脑机接口(BCI),是一种通过检测中枢神经系统活动并将其转化为人工输出,来替代、修复、增强、补充或者改善中枢神经系统的正常输出,从而改变中枢神经系统与内外环境之间的交互作用的技术。脑机接口技术通过置于头皮或颅内的电极等传感器采集脑神经活动信号,经过信号处理、特征提取、模式识别等过程,可获知人的控制意图、认知或心理状态、神经系统疾病状态等信息,为运动、语言等功能残缺的患者提供新的控制、交流通道或康复手段,也可为健康人群提供更多信息输出通道。随着脑电信号采集技术与信号处理技术的发展成熟,脑机接口技术已逐渐走入临床应用,在诸如中风、注意力缺陷等脑损伤或其他神经系统疾病患者的临床康复中表现出色,为高位截瘫、肌萎缩性侧索硬化症等运动功能障碍患者提供新的运动功能替代方案,为情绪、疲劳、意识状态等的检测和识别提供客观指标。
脑电图通过电极记录大脑的电活动,电极通常嵌入电极帽中。这种电极帽通常需要5分钟才能安装在用户身上并调节电极以获得良好的信号。脑电图系统相对便宜且便携,是BCI研究中最常见的神经影像学方法。
皮层脑电图涉及到通过外科手术将电极植入大脑表面来记录电活动。相对于EEG传感器,ECoG传感器具有更好的空间分辨率,能够准确检测脑电图电极不可见的高频脑活动。电极一旦植入,就可以准备用于BCI或其他任务,而无需在每次使用前进行准备。
深度电极(Depth electrode)记录使用通过外科手术植入大脑的电极。这种方法具有类似于ECoG的吸引人的特性,但记录的是来自一小群神经元的活动。因此,这两种方法提供了大脑活动的不同图景。
功能磁共振成像不能测量电活动,而是用来测量与不同精神活动相关的大脑血流变化。而这些变化不能像上面三种方法那样用时间精度来检测。fMRI系统需要非常强大的磁场,因此要花费昂贵且不便于携带。
布罗德曼分区是一个根据细胞结构将大脑皮层划分为一系列解剖区域的系统。神经解剖学中所谓细胞结构(Cytoarchitecture),是指在染色的脑组织中观察到的神经元的组织方式。
大脑半球外侧面的布罗德曼分区
大脑半球内侧面的布罗德曼分区
诱发电位主要有视觉诱发电位、听觉诱发电位以及触觉诱发电位三种。视觉诱发电位由于简单、方便被广泛应用于脑电信号的研究中。当视觉收到光或者图形闪烁等刺激时,脑电信号的电位会发生变化,这些电位的变化就是视觉诱发电位(Visual Evoked Potential, VEP)
。
关于SSVEP信号的原理,主流观点认为大脑里分布的各种神经网络都有其固有的谐振频率,在正常状态下,这些神经网络都是互不同步的,也是杂乱无章,没有规律的,此时的脑电信号是自发脑电。当施加一个恒定频率的外界视觉刺激时,与刺激频率或谐波频率相一致的神经网络就会产生谐振,导致大脑的电位活动在刺激频率或谐波频率处出现明显变化,由此产生SSVEP信号。
基于SSVEP信号的BCI系统就是通过检测枕叶视觉区的EEG信号来判断大脑的思维活动。
当人体受到一个固定频率的闪烁或者变换模式的视觉刺激时,大脑皮层的电位活动将被调制,从而产生一个连续的且与刺激频率有关(刺激频率的基频或倍频处)的响应,这个响应具有和视觉刺激类似的周期性节律,即为稳态视觉诱发电位(SSVEP)。SSVEP信号表现在EEG脑电信号中则是在功率谱中能在刺激频率或谐波上出现谱峰。通过分析检测谱峰处对应的频率,即能检测到受试者视觉注视的刺激源,从而能识别受试者的意图。
在使用视觉刺激装置来获取SSVEP信号时,在大脑皮层中与枕叶视觉区有关的脑电通道主要有六个(P03,P0Z,P04,01,0Z,02)
低频区(4~15Hz), 中频区(15~30Hz), 高频区(30~60Hz)
。不稳定的频率无法诱发稳定的SSVEP信号,将严重影响对信号识别的准确率,因此稳定的刺激频率是必须的。10-20系统电极放置法是国际脑电图学会规定的标准电极放置法。额极中点至鼻根的距离和枕点至枕外粗隆的距离各占此连线全长的10%,其余各点均以此连线全长的20%相隔,如下图所示。因此命名为10-20系统。
奇数表示大脑左侧,偶数表示大脑右侧。左右侧各取8个电极,加上前后位上的额中点(Fz)、中央点(Cz)、顶点(Pz)以及两个耳电极共21个电极。
10-20系统的电极位置主要以颅骨为参照,并不因个人头围或头型的差异而有所不同。10-20系统电极位置描述如下:
Code
左脑单数,右脑双数;
/代表中间,例:C3/T3就是指两点之间的中间地点;
-代表涵盖两点或相连的所有点,例:C3-T3代表涵盖这两点;
Code
F: 额叶(Frontal lobe)
Fp:前额叶(Frontal poles)
T: 颞叶(Temporal lobes)
O: 枕叶(Occipital lobes)
P: 顶叶(Parietal lobes)
C: 中心部(Central) 或感觉运动皮层(sensorimotorcortex)
Z: 零点(zero)即左右脑中心
