0 引言
目前，提高BCI系统实时性的主要途径是提高算法的效率[1].脑科学研究发现，大脑在自主运动前的1 500～2 000 ms已经被激活[2],在大脑额叶皮层区和初级运动皮层区诱发电位，称为运动准备电位(readiness potentials,RP)[3].RP由两个部分组成：早期的RP于自主运动前1 500 ms诱发一个缓慢上升的负电位；晚期的RP于自主运动前400 ms诱发一个陡峭的斜坡电位，如图1所示[4-5].RP波幅范围是2～10 μF，信噪比低、幅值小、易受干扰.此外，提取RP的过程易受肌肉收缩力度、收缩速度等影响[6].
图1 运动相关电位
Fig.1 Motor relative potential
RP检测技术主要有Lew等[7]采用运动前的脑电信号对自主右手腕扩展动作进行了预测，结果表明在运动起始前的0.62 s对动作的预测正确率平均达到(62.75±10)%；Xu等[8]采用MRCP以位置保留映射方法提取EEG，采用LDA分类器进行分类，获得真阳性为(79±11)%的检测率.
笔者针对RP单次特征提取困难的问题，基于EMG信号确定运动准备的有效时间段，基于有效时间段内的脑地形图序列，定位激活脑区并选取关联通道，采用小波包变换与功率谱分析相融合的方法分析低频(0.1～1.0 Hz)信号，以信号的能量、均值和方差为特征，并采用支持向量机进行运动单次RP检测.
1 试验与数据采集
提示信息采用声音、图片等会诱发相关的脑电信号，会对RP信号造成污染[9].本试验设计一种受试者手腕自主运动的试验范式，避免提示信息产生的噪声污染.试验范式流程如下：受试者坐于计算机屏幕前，两手自然地垂放在椅子上，受试者注视计算机屏幕，开始提示音后，受试者手腕上下摆动5次，手腕自主摆动的时间间隔约为2 000 ms.2 min后，会有结束提示音，结束这一组试验，如图2所示.
图2 实施范式流程图
Fig.2 Experimental flowchart
试验采用Neuroscan SynAmps 64导联脑电采集系统，10～20国际标准电极分布，采样频率设置为1 000 Hz，放大器的带通滤波设置为0.01～100 Hz；试验中，脑电采用单极记录方式，将右侧乳突(M2) 设置为参考电极，同时记录水平眼电和垂直眼电,电极阻抗小于5 kΩ.
为了单次检测RP，将信号分为两部分：无运动意图信号和有运动意图信号，如图3所示.把提示音前的1 000 ms作为0类；把运动开始前的1 000 ms作为1类，用于RP检测.
图3 用于训练分类器的数据段
Fig.3 Selected EEG samples to build the training set of the movement intention intention classifier
2 方法
2.1 预处理
脑电信号中包含了大量的噪声干扰和伪迹信号，其中RP易受眼电伪迹、肌电伪迹干扰.采用二阶统计量和时序结构特征法去除眼电伪迹、肌电伪迹，以降低其影响[10].
2.2 确定有效时间段
运动准备的有效时间段指的是运动起始前的1 000 ms,如何确定运动的起始时刻是技术难点.
对EMG信号采用高通滤波器(高通5 Hz，低通50 Hz，24 dB/octave)滤波，EMG信号在运动时刻的能量有大幅的增加，选取这一点作为运动的起始时刻.基于EMG信号的能量在运动起始时刻突增这一现象，对受试者分别做9组试验，确定该受试者的最优的阈值，达到阈值的这一时刻，作为运动的起始时刻.其中一个受试者的EMG信号图形如图4所示，红色为最优阈值.
图4 阈值确定运动起始时刻
Fig.4 Threshold determines the movement starting time
2.3 定位激活脑区并选取关键通道
大脑运动准备过程的大脑机理的研究尚不明确，导致与运动准备电位相关的通道也不能确定[11].
针对这一问题，我们采集了被试的全通道EEG，平均叠加EEG中的RP成分后，绘制出整个过程的脑地形图，分析时序关系和各个时刻激活的相关区域.其中一个受试者的脑地形图序列如图5所示.
