在非植入式腦-機接口（BCI）研究中，獨立分量分析（ICA）一直被認為是具有很大應用前景的腦電（EEG）預處理和特征增強方法，但到目前為止，有關在線 ICA-BCI 系統的研究與實現的報道還不多見。本文對基于 ICA 的運動想象 BCI（MIBCI）系統進行研究，結合 ICA 無監督學習特點和運動相關去同步化（ERD）現象，構建了一種簡單實用的 ICA 空域濾波器設計方法和三類運動想象判別準則。為了驗證所提算法的在線處理性能，本文基于 NeuroScan 腦電采集系統和 VC++ 軟件平臺，完整地實現了在線 ICA-MIBCI 實驗系統。4 名受試者參加了系統測試實驗，其中兩名受試者參加了在線模式的實驗。離線和在線實驗的三分類運動想象識別結果分別達到了 89.78% 和 89.89%。實驗結果表明，本文所提算法分類正確率高，時間開銷小，具備跨平臺移植的潛力。
引用本文： 胡盼, 張磊, 周蚌艷, 吳小培. 基于獨立分量分析的在線腦-機接口系統. 生物醫學工程學雜志, 2017, 34(1): 106-114. doi: 10.7507/1001-5515.201603003 復制
引言
腦-機接口（brain-computer interface，BCI）技術是一種新型的人-機交互技術，它通過在人腦與外部電子設備之間建立通道，將人腦的神經活動直接轉換為控制命令完成預定操作[1-4]。BCI的應用領域大致包括：① 為思維正常但行動不便的人群提供一種與外界交流或康復訓練的新手段；② 提供一種基于思維控制的游戲娛樂新方式；③ 結合生物傳感器和可穿戴技術設計出更加智能化的可穿戴設備等[5]。在眾多的 BCI 分類中，基于頭皮腦電（electroencephalogram，EEG）的非植入式 BCI 系統因其輸入信號 EEG 的采集方式簡單、無創，且具有毫秒量級的時間分辨率等顯著優點，得到了較快的發展[6]。隨著計算機技術、微電極技術和生物傳感器技術的發展，探尋 BCI 的實際應用模式和實用化技術已成為 BCI 研究領域的重要研究內容。
控制信號的特征提取和模式識別是 BCI 系統的核心模塊。近年來以獨立分量分析（independent component analysis，ICA）和共同空間模式（common spatial pattern，CSP）為代表的空域濾波方法被越來越多地應用到 BCI 系統的研究中。CSP 基于協方差矩陣的聯合對角化，利用信號的時空特性尋找最優化的空間濾波器，是一種有效的 EEG 特征提取方法[7-8]。CSP 濾波器的設計屬于有監督設計（需要利用數據類型標簽），對數據的采集質量和標簽信息的準確性要求比較高。為了提高 CSP-BCI 的識別性能, 一般采用 EEG 信號的事件相關去同步化/同步化（event-related desynchronization/synchroniza-tion，ERD/ERS）數據段來設計 CSP 濾波器，因此需要對 EEG 信號進行比較合理的時頻域分析[6,8-9]。ICA 是一種基于高階統計分析和非高斯性的新型盲源分離方法，它能利用傳感器陣列采集的多通道觀測信號，通過無監督學習方法，估計源和傳感器間的信號傳輸模型（空間混合模型），在此基礎上，構建空域濾波器，實現隱含獨立源的分離，從而完成對有用信號特征的提取[10]。現有的研究表明，ICA 在 EEG 信號的消噪、混迭信號分離、特征提取等方面有很大的優勢[11-13]。但更值得強調的是，ICA 濾波器是一種具有明確物理意義的空域濾波器，其設計過程不依賴數據的標簽信息（無監督設計），可以采用任意連續 EEG 數據段進行 ICA 濾波器設計，因此明顯降低了訓練數據采集過程的操作難度。相比而言，雖然 CSP 濾波設計以“最大可區分性”為準則，但屬于依賴數據標簽的有監督設計，這對訓練數據的采集提出了很高的要求。例如，在訓練數據采集時，受試者必須集中精力，嚴格地按照提示標簽進行運行想象。然而，受試者自身的疲勞程度、運動想象經驗和方式以及外界干擾等均會對數據采集實驗的效果產生無法預知的影響，因此真實思維活動與標簽提示信息不一致的現象時有發生。這些錯誤標注的訓練數據很難通過人工檢查的方式進行剔除，由此會造成 CSP 濾波器性能的明顯下降。不過 ICA 也有其固有的不足，如獨立分量（independent components，ICs）幅度和排序的不確定性。這一問題的存在一定程度上制約了在線 ICA-BCI 系統的建立，且到目前為止，也未見特別有效的解決方法。常見的思路是用不同特征的融合進行運動相關獨立分量（motor related indepen-dent components，MRICs）的識別[14-15]，但現有方法的通用性并不理想。
從近十年公開的研究資料來看，雖然有不少關于 ICA 與 MIBCI 結合研究的報道，但大多屬于離線情況下的算法性能分析和驗證，真正涉及在線 ICA-MIBCI 系統實現研究的報道則比較少見。本文設計并實現了一種新的在線 ICA-MIBCI 系統，并測試和驗證了所提方案的有效性和實用性。系統算法模塊在 VC++ 環境下編程實現，包括用戶界面、信號處理和識別等模塊。其中，系統實現最為關鍵的是信號處理模塊，由 EEG 帶通預處理、ICA 空域濾波和分類器三部分組成，下面具體介紹實現的方法和策略。
1 方法
該系統硬件平臺由 NeuroScan 多導 EEG 采集放大器和 PC 機組成。包括運行 STIM 刺激軟件的刺激電腦，運行 SCAN 采集服務器軟件的采集電腦和運行 ICA-MIBCI 系統的客戶機。ICA-MIBCI 是這套平臺的核心系統。系統在 SCAN4.5 提供的客戶端軟件上進行二次開發，主要由信號采集與預處理、 ICA 空域濾波設計和運動想象分類等模塊組成，實驗平臺結構圖如圖 1 所示。基于該系統，可實現離線訓練、離線和在線運動想象識別等任務。本系統的特色體現于 ICA 相關的 MRICs 濾波器優化設計及應用。在實際操作過程中，考慮到個體差異性需要對系統參數進行必要的調整，因此，在系統界面設計上提供了系統基本參數的手動設置選項。操作者可根據經驗或當前分析結果，對導聯分布、ICA 學習樣本時長、預處理濾波器截止頻率和 ERD/ERS 時-頻段等參數進行手動設置。需要說明的是，根據我們前期對多位受試者 MI-EEG 數據的離線分析結果，基本確定了一些關鍵性系統參數，如 ICA 初始化參數、訓練樣本時長和數字濾波截止頻率等。總體上看，針對不同受試者所需進行的系統參數調整工作不大。但針對某些個體，最優導聯分布和 ERD/ERS 頻段會有所差別。
本系統通常采集 16 導聯 MI-EEG 數據，具體為 VEOU、VEOL、Fp1、Fp2、Fc3、Fcz、Fc4、C3、Cz、C4、Cp3、Cpz、Cp4、O1、Oz、O2。但針對不同受試者，選用 8 或 9 導聯 EEG 作為 BCI 輸入，分別是：{Fp1、Fp2、C3、Cz、C4、O1、Oz、O2}和{Fc3、Fcz、Fc4、C3、Cz、C4、Cp3、Cpz、Cp4}。前期研究表明，過多導聯（例如采集眼電導聯）的使用，對改善 ICA 濾波和 BCI 系統的整體識別性能并沒有太多幫助。另外，為了驗證本文運動想象實驗范式及其數據的有效性，我們采用 BCILAB 實驗平臺對全部實驗數據進行了驗證。
圖1
系統結構圖
Figure1.
