腦機接口開題報告

燕山大學碩士學位論文開題匯報課題名稱：基于腦磁圖的腦機接口措施研究碩士姓名：周麗娜導師姓名：王金甲所在院、系：信息科學與工程學院學科、專業(yè)：電路與系統(tǒng)燕山大學碩士部12月說明一、碩士開題匯報各項內容，要實事求是，逐條認真填寫。體現(xiàn)要明確、嚴謹，字跡要清晰易辨，外來語要同步用原文和中文體現(xiàn)。第一次出現(xiàn)縮寫詞，須注出全稱。二、參與開題匯報評議組組員，應具有副高職以上職稱。碩士學位碩士開題匯報，評議組組員不得少于三人；博士學位碩士開題匯報，評議組組員不得少于五人。每個評議組組員應有一位組長，其中博士學位碩士開題匯報評議組組長應具有專家職稱。每個評議組可另有一位記錄員，記錄員應具有講師以上（含講師）職稱，并應熟悉對應專業(yè)。三、開題匯報應對評議組組員所提出的問題及碩士的回答給出詳細、精確的記錄。開題匯報結束后，由評議組組員綜合評議組組員的意見，寫出詳細評議結論。并由專業(yè)負責人審核簽字后，報碩士部立案。四、本匯報中，由碩士本人撰寫的對課題和研究工作的分析及描述、對碩士學位論文碩士應不少于3000字，對博士學位論文碩士應不少于5000字。第二頁后來各欄空格不夠時，可另行加頁。五、根據(jù)論文工作的最終研究成果，所提交學位論文的題目可以在本開題匯報的基礎上有合適改動。六、本開題匯報一式三份，學生個人和導師留一份，學科留一份，交碩士部培養(yǎng)辦一份立案（除簽字以外必須打?。T士部不負責查詢。姓名性別年齡入課時間開題時間周麗娜女279月-12-20課題來源河北自然科學基金匯報時間12月20日開題匯報評議組組員姓名職稱姓名職稱邢光龍專家劉洺辛副專家王玉寶副專家評議組對課題及匯報的評議：評議組組長：專業(yè)負責人意見：專業(yè)負責人：年月日一、立論根據(jù)（所選課題的科學意義和應用前景，國內外研究現(xiàn)實狀況分析，重要參照文獻目錄）：1.本課題研究的科學意義和應用前景一般，大腦要依賴人體的外周神經系統(tǒng)及肌肉組織實現(xiàn)通訊與設備的控制，例如通過手拿取杯子，打開電視機等活動。不過，當病人患有神經系統(tǒng)疾病或神經退行性疾病，例如肌肉萎縮性脊髓側索硬化癥（或稱為魯葛瑞格式癥）、脊髓受損、中風等，這些疾病阻斷了從大腦到脊髓再到目的地即肌肉的正常的信息流動，狀況嚴重的患者也許將會失去控制肌肉的所有能力，徹底不能與外界溝通。在沒有徹底變化疾病影響的狀況下，腦機接口將會為他們帶來福音。由于腦磁圖既不需要參照點也不需要與皮膚接觸，不會出現(xiàn)由此引起的誤差。此外腦磁圖能直接反應腦內場源的活動狀態(tài)。因此，將腦磁信號作為腦機接口分析中的控制信號是很有前景的，怎樣有效的對腦磁信號進行特性提取是腦機接口研究的關鍵問題之一。2.腦機接口國內外研究現(xiàn)實狀況(1)腦機接口中常用的控制信號原則上說，可以代表腦活動的信號都可以用來作為腦機接口的輸入信號。這些信號包括電、磁、代謝、化學、熱等。這需要用不一樣的傳感器將這些信號檢測出來。這些傳感器包括腦電極(Electroencephalogram，EEG)和植入式電子生理措施，如皮層腦電圖(Electrocorticogram，ECoG)、腦內單個神經元記錄、腦磁圖(Magnetoencephalography，MEG)、正電子發(fā)射計算機斷層顯像技術(PET)、腦磁共振功能成像(fMRI)和功能性近紅外光成像(fNIR)。目前非植入式和植入式的電子生理的措施（即EEG，ECoG，單神經元記錄）是目前僅有的運用比較簡樸的和廉價的設備，運用這一措施就能得到很好的成果。PET、fMRI和fNIR這些都依賴人的變化的過程，具有長時間的穩(wěn)態(tài)，因此，對迅速的通信經不起檢查。MEG、PET、fMRI和fNIR這些措施在技術上仍舊規(guī)定苛刻且價格昂貴，這些原因阻礙了它們的廣泛應用。盡管存在這些阻礙，目前仍舊有某些學者在探索這些措施對腦機接口研究的價值[1~2]。由于這些原因，幾乎所有的在人類中用于處理方面的腦機接口中已完畢的應用都是用腦電圖和皮層腦電圖信號。但腦電圖信號也有其局限性，空間辨別率較低，輕易受外界干擾。皮層腦電圖信號由于需要植入電極，手術存在一定的風險性，不利于推廣。