【学术论文】Graz- 脑机接口研究概述

第8卷第5期 智能系统学报 Vol.8 No.5 2013年10月 CAAI Transactions on Intelligent Systems 0ct.2013 D0:10.3969/j.issn.1673-4785.201304055 网络出版地址：http://www.enki..net/kcms/detail/23.1538.TP.20130929.1130.009.html Graz-脑机接口研究概述 张晓楠，刘建平2 (1武警工程大学信息工程系，陕西西安710086；2.武警工程大学理学院，陕西西安710086) 摘要：在明确了BCI相关概念与研究背景的基础上，从Graz-BCI的研究内容和应用2个方面，对Graz-BCI的研究 现状进行了概述归纳了运动想象控制、μ节律同步、自适应回归参数、复杂波段功率特征、相位同步特征及自适应分 类器等方面Gz-BCI的关键技术，介绍了运动想象控制的研究基础、试验方法及相关参数、与自适应回归参数匹配 的分类器、基于相位的复杂波段功率特征及相位同步特征、ADM和ALDA2种自适应分类器.总结了Grz-BCI技术 在神经假体与拼写设备的相关应用，指出了Gm-BCI在运动想象控制、“大脑开关”以及光学BCI原理机等方面的发 展趋势。 关键词：Gz-脑机接口：脑机接口；运动想象控制；μ节律同步；自适应回归参数；复杂波段功率特征：相位同步特征； 自适应分类器 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2013)05-0395-05 中文引用格式：张晓楠，刘建平.Gam-脑机接口研究概述[J].智能系统学报，2013,8(5)：395-399. 英文引用格式：ZHANG Xiaonan,LIU Jianping..Summary on the research for Graz-brain-.computer interface[J】.CAAI Transac- tions on intelligent Systems,2013,8(5):395-399. Summary on the research for Graz-brain-computer interface ZHANG Xiaonan',LIU Jianping? (1.Information Engineering Department,Chinese Armed Police Force Engineering University,Xi'an 710086,China;2.College of Science,Chinese Armed Police Force Engineering University,Xi'an 710086,China) Abstract:On the basis of defining the related concepts and research background of brain computer interface (BCI),the present research situation of Graz-BCI are summarized from two aspects including both research content and research application.The key technologies of Graz-BCI for such aspects as control for motion thinking, rhythm synchronization,adaptive regression parameter,power feature of complex wave band,phase synchronization features and adaptive classifier,are induced.The research basis,test method and related parameters on the control for motion thinking,the classifier matching the adaptive regression parameter,the power feature of complex wave band and phase synchronization features on basis of phase,ADIM(adaptive information matrix)and ALDA (adap- tive linear discriminant analysis)adaptive classifier,are introduced.The relevant application of Graz-BCI technolo- gy on the aspects of nerve prosthesis and spelling equipment are summarized,in addition,the developing trend of Graz-BCI on such aspects as the control for motion thinking,"brain switch"and the optical BCI prototype machine are pointed out. Keywords:Graz-BCI;BCI;control for motion thinking;u rhythm synchronization;adaptive regression parameter; power feature of complex wave band;phase synchronization features;adaptive classifier 脑机接口(brain computer interface,BCI)的正BCI研究起始于Graz科技大学，Graz应用事件相关 式研究时间至今不足30年，目前绝大部分BCI研究 去同步/同步电位(event-related desynchronization/,e 还处于实验室阶段，尚无大规模商业应用.1999一 vent-related synchronization,ERD/ERS)分类完成了 2011年5次BCI国际会议的召开以及2013年召开 运动执行与运动想象过程中的单一脑电(electroen- 的第6届BCI国际会议，为BCI的发展推波助澜。 cephalogram,EEG)试验1-3].同时，该机构与Wol- 收稿日期：2013-04-17.网络出版日期：2013-09-29 paw博士的纽约Albany实验室合作，进行一系列的 通信作者：张晓楠.E-mail:474375299@qq.com. 基础研究[46.ERD/ERS在20世纪70年代首次被

第 ８ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ.８ №.５ ２０１３ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ. ２０１３ ＤＯＩ:１０.３９６９ / ｊ.ｉｓｓｎ.１６７３￣４７８５.２０１３０４０５５ 网络出版地址:ｈｔｔｐ: / / ｗｗｗ.ｃｎｋｉ.ｎｅｔ / ｋｃｍｓ/ ｄｅｔａｉｌ / ２３.１５３８.ＴＰ.２０１３０９２９.１１３０.００９.ｈｔｍｌ Ｇｒａｚ￣脑机接口研究概述 张晓楠１ ꎬ刘建平２ (１.武警工程大学 信息工程系ꎬ陕西 西安 ７１００８６ꎻ ２.武警工程大学 理学院ꎬ陕西 西安 ７１００８６) 摘 要:在明确了 ＢＣＩ 相关概念与研究背景的基础上ꎬ从 Ｇｒａｚ￣ＢＣＩ 的研究内容和应用 ２ 个方面ꎬ对 Ｇｒａｚ￣ＢＣＩ 的研究 现状进行了概述.归纳了运动想象控制、μ 节律同步、自适应回归参数、复杂波段功率特征、相位同步特征及自适应分 类器等方面 Ｇｒａｚ￣ＢＣＩ 的关键技术ꎬ介绍了运动想象控制的研究基础、试验方法及相关参数、与自适应回归参数匹配 的分类器、基于相位的复杂波段功率特征及相位同步特征、ＡＤＩＭ 和 ＡＬＤＡ ２ 种自适应分类器.总结了 Ｇｒａｚ￣ＢＣＩ 技术 在神经假体与拼写设备的相关应用ꎬ指出了 Ｇｒａｚ￣ＢＣＩ 在运动想象控制、“大脑开关”以及光学 ＢＣＩ 原理机等方面的发 展趋势. 关键词:Ｇｒａｚ￣脑机接口ꎻ脑机接口ꎻ运动想象控制ꎻμ 节律同步ꎻ自适应回归参数ꎻ复杂波段功率特征ꎻ相位同步特征ꎻ 自适应分类器 中图分类号:ＴＰ３９１.４ 文献标志码:Ａ 文章编号:１６７３￣４７８５(２０１３)０５￣０３９５￣０５ 中文引用格式:张晓楠ꎬ刘建平.