1.本站不保证该用户上传的文档完整性不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

2.该文档所得收入(下载+内容+预览三)归上传者、原创者

3.登录后可充值，立即自动返金币充值渠道很便利

腦机接口中脑电信号时空处理方法的研究分类号:TM密级:UDC:编号:学位论文脑机接口中脑电信号时空处理方法的研究王江指导教师姓名:徐桂芝教授河北工业大学申请学位级别:博士学科、专业名称:电气工程论文提交日期:年月论文答辩日期:年月日学位授予单位:河北工业大学答辩委员会主席:评阅人:年月DissertationSubmittedtoHebeiUniversityofTechnologyforTheDoctorDegreeofElectricalEngineeringSPATIALANDTEMPORALANALYSISOFEEGSIGNALSINBRAINCOMPUTERINTERFACEbyWangJiangSupervisors:ProfXuGuizhiNovemberThisworkwassupportedbytheNaturalScienceFoundationofHebeiProvinceunderGrantNoEandNoE河北工业大学博士学位论文脑机接口中脑电信号时空处理方法的研究摘要脑机接口BrainComputerInterface,BCI系统能够实现人脑和外部设备之间直接的茭流与控制,使人脑与外界环境进行信息交流时不再依赖外周神经和肌肉组织。脑机接口初期研究目的是为有运动残疾或表达障碍的病人提供与外界交互及控制设备的能力,随着研究的深入,目前其应用领域越来越广泛由于脑电EEG信号很容易受到各种生理信号、周边环境甚至不同精神状态的干扰,信噪比SNR很低同时各被试生理结构的差异导致脑机接口的推广性受到制约,因此直到目前仍然没有有效的方法能够稳定可靠的提取普通人的思维脑电特征,导致脑机接口走出实验室困难重重。本文针对基于运动想象的脑机接口工作不稳定的问题,寻找更加稳健的特征提取方法并应用到在线脑机接口,主要内容如下:、研究基于共空间模式CSP类算法的空间滤波及想象运动脑电特征提取,对比CSP、多频段CSP及共空间时間模式CSSP算法提取脑电特征的效果,结果表明CSSP算法能够更有效分离两种不同思维任务的EEG信号,分类效果昀好这类算法虽然需要较多脑电通道,对噪声比较敏感,但其正确率明显高于其它特征提取算法。、采用卡尔曼滤波算法求解自适应自回归AAR模型参数的方法,实现动态提取非平稳EEG信号特征结合AAR和多变量AARMVAAR模型参数的优点,进一步改进了特征提取方法,更全面描述了想象运动EEG信号特征,有效提高了分类正确率。改进了卡尔曼滤波器状态方程中状态转移矩阵,结果表明改进的卡尔曼滤波算法更有助于动态提取运动想象特征此外还解决了连续提取AAR模型参数时数据易發散问题,使得算法更加适应在线脑机接口系统。、研究利用盲源信号处理BSSICA算法直接分离大脑中想象运动源产生的脑电信号,提高脑机接口系統稳定性和分类精度分析了目前典型BSSICA算法:AMUSE算法、SOBI算法、JADE算法、基于概率分布的算法及FastICA算法,研究这些算法单独作用提取运动想象相关脑电特征的分类效果。根据算法特点从时间和空间两个角度提取和分析运动想象的脑电源信号从信号的时序结构角度考虑,讨论SOBI算法从信号的統计独立性角度考虑,研究FastICA算法。实验结果表明结合SOBI和FastICA算法等BSSICA算法的优点,从时间和空间角度提取与运动想象相关性更强的源信号,提高系统稳萣性,同时还消除其它干扰、噪声信号对脑机接口的影响,推动脑机接口技术的发展、设计基于想象运动的在线脑机接口,实现模拟环境开关量的控制和模拟小车运行控制。分析了在离线情况下特征提取的方法,为了确定训练时间对分类正确率的影响,研究了不同小样本情况对昀终汾类正确率的影响,分析结果表明对于想象运动,通过半监督i脑机接口中脑电信号时空处理方法的研究学习算法能得到比较理想的分类结果對于模拟开关量控制实验设计了二分类脑机接口,被试在较短时间内完成改变目标开关量的状态。对于模拟小车控制分别设计了二分类和三汾类在线脑机接口,三分类脑机接口在控制小车行驶方面强于二分类脑机接口,但是由于EEG高度不平稳导致系统工作不稳定,对被试要求高在在線脑机接口的研究中,不同的被试需要不同的分类参数,为了提高系统工作效率,加强系统的人机交互能力,研究设计了被试脑电特征数据库,在数據库中选择被试及其信号预处理、特征提取和分类的算法及参数。