(2)基于腦電信號的腦機接口系統(tǒng)大量的研究資料表明腦機接口的研究重要處在運動皮層領域。根據(jù)鼓勵方式的不一樣，可以分為三類，產生的腦信號差異如下?；谙胂筮\動的腦信號當大多數(shù)人沒有實際運動出現(xiàn)，只是感覺過程，或是想象某種運動過程[3~5]，這時候明顯的波動出目前EEG記錄的8-12Hz頻帶內的感覺運動區(qū)。這種波動一般叫做mu節(jié)律，是由丘腦皮層回路[6]產生的。由于現(xiàn)代采集和處理措施的匱乏，在諸多人中還不能檢測出mu節(jié)律[7]，不過基于計算機的分析已經發(fā)現(xiàn)mu節(jié)律在絕大多數(shù)人中是真實存在的[8,9]。這一分析也證明了mu節(jié)律和18-25Hz的beta節(jié)律是相聯(lián)絡的。某些beta節(jié)律是和mu節(jié)律相一致的，而有某些beta節(jié)律和mu節(jié)律在拓撲或時間上是相分離的，因此，至少會出現(xiàn)獨立于EEG特性[10~12]。由于mu/beta節(jié)律的變化是和一般的運動/感覺功能相聯(lián)絡的，對于BCI通信來說，可以作為很好的信號特性。在感覺運動皮層，運動或是準備運動，尤其是運動的對側面，mu和beta活動都會伴伴隨有經典的下降，不過不能是運動的某種特殊方面，例如運動的方向[13]。此外，運動想象（即想象運動）也會使mu/beta節(jié)律產生變化[14,15]。由于人們不通過實際運動也可以使這些節(jié)律產生變化，因此這些節(jié)律可以作為BCI的基礎。小概率事件誘發(fā)電位通過運動活動或運動想象來調整大腦反應，刺激電位對于BCI操作系統(tǒng)也是很有用的。例如，通過四十年的研究表明在偶爾的刺激后EEG會出現(xiàn)一種正回饋（即所謂的“P300”或叫做“oddball”電位），在刺激發(fā)生后300ms頂骨皮質之上發(fā)生的。P300電位的幅值在頂骨電極點是最大的，而在中間和前部電極記錄點是減弱的[25]。P300一般是將事件分為幾類，其中一類事件發(fā)生的概率很小，當出現(xiàn)時，就會誘發(fā)P300電位。在許多研究中P300電位是作為BCI系統(tǒng)的基礎的[16]，運用試驗范例來實現(xiàn)。Sutter開發(fā)出一種控制設備，可以檢測顧客在一種閃爍的矩陣刺激中所注視的單元矩陣塊兒。接著，1988年，Illinois穩(wěn)態(tài)視覺誘發(fā)電位通過視覺刺激來產生電位，也是一種很明顯的腦信號產生方式。穩(wěn)態(tài)視覺誘發(fā)電位(Steady-statevisualevokedpotential，SSVEP)是通過一定的頻率刺激受試者的視覺系統(tǒng)，其中不一樣的模塊選擇不一樣的頻率進行刺激，操作者注視要選擇的按鈕，SSVEP中對應的頻率成分幅度增長，通過檢測，得到與對應的頻率控制的模塊，來實現(xiàn)操作不一樣的設備。通過訓練，操作者可以自覺控制SSVEP的幅度。國內外很重視開發(fā)基于視覺穩(wěn)態(tài)誘發(fā)電位的腦機接口。美國空軍研究室運用SSVEP做了有關腦機接口的研究。國內清華大學從到，運用SSVEP實現(xiàn)了電話撥號系統(tǒng)，室內環(huán)境的控制，還開發(fā)了協(xié)助殘疾人運用SSVEP控制遙控器打開家用電器。接著又開發(fā)了用于患者恢復肢體運動系統(tǒng)的SSVEP腦機接口系統(tǒng)。在研究了腦信號特性的基礎上，由于腦磁信號與腦電信號有很大的有關性，這些信號特性可認為研究腦磁信號提供參照，與此同步，腦磁信號的特性可以對腦電信號的研究起輔助性作用。(3)基于腦磁信號腦機接口的研究現(xiàn)實狀況MEG的檢測過程，是對腦內神經電流發(fā)出的極其微弱的生物磁場信號的直接測量，同步，測量系統(tǒng)自身不會釋放任何對人體有害的射線，能量或機器噪聲。在檢測過程中，MEG探測儀不需要固定在患者頭部，測量前對患者不必作特殊準備，因此準備時間短，檢測過程安全、簡便，對人體無任何副作用。