脑电波源成像在运动想象任务分类中的应用（脑源成像）

application of eeg source imaging in classification of motor imagery task
摘要
ＥＥＧ技术的迅速发展为运动想象在脑－机接口的广泛应用开拓了空间。与诱发的ＥＥＧ信号不同，运动想象ＥＥＧ是一种内源性自发信号，即只需受试者用意念进行想象而无需要外界的刺激。并且由于这种技术简单、灵活、无创等特点，应用场景多，不仅可以用于康复理疗，也可以用于休闲娱乐等方面。本文针对多任务运动想象分类精度低、泛化性能差的问题，采用了一种创新的方法，在脑电源成像的基础上，将侦察机和卷积神经网络结合起来，对分类问题进行了优化。
本文首先需要对脑电信号进行预处理来提高信噪比，包括了工频干扰和眼电伪迹，分别采用了陷波滤波器和独立成分分析（ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＩＣＡ）。采用带通滤波器带通８？３０Ｈｚ，只关注运动想象任务相关的频率带。
然后考虑到脑电仪测量的数据存在失真，不够直观这一实际情况，提出采用ＥＳＩ技术将传感器域的数据转换到源域，就是将采集的原始数据投影到大脑皮层。采用边界元素法创建头模型，采用权重最小规范范数成像解决脑电波逆问题。在没有ＭＲＩ（ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＩｍａｇｉｎｇ，ＭＲＩ）数据的情况下，使用高分辨率高质量的Ｃ〇ｌｉｎ２７头模型。
其次运动皮质层与运动想象密切相关，从运动皮质层选出本文研宄的运动想象任务最感兴趣的区域。根据Ｐｅｎｆｉｅｌｄ运动侏儒，运动皮质层的不同区域对应着不同的肢体运动，在运动皮质层创建１０个侦察机，每个侦察机包含４０个源，保证侦察机的大小相等。用
Ｍｏｒｌｅｔ小波对侦察机内源的时间序列进行时频分析。卷积神经网络在（ＣＮＮ）在图像处理方面应用广泛，表现优异。由于时频图是一种伪彩色图像，提出用卷积神经网络来分类。时频图作为卷积神经网络的输入，输出为４类可能的概率。
分类结果表明，本文提出的方法与其他的运动想象任务分类结果相比，分类精度增加了１４．４％。同时，在源成像的基础上将侦察机和卷积神经网络结合起来应用到脑电信号的分类当中，也为处理高维脑电信号的分类问题提供了一个新的思路。
关键词：脑电源成像；运动想象；联合吋频分析，■卷积神经网络

１．１课题研究的背景与意义
本课题的研究对象是基于运动想象的脑电信号。运动想象是指想象肢体运动，而没有进行实际动作。与诱发的ＥＥＧ信号不同，运动想象ＥＥＧ是一种内源性自发ＥＥＧ，不需要外界的刺激，只需要人用意念进行想象，ＥＥＧ信号就会呈现特异波形Ｗ。由于这种技术简单、灵活、无创等特点，在ＢＣＩ中运动很广泛。对于常见的老年人瘫痪、中风等疾病造成的肢体不变，基于运动想象的ＢＣＩ系统不仅可以帮助患者控制物体，实现自理；还可以作为一种康复理疗的手段，最大限度地帮助患者恢复自身的运动能力［２］

1.2脑机接口原理
脑机接口为大脑和外部设备搭建了沟通的桥梁，也就是人脑与外部设备之间的通信电路，让人脑直接通过计算机实现与外界的交流。简单的ＢＣＩ系统的结构如图１－１所示，利用实体界面让人脑产生相应的反应，实体界面带来的刺激经过编码之后转化为大脑的认知，形成一个特定目的，通过命令让计算机做出相应的反应。ＢＣＩ系统的基本工作原理如图卜２所示，包含了３个部分：脑电信号的采集、脑电信号的分析以及脑电信号的控制。

