基于EEG微狀態(tài)方法的視覺想象識別研究

1、基于EEG微狀態(tài)方法的視覺想象識別研究摘 要：運動想象MI是基于想象的腦機(jī)交互BCI中常用的任務(wù)，但MI不易習(xí)得和控制，且存在 BCI盲現(xiàn)象，使得該類BCI的實用化受限$針對較易習(xí)得和控制的視覺想象VI任務(wù)進(jìn)行識別，旨在構(gòu) 建基于VI的BCI(VI-BCI)$招募了 15名被試者參加2種動態(tài)圖像的視覺想象任務(wù)并采集腦電EEG數(shù) 據(jù)；然后采用EEG微狀態(tài)方法研究了這2種VI任務(wù)誘發(fā)的EEG在微狀態(tài)時間參數(shù)上的差異，并選用差 異顯著的微狀態(tài)時間參數(shù)構(gòu)建特征向量；最后采用SVM對2類VI任務(wù)進(jìn)行識別。結(jié)果顯示提取微狀態(tài) 特征所取得的最高、最低和平均分類精度分別為90% ,56%和80. 6士2.58

2、% $表明微狀態(tài)方法可以有效 提取VI相關(guān)EEG特征并得到具有可比性的分類精度，可望為構(gòu)建相對較新的在線VI-BCI提供思路$ 關(guān)鍵詞：視覺想象；微狀態(tài)；腦電；腦機(jī)交互Identi fication of visual imagerybased on EEG mcrostate methodAbstract:Motor i magery (MI) i s a common task i n bra i n computer i nteract i on (BCI) , but MI i s not easy to acquire and control, and there is a phen

3、omenon of BCI blindness” , which limits the practicality of this type of BCI. Ths paper a ims at the identification of Visual Imagery (VI) tasks that are easier to acquire and control, and a ims to bulld VI4based BCI (VI4BCI). 15 subjects were recrurted to participate in two kinds of dynamic picture

4、 VI tasks, and their EEG data were collected. Then, the EEG mcrostate method is used to study the differences in mcrostate t ime parameters between the two VI tasks, and the eigenvectors are constructed by mcrostate t ime parameters with significant differences. Finally, support vector machine (SVM)

5、 is used to classify the two k inds of VI tasks. The results show that the highest, the lowest and the average classification accuracy of mcrostate are 90% , 56% and 80. 6 2. 58% , respecr tively. This study shows that the mcrostate method can effectively extract VI4related EEG features and obta i n

6、 comparable accuracy. The work i s expected to prov i de i deas for the construct i on of a new on i i ne VI-BCI.Key words： vsua l imagery & mcrostate & EEG & brain computer interaction1引言腦機(jī)接口 BCI(Brain Computer Interface)是 一種建立在大腦和計算機(jī)或其他外部設(shè)備之間的 通信系統(tǒng)，不依賴于由外圍神經(jīng)和肌肉組成的大腦 傳輸通路，是一種新的人機(jī)交流方式。該技術(shù)可望 為嚴(yán)重運動殘疾患

7、者或健康人群在特定情況下提 供可選的、新的通信或控制方式$BCI中傳統(tǒng)的想象任務(wù)主要是運動想象MI (Motor Imagery)。6，要求被試者或用戶以第一人 稱視角感覺或感受自己身體的特定部位(如手或 腳)的移動過程7$ MI心理活動屬于動覺想象 (Kinesthetic Imagination),，人們在日常生活 中較少進(jìn)行此種心理活動，不易習(xí)得和控制，存在 較嚴(yán)重的“BCI盲)口。-1Z$ MI能力差的被試者難 以產(chǎn)生相應(yīng)的腦信號，這嚴(yán)重影響了該類BCI MI- BCI(Motor Imagery based Brain Computer Inter4 face)的性能，使得他們不能操