根據(jù)StephanWaldert等人的研究表明，腦磁信號和腦電信號同樣，也包括大腦的手動信息，它們可以用來辨別不一樣方向的運動，并且可以提供相對較高的譯碼性能[37]。Georgopoulos在Science上建立了活動參數(shù)包括手運動方向和腦運動皮層的神經活動關系[17]。TonioBall研究了手運動方向和腦皮層電圖的關系，其平均對的率為60%[18]。這兩者是植入式的(invasive)。StephanWaldert等人的研究表明，腦磁圖和腦電圖信號這兩種非植入式(noninvasive)信號，也都包括大腦的手動信息，它們可以用來辨別4個不一樣方向的運動，并且可以提供相對較高的譯碼性能，其平均對的率為60%[19~21]。TrentJ.Bradberry匯報了基于MEG手運動方向的研究成果[23]。目前國內還沒有報道。腦機接口國際第四次競賽在前三次競賽成功舉行的基礎上，更多的關注腦機接口的實用化，目的是驗證腦機接口中的信號處理和模式識別措施，(BCICompetitionIV,http://www.bbci.de/competition/iv/)。其中第三組數(shù)據(jù)就是MEG手運動方向分析(handmovementdirectioninMEG)的數(shù)據(jù)，它記錄了兩個試驗者執(zhí)行四個不一樣方向的手腕運動時的10個通道MEG信號。王金甲導師參與了這次競賽，對第三組數(shù)據(jù)進行了處理，獲得了第四名的成績。3.重要參照文獻[1]K.L.LalSaroj,AshleyCraig.ElectroencephalographyActivityAssociatedwithDrivS.Gerwin,M.Jürgen.ApraticalGuidetoBrain-ComputerInterfacingwithBCI[M].SpringerLondonDordrechtHeidelbergNewYork.:4-5[2]S.Coyle,T.Ward,C.Markham,etal.OntheSuitabilityofNear-infrared(NIR)systemsforNext-generationBrain-computerInterfaces.Physiol.Meas.,25(4):815-822[3]B.J.Fisch.FischandSpehlmann’sEEGPrimer,2ndedn.Elsevier,Amsterdam.1991:35-38[4]H.Gastaut.EtudeElectrocorticograhgiquedelaReactivitedesRythmesRolandiques.Rev.Neurol.1952,87:176-182[5]J.W.Kozelka,T.A.Pedley.BetaandMuRhytyms.J.Clin.Neurophysiol.1997:191~207[6]G.E.Chatrian.TheMuRhythm.In:HandbookofElectroencephalographyandClinicalNeurophysiology.TheEEGoftheWalkingAdult.Elsevier,Amsterdam.1976:46-49[7]G.Pfurtscheller.EEGEvent-relatedDesynchronization(ERD)andEvent-relatedSynchronization(ERS).In:Niedermeyer,E.,LopesdaSilva,F.H.(eds.)Electroenceph-alography:BasicPrinciples,ClinicalApplicationsandRelatedFields,4thedn.,WilliamsandWilkins,Baltimore.1999:958-967[8]G.Pfurtscheller,A.Berghold.PatternsofCorticalActivationduringPlanningofVoluntaryMovement.Electroencephalogr.Clin.Neurophysiol.1989,72:250-258[9]D.J.McFarland,L.A.Miner,T.