基于脑电alpha波的实时脑-机接口系统

喻 晓

(漳州电业局，福建漳州 363000)

脑 - 机 接 口［1-4］(brain-computer interface，BCI)是一种在大脑和外部设备(计算机或外界环境等)之间传递信息的通讯系统，但这个系统不依靠外围神经和肌肉组成的大脑正常输出通道来传递信息。BCI技术近年在全球范围内成为研究热点，其研究成果在工业控制、康复医学、心理测试、脑认知科学等领域有着广阔的应用前景。

BCI系统的实时化研究是BCI实用化技术的关键问题之一，其根本点在于提高对脑电信号识别的正确率和识别速度。BCI系统要求具有实时的处理速度和较高的准确识别率。由于脑电信号的复杂性和非平稳性，通过在线分析脑电信号进行信号处理和模式识别是一个挑战［1］。本文对基于EEG信号的BCI系统进行实时性研究，建立了一个基于脑电alpha波的实时光标控制系统，实现了在线BCI控制。

按照脑电信号控制方式的不同，BCI系统分为同步模式和异步模式［2-6］。同步脑-机接口系统要求用户必须在系统规定的时间内进入一种特定的思维状态;异步脑-机接口系统需要不断分析脑电信号，用户可以自由启动某种思维任务来完成特定的控制，具有更好的实用性［7-13］。本文建立的基于脑电alpha波的实时光标控制系统属于异步模式的脑-机接口系统。

1 特征选取和模式识别

1.1 特征选取

alpha波为自发脑电的主要成分之一，与视觉皮层的闲散节律相对应，频率为8～13 Hz，振幅为20～100 μV。清醒闭目时 alpha波出现，而在睁眼、思考问题或接受其他刺激时，alpha波消失，出现快波，这称为alpha波阻断现象。整个大脑皮层都产生alpha波，但是在枕部最为明显［6］。不同受试者的alpha波幅值具有明显个体差异，即使同一受试者，在睁眼、闭眼2种状态下的alpha波幅值同样具有明显差异，通过分析脑电数据容易区分出2种不同状态。图1为本文设计的实验中某受试者睁眼和闭眼2种状态下的O1导联的alpha波波形，从中可以看出闭眼状态alpha波幅值明显高于睁眼状态，本文基于此特征设计了一套简便易行的基于脑电alpha波的BCI系统。该系统通过受试者睁眼、闭眼行为，自主调节alpha波幅度，实现对光标移动快速、可靠的实时控制。

图1 某受试者睁眼、闭眼状态下O1导联alpha波对比

电极帽采集EEG，经过放大、A/D转换等前置处理后，以电压幅值形式存储到服务器计算机，客户端，计算机通过TCP连接与服务器计算机建立连接，并实时接收脑电数据;客户端对接收到的脑电信号进行8～13 Hz的带通滤波，得到O1、O2两导的alpha波。滤波器采用10阶Butterworth无限长冲击响应(IIR)滤波器。

设Xij为第i导的第j个采样点脑电数据，根据时域内信号能量计算方法，N个采样点对应第i导脑电数据的平均能量为

本文选取的采样率为1 000 Hz，将N=600时O1、O2两导的alpha波平均能量PLO1和PLO2作为特征。

1.2 模式识别

Fisher线性判别分析方法(FDA)是模式识别中一种行之有效的特征提取方法，其原理是试图找到一组最佳的投影方向。在这些投影方向上，可以最好地区分训练集中属于不同类别的样本［13］。

定义以下矩阵和向量:

假设在样本空间L中有N个d维样本:x1，x2…xN，其中N1个属于样本子集D1，N2个属于样本子集 D2。

1)样本均值

2)样本类内离散度

3)样本类间离散度

收集的资料既要涵盖高中低水、丰平枯年范围，又要反映现状年测站水文特性情况。根据以上原则，我们确定以下资料范围及内容：

定义Fisher的准则函数

找出使得类间离散度Sb最大而类内离散度Sw最小的投影方向w，即最大化准则函数JF(w)。用Lagrange乘子法求解取得极大值时的W*，得到最优解:

