CN103793058A - 一种主动式脑机交互系统运动想象任务分类方法及装置 - Google Patents

Abstract

本发明属于脑-机交互（BCI）技术领域，具体是一种主动式脑机交互系统运动想象任务分类方法及装置。解决了目前对于主动式运动想象任务模式分类准确率不高、执行时间较长的技术问题。一种主动式脑机交互系统运动想象任务分类方法，包括：（1）采集训练阶段原始脑电信号；（2）脑电信号的预处理与特征提取，计算检测阈值V_d；（3）主动想象阶段脑电信号的采集与状态检测，根据阈值检测大脑空闲状态和想象运动状态；（4）运动想象脑电特征分类，对想象运动状态脑电特征进行左、右手运动想象任务分类。本发明所述的阈值检测结合支持向量机的脑电特征分类方法稳定、可靠，提高了运动想象脑电特征分类的准确率，并可有效减少分类执行时间。

Description

一种主动式脑机交互系统运动想象任务分类方法及装置

技术领域

本发明属于脑-机交互技术领域，具体是一种主动式脑机交互系统运动想象任务分类方法及装置。

背景技术

脑-机交互技术（BCI）是不依赖于常规脑外周神经和肌肉系统，在人脑和外部设备之间建立的一种通信系统。它利用计算机等设备对特定任务下采集的脑电数据进行分析，将大脑信息转换为控制命令，实现人与外界的交流以及对外部环境的控制。BCI系统提供了一种全新的通信和控制方式，它为那些肢体残疾但大脑意识清楚的截瘫患者带来了福音。可以帮助肢体严重残疾的人，使其在一定程度上恢复与外界交流的能力，协助中风患者进行电、磁刺激等生物反馈治疗和康复训练，以及进行家用电器、电脑游戏、信号灯等外部设备的控制等。

运动想象BCI系统分为主动式BCI和被动式BCI两类。所谓被动式BCI，就是受试者在确定或不确定的时间内，在任务提示界面的同步提示下进行运动想象任务切换，其模式识别的目的是对不同运动想象任务诱发脑电（EEG）信号进行特征提取和分类，因此受试者不是完全意义上的控制者。主动式BCI系统中没有同步提示刺激，由受试者自主控制思维活动，系统采集并分析连续的EEG信号，并对不同任务诱发的EEG特征进行识别，进而转化成相应的控制命令，实现对外设的实时控制。主动式BCI系统提供了一种更加灵活、自然的人机交互方式，是BCI技术发展的趋势。主动式运动想象BCI模式识别的难点之一是判断受试者何时处于非运动想象状态，即空闲状态。由于空闲状态信号不仅会增加数据处理的时间开销，还会对想象运动状态产生干扰，影响识别的准确性。因此，主动式BCI系统的关键问题就是检测受试者大脑的想象运动状态和空闲状态，再经过运动想象脑电特征提取和模式识别，将受试者想象意图转化为数字指令，实现与外部设备的实时通信和控制。

当人们实际做或仅想象单侧肢体运动时，大脑感觉运动皮层会出现EEG的节律性活动，在8HZ～13HZ（μ节律）频段上，EEG信号幅度将发生相应改变，当大脑对侧EEG信号幅度明显减小，称为事件相关去同步（ERD）；而大脑同侧EEG信号幅度明显增大，称为事件相关同步（ERS）。这种变化可以在大脑感觉运动皮层的C3、C4导联位置附近测量得到。大脑皮层这种工作模式反映了大脑可以通过抑制周围皮层区域活动来提高焦点功能皮层区的激活程度。ERD/ERS现象也表明特定频段上的EEG信号在能量上减小或增加，反映了大脑想象单侧肢体运动的状态，可以作为获取大脑想象左、右手运动想象脑电特征的依据。

目前，运动想象脑电特征识别方法主要有基于贝叶斯线性判别的分类器检测方法，测试集样本的分类结果正确率和均方误差分别为77.62%和0.495，其特征提取过程需要公共空间频率模式算法和ARMA谱估计方法提取样本的空域和频域特征，其实时性较差。赵丽和王磊等人利用睁眼产生的α波阻断、闭眼引起α波能量增大现象，设计主动式BCI系统，对受试者想象运动状态和空闲状态进行区分，但是这种方法需要更多的脑电导联数和受试者的配合，且容易受到眨眼的影响；George等人采用离线训练，基于最大化两类运动想象正确判别率，最小化空闲状态错误判别率的思想，利用检测特征曲线，寻找最优上下阈值的方法进行分类，然而在实际应用中很难获取有效的完全意义的空闲状态训练样本，且在线运动想象脑电特征分类时间开销大，因此实际应用中受到较大限制。

