0 引言

运动意图的神经解码已被广泛研究并应用于大脑运动皮质(M1)的神经元活动，其神经元放电模式编码肢体运动的方向信息的方式可用于目标动作预测[1]。研究表明，在运动规划和执行过程中，后顶叶皮层区(posterior parietal cortex, PPC) 的运动相关电位扮演着重要的作用。

运动相关电位是一种慢性皮质电位，近年来运动意图检测将其被广泛用于驱动脑-机接口系统外部设备。文献[2]通过研究脑电图的时间动态特性，探讨了运动意图的基本原理。文献[3]通过对九名受试者EEG中运动相关电位的实时检测，可提高BCI系统的精度和实时性。文献[4-6]对健康受试者和中风患者的一系列研究中，已经确定可以通过运动相关电位检测到运动意图，其具有足够短的延迟以通过触发外周神经引起皮质快速兴奋。在人类脑电信号解析方面，运动方向解码虽然取得了一定的研究成果及突破。对于头皮脑电信号(electroencephalographic, EEG)的方向识别准确率比较低，一般在65%以下[7-8]，文献[9]利用共空间模式和功率谱密度算法识别左右脚运动意图监测，并获得72.6%和72.2%的分类识别率。如何提取并优化提取EEG信号中的有效成分，用于运动方向预测以及如何利用运动准备前(即运动规划阶段)的EEG信号提高运动方向预测的正确率是目前国内外脑电信号研究和运动方向预测的瓶颈之一。

①E．L．Spratt，A．Elgammal．Computational 2014，Beauty:Aesthetic Judgment at the Intersection of Art and Science，ECCV 2014 Workshops，pp．35 ～53．

想象运动和实际运动之间具有类似的神经机制，并且能够通过想象运动相关的脑电信号识别参与想象运动的肢体类型[10]，且运动前的神经活动或者伴随运动的神经活动编码了运动的方向、速度和其他信息[11]。事件相关电位(event-related potentials, ERPs)在一定程度上反映感觉、知觉或认知活动动态加工的过程，其中运动相关电位(movement-related potentials, MRPs)作为ERPs的一种，可以反映运动准备、运动过程和运动结束的动态加工过程[12]；mu/beta节律的事件相关同步/去同步(event-related (de)synchronization, ERS/ERD)，用来反映运动前、运动过程中和运动结束后感觉运动区能量的变化关系，其对侧化特征也可以反映参与运动或想象运动的肢体类型[13]。

为研究运动相关脑电如何表征运动意图预测，本研究通过左、右手两任务运动想象实验范式，采集运动想象任务开始前运动准备阶段的脑电信号，以及运动想象任务执行时的脑电信号数据，通过联合MRPs与mu/beta节律的ERD/ERS特征，采用WPD-CSP特征提取方法，利用支持向量机(support vector machine, SVM)进行运动意图预测解码，根据运动意图预测准确率验证提取运动意图特征的有效性。

1 实验

11名健康受试者参与实验，其中8男3女，平均年龄26.4岁，硕士以上学历，工科背景。所有受试者皆为右利手，视觉与听觉均正常。除了受试者S1、S5、S6和S8参与过脑-机器接口EEG数据采集外，其他均没有EEG和BCI实验的经验，也没有受试者有已知的感觉运动疾病或心理病史。

盐城地区年平均日太阳辐照量达13 582kJ/m2，全年大部分时间太阳光照充分，6层商业裙房屋顶面积大，除放置机电各专业机房及设备，太阳能集热板布置条件好。

1.1 范式设计

实验开始前，受试者按自己舒适的习惯方式坐在椅子上，处于放松状态，准备开始两种任务的运动想象实验。每种任务包含30个trial，每个trial包含3个阶段：运动准备阶段、运动规划及运动执行阶段。

将白化后的EEG信号投影在特征向量B的最小和最大列特征向量上，能够得到最佳的分类特征。投影矩阵为：

  