利用先验知识选定分界阈值点y0，再根据决策规则:

即可判断x属于什么类别。

受试者的分界阈值点参考值

2 系统实现和实验设计

本系统利用正常人脑电alpha波阻断现象，设计了相应的BCI系统，包括信号传输、处理平台、前面板，以实现对光标移动的实时控制。

图2为BCI系统结构，系统采用NEUROSCAN平台采集数据，采样率为1 000Hz。NEUROSCAN由电源盒、电极帽、放大器、显示器、SCAN4.3软件平台组成。电极帽记录的脑电信号经放大器放大、A/D转换后由SCAN4.3软件平台实时发送，在客户端程序中对数据进行接收、滤波、特征提取、模式识别、产生控制脉冲等信号处理工作，最终产生控制命令驱动光标移动。电极帽采用32通道国际10-20系统导联。本系统远程传送和接收EEG信号的实现基于传输控制协议(transmission control protocol，TCP)。本文采用LabVIEW平台编程实现客户端程序。图3为基于LabVIEW平台的客户端的系统流程。

图2 BCI系统结构

图3 基于LabVIEW平台的客户端的系统流程

受试者通过调节闭眼时间实现控制光标向4个方向移动。实验方法:在LabVIEW平台下，根据式(1)得到采样率为1 000 Hz，N=600时受试者头部O1，O2导联对应的alpha波平均能量PLO1和PLO2，通过线性判别分析的方法判定受试者当前睁眼闭眼状态，并输出控制信号Cr，当Cr=1时系统发出1声提示音，如受试者保持闭眼状态，系统每隔600 ms发出1次提示音。当受试者仅听到1声提示音后睁眼则表示选择方向‘上’;听到2声提示音后睁眼则表示选择方向‘下’;听到3声提示音后睁眼则表示选择方向‘左’;听到4声提示音后睁眼则表示选择方向‘右’。输出的控制信号与所对应的命令如表1所示。

表1 控制命令

正常人闭眼后alpha波能量上升输出Cr=1需要2.4 s，保持闭眼状态输出上下左右4个方向分别需要 1.2 s、1.8 s、2.4 s、3.0 s，所以系统输出1个控制命令平均需要4.5 s。

3 实验结果分析

图4为基于BCI的光标控制系统界面窗口，10名受试者参加了该系统的基本控制实验。实验目的是为了检验系统的操作性能和响应速度，分析系统参数的设置范围以及出现操作失误的原因。参加实验的10位受试者均为在校研究生，未经过任何先期训练。

图4 基于BCI的光标控制系统界面窗口

具体实验:受试者控制光标分别向上下左右4个方向移动5步，统计每位受试者完成任务所需时间及出错次数。如果光标未按受试者目标方向移动，则记为1个错误。在相同实验条件下，首先进行1组测试实验，根据每位受试者的睁闭眼alpha波幅值设定分界阈值点y0，然后每位受试者重复完成5组实验，作为系统实验用以检验系统的正确率。

表2为系统实验记录。从表2中可以看出，通过几次实验训练即可有效提高操作正确率。分析得到出现误操作的主要原因有:① 受试者闭眼期间alpha波幅值下降导致错误输出‘0’;② 受试者睁眼后alpha波幅值下降延迟而导致错误输出‘1’;③ 受试者睁眼状态下alpha波幅值出现抖动上升而导致错误输出‘1’。第①类错误与分界阈值点y0过高有关，另外分界阈值点y0过高可能会导致受试者闭眼后alpha波幅值未超过分界阈值点y0导致无命令输出。第②类和第③类错误的出现和分界阈值点y0的设置过低有关，因此需要通过测试实验设定分界阈值点y0。

表2 系统实验错误记录及正确率统计

从实验数据看，不同受试者在睁眼和闭眼时alpha波能量差异明显，进一步验证了alpha波阻断现象的普适性。通过实验数据统计和分析可以得出:以下2个参数的设定直接影响了系统的正确率。

