基于EEG微狀態(tài)方法的視覺想象識(shí)別研究

1、基于EEG微狀態(tài)方法的視覺想象識(shí)別研究摘 要：運(yùn)動(dòng)想象MI是基于想象的腦機(jī)交互BCI中常用的任務(wù)，但MI不易習(xí)得和控制，且存在 BCI盲現(xiàn)象，使得該類BCI的實(shí)用化受限$針對(duì)較易習(xí)得和控制的視覺想象VI任務(wù)進(jìn)行識(shí)別，旨在構(gòu) 建基于VI的BCI(VI-BCI)$招募了 15名被試者參加2種動(dòng)態(tài)圖像的視覺想象任務(wù)并采集腦電EEG數(shù) 據(jù)；然后采用EEG微狀態(tài)方法研究了這2種VI任務(wù)誘發(fā)的EEG在微狀態(tài)時(shí)間參數(shù)上的差異，并選用差 異顯著的微狀態(tài)時(shí)間參數(shù)構(gòu)建特征向量；最后采用SVM對(duì)2類VI任務(wù)進(jìn)行識(shí)別。結(jié)果顯示提取微狀態(tài) 特征所取得的最高、最低和平均分類精度分別為90% ,56%和80. 6士2.58

2、% $表明微狀態(tài)方法可以有效 提取VI相關(guān)EEG特征并得到具有可比性的分類精度，可望為構(gòu)建相對(duì)較新的在線VI-BCI提供思路$ 關(guān)鍵詞：視覺想象；微狀態(tài)；腦電；腦機(jī)交互Identi fication of visual imagerybased on EEG mcrostate methodAbstract:Motor i magery (MI) i s a common task i n bra i n computer i nteract i on (BCI) , but MI i s not easy to acquire and control, and there is a phen

3、omenon of BCI blindness” , which limits the practicality of this type of BCI. Ths paper a ims at the identification of Visual Imagery (VI) tasks that are easier to acquire and control, and a ims to bulld VI4based BCI (VI4BCI). 15 subjects were recrurted to participate in two kinds of dynamic picture

4、 VI tasks, and their EEG data were collected. Then, the EEG mcrostate method is used to study the differences in mcrostate t ime parameters between the two VI tasks, and the eigenvectors are constructed by mcrostate t ime parameters with significant differences. Finally, support vector machine (SVM)

5、 is used to classify the two k inds of VI tasks. The results show that the highest, the lowest and the average classification accuracy of mcrostate are 90% , 56% and 80. 6 2. 58% , respecr tively. This study shows that the mcrostate method can effectively extract VI4related EEG features and obta i n

6、 comparable accuracy. The work i s expected to prov i de i deas for the construct i on of a new on i i ne VI-BCI.Key words： vsua l imagery & mcrostate & EEG & brain computer interaction1引言腦機(jī)接口 BCI(Brain Computer Interface)是 一種建立在大腦和計(jì)算機(jī)或其他外部設(shè)備之間的 通信系統(tǒng)，不依賴于由外圍神經(jīng)和肌肉組成的大腦 傳輸通路，是一種新的人機(jī)交流方式。該技術(shù)可望 為嚴(yán)重運(yùn)動(dòng)殘疾患

7、者或健康人群在特定情況下提 供可選的、新的通信或控制方式$BCI中傳統(tǒng)的想象任務(wù)主要是運(yùn)動(dòng)想象MI (Motor Imagery)。6，要求被試者或用戶以第一人 稱視角感覺或感受自己身體的特定部位(如手或 腳)的移動(dòng)過程7$ MI心理活動(dòng)屬于動(dòng)覺想象 (Kinesthetic Imagination),，人們?cè)谌粘Ｉ?中較少進(jìn)行此種心理活動(dòng)，不易習(xí)得和控制，存在 較嚴(yán)重的“BCI盲)口。-1Z$ MI能力差的被試者難 以產(chǎn)生相應(yīng)的腦信號(hào)，這嚴(yán)重影響了該類BCI MI- BCI(Motor Imagery based Brain Computer Inter4 face)的性能，使得他們不能操

