·650 智能系统学报 第11卷 到2种状态下EEG信号的频谱图。 2.2视觉控制 图4可知当受试者处于正常状态时主要以α波 EEG是一个非线性且非平稳的信号，当使用者 (8~13Hz)B波(14~30Hz)为主；疲劳时主要以a 处于疲劳状态时，大脑产生的瞬时状态信号并非是 波和0波(4~7Hz)为主，此时8波(0.5~3Hz)增 使用者本身的思想意识，这种非意识动作往往引起 多，而B波越来越少（几乎为零），波段的变化使得 人机交互系统的不稳定。所以视觉信息的有效监测 脑电信号特征值稳定性低、特征向量区分度差，严重 在引导控制信号正确运动中起着至关重要的作用。 影响了BCI系统的性能。随着时间的增长和脑电 在眼晴状态检测中，本文采用改进Adaboost算 疲劳的加剧，脑电信号的识别率更低。 法。即在特征选择时，在传统的算法中引入了特征 140 相关度的方式，这样尽量将被选出特征之间的冗余 120 信息减少到最低。设下一个待选出的特征为x,将 100 其用R(x)=max(xf),i=1,2,…,m来计算其与已 80 选出特征的相关度R(x)。这里提前设定一个合适 的阈值δ，如果R(x)>6时，表示x与已选出的特征 40 有过大的相关度，产生不了新的信息，这时x不能选 20 入将其作为特征：反之，表示x与已选特征相关度不 大，新信息能够产生足够多，则x为此时的可选特 20 40 60 80 频率/Hz 征。图5为改进前后的正负误差对比，其中， (a)正常状态频谱图 81=0.5,82=1.5。 ×10 2.5 一改进后 “改进前 1.5 0 203040 60 20 40 60 80 川练弱分类器数 频案H2 图5改进前后正负误差对比 (b)疲劳状态频谱图 Fig.5 The positive and negative error comparison be- 图42种状态下的脑波频谱图 Fig.4 The EEG spectrum in the two states fore and after improvement 由图5可见，在正负误差比方面改进后的Ada 2控制方案设计 boost不会出现太大的波动，避免了权重分配不均造 成的过适应，改进的Adaboost算法亦可用较少的特 2.1脑电信号控制 征得到较高的准确率，在图像检测速度方面得到了 脑电信号是该控制系统的基础。通过对Emotiv 很大的提升。眼晴状态检测具体步骤为：用上述改 脑电信号采集仪的各通道脑电信号的分析，发现O, 进的Adaboost算法先定位人脸，然后将人脸的上半 通道对睁闭眼脑电信号反应最明显，FC,和FC6通 部分的左右两边分别切割开，在此基础上再用一次 道对左右手运动想象脑电信号反应最明显，闭眼放 改进Adaboost算法精确定位出人眼图片，如图6。 松与左右手相比很容易被区分出来，这里不是本文 这种眼睛定位方法速度很快，2次用同样的改 重点，而左右手的区分是特征分类的难点，因此本文 进Adaboost算法，避免了第2次分类器的重构，节省 选择F,、F4、FC5、FC6、T,和Tg通道的脑电信号来提 了时间。训练目标分类器时，需要构造正负样本图 取左右手运动想象脑电信号的特征。选用一种改进 像集，本文实验中采集了50个人的左右眼状态图， 的CSSD算法作为其特征提取方法[o]提取脑电信号 图像分类器的正样本采用了左右眼各400张人眼图 特征，经过实验验证，该特征提取算法能使左右手运 像，图像分辨率归一化为40×20的灰度图像，然后 动想象脑电信号的在线平均识别率高达95.01%。 对图像的分类器进行训练。负样本为除眼晴外的人到 ２ 种状态下 ＥＥＧ 信号的频谱图。 