8、控這種BCI$此外, 由于MI能力不易習(xí)得和控制，MI-BCI往往需要 被試者進(jìn)行大量的訓(xùn)練，其性能主要與被試者的訓(xùn) 練量有關(guān)，這類BCI的分類性能不可靠逐，而且大 量的訓(xùn)練會給被試者帶來負(fù)擔(dān)，大大降低了該類 BCI的用戶接受度$與MI相比，VI(Visual Imagery) 是另外一種較容易完成的心理想象任務(wù)，要 求被試者以第三人稱視角在腦海中清晰地看到一 幅畫面，該種心理想象活動通常不需要訓(xùn)練，或僅 需要少量訓(xùn)練$本文嘗試研究基于VI心理活動 構(gòu)建BCI(VI-BCI)的可行性$在VI-BCI的研究中, VI-BCI范式設(shè)計 很重要，需要創(chuàng)新，要求設(shè)計不同的VI任務(wù)使得 這些任務(wù)誘發(fā)的腦

9、電特征具有可分性$ Nataliya 等&!設(shè)計了花和錘子2類視覺想象任務(wù)，對這2 類任務(wù)相關(guān)的腦電信號進(jìn)行了識別研究，取得的分 類精度為52%，分類精度不高，可能是由于選擇的 VI任務(wù)均是靜態(tài)的，導(dǎo)致誘發(fā)的腦電信號可分性 較差$ Azmy等口5對靜息狀態(tài)和VI任務(wù)(想象順 時針旋轉(zhuǎn)一顆星)的最大功率差進(jìn)行了分析，顯示 2種狀態(tài)下的最大功率無顯著差異，未報道分類精 度*Neuper等&/對被試者以第三人稱視角想象自 己手的VI任務(wù)和靜息狀態(tài)進(jìn)行分類，平均分類精 度為56% * Sousa等&$對靜態(tài)點、垂直上下2個方 向運動的動態(tài)點以及上下左右4個方向運動的動 態(tài)點的3類VI任務(wù)進(jìn)行分類，平均

10、分類精度為 87. 64% * Kozumi等&X對無人機(jī)在3個平面上 (上/下，左/右，前/后)運動的3類VI任務(wù)進(jìn)行分 類，在前額葉皮層提取特征，取得了 84. 6%的平均 分類精度$從以上VI任務(wù)設(shè)計可以看出，選擇靜 態(tài)的VI任務(wù)組合，導(dǎo)致誘發(fā)的腦電信號可分性較 差*選擇動態(tài)的VI任務(wù)組合，誘發(fā)的腦電信號具 有一定的可分性$本文擬將動態(tài)的VI任務(wù)(視覺 想象抬腿動作)與動態(tài)的VI任務(wù)(視覺想象落腿 動作)組合，假設(shè)這2類顯著不同的VI任務(wù)誘發(fā) 的腦電特征具有可分性$此外，已有VI-BCI研究所采用的特征提取方 法取得的分類精度還有待提高口4,68 $ Natalya 等&4對視覺想象花和

11、錘子2類任務(wù)相關(guān)的腦電信 號提取功率譜特征并采用功率譜加權(quán)共空間模式 SpecCSP (Spectrally weighted Common Spatial Patterns)進(jìn)行分類，分類精度不高(52%)$ Neu- per等&6對被試者視覺想象自己手部運動和靜息 狀態(tài)2類任務(wù)相關(guān)的腦電信號提取頻帶特征并采 用差異敏感學(xué)習(xí)矢量量化DSLVQ ( Distinction Sensitive Learning Vector Quantization )方法進(jìn)行 分類，平均分類精度也不高(56%)$ Sousa等&7對 3類VI任務(wù)相關(guān)的腦電信號提取功率譜能量特征 并采用支持向量機(jī)SVM ( S

12、upport Vector Ma4 chme)進(jìn)行分類，平均分類精度為87. 64% $ Koi- zum 1等&8對3類VI任務(wù)相關(guān)的腦電信號提取了 頻段的功率譜密度 PSD(Power Spectral Densrty) 特征并采用SVM進(jìn)行分類，平均分類精度為84. 6%$本文針對所設(shè)計的動態(tài)VI任務(wù)組合，嘗試 采用微狀態(tài)提取特征并采用SVM進(jìn)行分類$在傳統(tǒng)的腦電信號分析中，大都采用時域分 析、頻域分析或時頻域分析，這些分析方法往往是 基于特定的時間點和少量的電極進(jìn)行研究，不可避 免地忽略了多通道腦電信號本身的空間信息和時 域信息，這些信息對腦電信號的研究是非常重要 的。本文采用微狀態(tài)對