8、控這種BCI$此外, 由于MI能力不易習(xí)得和控制，MI-BCI往往需要 被試者進(jìn)行大量的訓(xùn)練，其性能主要與被試者的訓(xùn) 練量有關(guān)，這類BCI的分類性能不可靠逐，而且大 量的訓(xùn)練會(huì)給被試者帶來負(fù)擔(dān)，大大降低了該類 BCI的用戶接受度$與MI相比，VI(Visual Imagery) 是另外一種較容易完成的心理想象任務(wù)，要 求被試者以第三人稱視角在腦海中清晰地看到一 幅畫面，該種心理想象活動(dòng)通常不需要訓(xùn)練，或僅 需要少量訓(xùn)練$本文嘗試研究基于VI心理活動(dòng) 構(gòu)建BCI(VI-BCI)的可行性$在VI-BCI的研究中, VI-BCI范式設(shè)計(jì) 很重要，需要?jiǎng)?chuàng)新，要求設(shè)計(jì)不同的VI任務(wù)使得 這些任務(wù)誘發(fā)的腦

9、電特征具有可分性$ Nataliya 等&!設(shè)計(jì)了花和錘子2類視覺想象任務(wù)，對(duì)這2 類任務(wù)相關(guān)的腦電信號(hào)進(jìn)行了識(shí)別研究，取得的分 類精度為52%，分類精度不高，可能是由于選擇的 VI任務(wù)均是靜態(tài)的，導(dǎo)致誘發(fā)的腦電信號(hào)可分性 較差$ Azmy等口5對(duì)靜息狀態(tài)和VI任務(wù)(想象順 時(shí)針旋轉(zhuǎn)一顆星)的最大功率差進(jìn)行了分析，顯示 2種狀態(tài)下的最大功率無顯著差異，未報(bào)道分類精 度*Neuper等&/對(duì)被試者以第三人稱視角想象自 己手的VI任務(wù)和靜息狀態(tài)進(jìn)行分類，平均分類精 度為56% * Sousa等&$對(duì)靜態(tài)點(diǎn)、垂直上下2個(gè)方 向運(yùn)動(dòng)的動(dòng)態(tài)點(diǎn)以及上下左右4個(gè)方向運(yùn)動(dòng)的動(dòng) 態(tài)點(diǎn)的3類VI任務(wù)進(jìn)行分類，平均

10、分類精度為 87. 64% * Kozumi等&X對(duì)無人機(jī)在3個(gè)平面上 (上/下，左/右，前/后)運(yùn)動(dòng)的3類VI任務(wù)進(jìn)行分 類，在前額葉皮層提取特征，取得了 84. 6%的平均 分類精度$從以上VI任務(wù)設(shè)計(jì)可以看出，選擇靜 態(tài)的VI任務(wù)組合，導(dǎo)致誘發(fā)的腦電信號(hào)可分性較 差*選擇動(dòng)態(tài)的VI任務(wù)組合，誘發(fā)的腦電信號(hào)具 有一定的可分性$本文擬將動(dòng)態(tài)的VI任務(wù)(視覺 想象抬腿動(dòng)作)與動(dòng)態(tài)的VI任務(wù)(視覺想象落腿 動(dòng)作)組合，假設(shè)這2類顯著不同的VI任務(wù)誘發(fā) 的腦電特征具有可分性$此外，已有VI-BCI研究所采用的特征提取方 法取得的分類精度還有待提高口4,68 $ Natalya 等&4對(duì)視覺想象花和

