腦機接口（1）：運動想象（MI）原理、算法、問題和發展趨勢

   “腦機接口”（Brain Cpmputer Interface, BCI）研究的核心是在大腦和外部設備之間建立直接的聯通通路，因此腦機接口也被譽爲“人工智能的頂級科學”。腦機接口的應用包括6個方面^[1]：
  (1)腦機接口替代(Replace)原有中樞神經系統的輸出；
  (2)腦機接口重建(Restore)喪失的中樞神經系統的輸出；
  (3)腦機接口增強(Enhance)正常的中樞神經系統的輸出；
  (4)腦機接口補充(Supplement)正常中樞神經系統的輸出；
  (5)腦機接口改善(Imporve)正常中樞神經系統的輸出；
  (6)腦機接口作爲研究工具(Research Tool)來研究中樞神經系統的功能；

圖1 腦機接口應用框架

   腦機接口範式主要包括：運動想象、穩態視覺誘發電位、P300、慢皮層電位、精神狀態監測等。本文主要簡介運動想象原理、經典算法和發展趨勢。

1.MI基本原理

   運動想象（Motor Imagery, MI），顧名思義，人在想象自己肢體（或肌肉）運動但沒有實際運動輸出時，人的特定腦區仍會有激活。通過分析腦電信號，檢測識別不同腦區的激活效果來判斷用戶意圖，進而實現人腦與外部設備之間的直接通信與控制。目前常見的運動想象部位爲：左右，右手，雙腳和舌頭。
   人在運動想象的過程中，大腦皮層會產生兩種變化明顯的節律信號，分別是8-15Hz的μ節律信號和 18-24Hz 的β節律。在運動想象時，神經元細胞被激活、新陳代謝速度加快，大腦皮層對側運動感覺區的腦電節律能量會明顯降低，而同側運動感覺區的腦電節律能量增大，這種現象稱爲事件相關去同步（Event Related Desynchronization，ERD）/事件相關同步（Event Related Synchronization，ERS）。基於這種關係，通過人大腦主動控制左、右腦μ 、β 節律幅度的高低就可以產生多種控制指令。如圖是左右手運動想象的ERD/ERS現象^[2]。

圖2 左右手運動想象的ERD/ERS

2.MI特徵提取算法

   國際上對運動想象的特徵提取算法進行了諸多研究，包括：功率譜分析、小波變換、自迴歸（AR）模型、樣本熵（SampEn）、共空間模式（Common Spatial Paternal，CSP）等。各方法的優缺點如下^[3]：

圖3 MI特徵提取算法優缺點

   其中共空間模式（CSP）是目前在單次兩分類運動想象中最廣泛應用的方法。CSP是一種利用特徵的空間分佈，將來自兩類的多導聯EEG信號投影到子空間中，將其分解爲不同的空間模式的特徵提取方法。其基本原理：利用矩陣的對角化，找到一組最優空間濾波器進行投影，使得兩類信號的方差值差異最大化，從而得到具有較高區分度的特徵向量。CSP算法原理如下：
  （1）設Y_k = [y₁(t), y₂(t),…, y_p(t)]^T是第k次實驗採集到的腦電信號，其中電極數爲p。N爲單次實驗個數。設兩類運動想象平均協方差矩陣爲C₁和C₂，其求解方法如下：

  （2）兩類運動想象的協方差矩陣空間爲：C_c = C₁ + C₂。按如下公式對該協方差空間進行白化處理得到矩陣P。

  （3）設S₁ = PC₁P^T 和S₂ = PC₂P^T。同時對S₁和S₂進行奇異值分解得到對角矩陣D和正交矩陣R，如下列公式所示：

  （4）由於I = S₁ + S₂，D₂ = I - D₁。因此當S_i中的一個矩陣趨近於I時，另一個S_i矩陣趨近於0矩陣。從而使得兩類的差異最大化。則其空間濾波器爲：

  則對第k次採集信號的空間濾波結果爲：

  （5）最終，可以得到運動想象待分類特徵爲：
  式中：Z_i —— Y_k在空間濾波器上的投影；m —— 選擇的特徵參數個數；f —— 特徵值。
  CSP特徵需要多通道分析，且非常容易受噪聲干擾。因此國際上對CSP進行了諸多改進算法的研究。包括共空間頻率模式(Common Spatio-Spectral Pattern，CSSP)、濾波器組共空間模式（Filter Bank Common Spatial Pattern，FBCSP)等，具體發展路徑如圖所示^[4]：

圖4 CSP改進算法

3.MI分類算法

  爲了實現運動想象的識別，在完成特徵提取後需要對特徵進行分類。運動想象中經典的分類方法，包括：線性判別式分析（Linear Discriminant Analysis, LDA）、支持向量機（Support Vector Machines, SVM）、人工神經網絡（Artificial Neural Network, ANN）、貝葉斯分類器（Bayes Classifier）等。各方法的優缺點如下^[3]：

圖5 各分類算法的優缺點

  以上這些分類方法都是機器學習中最常見的分類方法，具體原理不再贅述。

4.MI問題和發展趨勢

  運動想象目前面臨的主要問題是：
  （1）時間、場景和個體的差異對準確度影響較大；
  （2）複雜運動想象模式少；
  （3）離散控制，難以實現連續控制；
  （4）異步檢測準確率低；

  運動想象在算法層面的發展趨勢：
  （1）算法改進：研究抗噪性能更好的特徵提取算法和分類算法，提高運動想象的準確率。
  （2）算法聯合：單一算法都有各自的缺陷，可以將多種算法聯合（例如多特徵聯合），取長補短，充分發揮每個算法的優勢。
  （3）深度學習：目前深度學習在運動想象領域還未實現“質”的飛躍。後續可研究更加適應EEG的網絡模型（例EEGNet），利用深度神經網絡對信號特徵進行自適應提取。

參考文獻

[1] Brunner C , Birbaumer N , Blankertz B , et al. BNCI Horizon 2020: towards a roadmap for the BCI community[J]. Brain Computer Interfaces, 2015, 2(1):1-10.
[2] Maeder C L , Sannelli C , Haufe S , et al. Pre-Stimulus Sensorimotor Rhythms Influence Brain–Computer Interface Classification Performance[J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2012, 20(5):653-662.
[3] 裴一飛, 楊淑娟. 運動想象腦電信號算法研究進展[J]. 北京生物醫學工程, 2018, 37(2):208-214.
[4] oh__NO.運動想象| EEG信號、共空間模式算法（CSP）[EB/OL].https://blog.csdn.net/oh__NO/article/details/84310982, 2020–03–22