13、腦電信號進(jìn)行時-空域分 析$目前，微狀態(tài)方法已用于MI-BCI中，并且具 有較好的效果21$2材料和方法2.1材料被試者15名被試者(男性，年齡為2428 )參加了這 項研究，所有被試者無感知和認(rèn)知障礙，視力正常 或矯正至正常$每個被試者在實驗前都簽署了知情同意書，本文研究遵照赫爾辛基宣言并獲得昆明 理工大學(xué)醫(yī)學(xué)院醫(yī)學(xué)倫理委員會的批準(zhǔn)視覺想象任務(wù)已有VI-BCI研究采用視覺靜態(tài)圖像想象作 為心理任務(wù)，誘發(fā)的腦電特征可分性較差#1!$;也有 研究采用視覺運動想象(以第三人稱視角在大腦中 看到其他物體的運動，而非被試者肢體的運動)作 為心理任務(wù)，如圖1所示，誘發(fā)的腦電特征具有一 定的可分性1718

14、。本文擬將視覺運動想象作為心 理任務(wù)對,假設(shè)這2類不同的VI任務(wù)能夠誘發(fā)差 異顯著的腦電特征。在本文中，一種VI任務(wù)是視 覺想象抬腿動作，另一種VI任務(wù)是視覺想象落腿Figure 1 Two VI tasks used in this paper 圖1本文采用的2種VI任務(wù)2.1.3 1個trail的執(zhí)行時序與過程1個trail的執(zhí)行時序如圖2所示，要求被試者 根據(jù)提示首先進(jìn)行視覺觀察，然后進(jìn)行視覺想象。 在& = 0 s時，屏幕上呈現(xiàn)“實驗即將開始”，要求被 試者清醒放松，持續(xù)時間為3 s；在&3 s時，屏幕 上隨機(jī)呈現(xiàn)一幅抬腿或一幅落腿圖像，要求被試者 觀察并記憶該圖像，持續(xù)時間為3 s；

15、在&=6 s時, 提示圖像消失，屏幕為黑屏，要求被試者想象剛才 提示的圖像，持續(xù)時間為3 s；& = 9 s時，屏幕上呈 現(xiàn)“休息”，持續(xù)時間為5 s。休息結(jié)束，開始下一個 trail。每個被試者執(zhí)行200個trails,每個任務(wù)各 100 個 trails。Figure 2 Timing of a single trail 圖2 1個trail執(zhí)行時序示意圖Figure 2 Timing of a single trail 圖2 1個trail執(zhí)行時序示意圖覺象務(wù)示視想任提驗將始實即開腦電設(shè)備是北京中科新拓儀器有限責(zé)任公司 的新拓NT9200,米樣率為1 000 Hz。電極帽是32 通道的(

16、根據(jù)國際10-20系統(tǒng))。接地電極為 GND,參考電極為A1和A2,電極阻抗保持在10 k)以下。帶通濾波在0. 1100 Hz,并采用50 Hz 陷波濾波器以避免電源線污染。在本文中，采集了 Fp1、Fp2、F7、F3、Fz、F4、F8、Ft7、Fc3、Fcz、Fc4、 Ft8、T3、C3、Cz、C4、T4、Tp7、Cp3、Cpz、Cp4、Tp8、 T5、P3、Pz、P4、T6、O1、Oz、O2 共 30 個通道的腦 電數(shù)據(jù)進(jìn)行研究。2.2方法 2. 2. 1 數(shù)據(jù)預(yù)處理首先對腦電信號進(jìn)行基線漂移校正，以消除腦 電信號相對于基線的偏離。然后用橢圓濾波器進(jìn) 行130 Hz的數(shù)字帶通濾波，最后用

