基于平移窗运动想象脑电信号活动段提取*

张 莉 ，王凯瑞 ，李 杨 ，汪清山 ，蔡 靖 ，王 钢

(1.吉林大学 仪器科学与电气工程学院，吉林 长春 130026；2.北华大学，吉林 吉林 132013)

0 引言

脑-计算机接口(Brain-Computer Interface，BCI)是指在人脑与计算机或其他电子设备之间建立一种直接信息交互的通道[1-3]。这种信息交互方式不依赖于外周神经以及肌肉组织，可以为瘫痪病人，尤其是丧失了肌体运动功能但思维正常的患者，提供一种新的与外界进行交流控制的途径[3-4]。同时，脑-机接口技术在非医学领域提供了一种新的思维控制的娱乐方式,在军事、智能交通、智能家居、情感识别等领域也有很大的应用前景[4]。

1973 年，Vidal 等首次使用brain-computer interface来表述人脑与外界的直接信息传输通路，并提出了脑-机接口系统的框架雏形[1]。90 年代初，出现了基于感觉运动节律的脑-机接口。在Wolpaw 等开发的Wadsworth BCI中，受试者利用Mu/Beta 节律实现一维、二维光标控制[5-6]。Graz BCI 团队建立了可区分想象身体不同部位运动(包括左右手、脚、舌头)时脑电信号的脑-机接口系统[7]。

目前，自回归时频分析、共空间模式分析(Common Spatial Pattern，CSP)、独立成分分析(Independent Component Analysis，ICA)等分析方法的应用十分普遍。但在实时控制系统中，复杂算法会导致运算时间长，实时性差，因此需要一种简单迅速的分析方法。同时，作为自发脑活动的典型代表，在脑-机接口实时控制系统中，运动想象脑电信号受受试者主观因素的影响(如注意力不集中等)，采集信号会在某一时段内无效，即没有明显的ERS/ERD 特征，进而会造成识别准确率的降低。

本文利用活动段检测方法[8]，截取与运动想象动作相应的脑电信号，将其与ERS/ERD 特征相结合，用于特征判断。利用2003 年BCI 竞赛data set Ⅲ进行测试,分类准确率达到83.571 4%。实验结果证明，该方法可以根据ERS/ERD 特征剔除低质量的数据，有效提高运动想象脑电信号的准确率。

1 基本原理

1.1 Mu/Beta 节律基本特征

脑电波(Electroencephalography，EEG)信号的成分复杂，按照不同的频率成分将其分为不同的信号。目前，脑-机接口技术中常用P300、稳态视觉诱发电位、慢皮质电位、Mu/Beta 节律这4 类信号[9]。在大脑皮层的感觉运动区域可记录到8～12 Hz的Mu 节律脑电波信号，其不受视觉的影响，但会随动作或运动想象发生变化[9-11]。18～26 Hz的Beta 节律也与动作或运动想象存在联系[11-15]。

研究显示，Mu/Beta 节律与运动想象的关系表现为：当想象某侧肢体的运动时，可导致同一侧感觉运动皮层的Mu/Beta 节律幅度升高，称这一现象为事件相关同步化(Event-Related Synchronization，ERS)；同时，相对侧感觉运动皮层的Mu/Beta 节律幅度下降，称之为事件相关去同步化(Event-Related Desynchronization，ERD)[12]。

1.2 平移窗活动段检测原理

不同的肢体运动想象引起相应肢体感觉运动皮层区域产生明显的ERS/ERD 现象[10-12，14]，将具有显著ERS/ERD 特征的时间段称之为活动段。活动段检测的目的就是确定相应肢体运动想象信号产生的起点与终点，从而截取有效信号。

考虑算法的实时性与高效性，采用Mu/Beta 节律幅值检测方法，即在固定时间窗内，计算时间序列的积分值，其反映了该序列ERS/ERD 特征的显著情况。具体检测步骤为：