Ｇｒａｚ￣脑机接口研究概述[Ｊ]. 智能系统学报ꎬ ２０１３ꎬ ８(５): ３９５￣３９９. 英文引用格式:ＺＨＡＮＧ Ｘｉａｏｎａｎꎬ ＬＩＵ Ｊｉａｎｐｉｎｇ. Ｓｕｍｍａｒｙ ｏｎ ｔｈｅ ｒｅｓｅａｒｃｈ ｆｏｒ Ｇｒａｚ￣ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ [Ｊ]. ＣＡＡＩ Ｔｒａｎｓａｃ￣ ｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓꎬ ２０１３ꎬ ８(５): ３９５￣３９９. Ｓｕｍｍａｒｙ ｏｎ ｔｈｅ ｒｅｓｅａｒｃｈ ｆｏｒ Ｇｒａｚ￣ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ＺＨＡＮＧ Ｘｉａｏｎａｎ １ ꎬ ＬＩＵ Ｊｉａｎｐｉｎｇ ２ (１.Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｄｅｐａｒｔｍｅｎｔꎬ Ｃｈｉｎｅｓｅ Ａｒｍｅｄ Ｐｏｌｉｃｅ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｘｉ’ ａｎ ７１００８６ꎬ Ｃｈｉｎａꎻ ２. Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅꎬ Ｃｈｉｎｅｓｅ Ａｒｍｅｄ Ｐｏｌｉｃｅ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｘｉ’ａｎ ７１００８６ꎬ Ｃｈｉｎａ) Ａｂｓｔｒａｃｔ:Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｄｅｆｉｎｉｎｇ ｔｈｅ ｒｅｌａｔｅｄ ｃｏｎｃｅｐｔｓ ａｎｄ ｒｅｓｅａｒｃｈ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｂｒａｉｎ ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ (ＢＣＩ)ꎬ ｔｈｅ ｐｒｅｓｅｎｔ ｒｅｓｅａｒｃｈ ｓｉｔｕａｔｉｏｎ ｏｆ Ｇｒａｚ￣ＢＣＩ ａｒｅ ｓｕｍｍａｒｉｚｅｄ ｆｒｏｍ ｔｗｏ ａｓｐｅｃｔｓ ｉｎｃｌｕｄｉｎｇ ｂｏｔｈ ｒｅｓｅａｒｃｈ ｃｏｎｔｅｎｔ ａｎｄ ｒｅｓｅａｒｃｈ ａｐｐｌｉｃａｔｉｏｎ. Ｔｈｅ ｋｅｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｆ Ｇｒａｚ￣ＢＣＩ ｆｏｒ ｓｕｃｈ ａｓｐｅｃｔｓ ａｓ ｃｏｎｔｒｏｌ ｆｏｒ ｍｏｔｉｏｎ ｔｈｉｎｋｉｎｇꎬ μ ｒｈｙｔｈｍ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎꎬ ａｄａｐｔｉｖｅ ｒｅｇｒｅｓｓｉｏｎ ｐａｒａｍｅｔｅｒꎬ ｐｏｗｅｒ ｆｅａｔｕｒｅ ｏｆ ｃｏｍｐｌｅｘ ｗａｖｅ ｂａｎｄꎬ ｐｈａｓｅ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ｆｅａｔｕｒｅｓ ａｎｄ ａｄａｐｔｉｖｅ ｃｌａｓｓｉｆｉｅｒꎬ ａｒｅ ｉｎｄｕｃｅｄ. Ｔｈｅ ｒｅｓｅａｒｃｈ ｂａｓｉｓꎬ ｔｅｓｔ ｍｅｔｈｏｄ ａｎｄ ｒｅｌａｔｅｄ ｐａｒａｍｅｔｅｒｓ ｏｎ ｔｈｅ ｃｏｎｔｒｏｌ ｆｏｒ ｍｏｔｉｏｎ ｔｈｉｎｋｉｎｇꎬ ｔｈｅ ｃｌａｓｓｉｆｉｅｒ ｍａｔｃｈｉｎｇ ｔｈｅ ａｄａｐｔｉｖｅ ｒｅｇｒｅｓｓｉｏｎ ｐａｒａｍｅｔｅｒꎬ ｔｈｅ ｐｏｗｅｒ ｆｅａｔｕｒｅ ｏｆ ｃｏｍｐｌｅｘ ｗａｖｅ ｂａｎｄ ａｎｄ ｐｈａｓｅ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ｆｅａｔｕｒｅｓ ｏｎ ｂａｓｉｓ ｏｆ ｐｈａｓｅꎬ ＡＤＩＭ (ａｄａｐｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｍａｔｒｉｘ) ａｎｄ ＡＬＤＡ (ａｄａｐ￣ ｔｉｖｅ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ) ａｄａｐｔｉｖｅ ｃｌａｓｓｉｆｉｅｒꎬ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ. Ｔｈｅ ｒｅｌｅｖａｎｔ ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｇｒａｚ￣ＢＣＩ ｔｅｃｈｎｏｌｏ￣ ｇｙ ｏｎ ｔｈｅ ａｓｐｅｃｔｓ ｏｆ ｎｅｒｖｅ ｐｒｏｓｔｈｅｓｉｓ ａｎｄ ｓｐｅｌｌｉｎｇ ｅｑｕｉｐｍｅｎｔ ａｒｅ ｓｕｍｍａｒｉｚｅｄꎬ ｉｎ ａｄｄｉｔｉｏｎꎬ ｔｈｅ ｄｅｖｅｌｏｐｉｎｇ ｔｒｅｎｄ ｏｆ Ｇｒａｚ￣ＢＣＩ ｏｎ ｓｕｃｈ ａｓｐｅｃｔｓ ａｓ ｔｈｅ ｃｏｎｔｒｏｌ ｆｏｒ ｍｏｔｉｏｎ ｔｈｉｎｋｉｎｇꎬ “ｂｒａｉｎ ｓｗｉｔｃｈ” ａｎｄ ｔｈｅ ｏｐｔｉｃａｌ ＢＣＩ ｐｒｏｔｏｔｙｐｅ ｍａｃｈｉｎｅ ａｒｅ ｐｏｉｎｔｅｄ ｏｕｔ. Ｋｅｙｗｏｒｄｓ:Ｇｒａｚ￣ＢＣＩꎻ ＢＣＩꎻ ｃｏｎｔｒｏｌ ｆｏｒ ｍｏｔｉｏｎ ｔｈｉｎｋｉｎｇꎻ μ ｒｈｙｔｈｍ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎꎻ ａｄａｐｔｉｖｅ ｒｅｇｒｅｓｓｉｏｎ ｐａｒａｍｅｔｅｒꎻ ｐｏｗｅｒ ｆｅａｔｕｒｅ ｏｆ ｃｏｍｐｌｅｘ ｗａｖｅ ｂａｎｄꎻ ｐｈａｓｅ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ ｆｅａｔｕｒｅｓꎻ ａｄａｐｔｉｖｅ ｃｌａｓｓｉｆｉｅｒ 收稿日期:２０１３￣０４￣１７. 网络出版日期:２０１３￣０９￣２９. 通信作者:张晓楠. Ｅ￣ｍａｉｌ:４７４３７５２９９＠ ｑｑ.ｃｏｍ. 脑机接口( ｂｒａｉｎ ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅꎬ ＢＣＩ) 的正 式研究时间至今不足 ３０ 年ꎬ目前绝大部分 ＢＣＩ 研究 还处于实验室阶段ꎬ尚无大规模商业应用. １９９９— ２０１１ 年 ５ 次 ＢＣＩ 国际会议的召开以及 ２０１３ 年召开 的第 ６ 届 ＢＣＩ 国际会议ꎬ为 ＢＣＩ 的发展推波助澜. ＢＣＩ 研究起始于 Ｇｒａｚ 科技大学ꎬＧｒａｚ 应用事件相关 去同步/ 同步电位( ｅｖｅｎｔ￣ｒｅｌａｔｅｄ ｄｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ / ｅ￣ ｖｅｎｔ￣ｒｅｌａｔｅｄ ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎꎬ ＥＲＤ/ ＥＲＳ)分类完成了 运动执行与运动想象过程中的单一脑电( ｅｌｅｃｔｒｏｅｎ￣ ｃｅｐｈａｌｏｇｒａｍꎬ ＥＥＧ) 试验[１ －３ ] .同时ꎬ该机构与 Ｗｏｌ￣ ｐａｗ 博士的纽约 Ａｌｂａｎｙ 实验室合作ꎬ进行一系列的 基础研究[４￣６] .ＥＲＤ/ ＥＲＳ 在 ２０ 世纪 ７０ 年代首次被

·396· 智能系统学报 第8卷 提出，用来量化一项运动任务中的感觉运动节律动 execution,ME)和手部运动的观察 态，包括μ节律和中央B节律接下来的几年中，在 通过多通道EEG信号记录系统将采集到的14 研究处于运动、感觉和认知处理过程下的大脑节律 名右手习惯参与者的实验结果输入到学习分类器 相关时间行为时，ERD/ERS占有十分重要的地 DSLVQ(distinction-sensitive learning vector quantiza- 位)本文在前人工作基础上系统详尽地介绍Gz tion)中，进行相关特征分类识别，用来区分各自的 BCI的相关研究内容及关键技术，并进行总结与展望 心理状态.这种方法通过监视学习过程，运用加权距 离以适应不同的输入特征（如频率成分），多用于某 1Graz-BCI研究基本内容 种过程的动态阶段（动作执行、想象或观察）. 1.1Graz-BCI运动想象控制 实验结果表明，平均识别率接近80%.虽然受试 Ga2-BCI利用运动想象和相关感觉运动皮层的 者之间存在显著的差异性，MIK的识别率(66%)要 脑电信号来实现外围设备控制[).运动开始时μ和 明显高于MIV(56%).ME和MIK的识别分类中，位 B节律的ERD、结束时的ERS,共同构成感觉运动节 于C3位置附近的电极的输入特征最为明显，视觉 律控制BCI系统的基础.