11、錘子2類任務(wù)相關(guān)的腦電信 號(hào)提取功率譜特征并采用功率譜加權(quán)共空間模式 SpecCSP (Spectrally weighted Common Spatial Patterns)進(jìn)行分類，分類精度不高(52%)$ Neu- per等&6對(duì)被試者視覺想象自己手部運(yùn)動(dòng)和靜息 狀態(tài)2類任務(wù)相關(guān)的腦電信號(hào)提取頻帶特征并采 用差異敏感學(xué)習(xí)矢量量化DSLVQ ( Distinction Sensitive Learning Vector Quantization )方法進(jìn)行 分類，平均分類精度也不高(56%)$ Sousa等&7對(duì) 3類VI任務(wù)相關(guān)的腦電信號(hào)提取功率譜能量特征 并采用支持向量機(jī)SVM ( S

12、upport Vector Ma4 chme)進(jìn)行分類，平均分類精度為87. 64% $ Koi- zum 1等&8對(duì)3類VI任務(wù)相關(guān)的腦電信號(hào)提取了 頻段的功率譜密度 PSD(Power Spectral Densrty) 特征并采用SVM進(jìn)行分類，平均分類精度為84. 6%$本文針對(duì)所設(shè)計(jì)的動(dòng)態(tài)VI任務(wù)組合，嘗試 采用微狀態(tài)提取特征并采用SVM進(jìn)行分類$在傳統(tǒng)的腦電信號(hào)分析中，大都采用時(shí)域分 析、頻域分析或時(shí)頻域分析，這些分析方法往往是 基于特定的時(shí)間點(diǎn)和少量的電極進(jìn)行研究，不可避 免地忽略了多通道腦電信號(hào)本身的空間信息和時(shí) 域信息，這些信息對(duì)腦電信號(hào)的研究是非常重要 的。本文采用微狀態(tài)對(duì)

13、腦電信號(hào)進(jìn)行時(shí)-空域分 析$目前，微狀態(tài)方法已用于MI-BCI中，并且具 有較好的效果21$2材料和方法2.1材料被試者15名被試者(男性，年齡為2428 )參加了這 項(xiàng)研究，所有被試者無感知和認(rèn)知障礙，視力正常 或矯正至正常$每個(gè)被試者在實(shí)驗(yàn)前都簽署了知情同意書，本文研究遵照赫爾辛基宣言并獲得昆明 理工大學(xué)醫(yī)學(xué)院醫(yī)學(xué)倫理委員會(huì)的批準(zhǔn)視覺想象任務(wù)已有VI-BCI研究采用視覺靜態(tài)圖像想象作 為心理任務(wù)，誘發(fā)的腦電特征可分性較差#1!$;也有 研究采用視覺運(yùn)動(dòng)想象(以第三人稱視角在大腦中 看到其他物體的運(yùn)動(dòng)，而非被試者肢體的運(yùn)動(dòng))作 為心理任務(wù)，如圖1所示，誘發(fā)的腦電特征具有一 定的可分性1718

14、。本文擬將視覺運(yùn)動(dòng)想象作為心 理任務(wù)對(duì),假設(shè)這2類不同的VI任務(wù)能夠誘發(fā)差 異顯著的腦電特征。在本文中，一種VI任務(wù)是視 覺想象抬腿動(dòng)作，另一種VI任務(wù)是視覺想象落腿Figure 1 Two VI tasks used in this paper 圖1本文采用的2種VI任務(wù)2.1.3 1個(gè)trail的執(zhí)行時(shí)序與過程1個(gè)trail的執(zhí)行時(shí)序如圖2所示，要求被試者 根據(jù)提示首先進(jìn)行視覺觀察，然后進(jìn)行視覺想象。 在& = 0 s時(shí)，屏幕上呈現(xiàn)“實(shí)驗(yàn)即將開始”，要求被 試者清醒放松，持續(xù)時(shí)間為3 s；在&3 s時(shí)，屏幕 上隨機(jī)呈現(xiàn)一幅抬腿或一幅落腿圖像，要求被試者 觀察并記憶該圖像，持續(xù)時(shí)間為3 s；