图1 完整过程的刺激范式示意图

一次完整的实验过程如图1所示，运动准备阶段(起始时刻t=0 ms)：刺激范式显示“+”，提示受试者集中注意力，准备实验；运动规划阶段(t=1 000 ms)：单次运动想象任务实验中，左、右两个任务(“┤”、“├”) 随机出现一次，持续时间为1 000 ms，提示受试者准备进行运动想象任务，受试者身体保持静止状态；运动执行阶段(t=2 000 ms)：范式出现“←”或“→”，提示受试者开始想象运动，持续时间为3 000 ms。每组实验连续采集，实验期间加入短暂的休息提示，受试者可适当休息。

不管时代如何变迁，技术如何更迭，人们对知识的渴求，从来没有停止过步伐，图书馆仍是用户获取信息的殿堂。新一代智慧图书馆重点在于“智慧”二字，一个智慧的空间里，资源被智慧地关联，服务被智慧地提供。那么，怎样的服务才算是智慧服务？当我们换位思考时，问题便迎刃而解。

1.2 数据采集

本研究的数据采集设备为本研究机构自主研制的16导EEG放大器[14]，0～100 Hz带宽，1 000 Hz采样频率，24位A/D转换器。

运动准备过程会诱发大脑额叶皮质区和初级运动皮层区的电位变化，不同的受试者，关联通道会存在差异[15]。在本研究中采用国际标准的10-20系统，主要采集运动功能区的9个电极FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4，如图2所示。

  

图2 电极位置分布图

2 信号处理及分类

算法和实验在Windows XP系统Matlab R2012b环境下实现，配置环境为：Intel(R) Core(TM) i7-5500U CPU @2.4 GHz。

本研究的信号处理及分类算法设计由四部分组成：数据采集、预处理、特征提取和分类识别。算法设计流程图如图3所示。

  

图3 算法设计流程图

2.1 数据预处理

经WPD重构后得到一个具有频率特征的矩阵EH×L，其中H是通道数，L是采样点数，归一化后的脑电数据的协方差矩阵为：

在公文语体中，要求修辞语义必须是准确严谨的。公文语体规约着修辞主体使用准确的修辞语义，要求在公文语体中修辞语义的表达是准确的单一的，不存在歧义，不是模糊的意义，不能有多解的可能性。这就要求公文语体用词甚至用字都必须认真思考，慎重选择，多使用单义词，少选用多义词；在句子表意方面，也要做到严谨周密，不留无限遐想的语义空间；在辞格方面，尽量不用修辞格式，尤其不能使用具有浓重描绘色彩、情感色彩的修辞格式。例如：

采集多名受试者EEG信号，叠加平均EEG中的ERP成分，绘制出一个Trail的脑地形图，分析时序关系和各个时刻激活的相关区域，确定与运动准备相关的通道。其中受试者S8的脑地形图序列如图5所示，由图5所示，运动的起始时刻为2 000 ms，从运动起始前的1 000 ms开始绘制脑地形图，每隔100 ms画一幅，观察大脑的激活脑区，在1 000～1 100 ms期间，大脑处于静息的状态，从1 400 ms开始，可观察到大脑激活脑区开始有明显变化。在运动开始时刻前的220～280 ms，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。实验结果表明，本研究选取的FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4通道所覆盖的后顶叶皮层区能够表征有关运动方向的信息。

 

表1 脑电信号预处理算法

  

脑电信号预处理算法1)对数据进行250Hz降采样处理；2)对数据进行50Hz工频陷波处理；3)对数据进行FFT05-45Hz的线性滤波去除基线漂移；4)从t=0ms时进行[-1000ms2000ms]时间窗截取数据段并进行基线校准；

2.2 特征提取及分类识别

2.2.1 特征提取

本研究提出一种联合频域和空域特征的多维特征提取算法，首先对待分析脑电信号进行小波包分解[16](wavelet packet decomposition，WPD)，再重构；然后采用共空间模式 (common spatial patterns, CSP)进行空域滤波特征提取[17]，实现时-频-空域的多维联合。WPD是一种高效的时频分析快速算法，通过多尺度小波分解，构建特征频段的小波包分解系数特征向量；CSP提取不同电极所采集的运动想象信号的高维空域特征进行对角化，分别最大限度的最大化和最小化两类方差。联合离散小波分解和共空间模式不仅能有效利用WPD的时频特征，而且能弥补CSP缺乏频域信息等缺陷。

