖然都需要做開顱手術，但皮層表面電極方式卻不需要將電極植入大腦皮層，而是放置在大腦皮層表面，這樣對皮層神經(jīng)元的損傷就很小，風險也更低些。盡管如此，對大多數(shù)用戶而言，開顱手術還是難以接受的。因此，有創(chuàng)型的研究和實施一般都是在

23、那些需要用大腦皮層電極來實現(xiàn)病灶的精確定位的癲癇病人身上。目前使用最廣泛的仍是基于頭皮腦電的無創(chuàng)的腦機接口技術。但是，由于腦電信號在傳輸?shù)筋^皮時已經(jīng)衰減很多，信號十分微弱，要從如此微弱的腦電信號中提取意識信息是相當有難度的。在過去的十年中，科研工作者的研究方向主要就是集中在對頭皮腦電信號的檢測和分析上。2.1.2腦電波的分類腦電波就是通過電極記錄下來的腦細胞群的自發(fā)性、節(jié)律性電活動。以腦細胞電活動的時間為橫坐標、電位為縱坐標，這樣把時間與電位的相互關系記錄下來的就是腦電圖。正常的自發(fā)腦電一般處于幾微伏到75微伏之間。而由心理活動所引起的腦電信號比自發(fā)腦電信號更為微弱，一般在2到10微伏之間，它

24、通常被淹埋在自發(fā)電位中，其成分不規(guī)則而復雜。腦電波的波形近似于正弦波。它主要是由腦皮質層大量的神經(jīng)元同時發(fā)生突觸后的電位變化所引起。一般腦電信號見下圖2.3。圖2-1 腦電信號在安靜狀態(tài)下，大腦皮層神經(jīng)細胞自發(fā)地表現(xiàn)出持續(xù)的節(jié)律性電位改變，稱為自發(fā)腦電活動。它指在沒有特定人為刺激的條件下，大腦細胞本身出現(xiàn)的電活動。節(jié)律是由頻率大體一致的波構成的腦電圖。正常成年人的腦電圖的波形、頻率、波幅和位相等都具有一定特點。人體依其個體差異，身體狀況，腦電圖的特征都會有所不同。傳統(tǒng)上，對腦電圖的波形分類主要是依據(jù)其頻率的不同由人工劃分的。通常說來，頻率慢的其波幅比較大，而頻率快的其波幅就比較小。一般按照頻率

25、進行分類以表示各種成分。目前共有幾種不同的分法，其中以下兩種分法是最常用的： Schwab分類Walter分類腦電波頻率（Hz）腦電波頻率（Hz）波0.53波0.53.5波47波47波813波813波1430波1425波30波25圖2-2 腦電信號的分類（1）波，頻率范圍:0.55 Hz，正常成年人的振幅范圍:0-200。人在意識清晰時一般沒有波，當處在嬰幼期或疲勞過度、供氧不足時會產(chǎn)生。波波形如圖2.3圖2-3 波（2）波，頻率范圍:47Hz范圍:100-150人在有意識的時候產(chǎn)生一些波。波波形如圖2.4圖2-4 波 （3）波，頻率范圍:813 Hz，振幅范圍:20100。人在意識清晰狀態(tài)下

26、閉目養(yǎng)神時會產(chǎn)生波，眼睛睜開或進行腦力勞動時，頻率較高的波就會取代波。波波形如圖2.4圖2-4 波 （4）波，頻率范圍:1430 Hz，振幅范圍:520,一般為20uv。人在神經(jīng)亢奮或心情波動較大時會產(chǎn)生波。當人被突發(fā)時間所驚擾時，本來低頻的慢波會被p波所取代。p波波形如圖2.5圖2-5 波（5）波 波為3060Hz頻率范圍內的腦電活動，波幅較低，在額區(qū)和前中央?yún)^(qū)最為明顯?，F(xiàn)在，基于EEG的腦機接口主要集中在兩個方向：誘發(fā)的信號和自發(fā)的信號。當某個異常事件發(fā)生后的300ms左右，將會檢測出一個被叫做P300的電波峰值；當眼睛受到光或圖像刺激后，視覺皮層將會產(chǎn)生視覺誘發(fā)電位。這兩類信號可以通過誘