15、在&=6 s時(shí), 提示圖像消失，屏幕為黑屏，要求被試者想象剛才 提示的圖像，持續(xù)時(shí)間為3 s；& = 9 s時(shí)，屏幕上呈 現(xiàn)“休息”，持續(xù)時(shí)間為5 s。休息結(jié)束，開始下一個(gè) trail。每個(gè)被試者執(zhí)行200個(gè)trails,每個(gè)任務(wù)各 100 個(gè) trails。Figure 2 Timing of a single trail 圖2 1個(gè)trail執(zhí)行時(shí)序示意圖Figure 2 Timing of a single trail 圖2 1個(gè)trail執(zhí)行時(shí)序示意圖覺象務(wù)示視想任提驗(yàn)將始實(shí)即開腦電設(shè)備是北京中科新拓儀器有限責(zé)任公司 的新拓NT9200,米樣率為1 000 Hz。電極帽是32 通道的(

16、根據(jù)國際10-20系統(tǒng))。接地電極為 GND,參考電極為A1和A2,電極阻抗保持在10 k)以下。帶通濾波在0. 1100 Hz,并采用50 Hz 陷波濾波器以避免電源線污染。在本文中，采集了 Fp1、Fp2、F7、F3、Fz、F4、F8、Ft7、Fc3、Fcz、Fc4、 Ft8、T3、C3、Cz、C4、T4、Tp7、Cp3、Cpz、Cp4、Tp8、 T5、P3、Pz、P4、T6、O1、Oz、O2 共 30 個(gè)通道的腦 電數(shù)據(jù)進(jìn)行研究。2.2方法 2. 2. 1 數(shù)據(jù)預(yù)處理首先對(duì)腦電信號(hào)進(jìn)行基線漂移校正，以消除腦 電信號(hào)相對(duì)于基線的偏離。然后用橢圓濾波器進(jìn) 行130 Hz的數(shù)字帶通濾波，最后用

17、獨(dú)立成分分 析移除眼動(dòng)偽跡、心電偽跡和肌電偽跡等。2. 2. 2 微狀態(tài)方法微狀態(tài)是一種基于腦地形圖分析的腦電信號(hào) 表示方法，得到了越來越多的應(yīng)用。微狀態(tài)分析是 Lehmann及其同事在工作中發(fā)現(xiàn)的#22，23$,他們發(fā) 現(xiàn)，腦地形圖的時(shí)間序列由幾個(gè)典型的地形圖組 成，在迅速過渡到不同地形圖之前保持穩(wěn)定(約80 120 ms),這些穩(wěn)定的地形圖稱為微狀態(tài)。微狀態(tài)方法是一種用大腦頭皮電極的電勢(shì)空 間分布來描述腦電信號(hào)特點(diǎn)的方法。腦電微狀態(tài) 反映了大腦神經(jīng)元集群瞬時(shí)活動(dòng)的總和，不同微狀 態(tài)是由不同的神經(jīng)元集群活動(dòng)所引起的，而不同的 微狀態(tài)反映了大腦不同的功能狀態(tài)。微狀態(tài)分析的目的是將記錄的腦電時(shí)間

18、樣本 分割成微狀態(tài)類別，因此屬于同一類別的腦電樣本 具有盡可能相似的腦地形圖。微狀態(tài)分析的核心 是利用聚類方法將腦電信號(hào)分割成微狀態(tài)#24$。目 前有幾種用于微狀態(tài)分析的聚類方法，如k-均值 聚類、改進(jìn)的k-均值聚類、主成分分析和混合高斯 算法。數(shù)據(jù)處理的具體流程#24$如下所示：計(jì)算30個(gè)通道中每個(gè)被試者在每個(gè)時(shí)間 點(diǎn)的全局場功率 GFP(Global Field Power):GFP&(1)% )#(&) ；(GFP&(1)#_1A 其中，A為電極數(shù)目，),(t)為第#個(gè)電極在&時(shí)刻 的電勢(shì)，;(t)為所有電極在t時(shí)刻的電勢(shì)平均值。 GFP可以看做是每一個(gè)電極的電勢(shì)與所有電極電 勢(shì)均值的標(biāo)