17、獨立成分分 析移除眼動偽跡、心電偽跡和肌電偽跡等。2. 2. 2 微狀態(tài)方法微狀態(tài)是一種基于腦地形圖分析的腦電信號 表示方法，得到了越來越多的應(yīng)用。微狀態(tài)分析是 Lehmann及其同事在工作中發(fā)現(xiàn)的#22，23$,他們發(fā) 現(xiàn)，腦地形圖的時間序列由幾個典型的地形圖組 成，在迅速過渡到不同地形圖之前保持穩(wěn)定(約80 120 ms),這些穩(wěn)定的地形圖稱為微狀態(tài)。微狀態(tài)方法是一種用大腦頭皮電極的電勢空 間分布來描述腦電信號特點的方法。腦電微狀態(tài) 反映了大腦神經(jīng)元集群瞬時活動的總和，不同微狀 態(tài)是由不同的神經(jīng)元集群活動所引起的，而不同的 微狀態(tài)反映了大腦不同的功能狀態(tài)。微狀態(tài)分析的目的是將記錄的腦電時間

18、樣本 分割成微狀態(tài)類別，因此屬于同一類別的腦電樣本 具有盡可能相似的腦地形圖。微狀態(tài)分析的核心 是利用聚類方法將腦電信號分割成微狀態(tài)#24$。目 前有幾種用于微狀態(tài)分析的聚類方法，如k-均值 聚類、改進(jìn)的k-均值聚類、主成分分析和混合高斯 算法。數(shù)據(jù)處理的具體流程#24$如下所示：計算30個通道中每個被試者在每個時間 點的全局場功率 GFP(Global Field Power):GFP&(1)% )#(&) ；(GFP&(1)#_1A 其中，A為電極數(shù)目，),(t)為第#個電極在&時刻 的電勢，;(t)為所有電極在t時刻的電勢平均值。 GFP可以看做是每一個電極的電勢與所有電極電 勢均值的標(biāo)

19、準(zhǔn)差。采用改進(jìn)的k均值方法進(jìn)行聚類分析。改進(jìn)的k-均值模型模擬了微狀態(tài)的激活，即模擬 了每個時間點微狀態(tài)的強(qiáng)度改進(jìn)的k-均值模型 如下所示：0 = 1 +sn(2)其中，0為第次采樣的腦電信號樣本，1/ N,N為時間樣本數(shù)RM為聚類的地形圖,0 為腦電通道數(shù),K為聚類數(shù)(微狀態(tài)的類別) RKXN為第次采樣腦電信號微狀態(tài)的激活狀態(tài)& !為第次采樣的腦電信號噪聲。從模型來看，改 進(jìn)的卜均值模型可以看做是一個生成模型。有一個重要的約束條件，即每個時間點只能有 一個微狀態(tài)處于活動狀態(tài)。也就是說，除一種值 外,1的所有值都為#,模型可以寫為：0 = a*%* F !(3)其中，*為第個腦電樣本的地形圖,

20、* 為第 次采樣的微狀態(tài)處于激活狀態(tài)時的微狀態(tài)標(biāo)簽。本文采用改進(jìn)的k-均值把腦電樣本分割成預(yù) 定數(shù)量的微狀態(tài)原型,目的是最大限度地提高腦電 樣本和它們所分配的微狀態(tài)之間的相似性。本文 將腦電數(shù)據(jù)聚類為2X個微狀態(tài)(這樣的做法是 考慮到大多數(shù)研究發(fā)現(xiàn)4個微狀態(tài)最適合描述腦 電數(shù)據(jù))-除了根據(jù)腦地形圖選擇微狀態(tài)的數(shù)量外, 還應(yīng)該檢查不同微狀態(tài)在擬合度方面的質(zhì)量。在 將腦電數(shù)據(jù)聚類為微狀態(tài)之后，將選擇用于進(jìn)一步 分析的最佳微狀態(tài)數(shù)目。選擇要使用的微狀態(tài)的 數(shù)量是一個重要的步驟，但這并不簡單。在許多情 況下，沒有一個完美的答案能夠很好地解釋數(shù)據(jù)的 微狀態(tài)集群。其中一個問題是如何測量微狀態(tài)集 群和驗證集