27、發(fā)產(chǎn)生，并且判斷準確率較高，但是缺點是需要外界刺激，并且依賴人體本身的某些知覺才能工作。而當某側肢體運動或者僅僅是想象其運動時同側的腦區(qū)產(chǎn)生的事件相關同步電位、通過反饋訓練可以自主控制的皮層慢電位和自發(fā)的阿爾法、貝塔等腦電信號雖然不需要外界刺激，但是需要大量的特殊訓練和適應過程。 2.2事件相關電位P3002.2.1事件相關電位20世紀60年代，神經(jīng)電生理研究和計算機技術的快速發(fā)展，為人們提供了一個更可觀可行的研究心理活動的方法，事件相關電位 (Event Related Potential，ERP)是sutton在1965年提出的，現(xiàn)在這個方法已經(jīng)受到人們廣泛的注意。事件相關電位(ERP)是

28、一種近場電位，當測試被試在辨認某種“靶刺激”時在記錄頭皮上一種長期潛伏的誘發(fā)電位。它映射認知過程中大腦的神經(jīng)電生理變化，也可以稱為“認知電位 (Cognitivepotential)”，是探測心理活動的一個窗口。事件相關電位與經(jīng)典的誘發(fā)電位存在許多不同點，總結其特點如下: （1）被試在測試時一般需要清醒的意識，在一定程度上參與實驗而不是被動地接受檢測。（2）刺激不能選用單一的內容，必需要有多個的刺激組成刺激序列。為了使受試者積極參與并啟動注意和認知過程，可以通過改變刺激的量使標準的刺激發(fā)生偏移。一般把事件相關電位有廣義和狹義之分，廣義包括事件相關電位的全部成分:Pl、NI、PZ、NZ、P3、M

29、MN、N400和CNV，狹義的則僅指Pl、Nl、P2、N2、P3。一個典型的事件相關電位(如圖2.6所示)是由三個正相波和二個負向波組成。各波的命名參照普通誘發(fā)電位，由波的極性、出現(xiàn)次序和潛伏期決定。在事件相關電位成分中，刺激后50150ms最大負峰為NI，130220ms最大正峰為P2，200300ms最大負峰為N2，25500ms最大正峰為P3。Nl前可能有有正峰Pl，P3之后的負峰為慢波 (SlowWave，SW)。圖2-6 典型事件相關電位各成分示意圖根據(jù)刺激來源不同，可以把事件相關電位分為內源性成分和外源性成分。內源性成分不受到刺激影響，與認知過程相關，包括N2, P3。外源性成分讓

30、用受刺激物理特性的影響，包括P1, P2及N1。P300則是事件相關電位中相對而言比較穩(wěn)定的一種成分，所以很大程度上受到關注和廣泛的應用。ERP是一種實時腦電波，它的時間精度可以達到微秒級。ERP的主要優(yōu)勢是穩(wěn)定的鎖時性、高時間精度和比較成熟的信號檢測和處理技術;主要弱點體現(xiàn)在空間分辨率低至厘米級。理論研究中，ERP的腦電的源定性實現(xiàn)只能靠數(shù)學推導來實現(xiàn)，比如偶極子這種方法，但是穩(wěn)定及可靠性有限。2.2.2 P300腦電信號及其特點 1965年Sutton發(fā)現(xiàn)在刺激后300ms左右出現(xiàn)的個最大的正向波P300并發(fā)表在當年的science上。在發(fā)現(xiàn)P300時使用了一個經(jīng)典ERP實驗范式:Oddb