发明内容

本发明为解决目前主动式运动想象脑电特征分类准确率不高、分类时间较长的技术问题，提供一种主动式脑机交互系统运动想象任务分类方法及装置。

本发明所述主动式脑机交互系统运动想象任务分类方法是采用以下技术方案实现的：一种主动式脑机交互系统运动想象任务分类方法，包括以下步骤：

（1）采集训练阶段原始脑电信号：受试者头戴电极帽，按照国际标准10-20导联法安放电极，在屏幕上出现‘+’符号提示以及向左或向右箭头提示下，采集受试者的脑电信号，包括空闲状态脑电信号以及左手或右手运动想象脑电信号；出现左箭头时，大脑处于左手运动想象状态，出现右箭头时，大脑处于右手运动想象状态；在出现每个向左或向右指示箭头之前，都会出现‘+’符号提示，此时大脑处于空闲状态；一个空闲状态与左手运动想象状态组成一次事件，一个空闲状态和一个右手运动想象状态也组成一次事件；包含左手运动想象的事件与包含右手运动想象的事件是随机出现；一次事件中包括空闲状态持续时间0～3s随机，运动想象状态持续时间3～6s随机，且空闲状态持续时间与运动想象状态持续时间之和必须为6s；对于每次事件可以采集到C3导联的一组脑电数据和C4导联的一组脑电数据，一次事件每个导联的脑电信号采样点为1000*6个；

（2）脑电信号的预处理与特征提取；采用脑电功率叠加平均方法对采集到的脑电信号预处理，其计算公式为：

$\stackrel{\‾}{P}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left[x^2\left(i\right)\right]}_j$

式中，i代表采样点，为1000*6个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表事件次数，n为想象左手或想象右手运动的总次数，

为各采样点对应的脑电平均功率，为1000*6的一个数组；分别得到一组C3导联想象左手运动的脑电信号平均功率

一组C3导联想象右手运动的脑电信号平均功率

一组C4导联想象左手运动的脑电信号平均功率

一组C4导联想象右手运动的脑电信号平均功率

使用小波变换方法对脑电功率信号进行特征提取，分别得到C3、C4导联想象左右手运动的脑电μ节律小波系数能量值，即E(C₃)_left、E(C₄)_left、E(C₃)_right、E(C₄)_right；分别对大脑左手、右手想象运动时C3、C4导联脑电μ节律小波系数能量值做差，得到

和

并将二者再做差值，取其绝对值的二分之一作为状态检测的判定阈值V_d：

$V_d=\frac{1}{2}\left|\right[E{\left(C_3\right)}_{\mathrm{left}}-E{\left(C_4\right)}_{\mathrm{left}}]-[E{\left(C_3\right)}_{\mathrm{right}}-E{\left(C_4\right)}_{\mathrm{right}}\left]\right|$

（3）主动想象阶段脑电信号的采集与状态检测：受试者头戴电极帽，按照国际标准10-20导联法安放电极，受试者不进行想象任务或者进行无提示自主想象左、右手运动，此时采集6s脑电数据作为一次事件，采样点为1000*6个；分别对C3、C4导联该次事件对应的脑电平均功率信号进行小波变换，得到无外界提示下C3、C4导联脑电μ节律小波系数能量特征值，即E′(C₃)、E′(C₄)；将二者做差值计算，得到[E′(C₃)-E′(C₄)]，差值大于阈值V_d，则对应大脑的想象运动状态，如果差值小于阈值V_d，则对应大脑的空闲状态；

（4）对步骤（3）中得到的对具有想象运动状态特征的脑电信号采用基于RBF核函数的支持向量机分类方法进行左、右手运动想象任务分类，数据处理计算机向外部控制系统输出对应向左或向右运动的控制指令；不断采集受试者在无外界提示下的脑电信号，对每次事件进行状态检测、运动想象任务分类，就可以持续不断的向外部控制系统输出控制指令。

为了提高主动式BCI系统运动想象任务模式识别的准确率和可靠性，在实际使用BCI系统时，需先对受试者进行训练。

训练阶段，受试者坐在椅子上，全身放松。系统启动后，受试者双眼注视计算机屏幕，出现一个“十”字符号及蜂鸣声，提示受试者准备，要求受试者处于静息，不进行想象运动，此为空闲状态，持续时间0-3s随机。接着，“十”字符号会被屏幕上的箭头代替，受试者按照箭头指示方向进行左手或右手想象运动，此为运动想象状态，箭头呈现时间3-6s随机。整个过程称为一次事件，持续时间共为6s，比如空闲状态为1s时，运动想象状态时间为5s，空闲状态为2s时，运动想象状态时间只能是4s，即要保证一次事件的持续时间始终为6s。总共进行2n次事件，其中，想象左手运动和右手运动各n次。每次事件的屏幕左、右箭头指示方向随机出现。

采集训练阶段C₃、C₄导联的脑电数据作为训练组，每个导联各有2n组训练数据集，通过训练数据获取用于状态检测的阈值以及用于支持向量机模式分类的分类参数。

脑电信号处理

（1）脑电信号预处理

在脑电数据处理之前，首先进行脑电数据的截取。由于空闲状态与运动想象状态呈现时间均是随机不确定的，一般按照持续时间6s作为一次事件，每个事件包含1000*6个数据采样点。

