基于运动想象脑电控制的智能家居系统

黄旭彬，张金霜

(广东茂名幼儿师范专科学校教育信息技术中心，广东 茂名 525000)

0 引 言

智能家居的概念是将住宅中的家用设备(如计算机、照明系统、送风系统等)利用计算机科学技术、无线通信技术等手段进行信息化处理并整合为一个智能体，能够根据使用者的需求自动地提供安全监控、照明/取暖控制、影音娱乐等功能，从而提升家居生活的便利性和舒适度[1-5]。目前投入使用的智能家居系统采用的人机交互方式有手势交互、语音交互和客户端操作3种[6-8]。然而，世界卫生组织发布的《World Report on Disability》显示[9]，目前全世界有超过2亿人患有运动障碍，并且人数还在持续增长。这些人难以完成有效的人机交互从而不能体会到智能家居带来的便利，因此一种不受身体条件约束的智能家居交互方式成为亟需解决的问题[10-13]。

脑机接口(Brain Computer Interface, BCI)技术通过外围辅助设备直接对脑电信号(Electroenc Ephalo Gram, EEG)进行采集，然后利用模式识别方法对EEG信号进行分类和识别，将不同的EEG信号与使用者特定的意图联系起来，从而达到通过EEG信号与外界进行信息交互的目的[14-17]。最初的脑机接口系统较为复杂和昂贵，随着电子信息技术、微电子技术的发展，脑机接口系统向着轻量化、低成本、便携可移动等方向发展。BCI技术的发展为前述问题提供了新的思路，即将BCI技术与智能家居技术相结合，将BCI作为智能家居一种新的人机交互方式，从而使运动障碍人士能够利用自己的“意念”实现对智能家居系统的控制。

当前国内外学者对基于BCI的智能家居系统进行了大量的研究，例如Illinois大学的Donchin和Farewell教授在1988年利用P300BCI系统从偏瘫患者的EEG信号中提取出了英文字母信息，验证了利用BCI技术与外界进行交互的可能[18]；Tubingen大学的Dornhege研究员和Birbaumer研究员合作，利用皮层慢电位实现对外界机器人的控制[19]；文献[20]设计了一种利用SSVEP脑电信号的轮椅控制系统，能够通过测试者的脑电信号控制轮椅的左右行驶。

一个完整的BCI-智能家居系统通常包括EEG信号采集处理系统、通信传输系统和控制系统3个部分，其中EEG信号采集处理系统需要完成对EEG信号的有效捕获、噪声剔除、特征提取和分类识别，决定着BCI-智能家居系统性能的优劣。因此本文在前述研究的基础上，以左右手运动意图信号为例，采用G.TEC公司的g.MOBIlab设备+EEG信号放大器对EEG信号进行采集，利用小波变换实现噪声抑制，提取二维功率谱特征，利用SVM分类器进行分类识别，并对结果进行分析，为相关科研工作者提供新的思路。

1 EEG信号采集

利用g.MOBIlab设备采集到的大脑皮层随时间变化的电位信号就是脑电信号，反映的是大脑生物电活动特性。根据被试者状态不同，EEG信号可以分为自发脑电信号和诱发脑电信号2种。其中自发脑电信号是被试者在自然状态下根据特定的任务指引产生的脑电信号，当前研究最多的是基于人体四肢运动意图触发的，分为事件相关同步和事件相关去同步2种，基于运动想象的BCI技术就是一种典型的自发脑电信号控制系统；诱发脑电信号是在外界刺激条件下产生的一种事件相关电位，典型的是P300电位，即被试者在受到刺激后300 ms左右时产生的电位波动。由于基于运动想象的BCI技术容易实现且数据易于获取和分析，因此本文对此进行研究。