31、all。Oddball范式的原理是:通過對同一個感覺通道施加兩種刺激，一種刺激是大概率事件(如90%)，另一種刺激則是小概率事件(如10%)。兩種刺激隨機的出現(xiàn)，對于被試來說，小概率事件的偶然性強且概率低。實驗任務要求被試關注小概率事件的靶刺激，并對小概率刺激出現(xiàn)盡快做出方應。在這種環(huán)境下，實驗結果顯示在小概率事件發(fā)生300ms后出現(xiàn)一個正向波，被稱為P300。 P300作為事件相關電位中最主要的組成，影響P300波形的潛伏期和波幅的主要因素有以下幾點: (1)刺激形式的不同，這點是區(qū)別一般的誘發(fā)電位; (2)誘發(fā)的難易度，難度越大則效果越好，反之則較差; (3)與刺激發(fā)生的概率相關，小概率事

32、件是 P300電位誘發(fā)的前提; (4)在頭部不同位置的P300波形也不相同，頭頂處最好，兩側則稍差;(5)刺激性質的不同，導致P300波形的潛伏期和波幅存在差異。視覺、聽覺和體感所誘發(fā)波形的潛伏期和波幅各有特點。2.2.3 P300的研究現(xiàn)狀及存在的主要問題 P300電位是腦機接口常用的一種信號，一般通過Oddball范式誘發(fā)，它的應用有兩個優(yōu)勢:一是被試實驗之前不需要進行訓練即可成功誘發(fā)出P300電位;其次是P300的延遲很短，單次實驗的時間也就很短。 P300的分析方法有很多，一些常見的方法有:獨立分量分析、支持向量機和小波變換等。近年來，針對P300的識別問題，人們作了大量的研究，并提出

33、了多種可行的識別方案。Bostanov提出了基于連續(xù)小波變換的算法;Hoffmann等人提出了基于最小二乘回歸的boosting方法;Xu等人提出了基于獨立分量分析的算法;Liu等人提出以主成分分析后的腦電信號作為識別特征的基于T權重方法;Kaper等人設計了支持向量機(Support Vector Machines, SVM); Rakotomamonjy等人為了提高SVM的識別準確率，提出了基于支持向量機集成的P300識別方法。 腦機接口系統(tǒng)的可用性衡量標準是它的準確率和傳輸率。由于P300信號極易被噪聲污染，使得我們很難通過一次實驗就將它準確地識別出來，所以必須進行多次重復實驗，并將實驗

34、結果經(jīng)過疊加才能較準確地將其識別。從一般的實驗過程可以看出，每進行一次實驗需要進行多次加亮，所需的重復實驗次數(shù)相應很多，信息的轉換速率就會很慢。因此，此類腦機接口系統(tǒng)的關鍵問題就是如何用盡可能少的重復實驗次數(shù)實現(xiàn)字符的準確判斷。如何在提高系統(tǒng)的判定準確率的同時系統(tǒng)的傳輸率也能得到保障，是系統(tǒng)可用性的關鍵之處。另外，單次實驗的識別準確率以及最優(yōu)分類器的訓練速度也是評價系統(tǒng)性能的主要指標。2.3本章小結視覺誘發(fā)腦電信號是腦電的其中一種形式，本章是首先對腦電信號（EEG）的一些基本的概念作簡單的介紹：概念、采集方式、信號的分類。而事件相關信號P300是視覺誘發(fā)腦電信號其中的一種，在這一章也闡述了它的

35、特點、目前研究的現(xiàn)狀和面臨的問題。第3章 基于視覺誘發(fā)P300腦-機接口3.1 腦-機接口的工作原理及基本結構BCI技術的內在原理是:當一個人的大腦在進行思維活動、產(chǎn)生意識(如動作意識)或受到外界刺激(如視覺、聽覺等)時，伴隨其神經(jīng)系統(tǒng)運行的還有一系列電活動，這些腦電信號可以通過特定的技術手段加以檢測，然后再通過信號處理(特征提取、功能分類等)，從中辨別出當事人的真實意圖，并將其 思維活動轉換為指令信號，以實現(xiàn)對外部物理設備的有效控制?；谠撛?，BCI技術系統(tǒng)與其他通訊及控制系統(tǒng)一樣，由輸入(如使用者的EEG信號)、輸出(如控制外部設備的指令)、信號處理和轉換等功能環(huán)節(jié)組成。腦一機接口組成如

