·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