WPD不仅将频带进行多层次划分，而且对高频部分也进一步的分解，具有更好的时频特性，提高了运动想象EEG信号的分析精度。以db4小波对每个导联的信号进行6层分解，得到S(6,0)-S(6,63)共64个子带信号，其中S(6,0)对应的子带频率为[0 7.8]Hz，在EEG信号中，有关方向信息主要集中在低频和高频部分，由于EEG信号通过颅骨传输到头皮时出现高频的剧烈衰减，主要分析低频段数据，故选取S(6,0)子带信号。

数据预处理包括：降采样、陷波、去基线漂移、基线校准、去眼电。具体如表1所示。

 

(1)

则C1和C2的协方差矩阵变换为：

Ct=C1+C2

(2)

又可以将Ct写成Ct=UtλtUt，为矩阵Ct的特征向量，λt是相对应的特征值，通过该变化，特征值按照降序进行了排列，与其对应的特征向量也重新进行了排列，经过白化变化得到：

 

(3)

使用C1和C2分别表示两种状态下的协方差矩阵，则合成的协方差矩阵Ct：

S1=PC1PT，S2=PC2PT

(4)

S1与S2有相同的特征向量，也就是如果S1=Bλ1BT，S2=Bλ2BT，并且λ1+λ2=I，S1与S2有相同的特征向量B，I是单位矩阵。由于两类矩阵特征值之和为I，则S1的最大特征值所对应的特征向量使S2有最小的特征值。

“恰好这时，他给我发了私信，我看了他的照片，胖胖的，觉得比较有亲和力。”张伦靠外形攻下一垒。再看专业，“我学动画，他也学动画。”专业再加分。从私信到微信，从陌生到熟悉，一切似乎顺理成章。

经过上述分析，发现IEC 61375标准中存在矛盾之处，如果T_LI小于T_ST(如果RPT与源设备距离较近，可忽略线路延时)，将导致RPT在某些特定工况下无法正常转发数据帧，而T_LI由t_source决定。通过简单计算可得知，t_source应大于4 μs，那么其取值范围将变为4 μs

W=BTP

(5)

脑电信号最终可转换为：

随着监控系统技术的不断发展，对监控系统实用性、可靠性和安全性的要求会越来越高，恶劣环境下的机舱图形界面开发技术将是今后一段时期的发展重点。本文对VxWorks图形显示原理、闪屏分析、双缓冲技术及具体应用进行介绍，VxWorks提供的多媒体组件WindML双缓冲技术已成功应用于实际工程开发中，取得了良好的效果。

Z=WE

(6)

CSP投影矩阵用于训练分类器，只有少数信号m可以有效区分各类别。能够最大区分的信号Zp通常为λ1和λ2的最大值的对角化矩阵，其为Z的第一和最后m行。特征向量由下列公式获得：

 

(7)

在本研究中m=3。

2.2.2 分类识别

对于单次实验运动意图脑电信号，具有高度的非线性和非平稳性，可供学习的样本较少且与电极组合后样本特征向量维度较高，降维则会损失有用的信息。SVM[18]利用非线性核函数将输入空间的特征向量变换到一个高维空间，使样本线性可分，在高维空间构造线性判别函数，建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化，把样本空间映射到高维空间，把低维空间的线性不可分问题映射为高维空间的线性可分问题。

研究中采用径向基函数内核：K(xi,xj)=exp(-g(xi-xj))2，作为SVM的核函数，核函数系数g>0，惩罚因子C则决定了SVM的收敛速度及推广能力，是影响SVM性能的另一个重要参数。在SVM参数选取时采用网格法，首先设定C和g取值范围，然后进行网格划分，遍历网格内的所有取值点，计算单次遍历的C和g参数下训练集的分类正确率，同时利用五折交叉验证方法保证结果有效性，依次计算各次遍历点选出分类正确率最高时对应的C和g的值即可。

