0 引言

    腦電波（Electroencephalography，EEG）信號成分復雜，按照不同的頻段可以分為不同的波^[1]。

    腦電信號中的Alpha波在人的前額葉處較明顯，相比于其他腦電波信號節律性最明顯，多在清醒閉目時出現。當人思考問題、睜開眼睛或受到其他外界刺激時，Alpha波消失；當又閉上眼睛時， Alpha波又會重新出現，這個現象稱為Alpha波阻斷現象^[2]。研究表明，Alpha波與人的記憶、運動及感覺活動有關^[3]，這種相關性對判斷大腦的運動意圖有著重要意義。

    利用腦-機接口(Brain-Computer Interface，BCI)系統，通過對EEG信號進行采集、預處理、特征提取和模式分類，實現運動想象識別是當前研究的重點。

    近些年，對運動想象腦電信號的特征提取的方法主要有：自回歸模型法(AR)^[4]、統計特征提取^[5]、頻域分析法^[6-7]。腦電信號的主要分類方法有線性判別式分類方法、神經網絡等^[8]。

    在腦電信號特征提取過程中，利用單個特征值的模式分類會造成訓練數據量大、時間長，甚至會影響分類精度。所以，本研究將多種特征融合，結合BP神經網絡對腦電信號中的Alpha波進行特征提取和模式分類，具有識別正確率高的優點。通過對運動想象的腦電信號進行特征提取和模式分類可以判斷出想象者的運動意識，結合腦-機接口，在肢體殘疾人士的康復治療、輔助控制和娛樂等方面有很大的發展前景^[9]。

1 腦電信號的特征提取方法及檢驗

1.1 自回歸模型法（AR）

    AR模型計算方便，設單通道腦電信號由n個采樣點x₀…x_n-1的活動段組成，根據AR模型，信號中第k個采樣值x_k如式(1)所示：

式中，a_i為AR模型系數，p為模型的階數，e_k為殘差白噪聲。

    對AR模型進行參數估計的方法主要有自相關法、改進協方差法和Burg算法等，其中Burg算法計算簡單，產生的譜質量較高。所以本研究采用Burg算法對AR模型進行參數估計，經實驗驗證AR模型Burg法估計模型參數p=3。

1.2 統計特征提取

    (1)腦電信號積分值

    設腦電信號為x(i)，數據長度為N。積分值計算如式(2)所示，該特征表現了信號的集中程度。

    (2)腦電信號均方根值

    腦電信號的均方根值如式(3)所示，該特征體現了信號的離散程度。

1.3 頻域分析

    在本研究中，選取功率譜、平均功率頻率和功率譜密度比值這幾個特征值。

    將腦電信號看作隨機信號x(n)，有N點樣本值且能量有限，對其進行傅里葉變換得到X_N(e^jω)；然后再取幅值的平方并除以N，作為x(n)的功率譜P(e^jω)^[10]，如式(4)所示：

式中，f_max表示功率譜出現峰值時的頻率，n表示積分范圍。

    平均功率頻率是指在頻域范圍內計算腦電信號的平均功率頻率，可以定量刻畫腦電信號頻譜的特征，計算公式如式(6)：

1.4 特征檢驗

    為了提高分類的正確率，采用K-W檢驗法對提取的特征值進行檢驗。K-W檢驗如式(7)所示：

    對前后左右4個方向的600段特征值進行K-W檢驗，檢驗的結果如表1所示。

    從表1中可以看出，積分值、均方根值和AR模型這3個特征具有較高的值，選取這3個作為特征向量送入分類器中進行分類。

2 腦電信號的分類方法

    在提取完腦電信號的特征值之后，BCI系統選擇BP神經網絡對這些特征向量進行分類。

    本研究采用的BP神經網絡有4個輸入層(表示特征值個數為4)、7個隱含層、4個輸出層(表示要分類個數為4)，如圖1所示。

    三層網絡在神經元有限的情況下，能夠完成所需映射。BP網絡學習過程由正反向傳播組成，輸入信號x_i通過中間節點作用于輸出節點，經過非線性變換，最終產生輸出信號y_k，網絡訓練的樣本包含輸入向量和期望輸出，神經網絡實際輸出這兩者的偏差，通過調整輸入節點與隱層節點之間的連接權值W_ji和隱層節點與輸出節點間的連接權值W_kj以及閾值來實現，使誤差減小。經過反復訓練，確定接近最小誤差時對應的神經網絡的權值和閾值，此時，訓練結束^[12]。

