脑机接口（1）：运动想象（MI）原理、算法、问题和发展趋势

“脑机接口”（Brain Cpmputer Interface, BCI）研究的核心是在大脑和外部设备之间建立直接的联通通路，因此脑机接口也被誉为“人工智能的顶级科学”。脑机接口的应用包括6个方面^[1]：
(1)脑机接口替代(Replace)原有中枢神经系统的输出；
(2)脑机接口重建(Restore)丧失的中枢神经系统的输出；
(3)脑机接口增强(Enhance)正常的中枢神经系统的输出；
(4)脑机接口补充(Supplement)正常中枢神经系统的输出；
(5)脑机接口改善(Imporve)正常中枢神经系统的输出；
(6)脑机接口作为研究工具(Research Tool)来研究中枢神经系统的功能；

图1 脑机接口应用框架

脑机接口范式主要包括：运动想象、稳态视觉诱发电位、P300、慢皮层电位、精神状态监测等。本文主要简介运动想象原理、经典算法和发展趋势。

1.MI基本原理

运动想象（Motor Imagery, MI），顾名思义，人在想象自己肢体（或肌肉）运动但没有实际运动输出时，人的特定脑区仍会有激活。通过分析脑电信号，检测识别不同脑区的激活效果来判断用户意图，进而实现人脑与外部设备之间的直接通信与控制。目前常见的运动想象部位为：左右，右手，双脚和舌头。
人在运动想象的过程中，大脑皮层会产生两种变化明显的节律信号，分别是8-15Hz的μ节律信号和 18-24Hz 的β节律。在运动想象时，神经元细胞被激活、新陈代谢速度加快，大脑皮层对侧运动感觉区的脑电节律能量会明显降低，而同侧运动感觉区的脑电节律能量增大，这种现象称为事件相关去同步（Event Related Desynchronization，ERD）/事件相关同步（Event Related Synchronization，ERS）。基于这种关系，通过人大脑主动控制左、右脑μ 、β 节律幅度的高低就可以产生多种控制指令。如图是左右手运动想象的ERD/ERS现象^[2]。

图2 左右手运动想象的ERD/ERS

2.MI特征提取算法

国际上对运动想象的特征提取算法进行了诸多研究，包括：功率谱分析、小波变换、自回归（AR）模型、样本熵（SampEn）、共空间模式（Common Spatial Paternal，CSP）等。各方法的优缺点如下^[3]：

图3 MI特征提取算法优缺点

其中共空间模式（CSP）是目前在单次两分类运动想象中最广泛应用的方法。CSP是一种利用特征的空间分布，将来自两类的多导联EEG信号投影到子空间中，将其分解为不同的空间模式的特征提取方法。其基本原理：利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。CSP算法原理如下：
（1）设Y_k = [y₁(t), y₂(t),…, y_p(t)]^T是第k次实验采集到的脑电信号，其中电极数为p。N为单次实验个数。设两类运动想象平均协方差矩阵为C₁和C₂，其求解方法如下：

（2）两类运动想象的协方差矩阵空间为：C_c = C₁ + C₂。按如下公式对该协方差空间进行白化处理得到矩阵P。

（3）设S₁ = PC₁P^T 和S₂ = PC₂P^T。同时对S₁和S₂进行奇异值分解得到对角矩阵D和正交矩阵R，如下列公式所示：

（4）由于I = S₁ + S₂，D₂ = I - D₁。因此当S_i中的一个矩阵趋近于I时，另一个S_i矩阵趋近于0矩阵。从而使得两类的差异最大化。则其空间滤波器为：

则对第k次采集信号的空间滤波结果为：

（5）最终，可以得到运动想象待分类特征为：
式中：Z_i —— Y_k在空间滤波器上的投影；m —— 选择的特征参数个数；f —— 特征值。
CSP特征需要多通道分析，且非常容易受噪声干扰。因此国际上对CSP进行了诸多改进算法的研究。包括共空间频率模式(Common Spatio-Spectral Pattern，CSSP)、滤波器组共空间模式（Filter Bank Common Spatial Pattern，FBCSP)等，具体发展路径如图所示^[4]：

图4 CSP改进算法

3.MI分类算法

为了实现运动想象的识别，在完成特征提取后需要对特征进行分类。运动想象中经典的分类方法，包括：线性判别式分析（Linear Discriminant Analysis, LDA）、支持向量机（Support Vector Machines, SVM）、人工神经网络（Artificial Neural Network, ANN）、贝叶斯分类器（Bayes Classifier）等。各方法的优缺点如下^[3]：

图5 各分类算法的优缺点

以上这些分类方法都是机器学习中最常见的分类方法，具体原理不再赘述。

4.MI问题和发展趋势

运动想象目前面临的主要问题是：
（1）时间、场景和个体的差异对准确度影响较大；
（2）复杂运动想象模式少；
（3）离散控制，难以实现连续控制；
（4）异步检测准确率低；

运动想象在算法层面的发展趋势：
（1）算法改进：研究抗噪性能更好的特征提取算法和分类算法，提高运动想象的准确率。
（2）算法联合：单一算法都有各自的缺陷，可以将多种算法联合（例如多特征联合），取长补短，充分发挥每个算法的优势。
（3）深度学习：目前深度学习在运动想象领域还未实现“质”的飞跃。后续可研究更加适应EEG的网络模型（例EEGNet），利用深度神经网络对信号特征进行自适应提取。

参考文献

[1] Brunner C , Birbaumer N , Blankertz B , et al. BNCI Horizon 2020: towards a roadmap for the BCI community[J]. Brain Computer Interfaces, 2015, 2(1):1-10.
[2] Maeder C L , Sannelli C , Haufe S , et al. Pre-Stimulus Sensorimotor Rhythms Influence Brain–Computer Interface Classification Performance[J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2012, 20(5):653-662.
[3] 裴一飞, 杨淑娟. 运动想象脑电信号算法研究进展[J]. 北京生物医学工程, 2018, 37(2):208-214.
[4] oh__NO.运动想象| EEG信号、共空间模式算法（CSP）[EB/OL].https://blog.csdn.net/oh__NO/article/details/84310982, 2020–03–22