System structure diagram
1.1 信號采集與預處理
系統通過 Neuroscan 公司的 NuAmps 腦電放大器實時獲取腦電信號。為了增強實用性，系統并沒有對導聯數量做特別限制，使用時可根據實際需要靈活調整。圖 2 給出了系統的導聯選擇及參數設置界面。本文使用 8 導聯（Fp1、Fp2、C3、Cz、C4、O1、Oz、O2）數據設計濾波器，信號的采樣頻率是 250 Hz，使用國際通用的 10–20[16-17]方式安放電極，選取A2為參考電極。實驗范式如圖 3 所示。
圖2
設置面板
Figure2.
Setting panel
圖3
實驗范式
Figure3.
Experimental paradigm
實驗中的開始、結束標志，想象開始、結束的標志以及提示想象類型的箭頭等由刺激電腦上的 STIM 軟件提供。每個單次試驗（trial）的時長為 10 s，實驗開始時客戶端顯示開始標志，1 s 后隨機顯示一個向左（左手）、向右（右手）或者向下（腳）的箭頭，受試者開始根據提示進行想象，想象時間持續 6 s，在第 7 秒結束，最后 3 s 界面黑屏，受試者可進行短暫的休息等待下次實驗開始。我們選擇每個單次試驗中 0.5～6 s 的想象數據段用于分類測試，樣本長度為 1 325（5.5*250）。由于 ICA 濾波器屬于無監督設計，其性能與受試者思維狀態無關。因此，可在實驗開始前連續采集一定時長的數據用于 ICA 濾波器設計。為了減少每次實驗前的訓練時間，本系統也可以讀取 SCAN 軟件保存的 EEG 數據用于 ICA 空域濾波器設計。
SCAN 軟件對采集到的信號進行了 50 Hz 陷波和 0.5～100 Hz 帶通濾波等基本的預處理后將 EEG 信號和 STIM 軟件產生的 Event 刺激信息封裝成數據包發送給客戶機上的 ICA-MIBCI 系統。服務器與客戶機之間采用 TCP/IP 協議傳輸數據。ICA-MIBCI 系統對傳入的原始 EEG 信號只進行了 8～30 Hz 的數字帶通預處理，這一濾波參數對全部受試者是統一的。原因之一是該頻段基本包含了運動相關 EEG 節律成分。另一重要原因是過窄的頻域濾波會導致 ICA 算法性能的下降。但針對 ICA 分離出的 MRICs 成分，系統一般采用 10～14 Hz 窄帶濾波進一步改善信噪比，不過針對不同的受試者，這一參數會有適當調整。
1.2 ICA 濾波器設計
ICA 濾波器設計及應用模塊是本系統的核心模塊，下面對本文的 ICA 算法和 MRICs 檢測濾波器的自動選取流程進行詳細的介紹。
1.2.1 ICA 算法 頭皮 EEG 可看成是由各神經皮層的神經活動在頭皮電極位置的疊加。如果用 s （ t ）=[s1（t）,s2（t）, ,sn （t）]T 表示位于大腦不同區域的 EEG 源和非神經活動干擾源（眼電、心電、頭皮肌電和工頻干擾等），那么 ICA-BCI 系統中通過電極帽采集的n 導聯 EEG 信號 x （ t ）=[x1（t）,x2（t）, ,xn （t）]T 可以視為由隱含源 s （ t ）經線性組合而成的混合信號，如式（1），其中 A 為未知的混合矩陣。
| ${x}\left( {t} \right) ={ {A}} \cdot {s}\left( {t} \right)$ |
所以需要從 x （ t ）中分離出真實的 EEG 源信號，式（2）是與式（1）對應的解混公式，式中 W 為分離矩陣， u （ t ）是對源信號 s （ t ）的估計值。
| ${u}\left( {t} \right) = {W} \cdot {x}\left( {t} \right)$ |
系統中使用了我們[6]自行編寫的 ICA 算法，算法采用信息極大原理為獨立性度量準則，使用自然梯度進行對分離矩陣 W 進行迭代學習。學習公式如下：
| $\Delta {W} \propto [{I} - {K}\tanh ({u}){{u}^T} - {u}{{u}^T}] {W}$ |
式（3）中 K 為對角矩陣，用于切換不同的概率模型，稱為切換矩陣，其維數等于 EEG 導聯數。根據對 u （ t ）各分量峭度值的動態估計確定 K 中對角線元素的取值，源信號滿足超高斯分布時取 1，滿足亞高斯分布時取 －1。為了避免 ICA 輸出“幅度模糊”對后續算法的影響，對估計源 u （ t ）進行了方差歸一化處理，并同時對 A 和 W 做相應調整：
| ${u} = {u}/diag(std({u}))$ |
| ${A} = {{W}^{ - 1}} \cdot diag(std({u}))$ |
式中diag（std（ u ））操作為：求取 u 的標準差并將其轉化為對角矩陣。
ICA 分析得到的空域濾波器（即為 W 矩陣的列向量）中包含了我們需要的 MRICs 檢測濾波器；矩陣 A 的各列表示對應獨立分量的空域特征。
1.2.2 MRICs 檢測濾波器的自動選取 基于運動想象 EEG 的 BCI 系統的主要問題是信號弱，容易受到非目標噪聲（如眼電、心電、頭皮肌電和工頻干擾等）的干擾，所以需要從其中提取出真實的運動相關神經活動成分。具體到 ICA-BCI 系統，則要求算法能夠自動完成 MRICs 的提取，并且算法復雜度要盡可能低。目前很多基于 EEG 的 BCI 系統采用頻域/空域特征相結合的方式實現 MRICs 檢測濾波器的自動提取。但根據我們的研究，僅采用空域特征與空-頻域特征結合在結果上相差并不明顯[6 ]，但前者的算法復雜度卻大為降低，有利于實現在線系統。所以本文建立的 BCI 系統中僅使用空域特征從 ICA 濾波器中提取 MRICs 檢測濾波器。提取過程如圖 4 所示。
圖4
MRICs檢測濾波器的自動選取算法
Figure4.