六坝干、斗、农渠总长100.19km、各类建筑物 2050座，大都建于六七十年代，运行年限长，老化失修严重，渠道完好率低。标准量水断面少，使测水量水不精确。

  

图4 参数C和g选取等高线

3 结果和讨论

3.1 导联通道优化

另一方面，电信运营商网内的攻击流量的不断增大也严重消耗了电信运营商的带宽。若能在 DDoS 攻击源遏制攻击流量，不仅能够节约大量的骨干网带宽，同时还能解决攻击目标网络拥塞的问题。目前国内电信运营商在大部分省内已实施近目的流量清洗，各省自建的流量清洗系统相互之间基本没有统一的平台实现协调调度，且部署方式、覆盖完整性及厂家设备差异较大，难以实现全网协同清洗。

如图5所示，运动开始前至少500 ms(约1 500 ms)出现缓慢负向变化的运动准备电位可能反映了运动规划，运动想象开始后出现由负电位向正电位变化可能反映了对运动的精细控制，结果进一步证实了MRPs可以表征运动准备、运动规划和运动执行的脑神经机制。

  

图5 不同时刻脑区激活的序列图

3.2 MRPs及mu和beta节律特征分析

针对右手想象运动脑电信号，分别计算C3和C4通道的mu/beta节律的功率谱变化， S8受试者的C3和C4通道脑电信号功率谱见图6。

  

图6 mu/beta节律的功率谱

由图6结果可知，对于C3通道，右手想象时mu和beta节律的功率谱要比左手小，而对于C4电通道结果正好相反，这就说明ERD也具有对侧半球优势。实验结果发现，在动作发生前10 Hz频率附近的mu/beta节律会有能量递减变化。

为了进一步细化研究运动想象信号中表征运动意图的频段，将S8受试者的C3和C4导联的MRPs信号进行了1～10 Hz的时-频变换，时-频图谱如图7所示。

  

图7 C3通道和C4通道MRPs时-频图谱

图7的时-频图谱研究表明，运动规划和执行阶段EEG信号中的运动意图信息主要集中在低频段，通过对11名受试者脑电信号时频图谱的比较分析，发现在1～7 Hz的信号中包含运动方向的信息。

3.3 分类结果

对左、右手想象数据进行预处理，采用200 ms的滑动时间窗进行截取信号，对两类数据按照公式(1)到(7)求协方差，求白化矩阵和空间源成分，寻找特征值最大和最小的空间源成分对信号进行空间滤波，提取低频分量MRPs与mu和beta节律的有效的特征。本研究中每位受试者分别进行十组实验，采用SVM算法进行分类识别，各次结果均为十折交叉检验后的结果，分类识别率结果如图8和表2所示。

  

图8 六名受试者分类识别率结果

 

表2 11名受试者平均分类识别结果

  

受试者平均识别率(%)S1722%S2705%S3367%S4713%S5727%S6743%S7702%S8763%S9683%S10698%S11693%

由图8结果可知，受试者S3对运动想象不敏感，分类识别率结果接近随机，出现运动想象“盲”现象，其余受试者由于个体差异性，分类识别率略有差异但基本稳定。根据图8和表2结果可知，无脑-机接口实验经验受试者分类识别率在70%左右，四名有运动想象经验的受试者平均分类识别率为74%左右，最高可达到85%。本实验结果与文献[19]中Lakany和 Conway的两任务分类识别率相当，高于文献[7-8]中的识别率。本文所提算法获得分类结果高于文献[20]中采用ICA和SVM算法所得结果，验证了本实验的可行性和有效性，同时也为下一步确定运动意图、解析动作状态提供参考。

4 结论

本研究以手部运动想象脑电信号为研究对象，以融合MRPs与ERS/ERD特征为途径，设计了包含时频域与空域的特征提取算法，实现了手部运动意图预测，且识别正确率有了显著提高，经过运动想象训练的受试者最高分类识别率达到85%。初步验证了手部运动想象脑电信号能够解码运动过相关电位信息，且集中在10 Hz以下的低频信号成分中，为下一步的运动精细控制提供技术支持。

52例研究对象先行CT扫描，行桡骨远端冠状位和矢状位，确保两层间距2mm，特殊患者可以间隔1mm，有些患者要增加水平位片拍摄。再对52例患者行X线检测，于腕关节正侧位拍摄X线片。

然而仍有一些研究需要进一步明确：1)能否设计自适应的算法进一步提升运动预测的准确率；2)结合运动准备电位以及运动执行电位是否可以提高识别准确率；3)脑电信号能否解码想象运动的运动速度、力的变化率和目标力大小、运动轨迹等或参数。

参考文献:

[1]Hochberg L R, Serruya M D, Friehs G M, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia[J]. Nature, 2006, 442(7099): 164-171.

