基于感觉运动BCI系统的EEG手部运动分类

　　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）