构建网络结构图分析和识别运动脑电信号

刘玉红,杨会杰,吴干华

摘要：脑电信号可以用复杂网络方法进行分析和识别。基于国际上已广泛采用10-20系统电极法（64 channel）,首先，将每个电极定义为一个网络节点；然后，用电极有序错位法来计算其相关系数，网络节点间是否有边相连取决于其相关水平；最后，通过延迟时间来确定因果导向关系，生成一系列不同网络密度的有向无权图，从而用来分析网络的统计特性。结果表明通过网络结构图结合脑区功能划分图能快速准确地识别出动作方向。通过现代信号处理技术和外部的连接实现人脑与外部设备的通信。

关键词：复杂网络方法; 64channel;识别动作方向

中图分类号：TP242文献标识码：A文章编号：1009-3044(2012)02-0278-04

Study on Network-graph Analysis of Movement EEG

LIU Yu-hong,YANG Hui-jie,WU Gan-hua

(Business School, University of Shanghai for Science and Technology, Shanghai 200090,China)

Abstract: EEG can be recognized by the analysis of complex networks. Based on the 10-20 international electrods system (64 channel), Firstly, defined each electrod as a network node; And then, estimated functional connectivity by calculating the correlation between the electrodes of dislocation; Finally, the Delay time to determine the relationship-oriented to generate a set of directed binary graphs and fur? ther analyzed topological parameters. The results demonstrate that the structure of network and brain functional can be devided quickly and accurately identify the movement direction. This study has provided new ideas and methods for feature extraction and classification of differ? ent mental tasks for EEG.

Key words: complex networks methods; 64 channel; identify the movement direction

现实世界中许多复杂系统都可以通过各种网络来描述，复杂系统中的个体抽象为网络节点，而个体之间的相互作用抽象为节点之间的边。复杂网络作为研究复杂系统的一门新兴学科，近年来备受国内外不同学科研究人员的广泛关注，脑科学也不例外。人的大脑是一个极其复杂的神经科学系统，研究人的思维机制、实现神经系统损伤的患者直接与外部环境进行信息交流是认知神经科学领域的一项重要课题。该项技术就被称之为“脑-机接口（BCI—Brain Computer Interface）”技术[1-4]，它是基于脑电信号实现人脑与计算机或其他电子设备通讯和控制的系统，是一个不依靠外周神经和肌肉组织等通常的大脑输出通道的通信系统，是一种全新的通讯和控制方式。BCI系统的核心和关键就是对脑电信号的特征提取和分类识别，即把用户输入的脑电信号转换成输出控制信号或命令，使得神经电信号能够实时、快速、准确地通过BCI系统转换成可以被计算机识别的命令或操作信号。

脑电信号是一种典型的电生理信号，它是通过电极在头皮或颅内记录下来的脑细胞群的节律性电活动，包含了大量脑内神经元之间活动的信息。近几年来，对不同脑电信号进行特征提取和分类识别的方法越来越受到研究者的关注，相继引入了频域分析、时域分析、时频特征组合法、FFT、相关性分析、AR参数估计、小波变换等脑电分析的经典方法[5-9].

本文是从构建复杂网络结构图这一全新的角度来分析和识别脑电信号的特征，这也是初次把复杂网络分析方法应用在脑科学这一新领域的创新研究。本文的工作将会详细地讲述如何去构建网络结构图，从该网络结构图中导出对应于大脑相应脑区电极之间信号的接受、整合、传导和输出的全过程。从而可以准确地定位出大脑的活跃区域和大脑的执行任务区域，并最终根据大脑各脑区功能和基本运作原理精确地识别出信号的特征和方向。在此基础上还会进一步给出一些发展方向和应用前景方面的思考和讨论。

1方法

1.1网络节点的定义

构建复杂网络结构图需要定义网络节点。根据国际10-20系统电极法（64 channel），可以把64个电极视为每一个网络节点。信号的发生都是这些电极共同作用的结果。

1.2网络结构图的构建

利用视觉诱发状态所采集两种类型的脑电信号：实际做出该动作(real)和想象左右手运动思维(imagine)的脑电数据来构建网络结构图。该数据来源于官方的physionet.org by Gerwin Schalk and his colleagues at the BCI R&D Program[10]。第一组是视觉诱发脑电数据，即受试者根据屏幕光标的移动出现向左或向右的箭头并做出相应的动作方向；第二组是想象动作发生的脑电数据，即根据光标移动的方向大脑思维直接去想象该动作的发生。

网络结构图的构建步骤如图1,图2,图3所示。

图1视觉诱发数据相关系数矩阵

图1中，颜色的深浅程度代表彼此间相关系数值的大小情况，红色区域代表相关系数值较大，即彼此间的关联程度就越强。

图2视觉诱发数据延迟相关系数矩阵

图2中，信号的发生有正延迟和负延迟相关，图中有很大一部分区域呈现绿色，表明这些信号是同时发生的，彼此间并不存在相互影响的关联程度。

图3脑电数据网络结构图

图3中，从保证网络的连通性出发，该阈值取ρ=相关系数矩阵的平均值，便构成了网络。从该网络结构图可以直观地看到绝大多数电极都在向绿色电极（12）、（14）发送信号，即绿色电极（12）、（14）是信号的接受端从而执行命令。然后再把这些电极对应到脑区功能上，即可以快速地识别出方向。

