BCI : 运动想象中的信号处理技术

      运动意象(Motor imagery, MI)被定义为想象自己身体部位的运动而不实际移动该部位的认知过程。基于运动意象的脑机接口(MI BCI)为运动障碍患者或完全处于锁定状态的患者提供了一个接口，通过控制机器人假肢、轮椅和其他设备与环境进行交互。MI BCI具有广泛的应用，如在二维/三维空间控制轮椅、虚拟现实、神经康复和控制设备如四轴飞行器等。

      基于MI BCI的EEG信号加工的特征提取和分类。在特征提取阶段，脑机接口采集的脑电信号在光谱域和空间域都显示出任务特异性特征。对EEG信号进行特征提取有许多种方法，如小波变换(wavelet transform)、傅里叶变换(fourier  transform)、自回归模型(autoregressive mode)以及 共同空间模式(common spatial pattern，CSP)。CSP算法因其识别率高、计算简单而被广泛应用于MI BCI中，是目前较为成功的一种算法。
      分类的目的是将特征提取器提供的信号特征转换成执行用户意图的指令。在MI BCI中，分类器将区分特征转换为不同的MI任务，如左右手运动、脚运动、舌头运动等。在MI BCI研究中，运用着大量的分类算法，如支持矢量机、线性判别分析(LDA)、神经网络、深层神经网络等。
1. BCI系统工作原理
      BCI系统的工作需要三个模块，即信号采集模块、信号处理模块和应用模块。

（1）信号获取模块
      信号采集模块负责为BCI提供输入的电生理信号。这些信号是从头皮或神经元活动中记录下来的。进行采集的方法包括侵入性和非侵入性方法，非侵入性方法有：脑电图(EEG)、脑磁图(MEG)、正电子发射断层扫描(PET)、功能磁共振成像(fMRI)和近红外光谱(NIRS)。侵入性方法有：皮质脑电图(ECoG)、微皮质脑电图、微电极记录等。采集到的信号被放大以增强强度，并在被计算机应用程序使用之前进行数字化处理。
（2）信号处理模块
      ● 预处理
         预处理的目标在于提高信号的信噪比（SNR），为信号的进一步加工做好准备。EEG信号中会掺杂着与脑活动无关的电信号，如肌电、眼电等，这类活动也称之为伪迹，因此对脑电信号进行预处理，去除脑电信号中的伪迹。在BCI的研究中，对脑电信号进行适当的预处理对于获得较高的分类精度至关重要。BCI的预处理是基于协方差矩阵自适应进化策略(CMA-ES)，这个可以自动获取空间和频率选择滤波器。
      ● 特征提取
        预处理后的信号被送入一种或多种特征提取算法，该算法可以提取时域和频域特征用以对信息和命令进行编码。BCI系统中使用了各种各样的特征提取方法，方法包括：振幅测量、波段功率、Hjorth参数、自回归模型、小波和空间滤波器等。
      ● 分类
        分类的主要任务是将特征提取器提供的特征转换为一种大脑模式，也就是把自变量转换成因变量的过程。分类算法可以使用线性方法，如线性判别分析(LDA)，支持矢量机(SVM)或是非线性方法的神经网络方法等。
（3）应用模块
      对于当前大部分BCI研究来说，输出设备是一个计算机屏幕，输出是显示在屏幕上的目标、字母或图标的选择，也有的是在选择项目之间进行鼠标移动等。
输出设备产生的输出是提供给用户的反馈，通知用户已识别的大脑活动模式。然后，这个模式被用来维持和提高通信的准确性和速度。

      在BCI的闭环中有许多关键步骤，一个是特征提取，另一个是分类。在运动想象任务的BCI中，已经探索了大量的特征提取和分类方法.

