摘 要：对于残疾人或者运动不便的健全人，感觉运动相关的BCI（Brain Computer Interface）系统是十分必要的。BCI系统的关键部分是对EEG（Eletroencepalograph）信号的采集、提取和分类。本文研究的是手部三种动作在运动执行的情况下，人脑产生的EEG信号的不同。利用EEG信号在运动时发生于大脑感觉运动皮层区域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）现象，运用EMD（Empirical Mode Decomposition）等算法进行信号的特征提取，然后进行分类，得出了平均准确率为78.75%的良好结果。此次研究提供了一种基于EMD新的有效的运动相关BCI系统研发中的EEG信号的特征提取算法。
关键词：脑机接口 脑电波 ERD＼ERS 数据分类 特征提取
中图分类号：TP18 文献标识码：A 文章编号：1672-3791（2014）04（a）-0006-04
脑机接口（BCI）—— 人或动物脑（或者脑细胞的培养物），与外部设备之间创建的直接连接通路。脑部发出的命令可以直接传输到外部设备，或者外部设备发出的命令直接传达到脑部。它可以用在残疾人康复领域，通讯领域和多媒体交互领域等。脑电波（EEG）是脑部在运作时发出的有一定规律的电磁波。人体脑电波的频带通常在1～30 Hz左右，与运动控制相关的频带通称为mu节律，在8～13 Hz左右。mu节律在运动时会在对侧和同侧表现出事件相关去同步化（ERD）和事件相关同步化（ERS）。根据这一现象，可以从脑电波判断出此时对应的类型。在很多论文中，左右手动作的识别已经成熟，但是关于一只惯用手不同动作的分类研究的很少，这正是本文研究的。在本文中，利用时域特征和由EMD[1]算法得到的频域特征，结合自己创新的算法，对三种不同的手部动作进行分类，取得了一定的效果。
1 预备知识
1.1 EEG
大脑的神经细胞内和各种体液中存在大量离子，没有外部刺激时细胞膜的膜电位会维持在静息电位，受到刺激时，神经细胞会在突触之间放电，从而传达刺激信息。大量神经元的集体放电行为形成的振荡和同步振荡被认为是目前大脑高级功能信息整合的最有可能的机制[2]。不同位置的神经元集合在大脑进行不同的活动时，放电的频率、幅值、变化不同，与运动相关的神经元集合分布在运动皮层。
通常设备采集的脑电波不是直接的神经元的放电电位，而是各个区域的神经元集体放电后，通过一系列的振荡、叠加，透过颅骨等之后的电位，通称脑电波。事实证明，脑电波能表征出脑内的活动和大脑的状态。
1.2 运动相关的BCI
与运动相关的神经元集中分布于大脑皮层中央顶端的左侧和右侧，分别控制右侧肢体和左侧肢体，与之相关的脑电采集导联为10-20系统中的C3导联和C4导联。
运动相关的BCI的构成部分如图1所示。
1.3 EMD算法
经验模式分解（EMD）是由Huang提出的一种处理非线性非稳态信号的经典算法。该算法的重要部分是将任一复杂的数据集分解成数量有限的，并且数量不是很多的特征函数（Intrinsic Mode Function，IMF），并且这些特征函数满足希尔伯特变换（Hilbert Transforms）的条件（即：（1）在整个数据区间内，极值点的数目与过零点的数目相等或至多相差一个；（2）在任意点处，由极大值定义的包络和有极小值定义的包络均值为零）。
将IMFs进行希尔伯特变换并叠加后，可得到原数据集的具有实际物理意义的瞬时频率。设IMF分量为c（t），则它的复解析信号如式（1）所示：
（1）
其中a（t）为幅值函数，表示信号每个采样点的瞬时幅值能量；为相位函数，表示信号每个采样点的瞬时相位，将其对时间求导可得到瞬时频率。对每个IMF分量做Hilbert变换并忽略分解余项，得：
（2）
若将式（2）中的幅度和瞬时相位作为时间的函数表示在三维分布中，幅度的这种 时—频分布被称为希尔伯特幅度谱，简称希尔伯特谱，习惯上用幅度的平方表示能量密度。
2 数据分析
2.1 实验方案