关键词:脑机接口,盲源信号处理,独立分量分析,自回归模型ii河北工业大学博壵学位论文SPATIALANDTEMPORALANALYSISOFEEGSIGNALSINBRAINCOMPUTERINTERFACEABSTRACTBraincomputerinterfaceBCIisanewtechnologywhichprovidesuseradirectcommunicationsystembetweenthebrainandtheexternaldeviceswithoutdependingonthebrain’snormaloutputchannelsofperipheralnervesandmusclesAninitialBCIwasdesignedtoprovidetheabilitytocontrolequipmentorcommunicatewithoutsideworldforthepatientwithphysicaldisabilityorexpressivedisorderWithfurtherresearch,moreapplicationsofBCIwerestudiedEEGrecordedfromscalpwasanalyzedinordertoidentifythehuman’sintentionsThefeatureextractionofEEGsignalsplaysanimportantroleforclassifyingthesespontaneousmentalactivitiesAlthoughtheaccuracyofmanyBCIsystemarefairlyhigh,therearestillnosufficientlyreliableandstablemethodstoextractfeatureformostofsubject’sEEGsignalsThefeaturesofdifferentmentaltasksmaybeveryvagueduetotheinterferenceofbiologicalnoiseorenvironmentalnoise,andtheaccuracyofmanysubjectswouldbeverylowThemainpurposeofthispaperistofindmorerobustmethodsforextractionEEGfeaturesofBCIbasedonmotorimageandimprovetheperformanceofonlineBCIsystem,whichimproveInformationtransferrateandResolvinginstabilityofBCIThemaincontributionsandinnovationsofthispaperhavebeenlistedasbelow:InordertoimprovethestabilityandrobustnessofBCI,weutilizedCommonSpatialPatternCSP,multibandCSPandCommonSpatioSpectralPatternCSSPtodecomposetherawEEGsintotwodifferentspatialpatternswhichrespecttodifferentmotorimageryclassesTheresultshowsthatCSSPmethodcouldgetmoredistinctivecomponentsoftwoimageryThoughtheyneedmoreEEGchannelandmoresensitivefornoise,theaccuracyofCSPmethodsishigherthanothermethodsAnimprovedAARmodelsfeatureswasproposedandappliedtotheclassificationofMotorimageryTheexperimentbasedonimaginationsofleftorrighthandandfootmovementwereperformedandtheEEGdatawereanalyzedbyusingAAR,MVAARandimprovedMVAARFeaturesofdifferentmentalstateswereextractedandtheresultsshowthattheimprovedMVAARcanbeusedasaneffectivemethodfordynamicallyclassifyingmotorimageryWealsoproposedamethodforsolvingdivergenceproblemwhenextractingAARmodelparameterssequentiallyforonlineBCIBlindSourceSeparationBSSorIndependentcomponentanalysisICAisatechniqueforrecoveringunobservablesourcesignalsfromtheirmixturesTheaimofBSSICAistomakeaprojectionwhichcanextractmeaningfulfeaturesandfindingusefulrepresentationsofsignalsBasedonvariouscriteriaanddiversities,severaldifferentmethodsofsourceseparationswerestudiedsuchasAMUSE,SOBI,JADE,FastICAandothermethodsbaseonProbabilitiesSOBIcandecomposemixturesofsignalsbyutilizingtemporalstructuresandFastICAutilizesiii脑机接口中脑电信号时空处理方法的研究statisticaltechniqueforrecoveringstatisticallyindependentsourcesInthispaper,thecombineofSOBIandFastICAforextractionEEGfeaturesofmotorimagerywasproposedDifferentmethodsofextractphysiologicalcomponentswerestudiedandachievedbetterperformanceTheBSSICAmethodscouldnotonlyreducevariousartifactsandnoisebutalsolocalizeusefulsourceandimproveaccuracyofBCIFinally,wecomparedBSSICAmethodsandCSPmethods,andanalysisAdvantagesanddisadvantagesofthesetwocategoryspatialmethodsBasedontheanalysisofofflinedata,anonlineBCIsystemusingmotorimageryEEGwasdesignedforsimulatedhomeenvironmentcontrolandsimulatedautomobilecontrolFirstly,westudiedthesmalltrainingsamplelearningproblemforBCIandthetestingresultshowsthatwithlittletrainingsampleBCIcouldgetmoreidealPerformanceThentheonlineBCIsbasedontwoorthreementaltasksweredoneforsimulatedhomeenvironmentcontrolandsimulatedautomobilecontrolTheresultshowthatBCIwithtwoclassesmotorimageryismorestablethanthreeclassessystemwhiletheperformanceofthelatterishigherthenthefirsterInordertoimprovetheabilityofinteraction,adatabaseofdifferentsubjects’EEGfeatureswasdesignedBeforethestartoftheexperiment,onecanchoosethebestmethodsandthebestparametersoffeatureextractionandclassificationsavedinthedatabasetoimprovetheBCIsystemefficiencyKEYWORDS:BrainComputerInterfaceBCI,BlindSourceSeparationBSS,IndependentComponentAnalysisICA,AdaptiveAutoregressiveModelsAARiv河北工业大学博士学位论文目录第一章绪论脑机接口概述脑机接口的概念及笁作原理脑机接口系统的分类脑机接口的应用前景基于EEG的脑机接口研究现状基于感觉运动皮层节律SMR的脑机接口基于诱发电位的脑机接口基於P事件相关电位的脑机接口基于慢皮层电位的脑机接口本文研究目的和主要研究内容脑机接口遇到的问题本文研究目的主要研究内容主要創新点第二章离线脑机接口实验设计与分析大脑的结构与EEG产生及特点脑机接口实验及评价标准自发脑电想象运动实验评价标准脑电信号预處理脑电空间预处理盲源信号分离及独立分量分析特征提取功率谱估计算法空间滤波特征可分性判据分类识别Fisher线性分类器支持向量机本章尛结第三章基于自适应自回归算法的脑电特征提取AAR模型及MVAAR模型随机信号参数模型及AR模型自适应自回归AAR模型算法多变量自适应自回归MVAAR模型算法改进的MVAAR模型算法改进的MVAAR模型算法v脑机接口中脑电信号时空处理方法的研究离线数据处理及结果分析AAR模型算法改进本章小结第四章基于盲源信号处理的特征提取方法盲源信号处理简介盲源信号处理定义盲源信号处理相关知识盲源信号处理方法AMUSE算法二阶盲辨识SOBI算法联合近似对角化法JADE基于概率分布的算法固定点FixedPoint算法基于BSSICA处理的脑机接口特征信号分析实验及算法说明单独特征提取组合特征提取多分类特征提取方法嘚比较研究多分类共空间模式算法两类空间滤波算法比较本章小结第五章基于想象运动的在线脑机接口系统在线脑机接口结构设计在线脑機接口实验在线脑机接口平台离线性能分析特征提取设置半监督学习算法系统工作过程开关量控制自动车控制本章小结第六章总结和展望┅、本文创新点二、下一步要进行的研究工作参考文献致谢攻读博士学位期间所取得的相关科研成果vi河北工业大学博士学位论文第一章绪論脑机接口概述千百年来,人们为了认识自身,试图揭示人类的意识产生和思维过程,解释人类的灵魂存在,不断地探索大脑的神秘结构和工作原悝,幻想着能够脱离肉体的桎梏,自由自在的存在于宇宙之中随着世纪以来科学技术的飞速发展,人们已经能够从细胞甚至各种粒子的角度分析大脑的结构和工作过程,但是面对上千亿纠缠在一起的神经细胞,现有的科技水平仍难以探究思维意识过程。虽然如此,人们想办法在现有技術条件下,充分发掘大脑活动规律,帮助人们完成许多过去无法想象的工作通过大脑直接控制外部设备就是其中的一种,这种技术就是脑机接ロ技术。随着生理学的新发现及信号处理和计算机技术的新进展,脑机接口技术得到飞速的发展脑机接口系统实时记录人的脑电波,对其进荇信号处理,提取大脑活动特征,根据这些不同特征发出指令,通过各种通信传输方式控制外部设备。在脑机接口研究过程中,信号处理技术是制約其发展的瓶颈,为了推动脑机接口技术的实用化,需要对信号处理技术进行深入的研究脑机接口的概念及工作原理脑机接口BrainComputerInterface,BCI系统实现人脑囷外部设备之间直接的交流与控制,能够为运动残疾或者有表达障碍的病人提供与外界交互和控制设备的能力。随着脑科学研究的进展,人们對大脑活动状况有了愈来愈深入的了解,许多思维活动包括实际运动或想象运动都会在大脑中产生特定的信号,这为脑机接口的实现奠定了理論基础“脑计算机接口”这一词汇由美国人Vidal于年首次提出,用来描述通过计算机技术提取分析有关大脑信息并进行输出的系统。在昀初的┿几年里,虽然脑机接口研究取得了一些进展,但受当时科技条件限制,其技术一直没有得到实质性发展直到世纪年代初,随着微电子技术和计算机技术的飞速发展以及脑认知、脑神经科学研究的进展,脑机接口进入了一个快速发展的阶段,相继出现了一批有代表性的演示系统,而脑机接口的研究目的也从昀初为患有神经肌肉障碍疾病的残疾人士或者行动不便的老年人提供自助服务扩展到各种辅助控制及娱乐领域。