脑机接口中信号特征提取的研究进展.docxVIP

脑机接口中信号特征提取的研究进展

脑机接口（bci）是一个没有依赖外部神经和肌肉等传统输出渠道的信息交换系统。脑机接口实质上是一种信号转换和控制系统,它直接接收大脑活动的信号,由计算机软件进行信号分析和特征提取,通过一定的硬件设备产生行为,并由此实现对外界物体的控制。脑机接口不仅仅局限于“窃听”人的心理活动,还可作为一种全新的输出通道来代替神经肌肉的输出。因此,与神经肌肉通道类似,大脑需要通过不断的练习来适应新的输出通道。

脑机接口最先应用于医学,帮助患有神经肌肉障碍的病人与外界进行沟通。肌萎缩性脊髓侧索硬化(Amyotrophiclateralsclerosis,ALS)、脑干损伤和脊髓损伤等病症都会破坏神经肌肉通道,使患者无法正常地与外界进行信息交流。虽然轻微患者可通过其局部肌肉活动、眨眼、或呼吸和皮肤电位等的变化与外界进行交流,但这些生理信号的变化比较缓慢,信息传递率较低,不能满足实时沟通的需要。而严重肌萎缩性脊髓侧索硬化患者的眨眼活动也不受意识的控制,无法确切表达自身的想法。幸运的是,虽然这些患者的神经肌肉通道受到损伤,但其大脑活动仍是正常的,因此,通过获取其脑电信号,可了解其内部的信息和加工过程。除了在医学领域的应用外,脑机接口还可为虚拟现实系统提供一种新的辅助控制方法。例如,Bayliss等探讨了在虚拟现实系统中对P300信号的提取方法,为脑机接口在虚拟现实系统中的应用奠定了基础。脑机接口在军事领域也有很大的潜在价值,美国空军研究实验室(AirForceResearchLaboratory)的ACT(AlternativeControlTechnology)计划也包含对脑机接口的研究,其目的是让操作者能在保持双手作业的情况下与计算机进行交互。作为一种新的控制手段,脑机接口还可应用于游戏等娱乐领域。随着准确率和信息传递效率的提高,脑机接口的应用领域也将不断的拓展。

脑机接口潜在的应用价值引起了越来越多的研究者的关注。1999年,在美国纽约召开了第一次脑机接口国际会议,来自美国、加拿大、英国、德国、奥地利和意大利等国家的22个研究小组参加了此次会议。会议分析了脑机接口的研究现状,并探讨了它的应用目标、关键技术以及建立标准的研究程序和评价方法等问题。另外,为了寻求更好的信号处理方法,一些研究者不定期组织脑机接口算法竞赛,至2008年已经举行了4届。脑机接口的研究和应用在近年来之所以有了很大的发展,主要可归于两个原因:一是脑电研究的发展,研究者已对大部分EEG节律、诱发电位及所产生的脑区和机制等有了较好的了解,如已揭示想象运动及其他心理过程与EEG信号之间存在着重要的联系;二是信号分析技术的发展,如广泛采用的小波分析和人工神经网络等技术极大地提高了脑机接口通讯的准确性。

脑机接口作为信号转换系统,包括信号的采集、处理、输出和反馈等装置。信号采集系统是脑机接口的输入装置,用于采集大脑活动的信号。目前,采集技术包括脑电图(EEG)、脑磁图(MEG)和功能性核磁共振(fMRI)等。由于脑电技术存在时间分辨率高的优点,可满足实时性的需要,因此脑机接口更多采用EEG作为输入信号。信号处理系统是脑机接口的核心部分,通过它实现将输入信号向控制信号的转化。信号处理系统可分为特征提取和特征转换算法两个部分。特征提取的主要目的是提高EEG的信噪比。EEG的噪音主要来源于眼动、肌电等非大脑活动以及EEG中与脑机接口无关的大脑活动。脑机接口的特征提取可利用信号的时域特征和频域特征。其中,时域特征包括诱发电位的波形和振幅等;频域特征是指不同频率段的强度等(如μ节律的强度)。虽然可以通过多种方法来提高信噪比,但这些信号处理方法无法改变信号本身的强度,而动机,情绪和疲劳等都会影响信号的强度。因此,在选择最优化的特征提取算法时,还需要考虑在信号采集过程中选择适当的EEG指标和实验范式等问题。特征转换算法旨在将特征提取后的信号转换为控制外界装置的命令。不同的脑机接口采用了不同的特征转换算法。特征转换算法通过一定的特征转换函数将信号特征划分为不同的类别。特征转换函数可以是线性的,也可以是非线性的。线性的转换函数包括线性判别分析和线性方程等,而非线性的转换函数有如人工神经网络等。脑机接口最普遍的输出装置为显示器,如在屏幕呈现的信息中选择某个字母或图标(目标),或直接控制光标的移动。

目前,脑机接口采用的输入信号包括了P300、稳态视觉诱发电位(steady-statevisualevokedpotential,SSVEP)、ERD/ERS(去同步化和同步化)、SCP(慢波负电位)和μ节律等。其中,基于P300和SSVEP的脑机接口由于其产生的信号易于提取,且不需要长时间练习,因而得到广泛的关注。

1实验结果与分析

P300是指在刺激出现