运动想象系统的生理基础是:当人在想象躯体不同部位的运动时,会相应的激活大脑的不同功能区域,从而产生具有不同特性的脑电信号。而所谓的不同特性指的是事件相关去同步化(Event-related desynchronization,ERD)和事件相关同步化(Event-relatedsynchronization,ERS)现象。
当人在想象运动时,大脑皮层相关的区域会出现特定频率振幅减小,能量下降的情况,这就是ERD;而当人在想象运动结束或者进入大脑静息状态时,大脑皮层相关区域则会出现振幅增加,能量增加的情况,这就是ERS。
而ERD 和ERS只会在EEG的特定频率范围内出现,比如8-12Hz的Mu波以及18-26Hz 的Beta 波。
上图详解:想象左手右手运动的ERD现象。当想象左手运动时,大脑皮层右侧(C4电极附近) 出现ERD 现象,相关区域能量减小;当想象右手运动时,大脑皮层左侧(C3电极附近)出现ERD 现象,相关区域能量减小。
运动想象系统是指对想象运动产生的EEG信号进行解码,从而获知被试的运动意图,将相应的控制命令传给外接设备,达到人机交互的目的。
两种分类方法:
分类方法一:以Schwab频率来划分的话,一般分为三类:慢波、中间快波和快波
。
分类方法二:Walter分类,共有以下五种分类:
特别要注意的是这里对频率在10Hz左右的波称为节律。
(1)时域方法:这是比较早期的EEG信号处理方法,主要通过提取EEG的波形特征,比如振幅、方差、波峰等,对EEG信号进行分析;
(2)频域方法:运动想象EEG信号的ERD和ERS现象只出现在特定频率范围,比如8-12Hz 的Mu波和18-26Hz 的Beta 波。因此,通过功率谱等谱分析方法,也可以有效地从EEG提取中特征。其中比较出名的方法有自回归功率谱分析、双谱分析法等;
(3)空域方法:这是近年运动想象领域比较通用的特征提取方法,主要通过设计空域滤波器对EEG 的多通道空间分布进行处理,提取可分的特征。包括:共空域模式法(Common spatialpattern,CSP)
,以及基于CSP改进的方法。
基于CSP改进的方法包括:
时空滤波的共空谱模式(Common spatio-spectralpattern, CSSP)
;
共稀疏谱空模式(Common sparse spectral spatial pattern,CSSSP)
;
正则化公用空间模式(Regularized Common Spatial Pattern, RCSP)
等。
(4)小波模糊熵的特征提取方法鉴于脑电信号的非线性特性和运动想象时的节律特性,提出了小波模糊熵的特征提取方法,利用小波变换将EEG信号进行小波分解,得到对应运动想象EEG信号的alpha和beta节律,然后采用模糊熵方法提取特征。
(1)LDA 分类器
LDA分类器(LinearDiscriminant Analysis,LDA)是一种简单高效的线性分类器,将数据往低维度方向投影,使得投影后的数据具有类内方差最小,类间方差最大的特性。也即是投影后同一类别的数据尽可能接近,不同类别的数据尽可能分开。最后在最可分的数据上通过简单的阈值设置进行分类。LDA 是运动想象系统中最常用的分类器,在历届的脑机接口竞赛中都被许多参赛者使用。近年来,结合运动想象的特点,许多基于LDA 的改进方法也被提出来,比如自适应LDA、贝叶斯LDA等,并且都取得了很好的分类性能。
(2)SVM 分类器
支持向量机分类器(SVM)是机器学习里典型的分类器,通过构建一个最优的分割超平面,从而将两类数据尽可能的区分开。SVM 在运动想象系统中也被广泛的使用,除此之外,SVM 在P300、稳态视觉诱发电位(Steady state visuallyevoked potentials,SSVEP)脑机接口系统中也广泛使用。
(3)贝叶斯分类器
贝叶斯分类器是利用贝叶斯公式计算出样本属于各个类别的后验概率,然后最大后验概率所对应的类别则为该样本的类别。贝叶斯分类器也广泛的使用于运动想象系统,对特征进行分类。
(4)人工神经网络
人工神经网络是利用大脑神经元结构和信息传递机理,在此基础上建立大规模的具有自适应能力的网络系统,并且通过拓扑结构连接,按照大型规模的并行方式排列而成。人工神经网络适合非线性分析问题,并且具有较强的学习和归纳能力,自适应性强。人工神经网络的模式有很多种,目前常用的人工神经网络有:感知器、多层感知器、BP神经网络、RBF神经网络等。
(5)聚类分类器
聚类分析是一种具有探索性质的模式分类方法,在分类时不依赖于任何关于分类的先验知识,而是采用相似度量的方法,对具有相同或相似特征的样本进行分类。聚类分析在分类时需要确定一种聚类准则来评价聚类方法的好坏,常用的聚类准则有误差平方和
、类间距离和
、离散度
等。聚类方法有很多种,常见的方法有:层次聚类
、动态聚类法
和决策树聚类法
等。由于聚类为线性分类器,它在脑电信号分类中的缺点是对脑电信号的特征要求很高,难以处理复杂的分类问题,容易造成分辨率低。