皮层振荡的主要频带是μ 观察的大脑活动集中区域在顶枕皮质区域，因此视 节律(8~12Hz)、感觉运动节律(12~15Hz)和B节 觉运动想象(MIV)并不能在单次EEG分类中成功 律(15~30Hz). 检测到. BCI运用的相关技术并不要求实际的运动来调 1.2μ节律同步与单次EEG识别率 节感觉运动节律.通过时空ERD(振幅减小)和ERS 同步模式能够显示运动想象过程个体之间的差 (振幅增大)模式，运动想象能够产生不同种类的诱 异因此，人们感兴趣的是在四分类任务中（左手、右 发模式，比如：1)感觉运动节律（μ节律和中央B节 手、双脚和舌头)，μ节律同步或μ节律ERS特征是 律振荡)的事件相关去同步化(ERD):2)μ节律的 否影响单次EEG试验的分类与识别.在运动想象任 事件相关同步化(ERS):3)运动想象结束时中央B 务中，画出中央电极C3、Cz和C4的时频分布图，用 节律振荡的短暂同步化(ERS)[9) 于μ节律频带分析中。 从不间断的EEG信号中实时检测出想象相关 在每60个单极通道和每个双极通道的可能组 的脑部活动，这是控制基于脑信号的外部设备关键 合中估计自适应回归(adaptive autoregressive,AAR) 所在.尽管有资料证明，简单的运动想象能够在μ和 参数.相应地，用卡尔曼滤波器得到1830个单通道 B频带引起可预测的时间稳定变化】，然而也有人 自适应回归估计.接下来，将每次试验的AAR估计 提出并未出现预期的想象EEG信号变化.此外，在 值进行分解.对于每一个分量，计算最小的马氏距离 研究运动想象脑振荡活动时，发现了多种时频模 并应用于同一个分量.于是，每一个分量可得到四分类 式10-1) 任务的识别率为衡量区别性，运用“kappa”系数： 运动想象的多样性可以解释想象相关的EEG k=I-n- 信号变化之间的不同.例如，在没有特殊指令的条件 1-n7 下，受试者可以通过“内在观察”来自我执行某一个 式中：f代表识别率，n代表类别数目（每类的试验数 动作，也可以通过“心理视频”来想象自己或他人执 相等).在7s的试验中，kappa值最大的分量用于分 行某一个动作.第1种想象基于相关的动觉，第2种 类器采用交叉验证法对分类器进行交叉验证并确 则基于视觉参数.大量证明显示，想象在功能上等同 定最大的kappa值. 于实时感知和实时动作的脑部活动过程.受试者执 从一名受试者的所有ERD/ERS数目（四分类 行运动想象的不同方式很可能与不同的电生理激励 任务中3个中央电极)可以计算出标准方差，并称 模式有关（如时域、频域和空间域） 之为“任务间变动性”(intertask variability,TV).低 近期，Graz致力于研究想象种类对动觉和视觉 值的TV显示所有中央电极位置的ERD,若TV值 行为表现的影响.要求参与者进行动觉运动想象 较大，ERD现象只在手部想象运动中较为明显，而 (kinesthetic motor imagery,MIK,也称第一人称过 ERS现象在想象双脚和舌头活动时经常出现， 程)或视觉运动想象(visual motor imagery,MIV,也 图I显示了ITV与通过kappa系数表示的单次 称第三人称过程).在“第一人称过程”中，受试者必 试验最高识别率之间的关系，从图1中可看出，当 须想象自我执行动作，而在“第三人称过程”中，要 TV值较高时，单次试验的识别率较大.当每一类任 事先想象一个执行动作的任务.此外，在控制条件方 务都近似呈现相似的中央位置ERD模式时，识别4 面，需监测“真实的运动”，尤其是动作执行(motor 类任务几乎是不可能的

提出ꎬ用来量化一项运动任务中的感觉运动节律动 态ꎬ包括 μ 节律和中央 β 节律.接下来的几年中ꎬ在 研究处于运动、感觉和认知处理过程下的大脑节律 相关时间行 为 时ꎬ ＥＲＤ/ ＥＲＳ 占 有 十 分 重 要 的 地 位[７] .本文在前人工作基础上系统详尽地介绍 Ｇｒａｚ￣ ＢＣＩ 的相关研究内容及关键技术ꎬ并进行总结与展望. １ Ｇｒａｚ￣ＢＣＩ 研究基本内容 １.１ Ｇｒａｚ￣ＢＣＩ 运动想象控制 Ｇｒａｚ￣ＢＣＩ 利用运动想象和相关感觉运动皮层的 脑电信号来实现外围设备控制[８] .运动开始时 μ 和 β 节律的 ＥＲＤ、结束时的 ＥＲＳꎬ共同构成感觉运动节 律控制 ＢＣＩ 系统的基础.皮层振荡的主要频带是 μ 节律(８~１２ Ｈｚ)、感觉运动节律(１２~１５ Ｈｚ)和 β 节 律(１５~３０ Ｈｚ). ＢＣＩ 运用的相关技术并不要求实际的运动来调 节感觉运动节律.通过时空 ＥＲＤ(振幅减小)和 ＥＲＳ (振幅增大)模式ꎬ运动想象能够产生不同种类的诱 发模式ꎬ比如:１)感觉运动节律(μ 节律和中央 β 节 律振荡)的事件相关去同步化(ＥＲＤ)ꎻ２)μ 节律的 事件相关同步化(ＥＲＳ)ꎻ３)运动想象结束时中央 β 节律振荡的短暂同步化(ＥＲＳ) [９] . 从不间断的 ＥＥＧ 信号中实时检测出想象相关 的脑部活动ꎬ这是控制基于脑信号的外部设备关键 所在.尽管有资料证明ꎬ简单的运动想象能够在 μ 和 β 频带引起可预测的时间稳定变化[ ７ ] ꎬ然而也有人 提出并未出现预期的想象 ＥＥＧ 信号变化.此外ꎬ在 研究运动想象脑振荡活动时ꎬ发现了多种时频模 式[１ ０－１１ ] . 运动想象的多样性可以解释想象相关的 ＥＥＧ 信号变化之间的不同.例如ꎬ在没有特殊指令的条件 下ꎬ受试者可以通过“内在观察”来自我执行某一个 动作ꎬ也可以通过“心理视频”来想象自己或他人执 行某一个动作.第 １ 种想象基于相关的动觉ꎬ第 ２ 种 则基于视觉参数.大量证明显示ꎬ想象在功能上等同 于实时感知和实时动作的脑部活动过程.受试者执 行运动想象的不同方式很可能与不同的电生理激励 模式有关(如时域、频域和空间域). 近期ꎬＧｒａｚ 致力于研究想象种类对动觉和视觉 行为表现的影响. 要求参与者进行动觉运动想象 (ｋｉｎｅｓｔｈｅｔｉｃ ｍｏｔｏｒ ｉｍａｇｅｒｙꎬ ＭＩＫꎬ也称第一人称过 程)或视觉运动想象( ｖｉｓｕａｌ ｍｏｔｏｒ ｉｍａｇｅｒｙꎬ ＭＩＶꎬ也 称第三人称过程).在“第一人称过程”中ꎬ受试者必 须想象自我执行动作ꎬ而在“第三人称过程” 中ꎬ要 事先想象一个执行动作的任务.此外ꎬ在控制条件方 面ꎬ需监测“真实的运动”ꎬ尤其是动作执行( ｍｏｔｏｒ ｅｘｅｃｕｔｉｏｎꎬ ＭＥ)和手部运动的观察. 通过多通道 ＥＥＧ 信号记录系统将采集到的 １４ 名右手习惯参与者的实验结果输入到学习分类器 ＤＳＬＶＱ( ｄｉｓｔｉｎｃｔｉｏｎ￣ｓｅｎｓｉｔｉｖｅ ｌｅａｒｎｉｎｇ ｖｅｃｔｏｒ ｑｕａｎｔｉｚａ￣ ｔｉｏｎ)中ꎬ进行相关特征分类识别ꎬ用来区分各自的 心理状态.这种方法通过监视学习过程ꎬ运用加权距 离以适应不同的输入特征(如频率成分)ꎬ多用于某 种过程的动态阶段(动作执行、想象或观察). 实验结果表明ꎬ平均识别率接近 ８０％.虽然受试 者之间存在显著的差异性ꎬＭＩＫ 的识别率(６６％)要 明显高于 ＭＩＶ(５６％).ＭＥ 和 ＭＩＫ 的识别分类中ꎬ位 于 Ｃ３ 位置附近的电极的输入特征最为明显ꎬ视觉 观察的大脑活动集中区域在顶枕皮质区域ꎬ因此视 觉运动想象(ＭＩＶ)并不能在单次 ＥＥＧ 分类中成功 检测到. １.２ μ 节律同步与单次 ＥＥＧ 识别率 同步模式能够显示运动想象过程个体之间的差 异.因此ꎬ人们感兴趣的是在四分类任务中(左手、右 手、双脚和舌头)ꎬμ 节律同步或 μ 节律 ＥＲＳ 特征是 否影响单次 ＥＥＧ 试验的分类与识别.在运动想象任 务中ꎬ画出中央电极 Ｃ３、Ｃｚ 和 Ｃ４ 的时频分布图ꎬ用 于 μ 节律频带分析中. 在每 ６０ 个单极通道和每个双极通道的可能组 合中估计自适应回归(ａｄａｐｔｉｖｅ ａｕｔｏｒｅｇｒｅｓｓｉｖｅꎬ ＡＡＲ) 参数.相应地ꎬ用卡尔曼滤波器得到 １ ８３０ 个单通道 自适应回归估计.接下来ꎬ将每次试验的 ＡＡＲ 估计 值进行分解.对于每一个分量ꎬ计算最小的马氏距离 并应用于同一个分量.于是ꎬ每一个分量可得到四分类 任务的识别率.为衡量区别性ꎬ运用“ｋａｐｐａ”系数: ｋ ＝ ｆ － ｎ －１ １ － ｎ －１ . 式中:ｆ 代表识别率ꎬｎ 代表类别数目(每类的试验数 相等).在 ７ ｓ 的试验中ꎬｋａｐｐａ 值最大的分量用于分 类器.采用交叉验证法对分类器进行交叉验证并确 定最大的 ｋａｐｐａ 值. 从一名受试者的所有 ＥＲＤ/ ＥＲＳ 数目(四分类 任务中 ３ 个中央电极) 可以计算出标准方差ꎬ并称 之为“任务间变动性” (ｉｎｔｅｒｔａｓｋ ｖａｒｉａｂｉｌｉｔｙꎬ ＩＴＶ).低 值的 ＩＴＶ 显示所有中央电极位置的 ＥＲＤ.若 ＩＴＶ 值 较大ꎬＥＲＤ 现象只在手部想象运动中较为明显ꎬ而 ＥＲＳ 现象在想象双脚和舌头活动时经常出现. 图 １ 显示了 ＩＴＶ 与通过 ｋａｐｐａ 系数表示的单次 试验最高识别率之间的关系ꎬ从图 １ 中可看出ꎬ当 ＩＴＶ 值较高时ꎬ单次试验的识别率较大.当每一类任 务都近似呈现相似的中央位置 ＥＲＤ 模式时ꎬ识别 ４ 类任务几乎是不可能的. 􀅰３９６􀅰 智 能 系 统 学 报 第 ８ 卷