21、群之間的關(guān)系。本文采用擬合度量的 方法用于估計不同的微狀態(tài)集群對原始的EEG (Electro Encephalo Gram)的解釋(或擬合)程度。 在微狀態(tài)分析中，確定微狀態(tài)數(shù)量的常用方法之一 是計算擬合度量，然后根據(jù)這些度量和微狀態(tài)地形 圖的擬合程度(例如它們在生理上是否可行？)做出 定性決策。本文采用全局解釋方差GEM(Global Explained Variance)和交叉驗證準(zhǔn)則 CV( CrossValidation criterion)來評估微狀態(tài)的擬合度。GEV是衡量每個EEG樣本與分配給它的微 狀態(tài)之間相似程度的指標(biāo),GEV越大越好。計算 公式為:GEV =(corr(X

22、,a* ) GFP)2%FP其中GEV =(corr(X ,a* ) GFP)2%FP交叉驗證準(zhǔn)則CV的值與殘余噪聲有關(guān)，因此 其目的是獲得較小的CV值。計算公式為： TOC o 1-5 h z CV = ff2 (CE)2C 一 K 一 1其中，。2是殘余噪聲方差的估計量，其計算方式如 下所示：2 %=10+0 - (虱0)2(). = N(C1) 當(dāng)獲得最佳數(shù)量的微狀態(tài)原型后，希望看 到原始腦電信號與這些微狀態(tài)原型的匹配程度。 也就是說，在選擇出微狀態(tài)的最佳數(shù)量之后，需要 將微狀態(tài)反擬合到腦電信號中，反擬合是基于它們 在地形上最相似的微狀態(tài)并給腦電樣本分配一個 微狀態(tài)標(biāo)簽，這種相似性用全局

23、地形圖差異GMD (Global Map Dissimilarity)來衡量,也被稱為 DISS,是一種距離度量，度量地形圖的相似程度。 對于2個EEG樣本0和0& ,GMD的計算方式如 下所示:GMD =00&GFPGFP(7)通過GFP歸一化GMD =00&GFPGFP(7)將提取出的4類微狀態(tài)匹配到被試者的腦電 信號后，分別計算出2種VI任務(wù)下的微狀態(tài)時間 序列的如下幾個參數(shù)：平均持續(xù)時間 AD(Mean Duration):每種 微狀態(tài)保持穩(wěn)定時的平均持續(xù)時間(ms)0所占時間比 TCR (Time Coverage Ratio): 每種微狀態(tài)在總的信號時間中所占的比值。每秒出現(xiàn)頻率O

24、PS (Occurrence Per Second) ： 每種微狀態(tài)每秒出現(xiàn)的次數(shù)。本文對微狀態(tài)的時間序列參數(shù)進(jìn)行統(tǒng)計分析, 篩選出差異最顯著的2種微狀態(tài)，對差異顯著的微 狀態(tài)時間參數(shù)構(gòu)建特征向量；最后采用SVM對2 類VI任務(wù)進(jìn)行識別。支持向量機(jī)支持向量機(jī)SVM是一種分類算法，它通過尋 求結(jié)構(gòu)風(fēng)險最小來提高學(xué)習(xí)機(jī)泛化能力，實現(xiàn)經(jīng)驗 風(fēng)險和置信范圍最小化，從而達(dá)到在統(tǒng)計樣本量較 少的情況下，也能獲得良好統(tǒng)計規(guī)律的目的。SVM算法的核心在于：(1)在線性可分的情況 下，利用間隔最大化的學(xué)習(xí)策略尋求一個間隔最大 的超平面；(2)在線性不可分的情況下，通過核函數(shù) 將低維的特征向量映射到高維來尋求線性