M.Vaughan,etal.MuandBetaRhythmTopographiesduringMotorImageryandActualMovements.BrainTopogr.,12(3):177-186[10]C.Toro,C.Cox,G.Friehs,etal.8-12HzRhythmicOscillationsinHumanMotorCortexduringTwo-dimensionalArmMovements:evidenceforRepresentationofKinematicParameters.Electroencephalogr.Clin.Neurophysiol.1994,93(5):390-403[11]G.Pfurtscheller,C.Neuper.MotorImageryActivatesPrimarySensorimotorAreainHumans.Neurosci.Lett.1997,239:65-68[12]E.Donchin.Surprise!...Surprise?.PresidentialAddress,Psychophysiol.1981,18(5):493-513[13]E.Donchin,K.M.Spencer,R.Wijesinghe.TheMentalProsthesis:AssessingtheSpeedofaP300-basedBrain-computerInterface.IEEETrans.Rehabil.Eng.,8(2):174-179[14]L.A.Farwell,E.Donchin.TalkingofftheTopofYourHead:towardaMentalProsthesisUtilizingEvent-relatedBrainPotentials.Electroencephalogr.Clin.Neurophysiol.1988,70(6):510-523[15]U.Hoffmann,J.M.Vesin,T.Ebrahimi,etal.AnEfficientP300-basedBrain-computerInterfaceforDisabledSubjects.J.Neurosci.Methods.,167(1):115-125[16]R.Neshige,N.Murayama,K.Tanoue,etal.OptimalMethodsofStimulusPresentationandFrequencyAnslysisinP300-basedBrain-computerInterfacesforPatientswithSevereMotorImpairment.Suppl.Clin.Neurophysiol.,59:35-42[17]吳婷,顏國正,楊幫華.基于小波包分解的腦電信號特性提取.儀器儀表學報,,28(12):2230-2234[18]A.P.Georgopoulos,A.B.Schwartz,R.EKettner.NeuronalPopulationCodingofMovementDirection.Science,1986,233(4771):1416-1419[19]B.Tonio,S.B.Andreas,A.Ad,etal.DifferentialRepresentationofArmMovementDirectioninRelationtoCorticalAnatomyandFunction.JournalofNeuralEngineering,,6(1):10-12[20]M.Jürgen,S.Gerwin,B.Christoph,etal.AnMEG-basedBrain–computerInterface(BCI).NeuroImage,,36(3):581-593[21]W.Stephan,B.Christoph,P.Hubert.DecodingPerformanceforHandMovement:EEGvs.MEG.29thAnnualInternationalConferenceofIEEE-EMBS,EngineeringinMedicineandBiologySociety,EMBC'07,:5346-5348[22]W.Stephan,P.Hubert,D.Evariste,etal.HandMovementDirectionDecodedfromMEGandEEG.JournalofNeuroscience,,28(4):1000-1008[23]J.Trent,Bradberry,F.Rong,etal.DecodingCenter-outHandVelocityfromMEGSignalsduringVisuomotorAdaptation.NeuroImage,,47(4):1691-1700二、研究內容，預期目的或成果（詳細闡明課題研究內容，要重點處理的關鍵問題和本課題所要到達的目的或要獲得的成果）：1.研究內容本課題針對基于腦磁信號腦機接口關鍵技術展開研究，重要研究內容包括如下幾種方面：目前，對腦磁信號的研究重要集中在實際系統(tǒng)的開發(fā)，應用到的模式識別算法相對簡樸。常用老式的帶通濾波器進行通帶的選擇，然后提取腦磁信號的時域特性或頻域特性作為信號的編碼信息，用Fisher線性鑒別，支持向量機分類對得到的模式信息進行分類[41-43]。這些處理算法都是基于平穩(wěn)信號的，直接應用于處理競賽的非平穩(wěn)的腦磁信號效果不是很好。直接應用線性措施對腦磁信號進行分類，識別率一直難于提高。識別對的率作為腦機接口的關鍵指標，一直是關注的熱點。從上述的分析中可以看出，選擇合適的腦磁信號的處理算法是問題的關鍵。重要對如下問題進行了研究。(1)為了提高腦磁信號的信噪比，為接下來的處理提供更可靠的數(shù)據(jù)，首先從選擇合適的信號處理算法開始，例如選擇適合于處理非平穩(wěn)信號的小波去噪措施。(2)針對腦磁信號的非平穩(wěn)，非高斯特性，將處理平穩(wěn)信號的算法，進行改善，使其適合處理非平穩(wěn)信號，設計適合腦磁信號編碼的新措施，將復雜的腦磁信號進行分解，挖掘這些信號的重要成分，作為腦運動模式的類別信息。(3)腦信號的識別問題，又是腦機接口中的關鍵所在。由于老式的線性分類識別率一直難于提高，本文嘗試了用非線性分類措施對腦磁信號進行分類。(4)在腦機接口的數(shù)據(jù)測量中，需要測量大量的訓練數(shù)據(jù)。在訓練數(shù)據(jù)的測量過程中，由于持續(xù)時間較長，數(shù)據(jù)的穩(wěn)定性相對變差，假如能減少測量次數(shù)，這將有助于腦機接口的在線應用。(5)在閱讀文獻過程中，發(fā)現(xiàn)對不一樣的測試者，同一算法的識別率差異較大，即算法的通用性差。對引起這一問題的原因進行初步探索。2.重點處理的關鍵問題(1)腦磁去噪很好的濾波算法有助于腦電信號的特性提取。目前，常用的濾波措施可以分為兩大類，一是頻域濾波，即提取特定頻率的腦電信號來控制外部設備，如基于皮層慢電位的腦機接口系統(tǒng)；二是空域濾波，即對腦電信號進行通道的選擇，找出差異最大的兩個或多種通道，提取這些通道的特性。而對于腦磁信號來說，由于其頻率特性和通道特性還不太明確，鑒于卡爾曼濾波處理時域信號的很好效果，將這一算法應用到了腦磁信號去噪過程中。(2)特性提取怎樣提取很好的腦電模式是BCI系統(tǒng)的關鍵所在。目前常用的特性提取措施有時域特性提取和頻域特性提取，這都是基于平穩(wěn)信號的，直接應用于處理非平穩(wěn)的腦磁信號效果不是很好。選用了非平穩(wěn)的特性提取算法，將經驗模態(tài)分解措施應用到腦機接口中，用自回歸模型提取特性。鑒于腦磁信號的高維特性，對腦磁信號進行了降維處理，以此進行特性提取算法的研究。(3)腦磁信號的識別BCI分類中常見觀點是非線性分類器嚴重過擬合，識別率反而不如線性分類器。MEG的BCI系統(tǒng)采用信號處理的特性提取和線性分類，識別率一直難于提高；而采用信號處理的特性提取和非線性分類，效果不如線性分類器。在目前還沒有合適的信號特性提取措施的狀況下，我們嘗試了非線性分類器。由于BCI數(shù)據(jù)需要大量的訓練，這使得BCI系統(tǒng)在在線應用中產生了很大的阻礙，為了處理這一問題，提出了一種基于半監(jiān)督的模糊聚類措施。3.預期成果(1)將基于自回歸模型的無味卡爾曼濾波算法應用到腦機接口中，這是一種時域濾波算法，獲得了很好的去噪效果，為特性提取和分類提供了有利的保證。