第5期 张晓楠，等：Gaz-脑机接口研究概述 ·397· EEG数据，运用阶数p=3的AAR模型进行估计.以 200r 下分类器常应用于3阶AAR模型：1)基于KNN的 神经网络：2)支持向量机(support vector machine, 150F SVM):3)线性判别分析(LDA).识别率最高的为 SVM,LDA次之，最低的是神经网络 100H 1.4复杂波段功率特征 人们已经逐渐意识到波段功率特征的重要性等 同于大脑模式的分类.过去，相位信息通常作为其他 50 特征的结果进行融合.从传统意义上说，波段功率特 征通过平方样本值并平滑其结果，在时域范围内得 到：但是在频域范围内，通过快速傅里叶变换(FT) 0.35 0.45 0.55 也能够得到相同的特征.这项技术的应用会产生复 图ITV与kappa系数的关系 杂的结果，包括想象、含有波段功率和明确相位信息 Fig.1 Relationship between ITV and kappa 的实际成分.其中伴有明确相位信息的波段功率可 在不同的运动想象任务中，存在μ节律成分的 以改进分类结果这些相位和幅度特征相结合，称之 显著个体差异性.ERD/ERS模式的多样性是分析单 为复杂波段功率特征(complicated band power, 次试验的先决条件. CBP). 1.3自适应回归参数 实验记录受试者的四分类运动想象数据来测试 EEG的频谱特性是BCI实验的一项重要特征. 相位的重要性.60个电极之间距离为2.5cm,运用共 然而，运用快速傅里叶变换(fast Fourier transform, 同空间模式(common spatial pattern,CSP)算法来进 FT),特征提取以分块为基础，在时间上无法连续 行所有电极数据的分类.只有以C3、C4和Cz为中心 地显示反馈另外一种频谱估计方法是自回归模型. 的15个电极数据用于产生CBP特征. 除了平稳估计，自适应估计算法如最小方差估计 测试结果基于250ms滑动汉明窗的℉T,而 (least mean-squares,LMS)、最小二乘法(rescursive 后，通过1s滑动平均滤波器进行平滑.测试结果产生 least--squares,RLS)、卡尔曼滤波等也同样适用.自适 不同频带的移相，以此来区分不同的相位信息.8个4 应回归模型参数(AAR)的时间分辨率等于抽样率， ~35Hz的等间隔频带用来产生CBP特征，共计产生 因此，它能够实时提供连续反馈.运用LMS算法的 480个CBP特征，并采用顺序浮动前进法(sequential AAR估计的第1个在线实验是由Schluogl等实现 floating forward selection,SFFS)挑选子集. 的.离线实验中同样研究并分析了许多高级LS方 CBP特征提取的结果与CSP的结果具有可比 法.基于以上工作，估计算法应用于新型实时工作平 性，甚至前者识别率高于后者.此外，CBP优于CSP 台中，这些平台通过MATLAB/Simulink实现. 之处不仅在于能够较好地处理人工干扰，而且电极 随着AAR参数的出现，分类器也有了相应的变 数少于CSP.此外，CBP训练数据少于CSP,并能得 化.在此之前，神经网络分类器应用非常广泛，引入 到较好的结果.测试表明，CBP采用CSP一半的数 AAR参数之后，线性判别分析(linear discriminant a- 据，却能得到相似或优于CSP的分类结果，CBP的 nalysis,LDA)更加普及.首先，LDA的实用性在于其 kappa平均值比CSP高0.1l. 更快更简单的训练步骤.此外，LDA还有许多显著的 从获得的数据中产生测试和训练数据的不同组 优点：稳定性高：LDA提供了连续识别功能并且不 合.所有的前期数据都用于训练之后，最终的实验采 需要很多的训练数据.因此，LDA是AAR算法的典 用测试数据才能得到较好的结果.实验结果表明，包 型分类器.连续识别功能对于提供连续振幅反馈是 含相位信息能够改善识别率，kappa系数提高了 非常有用的.于是，AAR与LDA的结合算法提供了 0.17±0.1.结论证明，相位信息在BCI研究中是非常重 一种时间和幅度连续的分析系统.之后，其他一些连 要的一项有用特征，能够提高BCI最终的识别率， 续估计的特征提取算法如Hjorth和自适应Barlow 1.5相位同步特征 算法，以及基于滤波、平方、平滑的功率谱估计等都 当前，几乎所有的BCI都忽视了不同位置电极 得到了应用. 记录的脑信号之间的关系.大部分BCI系统依赖于 最近，AAR参数已经用于比较不同的分类器 从对数波段功率特征或自适应回归参数获得的单个 基于这个目的，采用四分类运动想象任务的60通道 特征向量.然而，单个电极能够在未来提供新的特征，通

图 １ ＩＴＶ 与 ｋａｐｐａ 系数的关系 Ｆｉｇ.１ Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ＩＴＶ ａｎｄ ｋａｐｐａ 在不同的运动想象任务中ꎬ存在 μ 节律成分的 显著个体差异性.ＥＲＤ/ ＥＲＳ 模式的多样性是分析单 次试验的先决条件. １.３ 自适应回归参数 ＥＥＧ 的频谱特性是 ＢＣＩ 实验的一项重要特征. 然而ꎬ运用快速傅里叶变换( ｆａｓｔ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍꎬ ＦＦＴ)ꎬ特征提取以分块为基础ꎬ在时间上无法连续 地显示反馈.另外一种频谱估计方法是自回归模型. 除了平稳估计ꎬ自适应估计算法如最小方差估计 (ｌｅａｓｔ ｍｅａｎ￣ｓｑｕａｒｅｓꎬ ＬＭＳ)、最小二乘法( ｒｅｓｃｕｒｓｉｖｅ ｌｅａｓｔ￣ｓｑｕａｒｅｓꎬ ＲＬＳ)、卡尔曼滤波等也同样适用.自适 应回归模型参数(ＡＡＲ)的时间分辨率等于抽样率ꎬ 因此ꎬ它能够实时提供连续反馈.运用 ＬＭＳ 算法的 ＡＡＲ 估计的第 １ 个在线实验是由 Ｓｃｈｌüｏｇｌ 等实现 的.离线实验中同样研究并分析了许多高级 ＲＬＳ 方 法.基于以上工作ꎬ估计算法应用于新型实时工作平 台中ꎬ这些平台通过 ＭＡＴＬＡＢ / Ｓｉｍｕｌｉｎｋ 实现. 随着 ＡＡＲ 参数的出现ꎬ分类器也有了相应的变 化.在此之前ꎬ神经网络分类器应用非常广泛ꎬ引入 ＡＡＲ 参数之后ꎬ线性判别分析(ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａ￣ ｎａｌｙｓｉｓꎬ ＬＤＡ)更加普及.首先ꎬＬＤＡ 的实用性在于其 更快更简单的训练步骤.此外ꎬＬＤＡ 还有许多显著的 优点:稳定性高ꎻＬＤＡ 提供了连续识别功能并且不 需要很多的训练数据.因此ꎬＬＤＡ 是 ＡＡＲ 算法的典 型分类器.连续识别功能对于提供连续振幅反馈是 非常有用的.于是ꎬＡＡＲ 与 ＬＤＡ 的结合算法提供了 一种时间和幅度连续的分析系统.之后ꎬ其他一些连 续估计的特征提取算法如 Ｈｊｏｒｔｈ 和自适应 Ｂａｒｌｏｗ 算法ꎬ以及基于滤波、平方、平滑的功率谱估计等都 得到了应用. 最近ꎬＡＡＲ 参数已经用于比较不同的分类器. 基于这个目的ꎬ采用四分类运动想象任务的 ６０ 通道 ＥＥＧ 数据ꎬ运用阶数 ｐ ＝ ３ 的 ＡＡＲ 模型进行估计.以 下分类器常应用于 ３ 阶 ＡＡＲ 模型:１)基于 ＫＮＮ 的 神经网络ꎻ２) 支持向量机( ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅꎬ ＳＶＭ)ꎻ３) 线性判别分析( ＬＤＡ). 识别率最高的为 ＳＶＭꎬＬＤＡ 次之ꎬ最低的是神经网络. １.４ 复杂波段功率特征 人们已经逐渐意识到波段功率特征的重要性等 同于大脑模式的分类.过去ꎬ相位信息通常作为其他 特征的结果进行融合.从传统意义上说ꎬ波段功率特 征通过平方样本值并平滑其结果ꎬ在时域范围内得 到ꎻ但是在频域范围内ꎬ通过快速傅里叶变换(ＦＦＴ) 也能够得到相同的特征.这项技术的应用会产生复 杂的结果ꎬ包括想象、含有波段功率和明确相位信息 的实际成分.其中伴有明确相位信息的波段功率可 以改进分类结果.这些相位和幅度特征相结合ꎬ称之 为复 杂 波 段 功 率 特 征 ( ｃｏｍｐｌｉｃａｔｅｄ ｂａｎｄ ｐｏｗｅｒꎬ ＣＢＰ). 实验记录受试者的四分类运动想象数据来测试 相位的重要性.６０ 个电极之间距离为 ２.