图5 脑地形图序列(低频信号)
Fig.5 The sequence of brain topographic maps(low frequency)
在图5中，运动的起始时刻前1 000 ms为零时刻，从0 ms时刻到运动起始时刻950 ms绘制脑地形图，每隔50 ms画一幅.在0～100 ms期间，大脑处于静息的状态；在550～800 ms期间，内侧前额及额中央部观察到ERP的差异，这些活动反映运动意图的预测过程.
从脑地形图序列分析发现C1、C2、C3、C4、C5、C6、CP1、CP2、CP3、CP4、CP5、CP6、FC1、FC2、FC3、FC4、FC5、FC6、P5、P3这20个通道在运动准备时，有较大的振幅.20个通道所在脑区是后顶叶和额叶皮质区，该脑区与运动规划和运动意图关联较大[12-13]，因此我们选择此20个通道提取EEG信号.
2.4 确定敏感频率点和频率段
在运动准备过程的有效时间段内，大脑的感觉运动皮层会出现EEG的节律性活动，包括低频直流成分[14-15].基于小波包变换的性质，采用多次迭代的小波转换进一步分析输入EEG的低频直流成分(0.1～1 Hz).
首先对采样频率为1 000 Hz，运动准备相关的20个通道，运动开始时刻前的EEG数据采用小波包进行12层分解，将0.1～1 Hz频率段EEG划分为7个频率段，如表1所示.
表1 频带范围
Tab.1 The frequency range
序号节点频率段/Hz1[12，1]0 12～0 242[12，3]0 24～0 363[12，2]0 36～0 484[12，7]0 48～0 615[12，6]0 61～0 736[12，4]0 73～0 857[12，5]0 85～0 97
根据7个频率段分量，对每一个通道均进行叠加平均，绘制各频段的功率谱，其中主要通道的功率谱图如图6所示.横坐标表示时间，纵坐标表示表中的序号，运动的起始时刻为1 000 ms.在序号2所对应的0.24～0.36 Hz频率段，运动起始前的1 000 ms的能量比其他时间段的能量高，认为此为运动准备过程的有效特征.
图6 0.1～1 Hz功率谱图
Fig.6 0.1～1 Hz power spectrum
图7 不同受试者的相关通道功率谱图
Fig.7 The power spectrum of Correlation channel of different subjects
2.5 通道优化
采用2.3节中选取的20个通道采取EEG数据，提取0.24～0.36 Hz频率分量作进一步分析，绘制了其中6名受试者能量随时间变化的规律.如图7所示，横坐标表示时间，纵坐标表示通道，运动的起始时刻为1 000 ms.不同的被试者之间与运动准备相关的通道有差异，但是都包含在选择的20个通道中.因此，选择20个通道的数据进行特征提取.
2.6 特征提取
基于2.2、2.3、2.4、2.5节中对于RP时域、频域特性分析结果，提出针对RP单次特征提取算法.
(1)对EMG信号进行处理，确定运动的起始时刻.
(2)输入已选择的20个通道，运动的起始时刻前1 000 ms的 EEG数据X(i).
(3)去除EEG的基线，采用二阶统计量和时序结构特征法去除眼电伪迹、肌电伪迹.
(4)选取‘db4′小波包基函数将EEG数据X(i)进行12层分解.
(5)重构低频0.24～0.36 Hz频率分量S12,3，其中S12,3是小波重构第12层第3节频率分量.
(6)计算S12,3对应的能量Ew，均值Mw和方差Vw.
(7)对每个通道重复4～6步骤，获得60维特征向量.
3 结果分析
3.1 训练模型
SVM 的核参数直接关系到分类器识别正确率的高低.经验值和试算方法确定核参数的计算效率低，且难以找到最优解[16].笔者采用网格搜索法获得最佳参数c和g，得到最佳模型.基于RP单次特征提取算法，选取每名受试者80%数据训练SVM模型，如图8所示.
图8 参数c和g的搜索结果
Fig.8 The search results of parameter c and g
3.2 分类识别
分别对15名受试者进行9组试验，并对试验数据进行处理，剔除有明显错误、有明显波动等无效数据，使无运动意图类和有运动意图类两类样本比例为1∶1，取每名受试者80%数据训练，剩余20%数据进行测试，基于3.1节中所述的RP单次特征提取算法，采用SVM分类器分别进行单次RP检测，其结果如表2所示.不同的受试者单次RP检测准确率存在差异.15名受试者9组试验中最高检测率是77.5%～91.3%；每名受试者的9组平均检测率是68.2%～ 91.2%.
表2 单次RP检测正确率
Tab.2 The single test results of RP %
受试者最高正确率平均正确率受试者最高正确率平均正确率182 278 2985 581 3277 571 31090 881 8387 679 91195 083 7478 276 31291 375 6588 681 31388 580 2692 791 21484 473 9783 176 21577 568 2876 371 3
4 结论
通过实时的BCI系统采集运动执行前的EEG和EMG信号，根据EMG信号确定运动准备的有效时间段，由脑地形图定位激活脑区，采用小波包变换的方法提取低频0.24～0.36 Hz频率分量，分析其幅值和能量的特征，用支持向量(SVM)分类识别.通过单次检测RP，以确定受试者的运动意图，为异步BCI系统的实现提供了新的技术途径.笔者通过离线分析只对运动前1 000 ms的数据研究RP，不同受试者检测准确率存在差异.今后将进一步研究克服不同受试者的差异，提高预测RP的准确率，将其应用于在线系统中.
[1] 张勇, 党兰学. 线性判别分析特征提取稀疏表示人脸识别方法[J]. 郑州大学学报(工学版), 2015, 36(2):94-98.
[2] MORREE H M D, KLEIN C, MARCORA S M. Perception of effort reflects central motor command during movement execution[J]. Psychophysiology, 2012, 49(9):1242-1253.
[3] CACIOPPO J T, TASSINARY L G, BERNTSON G G. Handbook of psychophysiology[M].Cambridge University Press, 2000:397-408.
[4] BAI O, RATHI V, LIN P, et al. Prediction of human voluntary movement before it occurs[J]. Clinical neurophysiology, 2011, 122(2):364-372.
[5] ZEPHANIAH P V, KIM J G. Recent functional near infrared spectroscopy based brain computer interface systems: Developments, applications and challenges[J]. Biomedical engineering letters, 2014, 4(3): 223-230.
[6] YATES J, HUK A, CORMACK L, et al. Psychophysical reverse correlation of motion perception[J]. Journal of vision, 2012, 12(9):746-746.
[7] LEW E, CHAVARRIAGA R, SILVONI S, et al. Detection of self-paced reaching movement intention from EEG signals[J]. Frontiers in neuroengineering, 2012, 5(13):13-30.
[8] XU R, JIANG N, LIN C, et al. Enhanced low-latency detection of motor intention from EEG for closed-loop brain-computer interface applications[J]. IEEE Trans Biomed Eng, 2014, 61(2):288-296.
[9] POUYA A, STEFANO C, LUCA A. How capable is non-invasive EEG data of predicting the next movement? A mini review[J]. Frontiers in human neuroscience, 2013, 7(124):124-131.
[10] GE S, HAN J, HAN M. Nonnegative mixture for underdetermined blind source separation based on a tensor algorithm[J]. Circuits systems & signal processing, 2015, 34(9):1-16.
[11] MÜNβNGER J I, HALDER S, KLEIH S C, et al. Brain painting: first evaluation of a new brain-computer interface application with ALS-patients and healthy volunteers[J]. Frontiers in neuroscience,2010,4:182.
[12] TAKAHASHI J, YASUNAGA D. Reported visual imagery and apparent motion, an event-related potential study[J]. Neuroreport, 2012, 23(15):904-910.
[13] HAGGARD P. Human volition: towards a neuroscience of will[J]. Nature reviews neuroscience, 2008, 9(12):934-946.
[14] LEW E, CHAVARRIAGA R, SILVONI S, et al. Detection of self-paced reaching movement intention from EEG signals[J].Frontiers in neuroengineering, 2012, 5(13):13-30.
[15] MIRANDA R A, CASEBEER W D, HEIN A M, et al. DARPA-funded efforts in the development of novel brain-computer interface technologies[J]. Journal of neuroscience methods, 2015, 244:52-67.
[16] 张震, 张英杰. 基于支持向量机与Hamming距离的虹膜识别方法[J]. 郑州大学学报(工学版), 2015, 36(3):25-29.