Automatic selection algorithm of MRICs filter
我們以 8 導聯{Fp1、Fp2、C3、Cz、C4、O1、Oz、O2}為例，并結合圖 4 所示框圖，對本文運動想象識別過程進行簡述。從圖 4 可知，為了設計 ICA 濾波器，需要采集若干 EEG 數據作為訓練樣本，此時受試者只要保持身體的相對安靜即可，無需進行運動想象。在 8 個檢測電極中，C3、Cz、C4 處于運動皮層位置，它們是用于運動想象檢測和分類的“主電極”，電極位置序號分別為r=3（右手想象），f=4（腳想象），l=5（左手想象）。其他 5 個電極稱之為“輔助電極”。ICA 通過對訓練樣本的學習，獲得 EEG 源與頭皮電極間的空間混合模型 A ={a1, ,a8}和分離模型 W ={w1, ,w8}。aj 與wj ，j=1, , 8 分別是混合矩陣 A 和分離矩陣 W 的列向量。其中aj 的 8 個元素分別表示第j 個估計源uj （t）在 8 個頭皮檢測電極的投影系數，其絕對值大小反映了 EEG 源uj （t）傳輸到頭皮電極的衰減情況，與空間傳輸距離近似成反比關系。因此，位于運動皮層的三個 EEG 源應該分別在 C3、Cz、C4 電極具有最大的投影系數。在圖 4 所示的算法流程中，上述 ICA 混合模型的空域特征被用于從wj ，j=1, , 8 中確定三類運動想象 MRICs 檢測濾波器{wr ,wf ,wl }。在此基礎上，結合運動想象誘發的 ERD 現象，實現對三類運動想象 EEG 的分類。
本文算法的另一關鍵環節是對所得 ICA 濾波器的有效性進行初步判斷。具體標準是：混合矩陣 A 中，必須同時包含三個列向量，它們分別在主電極 C3、Cz、C4 位置具有最大投影系數。為了便于說明，文中給出了兩例由不同訓練樣本得到的 ICA 混合模型 A1 和 A2 ，向量P1 和P2 分別是 A1 和 A2 所含 8 個列向量中最大元素所在的位置序號。
| $\begin{array}{l} {P_1} = [6\;\;3\;\;5\;\;7\;\;8\;\;2\;\;4\;\;1]\\ {P_2} = [4\;\;7\;\;1\;\;3\;\;6\;\;2\;\;3\;\;8] \end{array}$ |
由P1 和P2 可知， A1 中的a2，a3 和a7 三列的最大元素位置序號分別是 3（C3）、5（C4）、4（Cz），滿足有效設計條件。而 A 2 則沒有包含滿足條件的三列，可舍棄。
為了進一步優化濾波器，可采用不同的 EEG 數據段設計多組 MRICs 檢測濾波器{wr ,wf ,wl }（m）,m=1, ,M。然后基于相同的測試集對不同 MRICs 濾波器組的識別率進行比較，從中選擇出最優的一組構建最終的 BCI 系統。
1.3 運動想象分類
圖 5 給出了運動想象分類模塊的處理流程，根據運動想象的 ERD 現象，分別計算 MRICs 中運動想象時段的方差，并求取方差最小值，然后根據圖 5 所示的策略判斷運動想象類型，并將判斷結果對應的箭頭顯示在程序主界面上。受試者可以根據當前結果的準確性對后續的想象方式做出調整。
圖5
運動想象分類流程圖
Figure5.
Flowchart of motor imagery classification
1.4 算法小結
本文的 ICA-BCI 算法具有以下特點：① 充分發揮了 ICA 濾波器的無監督設計這一優勢，很大程度上減輕了訓練數據采集的難度和工作量，同時也有利于緩解受試者的疲勞度；② MRICs 檢測濾波器的設計和基于方差比較的“零學習”分類方法簡單實用，非常有利于在線 BCI 系統的實現；③ 系統兼具離線和在線分析功能，各算法模塊的調整非常方便，并具有良好的用戶界面。
2 結果與分析
數據采集分為兩個階段：離線模式和在線模式。在離線模式下，數據采集由設計實驗范式的刺激電腦和數據采集電腦組成，不具備識別結果實時反饋功能，僅僅采集運動想象實驗范式的腦電數據，然后進行離線數據分析，驗證我們所提方法的可行性和尋求最佳的參數設置。而在線模式數據采集時，系統運行階段增加識別模塊，可以實時把當次識別結果反饋給受試者。參與本文實驗的共有四名受試者，均為 22 歲左右的在讀研究生，右利手，身體健康，無腦神經系統病史，在實驗之前均簽署知情同意書，實驗結束后獲得一定報酬。性別組成為，女：S1、S2、S3；男：S4。四名受試者中，S1、S2 較其他兩位受試者參與過更多的運動想象實驗，具有更豐富的經驗。根據多次實驗數據的反饋，S2 的最佳想象頻段為 12～16 Hz，其他三位的最佳頻段為 10～14 Hz。四名受試者均參加了離線模式階段的數據測試，其中 S1 和 S2 還參加了在線模式階段的測試。
2.1 離線模式
離線模式具體測試過程是：先按 1.1 節介紹的實驗范式采集 45 次想象數據（三種想象類型隨機出現且總次數都為 15 次），離線階段保存的數據文件名依次記為 S1_off、S2_off、S3_off 和 S4_off。表 1 是本文的 BCI 系統在離線模式下得到的四位受試者的運行想象識別率。我們使用滑動窗在數據中選取樣本設計濾波器：每次選取運動想象提示后時長為 100 s 的數據（相當于 10 個連續單次試驗的時間長度），滑動步長為一個單次想象的數據長度 （250 Hz*10 s=2 500）。得到 ICA 濾波器后根據圖 4 和圖 5 所示 BCI 算法流程，用各受試者的濾波器分別測試其各自的 EEG 數據，我們稱這種測試方式為自測試。根據上述的實驗設計，每個受試者的離線自測試都得到 36 個識別率，統計其中的平均識別率和最高識別率如表 1 所示。可以看到，針對四個受試者的離線模式實驗，本文算法都取得了較好的運動想象識別結果
表1
離線運動想象識別率（%）
Table1.
Recognition rate of offline motor imagination（%）
2.2 在線模式
受試者 S1 和 S2 參加了在線模式的測試。根據不同受試者的實驗習慣，S1 在實驗過程中保持閉眼狀態，通過語音提示進行實驗；S2 則全程保持睜眼狀態。本文前期的研究表明，針對相同的個體，基于本文方法設計的 ICA 濾波器具有較好的一致性和普適性。因此，進行在線 BCI 實驗時，在表 1 中各受試者的“最高識別率”所對應的 MRICs 濾波器和相關系統參數可事先保存，用于該受試者的在線 BCI 系統實驗。為了得到更好的實驗效果，MRICs 濾波器也可采用現場設計的方式，其他系統參數如最佳濾波頻段、導聯選擇等采用離線分析時得到的數據。開始在線實驗后，先采集 100 s 的腦電數據用于 MRICs 濾波器設計，此階段受試者不需要進行運動想象，數據保存的文件名分別記為 S1_100s_rest 和 S2_100s_rest。然后由剛采集的 100 s 腦電數據訓練空間濾波器，此后系統即可進入在線測試階段。我們對 S1、S2 分別進行了 45 次（三種想象類型分別隨機出現 15 次）在線運動想象自測試實驗，并保存在線運動想象數據，分別記為 S1_on 和 S2_on。在線測試結果分別表示為 S1_100s_rest/S1_on 和 S2_100s_rest/S2_on，識別正確率在表 2 中以黑體表示，可以看出兩位受試者的結果恰巧都是 88.89%。在線測試階段，受試者在完成每個運動想象任務以后，系統反饋識別結果，系統測試與反饋過程如圖 6 所示。
圖6
系統界面
Figure6.