被试者有7例，三例男性，四例女性，均为右利手，年龄均在26周岁左右，健康无家族遗传病史。实验采集设备为Neuroscan系统，64导脑电电极，2导眼电电极和2导肌电电极，其中脑电电极位置符合10-20系统。采用DC放大，采样率为1000 Hz，滤波器设置为0～200 Hz，满足内阻<5 kΩ，供电系统接地，实验室密封隔音等脑电采集实验规范。
采集实验如图2所示。
实验中要求被试者做运动执行任务，具体提示动作有三种，分别为右手握拳、右手手张开、右手捏钥匙。受试者在实验界面出现不同指示下完成不同的运动想象（运动执行）任务。一次实验过程周期持续8 s，最初2 s，实验界面上出现一个十字光标，指示受试者保持大脑处于放松状态并做好准备；之后屏幕中心的十字光标由一张手部动作图片替代，要求被试者根据图片在3 s的时间段内不断重复完成相应的任务；然后屏幕上出现一张笑脸，为3 s的被试者休息时间。每个受试者完成8组实验，每组包括每个动作10次，时长为8 s×3×10=240 s，8组实验时间为1920 s。实验时序图如图3所示。
2.2 数据预处理
使用Neuroscan自带波形分析软件Scan4.3对数据进行预处理，如幅值参数为±100 uV的伪迹滤除，校正基线漂移，1～45 Hz的带通滤波器，眨眼眼电的滤除。然后使用Matlab下的EEGLAB工具箱将参考导联改为M1/M2，取出C3和C4导联的相关事件之前1000 ms到事件之后750 ms的数据段。然后以事件发生时刻为0时刻，（-814 ms，-300 ms）时间段内的数据平均值为基线[3]。最后将数据针对不同事件标记进行分段处理。
2.3 数据选择和特征提取
由于研究内容是运动引起的C3，C4导联的脑电波的各种变化，而脑电波在非运动时的状态和在一侧肢体运动时二导联共同含有的变化成分可能与情绪，环境，噪声等一系列的复杂因素相关，所以在本文中，采取了两种处理方法来进行特征提取，并将结果进行了对比。
一种是使用C4和C3导联的差值A，即A=C4-C3。对A进行以下的特征作提取：最大幅值与最小振幅的差值，幅值的平均值，最大和最小频率的差值。其中频率是用EMD算法得出。
另一种方法是使用只C3导联的值，即B=C3。对B进行以下的特征作提取：最大幅值与最小振幅的差值，幅值的平均值，最大和最小频率的差值。其中频率是也用EMD算法得出。
2.4 数据分类
针对每一列特征值，每次随机取出1000组数据，进行不同动作数据组之间的该特征的数据大小比较，并计算出准确率。把上述两种方法中相应的特征的准确率相乘，得到最终的准确率。
3 结果对比
大多数实验者的数据结果与该表中的结果相一致，因此，该结果能够表明合理的分类正确率。分类结果中包含了每一个动作的每一种处理方式。结果如表1、表2所示，选取了四个实验者的实验数据，其中A代表从A（A=C4-C3）获得的数据集的准确性。B表示从B（B=C3）的数据集进行计算所获得的精确度。
A的结果明显优于B。这是因为C4和C3的差值更排除类似情感，精神状态等方面的干扰。从生理学上来说，当一侧的手进行运动时，左脑区与右脑区的运动中枢产生的脑电波都会发生改变。
手张开和捏钥匙之间的差值比手打开与握拳之间的差值更明显。这一结果的原因之一是因为对参与者来说，手张开和握拳的动作相比捏钥匙而言，更容易做。
4 总结和未来工作
本文的目的是为了提高利用脑电图来对动作进行解读的准确率，从而使与运动相关的BCI系统能更好的控制假手，并区分出不同的手部动作。本次研究得出的比较好的结果是手张开和捏钥匙两个动作的分类，平均准确率是78.75%。而手张开和握拳的分类准确率是48.25%，这证明了上述方法不适合用于此两类动作之间的分类。这对控制假手进行必要的手部动作这一目标而言，是非常重要的一步。今后的工作是准确地分类手部和手腕部的动作，并将离线分析的处理模式改进为实时数据处理。
参考文献
[1] Norden E. Huang，Zheng Shen，Steven R.Long.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].The Royal Society， 1998.
