运动想象脑机接口中模式识别方法研究

郑展东

摘要：随着时代发展，如今的先进科学技术也在进行着不断地研究，其中脑机接口（BCI）技术就是其中的佼佼者。这种技术对于一些瘫痪或者肢体残疾之类患有运动障碍的病人都有着极其重要的作用，可是这项技术在现在的实际运用中依旧存在着对动作识别的类型、识别速度和精准度等一系列不足的问题。本文做出了运动想象脑机接口中模式识别的方法中MRP特征提取算法的研究，并且探讨了其在机械臂方面的初步应用。

关键词：脑机接口；模式识别；方法研究

引言：人体的大脑作为人体控制神经的中枢，人类对于大脑的功能研究从来没有停止过。在二零一五年，欧盟委员会提出了脑机接口（BCI）技术的未来研发规划，并且我国也紧跟着启动了对其技术的相关研究和项目开发。随着如今科学技术的飞速发展，脑机接口技术也必定能够向更多的运动功能患有障碍的病人提供帮助，可以通过脑机接口技术不用动手脚即可实现电器开关，轮椅移动，机械臂活动等等运动，进而使得这类病人能够有足够的生活自理能力。

1. 脑机接口的概述

脑机接口技术的初步概念起始于一九七三年，这门技术结合了生物医学、心理学、康复医学、计算机科学和脑神经科学等等许多项科学技术的融合。一九九九年开展的第一节BCI国际会议给出了“脑机接口技术是外部设备的控制和交互系统，其不会依靠外围的肌肉系统和大脑的神经组织。”然后还在二零零二年到二零一三年接连展开了连续四届的关于脑机接口技术的国际化会议，将脑机接口技术今后的研究方向和现在还存在的一些问题进行了确定，极大程度地促进了脑机接口技术的发展进程。现在全球范围内以及有非常多的科研队伍在对脑机接口技术不断进行专研，脑机接口技术正在科研人员的共同努力下飞速发展。

二、BCI系统的组成和它的工作原理

脑机接口系统的整体又以下几个部分组成

1. 脑电信号采集，这个采集环节是脑机接口系统最为基础的部分，其收集脑电图采集仪对试用者进行脑部活动时所发出的脑电信号的记录，并且将其滤波、放大以及转换，最后转换成电脑能够处理的脑电信号。

2. 预处理，脑电信号作为一种信噪比特别小的型号，使得其很轻松就会遭到外界噪声和另外的人体信号的干扰，所以说在我们对脑电信号进一步作出分析之前一般都会对它做出预处理，以此来提升脑电信号的质量。

3. 提取特征，提取特征是脑机接口系统技术中最为关键的技术，其主要内容就是在对脑电信号做出详细分析的同时，将里面所反映型号特征的特征量进行提取，为后面系统的识别和分类创下基础。在目前来说，因为每个人的机体存在着个体差异而使得我们不同人的大脑在相同思维活动中所发散出来的脑电信号也存在着一些差别。所以说，提取特征部分的系统工作还需要得到我们更多地优化和专研。

4. 模式分类，在脑机接口技术的系统里，模式分类的工作原理主要是经过部分的学习算法，创建特征和实验者所发出的思维活动之间所对应的关系，进而完成其模式分类识别的主要目标，它的分类结果所具备的准确度将会直接性影响到后面传达给控制装置信息的精准性。

5. 外部设施和其控制装置，在前面几个部分的系统工作完成后，我们就能够从实验者的脑电信号里将其思维运动意图所分析出来，并且更进一步地把前面模式分类所得出的结果转换成为外部设备的命令控制。最后在外部设备与实验者的大脑之间创建起互相交流的桥梁。并且，我们想要更进一步提升脑机接口系统的综合性能，往往还会在最后设立一个反馈环节，我们可以以其做出的反馈结果为依据，对BCI系统的总体参数做出适当的调节。

2. EEG信号的采集方法和其特征

脑电信号是由于大脑的大批神经元活动从而引发人体大脑皮层电位发生变化进而发出的一种电信号。其将人体大脑所进行的活动以最为直接的方式展现了出来，脑电信号中包含了极其丰富的生理活动讯息，具备着相当重要的研究价值。脑电信号所具备的特征有以下几个：