19、準(zhǔn)差。采用改進(jìn)的k均值方法進(jìn)行聚類分析。改進(jìn)的k-均值模型模擬了微狀態(tài)的激活，即模擬 了每個(gè)時(shí)間點(diǎn)微狀態(tài)的強(qiáng)度改進(jìn)的k-均值模型 如下所示：0 = 1 +sn(2)其中，0為第次采樣的腦電信號(hào)樣本，1/ N,N為時(shí)間樣本數(shù)RM為聚類的地形圖,0 為腦電通道數(shù),K為聚類數(shù)(微狀態(tài)的類別) RKXN為第次采樣腦電信號(hào)微狀態(tài)的激活狀態(tài)& !為第次采樣的腦電信號(hào)噪聲。從模型來看，改 進(jìn)的卜均值模型可以看做是一個(gè)生成模型。有一個(gè)重要的約束條件，即每個(gè)時(shí)間點(diǎn)只能有 一個(gè)微狀態(tài)處于活動(dòng)狀態(tài)。也就是說，除一種值 外,1的所有值都為#,模型可以寫為：0 = a*%* F !(3)其中，*為第個(gè)腦電樣本的地形圖,

20、* 為第 次采樣的微狀態(tài)處于激活狀態(tài)時(shí)的微狀態(tài)標(biāo)簽。本文采用改進(jìn)的k-均值把腦電樣本分割成預(yù) 定數(shù)量的微狀態(tài)原型,目的是最大限度地提高腦電 樣本和它們所分配的微狀態(tài)之間的相似性。本文 將腦電數(shù)據(jù)聚類為2X個(gè)微狀態(tài)(這樣的做法是 考慮到大多數(shù)研究發(fā)現(xiàn)4個(gè)微狀態(tài)最適合描述腦 電數(shù)據(jù))-除了根據(jù)腦地形圖選擇微狀態(tài)的數(shù)量外, 還應(yīng)該檢查不同微狀態(tài)在擬合度方面的質(zhì)量。在 將腦電數(shù)據(jù)聚類為微狀態(tài)之后，將選擇用于進(jìn)一步 分析的最佳微狀態(tài)數(shù)目。選擇要使用的微狀態(tài)的 數(shù)量是一個(gè)重要的步驟，但這并不簡單。在許多情 況下，沒有一個(gè)完美的答案能夠很好地解釋數(shù)據(jù)的 微狀態(tài)集群。其中一個(gè)問題是如何測(cè)量微狀態(tài)集 群和驗(yàn)證集

21、群之間的關(guān)系。本文采用擬合度量的 方法用于估計(jì)不同的微狀態(tài)集群對(duì)原始的EEG (Electro Encephalo Gram)的解釋(或擬合)程度。 在微狀態(tài)分析中，確定微狀態(tài)數(shù)量的常用方法之一 是計(jì)算擬合度量，然后根據(jù)這些度量和微狀態(tài)地形 圖的擬合程度(例如它們?cè)谏砩鲜欠窨尚校?做出 定性決策。本文采用全局解釋方差GEM(Global Explained Variance)和交叉驗(yàn)證準(zhǔn)則 CV( CrossValidation criterion)來評(píng)估微狀態(tài)的擬合度。GEV是衡量每個(gè)EEG樣本與分配給它的微 狀態(tài)之間相似程度的指標(biāo),GEV越大越好。計(jì)算 公式為:GEV =(corr(X

