·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