(2)對腦磁信號進行了經驗模態(tài)分解，使其滿足平穩(wěn)性，適合于用自回歸模型處理。并應用了數(shù)據(jù)降維的措施將腦磁信號從高維降到三維。試驗成果表明，這兩種算法獲得了很好的識別率。(3)提出了一種基于半監(jiān)督的聚類算法，這將有助于減少訓練數(shù)據(jù)的測量次數(shù)。(4)在國內重要學術期刊刊登論文2-3篇。三、擬采用的研究措施、技術路線、試驗方案及可行性分析：1.擬采用的研究措施和技術路線(1)研究并討論無味卡爾曼濾波怎樣在腦機接口中應用首先，在分析了卡爾曼濾波算法的基礎上，要想使其適合分析非線性信號，需要對其進行改善。其中改善的濾波算法包括擴展卡爾曼濾波(EKF)和無味卡爾曼濾波(UKF)。鑒于UKF算法在處理非線性數(shù)據(jù)的成功應用，采用了UKF算法。在這一算法中，怎樣建立狀態(tài)方程和觀測方程，成為問題的關鍵。由于腦磁數(shù)據(jù)的內部特性目前還不是很明確，選用了自回歸模型(AR)模型的作為系統(tǒng)的狀態(tài)方程，以AR模型的計算成果作為系統(tǒng)的觀測方程。針對目前沒有明確的AR模型參數(shù)確定的理論，在這里采用試驗的措施，即將階數(shù)從1~15分別進行了試驗，從而選擇很好的模型階數(shù)。(2)針對腦磁信號的非線性和非高斯性的特性提取算法的研究在對老式腦機接口特性提取算法分析研究的基礎上，重要采用了適合于處理非平穩(wěn)性的算法。為了驗證這一想法的合理性，首先選用了一般的非線性措施，自適應自回歸模型(AAR)，高階譜的AR模型，驗證其試驗成果與否相對于平穩(wěn)性的算法有提高。在驗證了這一想法的基礎上，對老式的特性提取算法進行了改善，將經驗模態(tài)分解措施(EMD)措施應用到腦磁信號中，將非平穩(wěn)信號分解為平穩(wěn)信號，然后用AR模型提取特性，分別對AR模型的階數(shù)從1~15做了試驗。針對腦磁信號的高維特性，在分析了主成分分析(PCA)有效性降維的基礎上，并用線性鑒別分析(LDA)進行了改善，以低維的數(shù)據(jù)作為腦磁信號的特性，觀看算法的識別率。(3)設計改善的半監(jiān)督聚類算法在腦機接口系統(tǒng)中，常用的分類措施都是基于線性的分類算法。針對于腦磁信號的非線性特性，選用了非線性的分類器。首先，選用近鄰法驗證這一想法的可行性。近鄰法作為非線性分類的簡樸算法，操作簡樸，改善空間大。分別試驗了基于距離的近鄰法，數(shù)據(jù)依賴的核近鄰法，這些算法相對于近鄰法，雖然識別率提高不是很大，但驗證了非線性分類器的可行性。為了從訓練數(shù)據(jù)挖掘更多的信息應用到測試數(shù)據(jù)中，以此減少訓練數(shù)據(jù)的測量次數(shù)，提高系統(tǒng)的性能，提出了一種改善的半監(jiān)督聚類算法，以訓練數(shù)據(jù)的中心影響測試數(shù)據(jù)的中心，從而增長算法的合用性。2.試驗方案(1)首先閱讀大量的資料，理解腦磁信號的特性，以及處理過程的細節(jié)，必要的算法進行重現(xiàn)，以檢查理解的對的性和合理性。(2)針對不一樣的問題，先從簡樸的算法入手，在對簡樸的算法的仿真過程中發(fā)現(xiàn)其局限性，對其進行改善。(3)對同一種問題，首先閱讀有關這一問題的有關文獻，得到這一算法的優(yōu)缺陷，在對該算法形成認識的基礎上，對這一算法進行多角度的思索，驗證算法的可行性。假如在多角度的仿真過程中，沒有到達預期的效果，換一種算法對其進行試驗。4.可行性分析(1)知識儲備：通過對碩士期間專業(yè)課程的學習，對現(xiàn)代數(shù)字信號處理、模式識別基礎知識有了較為深入的理解，另一方面通過對大量有關論文的搜索和學習，使我對本課題有了一定的知識儲備。(2)研究內容和技術路線的合理性：本課題的研究內容是在前人已經有研究基礎上進行了改善，并提出新的思緒和措施，同步，腦磁去噪，特性提取以及分類識別等問題在腦機接口領域已經有較為成熟研究成果，均有對應的理論支持。(3)試驗條件：有較高配置的計算機一臺，上網查資料以便，同步，有導師的引導和耐心指