根据文献[21-22]，被试者在进行左右手运动想象任务时，对应g.MOBIlab脑电采集设备的FC6导联通道的ERS/ERD电压变化最为明显，因此试验中对FC6通道的EEG信号进行采集。本文试验被试者为27岁青年志愿者，首先被试者按照要求处于放松状态，然后受试者被要求按照前方显示屏的指示想象左右手运动：当前方显示屏出现“←”指示箭头时，被试者想象左手运动；当前方显示屏出现“→”箭头时，被试者想象右手运动。在此过程中g.MOBIlab脑电采集设备对被试者的脑电信号进行采集，试验进行300次，其中150次为想象左手运动，另外150次为想象右手运动，数据采样频率为128 Hz，有效的采样时间为6 s，每组数据长度为768个采样点。图1(a)和图1(b)分别给出了想象左手运动和想象右手运动的脑电信号的典型波形图，可以看出，想象左手运动脑电信号波形支撑区较窄，而想象右手运动脑电信号波形支撑区较宽，因此可以据此对2种运动想象脑电信号进行区分。

(a) 想象左手运动

2 EEG信号噪声抑制

EEG信号作为一种典型的微弱信号，其电压幅度只有μV级，容易受到噪声的影响，例如皮肤出汗、肌肉活动等都会污染EEG信号中的有效信息，因此在信号采集时除了保证被试者心态平和，避免多余的心理或物理活动外，对采集到的信号要进行必要的噪声抑制预处理，滤除其中的噪声等干扰分量。

针对EEG信号非线性、非平稳和时变性特点，本文将经验模态分解(Empirical Mode Decomposition, EMD)引入EEG信号处理领域，利用EMD的信号驱动和自适应能力实现对信号中噪声分量的滤除。EMD通过被称为“筛选”的迭代步骤将信号分解为一系列本征模函数(Intrinsic Mode Function, IMF)和的形式，经过分解后，信号中的有用信息被分解到各个IMF中，而噪声分量则被分解到余项中。给出了EMD迭代的算法流程。

算法1EMD算法流程

1 将输入信号x(t)记为r(t)=x(t)；

2 利用插值对r(t)中的所有局部极大值进行平滑滤波，得到r(t)的上包络曲线rmax(t)；

3 利用插值对r(t)中的所有局部极小值进行平滑滤波，得到r(t)的下包络曲线rmin(t)；

4 计算上下包络曲线的平均值，m(t)=(rmax(t)+rmin(t))/2；

5 令r(t)=r(t)-m(t)：

6 判断r(t)是否为IMF，若是，记为imf1，令q(t)=x(t)-imf1，并将q(t)作为新的r(t)，转入步骤2计算下一个IMF；否则，对步骤5得到的新的时域信号r(t)重复进行步骤2～步骤5的运算，直到得到imf1。

经过EMD迭代后，可以得到EMD分解结果为：

(1)

其中，imfi为第i个IMF，rL为经过L次分解后的剩余项或者被称为趋势项。

图2给出了利用MATLAB自带的AWGN()函数向图1所示的脑电信号叠加高斯白噪声，构造信噪比为5 dB时的运动脑电信号波形图，对比图1和图2可以看出，高斯白噪声将脑电信号污染，信号的支撑区不再明显，左右手运动脑电信号的可分性变差。图3给出了利用EMD方法进行噪声抑制的结果，其中第一幅子图为去噪后的信号波形，第二幅子图为原始信号与去噪后信号的残差，对比图3和图1可以看出，EMD方法能够有效去除噪声分量，同时原始信号和去噪后信号之前的残差很小，表明EMD几乎保留了原信号中的全部有用信息。

(a) 想象左手运动

3 EEG信号特征提取

在对EEG信号分类时，可以直接将噪声抑制后的信号作为特征向量送入分类器进行分类，但是由于原始信号通常维度较高，直接对其进行分类识别量大，分类器的设计也较为复杂，因此本文提取如下三维特征来描述左右手运动想象脑电信号波形的差异。

特征1EEG信号的波形熵特征：

(2)

特征2EEG信号的波形支撑区宽度特征：

(3)

其中find(·)函数代表求满足括号内条件的信号点的个数，从图1可以看出，想象右手运动脑电信号波形支撑区宽度要大于想象左手运动脑电信号波形支撑区宽度。

特征3EEG信号的波形二阶中心距特征：

(4)