System panel
近年來，不少研究者嘗試用改進的機器學習方法和前期保存的數據集設計和訓練 BCI 系統[18-21]，在此基礎上開展受試者之間的交叉測試研究。本文也進行了類似的交叉測試實驗。由于本文系統屬于同步 BCI 系統，離線模式與在線模式除了數據獲取方式不同外，其他的處理過程基本一致。具體方法為：選取 S3、S4 在離線分析時識別率最高的濾波器分別測試 S1、S2 的在線數據，即 S3、S4 的離線數據為訓練集，S1、S2 的在線數據為測試集，為了便于描述，我們把這四次交叉測試分別記為 S3_off/S1_on、S3_off/S2_on、S4_off/S1_on 和 S4_off/S2_on。其次，我們同時采用兩位受試者非運動想象階段的 100 s 數據對其他受試者在線數據進行交叉測試，測試結果表示為 S1_100s_rest/S2_on 和 S2_100s_rest/S1_on。這樣得到 8 個測試結果，平均識別率為 81.95%，每項交叉測試結果如表 2 所示。
表2
在線運動想象識別率（%）
Table2.
Average recognition rate of online motor imagination
2.3 分析
從表 1 可以看出對于不同的受試者，本文設計的濾波器均能表現出較好的性能，但不同受試者的自測試結果有一定差別，其中 S2 的測試結果最佳，S4 則相對較差，可能是因為 S4 參加運動想象實驗的次數相對較少，對實驗流程與想象方式還不太熟悉。但這只是一種猜測，因為在其他不同時間點的實驗中，四位受試者的運動現象識別率都會有一定的起伏，其原因很難判斷，這可能與受試者當時的精神狀態和運動想象方式的差異有關。我們認為，通過對 BCI 的使用者進行更加有效的訓練，可能會緩解這一現象。
在表 2 中，S1 和 S2 的在線自測試取得了相同的識別率，而 S3、S4 與 S1、S2 之間的交叉測試結果卻有較大的起伏：S3_off/S1_on 和 S4_off/S1_on的結果均好于 S3_off/S2_on 和 S4_off/S2_on。我們對上述現象進行了分析，由于ICA是一種基于模型的空域濾波方法[22]，其混合模型參數很大程度上反映了位于腦皮層的運動相關 EEG 源與頭皮電極間的傳輸通路特性。因此，不同受試者之間的交叉驗證效果與基于不同 EEG 數據所得的 ICA 混合模型間的匹配程度有密切關系。總體上看，影響 ICA 模型匹配的原因大致可歸納為以下幾點：① 不同受試者頭型和腦解剖結構的差異及匹配程度；② 電極安放位置的差異。另外需要說明的是，由于不同受試者的頭型大小不一樣，本文實驗中，我們使用了兩個電極帽，其中 S1、S3、S4 使用的電極帽型號相同，且不同于 S2 所使用的型號。S3_off/S1_on 和 S3_off/S2_on 在識別率上的較大差異可能與佩戴電極帽的不同也有很大關系。另外，從運動想象數據“質量”上分析，S1 在試驗過程中保持閉眼狀態，有助于其在運動想象過程中更好地集中注意力，且不會因為系統界面給出的結果反饋對其造成干擾。
對比表 1 和表 2，S1 和 S2 在離線分析中的平均識別率比在線分析要高出 3% 左右，雖然差別不是很大，但卻具有較強的一致性（兩名受試者的離線識別率均高于在線識別率）。考慮本文的在線 BCI 實驗是在同步模式下進行的（同步 BCI），因此理論上離線和在線模式的識別率誤差應具有一定的隨機性。另外，系統界面提供的識別結果反饋信息，理論上也應該有助于改善識別率。但實際情況與預期結果存在一定的偏差。我們分析，出現上述現象的原因可能有以下幾個方面：
（1）在線實驗過程中，數據采集和識別結果幾乎是同步的。對習慣于離線實驗模式的受試者而言，即時反饋信息可能會給他們帶來情緒的緊張和波動。另外，軟件界面布局和提供反饋信息的方式也可能存在不合理性（比如 EEG 波形顯示等）。
（2）雖然在 ICA 濾波器獲取訓練樣本時，受試者想象與否對濾波器性能沒有影響，但這并不表示 ICA 對樣本數據的質量毫無要求。本課題組前期研究表明[6]，一些突發干擾（如不自主運動誘發的肌電或帶動電極導線等）對 ICA 算法的影響是比較明顯的。離線模式下，受試者相對比較放松，因此突發干擾情況相對較少。在線模式下，反饋信息可能會引起受試者情緒的較大波動，產生突發隨機干擾的可能性會有所增加。
為了說明突發隨機干擾對 ICA 性能的影響，我們用 S3 在不同時間采集的兩組數據（S3-1、S3-2）進行說明。實驗以 S3-1 為訓練數據，樣本選取方式與第 2 節中離線分析實驗相同，分別對 S3-1（自測試）和 S3-2（組間交叉）進行測試。結果如圖 7 所示，圖中橫軸數字表示基于 100 s 滑動窗數據設計的 ICA 濾波器的序號，縱軸是該濾波器所對應的識別率。
圖7
S3-1設計的60組濾波器的測試結果
Figure7.
Accuracies corresponding to 60 filters calculated on S3-1
從圖 7 的 S3-1 自測試中可以看出第 39～45 組濾波器的性能明顯差于其他濾波器。為了找到此處性能下降的原因，我們用人工方式對 S3-1 原始腦電數據進行檢查，發現 Trial-39 標簽開始后的 100 s 腦電數據中有明顯的突發脈沖干擾。由于本文 ICA 濾波器的設計樣本是 100 s 滑動窗數據，相鄰數據窗有 90 s 重疊，因此后續若干滑動窗數據中同樣會包含 Trial-39 的干擾數據段，因此導致相應的識別率較低。另外，Trial-45 到 Trial-46 之間為運動想象實驗的暫停狀態，此階段沒有運動想象事件標簽，但數據采集仍然繼續，持續時間約為 182 s，因此從 Trial-46 開始選取的 100 s 腦電數據不包括上述干擾數據段，識別率恢復正常。
由于本文實驗采用的導聯數較少，ICA 對圖 8 所示的突發干擾也難以有效分離，因此對 ICA 濾波器性能造成了很大的影響。通過與受試者的交流我們得知，這類突發干擾的產生可能與受試者在想象過程中身體不自主運動所引起的導線擺動和電極位移有關。所以在訓練數據采集時，應提醒受試者盡可能保持身體特別是頭部的相對靜止。好在本文 ICA-BCI 的訓練數據采集時間一般不超過 100 s，相比 CSP 訓練數據采集所需的時間（幾十分鐘）要短很多，受試者保持身體的相對靜止并不難做到。
圖8
Trial-39 標簽開始后 100 s 三導原始腦電時域波形圖（C3、Cz、C4）
Figure8.