分别对C3、C4导联包含的左、右手运动想象脑电采样数据，采用功率叠加平均方法抑制自发脑电干扰，获得纯净的诱发脑电信号。

脑电功率叠加平均方法计算公式为：

$\stackrel{\‾}{P}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left[x^2\left(i\right)\right]}_j$

式中，i代表采样点，为1000*6个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表事件次数，n代表想象左手或想象右手运动的总次数，

为各采样点对应的脑电平均功率，为1000*6的一个数组；分别得到一组C3导联想象左手运动的脑电平均功率一组C3导联想象右手运动的脑电平均功率

一组C4导联想象左手运动的脑电平均功率

一组C4导联右手运动想象的脑电平均功率

（2）小波变换脑电特征提取

当人们实际做或仅想象单侧肢体运动时，大脑感觉运动皮层会出现EEG的节律性活动，在8HZ～13HZ（μ节律，主要来自中枢后躯体感觉皮层）频段上，EEG信号幅度将发生相应改变。当幅度明显减小时称为ERD，当幅度明显增大时称为ERS。大脑皮层这种工作模式反映了大脑可以通过抑制周围皮层区域活动来提高焦点功能皮层区的激活程度。而大脑处于空闲状态时，不具有ERD和ERS特性，这可以作为左、右手运动想象特征的依据。

小波变换是一种时间-尺度变换的时频分析方法，它具有时频多分辨率特性，采用该方法对C₃、C₄导联脑电平均功率信号进行6尺度小波分解，则各尺度分量对应的子频带分布范围依次为：250～500Hz、125～250Hz、62.5～125Hz、31.2～62.5Hz、15.6～31.2Hz、7.8～15.6Hz。其中，第6尺度对应的子频带（7.8～15.6Hz）涵盖了脑电的μ节律，选取第6尺度小波系数能量作为特征向量，图3为C3、C4导联想象左手运动和想象右手运动的脑电μ节律小波系数能量。

由图3可知，在3-6s之间的运动想象状态，C3、C4导联左、右手想象运动的小波系数能量存在明显差异，表现为想象左手运动时，C3导联的小波系数能量高于C4导联的小波系数能量，想象右手运动时，C3导联的小波系数能量低于C4导联的小波系数能量，这与运动想象诱发大脑皮层产生的ERD/ERS现象一致；而0-3s之间的空闲状态，则没有此特征出现。为了使左、右手运动想象脑电特征区分更显著，对C3和C4导联小波系数能量做差值处理，即：

E(C₃)_left-E(C₄)_left＞0  想象左手运动

E(C₃)_right-E(C₄)_right＜0  想象右手运动

图4为想象左手、右手运动的C3、C4导联小波系数能量差。由图可知：在3-6s想象左、右手运动状态的小波系数能量差值得以很好区分，且想象运动状态（3-6s）的小波系数能量差值远远大于空闲状态（0-3s）的能量差。

（3）阈值判别

大脑想象运动状态与空闲状态可以通过C₃与C₄导联小波系数能量差区分，将想象左手运动的小波系数能量差与想象右手运动的小波系数能量差再做差值处理并取绝对值，可作为空闲状态与想象运动状态的判别依据。图5为空闲状态与运动想象状态脑电小波系数能量差。由图5可知，运动想象状态（3-6s）能量差的绝对值远大于空闲状态（0-3s）能量差，取V_d作为检测空闲状态与想象运动状态的阈值。

$V_d=\frac{1}{2}\left|\right[E{\left(C_3\right)}_{\mathrm{left}}-E{\left(C_4\right)}_{\mathrm{left}}]-[E{\left(C_3\right)}_{\mathrm{right}}-E{\left(C_4\right)}_{\mathrm{right}}\left]\right|$

得到阈值后进行在线BCI主动想象阶段，一般情况主动想象阶段与训练阶段间隔2～3小时进行。在主动想象阶段，受试者听到准备开始的蜂鸣声后，不进行想象任务或者进行无提示下自主左、右手运动想象任务。在线BCI运行阶段，使用小波变换方法依次对每个事件的C3、C4导联脑电信号进行小波特征提取，得到C3、C4导联想象运动脑电μ节律的小波系数能量值，即E/(C₃)、E/(C₄)，将C₃、C₄导联小波系数能量做差值计算，得到[E′(C₃)-E′(C₄)]，差值大于阈值V_d，对应大脑的想象运动状态，在计算机中标记为1；差值小于阈值V_d，对应大脑的空闲状态，在计算机中标记为0；

所述的基于RBF核函数的支持向量机分类方法是本领域技术人员所熟知的方法，是易于实现的。

特征分类训练是对训练阶段提取的特征向量进行学习，得到一个结构体类型和分类参数。在线分类测试和应用时，直接调用已训练好的分类参数对测试数据进行分类，获得分类不同运动想象任务的数字指令。当想象左手运动时，输出数字指令“01”；想象右手运动时，输出数字指令“10”。