５ ｃｍꎬ运用共 同空间模式(ｃｏｍｍｏｎ ｓｐａｔｉａｌ ｐａｔｔｅｒｎꎬ ＣＳＰ)算法来进 行所有电极数据的分类.只有以 Ｃ３、Ｃ４ 和 Ｃｚ 为中心 的 １５ 个电极数据用于产生 ＣＢＰ 特征. 测试结果基于 ２５０ ｍｓ 滑动汉明窗的 ＦＦＴꎬ而 后ꎬ通过１ ｓ滑动平均滤波器进行平滑.测试结果产生 不同频带的移相ꎬ以此来区分不同的相位信息.８ 个 ４ ~３５ Ｈｚ 的等间隔频带用来产生 ＣＢＰ 特征ꎬ共计产生 ４８０ 个 ＣＢＰ 特征ꎬ并采用顺序浮动前进法(ｓｅｑｕｅｎｔｉａｌ ｆｌｏａｔｉｎｇ ｆｏｒｗａｒｄ ｓｅｌｅｃｔｉｏｎꎬ ＳＦＦＳ)挑选子集. ＣＢＰ 特征提取的结果与 ＣＳＰ 的结果具有可比 性ꎬ甚至前者识别率高于后者.此外ꎬＣＢＰ 优于 ＣＳＰ 之处不仅在于能够较好地处理人工干扰ꎬ而且电极 数少于 ＣＳＰ.此外ꎬＣＢＰ 训练数据少于 ＣＳＰꎬ并能得 到较好的结果.测试表明ꎬＣＢＰ 采用 ＣＳＰ 一半的数 据ꎬ却能得到相似或优于 ＣＳＰ 的分类结果ꎬＣＢＰ 的 ｋａｐｐａ 平均值比 ＣＳＰ 高 ０.１１. 从获得的数据中产生测试和训练数据的不同组 合.所有的前期数据都用于训练之后ꎬ最终的实验采 用测试数据才能得到较好的结果.实验结果表明ꎬ包 含相位信息能够改善识别率ꎬ ｋａｐｐａ 系数提高了 ０.１７±０.１.结论证明ꎬ相位信息在 ＢＣＩ 研究中是非常重 要的一项有用特征ꎬ能够提高 ＢＣＩ 最终的识别率. １.５ 相位同步特征 当前ꎬ几乎所有的 ＢＣＩ 都忽视了不同位置电极 记录的脑信号之间的关系.大部分 ＢＣＩ 系统依赖于 从对数波段功率特征或自适应回归参数获得的单个 特征向量.然而ꎬ单个电极能够在未来提供新的特征ꎬ通 第 ５ 期 张晓楠ꎬ等:Ｇｒａｚ￣脑机接口研究概述 􀅰３９７􀅰

·398. 智能系统学报 第8卷 过量化它们之间的关系，能够得到更多的信息 分类器受试者通过第1个模块的系统响应便可得 锁相值(phase locking value,PLV)是量化这种 出运动想象有关策略 关系的方法，已用于离线分析脑皮层电图(electro- 实验包括18名受试者，6名采用AAR特征和 corticogram,ECoG)信号.PLV衡量的是2个EEG信 ADM分类器，6名采用BP估计，其余6名采用 号之间的相位同步水平： AAR和BP组合特征与ALDA分类器，实验结果显 te.(a)-c,()) N PLV= 示最后一组受试者的分类错误率明显下降 式中：p:(n)代表在时间序列t=n时相应电极i= 2Graz-BCI研究的应用 {1,2}的瞬时相位，通过Gabor分解或Hilbert变换 2.1神经假体控制 求得.平均值可以通过不同试验求得，也可以在单次 BCI实现帮助瘫痪病人恢复抓握功能已不是遥 试验中通过多个样本求得.PLV值为1代表2个通 不可及.通过训练受试者，可以通过想象手脚运动来 道高度同步，值为0代表不存在相位同步.PLV类似 建立独立的大脑模式.此外，功能性电刺激(function- 于互功率谱，不同点在于PLV不考虑信号幅值，由 al electrical stimulation,FES)可用于恢复运动功能， 于PLV直接获取相位同步，这更适合于研究EEG 在肌肉运动点放置若干表面电极或者皮下植入电 脑电信号的同步现象 极，通过施加刺激脉冲，引起肌肉纤维收缩. 对于单次试验分类来说，离线研究表明PLV中 实验受试者为两名高位脊髓损伤(spinal cord 存在更多的信息.从受试者获取的PLV特征，通过 injury,SCI)的男性，两人均安装了神经假体.其中 特征提取算法可以获得每个受试者的最佳特征集. 名30岁的C5等级SCI患者通过表面电极功能性电 例如，采用4个双极EEG通道C3、Cz、C4、Fz在宽频 刺激，恢复左手的抓握能力.在4个月的BCI训练阶 带内计算PLV值：Fz-C3、Fz-C4、C3-Cz、Cz-C4 段，这名患者能够成功诱导17Hz脑电波振荡，并且 特征提取结果的独特之处是重要同步特征位于 能够长期保持这项技能.通过触发信号用于抓握状 头部的位置.左右半球间的电极对很少被提取出来， 态与刺激状态之间的切换，前臂和手上安置3个 一个半球的双电极占绝大多数.此外，位于前额的双 ES电极，用于抓握功能恢复.通过这次试验，受试 电极要多于枕骨部位的电极 者能够抓握住一个水杯12].2000年在海德堡骨科 Gaz-BCI研究机构应用PLV在线模型进行研 大学第二医院，另一名患者(42岁，C5级SCI)的右 究，记录3个在线过程（每一个包括4~6个实验，每 手和手臂植入Freehand系统.2004年，经过3d训练， 个实验包括30次试验)中3个经过训练的受试者的 这名患者进行左手运动想象时，能够产生可靠的脑 脑电数据.实验结果表明受试者都能够控制3种状 电功率下降趋势.在此次试验中，BCI系统采用了仿 态（分别是左手、右手和双脚的运动想象），单次试 真操纵杆.结合BCI控制的徒手系统，该名患者成功 验识别率在60%~67%. 完成了抓握功能测试3)】 1.6自适应分类器 2.2拼写设备控制 通常，根据操作者的经验，经过一段时间后，新 在对一名60岁ALS(amyotrophic lateral sclero- 分类器便可得到应用并自动升级优化.自适应在线 sis)男性患者长达5年的研究中，Graz致力于使其 分类器目标在于自动适应受试者EEG模式的变化， 能够操纵二分类“虚拟键盘”拼写设备[14].在BCI 并对其非平稳性进行处理.在Graz研究中，ADIM(a- 训练开始阶段，该名患者已经完全瘫痪，需要人工供 daptive information matrix)ALDA adaptive linear 氧，并且几乎完全失去交流能力.试验在患者的维也 discriminant analysis)2种自适应分类器已经用于在 纳家中进行，由Grz大学远程进行监控1s6].由于 线测试.ADIM分类器在线估计信息矩阵（自适应信 在线系统的限制，因此训练模块未设置反馈单元训 息矩阵)，用于计算二次判别分析(quadratic discrim- 练由反复的运动想象试验组成，每一次试验控制在 inant analysis,QDA)的自适应版本.ALDA是基于卡 8~10s,试验开始时屏幕空白，第2s时给出短暂的 尔曼滤波的自适应线性判别分类器.采用AAR参 提示音，而后屏幕中央出现一个“十”字符号，第3~ 数、对数波段功率对2种分类器进行分析.实验设计 7s,出现需要进行运动想象的箭头，向左或向右的 不同于以往的经典设计，经典设计包括无反馈的训 箭头提示受试者进行左手或右手的运动想象（箭头 练模块，采用无反馈数据的计算模块和反馈模块，而 方向出现的顺序是随机的).通过训练，患者能够运 自适应系统在第1个模块中包含反馈模块，运用预 用二分类“虚拟键盘”，并成功拼写出其护理员的名 定义的主体特定分类器，而后，在线升级为主体特定 字“MARIAN

过量化它们之间的关系ꎬ能够得到更多的信息. 锁相值(ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅꎬ ＰＬＶ)是量化这种 关系的方法ꎬ已用于离线分析脑皮层电图( ｅｌｅｃｔｒｏ￣ ｃｏｒｔｉｃｏｇｒａｍꎬ ＥＣｏＧ)信号.ＰＬＶ 衡量的是 ２ 个 ＥＥＧ 信 号之间的相位同步水平: ＰＬＶ ＝ １ Ｎ ∑ Ｎ ｎ ＝ １ ｅｘｐ(ｊ{φ１ (ｎ) － φ２ (ｎ) } ) . 式中: φｉ (ｎ) 代表在时间序列 ｔ ＝ ｎ 时相应电极 ｉ ＝ {１ꎬ２}的瞬时相位ꎬ通过 Ｇａｂｏｒ 分解或 Ｈｉｌｂｅｒｔ 变换 求得.平均值可以通过不同试验求得ꎬ也可以在单次 试验中通过多个样本求得.ＰＬＶ 值为 １ 代表 ２ 个通 道高度同步ꎬ值为 ０ 代表不存在相位同步.ＰＬＶ 类似 于互功率谱ꎬ不同点在于 ＰＬＶ 不考虑信号幅值ꎬ由 于 ＰＬＶ 直接获取相位同步ꎬ这更适合于研究 ＥＥＧ 脑电信号的同步现象. 对于单次试验分类来说ꎬ离线研究表明 ＰＬＶ 中 存在更多的信息.从受试者获取的 ＰＬＶ 特征ꎬ通过 特征提取算法可以获得每个受试者的最佳特征集. 例如ꎬ采用 ４ 个双极 ＥＥＧ 通道 Ｃ３、Ｃｚ、Ｃ４、Ｆｚ 在宽频 带内计算 ＰＬＶ 值:Ｆｚ￣Ｃ３、Ｆｚ￣Ｃ４、Ｃ３￣Ｃｚ、Ｃｚ￣Ｃ４. 特征提取结果的独特之处是重要同步特征位于 头部的位置.左右半球间的电极对很少被提取出来ꎬ 一个半球的双电极占绝大多数.此外ꎬ位于前额的双 电极要多于枕骨部位的电极. Ｇｒａｚ￣ＢＣＩ 研究机构应用 ＰＬＶ 在线模型进行研 究ꎬ记录 ３ 个在线过程(每一个包括 ４ ~ ６ 个实验ꎬ每 个实验包括 ３０ 次试验)中 ３ 个经过训练的受试者的 脑电数据.