(1)对原始信号进行加窗处理，根据多次实验选择合适的窗长度以及重叠范围。利用平移窗将采集到的脑电信号进行分段；

(2)在每一时间段内分别计算C3、C4 通道信号的积分值PC3，PC4；

设脑电信号为x(i)，数据长度为M。脑电信号积分值公式为：

(3)设置检测系数α，对信号进行判断：当PC3≥α·PC4或PC4≥α·PC3时，认为该时段内ERS/ERD特征明显，将该段信号提出；反之将该段信号舍弃。

2 实验结果及分析

实验数据来自2003 年BCI 国际竞赛数据data set Ⅲ。实验任务为受试者(性别:女，年龄：25 岁，健康状况:良好)根据视觉提示想象左手或右手运动[9，16]。信号的采集频率为128 Hz，采集电极位于大脑皮层中央区C3、C4。

2.1 ERS/ERD 特征

设计8～30 Hz的巴特沃斯带通滤波器对原始信号进行滤波，提取含有Mu/Beta 节律的信号，C3 通道与C4通道的信号特征如图1 所示。

图1 想象左右手运动的Mu/Beta 节律信号

根据图1，C3、C4 电极可采集到ERS/ERD 特征十分明显的运动想象信号。以想象左手运动为例，在前3 s的准备阶段，C3、C4 电极的信号区别不明显；从t=3 s 开始，C3 通道的信号幅值明显升高，ERS 特征显著。故利用ERS/ERD 特征可以提取有效的左右手运动想象信号。

2.2 ERS/ERD 特征活动段检测

2.2.1 活动段检测参数设置

根据平移窗活动段检测步骤，首先需确定平移窗的窗口长度N、重叠范围L 以及检测系数α。本文采用MATLAB的classify 函数，以“linear”为判别函数，以脑电信号积分值与方均根植为特征参数，在不同活动段检测参数下对测试数据进行分类。

在本实验中，窗口长度N与分类准确度无明显关系。在相同条件下，根据多次实验结果，窗口长度N=32，N=8 时分类准确率最高，均为83.571 4%。

取窗口长度N=32，进行10 组测试，每组测试中取相同的重叠范围与测试样本，取检测系数α∈[1，2]；组与组之间取不同的重叠范围。10 组测试结果取平均值，对检测系数与分类准确率进行2 次多项式拟合，结果如图2 所示。

图2 检测系数与分类准确率拟合曲线

根据图2，分类准确率的最大值出现在检测系数为1.86 时，其分类准确率为82.537 8%。检测系数在[1.7，1.9]区间内时，均可得到较高的分类准确率。

取窗口长度N=32，分别设置检测系数α 为1.7、1.8、1.9，进行3 组测试。每组测试中取重叠范围L∈[0，1]N；3 组测试结果取平均值，对重叠范围与分类准确率进行4 次多项式拟合，结果如图3 所示。

图3 重叠范围与分类准确率拟合曲线

根据图3，分类准确率的最大值出现在重叠范围为0.193 8N 时，其分类准确率为83.043 8%。窗口的重叠范围在[0.1，0.3]N 区间内时，均可得到较高的分类准确率。

2.2.2 活动段信号提取

设置活动段检测参数：窗口长度N=32，重叠范围L=7(0.219N)，检测系数α=1.8，进行活动段检测并提取信号，如图4 所示。

图4 Mu/Beta 节律脑电信号

根据图4(a)，原始Mu/Beta 节律信号在t=3，5，8，9 s等时刻附近，C3、C4 通道信号幅值基本相同，无明显ERS/ERD 特征。直接对原始测试集Mu/Beta 节律信号分类，其提取的特征参数差异化小，分类准确度低，为76.428 6%；经过活动段提取的Mu/Beta 节律信号中，C4 幅值显著高于C3 通道，其分类准确度达到83.571 4%。

3 结论

本文利用活动段检测技术，以2003 年BCI 竞赛data set Ⅲ数据为对象，对ERS/ERD 特征明显的活动段进行提取，利用提取后信号C3、C4 通道的积分值，借助MATLAB的classify 函数进行分类，分类准确率达到83.571 4%。

经实验验证，该方法具有实时性与高效性，可用于提高脑-机接口系统实施控制的准确度，同时也可实时监测、评价受试者的脑活动状态。在受试者注意力不集中时，可进行提醒，以提高控制准确度。该方法对基于Mu/Beta 节律的脑机接口实时系统的研究有一定的帮助，但对其他类型的脑电信号的分类研究的适用性需进一步研究。