36、圖3.1所示，具備信號采集、信號分析和外部應用設備控制接口三個功能模塊。圖3-1 BCI系統(tǒng)基本結構被試者頭部戴上一個電極帽，采集EEG信號，并傳送給放大器，信號一般需放大10000倍左右，經(jīng)過信號的濾波和刀D轉換等預處理最后轉化為數(shù)字信號存儲于計算機中。信號分析從經(jīng)過預處理的EEG信號中提取與受試者意圖相關的特定特征量(如頻率變化、幅度變化等);特征量提取后交給分類器進行分類，分類器的輸出即作為控制器的輸入?？刂破鲗⒁逊诸惖男盘栟D換為實際的動作，如在顯示器上的光標移動、機械手運動、字母輸入、控制輪椅、開電視等。有些BCI系統(tǒng)還設置了反饋環(huán)節(jié)(如圖3.1中所示)，不僅能讓受試者清楚自己的思維產(chǎn)

37、生的控制結果，同時還能夠幫助受試者根據(jù)這個結果來自主調整腦電信號，以達到預期目標。3.2 P300腦一機接口實驗設計和數(shù)據(jù)獲取對同一感覺通道的一系列刺激由兩種刺激組成，一種刺激出現(xiàn)的概率較大(例如0.85)，稱為標準刺激;另一種刺激出現(xiàn)的概率很小 (0.15)稱為偏差刺激。兩種刺激出現(xiàn)的順序是隨機的，這樣對于被試者來說刺激具有偶然性。令被試者發(fā)現(xiàn)偏差刺激后立刻按鍵或者記錄其數(shù)目，此時偏差刺激稱為靶刺激。在偏差刺激出現(xiàn)后30OmS可以觀察到一個很明顯的正波，此即P300。研究發(fā)現(xiàn)，P300是一種內源性成分，它不受刺激物理特性的影響，與人們的知覺或認知心理活動有關，與人們的注意、記憶、智能等加工過

38、程密切相關。本文所采用P300信號數(shù)據(jù)來自2004年9月進行的BCI分類競賽數(shù)據(jù)中的視覺誘發(fā)P300電位信號 (DatasetAlbany BCI Competition2004)，信號數(shù)據(jù)是通過BCI200O系統(tǒng)一記錄由 P300 Oddball實驗所產(chǎn)生的腦電信號得到的?；谝曈X誘發(fā)P30O的腦一機接口系統(tǒng)如圖3.2所示。圖3-2 腦-機接口系統(tǒng)圖在P300實驗中，受試者面對著一個 66的字母和數(shù)字組成的矩陣。要拼寫的單詞出現(xiàn)在屏幕的左上方，按照字符逐個拼寫。受試者的任務是將集中注意力觀察要拼寫的字符上。對于每一個待選的字符，矩陣的行和列都會隨機的高亮12次，而且每12次的高亮必定覆蓋著1

39、2個行/列，高亮時間100ms然后間隔75ms，即周期為7.5Hz。這樣其中必定有一行和一列的高亮包含了所需要的字符，根據(jù)誘發(fā)P300信號的原理，這包含了目標字符行和列由于隨機性和突發(fā)性會產(chǎn)生的P300腦電信號。靶刺激和非靶刺激產(chǎn)生的EEG波形對比如圖3.3所示。圖3-3 靶刺激和非靶刺激EEG波形對比圖3-4 64導電極位置圖實驗所提供的數(shù)據(jù)結構以240Hz采樣率對受試者采集64導腦電數(shù)據(jù)，64導電極位置圖如圖3.3所示。數(shù)據(jù)分為兩類:訓練集與測試集。訓練集中對應的字符是己知的，供訓練算法使用，測試集中對應的字符未知。不論訓練集或者測試集，其數(shù)據(jù)的結構如下:對每一個待選字符，矩陣的12個行與