实验结果表明受试者都能够控制 ３ 种状 态(分别是左手、右手和双脚的运动想象)ꎬ单次试 验识别率在 ６０％ ~６７％. １.６ 自适应分类器 通常ꎬ根据操作者的经验ꎬ经过一段时间后ꎬ新 分类器便可得到应用并自动升级优化.自适应在线 分类器目标在于自动适应受试者 ＥＥＧ 模式的变化ꎬ 并对其非平稳性进行处理.在 Ｇｒａｚ 研究中ꎬＡＤＩＭ(ａ￣ ｄａｐｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｍａｔｒｉｘ) 和 ＡＬＤＡ( ａｄａｐｔｉｖｅ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ)２ 种自适应分类器已经用于在 线测试.ＡＤＩＭ 分类器在线估计信息矩阵(自适应信 息矩阵)ꎬ用于计算二次判别分析(ｑｕａｄｒａｔｉｃ ｄｉｓｃｒｉｍ￣ ｉｎａｎｔ ａｎａｌｙｓｉｓꎬ ＱＤＡ)的自适应版本.ＡＬＤＡ 是基于卡 尔曼滤波的自适应线性判别分类器.采用 ＡＡＲ 参 数、对数波段功率对 ２ 种分类器进行分析.实验设计 不同于以往的经典设计ꎬ经典设计包括无反馈的训 练模块ꎬ采用无反馈数据的计算模块和反馈模块ꎬ而 自适应系统在第 １ 个模块中包含反馈模块ꎬ运用预 定义的主体特定分类器ꎬ而后ꎬ在线升级为主体特定 分类器.受试者通过第 １ 个模块的系统响应便可得 出运动想象有关策略. 实验包括 １８ 名受试者ꎬ６ 名采用 ＡＡＲ 特征和 ＡＤＩＭ 分类器ꎬ６ 名采用 ＢＰ 估计ꎬ其余 ６ 名采用 ＡＡＲ 和 ＢＰ 组合特征与 ＡＬＤＡ 分类器ꎬ实验结果显 示最后一组受试者的分类错误率明显下降. ２ Ｇｒａｚ￣ＢＣＩ 研究的应用 ２.１ 神经假体控制 ＢＣＩ 实现帮助瘫痪病人恢复抓握功能已不是遥 不可及.通过训练受试者ꎬ可以通过想象手脚运动来 建立独立的大脑模式.此外ꎬ功能性电刺激(ｆｕｎｃｔｉｏｎ￣ ａｌ ｅｌｅｃｔｒｉｃａｌ ｓｔｉｍｕｌａｔｉｏｎꎬ ＦＥＳ)可用于恢复运动功能ꎬ 在肌肉运动点放置若干表面电极或者皮下植入电 极ꎬ通过施加刺激脉冲ꎬ引起肌肉纤维收缩. 实验受试者为两名高位脊髓损伤( ｓｐｉｎａｌ ｃｏｒｄ ｉｎｊｕｒｙꎬ ＳＣＩ)的男性ꎬ两人均安装了神经假体.其中一 名 ３０ 岁的 Ｃ５ 等级 ＳＣＩ 患者通过表面电极功能性电 刺激ꎬ恢复左手的抓握能力.在 ４ 个月的 ＢＣＩ 训练阶 段ꎬ这名患者能够成功诱导１７ Ｈｚ脑电波振荡ꎬ并且 能够长期保持这项技能.通过触发信号用于抓握状 态与刺激状态之间的切换ꎬ前臂和手上安置 ３ 个 ＦＥＳ 电极ꎬ用于抓握功能恢复.通过这次试验ꎬ受试 者能够抓握住一个水杯[１ ２ ] .２０００ 年在海德堡骨科 大学第二医院ꎬ另一名患者(４２ 岁ꎬＣ５ 级 ＳＣＩ)的右 手和手臂植入 Ｆｒｅｅｈａｎｄ 系统.２００４ 年ꎬ经过３ ｄ训练ꎬ 这名患者进行左手运动想象时ꎬ能够产生可靠的脑 电功率下降趋势.在此次试验中ꎬＢＣＩ 系统采用了仿 真操纵杆.结合 ＢＣＩ 控制的徒手系统ꎬ该名患者成功 完成了抓握功能测试[１ ３ ] . ２.２ 拼写设备控制 在对一名 ６０ 岁 ＡＬＳ( ａｍｙｏｔｒｏｐｈｉｃ ｌａｔｅｒａｌ ｓｃｌｅｒｏ￣ ｓｉｓ)男性患者长达 ５ 年的研究中ꎬＧｒａｚ 致力于使其 能够操纵二分类“虚拟键盘” 拼写设备[１ ４ ] .在 ＢＣＩ 训练开始阶段ꎬ该名患者已经完全瘫痪ꎬ需要人工供 氧ꎬ并且几乎完全失去交流能力.试验在患者的维也 纳家中进行ꎬ由 Ｇｒａｚ 大学远程进行监控[１ ５－１６ ] .由于 在线系统的限制ꎬ因此训练模块未设置反馈单元.训 练由反复的运动想象试验组成ꎬ每一次试验控制在 ８~１０ ｓꎬ试验开始时屏幕空白ꎬ第 ２ ｓ 时给出短暂的 提示音ꎬ而后屏幕中央出现一个“十”字符号ꎬ第 ３ ~ ７ ｓꎬ出现需要进行运动想象的箭头ꎬ向左或向右的 箭头提示受试者进行左手或右手的运动想象(箭头 方向出现的顺序是随机的).通过训练ꎬ患者能够运 用二分类“虚拟键盘”ꎬ并成功拼写出其护理员的名 字“ＭＡＲＩＡＮ”. 􀅰３９８􀅰 智 能 系 统 学 报 第 ８ 卷

第5期 张晓楠，等：Graz-脑机接口研究概述 .399. mans[J].Neuroscience Letters,1999,269(3):153-156. 3总结与展望 [8]PFURTSCHELLER G,NEUPER C.Motor imagery and di- 目前，Grz大学仍致力于研究不同视觉反馈对 rect brain-computer communication[J].Proceedings of the 于分类正确率的影响，尤其是运动物体和静止物体 EEE,2001,89(7):1123-1134. [9]PFURTSCHELLER G,NEUPER C,BRUNNER C,et al. 的视觉反馈研究表明，注视运动物体能够影响运动 Beta rebound after different types of motor imagery in man 想象的效果，可能有所改善，也可能产生不利影响. [J].Neuroscience Letters,2005,378(3):156-159. 另一个研究重点是实现“大脑开关”，能够通过 [10]WANG T,DENG H,HE B.Classifying EEG-based motor 一两类EEG信号便可识别大脑的注意控制与非注 imagery tasks by means of time-frequency synthesized spa- 意控制状态.“大脑开关"结合基于SSVEP的BCI系 tial patterns [J].Clinical Neurophysiology,2004,115 统能够达到很高的信息传输率.Gaz还将努力实现 (12):2744-2753. 光学BCI原理机，并将验证该套系统在商用多通道 [11]PFURTSCHELLER G,NEUPER C,BIRBAUMER N.Hu- man brain-computer interface[M]//RIEHLE A,VAADIA 近红外系统(near infrared systems,NIRs)的可行性. E.Motor cortex in voluntary movements:a distributed sys- 目前，国内的BCI研究重点集中在脑电信号处 tem for distributed functions.New York:CRC Press, 理与识别方面，距离世界先进水平仍有一定的距离， 2005:253-267. 随着未来各项技术的不断成熟，应将研究热点集中 [12]PFURTSCHELLER G.MULLER G R,PFURTSCHELLER J. 到智能感知系统、BCI系统框架及基于低带宽EEG et al."Thought"-control of functional electrical stimula- 驱动智能设备的实时稳定性控制等方面，并注重同 tion to restore hand grasp in a patient with tetraplegia[J]. Neuroscience Letters,2003,351(1):33-36. 国外BCI先进研究机构的交流，并学习借鉴他们先 [13]MULLER G R.SCHERER R,NEUPER C.et al.EEG- 进的技术。 basierende kommunikation:erfahrungen mit einem telem- 参考文献： onitoring system zum patiententraining C//Proceedings of 38th Annual Converse of the German Society for Medical [1]FLOTZINGER D G,PFURTSCHELLER C,BERGER N J, and Biological Engineering in VDE.Berlin,Germany, et al.Classification of non-averaged EEG data by learning 2004:230-231. vector quantisation and the influence of signal preprocessing [14]OBERMAIER B,MULLER G R,PFURTSCHELLER G. [J].Medical Biological Engineering Computing, "Virtual keyboard"controlled by spontaneous EEG activity 1994,32(5):571-576. [J].IEEE