1. 脑电信号的信噪比非常低，是一种较为微弱的信号。在各项研究中指

出，脑电信号的幅值范围仅仅只有5至200μV，而且在收集脑电信号的时候很容易受到其他人体信号或者外界信号的干扰。

2. 脑电信号是一种不平稳的信号，因为脑电信号发出涉及到的机制本来

就特别繁杂，而且还特别容易被背景噪声所干扰，由此可见，脑电信号是一种随机性很强以及不平稳的时变信号。

3. 脑电信号具备了极高的非线性。人体生物组织和大脑神经的活动之间

所拥有的交互繁杂的联系让脑电信号具备了极高的非线性，这也使得我们处理信号的时候所惯用的线性方式并不能用在脑电信号的处理环节中。

4. 脑电信号的频、空、时特征都比较突出。脑电信号的波段跟我们当时

的身心状态都有着很紧密的联系。在不同频段中脑电信号的变化都比较明显，并且从不同的位置所收集到的脑电信号所携带的讯息也大不相同，这种特征在空、频、时各个方面都有较为突出的表现。

3. MRP特征提取算法

MRP_S属于缓慢的非摆动脑电信号电位变化，常用的MRP_S特征提取方法有：将各电极3Hz左右的EEG在时间上的平均幅值提取出来并作为特征，其重点在于MRP_S的一阶统计特性；另一种方法就是将MRP_S在幅值上的降低作为震荡变化中的特殊情况，用CPS来提取MRP_S的二阶统计特性。并且在相关专业技术科研人员对于MRP_S非震荡锁相位的本质特性作为参考对象，将时间序列当做特征提取对象，从而想出了第三种特征提取办法，也就是DSP算法，并且以这种算法为基础进行研究取得了很好的成绩。以下是对DSP算法的概述。

设训练集为 ,测试集为 ， 表示其分别进行的第i次实验数据样本。N和m分别表示他们的样本总数，N和D表示时间采样点数和电极数。 表示X_i对应的运动类别，训练集 类运动试验次数为 。这里主要是考虑BCI二分类问题，其中C=2。

DSP算法基于 现象，通过瑞利熵的方式，找到最优判别投影矩阵W，让映射后样本的类内散度和类间散度比值最大化。

分别定义样本的类间散度 和类内散度 为：

表示矩阵A的转置，C是类别数， 表示g类样本类内散度。 、M为分别表示第g类样本均值和所有样本均值。

若W为最佳判别投影矩阵，那么映射之后的类内散度和类间散度为：

所以可以得到DSP算法的目标函数为：

||代表矩阵的行列式，运用广义特征值分解能够发现最佳投影矩阵W由下面的投影向量w组成：

为 的特征值， 为其相对的特征向量，代表了空间滤波器。选择若干最大特征值对应的特征向量组成投影矩阵W。

这些空间滤波器由脑电信号样本的计算得出，但是这些样本往往充满了噪声，为了避免其使得广义特征分解出现类内散度矩阵奇异问题，使用正则化处理：

实验样本X(i)的转换矩阵为：

Z（i）的第一行将最大化不同类别谱区别，而 的每一列是判别空间模式，可当做时变脑电信号源的空间分布向量。DSP算法提取的 特征为：

式子中，r表示选择的转换矩阵Z的行数。

四、EIC技术的现实运用

并且以现在的技术手段已经研发出了基于BCI技术的机械臂操作系统的研发，用户可以在接受了BCI技术的接入手术后能够实现以脑电信号来操控机械臂来进行运作，机械臂能够接受用户不同时段的不同脑电信号，并且精准地进行处理和识别，然后做出用户需要的相关操作，以此代替一些患有行动障碍病人的手脚活动，让他们能够对自己的生活重新燃起信心。

结束语：基于运动想象的脑机接口技术在现如今的发展还不够成熟，我们需要提供更多的资源和人力来对其进行研究和开发，将目前还存在问题和精准度不足的环节进行深一步的专研。在未来让其能够更好地为患有行动障碍的病人做出服务，使他们恢复正常的生活，重燃他们对生活的希望。

参考文献：

[1]葛荣祥. 运动想象脑机接口中模式识别方法研究[D].东南大学,2018.

[2]朱光旭. 运动想象脑机接口多模式识别方法与应用研究[D].天津理工大学,2018.

[3]孟霏. 脑机接口中运动想象脑电信号的识别方法和应用[D].大连交通大学,2013.