（１）信号采集
信号的采集包括了记录、隔离放大信号，然后对信号继续滤波和模数转换等处理后传
递给计算机。目前，ＢＣＩ常用的输入信号有头皮电位和颅内电位，头皮电位的采集方式是
非介入式的，这种方法更加的安全而且试验时间较短。
（２）信号分析
通常实际采集到的ＥＥＧ是不纯净的，包含了很多噪声，其中眼电伪迹、心电伪迹、
工频干扰等较为常见。对脑电信号进行预处理为了降低噪声比例，获得更纯净的信号。之
后，还需提取出ＥＥＧ信号中最本质的特征即特征提取以便提髙分类表现。特征提取的方法
很多，比较常见的有傅里叶变换、时／频域分析法等，主要用来区分不同任务的典型特征。
如果所提取的特征集区分度不高，就会导致分类难度的加大。分类器对提取出的不同特征
进行脑电任务分类，最终作为不控制信号输出，从而控制外部设备。
（３）控制部分
经过脑机接口系统分类的控制信号直接作用于控制器部分，直接控制外部设备。在日
常生活的应用场景广泛，能够实现控制的外设很多如鼠标、电视机，轮椅等。其中对脑
电信号进行预处理、提取特征和进行分类可以应用于离线系统，这些处理结果对分类精度
的影响很大，与系统的性能直接相关。
１．３．２脑机接口存在问题
如今，ＢＣＩ技术己经飞速发展，但距离投入到实际应用中还很远，技术本身还存在很
多的问题亟需解决。人们通过研宄脑机接口系统深刻地了解了神经系统及其脑功能。要使
脑机接口技术又快又好地应用于实践生活投入到实际应用中，还存在许多问题亟待解决。
（１）ＥＥＧ信号是一种微弱的且极易受到噪声干扰的非平稳随机信号，所以分析并解
读ＥＥＧ信号不太容易。分类的精度和维度是一对相互矛盾的存在，分类维度低（分类任务
少）往往精确度高系统稳定，例如二分类脑电信号的分类精度达到了９０％以上而三类以上
的则表现性能差。目前能同时兼顾分类精度和维度的方法很少，所以需找到新的方法能保
证分类维度的提高的同时精度不下降，增加应用场景。
（２）大多数研宄都是基于时域来进行分析，但时域分析存在的问题是在头皮表面测
量的信号不能直接反应大脑激活源的位置和状态，因此解析大脑思维的时候存在歧义。将
脑电信号投影到源域然后在进行解析大脑思维很有必要。
（３）大多的脑机接口均是针对于某一特定个体而设计的，应用场景受限制。由于人
的大脑的形状以及思维方差均存在明显的个体差异性，所以分类方法的选择要将个体的差
异性纳入考虑。目前的很多方法普适性差，强化其泛化能力，这也是目前需要深入研究的
问题。
３．１脑电正问题（ＦｏｒｗａｒｄＰｒｏｂｌｅｍ）
根据给定给定的脑电源的分布求解头皮电位的过程即脑电正问题（ＦｏｒｗａｒｄＰｒｏｂｌｅｍ）。
脑电正问题的求解是为了将脑电仪实际测量的头皮电位数据与正向计算的结果相比较，从
而来帮助推断出脑电波的发生源。研宄脑电正问题首先需要构建合适的源模型和头模型。
通常采用泊松方程和拉普拉斯方程来对进行正向建模，因为采用的偶极子源模型产生的电
磁场为一似稳电磁场。通过构建合适的头模型能够获得正问题的解析解，当然搭建的数学
模型和真实的头模型之间还是存在差异的。脑电逆问题（ＩｎｖｅｒｓｅＰｒｏｂｌｅｍ）的求解建立在
脑电正问题的基础之上，脑电逆问题一般采用的源模型为电流偶极子。
正向计算所涉及的几何空间通过头模型的构建来确定，同时构建头模型可以在逆问题
求解的时候约束源的位置。脑电头模型通常分为规则形状和真实头模型。前者就是把头简