1)分界阈值点y0的设定因受试者不同而异，系统实验前需进行测试实验，用以设定分界阈值点y0。不适当的降低分界阈值点y0会引发错误。

2)alpla脑电信号平均处理时间常数的设定直接影响了系统的抗干扰能力和系统响应速度，由此影响了实验的正确率。将滤波后的alpha波信号进行平均处理，适当的平均处理时间可以有效提高系统抗干扰能力，如眨眼、打哈欠等。过大的平均处理时间会降低系统的灵敏度。平均处理时间同时也是提示音间隔时间，需考虑受试者反应速度。通过统计分析多次实验数据将其设定为600 ms。

文献［7］建立的基于脑电alpha波的脑-机接口控制系统需要受试者注视有5个指示灯(代表5种不同操作命令)的控制面板，指示灯按顺时针方向依次循环闪烁点亮，并持续一段时间，如果某个指示灯点亮时受试者闭眼产生alpha波，则选中该指示灯代表的操作命令，其工作方式为同步模式，需要受试者注视有指示灯的控制面板，该系统输出一个控制命令需要9 s。文献［5］建立的基于alpha波的异步脑-机接口系统输出一个控制命令需要45 s。本文建立的基于脑电alpha波的实时光标控制系统输出一个控制命令仅需3.6～5.4 s，操作简单，响应速度快，正确率高，实用价值高，与现有的基于脑电alpha波的BCI系统相比，具有更好的实时性。3个系统对比情况见表3。

表3 基于脑电alpha波的BCI系统对比

4 结束语

本文利用在脑神经功能正常的人中普遍存在的脑电alpha波阻断现象，设计了一套控制光标移动的BCI系统，并进行了系统实验。为确定系统的分界阈值点y0、平均处理时间常数等参数，先后对10名受试者进行了测试实验。通过统计分析实验数据，设定了系统参数，并设计了光标移动任务系统实验，考察了系统的响应速度、准确率。实验结果表明，未经先期训练的受试者可以利用该系统稳定可靠地实现既定实验任务，系统具有操作简便、正确率较高和响应速度较快的特点，同现有的基于脑电alpha波的BCI系统相比，具有更好的实用价值。本系统利用TCP/IP协议实现脑电信号采集系统和数据处理系统的通信，实现了信号采集和数据处理系统的分离，为进一步研究开发便携式脑电信号采集设备和实时控制的脑-机接口系统提供技术基础。

［1］Blankertz B，Curio G，Müller K R.Classifying single trial EEG:Toward brain computer interfacing［J］.Advances inNeural Inf Proc Systems(NIPS 01)，2002，14:157-164.

［2］程明，高上凯，张琳.基于脑电信号的脑-计算机接口［J］.北京生物医学工程，2000(6):113-118.

［3］Wolpaw J R，McFarland D J，Neat G W，et al.An EEG-based brain-computer interface for cursor control［J］.Electroenceph Clin Neurophysiol，1991，78:252.

［4］Jonathan R W.Brain-computer interface research at the wadsworth center［J］.IEEE Transactions on Rehabilitation Engineering，2000，8(2):222-226.

［5］赵海滨，王宏，李春胜.基于alpha波的异步脑-机接口系统［J］.东北大学学报:自然科学版，2009，10:1377-1380.

［6］黄远桂，吴声伶.临床脑电图学［M］.北京:人民卫生出版社，1998.

［7］万柏坤，綦宏志，赵丽，等.基于脑电alpha波的脑-机接口控制实验［J］.天津大学学报，2006，39(8):978-984.

［8］李凌，张金香.闭眼与开眼静息状态下脑电α波的差异研究［J］.电子科技大学学报，2010(3):451-453.

［9］尧德中，刘铁军，雷旭，等.基于脑电的脑-机接口:关键技术和应用前景［J］.电子科技大学学报，2009(5):550-554.

［10］吴婷，颜国正，杨帮华.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(9):4342-4344.

［11］张莉，何传红，何为.典型相关分析去除脑电信号中眼电伪迹的研究［J］.计算机工程与应用，2009(31):218-220.

［12］唐艳，柳建新，龚安栋.ICA+CSSD的脑-机接口分类［J］.电子科技大学学报，2008，37(5):466-469.

［13］边肇祺，张学工.模式识别［M］.北京:清华大学出版社，1988.