复杂网络技术在脑-机接口系统中的应用

张微　张凤　刘雄飞　魏金花

摘 要：脑-机接口（Brain-Computer Interface，BCI）是一种不依赖于肌肉组织，完全自主实现脑对外部环境直接控制的系统。但研究发现，有15%～30%的用户存在“BCI盲”问题，即该类用户难以诱发出较强的特征信号。因此，通过构建复杂网络，提取复杂网络特征作为分类依据，以有效解决“BCI盲”问题，分类正确率达88.6%。

关键词：脑-机接口;BCI盲;复杂网络

中图分类号：TN911.7 文献标识码：A 文章编号：1003-5168（2021）29-0029-03

Application of Complex Network Technology in Brain-Computer

Interface System

ZHANG Wei ZHANG Feng LIU Xiongfei WEI Jinhua

（Yinchuan University of Science and Technology， Yinchuan Ningxia 750001）

Abstract： Brain-Computer Interface （BCI） is a wholly new system which does not rely on the peripheral nervous and is completely autonomous to realize the direct control of the human brain to the external environment. However， the study found that about 15% to 30% of users exist “BCI blind” problem. In such cases it is difficult for the users to induce a strong signal which. Therefore， this paper extracts the characteristics of by constructing complex networks， which can effectively solve the BCI blind， the recognition rate reaches 88.6%.

Keywords： brain-computer interface;BCI blind;complex network

1 研究背景

腦-机接口（Brain-Computer Interface，BCI）系统于1973年首次被提出，在其后的40多年研究中，已成为生物医学工程、计算机工程及控制工程、人工智能等学科追求的前沿学术问题，主要应用在医学（运动康复）、非医学（人机交互、驾驶安全、教育、用户体验）等领域。脑-机接口技术的研究有利于推动人工智能的发展[1]。

根据脑电信号采集方式不同，可以将BCI系统分为侵入式和非侵入式两种类型。其中：侵入式脑-机接口需要经外科手术将侵入式电极芯片植入被试者（动物）大脑，成本较高且有一定风险;非侵入式通过从头皮获取脑电信号（Electroencephalo-Graph，EEG），其因无创、采集简单、易于记录等优势被广泛应用。本研究主要基于非侵入式EEG信号开展。完整的BCI系统由信号采集、信号处理、特征提取、分类识别和外部控制5部分组成[2]，如图1所示。特别是提取的特征对分类正确率具有显著影响，进而影响对外部设备的控制。

研究发现，有15%～30%的用户存在“BCI盲”问题，即该类用户难以诱发出较强的特征信号[3-5]。脑电信号较为复杂，采用常规的方法提取脑电信号进行分类识别，正确率往往很低。因此，本文通过构建复杂网络，不局限于单一脑电通道，而是构建成网络，以网络的特征进行分类，解析大脑在不同任务态的脑电信号区别，可有效解决“BCI盲”问题，分类正确率达88.6%。

2 复杂网络技术

复杂网络是一门多学科交叉理论，可将复杂系统以网络形式进行表述，其网络可以表现一些关键特征，便于分析研究。人脑是一个极其复杂的系统，不同脑区可看作节点，脑区之间的关联程度为网络的连接边，可将大脑构建成脑网络。将复杂网络与脑-机接口相结合（见图2），既可以解决“BCI盲”问题，又能实现脑-机接口在多个领域的应用。

自然界的本质是一个网络，具有一定的复杂性，即个体和个体之间相互作用，存在关联。若要构建一个复杂网络，需要具备三要素：节点、边、网络。节点为携带信息的关键点，本文选取采集脑电信号的电极帽的导联作为节点。边是表征节点之间关联程度的量，一般取0到1之间的值。关联程度越大，取值越接近1;关联程度越小，越接近0。网络由节点和边共同构成。按照节点与边的关联程度，可将网络分为加权网络和二值网络。所谓加权网络，即只要有关联就连接。该种方法构建的脑网络模型比较复杂，且有较多虚假连接。二值网络有关系则连接，无关系不连接，大大降低了模型的复杂度，去除了部分虚假连接。因此，本文主要构建二值脑网络模型。

3 复杂网络技术在脑-机接口系统中的应用

基于复杂网络的脑-机接口系统主要包含信号采集、信号处理、构建复杂网络模型、特征提取和分类识别5个部分，如图3所示。

3.1 信号采集

挑选7名被试者，利用E-Prime软件搭建试验平台，将箭头为左和箭头为右的图像按顺序以5 s 一张的速度，以两个目标图像的时间间隔大于500 ms的要求呈现给被试者。被试者佩戴电极帽，按照图片进行运动想象，采集被试者的脑电信号，如图4和图5所示。