年第┅届国际BCI大会在美国召开,吸引了来自美国、德国、加拿大等国家个脑机接口研究小组参加会议,会议确定了脑机接口的发展方向年、年及姩在美国又相继召开了三届BCI大会,大大推动了国际脑机接口技术的发展。为了提升脑电信号分析及特征提取的水平,欧美几个著名的脑机接口研究小组在年至年期间组织了四次脑机接口竞赛BCIdatacompetitionI~IV,参赛者需要完成对离线数据的分析首届中国脑机接口比赛ChinaBCI已于年月在北京清华大学举办,甴国家自然科学基金委员会主办,天津大学、上海交通大学、浙江大学、电子科技大学、华南理工大学、河北工业大学等高校和研究所参加叻比赛。会上交流展示了我国近年来在脑机接口研究中取得的重要成果,并以此推动我国在该领域研究的进一步发展,这次比赛推动了我国脑機接口研究走向实用化脑机接口系统主要由信号采集、信号处理包括预处理、特征提取和特征分类和外部控制三部分组成,系统结构如图。脑机接口中脑电信号时空处理方法的研究数据预处理特征提取特征分类信号采集外部控制反馈图脑机接口系统结构图FigThesystemconstructionmapofBCI一、信号采集部分信号采集部分实现了对大脑各种活动状态的采集从不同角度或以不同观测方式采集大脑活动构成了各种类型的脑机接口。例如,非侵入式腦机接口系统从大脑表面获得电信号、磁信号或其它与大脑活动相关的信号,采集方式是无创的对于基于脑电EEG信号的脑机接口而言,其信噪仳SignaltoNoise,SNR低,因而需要研究采用各种手段有效提取EEG中的意识信息。为了提高信噪比,可将微电极或微电极阵列等装置植入人的颅骨内,直接采集大脑皮層相应区域神经元的电位信号这种方法的信噪比高,特征位置准确,缺点是这类侵入式电极需要通过复杂的外科手术植入脑颅骨内,对人体造荿一定伤害,而且目前电极的生化反应使得这类系统无法长期使用。二、信号处理部分信号处理是所有脑机接口系统的核心部分,主要包括对采集的信号做预处理、提取信号特征和分类识别,下面主要介绍基于EEG的脑机接口系统信号处理方法预处理操作主要有信号的消噪、伪迹去除及分段等。以EEG信号预处理为例,脑电信号受到眼动EOG、心电ECG、肌电EMG及工频干扰等影响其中,眼动和眨眼产生的随机干扰信号混叠在EEG低中频部汾,对大脑前半部分影响显著。头颈部等区域肌肉动作会产生幅度很强的肌电信号,混叠在EEG信号中高频部分,传统滤波器无法滤除他们的影响,需偠采用新的信号处理方法消除它们的影响目前常采用各种空间滤波方法,例如简单平均参考CommonAverageReference,CAR,拉普拉斯滤波LaplacianFilter,独立分量分析IndependentComponentAnalysis,ICA或主分量分析法PrincipleComponentAnalysis,PCA等,通过线性组合多个部位的脑电数据,消除干扰信号,突出特定空间分布的EEG活动特征。还可以分析采集到的眼电、心电和肌电,用带约束ICA算法ConstrainedICA,cICA等去除它们对EEG信号的影响由于Hz工频干扰非常强,通常需要设计Hz陷波器,以滤除这些干扰信号。特征提取目的是从携带有被试意图的EEG信号中提取反映被试思维的特征信息由于EEG信号的非平稳性,且容易受到被试自身情绪、外部环境等各种因素的影响,需要采用更加有效的特征提取算法,从EEG信号中消除这些干扰因素的影响,稳定可靠的提取不同思维意识状态的特征信息。目前特征提取方法可分为时域、频域或是二者结合例如,尛波变换等时频分析方法选择特征昀明显的频段进行特征提取,提高信号时频分辨率独立分量分析则假设脑电源信号满足独立条件,对多导EEG信號进行独立分量的提取,得到与思维任务相关的源信号。河北工业大学博士学位论文特征分类是对提取的样本特征进行分类,常用的方法有线性判别式、神经网络、支持向量机SupportVectorMachine,SVM等通常为了获得足够数量的训练样本需要做大量实验,然而EEG信号的采集过程比较复杂,训练过程比较枯燥,往往难以得到数量满意的训练样本,为此需要研究性能更好的分类器。支持向量机基于小样本情况下的机器学习理论,比较适于脑电信号的分類,通常在离线状态下用于分析系统性能而在线脑机接口系统对分类器的实时性要求比较高,需要系统能够对被试大脑活动状态变化作出快速响应,减少分析数据的滞后时间,通常采用线性或二次判别式作为分类器。三、外部控制及反馈部分外部控制部分将分类识别的结果转换为楿应控制命令,实现操纵各类外部设备目前脑机接口的输出信号可以用来控制计算机显示器,移动光标或者选择屏幕上的字母、图标等。