40、列以隨機的順序被高亮，但每12次的高亮必定覆蓋這12個行，列。每一次高亮稱為一次trial;這12次 trial組成一個數(shù)據(jù)塊block。上述實驗過程對每一個待選的字符重復巧次，得到15個數(shù)據(jù)塊block。將這巧個block的數(shù)據(jù)合成一輪run，形成某一字符的完整數(shù)據(jù)。訓練集和測試集中都包含著若干輪的數(shù)據(jù)，其數(shù)據(jù)多少根據(jù)該集內帶拼寫字的總字符數(shù)決定。其中第一節(jié) (Session10)包括5個段，第二節(jié)(Session11)包括6個段，第三部分 (Session12)包括8個段。前兩節(jié)數(shù)據(jù) (Session10和Sessionll)為訓練數(shù)據(jù)，第三節(jié)(Session12)為測試信號。第一節(jié)各段的

41、目標字符分別為CAT，DOG，F(xiàn)ISH，WATER，BOWL:第二節(jié)各段的目標字符分別為HAT，HAT，GLOVE，SHOES，F(xiàn)ISH，RAT;第三節(jié)為測試數(shù)據(jù)，其目標字符應由實驗者通過某種識別算法預測得到，其各段的正確預測結果應為FOOD，MOOT，HAM，PIE，CAKE，TUNA，ZYGOT，4567，此結果用于比較各算法的識別準確性。圖3-5 刺激界面標號數(shù)據(jù)中的每一個trial究竟是對應于哪一行或者列被高亮則有符號表明，預測受試對象是注視的哪個字符，我們可以將問題分解成為判斷這個字母中哪個行列含有是P300誘發(fā)信號，如果能確定一個行和一個列的話，我們也就確定了受試對象注視的字符。刺

42、激界面行列標號如圖3.5所示。3.3 P300腦電信號處理信號分析目標是從所檢測的EEG中識別出使用者的操作意圖，提取能反映使用者主觀動作意識的特征參數(shù)并通過適當算法將之轉換為控制外部機電設備的執(zhí)行命令。它包括信號預處理、特征提取、特征分類等，其中特征提取和識別分類是BCI信號分析最為關鍵的環(huán)節(jié)。3.3.1 信號預處理信號預處理的目的是提高信噪比。噪聲的來源有很多種，包括非神經(jīng)源噪聲和神經(jīng)源噪聲。其中非神經(jīng)源噪聲有眼動偽跡、肌電干擾、工頻干擾等;而神經(jīng)源噪聲，包括自發(fā)的與意念無關的信號，或者與感興趣特征腦電無關的其他特征信號。這些不需要的信號，應盡可能地去除。目前常用的P300腦電信號預處理算

43、法主要包括三類:第一，時間濾波器，如低通濾波器帶通濾波器（本文主要采用此方法）等;第二，空間濾波器，如共同均值參考CAR(common average reference)，Laplacian參考;第三，空間時間濾波器，如主分量分析(PCA)，獨立分量分析 (ICA)等;通過預處理后得到的信號更有利于后面的特征提取環(huán)節(jié)和翻譯算法環(huán)節(jié)最終提高整個BCI系統(tǒng)的帶寬。3.3.2 信號的特征提取信號的特征提取是從經(jīng)過了預處理和數(shù)字化處理的EEG信號中提取出能反映使用者意圖的信號特征，目前提取信號特征的方法分類如下表，本文簡單介紹其中幾種:方法類型特征提取方法舉例時域線性濾波、方差分析、相干平均、相關分