网络结构图的构建步骤描述如下：

1)相关性分析[11]。利用电极有序错位法来计算相关系数，假设数据的长度为N,先取数据长度的1/3,即令k= (LEN(1)/3 );示意图如图4所示。

图4-xj为平均时间序列。得到的是N×N对称矩阵。本文的网络节点N为64，每个矩阵元r ij代表电极i与电极j之间的相关系数值。

2)导出信号延迟相关—确定网络节点的链接方向。通过延迟时间来确定电极间的因果导向关系。

3)阈值的设定。它也是网络结构图构建过程中比较灵活的一步。阈值的作用是将弱的连接(较小的相关值)认为是噪声边，并加以去除；同时又要保证网络连通性(即无孤立模块)。本文选取阈值策略范围是ρ=相关系数矩阵的平均值。

4)网络的构建。综合上述两个方面（a和b），也就是当两个电极信号之间有正延迟(D>0)并且他们的相关系数值大于所设的阈值则把这两个节点相连；反之则不建立连边。邻接矩阵中的对角元素设为0，以避免网络中出现自连接。这一环节同时也剔除了部分噪声信号，精确度较高，方法操作简单，易于实现。

3实验结果分析

3.1数据集描述

本文数据来源于109位受试者在视觉诱发状态之下和想象动作发生状态之下所记录的大脑电位信号，每组实验包括14个数据集，编号1,2是表示采集数据的两种状态（睁眼和闭眼），编号3,4,7,8,11,12表示向左或向右方向的数据集，编号5,6,9,10,13,14是向上或向下方向的数据集。由于实验应用的需要，暂时先识别左右方向的信号数据，其中数据集编号为奇数的是实际做出动作状态(re? al)，即当受试者眼球受到屏幕光标闪烁的视觉刺激之后，根据光标移动的方向提示打开或合上左拳或右拳；数据编号为偶数的是想象动作发生状态(imagine)，即同样也是根据屏幕光标移动的提示，想象打开或合上左拳或右拳。采集数据时间均在2～3分钟之内。

3.2脑电信号的实验采集系统—国际10-20系统电极放置法（64 channel）[12]

电极名称是根据大脑解剖部位命名，如额、颞、顶、枕等（常以各部位英文名的第一个字母大写F、T、P、O等来表示）。相关脑区各解剖部位电极应代表和体现的是各个脑皮质区的功能。对64个电极进行脑区功能划分如图5所示。

图4国际10-20系统电极放置法（64 channel）相应的脑区功能划分图

图4：大脑分左右两个半球，每个半球上按功能划分都有运动区、躯体感觉区、视觉区、听觉区和联合区等神经中枢。并且大脑半球在功能上都是对称的。在神经传导的运作上，两半球相对的神经中枢，彼此配合，发生交叉作用：两半球的运动区对身体部位的管理，是左右交叉、上下倒置的；即大体上是左半球管右半身，右半球管左半身。每一半球的纵面，在功能上也有层次之分，原则上是上层管下肢，中层管躯干，下层管头部。[13]

3.3实验数据分析

采用时间相关分析来度量网络节点（64个电极）间的关系，通过阈值和延迟相关分别决定节点间是否连边及连边的方向。最后，构建出一系列不同密度下的网络结构图。信号特征分析与识别的结果如图5所示。

说明：图5中，如果实验生成网络结构图中有孤立节点存在表明这些电极是没有参加此次动作发生的活动。

下面可以从两个角度来分析所生成的网络结构图：

1）利用大脑各脑区功能划分和基本运作原理，并对应到国际10-20系统电极放置法(64-channel)，可以观察到当受试者眼球受到屏幕光标的视觉刺激之后，大部分来自于大脑的视觉电信号不断地在向大脑的运动区发送信号，并请求左脑或右脑的运动区做出向右或向左的动作。由于两半球的运动区对身体部位的管理，是左右交叉、上下倒置的，即左脑运动区执行向右的动作，右脑运动区执行向左的动作。（图a中，绝大多数的视觉区电极（编号56～64）分别向右脑运动区电极（编号12，14）发送信号，表明执行的是向左的动作。图b中，大部分电极都分别不断地向右脑运动区电极（编号7,12,14,40）和躯体感觉区（编号17～19）发送信号，表明大脑进行想象动作发生的时候是躯体感觉区和运动区共同作用的结果，从而执行的是向左的动作。人在进行想象运动时，大脑中发出的脑电波信号影响到想象运动中的肌肉组织。当人的四肢有活动的时候，这个运动皮层区就活跃起来。结果表明和大脑的运作原理完全匹配，并且还具备很强的鲁棒性，该方法识别精确度高，识别速率快。