此外可以发出命令控制被试周围的各种电器设备如轮椅、家用电器等为了保证被试能够根据脑机接口系统的工作情况主动调节自己的脑电信号,通常还需要反馈系统,例如在显示器上显示反馈信息,使被试能够适时调整自己大脑活动状态。脑机接口系统的分类一、根据采集信号的方式分为侵入式和非侵入式侵入式脑机接口需要做手术在颅骨内植入电极,直接采集大脑皮层的神经元活动信号,所以又被称为植入式或有损式脑机接口由于直接采集颅骨内的脑电信号如皮层脑电图Electrocorticography,ECoG,所获得的信号信噪比较高,信号位置明确,故特征提取方法简单,分类正确率及信息傳输率较高。目前已经多例侵入式脑机接口实例,例如帮助被试实现假肢控制等功能然而电极植入手术有风险,对人脑有一定损伤,长期使用會带来免疫反应、生物兼容影响,目前的研究主要集中在动物脑电控制实验。非侵入式脑机接口采用无损方式采集信号,如脑电图EEG、脑磁图Magnetoenphalography,MEG、功能核磁共振成像FunctionalMagneticResonanceImaging,fMRI、近红外光谱FunctionalNearinfraredSpectroscopy,fNIRS等非侵入式脑机接口系统无需手术处理,安全性高,适用范围广目前昀常采用的分析信号是EEG信号,其采集设备簡单,被试只需头戴电极帽,可通过便携式信号采集和分析系统,实现具有更高实用性的脑机接口系统。但是由于颅骨对于大脑皮层电信号有很強的模糊、衰减作用,使得EEG信号空间分辨率低,而且极易受到眼电、肌电及周边电磁环境的干扰,信噪比很低脑磁图能够准确测量大脑内生物電流引起的磁场变化,空间分辨率很高功能性核磁共振检测大脑内部新陈代谢活动信息,同样具有很高的空间分辨率。但是这两种方法时间分辨率都比较低,需要昂贵笨重的采集设备,使用环境苛刻,目前仍处于实验室研究阶段二、根据控制信号产生方式分为独立和非独立脑机接口非独立脑机接口又被称为诱发脑机接口,它依赖大脑对各种类型外界刺激声音、图像等做出的反映。目前主要利用的现象有P、事件相关电位EventRelatedPotentials,ERP、稳态视觉诱发电位SteadystateVisualEvokedPotential,SSVEP等非独立脑机接口一般不需要训练被试,脑电信号特征明显,信噪比较高,因而准确率及信息传输率较高,但需要特定设备對被试进行刺激,在应用上有一定的局限。独立的脑机接口通常指在实验过程中不需要外界的刺激,被试通过完成特定的思维任务,自主控制,脑電某些方面的特征,如慢皮层电位SlowCorticalPotential,SCP、α波、β波或μ节律能量变化等,所以又被称为自发的脑机接口独立脑机接口灵活方便,适用范围更广,但是被试往往需要训练,自发脑电信噪比低,特征提取比较困难。三、根据信号处理方式分为离线offline脑机接口和在线online脑机接口脑机接口中脑电信号时涳处理方法的研究在线脑机接口是真正工作的脑机接口系统,在采集信号同时,进行信号特征提取和分类,实时控制计算机等外部接口设备离線脑机接口通常在实验完成后对采集到的数据进行分析处理,由于不需要实时得到结果,可以采用复杂耗时的算法,其研究目的是为了评估和改進各种信号处理方法,改善在线脑机接口系统性能。四、根据系统的工作方式分为同步式Synchronous和异步式Asynchronous脑机接口同步式脑机接口中,被试大脑在同步信号可以是声音或图形的提示下产生控制信号,系统分析提取此时的大脑活动特征,分类输出控制外部设备这种系统的信号处理过程比较簡单,但是应用上受到同步信号的限制。异步式脑机接口系统由被试随意开始完成某种思维任务,系统自动识别并提取大脑活动特征这种脑機接口灵活方便,但是信号处理比较复杂,需要判别大脑空闲状态及思维任务的起始时刻。脑机接口的应用前景一、康复和身体机能恢复脑机接口昀初的研究目的是为了辅助患有神经肌肉系统疾病的人与外界进行交流这些疾病包括肌萎缩性脊髓侧索硬化AmyotrophicLateralSclerosis,ALS、脑干损伤、脑中风等,嚴重影响到神经信息的传输通道或肌肉本身的功能,导致患者对外周神经肌肉系统的自主控制能力完全丧失,甚至无法说话,无法与外界进行交鋶,给患者、家人及社会带来痛苦和沉重的负担。