手部运动想象脑电信号的分类系统设计与实现文献综述

文献综述（或调研报告）：

运动想象（Motor Imagery, MI）作为脑卒中患者的康复治疗开始于上世纪九十年代[1]，有定量计算表明，运动想象与运动执行任务在人脑可以激活相同的一块脑区网络[2]，对于神经损伤引起的运动障碍康复治疗有显著效果[3]。随着脑机接口技术（Brain-Computer Interface, BCI）的不断发展，世界上越来越多的学者关注将运动想象与脑机接口相结合的研究，期望研发出可以改善应用于辅助脑卒中患者的运动功能神经康复治疗的机器人设备，尤其针对手部运动功能的恢复。实践证明，运动想象的分类系统可以从分类精度和分类速度两方面对康复治疗效果起到改善作用[4]。实现一个运动想象分类系统包括运动模式设计、脑电信号（Electroencephalography, EEG）数据预处理、脑电信号特征提取以及分类算法设计等关键技术。由于EEG信号的非稳态特性且容易受到被试者的姿势和情绪的影响[5, 6]，运动想象分类系统各个部分的设计以及相互之间的组合对于分类性能的好坏至关重要。

MI属于内源性EEG信号，即系统须采集在没有外界刺激下，受试者本身的心理活动[6]，或者说脑部活动。MI技术主要通过人在进行运动想象时，大脑的运动感觉区（Sensorimotor Cortex, SM1）特定频带会出现相应的反应，也就是所谓的运动感觉节律（Sensorimotor Rhythms, SMR）。比较明显是的mu;(8~12Hz)节律和beta;(12~30Hz) 节律在运动想象进行时会产生明显的衰减，而这种根据想象任务出现前后的信号频带活动增强和衰减的现象分别称为事件相关同步（Event-Related Synchronization, ERS）和事件相关去同步（Event-Related Desynchronization, ERD）[7]。这种特征使得MI EEG信号具有比较明显的可区分性。即使如此，也有实验证明，稍长时间的运动想象任务会逐渐使人疲劳，从而降低分类精度[8]；更不用说纯粹的运动想象（不看运动视频，完全依靠想象）能力存在着天生的差异性。而事实上，大部分卒中患者都是认知能力衰退的年老者，这种认知问题将会很大程度上限制他们的康复疗效[9]。

随着MI这种不足的暴露，一些学者提出可以使用动作观察（Action observation, AO）作为代替方案。动作观察起源于在非人类灵长动物中发现了“镜像神经元”的存在[10]，它可以激活的脑部区域与所观察动作能够激活的脑区相同[11]。日本大阪的村田医院与明治大学合作[12]，期望通过实验证明AO可以促进偏瘫卒中患者的运动皮层活动，从而提高康复设备的分类精度。实验对11位患有不同程度认知障碍的脑卒中患者进分别进行了MI与AO的任务。该实验根据任务前后EEG信号能量变化设定新的物理量ERD power来衡量两种任务在EEG信号水平上的可区分程度。结果表明，所有受试者的ERD power都在进行AO任务时提高了，差别明显；并且，对于单个受试者，他或她在进行AO任务时的ERD power测试结果更稳定。此外，研究者根据实验前对受试者测试的认知水平分析，发现ERD power在AO任务对于MI任务上的提升程度与认知障碍程度正相关。该实验设计严谨，且对于个别异常现象都进行了合理分析。虽然，Rober M. Hardwick[2]结合了大量实验数据，从运动科学的角度对运动想象、动作观察和运动执行三者的激活脑区进行的对比分析，三种任务重叠区域仅限于双侧运动前区、顶叶和运动感觉区组成的脑网络，且AO活动不涉及皮质下区域。但由于导致运动功能受损的神经区主要是SM1，MI与AO对于运动功能的神经康复已经足够了。况且，具有区分度的SMR就是发生在SM1。两篇文章都提出一个观点，将MI与AO结合，可以弥补互相的缺陷，在激活更多脑区的同时，提高分类精度[2, 12]。

上述段落提起过，EEG信号具有非稳态特性，基于这种特性，在进行特征提取前，必须对原始EEG信号进行预处理；否则，噪声的介入会限制数据的使用[13]。主要污染EEG信号的有低频（1~3Hz）的眼动伪迹、高频（20~60Hz）的肌电伪迹、电流漂移、白噪声和具有斜坡线性趋势的噪声。独立成分分析（Independent Component Analysis, ICA）是目前业界公认效果较好的预处理方法。参与设计MATLAB EEG信号处理函数库EEGLAB的Arnaud Delorme[14]曾设计定量证明ICA分解检测伪迹方法效果不错的实验。实验中，Arnaud模拟了被以上五种噪声污染的EEG信号，并且使用5种检测方法分别应用于EEG原始污染数据和经过ICA分解后的EEG数据。实验结果证实了假设，三者ICA算法（Infomax ICA, FastICA和SOBI ICA）使得伪迹检测的性能提高了10%~20%。另一种非线性滤波技术——多尺度主成分分析（Multiscale Principle Component Analysis, MSPCA）在近几年被提出[6]，它可以有效去除噪声部分，同时又较好保留了信号本身具有区分度的部分[15]。