44、析、過零點分析、波形參數(shù)分析、帶通濾波、直方圖分析、匹配跟蹤頻域傅里葉變換、自相關FFT、譜分析（AR模型）時-頻域小波變換、短時傅里葉變換（STFT）、獨立成分分析法（ICA）空域拉氏變換、主成分分析法（PCA）、共有空域模式（common spatial patterns）表3 特征提取方法(1)快速傅立葉變換 (fast Fourier transform;FFT)如果假設腦源信號和噪聲都是有限帶寬的，且它們的頻譜不重疊，則可對信號進行傅立葉變換設計出對應于不同頻帶的濾波器。(2)自回歸模型 (Auto Regression，AR)AR模型參數(shù)的估計方法是基于分段法，數(shù)據(jù)被分為若十數(shù)據(jù)段

45、，估計每段數(shù)據(jù)的AR模型參數(shù)，得到一個關于AR模型參數(shù)的時間過程，AR的系數(shù)就是線性回歸模型的參數(shù)，也是代表信號特征的特征信號，改變這些系數(shù)，可以得到不同的特征信號。基于AR模型的自適應算法 (adaptiveautoregression，AAR)和多變量參數(shù)AAR模型算法(multi-variableautoregression，MVAAR)也在腦電提取試驗中得到應用。(3)小波變換法將原始信號與一個在時域和頻域均具有良好局部化性質的伸縮小波函數(shù)進行積分或者卷積，把信號分解為位于各個不同頻帶和時段內的成分，然后在每一尺度下將屬于噪聲的小波系數(shù)抑制，保留屬于信號的小波系數(shù)，再經(jīng)反演小波變換提取

46、信號。在缺乏先驗知識的條件下，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去分析信號的不同頻率成份。(4)獨立分量分析 (Independent Componeni Analysis，ICA)獨立分量分析是一種多維統(tǒng)計分析方法，能夠把體現(xiàn)用戶控制意圖的腦源信號同偽差及無關的腦電活動相分離。同時還可將腦電信號中的基本節(jié)律分別集中在不同的獨立分量中。獨立分量分析與腦電時頻分析方法有著本質的不同，多維統(tǒng)計分析方法的特點是能同時處理多道腦電信號，因此有利于揭示和增強腦電信號中的隱含特征，在腦電消噪和特征提取等方面具有獨特的效果。3.3.3 信號特征分類特征信號

47、分類是基于腦電信號根據(jù)不同的運動或意識能使腦電活動產(chǎn)生不同響應的特性，確定運動或意識的類型與特征信號之間的關系。信號分類結果的好壞取決兩個方面的因素:一是要進行分類的特征信號是否具有明顯的特征;二是分類方法是否有效。幾種具有代表性的BCI特征信號分類方法如下:(l)線性判別式分析 (Linear Diseriminant Analysis，LDA)線性判別式分析方法簡單是實際應用中最常用的方法之一。在LDA中先建立各類的概率密度方程式模型，再輸人數(shù)據(jù)計算每一類產(chǎn)生的概率，概率值最大的點所對應的類就是輸人數(shù)據(jù)的類別。schloeglA的研究小組最早使用LDA方法進行信號分類取得了較為理想的分類效

48、果。(2)貝葉斯(Bayesian)決策貝葉斯分類器是以錯誤率或風險為準則函數(shù)的分類器，它使錯誤率或風險達到最小。貝葉斯決策的一個重要前提，就是各個類別的先驗概率以及類條件概率密度均為已知。因此用貝葉斯決策理論設計分類器，其關鍵并不在于分類器設計，而在于如何較好地進行概率密度估計。 Psykacek等138通過估計整體準確率和波特率兩個參數(shù)，比較了相同靜態(tài)分類條件下各種濾波器算法的性能。通過兩組健康人的數(shù)據(jù)分析，指出采用多種分類方法綜合分類，能顯著提高系統(tǒng)的分類性能，準確率和波特率至少可提高8%以上。(3)支持向量機 (Support Veetor Machine，SVM)分類器支持向量機基于