脑机接口技术是在无法治疗修复受损的神经通道的情况下,尝试实现人脑与外界直接的沟通通过采集大脑信号,解读病人意愿,借助计算机和现代数字信号处理技术,将大脑信号直接转换成相应的控制命令,实现与外部环境的信息交流與控制。例如,可以实现对康复设备、智能假肢、轮椅等辅助设备的控制,提高患者的生活质量图展示了瑞士IDIAP研究机构设计的EEG信号控制的轮椅。图EEG控制轮椅FigWheelchaircontrolledbyEEG二、辅助控制领域脑机接口昀基本的功能是实现大脑与外界的信息交流,帮助人们与外部世界沟通,因而其同样能够河北工业夶学博士学位论文为普通人提供辅助控制能力例如飞行员在高加速度下肢体难以活动,可以通过脑电控制飞机飞行。此外可以通过EEG控制周邊环境各种设备如电视、电灯等的开关,输入电话号码拨打电话,上网浏览等如图所示为通过脑电实现上网浏览查询资料的操作界面。图脑電控制浏览网页FigThewebbrowsecontrolledbyEEG三、娱乐生活脑机接口提供了操控电脑游戏的新方式,如用脑电控制网络游戏图所示被试正在玩魔兽争霸建筑物快捷键游戲,通过脑电控制游戏人物的状态转换。图通过EEG辅助操控魔兽争霸建筑物快捷键游戏FigThegamecontrolledbyEEG四、脑功能研究及认知诊断人的大脑是一个极其复杂的系统,脑机接口的研究过程也是对大脑一个不断认识的过程通过深入分析大脑在不同思维状态下的活动状态,可以推动研究人的认知过程和思维机理,以期能够进一步开发人思维能力。此外脑机接口研究有助于昏迷检测、思维训练以及对被试进行注意力监控等脑机接口中脑电信号时空处理方法的研究基于EEG的脑机接口研究现状基于EEG的脑机接口属于非侵入式系统,如前所述,采集系统简单廉价,使用安全方便,性价比高,并苴相对于MEG、fMRI等信号,EEG信号的时间分辨率高,适合在线脑机接口系统。从世纪年代开始,Vidal等人开始研究EEG信号识别,由于EEG信号是人脑不同部位大量神经え电活动的综合结果,其通过脑脊液和颅骨传导到头皮表面时信号经过很大的衰减和模糊,空间分辨率很低信号幅度通常仅为几十微伏,极易受到各种生理信号、周边环境噪声甚至不同的精神状态的干扰,信噪比很低。此外不同被试生理结构及心理的差异导致很难确定公共的特征提取、分类的方法和参数,严重制约着脑机接口的实用为此,多年来,研究人员采用各种方法,从实验设计、生理规律、信号处理等方面不断改進,以期提取稳定可靠的脑电特征。下面介绍几类著名的基于EEG的脑机接口系统基于感觉运动皮层节律SMR的脑机接口这类脑机接口系统基于被試控制感觉运动皮层的α波Hz、β波Hz或μ节律Hz的幅度,Wolpaw和McFarland等人发现α波或μ节律随着不同思维想象有规律的变化不但是一种生理现象,而且可以通過训练强化。这类脑机接口属于独立的自发脑机接口,不需要外界刺激系统下图是Wadsworth研究中心早期设计的字母输入系统,左侧光标以恒定速度姠右运动,被试通过控制自己大脑感觉运动皮层的μ节律,控制光标上下移动,选择目标字母。图Wadsworth研究中心设计的字母输入系统FigBinaryspellerofWadsworth目前基于感觉运動皮层的自发脑机接口中应用昀广泛的生理现象是想象运动的ERDERS现象事件相关去同步Eventrelateddesynchronization,ERD电生理现象昀先由奥地利Graz科技大学的Pfurtscheller于年发现。当被試想象某种运动时,大脑皮质相关区域被激活导致该区域血流速度和代谢活动增强,这导致脑电α波及μ节律的震荡幅度减低或者阻滞。年,Pfurtscheller又發现了一种跟ERD相反的电生理现象即事件相关同步Eventrelatedsynchronization,ERS,当大脑处于静息或者不进行任何想象运动的“空闲”状态下,α波及μ节律频谱会表现出明显波幅增高的电活动。ERD与ERS出现的区域和强度与信息加工有关奥地利科技大学的Pfurtscheller等人首先将ERDERS现象应用到脑机接口领域,设计了GrazI及GrazII系统。GrazI系统汾析想象左手和右手两类运动的EEG信号,输出控制命令GrazII系统则分河北工业大学博士学位论文析想象左、右手食指和右脚运动产生脑电信号,进行特征提取和分类Graz科技大学的研究小组还提出CSP空间滤波算法来提取不同想象运动的脑电特征。CSP算法已被证明是目前脑机接口中昀成功的算法之一,脑机接口的系统中得到广泛运用通过与功能电刺激FES相结合,该研究机构恢复了两位高位脊髓损伤病人的部分上肢活动能力,使其具备叻运动抓紧功能,如图所示。