1、1.脑-机接口BCI简介 脑机接口(Brain Computer Interface，BCI)或脑计算机接口是一种新颖的人机接口方式。目前比较公认的“脑-机接口”的定义是：不依赖于脑的正常输出通路(外周神经系统及肌肉组织)的脑-机(计算机或其它装置)通讯系统。现在大多数的脑机接口的作法：把电极安放在头皮上或是带个电极帽。通过这些电极获得大脑的电信号(微伏级)，然后把它们送入放大器，在放大器中信号被放大几千到几万倍，然后将模拟信号转换为数字信号，并送入计算机，计算机对接收到的数字信号进行处理识别并以识别出来的结果为基础，进行诸如交流和控制等工作。,脑-机接口系统简介,近些年来，脑机接口BCI(b
2、rain-computer interaction）技术的研究在国际上引起了广泛的兴趣并获得了快速的发展。人类大脑能够产生多种信号,包括电的、磁的、化学的以及大脑活动的机械反应等各种形式。这些信号可以通过相应的传感器进行检测，从而使得BCI的实施成为可能。由于对磁和化学等信号的检测技术需要更高的要求,目前BCI信号的获取主要基于技术相对简单、费用较为低廉脑电检测技术，利用脑电EEG(electroencephalogram)来实现无动作的人机交互，BCI技术的研究在肌肉瘫痪但具有良好认知的残疾人（例如：ALS、脊髓损伤、中风）康复、军事、人工智能、娱乐等方面都存在潜在的应用价值；它不仅为人与计
3、算机等设备间提供了一种新型的交互方式，而且为对人类自身的认识与研究提供了一种手段，极大地推动着人们对于人脑思维能力的认识和利用,其研究成果具有重大的理论意义、学术价值和广阔的应用前景。,2. 脑机接口系统基本组成 图1.1为脑机接口的基本组成框图。除了人本身外，BCI系统主要由放大电路、信号采集与预处理、特征提取、特征分类、外围设备、反馈系统等。BCI系统读取脑活动的电信号并将其转换成为数字形式，供计算机识别、处理、甚至控制执行单元活动，比如操纵电脑光标，开关电视乃至控制机械假肢。,2.1电极 人的大脑发出的微弱电信号必须通过电极来获取，电极是实际上是一个换能装置，它将在体内靠离子传导的电流转
4、换成在电极和导线内靠电子传导的电流，即离子电流转换成电子电流。这些信号是含有大量的眼电、肌电的伪迹。电极一般使用电极帽固定，例如在我们实验室使用的是BIOSEMI公司的一套设备。2.2脑电信号的导联 对于引出电极与前置放大器的接法，称之为脑电信号的导联。根据对活动电极与无关电极处置方法的不同，可分为单极导联和双极导联。所谓单极导联就是将活动电极接至前置放大器的一个输入端，无关电极接到前置放大器的另一个输入端。无关电极一般选两侧耳垂，活动电极选择在头皮的一个电极。这种接法的优点是：能记录活动电极下脑电位变化的绝对值，其波幅较高且稳定，缺点是：无关电极不能保持零电位，,易混进其它生物干扰。双极导联
5、则不使用无关电极，只使用头皮上的两个活动电极。这样做的优点是：所记录波形为两个电极脑电变化的差值，由于前置放大器对共模信号的抑制作用，可以大大减少干扰，可排除无关电极引起的误差，缺点是两个活动电极在3cm以内时，来自较大范围的脑电电位差被互相抵消，而且值较低，波形也不恒定。在实际中，需要根据不同的情况和要求连接成不同的方式，使用多导记录多个波形，对病情作出综合判断。 2.3脑信号放大电路 脑电信号是一种微弱的低频电信号，在幅值上是微伏级幅值大概是10V-200V。在进行有效的处理、显示或记录之前，首先必须把信号放大。下图为放大电路图：,为什么使用三级放大电路呢？首先在ADC之前必须把幅值增大到
6、可以满足ADC采集芯片的要求。另外放大电路采用三级放大形式的优点是：信号逐级放大，不集中在某一级。 但一般前级放大倍数不宜太大，因为信号和噪声同时经过这一级，如果放大倍数过大，则噪声也被同样放大，如果噪声幅度过大，后级难以有效去除噪声。中间级是主要放大级，进入这一级的信号已经经过处理，噪声已得到有效滤除，一般该级的放大倍数较大，末级是对前面放大的补充。 其放大倍数可根据后级电路作适当调整。 脑电信号的幅值范围为10V-200 V，由于信号太微弱比标准心电信号微弱的多，共模干扰对脑电信号的检测将会造成更严重的影响，因此脑电放大电路需要具有更高的共模抑制比，一般应在120dB以上。且要求在前置级放