Temporal waveform of 100 s EEG segment after the cue of Trial-39（3 channels: C3, Cz, C4）
3 結論
本文提出并實現了一種在線 ICA-BCI 系統。在 ICA 濾波器設計方面，本文采用了一種新的設計和優化策略，較好地解決了傳統 ICA 應用模式所面臨的一些問題，例如 MRICs 及其檢測濾波器的選擇以及突發干擾對 ICA 算法性能的影響等。實驗結果表明，本文所提出的方法不僅獲得了較好的運動想象識別率，而且算法的時間空間復雜度較低，具有較好的在線處理能力。其次系統采用 C++ 語言編寫，使用 TCP/IP 協議傳輸數據，具備較好的實時性，有移植到便攜式平臺的潛力。系統同時具備離線分析功能，可在進行在線 BCI 實驗之前，通過分析受試者的離線數據，針對性地調整系統的參數設置，以便得到更好的實驗效果。總體上看，本文較好地驗證了 ICA 算法用于在線 MIBCI 系統的可行性。
本文的后續研究將從以下幾個方面展開：進一步提高算法的識別精度和魯棒性；探尋異步 ICA-BCI 的實現策略，并基于此建立異步在線 ICA-MIBCI 系統。
引言
腦-機接口（brain-computer interface，BCI）技術是一種新型的人-機交互技術，它通過在人腦與外部電子設備之間建立通道，將人腦的神經活動直接轉換為控制命令完成預定操作[1-4]。BCI的應用領域大致包括：① 為思維正常但行動不便的人群提供一種與外界交流或康復訓練的新手段；② 提供一種基于思維控制的游戲娛樂新方式；③ 結合生物傳感器和可穿戴技術設計出更加智能化的可穿戴設備等[5]。在眾多的 BCI 分類中，基于頭皮腦電（electroencephalogram，EEG）的非植入式 BCI 系統因其輸入信號 EEG 的采集方式簡單、無創，且具有毫秒量級的時間分辨率等顯著優點，得到了較快的發展[6]。隨著計算機技術、微電極技術和生物傳感器技術的發展，探尋 BCI 的實際應用模式和實用化技術已成為 BCI 研究領域的重要研究內容。
控制信號的特征提取和模式識別是 BCI 系統的核心模塊。近年來以獨立分量分析（independent component analysis，ICA）和共同空間模式（common spatial pattern，CSP）為代表的空域濾波方法被越來越多地應用到 BCI 系統的研究中。CSP 基于協方差矩陣的聯合對角化，利用信號的時空特性尋找最優化的空間濾波器，是一種有效的 EEG 特征提取方法[7-8]。CSP 濾波器的設計屬于有監督設計（需要利用數據類型標簽），對數據的采集質量和標簽信息的準確性要求比較高。為了提高 CSP-BCI 的識別性能, 一般采用 EEG 信號的事件相關去同步化/同步化（event-related desynchronization/synchroniza-tion，ERD/ERS）數據段來設計 CSP 濾波器，因此需要對 EEG 信號進行比較合理的時頻域分析[6,8-9]。ICA 是一種基于高階統計分析和非高斯性的新型盲源分離方法，它能利用傳感器陣列采集的多通道觀測信號，通過無監督學習方法，估計源和傳感器間的信號傳輸模型（空間混合模型），在此基礎上，構建空域濾波器，實現隱含獨立源的分離，從而完成對有用信號特征的提取[10]。現有的研究表明，ICA 在 EEG 信號的消噪、混迭信號分離、特征提取等方面有很大的優勢[11-13]。但更值得強調的是，ICA 濾波器是一種具有明確物理意義的空域濾波器，其設計過程不依賴數據的標簽信息（無監督設計），可以采用任意連續 EEG 數據段進行 ICA 濾波器設計，因此明顯降低了訓練數據采集過程的操作難度。相比而言，雖然 CSP 濾波設計以“最大可區分性”為準則，但屬于依賴數據標簽的有監督設計，這對訓練數據的采集提出了很高的要求。例如，在訓練數據采集時，受試者必須集中精力，嚴格地按照提示標簽進行運行想象。然而，受試者自身的疲勞程度、運動想象經驗和方式以及外界干擾等均會對數據采集實驗的效果產生無法預知的影響，因此真實思維活動與標簽提示信息不一致的現象時有發生。這些錯誤標注的訓練數據很難通過人工檢查的方式進行剔除，由此會造成 CSP 濾波器性能的明顯下降。不過 ICA 也有其固有的不足，如獨立分量（independent components，ICs）幅度和排序的不確定性。這一問題的存在一定程度上制約了在線 ICA-BCI 系統的建立，且到目前為止，也未見特別有效的解決方法。常見的思路是用不同特征的融合進行運動相關獨立分量（motor related indepen-dent components，MRICs）的識別[14-15]，但現有方法的通用性并不理想。
從近十年公開的研究資料來看，雖然有不少關于 ICA 與 MIBCI 結合研究的報道，但大多屬于離線情況下的算法性能分析和驗證，真正涉及在線 ICA-MIBCI 系統實現研究的報道則比較少見。本文設計并實現了一種新的在線 ICA-MIBCI 系統，并測試和驗證了所提方案的有效性和實用性。系統算法模塊在 VC++ 環境下編程實現，包括用戶界面、信號處理和識別等模塊。其中，系統實現最為關鍵的是信號處理模塊，由 EEG 帶通預處理、ICA 空域濾波和分類器三部分組成，下面具體介紹實現的方法和策略。
1 方法
該系統硬件平臺由 NeuroScan 多導 EEG 采集放大器和 PC 機組成。包括運行 STIM 刺激軟件的刺激電腦，運行 SCAN 采集服務器軟件的采集電腦和運行 ICA-MIBCI 系統的客戶機。ICA-MIBCI 是這套平臺的核心系統。系統在 SCAN4.5 提供的客戶端軟件上進行二次開發，主要由信號采集與預處理、 ICA 空域濾波設計和運動想象分類等模塊組成，實驗平臺結構圖如圖 1 所示。基于該系統，可實現離線訓練、離線和在線運動想象識別等任務。本系統的特色體現于 ICA 相關的 MRICs 濾波器優化設計及應用。在實際操作過程中，考慮到個體差異性需要對系統參數進行必要的調整，因此，在系統界面設計上提供了系統基本參數的手動設置選項。操作者可根據經驗或當前分析結果，對導聯分布、ICA 學習樣本時長、預處理濾波器截止頻率和 ERD/ERS 時-頻段等參數進行手動設置。需要說明的是，根據我們前期對多位受試者 MI-EEG 數據的離線分析結果，基本確定了一些關鍵性系統參數，如 ICA 初始化參數、訓練樣本時長和數字濾波截止頻率等。總體上看，針對不同受試者所需進行的系統參數調整工作不大。但針對某些個體，最優導聯分布和 ERD/ERS 頻段會有所差別。
本系統通常采集 16 導聯 MI-EEG 數據，具體為 VEOU、VEOL、Fp1、Fp2、Fc3、Fcz、Fc4、C3、Cz、C4、Cp3、Cpz、Cp4、O1、Oz、O2。但針對不同受試者，選用 8 或 9 導聯 EEG 作為 BCI 輸入，分別是：{Fp1、Fp2、C3、Cz、C4、O1、Oz、O2}和{Fc3、Fcz、Fc4、C3、Cz、C4、Cp3、Cpz、Cp4}。前期研究表明，過多導聯（例如采集眼電導聯）的使用，對改善 ICA 濾波和 BCI 系統的整體識別性能并沒有太多幫助。另外，為了驗證本文運動想象實驗范式及其數據的有效性，我們采用 BCILAB 實驗平臺對全部實驗數據進行了驗證。
圖1
系統結構圖
Figure1.