图4给出了利用g.MOBIlab脑电采集设备获取的FC6导联通道的300组实测数据进行特征提取获取的二维归一化特征分布图，其中“o”符号代表的是对想象左手运动脑电信号提取的特征，“+”符号代表的是对想象右手运动脑电信号提取的特征，从图4可以看出，2种EEG信号在特征域的分布区域存在较明显的区别，可分性较强。

(a) 特征1和特征2归一化二维分布

4 EEG信号分类识别

在完成特征提取后，对运动脑电信号的分类就进入最后的分类识别阶段，其中分类器的设计和选择是这一阶段的关键。目前常用的分类器有线性分类器、神经网络分类器、贝叶斯分类器、支撑向量机(Support Vector Machine, SVM)和相关向量机分类器等。其中SVM在面对小样本、非线性及高维模式分类问题时相对于其他几种分类器具有更优的分类性能、更强的推广泛化能力、更高的分类性能和计算效率，因此本文选用SVM作为系统的分类器。

运动脑电信号分类是一种典型的两类目标分类问题，对于给定的训练样本集(uk,lk)，k=1,…,N，uk为第k个输入样本，lk∈{+1，-1}为对应的类别标号。两类SVM分类函数为：

(5)

其中，ηk为惩罚项，C为惩罚因子，w为权值，γ为分类面参数。通过引入满足Mercer条件的内积函数R(uk,u)得到非线性分类问题的最优分类面如下：

(6)

多项式核函数：

R(u,ui)=[(u·ui)+1]σ

(7)

径向基核函数：

R(u,ui)=exp {-σ‖u-ui‖2}

(8)

Sigmoid核函数：

R(u,ui)=tanh (σ(u·ui)+C)

(9)

其中σ为核参数。

为了验证所提特征和SVM分类器的分类性能，在300组EEG信号中随机选取160组作为训练样本，剩余140组作为测试样本。提取上述三维特征并利用SVM分类器进行分类，SVM分类器选用径向基核函数，核参数在[0, 5]范围内采用交叉验证的方式进行择优。表1给出了分类结果混淆矩阵,并将结果与传统小波方法和共空间模式(CSP)方法[23]进行对比。其中,混淆矩阵中每一类分类结果的计算方法为该类别中正确分类的样本数除以该类别的总测试样本数，总的正确分类结果的计算方法为2类样本中正确分类的样本数和除以总的测试样本数。从表1可以看出，本文方法可以获得92.4%的平均正确分类结果，明显高于小波方法87.7%和CSP方法90.3%的分类性能，同时对于每种运动脑电信号，所提方法均可以获得最优的正确分类性能。

表1 不同方法分类结果混淆矩阵 单位：%

图5给出了3种方法在不同信噪比条件下的分类性能，可以看出，当信噪比小于30 dB时，小波方法和CSP方法的分类性能随着信噪比的降低出现了明显下降，而本文方法的分类性能受信噪比影响较小，当信噪比下降到5 dB时，本文方法依然可以获得优于80%的分类性能，表明该方法具有更强的噪声稳健性。

图5 不同方法分类结果

5 结束语

智能家居系统旨在提升人们居住环境的便利性和舒适性，当前广泛应用的智能家居人机交互方式有语音交互、手势交互等，然而对于存在运动障碍的残疾人，由于运动功能缺陷等原因导致其无法顺利完成人机交互，从而不能充分体验科技进步给生活带来的改变。BCI技术与智能家居技术相结合，将BCI技术作为一种新的人机交互方式为解决这一问题提供了一种新的思路。

脑电信号的模式分类是BCI技术的关键环节，本文针对其中的EEG信号采集、噪声抑制预处理、特征提取和分类识别4个维度进行研究，提出了一种基于EMD算法和SVM分类的运动脑电信号识别方法，基于实测数据验证了该方法的有效性。本文内容可供相关研究人员参考。