本发明所述的主动式脑机交互系统运动想象任务分类装置是采用以下技术方案实现的：一种主动式脑机交互系统运动想象任务分类装置，包括用于采集脑电信号的脑电电极、与脑电电极信号输出端顺次连接的脑电放大器、A/D转换器、包含有按键键盘的数据处理计算机；数据处理计算机的输出端分别连接有外部控制系统和红绿灯显示界面；所述数据处理计算机在相应软件的支持下，根据计算得出的阈值，判断出主动想象阶段采集的脑电数据中的想象运动状态，并将想象运动状态的脑电特征进行左、右手运动想象任务分类；将模式分类的输出信号转换成数字控制指令，分别输入给数据处理计算机的显示界面和外部控制系统。

所述的相应软件包含Matlab软件和BCI2000软件，是本领域技术人员容易编写的或公开的。

进一步的，当受试者大脑完成左、右手运动想象任务后，通过按键键盘不同按键将受试者的左、右手运动想象意图以字母方式输入到数据处理计算机。

进一步的，数据处理计算机将左、右手运动想象任务分类结果通过红绿灯显示界面上的红绿灯呈现，反馈给受试者；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图一致，数据处理计算机输出控制指令给外部控制系统，对外设执行相应操作，并进行下一次想象动作任务；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图不一致，数据处理计算机不输出控制指令给外部控制系统，受试者需要继续想象同方向的动作任务。

本发明具有以下技术效果：本发明所述的阈值判别结合支持向量机特征分类方法稳定、可靠，提高了特征分类的准确率，且有效减少了分类执行时间，可满足在线运动想象脑机交互系统的应用。利用屏幕红绿灯显示和键盘按键，将运动想象任务模式分类结果实时反馈给大脑并进行运动想象任务调节，有效提高了主动式脑机交互系统对外部设备控制的准确性。通过相应的外部设备，如康复装置、家用电器、电脑游戏、信号灯等，可以准确、高效的实现对外部设备的通信与控制，必将具有可观的社会效益和应用前景。

附图说明

图1是主动式脑机交互系统框图。

图2是运动想象诱发脑电信号处理流程。

图3是C3、C4导联运动想象脑电μ节律小波系数能量。

图4是想象左手、右手运动的小波系数能量差。

图5是空闲状态与想象运动状态小波系数能量差。

图6是基于支持向量机的模式分类框图。

图7是在线BCI系统脑电信号实时采集与处理框图。

1-脑电电极，2-脑电放大器，3-A/D转化器，4-数据处理计算机，5-红绿灯显示界面，6-按键键盘，7-外部控制系统。

具体实施方式

一种主动式脑机交互系统运动想象任务分类方法，包括以下步骤：

（1）采集训练阶段原始脑电信号：受试者头戴电极帽，按照国际标准10-20导联法安放电极，在屏幕上出现‘+’字符号提示以及向左或向右箭头提示下，采集受试者的脑电信号，包括空闲状态脑电信号以及左手或右手运动想象脑电信号；出现左箭头时，大脑处于左手运动想象状态，出现右箭头时，大脑处于右手运动想象状态；在出现每个向左或向右指示箭头之前，都会出现‘+’字符号，此时大脑处于空闲状态；一个空闲状态与左手运动想象状态组成一次事件，一个空闲状态和一个右手运动想象状态也组成一次事件；包含左手运动想象的事件与包含右手运动想象的事件是随机出现；一次事件中包括空闲状态持续时间0～3s随机，运动想象状态持续时间3～6s随机，且空闲状态持续时间与运动想象状态持续时间之和必须为6s；对于每次事件可以采集到C3导联的一组脑电数据和C4导联的一组脑电数据，一次事件每个导联的脑电信号采样点为1000*6个；

（2）脑电信号的预处理与特征提取；采用脑电功率叠加平均方法，

对采集到的脑电信号预处理，其计算公式为：

$\stackrel{\‾}{P}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left[x^2\left(i\right)\right]}_j$

式中，i代表采样点，为1000*6个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表事件次数，n为想象左手或想象右手运动的总次数，

为各采样点对应的脑电平均功率，为1000*6的一个数组；分别得到一组C3导联想象左手运动的脑电信号平均功率

一组C3导联想象右手运动的脑电信号平均功率

一组C4导联想象左手运动的脑电信号平均功率

一组C4导联想象右手运动的脑电信号平均功率

使用小波变换方法对脑电功率信号进行特征提取，分别得到C3、C4导联想象左右手运动的脑电μ节律小波系数能量值，即E(C₃)_left、E(C₄)_left、E(C₃)_right、E(C₄)_right；分别对大脑左手、右手想象运动时C3、C4导联脑电μ节律小波系数能量值做差，得到

和

并将二者再做差值，取其绝对值的二分之一作为状态检测的判定阈值V_d：

$V_d=\frac{1}{2}\left|\right[E{\left(C_3\right)}_{\mathrm{left}}-E{\left(C_4\right)}_{\mathrm{left}}]-[E{\left(C_3\right)}_{\mathrm{right}}-E{\left(C_4\right)}_{\mathrm{right}}\left]\right|$