System structure diagram
1.1 信號采集與預處理
系統通過 Neuroscan 公司的 NuAmps 腦電放大器實時獲取腦電信號。為了增強實用性，系統并沒有對導聯數量做特別限制，使用時可根據實際需要靈活調整。圖 2 給出了系統的導聯選擇及參數設置界面。本文使用 8 導聯（Fp1、Fp2、C3、Cz、C4、O1、Oz、O2）數據設計濾波器，信號的采樣頻率是 250 Hz，使用國際通用的 10–20[16-17]方式安放電極，選取A2為參考電極。實驗范式如圖 3 所示。
圖2
設置面板
Figure2.
Setting panel
圖3
實驗范式
Figure3.
Experimental paradigm
實驗中的開始、結束標志，想象開始、結束的標志以及提示想象類型的箭頭等由刺激電腦上的 STIM 軟件提供。每個單次試驗（trial）的時長為 10 s，實驗開始時客戶端顯示開始標志，1 s 后隨機顯示一個向左（左手）、向右（右手）或者向下（腳）的箭頭，受試者開始根據提示進行想象，想象時間持續 6 s，在第 7 秒結束，最后 3 s 界面黑屏，受試者可進行短暫的休息等待下次實驗開始。我們選擇每個單次試驗中 0.5～6 s 的想象數據段用于分類測試，樣本長度為 1 325（5.5*250）。由于 ICA 濾波器屬于無監督設計，其性能與受試者思維狀態無關。因此，可在實驗開始前連續采集一定時長的數據用于 ICA 濾波器設計。為了減少每次實驗前的訓練時間，本系統也可以讀取 SCAN 軟件保存的 EEG 數據用于 ICA 空域濾波器設計。
SCAN 軟件對采集到的信號進行了 50 Hz 陷波和 0.5～100 Hz 帶通濾波等基本的預處理后將 EEG 信號和 STIM 軟件產生的 Event 刺激信息封裝成數據包發送給客戶機上的 ICA-MIBCI 系統。服務器與客戶機之間采用 TCP/IP 協議傳輸數據。ICA-MIBCI 系統對傳入的原始 EEG 信號只進行了 8～30 Hz 的數字帶通預處理，這一濾波參數對全部受試者是統一的。原因之一是該頻段基本包含了運動相關 EEG 節律成分。另一重要原因是過窄的頻域濾波會導致 ICA 算法性能的下降。但針對 ICA 分離出的 MRICs 成分，系統一般采用 10～14 Hz 窄帶濾波進一步改善信噪比，不過針對不同的受試者，這一參數會有適當調整。
1.2 ICA 濾波器設計
ICA 濾波器設計及應用模塊是本系統的核心模塊，下面對本文的 ICA 算法和 MRICs 檢測濾波器的自動選取流程進行詳細的介紹。
1.2.1 ICA 算法 頭皮 EEG 可看成是由各神經皮層的神經活動在頭皮電極位置的疊加。如果用 s （ t ）=[s1（t）,s2（t）, ,sn （t）]T 表示位于大腦不同區域的 EEG 源和非神經活動干擾源（眼電、心電、頭皮肌電和工頻干擾等），那么 ICA-BCI 系統中通過電極帽采集的n 導聯 EEG 信號 x （ t ）=[x1（t）,x2（t）, ,xn （t）]T 可以視為由隱含源 s （ t ）經線性組合而成的混合信號，如式（1），其中 A 為未知的混合矩陣。
| ${x}\left( {t} \right) ={ {A}} \cdot {s}\left( {t} \right)$ |
所以需要從 x （ t ）中分離出真實的 EEG 源信號，式（2）是與式（1）對應的解混公式，式中 W 為分離矩陣， u （ t ）是對源信號 s （ t ）的估計值。
| ${u}\left( {t} \right) = {W} \cdot {x}\left( {t} \right)$ |
系統中使用了我們[6]自行編寫的 ICA 算法，算法采用信息極大原理為獨立性度量準則，使用自然梯度進行對分離矩陣 W 進行迭代學習。學習公式如下：
| $\Delta {W} \propto [{I} - {K}\tanh ({u}){{u}^T} - {u}{{u}^T}] {W}$ |
式（3）中 K 為對角矩陣，用于切換不同的概率模型，稱為切換矩陣，其維數等于 EEG 導聯數。根據對 u （ t ）各分量峭度值的動態估計確定 K 中對角線元素的取值，源信號滿足超高斯分布時取 1，滿足亞高斯分布時取 －1。為了避免 ICA 輸出“幅度模糊”對后續算法的影響，對估計源 u （ t ）進行了方差歸一化處理，并同時對 A 和 W 做相應調整：
| ${u} = {u}/diag(std({u}))$ |
| ${A} = {{W}^{ - 1}} \cdot diag(std({u}))$ |
式中diag（std（ u ））操作為：求取 u 的標準差并將其轉化為對角矩陣。
ICA 分析得到的空域濾波器（即為 W 矩陣的列向量）中包含了我們需要的 MRICs 檢測濾波器；矩陣 A 的各列表示對應獨立分量的空域特征。
1.2.2 MRICs 檢測濾波器的自動選取 基于運動想象 EEG 的 BCI 系統的主要問題是信號弱，容易受到非目標噪聲（如眼電、心電、頭皮肌電和工頻干擾等）的干擾，所以需要從其中提取出真實的運動相關神經活動成分。具體到 ICA-BCI 系統，則要求算法能夠自動完成 MRICs 的提取，并且算法復雜度要盡可能低。目前很多基于 EEG 的 BCI 系統采用頻域/空域特征相結合的方式實現 MRICs 檢測濾波器的自動提取。但根據我們的研究，僅采用空域特征與空-頻域特征結合在結果上相差并不明顯[6 ]，但前者的算法復雜度卻大為降低，有利于實現在線系統。所以本文建立的 BCI 系統中僅使用空域特征從 ICA 濾波器中提取 MRICs 檢測濾波器。提取過程如圖 4 所示。
圖4
MRICs檢測濾波器的自動選取算法
Figure4.