Transactions on Neural Systems and Rehabilita- [2]KALCHER J,FLOTZINGER D,NEUPER C,et al.Graz tion Engineering,2004,11(4):422-426. brain-computer interface II:towards communication between [15]MULLER G R,NEUPER C,PFURTSCHELLER G.Im- man and computer based on online classification of three dif- plementation of a telemonitoring system for the control of an ferent EEG patterns[J].Medical Biological Engineering EEG-based brain-computer interface [J].IEEE Transac- &Computing,1996,34(5):382-388. tions on Neural Systems and Rehabilitation Engineering, [3]PFURTSCHELLER G,KALCHER J,NEUPER C,et al. 2003,11(1):54-59. On-line EEG classification during externally-paced hand [16]LAHRMANN H,NEUPER C,MULLER G R,et al.Use- movements using a neural network-based classifier[J].E- fulness of an EEG-based brain-computer interface to estab- lectroencephalography and Clinical Neurophysiology,1996, lish communication in ALS.Journal of the Neurological 99(5):416-425. Sciences,2005,238(1):485, [4]PFURTSCHELLER G,FLOTZINGER D,PREGENZER M, 作者简介： et al.EEG-based brain computer interface (BCI).Search 张晓楠，女，1987年生，硕士研究 for optimal electrode positions and frequency components 生，主要研究方向为数字信号处理. [J].Medical Progress through Technology,1995,21(3): 111-121. [5]WOLPAW J R,RAMOSER H,MCFARLAND D J,et al. EEG-based communication:improved accuracy by response verification[J].IEEE Transactions on Rehabilitation Engi- neering,1998,6(3):326-333. 刘建平，男，1967年生，教授，博土后 [6]WOLPAW J R,FLOTZINGER D,PURTSCHELLER G,et 武警工程大学军事通信学学科带头人，主 要研究方向为数字信号处理睡眠质量评 al.Timing of EEG-based cursor control[J].Journal of Clini- 估方面的研究达到了国际前沿水平，获武 cal Neurophysiology.1997,14(6):529-538. 警部队科技进步三等奖2项，发表学术论 [7]PFURTSCHELLER G,NEUPER C,RAMOSER H,et al.Vis- 文30余篇，其中被EI检索6篇， ually guided motor imagery activates sensorimotor areas in hu-

３ 总结与展望 目前ꎬＧｒａｚ 大学仍致力于研究不同视觉反馈对 于分类正确率的影响ꎬ尤其是运动物体和静止物体 的视觉反馈.研究表明ꎬ注视运动物体能够影响运动 想象的效果ꎬ可能有所改善ꎬ也可能产生不利影响. 另一个研究重点是实现“大脑开关”ꎬ能够通过 一两类 ＥＥＧ 信号便可识别大脑的注意控制与非注 意控制状态.“大脑开关”结合基于 ＳＳＶＥＰ 的 ＢＣＩ 系 统能够达到很高的信息传输率.Ｇｒａｚ 还将努力实现 光学 ＢＣＩ 原理机ꎬ并将验证该套系统在商用多通道 近红外系统(ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｙｓｔｅｍｓꎬ ＮＩＲＳ)的可行性. 目前ꎬ国内的 ＢＣＩ 研究重点集中在脑电信号处 理与识别方面ꎬ距离世界先进水平仍有一定的距离ꎬ 随着未来各项技术的不断成熟ꎬ应将研究热点集中 到智能感知系统、ＢＣＩ 系统框架及基于低带宽 ＥＥＧ 驱动智能设备的实时稳定性控制等方面ꎬ并注重同 国外 ＢＣＩ 先进研究机构的交流ꎬ并学习借鉴他们先 进的技术. 参考文献: [１]ＦＬＯＴＺＩＮＧＥＲ Ｄ Ｇꎬ ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｃꎬ ＢＥＲＧＥＲ Ｎ Ｊꎬ ｅｔ ａｌ. Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｎｏｎ￣ａｖｅｒａｇｅｄ ＥＥＧ ｄａｔａ ｂｙ ｌｅａｒｎｉｎｇ ｖｅｃｔｏｒ ｑｕａｎｔｉｓａｔｉｏｎ ａｎｄ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｓｉｇｎａｌ ｐｒｅｐｒｏｃｅｓｓｉｎｇ [Ｊ ]. Ｍｅｄｉｃａｌ ＆ Ｂｉｏｌｏｇｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｃｏｍｐｕｔｉｎｇꎬ １９９４ꎬ ３２(５): ５７１￣５７６. [２] ＫＡＬＣＨＥＲ Ｊꎬ ＦＬＯＴＺＩＮＧＥＲ Ｄꎬ ＮＥＵＰＥＲ Ｃꎬ ｅｔ ａｌ. Ｇｒａｚ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ＩＩ: ｔｏｗａｒｄｓ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｂｅｔｗｅｅｎ ｍａｎ ａｎｄ ｃｏｍｐｕｔｅｒ ｂａｓｅｄ ｏｎ ｏｎｌｉｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｔｈｒｅｅ ｄｉｆ￣ ｆｅｒｅｎｔ ＥＥＧ ｐａｔｔｅｒｎｓ[ Ｊ]. Ｍｅｄｉｃａｌ ＆ Ｂｉｏｌｏｇｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｃｏｍｐｕｔｉｎｇꎬ １９９６ꎬ ３４(５): ３８２￣３８８. [３] ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＫＡＬＣＨＥＲ Ｊꎬ ＮＥＵＰＥＲ Ｃꎬ ｅｔ ａｌ. Ｏｎ￣ｌｉｎｅ ＥＥＧ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｄｕｒｉｎｇ ｅｘｔｅｒｎａｌｌｙ￣ｐａｃｅｄ ｈａｎｄ ｍｏｖｅｍｅｎｔｓ ｕｓｉｎｇ ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ￣ｂａｓｅｄ ｃｌａｓｓｉｆｉｅｒ [ Ｊ]. Ｅ￣ ｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ ａｎｄ Ｃｌｉｎｉｃａｌ Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙꎬ １９９６ꎬ ９９(５): ４１６￣４２５. [４]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＦＬＯＴＺＩＮＧＥＲ Ｄꎬ ＰＲＥＧＥＮＺＥＲ Ｍꎬ ｅｔ ａｌ. ＥＥＧ￣ｂａｓｅｄ ｂｒａｉｎ ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ( ＢＣＩ). Ｓｅａｒｃｈ ｆｏｒ ｏｐｔｉｍａｌ ｅｌｅｃｔｒｏｄｅ ｐｏｓｉｔｉｏｎｓ ａｎｄ ｆｒｅｑｕｅｎｃｙ ｃｏｍｐｏｎｅｎｔｓ [Ｊ]. Ｍｅｄｉｃａｌ Ｐｒｏｇｒｅｓｓ ｔｈｒｏｕｇｈ Ｔｅｃｈｎｏｌｏｇｙꎬ １９９５ꎬ ２１(３): １１１￣１２１. [５]ＷＯＬＰＡＷ Ｊ Ｒꎬ ＲＡＭＯＳＥＲ Ｈꎬ ＭＣＦＡＲＬＡＮＤ Ｄ Ｊꎬ ｅｔ ａｌ. ＥＥＧ￣ｂａｓｅｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ: ｉｍｐｒｏｖｅｄ ａｃｃｕｒａｃｙ ｂｙ ｒｅｓｐｏｎｓｅ ｖｅｒｉｆｉｃａｔｉｏｎ[ Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｒｅｈａｂｉｌｉｔａｔｉｏｎ Ｅｎｇｉ￣ ｎｅｅｒｉｎｇꎬ １９９８ꎬ ６(３): ３２６￣３３３. [６]ＷＯＬＰＡＷ Ｊ Ｒꎬ ＦＬＯＴＺＩＮＧＥＲ Ｄꎬ ＰＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ｅｔ ａｌ. Ｔｉｍｉｎｇ ｏｆ ＥＥＧ￣ｂａｓｅｄ ｃｕｒｓｏｒ ｃｏｎｔｒｏｌ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉ￣ ｃａｌ Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙꎬ １９９７ꎬ １４(６): ５２９￣５３８. [７]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＮＥＵＰＥＲ Ｃꎬ ＲＡＭＯＳＥＲ Ｈꎬ ｅｔ ａｌ. Ｖｉｓ￣ ｕａｌｌｙ ｇｕｉｄｅｄ ｍｏｔｏｒ ｉｍａｇｅｒｙ ａｃｔｉｖａｔｅｓ ｓｅｎｓｏｒｉｍｏｔｏｒ ａｒｅａｓ ｉｎ ｈｕ￣ ｍａｎｓ[Ｊ]. Ｎｅｕｒｏｓｃｉｅｎｃｅ Ｌｅｔｔｅｒｓꎬ １９９９ꎬ ２６９(３): １５３￣１５６. [８]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＮＥＵＰＥＲ Ｃ. Ｍｏｔｏｒ ｉｍａｇｅｒｙ ａｎｄ ｄｉ￣ ｒｅｃｔ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｃｏｍｍｕｎｉｃａｔｉｏｎ[ Ｊ]. Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥꎬ ２００１ꎬ ８９(７): １１２３￣１１３４. [９]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＮＥＵＰＥＲ Ｃꎬ ＢＲＵＮＮＥＲ Ｃꎬ ｅｔ ａｌ. Ｂｅｔａ ｒｅｂｏｕｎｄ ａｆｔｅｒ ｄｉｆｆｅｒｅｎｔ ｔｙｐｅｓ ｏｆ ｍｏｔｏｒ ｉｍａｇｅｒｙ ｉｎ ｍａｎ [Ｊ]. Ｎｅｕｒｏｓｃｉｅｎｃｅ Ｌｅｔｔｅｒｓꎬ ２００５ꎬ ３７８(３): １５６￣１５９. [１０]ＷＡＮＧ Ｔꎬ ＤＥＮＧ Ｈꎬ ＨＥ Ｂ. Ｃｌａｓｓｉｆｙｉｎｇ ＥＥＧ￣ｂａｓｅｄ ｍｏｔｏｒ ｉｍａｇｅｒｙ ｔａｓｋｓ ｂｙ ｍｅａｎｓ ｏｆ ｔｉｍｅ￣ｆｒｅｑｕｅｎｃｙ ｓｙｎｔｈｅｓｉｚｅｄ ｓｐａ￣ ｔｉａｌ ｐａｔｔｅｒｎｓ [ Ｊ ]. Ｃｌｉｎｉｃａｌ Ｎｅｕｒｏｐｈｙｓｉｏｌｏｇｙꎬ ２００４ꎬ １１５ (１２): ２７４４￣２７５３. [１１]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＮＥＵＰＥＲ Ｃꎬ ＢＩＲＢＡＵＭＥＲ Ｎ. Ｈｕ￣ ｍａｎ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ[Ｍ] / / ＲＩＥＨＬＥ Ａꎬ ＶＡＡＤＩＡ Ｅ. Ｍｏｔｏｒ ｃｏｒｔｅｘ ｉｎ ｖｏｌｕｎｔａｒｙ ｍｏｖｅｍｅｎｔｓ: ａ ｄｉｓｔｒｉｂｕｔｅｄ ｓｙｓ￣ ｔｅｍ ｆｏｒ ｄｉｓｔｒｉｂｕｔｅｄ ｆｕｎｃｔｉｏｎｓ. Ｎｅｗ Ｙｏｒｋ: ＣＲＣ Ｐｒｅｓｓꎬ ２００５: ２５３￣２６７. [１２]ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇꎬ ＭＵＬＬＥＲ Ｇ Ｒꎬ ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｊꎬ ｅｔ ａｌ. “Ｔｈｏｕｇｈｔ”—ｃｏｎｔｒｏｌ ｏｆ ｆｕｎｃｔｉｏｎａｌ ｅｌｅｃｔｒｉｃａｌ ｓｔｉｍｕｌａ￣ ｔｉｏｎ ｔｏ ｒｅｓｔｏｒｅ ｈａｎｄ ｇｒａｓｐ ｉｎ ａ ｐａｔｉｅｎｔ ｗｉｔｈ ｔｅｔｒａｐｌｅｇｉａ[ Ｊ]. Ｎｅｕｒｏｓｃｉｅｎｃｅ Ｌｅｔｔｅｒｓꎬ ２００３ꎬ ３５１(１): ３３￣３６. [１３]ＭＵＬＬＥＲ Ｇ Ｒꎬ ＳＣＨＥＲＥＲ Ｒꎬ ＮＥＵＰＥＲ Ｃꎬ ｅｔ ａｌ. ＥＥＧ￣ ｂａｓｉｅｒｅｎｄｅ ｋｏｍｍｕｎｉｋａｔｉｏｎ: ｅｒｆａｈｒｕｎｇｅｎ ｍｉｔ ｅｉｎｅｍ ｔｅｌｅｍ￣ ｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ｚｕｍ ｐａｔｉｅｎｔｅｎｔｒａｉｎｉｎｇ [ Ｃ] / / Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ３８ｔｈ Ａｎｎｕａｌ Ｃｏｎｖｅｒｓｅ ｏｆ ｔｈｅ Ｇｅｒｍａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｍｅｄｉｃａｌ ａｎｄ Ｂｉｏｌｏｇｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ ＶＤＥ. Ｂｅｒｌｉｎꎬ Ｇｅｒｍａｎｙꎬ ２００４: ２３０￣２３１. [１４] ＯＢＥＲＭＡＩＥＲ Ｂꎬ ＭＵＬＬＥＲ Ｇ Ｒꎬ ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇ. “Ｖｉｒｔｕａｌ ｋｅｙｂｏａｒｄ” ｃｏｎｔｒｏｌｌｅｄ ｂｙ ｓｐｏｎｔａｎｅｏｕｓ ＥＥＧ ａｃｔｉｖｉｔｙ [ Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｓｙｓｔｅｍｓ ａｎｄ Ｒｅｈａｂｉｌｉｔａ￣ ｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇꎬ ２００４ꎬ １１(４): ４２２￣４２６. [１５] ＭＵＬＬＥＲ Ｇ Ｒꎬ ＮＥＵＰＥＲ Ｃꎬ ＰＦＵＲＴＳＣＨＥＬＬＥＲ Ｇ. Ｉｍ￣ ｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ａ ｔｅｌｅｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ｔｈｅ ｃｏｎｔｒｏｌ ｏｆ ａｎ ＥＥＧ￣ｂａｓｅｄ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ [ Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃ￣ ｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｓｙｓｔｅｍｓ ａｎｄ Ｒｅｈａｂｉｌｉｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇꎬ ２００３ꎬ １１(１): ５４￣５９. [１６]ＬＡＨＲＭＡＮＮ Ｈꎬ ＮＥＵＰＥＲ Ｃꎬ ＭＵＬＬＥＲ Ｇ Ｒꎬ ｅｔ ａｌ. Ｕｓｅ￣ ｆｕｌｎｅｓｓ ｏｆ ａｎ ＥＥＧ￣ｂａｓｅｄ ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ ｔｏ ｅｓｔａｂ￣ ｌｉｓｈ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎ ＡＬＳ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｎｅｕｒｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅｓꎬ ２００５ꎬ ２３８(１): ４８５. 作者简介: 张晓楠ꎬ女ꎬ１９８７ 年生ꎬ硕士研究 生ꎬ主要研究方向为数字信号处理. 刘建平ꎬ男ꎬ１９６７ 年生ꎬ教授ꎬ博士后ꎬ 武警工程大学军事通信学学科带头人ꎬ主 要研究方向为数字信号处理.睡眠质量评 估方面的研究达到了国际前沿水平ꎬ获武 警部队科技进步三等奖 ２ 项ꎬ发表学术论 文 ３０ 余篇ꎬ其中被 ＥＩ 检索 ６ 篇. 第 ５ 期 张晓楠ꎬ等:Ｇｒａｚ￣脑机接口研究概述 􀅰３９９􀅰