2. 特征提取技术
      在特征提取期间，特征从信号的时域或频域中进行特征提取。如下图所示，

      特征提取过程涉及频率滤波，选择短段窗口，特征提取器和特征选择器，输出被输入分类器的所选特征。在BCI中，脑电信号的频带功率特征和时域特征表征脑电信号。频带功率特征是给定频带内脑电信号在一个时间窗内平均的功率，时域特征是各信道脑电信号的综合。在MI BCI研究中，最常使用的特征提取参考技术是短期傅里叶变换(STFT)、自回归模型(AR)、小波变换(WT)以及共同空间模式(CSP)。
（1）快速傅里叶变换(FFT)
        第一种用于MI BCI的特征提取方法是基于快速傅里叶变换来估计FFT生成光谱中选定频段的功率。傅里叶分析将信号分解成其频率成分，并确定它们的相对强度。FFT没有考虑时间信息，因此无法对非平稳脑电信号进行分析，而短期傅里叶变换则可以表征非平稳脑电信号。在短期傅立叶变换中，通过在时间轴上放置一个窗口函数，将信号分割成小的重叠帧，在这些帧上应用FFT。

（2）自回归模型(AR)
        自回归模型是估计信号功率谱密度(PSD)的参数化方法。通常，短期比长期更适合用于分析，以表征EEG信号中发生的快速变化。与自回归模型相比，FFT在短时间内获得的光谱分辨率较差，即使FFT转换使用Hanning窗口函数。（图4）

      光谱估计的有效性取决于选择合适的模型阶数，其中模型阶数大致决定了需要捕获的光谱峰数。当模型阶数过低时，AR产生平滑谱;当模型阶数过高时，AR产生伪峰。脑电图的模型阶数为3 ~ 20。
（3）小波变换(WT)
        WT是一种特征提取技术，它在时域中提取特征，用无穷多个小波来表示函数，每个小波具有特定的时频特征。上述两种技术、FFT和AR模型只揭示了信号的频谱特征，对非平稳脑电图信号不能获得良好的性能，小波变换结合了频率信息和时域信息，WT使用不同大小的窗口，因此高频在短窗口上计算，低频在长窗口上计算（图5所示），因此，与STFT相比，WT在高频的时间分辨率上有更好的表现。

（4）共同空间模式(CSP)
        在MI BCI中，多通道脑电图记录中需要空间信息来区分意图模式，因此，空间滤波器被用于从信号中提取空间信息。共同空间模式生成空间滤波器，使一个类的方差最小化，同时使其他类的方差最大化。将多通道脑电信号送入带通滤波器进行频率选择，频率滤波之后，使用空间滤波器和FIR滤波器进行空间滤波（图6）。CSP是二值运动想象任务分类中最有效的特征提取方法之一。

3. 分类技术
      分类是从给定的输入预测目标变量或类别的过程，在训练阶段采用学习算法调整基于神经网络和深度神经网络的分类器的参数，用于MI-BCI领域。
（1）线性判别分析(LDA)
        LDA分类器对计算要求不高，这使得在BCI研究中应用非常广泛。LDA使用投影y=wTx将数据投射到新的空间中，使类内部的分散最小化，类之间的分散最大化（图7）

（2）支持矢量机
        支持矢量机在脑机接口研究中非常受欢迎。SVM选择距离最近的训练点距离最大的超平面。线性支持矢量机使用线性函数作为决策边界，而非线性支持矢量机使用核函数将数据映射到高维空间（图8）

（3）神经网络（NN）
        鲁棒性的分类器具有更好的性能，但需要更多的时间；因此，在准确性和速度之间需要权衡。由于神经网络提供了合理的权衡，它已被广泛应用于BCI研究。在BCI领域有几种神经网络体系结构，其中一种是专门为BCI创建的是高斯分类器，该神经网络的每个单元是一个高斯判别函数，代表一个类别原型。该分类器已成功地应用于运动意象分类和心理任务分类中，其他的神经网络，如多层感知器(MLP)，基于径向基函数(RBF)的神经网络，基于在线元神经元学习算法(OMLA)的尖峰神经网络等。
（4）深度学习
        深度学习方法的深度神经网络具有较高的描述能力，可以提高系统的准确性。深度学习在计算机视觉领域有着成功的表现，近年来也被应用于运动想象任务的分类。在各种深度学习体系中，卷积神经网络(CNN)被有效地用于运动想象任务的分类，卷积神经网络(CNN)被有效地用于运动想象任务的分类。一个简单的CNN是一个层的序列，CNN的每一层通过一个可微函数将一个激活体转换为另一个激活体。CNN体系结构由输入层、卷积层、池化层、全连接层和输出层组成（图9）

      卷积层是CNN的核心构建块，做了大部分的计算。池化层减少了表示的空间大小，全连接层中的神经元与前一层有充分的连接。