22、,a* ) GFP)2%FP其中GEV =(corr(X ,a* ) GFP)2%FP交叉驗(yàn)證準(zhǔn)則CV的值與殘余噪聲有關(guān)，因此 其目的是獲得較小的CV值。計(jì)算公式為： TOC o 1-5 h z CV = ff2 (CE)2C 一 K 一 1其中，。2是殘余噪聲方差的估計(jì)量，其計(jì)算方式如 下所示：2 %=10+0 - (虱0)2(). = N(C1) 當(dāng)獲得最佳數(shù)量的微狀態(tài)原型后，希望看 到原始腦電信號(hào)與這些微狀態(tài)原型的匹配程度。 也就是說，在選擇出微狀態(tài)的最佳數(shù)量之后，需要 將微狀態(tài)反擬合到腦電信號(hào)中，反擬合是基于它們 在地形上最相似的微狀態(tài)并給腦電樣本分配一個(gè) 微狀態(tài)標(biāo)簽，這種相似性用全局

23、地形圖差異GMD (Global Map Dissimilarity)來衡量,也被稱為 DISS,是一種距離度量，度量地形圖的相似程度。 對(duì)于2個(gè)EEG樣本0和0& ,GMD的計(jì)算方式如 下所示:GMD =00&GFPGFP(7)通過GFP歸一化GMD =00&GFPGFP(7)將提取出的4類微狀態(tài)匹配到被試者的腦電 信號(hào)后，分別計(jì)算出2種VI任務(wù)下的微狀態(tài)時(shí)間 序列的如下幾個(gè)參數(shù)：平均持續(xù)時(shí)間 AD(Mean Duration):每種 微狀態(tài)保持穩(wěn)定時(shí)的平均持續(xù)時(shí)間(ms)0所占時(shí)間比 TCR (Time Coverage Ratio): 每種微狀態(tài)在總的信號(hào)時(shí)間中所占的比值。每秒出現(xiàn)頻率O

24、PS (Occurrence Per Second) ： 每種微狀態(tài)每秒出現(xiàn)的次數(shù)。本文對(duì)微狀態(tài)的時(shí)間序列參數(shù)進(jìn)行統(tǒng)計(jì)分析, 篩選出差異最顯著的2種微狀態(tài)，對(duì)差異顯著的微 狀態(tài)時(shí)間參數(shù)構(gòu)建特征向量；最后采用SVM對(duì)2 類VI任務(wù)進(jìn)行識(shí)別。支持向量機(jī)支持向量機(jī)SVM是一種分類算法，它通過尋 求結(jié)構(gòu)風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn) 風(fēng)險(xiǎn)和置信范圍最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較 少的情況下，也能獲得良好統(tǒng)計(jì)規(guī)律的目的。SVM算法的核心在于：(1)在線性可分的情況 下，利用間隔最大化的學(xué)習(xí)策略尋求一個(gè)間隔最大 的超平面；(2)在線性不可分的情況下，通過核函數(shù) 將低維的特征向量映射到高維來尋求線性

25、可分！ 本文采集的腦電信號(hào)正是小樣本且是非線性的，因 此SVM分類器適合本文研究。在本文中，從視覺想象腦電信號(hào)中提取出4種 微狀態(tài)，每一種微狀態(tài)都是大腦神經(jīng)活動(dòng)的時(shí)-空 信息的集合，以微狀態(tài)的時(shí)間序列進(jìn)行分類！統(tǒng)計(jì) 分析表明，微狀態(tài)1和微狀態(tài)4的差異明顯，本文 就以微狀態(tài)1和微狀態(tài)4的微狀態(tài)時(shí)間序列作為 訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行分類研究！首先用訓(xùn)練 樣本和標(biāo)簽來訓(xùn)練模型，然后再用模型對(duì)測(cè)試樣本 進(jìn)行標(biāo)簽預(yù)測(cè)，最后把預(yù)測(cè)標(biāo)簽與真實(shí)的標(biāo)簽進(jìn)行 對(duì)比，得到分類的精度！3 t檢驗(yàn)結(jié)果為了比較微狀態(tài)參數(shù)在2類任務(wù)中的差異顯 著性，對(duì)所有被試者在2種視覺想象任務(wù)下的狀態(tài) 時(shí)間序列進(jìn)行了，檢驗(yàn)，結(jié)果如表1所示