化成单层球、同心球等各向同性的球模型，其中三层球模型因为较好地拟合真实头部模型
并且计算简单，所以得到了广泛的应用。后者通过ＣＴ或ＭＲＩ等高分辨率的成像技术模拟
实际的头模型，通常使用有限元法和边界元法进行处理。
３．２脑电逆问题（Ｉｎｖｅｒｓｅｐｒｏｂｌｅｍ）
脑电逆问题（Ｉｎｖｅｒｓｅｐｒｏｂｌｅｍ）就是由测量到的头皮电位反推演产生其的脑电源的信
息，主要研宄的是源定位，就是产生ＥＥＧ信号的脑电源位置、取向和强度［７Ｑ］，一般假设
脑电源为电流偶极子。由于脑电正问题通常是用迭代求解正问题逼近的方法且一个脑电信
号对应于多个脑电源，为了获得唯一解必须依据于一个先验条件即使用一定的限制条件。
许先在处理脑电逆问题之前需耍先解决脑电正问题即建立脑电场的数学模型，就是构
造电流偶极子的头皮电位的表达式。其次对偶极子的参数（表示位置、强度和方向）进行
调整让正问题所计算出的头皮电位拟合于采集的脑电数据，即最小化非线性代价函数。
偶极子定位法（ｄｉｐｏｌｅｌｏｃａｌｉｚａｔｉｏｎｍｅｔｈｏｄ，ＤＬＭ）根据测量的头皮电位，运用电场理论
和计算机技术来反演电流偶极子的分布即产生头皮电位对应的脑电源信号的分布［７１］。其优
点是参数少，操作方便。其缺点为有很大的参数空间，并且产生的数学问题是线性的但是
高度欠定。
（１）模型的选择
使用偶极子定位法来进行脑电源定位，首先必须要选择合适的源模型和头模型如图
３－３所示。源模型有单偶极子源和多偶极子源。常用的头模型包括了球模型、椭球模型和
真实头模型。根据现有实验条件和硬件设备来选择最符合实际情况的模型，在条件允许的
范围内去提高溯源的精度。
（２）偶极子源
对脑电信号进行溯源处理的时候，电流偶极子作为源模型比较常见。选择电流偶极子
作为源模型的原因：
参数少。六个参数就可以确定一个脑电活动的假设源，如图３－４所示，３个位置坐标
和３个极矩坐标。
Ｚ
从物理和神经电生理层面来说，该源模型具有合理性。实际应用中，源模型需要根据
激发源区域的大小和神经元的个数来选择。目前，偶极子源有如下几种：
１）单偶极子源
单偶极子源即一个激发源区域的神经电活动只需要一个偶极子，该模型如图３－５所示。
这个模型的缺点只适用于单个激发源域区域且区域比较小或者只有一个神经元的时候，与
大多数的实际情况不相符合，存在误差。
２）多偶极子源
该模型主就是使用多个电流偶极子来描述一个区域的脑神经活动，弥补了单偶极子源
的不足，但是由于实际测量的数据集通常数量有限而且包含各种伪迹和噪声干扰，所以找
到很好的多偶极子定位的方法比较困难。双偶极子源见图３－６、三偶极子源见图３－７、圆盘
式偶极子源和线性偶极子源分别见图３－９、图３－１０，这些均为常见的多偶极子源，参考坐
标如图３－８所示。
３．３特征的提取与选择
３．３＿１侦察机（ｓｃｏｕｔ）的仓丨健
在类似的源成像研宄中，大部分通过在主题特殊皮层模型上识别特定的脑回地标，而
我们选择了一个感兴趣的区域（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ，ＲＯＩ），我们选择将运动皮层划分为１０个
侦察机即１０个ＲＯＩ。根据Ｐｅｎｆｉｅｌｄ的侏儒小人，把他们用作ＲＯＩ。左、右运动的侦察机分
别被称为ＬＩ、Ｌ２、Ｌ３、Ｌ４、Ｌ５、Ｒｌ、Ｒ２、Ｒ３、Ｒ４和Ｒ５，均匀分布在左右运动皮质层，
如图３－１１所示。每个侦察机被扩展到４０个顶点，保证每个Ｒ０Ｉ区域面积相当。在计算源
之后，创建了１０个侦察机进行比较和选择如图３－１２。脑区的红色部分表示该区域在实验