Automatic selection algorithm of MRICs filter
我們以 8 導聯{Fp1、Fp2、C3、Cz、C4、O1、Oz、O2}為例，并結合圖 4 所示框圖，對本文運動想象識別過程進行簡述。從圖 4 可知，為了設計 ICA 濾波器，需要采集若干 EEG 數據作為訓練樣本，此時受試者只要保持身體的相對安靜即可，無需進行運動想象。在 8 個檢測電極中，C3、Cz、C4 處于運動皮層位置，它們是用于運動想象檢測和分類的“主電極”，電極位置序號分別為r=3（右手想象），f=4（腳想象），l=5（左手想象）。其他 5 個電極稱之為“輔助電極”。ICA 通過對訓練樣本的學習，獲得 EEG 源與頭皮電極間的空間混合模型 A ={a1, ,a8}和分離模型 W ={w1, ,w8}。aj 與wj ，j=1, , 8 分別是混合矩陣 A 和分離矩陣 W 的列向量。其中aj 的 8 個元素分別表示第j 個估計源uj （t）在 8 個頭皮檢測電極的投影系數，其絕對值大小反映了 EEG 源uj （t）傳輸到頭皮電極的衰減情況，與空間傳輸距離近似成反比關系。因此，位于運動皮層的三個 EEG 源應該分別在 C3、Cz、C4 電極具有最大的投影系數。在圖 4 所示的算法流程中，上述 ICA 混合模型的空域特征被用于從wj ，j=1, , 8 中確定三類運動想象 MRICs 檢測濾波器{wr ,wf ,wl }。在此基礎上，結合運動想象誘發的 ERD 現象，實現對三類運動想象 EEG 的分類。
本文算法的另一關鍵環節是對所得 ICA 濾波器的有效性進行初步判斷。具體標準是：混合矩陣 A 中，必須同時包含三個列向量，它們分別在主電極 C3、Cz、C4 位置具有最大投影系數。為了便于說明，文中給出了兩例由不同訓練樣本得到的 ICA 混合模型 A1 和 A2 ，向量P1 和P2 分別是 A1 和 A2 所含 8 個列向量中最大元素所在的位置序號。
| $\begin{array}{l} {P_1} = [6\;\;3\;\;5\;\;7\;\;8\;\;2\;\;4\;\;1]\\ {P_2} = [4\;\;7\;\;1\;\;3\;\;6\;\;2\;\;3\;\;8] \end{array}$ |
由P1 和P2 可知， A1 中的a2，a3 和a7 三列的最大元素位置序號分別是 3（C3）、5（C4）、4（Cz），滿足有效設計條件。而 A 2 則沒有包含滿足條件的三列，可舍棄。
為了進一步優化濾波器，可采用不同的 EEG 數據段設計多組 MRICs 檢測濾波器{wr ,wf ,wl }（m）,m=1, ,M。然后基于相同的測試集對不同 MRICs 濾波器組的識別率進行比較，從中選擇出最優的一組構建最終的 BCI 系統。
1.3 運動想象分類
圖 5 給出了運動想象分類模塊的處理流程，根據運動想象的 ERD 現象，分別計算 MRICs 中運動想象時段的方差，并求取方差最小值，然后根據圖 5 所示的策略判斷運動想象類型，并將判斷結果對應的箭頭顯示在程序主界面上。受試者可以根據當前結果的準確性對后續的想象方式做出調整。
圖5
運動想象分類流程圖
Figure5.
Flowchart of motor imagery classification
1.4 算法小結
本文的 ICA-BCI 算法具有以下特點：① 充分發揮了 ICA 濾波器的無監督設計這一優勢，很大程度上減輕了訓練數據采集的難度和工作量，同時也有利于緩解受試者的疲勞度；② MRICs 檢測濾波器的設計和基于方差比較的“零學習”分類方法簡單實用，非常有利于在線 BCI 系統的實現；③ 系統兼具離線和在線分析功能，各算法模塊的調整非常方便，并具有良好的用戶界面。
2 結果與分析
數據采集分為兩個階段：離線模式和在線模式。在離線模式下，數據采集由設計實驗范式的刺激電腦和數據采集電腦組成，不具備識別結果實時反饋功能，僅僅采集運動想象實驗范式的腦電數據，然后進行離線數據分析，驗證我們所提方法的可行性和尋求最佳的參數設置。而在線模式數據采集時，系統運行階段增加識別模塊，可以實時把當次識別結果反饋給受試者。參與本文實驗的共有四名受試者，均為 22 歲左右的在讀研究生，右利手，身體健康，無腦神經系統病史，在實驗之前均簽署知情同意書，實驗結束后獲得一定報酬。性別組成為，女：S1、S2、S3；男：S4。四名受試者中，S1、S2 較其他兩位受試者參與過更多的運動想象實驗，具有更豐富的經驗。根據多次實驗數據的反饋，S2 的最佳想象頻段為 12～16 Hz，其他三位的最佳頻段為 10～14 Hz。四名受試者均參加了離線模式階段的數據測試，其中 S1 和 S2 還參加了在線模式階段的測試。
2.1 離線模式
離線模式具體測試過程是：先按 1.1 節介紹的實驗范式采集 45 次想象數據（三種想象類型隨機出現且總次數都為 15 次），離線階段保存的數據文件名依次記為 S1_off、S2_off、S3_off 和 S4_off。表 1 是本文的 BCI 系統在離線模式下得到的四位受試者的運行想象識別率。我們使用滑動窗在數據中選取樣本設計濾波器：每次選取運動想象提示后時長為 100 s 的數據（相當于 10 個連續單次試驗的時間長度），滑動步長為一個單次想象的數據長度 （250 Hz*10 s=2 500）。得到 ICA 濾波器后根據圖 4 和圖 5 所示 BCI 算法流程，用各受試者的濾波器分別測試其各自的 EEG 數據，我們稱這種測試方式為自測試。根據上述的實驗設計，每個受試者的離線自測試都得到 36 個識別率，統計其中的平均識別率和最高識別率如表 1 所示。可以看到，針對四個受試者的離線模式實驗，本文算法都取得了較好的運動想象識別結果
表1
離線運動想象識別率（%）
Table1.
Recognition rate of offline motor imagination（%）
2.2 在線模式
受試者 S1 和 S2 參加了在線模式的測試。根據不同受試者的實驗習慣，S1 在實驗過程中保持閉眼狀態，通過語音提示進行實驗；S2 則全程保持睜眼狀態。本文前期的研究表明，針對相同的個體，基于本文方法設計的 ICA 濾波器具有較好的一致性和普適性。因此，進行在線 BCI 實驗時，在表 1 中各受試者的“最高識別率”所對應的 MRICs 濾波器和相關系統參數可事先保存，用于該受試者的在線 BCI 系統實驗。為了得到更好的實驗效果，MRICs 濾波器也可采用現場設計的方式，其他系統參數如最佳濾波頻段、導聯選擇等采用離線分析時得到的數據。開始在線實驗后，先采集 100 s 的腦電數據用于 MRICs 濾波器設計，此階段受試者不需要進行運動想象，數據保存的文件名分別記為 S1_100s_rest 和 S2_100s_rest。然后由剛采集的 100 s 腦電數據訓練空間濾波器，此后系統即可進入在線測試階段。我們對 S1、S2 分別進行了 45 次（三種想象類型分別隨機出現 15 次）在線運動想象自測試實驗，并保存在線運動想象數據，分別記為 S1_on 和 S2_on。在線測試結果分別表示為 S1_100s_rest/S1_on 和 S2_100s_rest/S2_on，識別正確率在表 2 中以黑體表示，可以看出兩位受試者的結果恰巧都是 88.89%。在線測試階段，受試者在完成每個運動想象任務以后，系統反饋識別結果，系統測試與反饋過程如圖 6 所示。
圖6
系統界面
Figure6.
System panel
近年來，不少研究者嘗試用改進的機器學習方法和前期保存的數據集設計和訓練 BCI 系統[18-21]，在此基礎上開展受試者之間的交叉測試研究。本文也進行了類似的交叉測試實驗。由于本文系統屬于同步 BCI 系統，離線模式與在線模式除了數據獲取方式不同外，其他的處理過程基本一致。具體方法為：選取 S3、S4 在離線分析時識別率最高的濾波器分別測試 S1、S2 的在線數據，即 S3、S4 的離線數據為訓練集，S1、S2 的在線數據為測試集，為了便于描述，我們把這四次交叉測試分別記為 S3_off/S1_on、S3_off/S2_on、S4_off/S1_on 和 S4_off/S2_on。其次，我們同時采用兩位受試者非運動想象階段的 100 s 數據對其他受試者在線數據進行交叉測試，測試結果表示為 S1_100s_rest/S2_on 和 S2_100s_rest/S1_on。這樣得到 8 個測試結果，平均識別率為 81.95%，每項交叉測試結果如表 2 所示。
表2
在線運動想象識別率（%）
Table2.