图 ４ 可知当受试者处于正常状态时主要以 α 波 （８～１３ Ｈｚ）、β 波（１４～３０ Ｈｚ）为主；疲劳时主要以 α 波和 θ 波（４ ～ ７ Ｈｚ） 为主，此时 δ 波（０．５ ～ ３ Ｈｚ） 增 多，而 β 波越来越少（几乎为零），波段的变化使得 脑电信号特征值稳定性低、特征向量区分度差，严重 影响了 ＢＣＩ 系统的性能。 随着时间的增长和脑电 疲劳的加剧，脑电信号的识别率更低。 （ａ）正常状态频谱图 （ｂ）疲劳状态频谱图 图 ４ ２ 种状态下的脑波频谱图 Ｆｉｇ．４ Ｔｈｅ ＥＥＧ ｓｐｅｃｔｒｕｍ ｉｎ ｔｈｅ ｔｗｏ ｓｔａｔｅｓ ２ 控制方案设计 ２．１ 脑电信号控制 脑电信号是该控制系统的基础。 通过对 Ｅｍｏｔｉｖ 脑电信号采集仪的各通道脑电信号的分析，发现 Ｏ１ 通道对睁闭眼脑电信号反应最明显，ＦＣ５ 和 ＦＣ６ 通 道对左右手运动想象脑电信号反应最明显，闭眼放 松与左右手相比很容易被区分出来，这里不是本文 重点，而左右手的区分是特征分类的难点，因此本文 选择 Ｆ３ 、Ｆ４ 、ＦＣ５ 、ＦＣ６ 、Ｔ７ 和 Ｔ８ 通道的脑电信号来提 取左右手运动想象脑电信号的特征。 选用一种改进 的 ＣＳＳＤ 算法作为其特征提取方法［１０］ 提取脑电信号 特征，经过实验验证，该特征提取算法能使左右手运 动想象脑电信号的在线平均识别率高达９５．０１％。 ２．２ 视觉控制 ＥＥＧ 是一个非线性且非平稳的信号，当使用者 处于疲劳状态时，大脑产生的瞬时状态信号并非是 使用者本身的思想意识，这种非意识动作往往引起 人机交互系统的不稳定。 所以视觉信息的有效监测 在引导控制信号正确运动中起着至关重要的作用。 在眼睛状态检测中，本文采用改进 Ａｄａｂｏｏｓｔ 算 法。 即在特征选择时，在传统的算法中引入了特征 相关度的方式，这样尽量将被选出特征之间的冗余 信息减少到最低。 设下一个待选出的特征为 ｘ，将 其用 Ｒ（ｘ）＝ ｍａｘ ｉ （ｘ，ｆ ｉ），ｉ ＝ １，２，…，ｍ 来计算其与已 选出特征的相关度 Ｒ（ｘ）。 这里提前设定一个合适 的阈值 δ，如果 Ｒ（ｘ） ＞δ 时，表示 ｘ 与已选出的特征 有过大的相关度，产生不了新的信息，这时 ｘ 不能选 入将其作为特征；反之，表示 ｘ 与已选特征相关度不 大，新信息能够产生足够多，则 ｘ 为此时的可选特 征。 图 ５ 为 改 进 前 后 的 正 负 误 差 对 比， 其 中， δ１ ＝ ０．５，δ２ ＝ １．５。 图 ５ 改进前后正负误差对比 Ｆｉｇ．５ Ｔｈｅ ｐｏｓｉｔｉｖｅ ａｎｄ ｎｅｇａｔｉｖｅ ｅｒｒｏｒ ｃｏｍｐａｒｉｓｏｎ ｂｅ⁃ ｆｏｒｅ ａｎｄ ａｆｔｅｒ ｉｍｐｒｏｖｅｍｅｎｔ 由图 ５ 可见，在正负误差比方面改进后的 Ａｄａ⁃ ｂｏｏｓｔ 不会出现太大的波动，避免了权重分配不均造 成的过适应，改进的 Ａｄａｂｏｏｓｔ 算法亦可用较少的特 征得到较高的准确率，在图像检测速度方面得到了 很大的提升。 眼睛状态检测具体步骤为：用上述改 进的 Ａｄａｂｏｏｓｔ 算法先定位人脸，然后将人脸的上半 部分的左右两边分别切割开，在此基础上再用一次 改进 Ａｄａｂｏｏｓｔ 算法精确定位出人眼图片［１４］ ，如图 ６。 这种眼睛定位方法速度很快，２ 次用同样的改 进 Ａｄａｂｏｏｓｔ 算法，避免了第 ２ 次分类器的重构，节省 了时间。 训练目标分类器时，需要构造正负样本图 像集，本文实验中采集了 ５０ 个人的左右眼状态图， 图像分类器的正样本釆用了左右眼各 ４００ 张人眼图 像，图像分辨率归一化为 ４０×２０ 的灰度图像，然后 对图像的分类器进行训练。 负样本为除眼睛外的人 ·６５０· 智 能 系 统 学 报 第 １１ 卷