条件的刺激下被激活并产生了相应的头皮电位。
３．３．２特征的提取
为了进行源分析，从ＥＳＩ选择的皮质ＲＯＩ内的偶极时间序列中提取特征，这些侦察机
的时间序列，Ｒ５作为示例如图３－１３所示。使用Ｍｏｒｌｅｔ小波的方法获得侦察机的时频特征
如图３－１４所示，红色部分代表电流活动激烈。小波最初是在中心频率上设计的，其时间分
辨率由其高斯核的半峰全宽（ｆｕｌｌ－ｗｉｄｔｈａｔｈａｌｆ－ｍａｘｉｍｕｍ，ＦＷＨＭ）定义如（３－２０）所示。本文
选择的中心频率人为１Ｈｚ，选择高斯内核的半峰全宽ＦＷ／／Ｍ／ｔＳ３ｓ［７３】。中心频率波长为
，通过（３－２１）缩放小波长度以调整剩余频率的波长，以更好地捕获振荡活动的各个
组成部分。然后通过（３－２２）在０．５Ｈｚ间隔下计算小波系数妗，并与所选波形卷积。
第５章总结与展望
ＥＥＧ技术的飞速发展为ＢＣＩ提供了更多的应用场景和可能性。本文主要研宄基于ＭＩ
的脑电信号，在了解了相关研究之后，发现了运动想象分类存在的一些问题包括了高维运
动想象任务分类精度不高，分类器的泛化能力不强等。所以本文提出了ＣＮＮ与ＥＳＩ相结
合的方法来做出一些改善。本文的主要工作以及结论如下．？
（１）首先对脑电信号进行了预处理，由于脑电信号微弱且易受到干扰，所以在对脑
电信号进行分析前，预处理是很有必要的。目前最长见的伪迹干扰就是ＥＯＧ。本文采用ＩＣＡ
的方法去除ＥＥＧ信号混杂的ＥＯＧ信号，以获取纯净的运动想象信号。其次，由于运动想
象在８－３０ＨＺ内现象比较明显，于是带通了８－３０ＨＺ，只关注运动想象感兴趣的频率带，由
于环境工频不在此频率带内，所以不予考虑。
（２）对脑电信号进行了源成像处理。传统的ＥＥＧ信号研宄，均在传感器域展开（头
皮电位），而本文在源域展开，即将传感器的数据投影到大脑皮层，进行溯源处理。ＥＳＩ主
要包括了脑电正问题和脑电逆问题的解决，本文分别采用ＢＥＭ和ＷＭＮＥ来解决这两个问
题。
（３）特征的提取与选择。大脑皮层中与运动想象相关的区域是运动皮质层，因此我
们在运动皮质层上创建了１０个侦察机，来找出运动想象任务最感兴趣的区域。采用Ｍｏｒｌｅｔ
小波的方法对侦察机内提取的时间序列进行时频分析。传统研宄的特征提取只包括了时间
频率特征，而本文提取的特征还包括了空间信息，提髙了特征的丰富度。
（４）采用ＣＮＮｓ对选择的特征进行分类。实验结果表明提出的ＣＮＮｓ模型表现性能
良好，提高了精度的同时提高了泛化能力。１０个侦察机中，４个任务在Ｒ５区域的分类精
度最高。为了验证模型的有效性，我们在原有１０个受试者的基础之上，增加了４个新的
受试者，进行了１０次测试。重复性实验的结果表明模型鲁棒性好，且泛化能力强，也说
明了ＣＮＮｓ模型学到ＥＥＧ信号的本质特征。将ＥＳＩ和ＣＮＮ相结合来对基于运动想象的ＥＥＧ
信号进行分类，效果明显。为了更好的完善充实我们的研宄，接下来的研宄可以围绕以下
几个方面展开：
（１）本文采用的是Ｃｄｉｎ２７脑模型，虽然分辨率高，但不具有个性化，但是人与人的
大脑还是有很大的差异性，所以未来可对基于ＭＲＩ的个性化源成像地进行研究，有针对性
地去分析，提髙溯源的精度，更准确地找到激活区域和激活源。
（２）本文只采用ＩＣＡ来去除ＥＯＧ伪迹，但是实际情况，采集的脑电信号并不仅包含
ＥＯＧ伪迹，可能还有ＥＭＧ伪迹、ＥＣＧ伪迹等。脑电信号越纯净对于分析和解读大脑的真
实意图越有利。所以今后也可从ＥＥＧ信号伪迹去除的方向展开。