25、可分！ 本文采集的腦電信號正是小樣本且是非線性的，因 此SVM分類器適合本文研究。在本文中，從視覺想象腦電信號中提取出4種 微狀態(tài)，每一種微狀態(tài)都是大腦神經(jīng)活動的時-空 信息的集合，以微狀態(tài)的時間序列進(jìn)行分類！統(tǒng)計 分析表明，微狀態(tài)1和微狀態(tài)4的差異明顯，本文 就以微狀態(tài)1和微狀態(tài)4的微狀態(tài)時間序列作為 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行分類研究！首先用訓(xùn)練 樣本和標(biāo)簽來訓(xùn)練模型，然后再用模型對測試樣本 進(jìn)行標(biāo)簽預(yù)測，最后把預(yù)測標(biāo)簽與真實的標(biāo)簽進(jìn)行 對比，得到分類的精度！3 t檢驗結(jié)果為了比較微狀態(tài)參數(shù)在2類任務(wù)中的差異顯 著性，對所有被試者在2種視覺想象任務(wù)下的狀態(tài) 時間序列進(jìn)行了，檢驗，結(jié)果如表1所示

26、，從結(jié)果 可以看出，微狀態(tài)1和微狀態(tài)4的參數(shù)MDTCR 和OPS在2種視覺想象任務(wù)下都存在顯著性的差 異（PVO. 05）,微狀態(tài)2和微狀態(tài)3的差異不顯著 （P0. 05）。Table 1 Comparison of significant differences of fourmkrostate time parameter characteristics in two VI tasks表1 種微狀態(tài)時間參數(shù)特征在2種VI任務(wù)中的顯著性差異比較微狀態(tài)-參數(shù)MDTCROPS10.000 250.003 240.000 5020.674 520.475 470.433 9430.374 070.

27、143 230.096 5340.008 740.007 340.003 51表2呈現(xiàn)了 15個被試者在基于微狀態(tài)提取特 征（視覺想象開始后03 s）并利用SVM取得的 平均、最高和最低分類精度。圖3呈現(xiàn)了微狀態(tài)平均持續(xù)時間存在的差異 性。從圖3可以看出，微狀態(tài)1的平均持續(xù)時間在 任務(wù)2時（平均113. 28 ms）相比任務(wù)1時（平均 93. 75 ms）明顯增長；微狀態(tài)2和微狀態(tài)3與微狀 態(tài)1的情況相同；而微狀態(tài)4的平均持續(xù)時間在任 務(wù)1時（平均113. 84 ms）相比任務(wù)2時（平均66. 41 ms）明顯增長，與其它3個微狀態(tài)相反。圖3中黑色線代表15位被試者的平均結(jié)果, 橫坐標(biāo)上的1和

28、2分別代表視覺想象抬腿動作和 視覺想象落腿動作，三角代表值的大小。Table 2 Classificaion accuracy offeatures extracted by microstate表2采用微狀態(tài)提取特征的分類精度被試者平均分類精度最高分類精度最低分類精度183.4089.1363.02282.1287.0067.00385.2788.0062.45481.2386.0060.75589.2890.0056.00676.4385.0065.34778.5589.3369.36879.2288.0062.00979.5084.3363.231081.7985.0058.331176

29、.3786.3368.331280.9983.4863.241378.2387.0068.331478.5286.6663.331578.1083.2961.71-微狀態(tài)1 -A微狀態(tài)2 微狀態(tài)3 微狀態(tài)4 120402012121212編號動作Figure 3 Di fferences in mean duration of microstate圖3微狀態(tài)平均持續(xù)時間存在的差異圖4呈現(xiàn)了微狀態(tài)所占時間比值存在的差異。 從圖4可以看出，微狀態(tài)1所占的時間比值，在任 務(wù)2時（平均52. 21%）比任務(wù)1時（平均48. 75%） 高；微狀態(tài)2和微狀態(tài)3與微狀態(tài)1的情況相同; 而微狀態(tài)4所占的時間比