2）从网络的统计特性出发，如果是在视觉诱发状态下，网络关系图中网络节点的入度数目最多的大部分都是运动区电极，而且是中心性节点，说明运动区电极在网络中起着主导作用，即它是信号的执行端；网络关系图中网络节点的出度大部分是视觉区和躯体感觉区的电极，并不断地在向大脑运动区电极发送信号，即它是信号的发送端。因此，基于描述各个节点在网络中所占的地位有助于我们从整体上确定节点间关系很有意义。

图6

图6统计了每组数据集所生成的网络关系图中节点的入度数目分布情况（节点入度数目很小的都视为0，以便更好地区分出来），（a）节点密度较高的主要集中在节点14，29，38，40，这些节点定位到国际10-20系统电极放置法(64-channel)发现均位于大脑的右半脑，由于两半球的运动区对身体部位的管理，是呈左右交叉的，因此表明执行向左方向的动作。（b）节点数目分布较多的分别是电极22，25，30，39，其它们位于大脑的左半脑，实现向右的动作。由此可以看出，在网络关系图中节点入度数目最多的大部分都是运动区电极，而且是中心性节点，说明运动区电极在网络中起着主导作用，即它们是信号的执行端。

4应用前景

基于视觉诱发(real)[14]和想象左右手运动思维(imagine)[15]的脑电数据的实证研究表明，本文探讨的运用构建网络结构图方法是可靠的。该项研究对理解大脑认知过程、智能信息处理有重要的理论意义，对研发处理高度复杂数据的新型信息感知技术、模式识别技术具有重要的价值。对挖掘人类认知潜能、研发残疾人和老年人自理自助系统、特别是对认知障碍疾病的康复等问题具有重要的应用前景，并具有极其重要的社会意义。新型的脑计算机接口也可以应用于汽车安全驾驶系统、残疾人轮椅控制、高危险性警觉度评估、情绪分析等领域。尤其在汽车、飞机、宇宙飞船等需要快速反应控制的交通工具上，脑电波识别和通信技术将会有更大的用途。可以使控制速度比手指运动速度还快，减少了神经信号传输到手指以及手指产生运动的控制时间，更重要的是提高了控制精度，使人运动不灵活产生的失误大大减少，从而减少了不良事故的发生。

参考文献：

[1]高上凯,张志广,高小榕,等.基于脑机接口技术的新型医疗器械[J].中国医疗器械杂志,2006,30（2）:79-82.

[2] Wolpaw J R,Birbaumer N,McFarland, Gert Pfurtscheller, Theresa M. Vaughan. Brain–computer interfaces for communication and con? trol [J].Clinical Neurophysiology ,2002(113):767-791.

[3] Jonathan R.Wolpaw. Brain–computer interfaces as new brain output pathways [J]. Physiol 579.3 2007:613–619.

[4] Gerwin Schalk, Dennis J. McFarland.BCI2000: A General-Purpose Brain-Computer Interface (BCI) System. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 51, NO. 6, JUNE 2004

[5]吴婷,颜藩正,耪帮华.一种快速的脑电信号特征提取与分类方法[J].系统仿真学报,2007,19(18).

[6] Ji Zhong, Qin Shuren, Peng Liling. Time-Frequency Analysis of EEG Sleep Spindles Based Upon Matching Pursuit. ISIST2002 Proceed? ings, 2nd International Symposium on Instrumentation Science and Technology, Vol.2: 671-675 .

[7] Tulga kalayci and Ozcan Ozdamar. Wavelet Preprocessing for Automated Neural Network Detection of EEG Spikes. IEEE Engineering in Medicine and Biology[J], 0739-5175,1995(3/4).

[8] Qin Shuren, Ji Zhong,Test Center,Chongqing Univ., Chongqing. Extraction of feature information in EEG signal by virtual EEG instrument with the functions of time-frequency analysis. IEEE 978-953-184-135-1,2009.

[9] Zhang Tong, yang Fusheng, Tang Qingyu. Automatic Detection and Classification of Epileptic Waves in EEG-A Bierarchical Multi-Meth? od Integrated Approach[J].Chinese Journal of Biomedical Engineering,1998,17(1).

[10] http://www.physionet.org/pn4/eegmmidb/

[11]丁宝玺.脑电图数据的相关性分析[J].现代生物医学进展,2008(8).

[12] Sharbrough F, Chatrian G E,RPLesser,et al.American electroencephalographic society guidelines for standard electrode position nomen? clature[J].ClinNeurophysiol.1991;8(2):200-202

[13]唐孝威.脑科学导论[M].浙江大学,2006.

[14]尹晶海,胡剑锋.基于视觉诱发电位脑机接口浏览器的设计与应用[J].江西.中国组织工程研究与临床康复, 2009,13(35).

[15]程龙龙.脑-机接口研究中想象动作电位的特征提取与分类算法[x].天津.仪器仪表学报, 2008,29(8).