49、統(tǒng)計學習理論和結構風險最小化原則，其基本思想是把輸入空間的樣本通過非線性變換映射到高維特征空間，然后在特征空間中求取把樣本線性分開的最優(yōu)分類面。算法使用分類問隔控制線性學習機器的容量，從而使結構風險最小，也使其在有限樣本下具有了較強的泛化能力。不同的核函數(shù)即變換到不同的特征空間，使用核函數(shù)也避免了在高維的特征空間中直接計算。本文選擇了支持向量機作為最終的分類工具。(4)人工神經(jīng)網(wǎng)絡 (Artifieial Neutral Networks，ANN)人工神經(jīng)網(wǎng)絡是BCI系統(tǒng)應用最多的分類器。由于其應用簡單，分類結果準確性較高，被廣泛地應用于腦電信號的分類。 JDeng40讓受試者想象左右手的運動

50、，引起腦電信號的變化，并用頭皮電極在C3、C4、FZ三點記錄信號的變化，得到三個通道的數(shù)據(jù)，然后進行譜分析把得到的功率譜密度參數(shù)作為特征信號輸入人工神經(jīng)網(wǎng)絡分類器。分類器的輸出即為信號代表的左右手運動的類別。(5)共同空間模式 (Common spatial pattern，CSP)CSP算法基于兩個協(xié)方差矩陣的同時對角化來設計最優(yōu)的空間濾波器，它被成功用于運動相關EEG的分類，以分辨左手想象運動和右手想象運動腦電特征。CSP的優(yōu)點是不需要預先選擇被試者特異性的頻帶，缺點是需要大量的電極及對腦電信號的多通道分析，而多通道的腦電信號放大系統(tǒng)限制了CSP用于便攜式BCI系統(tǒng)中，所以還需要進一步優(yōu)化

51、電極數(shù)量。3.4本章小結視覺誘發(fā)P300腦-機接口系統(tǒng)是本次試驗的先決條件（硬件基礎），本章詳細介紹了本系統(tǒng)的基本原理和結構，以及試驗設計的方法、數(shù)據(jù)獲取的過程。針對本次設計是探究視覺誘發(fā)P300信號的特征提取和分類，后一部分對特征提取和分類的方法作了簡單的介紹，未第四章做好知識準備。第4章 視覺誘發(fā)腦電信號P300特征提取4.1 視覺誘發(fā)電位誘發(fā)腦電信號是指大腦受到特定的感觀刺激或事件影響所誘發(fā)的大腦皮層神經(jīng)電活動。誘發(fā)電位 (evoked potentials，EP)記錄的是神經(jīng)系統(tǒng)對刺激本身產(chǎn)生的反應。按照不同的刺激方式，誘發(fā)可以分為視覺誘發(fā)，聽覺誘發(fā)，體覺誘發(fā)等。不同的誘發(fā)電位往往在不

52、同的大腦區(qū)域采集得到，并且對應于大腦不同部位的活躍狀態(tài)。視覺誘發(fā)電位(Visual Evoked Potential,EVP)是大腦皮質枕葉區(qū)對視刺激發(fā)生的電反應，是代表視網(wǎng)膜接受刺激，經(jīng)視路傳導至枕葉皮層而引起的電位變化。4.2 P300的特征每個人的大腦結構都有著自己的特異性，而不同人的腦電信號也往往具有各自的特點。P3OO信號的主要特征有波峰偏移位置，P300波峰幅值以及N200波谷幅值，并且P30O信號同樣也有因人而異的特點。換句話說，不同的人測得的特征P3OO波形在形狀上往往會有很大的差別。圖4-1顯示了實驗過程中測得的六位被試的特征P30O信號波形。圖4-1 不同被試的P300信號