（3）主动想象阶段脑电信号的采集与状态检测：受试者不进行想象任务或者无提示自主想象左、右手运动，此时采集6s脑电数据作为一次事件，采样点为1000*6个；分别对C3、C4导联该次事件对应的脑电平均功率信号进行小波变换，得到无外界提示下的一组C3、C4导联想象运动脑电μ节律的小波系数能量特征值，即E′(C₃)、E′(C₄)；将二者做差值计算，得到[E′(C₃)-E′(C₄)]，差值大于阈值V_d，则对应大脑的想象运动状态，差值小于阈值V_d，则对应大脑的空闲状态；

（4）运动想象脑电特征分类：对步骤（3）中得到的对具有想象运动状态特征的脑电信号采用基于RBF核函数的支持向量机分类方法进行左、右手运动想象任务分类，数据处理计算机4向外部控制系统输出对应向左或向右运动的控制指令；不断采集受试者在无外界提示下的脑电信号，对每次事件进行状态检测、运动想象任务分类，就可以持续不断的向外部控制系统输出控制指令。

一种主动式脑机交互系统运动想象任务分类装置，包括用于采集脑电信号的脑电电极1、与脑电电极1信号输出端顺次连接的脑电放大器2、A/D转换器3、包括有按键键盘6的数据处理计算机4；数据处理计算机4的输出端分别连接有外部控制系统7和红绿灯显示界面5；所述数据处理计算机4在相应软件的支持下，根据计算得出的阈值，判断出主动想象阶段采集的脑电数据中的想象运动状态信号，并将想象运动状态的脑电特征进行左、右手运动想象任务分类；将模式分类的输出信号转换成数字控制指令，分别输入给数据处理计算机4的红绿灯显示界面5和外部控制系统7。

当受试者大脑完成左、右手运动想象任务后，通过按键键盘6不同按键将受试者的左、右手运动想象意图以字母方式输入到数据处理计算机4。

所述数据处理计算机4将左、右手运动想象任务分类结果通过红绿灯显示界面5呈现，反馈给受试者；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图一致，数据处理计算机4输出控制指令给外部控制系统7，对外设执行相应操作，并进行下一次想象动作任务；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图不一致，数据处理计算机4不输出控制指令给外部控制系统7，受试者需要继续想象同方向的动作任务。

下面结合附图和实施例对本发明做进一步详述：

1.脑电信号采集

为了提高主动式BCI系统运动想象任务模式识别的准确率和可靠性，在实际使用BCI系统前，需先对受试者进行训练。

训练阶段为：受试者坐在椅子上，全身放松。系统启动后，受试者双眼注视计算机屏幕，出现一个“十”字符号及蜂鸣声，提示受试者准备，要求受试者处于静息，不进行想象运动，此为空闲状态，持续时间0-3s随机。接着，“十”字符号会被屏幕上的箭头代替，受试者按照箭头指示方向进行左手或右手想象运动，此为运动想象状态，箭头呈现时间3-6s随机。整个过程称为一次事件，持续时间共为6s。总共进行140次事件，其中，想象左手运动和右手运动各70次。每次事件的屏幕箭头指示方向和呈现时间随机出现。

采集训练阶段C₃、C₄导联的脑电数据作为训练组，每个导联各有140组训练数据集，通过训练数据获取用于状态检测的阈值以及用于支持向量机模式分类的分类参数。

实施过程第二阶段为在线BCI主动想象阶段，一般情况主动想象阶段与训练阶段间隔2～3小时进行。在主动想象阶段，受试者听到准备开始的蜂鸣声后，不进行想象任务或者在无提示下自主进行左、右手运动想象任务。同时受试者按照想象运动意图进行键盘按键，当想象左手运动时，按下键盘上的“Q”键；当想象右手运动时，按下键盘上的“P”键，计算机记录按键时刻及对应字母标签。依次采集C₃、C₄导联的脑电数据，采集6s的脑电数据组成一次事件，依次对每个事件进行相应的脑电信号处理。

本实施例中采用Neuroscan公司的40导联Nuamps脑电仪（包含专用Ag-Agcl脑电电极、脑电放大器和A/D转换器），根据国际“10-20”电极分布标准，通过电极帽将电极与头皮相连，采用单极导联法，A1，A2导联分别连接到左右耳乳突，A2作为参考电极使用，采集C3，C4两导联脑电数据。脑电信号采样频率为1kHz，采样模式为DC，并进行0.05-100Hz带通滤波。

2.脑电信号处理

运动想象脑电信号处理流程如图2所示。

（1）脑电预处理

对训练阶段C3、C4导联的6*1000采样数据，采用功率叠加平均方法抑制自发脑电干扰，获得纯净的诱发脑电信号。

脑电功率叠加平均方法计算公式为：

$\stackrel{\‾}{P}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left[x^2\left(i\right)\right]}_j$

式中，i代表采样点，为1000*6个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表事件次数，n代表想象左手或想象右手运动的总次数，n为70次，