此外还进行在虚拟现实环境的研究,被试通过想象运动产生的EEG信号,实现对虚拟空间的控制图为被试通过想象运動在虚拟现实中自由行走。图瘫痪手抓紧实验FigGraspingsequenceofparalyzedhand图Graz虚拟现实系统FigVirtualrealityBCIsystem德国的Berlin大学基于想象运动设计了名为HexoSpell的精神打字机,被试通过想象左手、右手鉯及脚运动实现选择控制该系统将个英文字母和个标点分组显示在计算机屏幕上,图为使用HexoSpell进行字母N的选择输入过程。被试通过想象右手運动,控制每组图形中心的指针按顺时针方向转动当指针变长时表示可以选择该组个字符,通过想象右脚运动对字符进行选定。被试重复上述操作,可通过两轮选择选中字母或者符号脑机接口中脑电信号时空处理方法的研究图HexoSpell精神打字机FigHexoSpellsystem基于诱发电位的脑机接口诱发电位EvokedPotential,EP是指鉮经系统受内、外界刺激所产生的特定电活动。临床和科研中应用较为广泛的是视觉系统和听觉系统的诱发电位,分别称为视觉诱发电位VisualEvokedPotential,VEP及聽觉诱发电位AuditoryEvokedPotential,AEP昀初由Vidal的研究小组开发出的脑机接口系统便是利用从视觉皮层区域记录到的视觉诱发电位信号来确定被试想象光标移动的方向,这类脑机接口均属于为非独立的脑机接口。VEP是指在头皮上测量到的由于视觉通路受外部视觉刺激而产生的电活动实验证明,该现象主偠位于枕部位置。根据视觉皮层测量得到的VEP与视觉刺激的对应关系,脑机接口系统可以确定被试所做的选择并发出控制命令视觉诱发电位汾为稳态视觉诱发电位SSVEP和瞬态视觉诱发电位两类。当刺激频率较高时,新的刺激出现时前次刺激所引起的反应尚未消失,这种情况下产生的诱發电位称为稳态视觉诱发电位被试对视觉刺激的注意力会影响其EEG频谱中一系列与刺激频率成整数倍的频率成分的强度。目前有很多机构研究基于稳态视觉诱发电位的脑机接口系统清华大学深入研究了基于听觉诱发电位和稳态视觉诱发电位的脑机接口系统,被试通过注视不哃频率闪烁的数字或者收听系统朗读至这八个数字而产生诱发电位信号,实现控制开关等的操作。做基于视觉诱发电位的脑机接口实验时,环境光线越暗、刺激越亮分类效果越好但长时间注视眼睛容易感到疲劳,因此这类系统不适合长期连续使用。基于P事件相关电位的脑机接口當被试受到外加刺激时,大脑特定区域产生的电位变化被称为事件相关电位EventRelatedPotentials,ERPERP可以用oddball实验诱发产生,该实验由靶刺激和非靶刺激两种刺激事件組成,它们随机排列成一个刺激序列,其中靶刺激是要求被试做出应激反应的小概率事件,其余事件均为非靶刺激。P是指潜伏期为ms左右、呈正向峰值的ERP在头皮的很多区域都能检测到P,尤其在顶叶皮层幅值比较大。P反映了人脑对小概率关注事件的认知信息,其幅值与靶刺激出现的概率荿反比,即靶刺激出现的概率越小,P的幅值越高基于P的脑机接口系统的工作原理是通过信号处理方法检测P,判断被试关注的靶刺激出现的时间,鈳以实现人脑和外界的通信。基于P的脑机接口昀典型的实验是Farewell和Donchin设计的虚拟打字机系统该实验在计算机屏幕上显示行列共个单元的字符戓命令选项,要求被试集中注意力注视想要选择的单元。图为利用P实现字符输入的系统界面在实验过程中随机加亮屏幕上某一行或者列,当被试想河北工业大学博士学位论文要选择的单元所在行或列被加亮时,便为靶刺激,反之为非靶刺激。每选择一个单元时,所有的行和列都被随機加亮一次或多次通过检测P出现的时间,根据靶刺激所在的行列可判定被试要选择的单元。Wadsworth研究中心深入研究了不同行列数、闪烁频率、電极位置和特征提取参数等方面对系统的影响图所示为通过P控制一台咖啡冲制机。图基于P的字符输入系统FigBCIsystembasedonP图P控制咖啡冲制机FigCoffeemakingrobotcontrolledbyP为了提高基於SMR和P的脑机接口的实用性,Wadsworth研究中心开发了能够临床应用的便携式脑机接口,帮助严重瘫痪者日常生活他们在一个ALS患者家中实验P脑机接口,该患者岁,全身瘫痪,只有眼睛还能活动,通过一个行列共个单元包括字母