53、各人之間的P300波形會有如此的區(qū)別是和每個人不同的認知水平，反應速度以及思想集中程度有著聯(lián)系的。例如，老年人的P300波峰延遲往往要比年輕人大;在精神狀態(tài)不佳的情況下(比如醉酒后)測得波形峰值幅度會比較小。此外，P3OO波形也會受人的健康程度影響，ALS病人的P300信號相比正常人要不明顯很多，幅度也相對比較小?！?3】4.3視覺誘發(fā)信號P300幅值特征 文件example.m（附錄二）這個程序從Cz通道解壓刺激,并使用一個非常簡單的 “峰值挑選”算法來預測Subject A的訓練數(shù)據(jù)中每個特征時期的靶。這個示例使用15次加權平均濾波的方法進行分類。執(zhí)行該代碼,改變Matlab目錄包含文件的

54、目錄并且在命令窗口中輸入“example”。圖4-2 腦電信號電壓分布地形圖圖4.2顯示了電壓（用歸一化方差值計算）在腦電信號地形圖中的分布 (即信號的方差的比例是取決于行/列是否包含所需的字符), 得出了一個300ms刺激后的演示樣本。這種地形表明, 經(jīng)過強化同行/列，不同行/列的字母,相對于那些沒有包含的，在300毫秒一有個相當廣泛的空間差異。圖4.3 視覺誘發(fā)腦電信號P300幅值特性*Sample classification of the P300 test dataBCI Competition III Challenge(C) Dean Krusienski and Gerwin

55、Schalk 2004Wadsworth Center/NYSDOH*Collecting Responses and Performing classification. Classification Results: %分類結果Epoch: 1 Predicted: 4 Target: E Epoch: 2 Predicted: A Target: AEpoch: 3 Predicted: 8 Target: E Epoch: 4 Predicted: V Target: VEpoch: 5 Predicted: 9 Target: Q Epoch: 6 Predicted: U Targ

56、et: TEpoch: 7 Predicted: F Target: D Epoch: 8 Predicted: O Target: OEpoch: 9 Predicted: T Target: J Epoch: 10 Predicted: I Target: GEpoch: 11 Predicted: O Target: 8 Epoch: 12 Predicted: P Target: REpoch: 13 Predicted: B Target: B Epoch: 14 Predicted: R Target: REpoch: 15 Predicted: J Target: G Epoch

57、: 16 Predicted: O Target: OEpoch: 17 Predicted: F Target: N Epoch: 18 Predicted: C Target: CEpoch: 19 Predicted: 5 Target: E Epoch: 20 Predicted: D Target: DEpoch: 21 Predicted: I Target: H Epoch: 22 Predicted: C Target: CEpoch: 23 Predicted: T Target: T Epoch: 24 Predicted: X Target: UEpoch: 25 Pre

58、dicted: I Target: I Epoch: 26 Predicted: D Target: DEpoch: 27 Predicted: B Target: B Epoch: 28 Predicted: P Target: PEpoch: 29 Predicted: U Target: U Epoch: 30 Predicted: O Target: HEpoch: 31 Predicted: A Target: M Epoch: 32 Predicted: W Target: EEpoch: 33 Predicted: R Target: M Epoch: 34 Predicted:

59、 5 Target: 6Epoch: 35 Predicted: I Target: O Epoch: 36 Predicted: U Target: UEpoch: 37 Predicted: K Target: X Epoch: 38 Predicted: O Target: OEpoch: 39 Predicted: L Target: C Epoch: 40 Predicted: R Target: FEpoch: 41 Predicted: O Target: O Epoch: 42 Predicted: U Target: UEpoch: 43 Predicted: A Targe

60、t: K Epoch: 44 Predicted: W Target: WEpoch: 45 Predicted: E Target: A Epoch: 46 Predicted: _ Target: 4Epoch: 47 Predicted: T Target: V Epoch: 48 Predicted: J Target: JEpoch: 49 Predicted: E Target: E Epoch: 50 Predicted: 4 Target: FEpoch: 51 Predicted: R Target: R Epoch: 52 Predicted: T Target: ZEpoch: 5