30、值，在任務(wù)1時（平均 39. 56%）比任務(wù)2時（平均34. 85%）高，與其它3 個微狀態(tài)相反。圖4中各符號的含義與圖3中的 相同。Figure 4 Differences in the time ratio of m i crostate 圖4微狀態(tài)所占時間比值上存在的差異圖5呈現(xiàn)了微狀態(tài)出現(xiàn)頻率的差異。從圖5 可以看出，在任務(wù)1時，微狀態(tài)4出現(xiàn)的頻率比其 它3個微狀態(tài)的要高，微狀態(tài)1出現(xiàn)的頻率最低; 而在任務(wù)2時，微狀態(tài)1出現(xiàn)的頻率比其它3個微 狀態(tài)的要高，微狀態(tài)4出現(xiàn)的頻率最低。圖5中各 符號的含義與圖3中的相同。微狀態(tài) 微狀態(tài)2 一微狀態(tài)3 微狀態(tài)412-g 10g 81212121

31、2編號動作Figure 5 Frequency differences of microstate圖5微狀態(tài)出現(xiàn)頻率的差異圖612121212編號動作Figure 5 Frequency differences of microstate圖5微狀態(tài)出現(xiàn)頻率的差異圖6呈現(xiàn)了采用改進(jìn)的k-均值把腦電樣本分 割成預(yù)定數(shù)量的微狀態(tài)原型，按照預(yù)先設(shè)定的值， 從左到右依次排列。本文將腦電數(shù)據(jù)聚類為2X 個微狀態(tài)原型（這樣的做法是因為考慮到大多數(shù)研 究發(fā)現(xiàn)4個微狀態(tài)最適合描述腦電數(shù)據(jù)）。30 0 QFigure 6 EEG data clustered into 28microstate prototype

32、s圖6腦電數(shù)據(jù)聚類為28個微狀態(tài)原型圖7呈現(xiàn)了采用GEV和CM來評估微狀態(tài)分 段的擬合度。從圖7可以看出，在微狀態(tài)數(shù)量為4 時,CV值是最小的,GEV的值是一直增長的，因 此，本文選取了 4個微狀態(tài)進(jìn)行研究。Figure 8 Microstate time sequences schematic diagram of EEG signals of 15 subjects in 2 visua l imagery tasks 圖8 15位被試者在2種視覺想象任務(wù)下的 腦電信號的微狀態(tài)時間序列示意圖圖9呈現(xiàn)了采用微狀態(tài)提取特征的分類精度 隨時間變化的曲線。圖9結(jié)果表明，測試集在0 3 s的分類精度

33、曲線整體較平穩(wěn)。在。0.2 s有 一個極大值,0.2-0. Figure 8 Microstate time sequences schematic diagram of EEG signals of 15 subjects in 2 visua l imagery tasks 圖8 15位被試者在2種視覺想象任務(wù)下的 腦電信號的微狀態(tài)時間序列示意圖圖9呈現(xiàn)了采用微狀態(tài)提取特征的分類精度 隨時間變化的曲線。圖9結(jié)果表明，測試集在0 3 s的分類精度曲線整體較平穩(wěn)。在。0.2 s有 一個極大值,0.2-0. 5 s有一個較大的上升趨勢, 0. 53 s基本趨于平穩(wěn)。Figure 9 Classi

34、fication accuracy vs.time when using microstate extraction feature圖9采用微狀態(tài)提取特征的分類精度隨時間變化的曲線Figure 7 Figure 7 Selecting effectSe number of microstates based on degree of fitting 圖7基于擬合度選擇微狀態(tài)的有效個數(shù) 圖8所示為15位被試者在2種VI任務(wù)下的 腦電信號被解析成微狀態(tài)時間序列示意圖，把每個目前MI-BCI的研究較多，已有大量文獻(xiàn)對 MI相關(guān)腦電做了識別研究，取得了一定的進(jìn)展，但 MI范式存在缺點，MI心理活動不易習(xí)得和控制， 存在BCI盲，難以實用化。與MI-BCI相比,VI- BCI的研究較少，VI相關(guān)腦電解碼面臨挑戰(zhàn)