为各采样点对应的脑电平均功率，为1000*6的一个数组；分别得到一组C3导联想象左手运动的脑电平均功率

一组C3导联想象右手运动的脑电平均功率一组C4导联想象左手运动的脑电平均功率

一组C4导联想象右手运动的脑电平均功率

（2）小波变换脑电特征提取

当人们实际做或仅想象单侧肢体运动时，大脑感觉运动皮层会出现EEG的节律性活动，在8HZ～13HZ（μ节律）频段上，EEG信号幅度将发生相应改变。当幅度明显减小时称为ERD，当幅度明显增大时称为ERS。大脑皮层这种工作模式反映了大脑可以通过抑制周围皮层区域活动来提高焦点功能皮层区的激活程度。而大脑处于空闲状态时，不具有ERD和ERS特性，这可以作为左、右手运动想象特征的依据。

小波变换是一种时间-尺度变换的时频分析方法，它具有时频多分辨率特性，小波变换方法是本领域技术人员的公知技术，可参见文献[杨帮华、颜国正、鄢波，基于离散小波变换提取脑机接口中脑电特征，中国生物医学工程学报，2006,（25）：5,518-522]

小波基函数与分解尺度的选取是小波变换的关键。由于脑电信号具有多频段，且脑电波形类似非周期的连续正弦波形，本发明选取Daubechies小波基函数。利用db5小波分别对C₃、C₄导联脑电平均功率信号进行6尺度小波分解，则各尺度分量对应的子频带分布范围依次为：250～500Hz、125～250Hz、62.5～125Hz、31.2～62.5Hz、15.6～31.2Hz、7.8～15.6Hz。其中，第6尺度对应的子频带（7.8～15.6Hz）涵盖了脑电的μ节律，选取第6尺度小波系数能量作为特征向量，图3为C3、C4导联想象左手运动和想象右手运动的脑电μ节律小波系数能量。

由图3可知，在3-6s之间的运动想象状态，C3、C4导联左、右手小波系数能量存在明显差异，表现为想象左手运动的C3导联的小波系数能量高于C4导联的小波系数能量，想象右手运动的C3导联的小波系数能量低于C4导联的小波系数能量，这与运动想象诱发大脑皮层产生的ERD/ERS现象一致；而0-3s之间的空闲状态，则没有此特征出现。为了使左、右手运动想象脑电特征区分显著，对C3和C4导联小波系数能量做差值处理，即：

E(C₃)_left-E(C₄)_left＞0  想象左手运动

E(C₃)_right-E(C₄)_right＜0  想象右手运动

图4为想象左手、右手运动的C3、C4导联小波系数能量差。由图可知：在3-6s想象左、右手运动状态的小波系数能量差值得以很好区分，且想象运动状态（3-6s）的小波系数能量差值远远大于空闲状态（0-3s）的能量差。

（3）阈值判别

大脑想象运动状态与空闲状态可以通过C₃与C₄导联小波系数能量差区分，将想象左手运动的小波系数能量差与想象右手运动的小波系数能量差再做差值处理并取绝对值，可作为空闲状态与想象运动状态的判别依据。图5为空闲状态与想象运动状态脑电小波系数能量差。由图5可知，想象运动状态（3-6s）能量差的绝对值远大于空闲状态（0-3s）能量差，取V_d作为检测空闲状态与想象运动状态的阈值。

$V_d=\frac{1}{2}\left|\right[E{\left(C_3\right)}_{\mathrm{left}}-E{\left(C_4\right)}_{\mathrm{left}}]-[E{\left(C_3\right)}_{\mathrm{right}}-E{\left(C_4\right)}_{\mathrm{right}}\left]\right|$

通过对训练集中C₃、C₄导联左手和右手运动想象各70次事件的脑电数据进行小波特征提取和阈值处理，得到受试者相应的空闲状态与想象运动状态检测阈值V_d。在线BCI运行阶段，使用小波变换方法依次对每个事件进行小波特征提取，得到C3、C4导联想象运动脑电μ节律的小波系数能量值，即E′(C₃)、E′(C₄)；将C₃、C₄导联小波系数能量做差值计算，得到[E′(C₃)-E′(C₄)]，差值大于阈值V_d，对应大脑的想象运动状态，在计算机中标记为1；差值小于阈值V_d，对应大脑的空闲状态，在计算机中标记为0；对属于运动想象状态的脑电特征进行下一步的支持向量机模式分类。

（4）支持向量机分类

支持向量机（SVM）是一种基于统计学习理论的模式识别方法，其基本方法是通过内积函数定义的非线性变换，将输入空间映射到一个高维空间，然后在这个空间求广义的最优分类面。这样，在原来的空间不能线性可分的数据，可以在高维空间中进行线性分类。

为了有效合理的利用训练数据来训练分类，避免找到只在特定输入时分类精度高的的参数，利用交叉验证的方法，以获得最佳参数。对训练数据经小波特征提取后，进行SVM特征分类。使用RBF函数作为SVM核函数，交叉检验法得到的核函数参数c,v分别为0.466516和1.0473661。