26、，從結(jié)果 可以看出，微狀態(tài)1和微狀態(tài)4的參數(shù)MDTCR 和OPS在2種視覺想象任務(wù)下都存在顯著性的差 異（PVO. 05）,微狀態(tài)2和微狀態(tài)3的差異不顯著 （P0. 05）。Table 1 Comparison of significant differences of fourmkrostate time parameter characteristics in two VI tasks表1 種微狀態(tài)時(shí)間參數(shù)特征在2種VI任務(wù)中的顯著性差異比較微狀態(tài)-參數(shù)MDTCROPS10.000 250.003 240.000 5020.674 520.475 470.433 9430.374 070.

27、143 230.096 5340.008 740.007 340.003 51表2呈現(xiàn)了 15個(gè)被試者在基于微狀態(tài)提取特 征（視覺想象開始后03 s）并利用SVM取得的 平均、最高和最低分類精度。圖3呈現(xiàn)了微狀態(tài)平均持續(xù)時(shí)間存在的差異 性。從圖3可以看出，微狀態(tài)1的平均持續(xù)時(shí)間在 任務(wù)2時(shí)（平均113. 28 ms）相比任務(wù)1時(shí)（平均 93. 75 ms）明顯增長；微狀態(tài)2和微狀態(tài)3與微狀 態(tài)1的情況相同；而微狀態(tài)4的平均持續(xù)時(shí)間在任 務(wù)1時(shí)（平均113. 84 ms）相比任務(wù)2時(shí)（平均66. 41 ms）明顯增長，與其它3個(gè)微狀態(tài)相反。圖3中黑色線代表15位被試者的平均結(jié)果, 橫坐標(biāo)上的1和

28、2分別代表視覺想象抬腿動(dòng)作和 視覺想象落腿動(dòng)作，三角代表值的大小。Table 2 Classificaion accuracy offeatures extracted by microstate表2采用微狀態(tài)提取特征的分類精度被試者平均分類精度最高分類精度最低分類精度183.4089.1363.02282.1287.0067.00385.2788.0062.45481.2386.0060.75589.2890.0056.00676.4385.0065.34778.5589.3369.36879.2288.0062.00979.5084.3363.231081.7985.0058.331176

29、.3786.3368.331280.9983.4863.241378.2387.0068.331478.5286.6663.331578.1083.2961.71-微狀態(tài)1 -A微狀態(tài)2 微狀態(tài)3 微狀態(tài)4 120402012121212編號(hào)動(dòng)作Figure 3 Di fferences in mean duration of microstate圖3微狀態(tài)平均持續(xù)時(shí)間存在的差異圖4呈現(xiàn)了微狀態(tài)所占時(shí)間比值存在的差異。 從圖4可以看出，微狀態(tài)1所占的時(shí)間比值，在任 務(wù)2時(shí)（平均52. 21%）比任務(wù)1時(shí)（平均48. 75%） 高；微狀態(tài)2和微狀態(tài)3與微狀態(tài)1的情況相同; 而微狀態(tài)4所占的時(shí)間比

30、值，在任務(wù)1時(shí)（平均 39. 56%）比任務(wù)2時(shí)（平均34. 85%）高，與其它3 個(gè)微狀態(tài)相反。圖4中各符號(hào)的含義與圖3中的 相同。Figure 4 Differences in the time ratio of m i crostate 圖4微狀態(tài)所占時(shí)間比值上存在的差異圖5呈現(xiàn)了微狀態(tài)出現(xiàn)頻率的差異。從圖5 可以看出，在任務(wù)1時(shí)，微狀態(tài)4出現(xiàn)的頻率比其 它3個(gè)微狀態(tài)的要高，微狀態(tài)1出現(xiàn)的頻率最低; 而在任務(wù)2時(shí)，微狀態(tài)1出現(xiàn)的頻率比其它3個(gè)微 狀態(tài)的要高，微狀態(tài)4出現(xiàn)的頻率最低。圖5中各 符號(hào)的含義與圖3中的相同。微狀態(tài) 微狀態(tài)2 一微狀態(tài)3 微狀態(tài)412-g 10g 81212121