7、大电路应具有更高的输入阻抗，其值至少应大于10M。,2.4 滤波电路,由电极获取的信号经过前置放器的放大，信号的幅度将变大，但这些信号中仍含有脑电信号范围外的噪声和干扰，我们必须从这些信号中提取我们需要的有用信号，去除噪声和干扰。我们一般使用低通滤波器滤除l00Hz以上的信号，用高通滤波器滤除0.1Hz以下的信号。,光电隔离器是把发光器件与光敏接受器件集成在一起 , 或用一根光导纤维把两部分连接起来的器件。通常发光器件为发光二极管 (LED) , 光接受器件为光敏晶体管等。加在发光器件上的电信号为耦合器的输入信号 , 接受器件输出的信号为隔离器的输出信号。当有输入信号加在光电隔离器的输入端时
8、, 发光器件发光 , 光敏管受光照射产生光电流 , 使输出端产生相应的电信号 , 于是实现了光电的传输和转换。其主要特点是以光为媒介实现电信号的传输 , 而且器件的输入和输出之间在电气上完全是绝缘的。结构如下图：,2.5 信号的处理,3. EEG信号的特征提取 传统的脑电信号处特征提取方法是对信号进行多次检测并进行均值滤波,再用统计学的方法寻找脑电信号的变化规律。这种方法信息传输率低,也不能满足实时（real-time）控制的需求。目前对脑电信号的处理一般采用对单次训练信号进行研究。其中特征提取和识别分类是BCI信息处理最为关键的环节。特征提取就是以特征信号作为源信号,确定各种参数并以此为向量
9、组成表征信号特征的特征向量。特征参数包括时域信(如幅值)和频域信号(如频率)两大类,相应的特征提取方法包括： 3.1 时域法 时域分析主要用来直接提取波形特征，如过零点分析、直方图分析、方差分析、峰值检测、波形识别等。这方面的应用有事件相关电位(ERP)法,采用ERP的幅值特性作为特征信号的特征提取方法。值得一提的是现在该领域普遍关注的P300电位，这种响应在刺激后发生大约300ms的时间出现，因此，其本身就是以时间参数命名的一种特征信号。根据事件发生与相关电位产生之间的时间差结合诱发电位的幅值就可以判断P300的发生。,3.2 频域法 功率谱分析是频域分析的主要手段，它的意义在于把幅度随时间
10、变化的脑电波变为功率随频率变化频谱图。从而可以直观的看到脑电节律的分布。然后用两个时间域的滤波器(0一3Hz，8一30Hz)进行滤波，分别得到ERP信号(a波:8一12Hz和p波:18一24Hz)。3.3 时频分析法 脑信号是一种时变的非平稳信号，不同时刻有不同的频率成分，而单纯的时频分析法由傅氏变换联系起来，使时域频域截然分开，由于时域频域分辨率不确定的原理，很难做到时频的分辨率都很高。而且在EEG中很多病变都是一瞬态形式存在的，只有把时间频率结合起来处理才能取得较好的效果。可以说时频表示法为脑信号的处理提供了非常好的前景。用的较为广泛的时-频分析法有winger分布和小波（wavelet）
11、变换。小波变换能有效检测出脑电信号中短时、低能量的瞬态脉冲，其最大的优点是采用可变的时频窗口分析信号的不同频率成份。,3.4 脑电信号的多维(即空间域)统计分析方法 这是一类与脑电时频分析方法有着本质差别的信号分析方法，如主分量分析(primary Component Analysis，PCA)，因素分(Factor Analysis FA)，投影追随(project Pursuit，PP)和独立分量分析(Independent Component Analysis，ICA)等。多维统计分析方法的特点是能同时处理多导脑电信号，因此有利于揭示和增强脑电信号中隐含的特征。在脑电消噪和特征提取等方面
12、具有独特的效果。现在以独立成分分析ICA为主，ICA的应用主要还是对脑电进行预处理，用于消除原始脑电信号中的干扰成分，进而改善脑一机通信的正确识别率对于分离后的信号分别采用小波分析(Wavelet Analysis)，小波包分析(Wavelet Packet Analysis)，对噪声进行消除。 作为现代非平稳信号分析工具，小波变换的多分辨率分析特性使我们能够聚焦到信号的每一个细节，利用它的带通特性可以方便地将观测信号中的一些窄带信号提取或消除；独立分量分析(Independent Component Analysis,ICA)则从一个全新的盲源分离角度为多道脑电信号处理提供了一种有效的手段。