检测出空闲状态与想象运动状态后，使用基于RBF核函数的支持向量机对想象运动脑电特征进行分类，获得区分左、右手运动想象任务的标签。图6为支持向量机分类框图。

通过特征提取所获得的特征值常常混有奇异样本数据，这些奇异样本数据会引起分类训练时间的增加，因此对特征值需进行归一化处理，加快收敛速度。

特征分类训练是对训练阶段提取的特征向量进行学习，得到一个结构体类型和分类参数。在线分类测试和应用时，直接调用已训练好的分类参数对测试数据进行分类，获得分类不同运动想象任务的数字指令。当想象左手运动时，输出数字指令“01”；想象右手运动时，输出数字指令“10”。

分类输出的数字指令代表BCI系统对运动想象任务进行模式分类的结果，而计算机记录的键盘字母按键标记则反映了受试者的实际想象意图，由此可以计算实际在线测试中的左、右手运动想象分类正确率。

3．在线BCI系统实现

本发明提供一套带反馈的主动式运动想象在线BCI系统，将运动想象任务分类结果通过红绿灯实时界面呈现，反馈给受试者。如果红绿灯提示与受试者想象动作方向一致，可进行下一步想象动作任务；如果不一致，受试者需要继续想象同方向的动作任务。具体过程为：

受试者在无提示下进行左右手运动想象任务（即主动想象），其大脑特征信息经过脑电信号的采集与模式分类，转化为数字控制指令。当受试者想象左手运动时，数据处理计算机4输出数字指令“01”，控制显示界面的红灯亮；当受试者想象右手运动时，数据处理计算机4输出数字指令“10”，控制显示界面的绿灯亮；当受试者不进行运动想象任务时，数据处理计算机4输出数字指令“00”，显示界面红绿灯均不点亮。显示界面红绿灯点亮与否通过受试者眼睛实时反馈给大脑。同时，如果红绿灯显示的运动想象任务分类结果与键盘字母按键表示的受试者想象动作意图一致，数据处理计算机4输出控制指令给外部控制系统，对外设执行相应操作，并进行下一次运动想象任务；如果红绿灯显示的运动想象任务分类结果与键盘字母按键表示的受试者想象动作意图不一致，数据处理计算机4不输出控制指令给外部控制系统，受试者需要继续想象同方向的动作任务。

本发明利用了公开的BCI2000软件模块实现脑电数据的实时采集，利用Matlab软件实现脑电信号处理算法。相应软件操作和在线交互过程为：

1）打开Scan4.5脑电采集软件并进行端口号设置；2）打开BCI2000软件，并进行相应的参数配置（Parameter Configuration），需要设置的参数有Storage、AlignChannels，SourceChTomeOffset（可按照公开的BCI2000软件说明操作）。3）运行Scan4.5脑电采集软件和BCI2000软件，此时，脑电采集软件通过TCP/IP协议，将脑电数据实时传输给BCI2000软件平台的采集模块。4）在Matlab软件环境下，运行datacollector工具包，可通过BCI2000软件采集模块实时在线读取Scan4.5软件采集的脑电数据，在Matlab软件环境下，运行运动想象脑电特征提取、分类软件算法，并将运动想象模式分类结果以数字指令输出。

为了提高运动想象任务分类的正确率，并保证算法程序有足够的执行时间，在数据处理计算机4中设置6个数据寄存器，将每1s实时采集的脑电数据保存到一个数据寄存器中，共保存6s的脑电数据作为一次事件，进行运动想象脑电信号处理和模式分类。

由于不同受试者的个体差异，本发明要求每位受试者执行在线运动想象脑机交互操作之前先进行左、右手运动想象任务训练至少30次，获得适于每位受试者的小波能量阈值检测的最佳判别阈值和最佳支持向量机分类参数。

本发明对3名受试者(20-25周岁，男性，右手利)进行实验测试，每位受试者分别进行了30次左、右手运动想象任务训练和三次运动想象诱发脑电实际测试，共获取了9组脑电数据实际测试样本。在数据处理计算机（Intel酷睿i3 3220，CPU频率3.3GHz）上执行运动想象脑电特征分类算法软件，得到状态检测阈值、运动想象任务分类正确率以及分类执行时间的统计结果如表1所示。

表1

对9组样本数据进行统计分析，得到主动式BCI系统运动想象任务分类准确率平均为79.3%，标准差为0.509；实际测试的BCI系统整个分类执行时间平均为1.12s，标准差为0.07。

综合以上，本发明提供的主动式脑机交互系统运动想象任务分类方法可以对空闲状态和运动想象状态进行很好的检测，对运动想象任务模式分类获得了较好的分类正确率和较少的执行时间，特别是利用屏幕红绿灯显示和键盘按键，将运动想象任务模式分类结果实时反馈给大脑并进行运动想象任务调节，有效提高了主动式脑机交互系统对外部设备控制的准确性。这种主动式BCI系统可以方便灵活地用于家用电器、康复设备、电脑游戏等的控制。

Claims (4)