31、2編號(hào)動(dòng)作Figure 5 Frequency differences of microstate圖5微狀態(tài)出現(xiàn)頻率的差異圖612121212編號(hào)動(dòng)作Figure 5 Frequency differences of microstate圖5微狀態(tài)出現(xiàn)頻率的差異圖6呈現(xiàn)了采用改進(jìn)的k-均值把腦電樣本分 割成預(yù)定數(shù)量的微狀態(tài)原型，按照預(yù)先設(shè)定的值， 從左到右依次排列。本文將腦電數(shù)據(jù)聚類為2X 個(gè)微狀態(tài)原型（這樣的做法是因?yàn)榭紤]到大多數(shù)研 究發(fā)現(xiàn)4個(gè)微狀態(tài)最適合描述腦電數(shù)據(jù)）。30 0 QFigure 6 EEG data clustered into 28microstate prototype

32、s圖6腦電數(shù)據(jù)聚類為28個(gè)微狀態(tài)原型圖7呈現(xiàn)了采用GEV和CM來評(píng)估微狀態(tài)分 段的擬合度。從圖7可以看出，在微狀態(tài)數(shù)量為4 時(shí),CV值是最小的,GEV的值是一直增長的，因 此，本文選取了 4個(gè)微狀態(tài)進(jìn)行研究。Figure 8 Microstate time sequences schematic diagram of EEG signals of 15 subjects in 2 visua l imagery tasks 圖8 15位被試者在2種視覺想象任務(wù)下的 腦電信號(hào)的微狀態(tài)時(shí)間序列示意圖圖9呈現(xiàn)了采用微狀態(tài)提取特征的分類精度 隨時(shí)間變化的曲線。圖9結(jié)果表明，測(cè)試集在0 3 s的分類精度

33、曲線整體較平穩(wěn)。在。0.2 s有 一個(gè)極大值,0.2-0. Figure 8 Microstate time sequences schematic diagram of EEG signals of 15 subjects in 2 visua l imagery tasks 圖8 15位被試者在2種視覺想象任務(wù)下的 腦電信號(hào)的微狀態(tài)時(shí)間序列示意圖圖9呈現(xiàn)了采用微狀態(tài)提取特征的分類精度 隨時(shí)間變化的曲線。圖9結(jié)果表明，測(cè)試集在0 3 s的分類精度曲線整體較平穩(wěn)。在。0.2 s有 一個(gè)極大值,0.2-0. 5 s有一個(gè)較大的上升趨勢(shì), 0. 53 s基本趨于平穩(wěn)。Figure 9 Classi

34、fication accuracy vs.time when using microstate extraction feature圖9采用微狀態(tài)提取特征的分類精度隨時(shí)間變化的曲線Figure 7 Figure 7 Selecting effectSe number of microstates based on degree of fitting 圖7基于擬合度選擇微狀態(tài)的有效個(gè)數(shù) 圖8所示為15位被試者在2種VI任務(wù)下的 腦電信號(hào)被解析成微狀態(tài)時(shí)間序列示意圖，把每個(gè)目前MI-BCI的研究較多，已有大量文獻(xiàn)對(duì) MI相關(guān)腦電做了識(shí)別研究，取得了一定的進(jìn)展，但 MI范式存在缺點(diǎn)，MI心理活動(dòng)不易習(xí)得和控制， 存在BCI盲，難以實(shí)用化。與MI-BCI相比,VI- BCI的研究較少，VI相關(guān)腦電解碼面臨挑戰(zhàn)