13、下文将对独立成分分析和小波变换在脑电信号预处理中的应用进行讨论：,3.4.1 首先介绍一下现在ICA算法： ICA基本思路是从多维观测信号中提取统计独立的成分。ICA的出发点非常简单,它假设成分是统计独立的而且还必须假设独立成分是非高斯分布的。为了给ICA下一个严格的定义，这里需要使用一个隐藏的统计变量模型 X=As 这个统计模型称为独立成分分析,或者ICA模型,它表示被观察到的数据是如何由独立成分混合而产生的.独立成分是隐藏的变量，意味着它不能直接被观察到，而且混合矩阵也被假设为未知的 。在混合矩阵A和源信号未知的情况下,仅利用观测信号x和源是统计独立这一假设,尽可能真实地分离出源信号s,这
14、就是所谓的盲源分离问题(Blind Source Separation,简称BSS)。,ICA算法种类（1） 互信息极大的Infomax算法 Infomax是指Information Maximization,即信息传输极大原则。这种原则源自于神经系统的去冗余特性，可描述为：当一个网络的输入端和输出端的互信息达到最大时，等价于输出端各分量之间的冗余信息得到去除。,ICA独立性度量方法有：互信息极小、最大似然、极大输出熵和非高斯性极大等。,(2) FastICA算法 固定点(Fixed-Point)算法，又称FastICA，是一种快速的寻优迭代算法。与普通的神经网络算法不同的是这种算法采用了批处
15、理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点来看，该算法仍可称之为是一种神经网络算法。固定点算法以负熵最大作为一个搜寻方向，可以实现顺利地提取脑电信号的特征。,3.4.2 小波变换(Wavelet Transform,WT) 小波分析是傅立叶分析思想上里程碑式的进展。 小波变换将信号分解成一系列小波函数的叠加，小波窗口大小随频率改变。在低频时，时间分辨率较低但频率分辨率较高；在高频时，时间分辨率较高但频率分辨率较低。脑电信号是非平稳信号，由于小波变换的多分辨率特点，很适合提取。小波分析中的正交函数系是在选择适当的基本小波(母小波)后，通过二进制的伸缩和平移来产
16、生“小波”的。小波分析相当于一个数学显微镜，具有放大、缩小和平移的功能，其作用类似于一组带宽相等、中心频率可变的带通滤波器。小波变换在实际中分为CWT和DWT。,4 BCI信号的分类识别 在提取出BCI输入信号的特征后，接下来就是要对特征信号进行分类。由于根据不同的运动或意识，脑电信号能够产生不同的响应特性，因此分类是确定运动或意识的类型与特征信号之间的关系。信号分类结果的好坏取决于两个方面的因素:一是用于分类的信号的特征是否明显；二是分类方法是否有效。脑-机接口中常使用的分类方法主要有人工神经网络、线性分类(Linear DiscriminantAnalysis LDA)、支持向量机 (Su
17、pport Vector Machine SVM)等分类方法。,5 脑一机接口研究存在的问题及展望 目前，脑电信号分类还面临很多挑战，主要可归纳为以下几类：(1) 信息传输率(带宽) 即使是有经验的测试者操作最快的脑机接口系统，最大传输率也才25b/min，相当于每分钟3个字符，这对正常的对话与交流仍然太慢。(2) 高误差率 目前处于实验室研究阶段的BCI系统的判断正确率虽然优于随意猜测的正确率，但离实际应用的需要还有距离，BCI的特征信号提取和分类技术还不够完善。以上这些问题的改善和解决可能需要经历一段较长的研究探索时间。 虽然脑一机接口的发展还很不完善，存在的问题也很多，但对于BCI技术能否最终走出实验室，答案可以说是肯定的。随着当代微电子技术和信息技术的发展，各技术、新方法的不断出现都在推动着BCI朝实用化方向全面发展，相信有人类完全有能力将BCI的研究成果转化为有价值的应用产品。总之，BCI技要在众多领域的研究人员的共同努力下完成。,