1.一种主动式脑机交互系统运动想象任务分类方法，其特征在于，包括以下步骤：

（1）采集训练阶段原始脑电信号：受试者头戴电极帽，按照国际标准10-20导联法安放电极，在屏幕上出现‘+’字符号提示以及向左或向右箭头提示下，采集受试者的脑电信号，包括空闲状态脑电信号以及左手或右手运动想象脑电信号；出现左箭头时，大脑处于左手运动想象状态，出现右箭头时，大脑处于右手运动想象状态；在出现每个向左或向右指示箭头之前，都会出现‘+’字符号，此时大脑处于空闲状态；一个空闲状态与左手运动想象状态组成一次事件，一个空闲状态和一个右手运动想象状态也组成一次事件；包含左手运动想象的事件与包含右手运动想象的事件是随机出现；一次事件中包括空闲状态持续时间0～3s随机，运动想象状态持续时间3～6s随机，且空闲状态持续时间与运动想象状态持续时间之和必须为6s；对于每次事件可以采集到C3导联的一组脑电数据和C4导联的一组脑电数据，一次事件每个导联的脑电信号采样点为1000*6个；

（2）脑电信号的预处理与特征提取；采用脑电功率叠加平均方法，对采集到的脑电信号预处理，其计算公式为：

$\stackrel{\‾}{P}\left(i\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left[x^2\left(i\right)\right]}_j$

式中，i代表采样点，为1000*6个采样点，x(i)为一次事件的脑电信号采样点对应的脑电幅值，j代表事件次数，n为想象左手或想象右手运动的总次数，为各采样点对应的脑电平均功率，为1000*6的一个数组；分别得到一组C3导联想象左手运动的脑电信号平均功率

一组C3导联想象右手运动的脑电信号平均功率

一组C4导联想象左手运动的脑电信号平均功率一组C4导联想象右手运动的脑电信号平均功率

使用小波变换方法对脑电功率信号进行特征提取，分别得到C3、C4导联想象左右手运动的脑电μ节律小波系数能量值，即E(C₃)_left、E(C₄)_left、E(C₃)_right、E(C₄)_right；分别对大脑左手、右手想象运动时C3、C4导联脑电μ节律小波系数能量值做差，得到

和

并将二者再做差值，取其绝对值的二分之一作为状态检测的判定阈值V_d：

$V_d=\frac{1}{2}\left|\right[E{\left(C_3\right)}_{\mathrm{left}}-E{\left(C_4\right)}_{\mathrm{left}}]-[E{\left(C_3\right)}_{\mathrm{right}}-E{\left(C_4\right)}_{\mathrm{right}}\left]\right|$

（3）主动想象阶段脑电信号的采集与状态检测：受试者不进行想象任务或者进行无提示自主想象左、右手运动，此时采集6s脑电数据作为一次事件，采样点为1000*6个；分别对C3、C4导联该次事件对应的脑电平均功率信号进行小波变换，得到无外界提示下的一组C3、C4导联想象运动脑电μ节律的小波系数能量特征值，即E′(C₃)、E′(C₄)；将二者做差值计算，得到[E′(C₃)-E′(C₄)]，差值大于阈值V_d，则对应大脑的想象运动状态，差值小于阈值V_d，则对应大脑的空闲状态；

（4）运动想象脑电特征分类：对步骤（3）中得到的对具有想象运动状态特征的脑电信号采用基于RBF核函数的支持向量机分类方法进行左、右手运动想象任务分类，数据处理计算机（4）向外部控制系统输出对应向左或向右运动的控制指令；不断采集受试者在无外界提示下的脑电信号，对每次事件进行状态检测、运动想象任务分类，就可以持续不断的向外部控制系统输出控制指令。

2.一种主动式脑机交互系统运动想象任务分类装置，用于实现如权利要求1所述的方法，包括用于采集脑电信号的脑电电极（1）、与脑电电极（1）信号输出端顺次连接的脑电放大器（2）、A/D转换器（3）、包含有按键键盘（6）的数据处理计算机（4）；数据处理计算机（4）的输出端分别连接有外部控制系统（7）和红绿灯显示界面（5）；其特征在于，所述数据处理计算机（4）在相应软件的支持下，根据计算得出的阈值，判断出主动想象阶段采集的脑电数据中的想象运动状态信号，并将想象运动状态的脑电特征进行左、右手运动想象任务分类；将模式分类的输出信号转换成数字控制指令，分别输入给红绿灯显示界面（5）和外部控制系统（7）。

3.如权利要求2所述一种主动式脑机交互系统运动想象任务分类装置，其特征在于，当受试者大脑完成左、右手运动想象任务后，通过按键键盘（6）不同按键将受试者的左、右手运动想象意图以字母方式输入到数据处理计算机（4）。

4.如权利要求3所述的一种主动式脑机交互系统运动想象任务分类装置，其特征在于，数据处理计算机（4）将左、右手运动想象任务分类结果通过红绿灯显示界面（5）上的红绿灯呈现，反馈给受试者；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图一致，数据处理计算机（4）输出控制指令给外部控制系统（7），对外部设备执行相应操作，并进行下一次想象动作任务；如果红绿灯显示的运动想象任务分类结果与键盘按键字母表示的受试者想象动作意图不一致，数据处理计算机（4）不输出控制指令给外部控制系统（7），受试者需要继续想象同方向的动作任务。

Images