Average recognition rate of online motor imagination
2.3 分析
從表 1 可以看出對于不同的受試者，本文設計的濾波器均能表現出較好的性能，但不同受試者的自測試結果有一定差別，其中 S2 的測試結果最佳，S4 則相對較差，可能是因為 S4 參加運動想象實驗的次數相對較少，對實驗流程與想象方式還不太熟悉。但這只是一種猜測，因為在其他不同時間點的實驗中，四位受試者的運動現象識別率都會有一定的起伏，其原因很難判斷，這可能與受試者當時的精神狀態和運動想象方式的差異有關。我們認為，通過對 BCI 的使用者進行更加有效的訓練，可能會緩解這一現象。
在表 2 中，S1 和 S2 的在線自測試取得了相同的識別率，而 S3、S4 與 S1、S2 之間的交叉測試結果卻有較大的起伏：S3_off/S1_on 和 S4_off/S1_on的結果均好于 S3_off/S2_on 和 S4_off/S2_on。我們對上述現象進行了分析，由于ICA是一種基于模型的空域濾波方法[22]，其混合模型參數很大程度上反映了位于腦皮層的運動相關 EEG 源與頭皮電極間的傳輸通路特性。因此，不同受試者之間的交叉驗證效果與基于不同 EEG 數據所得的 ICA 混合模型間的匹配程度有密切關系。總體上看，影響 ICA 模型匹配的原因大致可歸納為以下幾點：① 不同受試者頭型和腦解剖結構的差異及匹配程度；② 電極安放位置的差異。另外需要說明的是，由于不同受試者的頭型大小不一樣，本文實驗中，我們使用了兩個電極帽，其中 S1、S3、S4 使用的電極帽型號相同，且不同于 S2 所使用的型號。S3_off/S1_on 和 S3_off/S2_on 在識別率上的較大差異可能與佩戴電極帽的不同也有很大關系。另外，從運動想象數據“質量”上分析，S1 在試驗過程中保持閉眼狀態，有助于其在運動想象過程中更好地集中注意力，且不會因為系統界面給出的結果反饋對其造成干擾。
對比表 1 和表 2，S1 和 S2 在離線分析中的平均識別率比在線分析要高出 3% 左右，雖然差別不是很大，但卻具有較強的一致性（兩名受試者的離線識別率均高于在線識別率）。考慮本文的在線 BCI 實驗是在同步模式下進行的（同步 BCI），因此理論上離線和在線模式的識別率誤差應具有一定的隨機性。另外，系統界面提供的識別結果反饋信息，理論上也應該有助于改善識別率。但實際情況與預期結果存在一定的偏差。我們分析，出現上述現象的原因可能有以下幾個方面：
（1）在線實驗過程中，數據采集和識別結果幾乎是同步的。對習慣于離線實驗模式的受試者而言，即時反饋信息可能會給他們帶來情緒的緊張和波動。另外，軟件界面布局和提供反饋信息的方式也可能存在不合理性（比如 EEG 波形顯示等）。
（2）雖然在 ICA 濾波器獲取訓練樣本時，受試者想象與否對濾波器性能沒有影響，但這并不表示 ICA 對樣本數據的質量毫無要求。本課題組前期研究表明[6]，一些突發干擾（如不自主運動誘發的肌電或帶動電極導線等）對 ICA 算法的影響是比較明顯的。離線模式下，受試者相對比較放松，因此突發干擾情況相對較少。在線模式下，反饋信息可能會引起受試者情緒的較大波動，產生突發隨機干擾的可能性會有所增加。
為了說明突發隨機干擾對 ICA 性能的影響，我們用 S3 在不同時間采集的兩組數據（S3-1、S3-2）進行說明。實驗以 S3-1 為訓練數據，樣本選取方式與第 2 節中離線分析實驗相同，分別對 S3-1（自測試）和 S3-2（組間交叉）進行測試。結果如圖 7 所示，圖中橫軸數字表示基于 100 s 滑動窗數據設計的 ICA 濾波器的序號，縱軸是該濾波器所對應的識別率。
圖7
S3-1設計的60組濾波器的測試結果
Figure7.
Accuracies corresponding to 60 filters calculated on S3-1
從圖 7 的 S3-1 自測試中可以看出第 39～45 組濾波器的性能明顯差于其他濾波器。為了找到此處性能下降的原因，我們用人工方式對 S3-1 原始腦電數據進行檢查，發現 Trial-39 標簽開始后的 100 s 腦電數據中有明顯的突發脈沖干擾。由于本文 ICA 濾波器的設計樣本是 100 s 滑動窗數據，相鄰數據窗有 90 s 重疊，因此后續若干滑動窗數據中同樣會包含 Trial-39 的干擾數據段，因此導致相應的識別率較低。另外，Trial-45 到 Trial-46 之間為運動想象實驗的暫停狀態，此階段沒有運動想象事件標簽，但數據采集仍然繼續，持續時間約為 182 s，因此從 Trial-46 開始選取的 100 s 腦電數據不包括上述干擾數據段，識別率恢復正常。
由于本文實驗采用的導聯數較少，ICA 對圖 8 所示的突發干擾也難以有效分離，因此對 ICA 濾波器性能造成了很大的影響。通過與受試者的交流我們得知，這類突發干擾的產生可能與受試者在想象過程中身體不自主運動所引起的導線擺動和電極位移有關。所以在訓練數據采集時，應提醒受試者盡可能保持身體特別是頭部的相對靜止。好在本文 ICA-BCI 的訓練數據采集時間一般不超過 100 s，相比 CSP 訓練數據采集所需的時間（幾十分鐘）要短很多，受試者保持身體的相對靜止并不難做到。
圖8
Trial-39 標簽開始后 100 s 三導原始腦電時域波形圖（C3、Cz、C4）
Figure8.
Temporal waveform of 100 s EEG segment after the cue of Trial-39（3 channels: C3, Cz, C4）
3 結論
本文提出并實現了一種在線 ICA-BCI 系統。在 ICA 濾波器設計方面，本文采用了一種新的設計和優化策略，較好地解決了傳統 ICA 應用模式所面臨的一些問題，例如 MRICs 及其檢測濾波器的選擇以及突發干擾對 ICA 算法性能的影響等。實驗結果表明，本文所提出的方法不僅獲得了較好的運動想象識別率，而且算法的時間空間復雜度較低，具有較好的在線處理能力。其次系統采用 C++ 語言編寫，使用 TCP/IP 協議傳輸數據，具備較好的實時性，有移植到便攜式平臺的潛力。系統同時具備離線分析功能，可在進行在線 BCI 實驗之前，通過分析受試者的離線數據，針對性地調整系統的參數設置，以便得到更好的實驗效果。總體上看，本文較好地驗證了 ICA 算法用于在線 MIBCI 系統的可行性。
本文的后續研究將從以下幾個方面展開：進一步提高算法的識別精度和魯棒性；探尋異步 ICA-BCI 的實現策略，并基于此建立異步在線 ICA-MIBCI 系統。