[2]Wairagkar M, Hayashi Y, Nasuto S. Movement Intention Detection from Autocorrelation of EEG for BCI[M]. Brain Informatics and Health. Springer International Publishing, 2015: 212-221.

[3]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.

[4]Niazi I K, Jiang N, Tiberghien O, et al. Detection of movement intention from single-trial movement-related cortical potentials[J]. Journal of Neural Engineering , 2011 , 8 (6) :066009.

[5]Niazi I K, Mrachacz-Kersting N, Jiang N, et al. Peripheral electrical stimulation triggered by self-paced detection of motor intention enhances motor evoked potentials[J]. IEEE Trans Neural Syst Rehabil Eng, 2012, 20 (4) :595-604.

[6]Mrachacz-Kersting N, Jiang N, Dremstrup K, et al. A Novel Brain-Computer Interface for Chronic Stroke Patients[M]. Brain-Computer Interface Research. Springer Berlin Heidelberg, 2014: 51-61.

[7] Waldert S, Preissl H, Demandt E, et al. Hand movement direction decoded from MEG and EEG [J]. Journal of Neuroscience, 2008, 28(4):1000-1008.

[8]伏云发, 徐保磊, 裴立力,等. 基于脑电运动速度想象的单次识别研究[J]. 中国生物医学工程学报, 2011,30(4): 555-561.

[9]Kee Y J, Won D O, Lee S W. Classification of left and right foot movement intention based on steady-state somatosensory evoked potentials[A].International Winter Conference on Brain-Computer Interface[C]. 2017:106-108.

[10]Pfurtscheller G, Neuper C. Motor imagery and direct brain-computer communication[J]. Proceedings of the IEEE, 2002, 89(7):1123-1134.

[11]Gu Y, Dremstrup K, Farina D. Single-trial discrimination of type and speed of wrist movements from EEG recordings [J]. Clinical Neurophysiology, 2009, 120(8): 1596-1600.

[12]OF do Nascimento, KD Nielsen, M Voigt. Movement related parameters modulate cortical activity during imaginary isometric plantar-flexions[J]. Experimental Brain Research, 2006 , 171 (1) :78-90.

[13]Neuper C, Wortz M, Pfurtscheller G. ERD/ERS patterns reflecting sensorimotor activation and deactivation [J]. Progress in Brain Research , 2006 , 159 (1) :211-222.

[14]孙广金. 基于ADS1299的新型脑电采集系统设计[J]. 科技信息,2014 (1) :73-74.

[15]Takahashi J, Yasunaga D. Reported visual imagery and apparent motion: an event-related potential study[J]. Neuroreport, 2012, 23(15):904-910.

[16]Lin E B, Shen X P. Wavelet analysis of EEG signals. Aerospace and Electronics[A].IEEE National Conference - NAECON[C]. 2011, 105-110.

[17]孟 明,朱俊青,佘青山,等. 多类运动想象脑电信号的两级特征提取方法[J]. 自动化学报, 2016 , 42 (12) :1915-1922.

[18] Müller KR, Krauledat M, Dornhege G, et al. Machine learning techniques for brain-computer interfaces [J]. Biomedical Engineering , 2004 :11-22.

[19]Sporns O. The human connectome: a complex network [J]. Ann N Y Acad Sci , 2011 , 1224 (1) :109-125.

[20]He Y, Chen ZJ, Evans AC. Small-world anatomical networks in the human brain revealed by cortical thickness from MRI [J]. Cerebral Cortex, 2007, 17 (10) :2407-2419.