试验过程中同时记录每个图像出现时对应信号的标记点和图像自动标签（左记为“0”，右记为“1”），将其作为试验样本集。

3.2 信號处理

信号处理是BCI系统工作的第一步。首先，被测试者戴上电极帽，在头皮处涂上导电液方可采集脑电信号;其次，采集的原始EEG信号需要去除干扰和伪迹;最后，为了便于分析，往往要对处理好的信号进行频段划分，划分为delta（0～4 Hz）、theta频段（4～7 Hz）、alpha 频段（8～13 Hz）、beta频段（14～30 Hz）。不同频段可以反映不同的脑电特征。比较发现，delta频段信号特征较为明显，因此本文重点采用delta频段数据。

3.3 构建复杂网络模型

3.3.1 节点。由于采集装置为64导，若要选取脑电极作为节点，则有64个节点。这种方法建立的模型过于复杂，故通过绘制脑地形图，根据激活脑区情况，定位C1、C2、C3、C4、C5、C6、CP1、CP2、CP3、CP4、CP5、CP6、FC1、FC2、FC3、FC4、FC5、FC6等18个分布在大脑后顶叶区和额叶区的导联作为节点。这样构造的复杂网络模型有18个节点，大大降低了网络的复杂度。

3.3.2 边。根据构建的18个节点，生成18个节点之间的关系矩阵，即18×18的连接矩阵。此矩阵中的数据代表复杂网络的边，其值大于0小于1。

3.3.3 复杂网络。根据节点和连接节点之间边的关系，采用相位锁相值法（Phase Locking Value，PLV）构造了复杂网络。根据生成的边矩阵发现，边的关系矩阵中的值有大有小，即节点之间存在强相关和弱相关。如果只要有关联就反映在网络上，构造的网络往往很复杂。为了简化网络的复杂度，选取阈值为0.87，即大于0.87才认为节点之间有关联，边的值设置为1;小于0.87则认为节点之间无关联，边的值设置为0。构建的复杂网络如图6所示。采用此种方法大大降低了网络复杂度，且有效去除了虚假连接。

3.4 提取特征

复杂网络的特征主要有节点度、聚类系数及特征路径长度等网络测度。分别对上述特征进行计算和分析发现：聚类系数大于节点度和特征路径长度，因此选择聚类系数作为主要特征。本文提取构建的PLV二值脑网络的聚类系数作为系统主要特征进行分类，结果如图7所示。

3.5 分类识别

分类识别实际上是将设置的标签（样本集、答案）和采集的脑电（测试集、测试）进行比对的过程，比对的结果即分类正确率。常用的分类方法有支持向量机（Support Vector Machine，SVM）和深度学习等。分类识别是非常关键的一步。本项目采用SVM分类模型，选择7名被测试者分别进行10组测试，得到其分类正确率，取分类正确率平均值作为最终结果。结果表明，构建的脑复杂网络分类正确率最高可达88.6%。

4 试验验证

为验证复杂网络技术在BCI系统中的应用效果，本文设计了脑电信号控制外部设备（智能小车）的试验范式进行在线试验，试验流程如图8所示。

按照图8的控制流程，随机选取10名被测试者，按照试验范式，采集脑电信号进行预处理。对于处理好的delta频段数据，采用PLV方法构建二值脑网络，提取聚类系数作为特征，以支持向量机作为分类器进行分类，并将分类结果十折交叉验证，分类正确率最高达70.1%。

5 结语

通过试验验证，构建复杂网络模型，提取网络特征作为BCI系统特征，是一种新的研究BCI系统分类的方法。一方面避免了“BCI盲”问题，另一方面构建的复杂网络提供了有价值的信息。试验结果表明，复杂网络的特征分类识别正确率离线达88.6%，在线达70.1%。可见，基于脑网络技术的异步BCI系统具有可行性，可作为一种新途径。

参考文献：

[1]巫嘉陵，高忠科.脑机接口技术及其在神经科学中的应用[J].中国现代神经疾病杂志，2021（21）：3-8.

[2]HAN Y，BIN H. Brain-computer interfaces using sensorimotor rhythms： current state and future perspectives[J].IEEE Transactions on Biomedical Engineering，2014（5）：1425-1435.

[3]张锐.运动想象脑-机接口的神经机制与识别算法研究[D].成都：电子科技大学，2015：16-17.

[4]尧德中.脑功能探测的电学理论与方法[M].北京：科学出版社，2003：3-11.

[5]张微，解承军.基于复杂网络技术的异步脑-机接口分类系统[J].科学技术与工程，2020（11）：4383-4386.