3 實驗及結果分析

3.1 實驗系統設計

    本實驗腦電采集系統結構如圖2所示，采集電極采出腦電信號，經過放大器放大微弱的腦電信號，濾波器濾除干擾，再經由A/D轉換為數字信號，通過藍牙發送到上位機進行處理。

3.2 實驗條件及方法

    電極位置按照Montreol法^[13]，國際標準導聯10-20系統安放，如圖3所示。將電極安放在受試者的前額葉上采集Alpha波，箭頭所指為電極安放位置，用作參考電極的耳夾夾在左右耳垂上。

    為保證采集數據的準確性，本研究采用舒爾特方格法^[14]，在實驗之前對受試者的注意力進行大量訓練。

3.3 實驗過程

    實驗對象為男性青年，身體健康，矯正后視力正常，右利手。實驗室環境安靜，室溫正常。腦電采集電極使用干電極。

    在采集腦電信號實驗數據之前，要進行Alpha波阻斷實驗，以驗證腦電信號Alpha波采集的正確性，如圖4所示。

    實驗中，實驗對象按照如圖5所示的實驗范式進行運動想象任務。

    在實驗開始前的半小時，受試者通過左右手和左右腿的實際運動來在大腦中留下實際運動的感覺。實驗中，受試者坐在一張舒適的椅子上，身體自然放松，根據屏幕提示完成左手、右手、左腿和右腿的運動想象。

3.4 數據處理及結果

    每次運動想象的數據的時間為30 s，采樣率為512 Hz，其原始數據（Raw data）如圖6。

    先將原始數據進入帶通濾波器，濾出Alpha波，再進入50 Hz陷波器，濾除工頻干擾，最后小波包去噪，讓數據更好地進行處理。原始數據經過濾波處理后的圖像如圖7所示。

    原始數據經過濾波等處理后，進行特征值的提取和分類訓練。

    表2為運動想象各方向的分類準確率。

4 結語

    本研究創新性地采用多種特征結合BP神經網絡對腦電信號進行分析。在提取出合適的數據段后，最終的分類結果與單特征和線性分類器方法相比正確率較高，證明了本文的多特征融合的提取方法結合BP神經網絡對處理腦電信號的可行性，為腦電信號的處理提供了一條有效路徑。

參考文獻

[1] 張樂迪，王俊生，常旭，等.便攜式腦電采集器研究與設計[J].電子技術應用，2014，40(2)：27-29.

[2] ARROYO S，LESSER R P，GORDON B et al.Functional significance of the mu rhythm of human cortex: an eletro-physiologic study with subdural electrodes[J].Electroenceph clin Neurophysiol 1993，87：76-87.

[3] 陳騫.基于腦電Alpha波的BCI電視遙控系統的設計與實驗研究[D].天津：天津大學，2005.

[4] INOUE K，MATSUOKA S.Pattern recognition of EEG signals during right and left hand motor imagery based on AR-model[J].Clinical Neurophysiology，2007，118(10)：209-209.

[5] 張莉.表面肌電信號模式識別及其運動分析[D].長春：吉林大學，2013.

[6] 楊大鵬，姜力，趙京東，等.基于腦電信號的高智能假手控制[J].吉林大學學報(工學版)，2008(5)：1225-1230.

[7] MATTHIAS K，PETER M.BCI competition 2003-data set Ⅱb:support vector machines for the P300 speller paradigm[J].IEEE Transactions on Biomedical Engineering，2004，51（6）：1073-1076.

[8] 李明愛，王蕊，郝冬梅.想象左右手運動的腦電特征提取及分類研究[J].中國生物醫學工程學報，2009(2)：166-170，176.

[9] 王寧，孫廣金，劉學文.一種基于腦機接口的頭盔顯示/瞄準系統設計[J].電子技術應用，2015，41(5)：149-151，155.

[10] 楊彬.基于腦-機接口的想象運動腦電信號的分析[D].蘭州：蘭州理工大學，2008.

[11] Ronager.Power spectrum analysis of EMG pattern in normal and diseased muscles[J].J Neurol Sci，1989，94(1-3)：283-294.

[12] 邢進良.BP神經網絡模型及其應用[J].沙洋師范高等專科學校學報，2007（5）：46-49.

[13] 李穎潔，邱意弘，朱貽盛.腦電信號分析方法及其應用[M].北京：科學出版社，2009.

[14] 肖嬋.基于腦電波的注意力訓練研究[D].武漢：華中師范大學，2016.

作者信息：

劉光達，王  燦，李明佳，孫瑞辰，蔡  靖，宮曉宇

（吉林大學 儀器科學與電氣工程學院，吉林 長春130061）