[2] 包尚联.脑功能成像物理学[M].郑州大学出版社，2006
[3] Stephan Waldert，Hubert Preisssl， Evariste Demandt.Hand Movement Direction Decoded from MEG and EEG[J].The Journal Neuroscience，January 23，2008.
[4] A.K.Mohamed，T，Marwala，L.R.John. Singel-trial EEG Discrimination between Wrist and Finger Movement Imagery and Execution in a Sensorimotor BCI[C].2011 33rd Annual international Conference of the IEEE EMBS.
[5] 颜彪，杨娟.关于希尔伯特变换的分析和研究[J].电气电子教学学报，2004， 10.
[6] 徐争光.经验模式分解的数学理论研究[M].华中科技大学，2009.
[7] D.GABOR，Dr.Ing.，Associate Member. Theory of Communication[M].24th September，1945.
[8] Cheolsoo Park，David Looney，Preben Kidmose.Time-Frequency Analysis of EEG Asymmery Using Bivariate Empirical Mode Decomposition[J].IEEE Transactions on Neural Systems And Rehabilitation Engineering，August， 2011.
[9]Pawel Herman， Girijesh Prasad，Thomas Matin McGinnity，Damien Coyle，Comparative Analysis of Spectral Approaches to Feature Extraction for EEG-Based Motor Imagery Classification[J]，IEEE Transactions on Neural Systems And Rehabilitation Engineering， August，2008.
[10] 庄平.脑电事件相关去同步化和同步化活动与运动相关性作业[J].中国临床康复，2004.
[11] Abdul-Khaaliq Mohamed.Towards Improved EEG Interpretation in a Sensorimotor BCI for the Control of a Prosthetic or Orthotic Hand[M].University of Witwatersrand， June， 2011.
[12] Alena Streltsova，Crisitina Berchio， Vittorio Gallese，Maria Alessandra Umilta.Time coursenand specificity of sensory-motor alpha modulation during the observation of hand motor acts and gestures：a high density EEG study[J].Exp Brain Res（2010）205：363-373.
[13] Han Yuan，Christopher Perdoni，Bin He.Relationship between speed and EEG activity during imagined and executed hand movements[J].Journal of Neural Engineering，2010.
[14] Emanuela Formagigo， Slivia Francesca Storti， Ilaria Boscolo Galazzo. Modulation of event-related desychronization in robor-assister hand performance： brain oscillatory changes in active，passive and imagined movements[J]. Journal of Neural Engineering and Rehabilitation，2013.
[15] G.Pfurtscheller，F.H.Lopes da Silva. Event-related EEG/MEG synchronization and desynchronization：basic principles[J].Clinical Neurophysiology.
[16] 邱天爽，唐洪，刘海龙.统计信号处理：医学信号分析与处理[M].科学出版社，2012.
[17] 赵仑.ERP实验教程[M].天津社会科学院出版社，2004.
[18]Bernhard Graimann，Brendan Allsion， Gert pfurtscheller.Brain-Computer Interfaces[M].Springer，2010.
[19] Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen.Applications of Hilbert-Huang transforms to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry，2003.
[20]Norden E.Huang，Man-Li Wu， Wendong Qu，Steven R.Long，Samuel S.P.Shen，Pre Gloersen，Kuang L.Fan. A confidence limit for the empirical mode decomposition and Hilbert spectral ananlysis[J].The Royal Society， 2003.
[21]Tjeerd W.Boonstra，Andreas Daffertshofer，Michael Breakspear， Peter J.Beek. Multivariate time-frequency analysis of electromagnetic brain activity during bimanual motor learning[J].NeuroImage，2007，36.
[22]G.Pfurtscheller a"b"*，Ch.Neuper a， D.Flotzinger a，M.Pregenzer b.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalography and clinical Neurophysiology 103，1997，103：642-651.