特征提取可以精炼出最能够分辨不同任务脑电信号的特征点，揭露EEG信号的多维特性，有助于减轻分类算法的负担，改善分类器性能。基本的特征提取算法可分为两类，即时域分析和频域分析。此外，还有较为复杂的时频分析和空域分析方法。时域中典型的算法有自回归分析（Autoregressive, AR）以及其变式自适应自回归算法（Adaptive autoregressive, AAR），两者都针对数据段使用自回归系数或者频谱作为特征[16]。频域的方法有快速傅里叶变换（Fast Fourier Transform, FFT）和Welch算法（Welchrsquo;s Method），相较于前者，后者可以降低频谱中的噪声成分，但却降低了频域分辨率。时域和频域还有其他新提出的方法——四元数方法（Quaternions）[17]和局部特征尺度分解（Local characteristic-scale Decomposition, LCD）[18]。而时频方法相较于前两类方法，它的优势在于综合了EEG信号在时域和频域的特征，特征表达更加全面。典型的时频算法有短时傅里叶变换（Short-time Fourier Transform, STFT）[19]、小波变换（Wavelet Transform, WT）和离散小波变换（Discrete Wavelet Transform, DWT）等。尤其是后两种方法可以多分辨率和多尺度地分解EEG信号[20]。由于EEG信号的非稳态、非线性和非高斯分布的特征[6]，提取动态特征是十分重要的。为了解决这个问题，[6]提到的一种高阶统计学方法（Higher-Order-Statistics）来计算特征。他们使用这种方法，结合MSPCA作预处理，最高分类准确度可以到到92.8%。其他优秀的时频方法还有小波包分解（Wavelet Package Decomposition, WPD）[22]和包络分析（Envelope Analysis）[21]等。

空域中主要的算法是共空间模式（Common Spatial Pattern, CSP），它使用空间滤波将EEG数据转换到一个新空间，从而特定任务类型的EEG数据的方差与其他类型差别最大。目前为止，出现了很多CSP的改进算法，如共空间频谱模式（Common Spatio-Spectral Pattern, CSSP）[23]、共稀疏空间频谱模式（Common Sparse Spatio-Spectral Pattern, CSSSP）[24]以及子段共空间模式（Sub-Band Common Spatial Pattern, SBCSP）[25]。Novi和Cuntai通过使用LDA分类器分别与以上几种空域算法进行分类性能比较，结果显示，SBCSP的分类表现最为出色。由于EEG信号的多通道采集（一般32~64通道），再加上上述各种特征根提取方法对数据的分段分析，导致得到的特征维数很大，有时会影响分类器的计算时间，不适用于实时运作。所以有一些研究采取了特征选择算法，以提取特征向量中最有分辨力的元素。主成分分析（Principle Component Analysis, PCA）和ICA是比较常用的，它们与其他特征提取算法一起组成特征提取模块[26]，但是这两种算法涉及到复杂的转换计算，反而增大了计算时间。滤波器组选择方法（Filter Bank Selection）利用空间模式特征之间的相互关系可以针对空域的特征提取算法进行特征选择[27]，取得不俗的效果。而进化算法（Evolutionary Algorithms, EAs）则从改善分类器精度角度出发，在减少特征量的同时，相对减少计算量，保持较高的分类精度。典型的算法有粒子群优化（Particle Swarm Optimization, PSO）、差量进化优化（Differential Evolution Optimization, DE）等。

目前广泛使用的分类方法是支持向量机（Support Vector Machines, SVMs）和线性判别分析（Linear Discriminative Analysis, LDA）。以前的很多实验表明，在同等条件下，高斯核SVM的分类性能优于其他分类器例如LDA、K紧邻（k-NN）、朴素贝叶斯（naiuml;ve Bayes）和自回归树（Regression Tree, RT）等[28,29,30]。并且SVM并不会出现像LDA可能出现的维度灾难问题。至于过拟合问题，可以使用Regularization LDA或通过调整SVM的训练方案来解决[31]。即使如此，Ilyas等人[32]设计实验对比SVM与逻辑回归算法（Logistic Regression）的性能，结果表明逻辑回归可以达到与SVM分类相当的效果。比较新奇的算法有Yong Jiao团队在2018年提出的稀疏群表征模型（Sparse Group Representation Modal, SGRM）[33]，该模型在基于稀疏表征分类器（Sparse Representation-based Classification, SRC）的基础上，使用两种范数方法，不仅控制数据个体间的稀疏性，还对数据群组间的稀疏性进行优化。Yong Jiao团队期望通过这种方法实现综合受试者数据和之前的相同类型EEG数据训练性能良好的EEG分类系统，如此受试者使用EEG-BCI设备时，只需要采集较少的训练数据就可以得到较高准确度的分类器。虽然，实验结果表明，这种SGRM方法确实比SRC性能优越，但是相对于SVM来说，它精度的提高并不足以忽视其计算时间的增加。

其他具有前景的方法有二次分类器（Quadratic Classifier）[34]、深度学习架构（Deep Learning Architectures）和模糊分类器（Fuzzy Classification）[35]等。其中深度学习架构的方法不需要经过特征提取、选择和分类这一流程，便可通过单次处理模块完成分类。典型的深度学习方法有卷积神经网络（Convolutional Neural Networks, CNNs）、递归神经网络（Recurrent Neural Networks, RNNs）[36]和堆叠自动编码器（Stacked Auto Encoders, SAEs）[19]等。

参考文献