基于腦電EEG信號的分析分類方法*

陳澤龍 謝康寧

腦電圖(electroencephalogram，EEG)是一種使用電生理指標(biāo)記錄大腦活動(dòng)的方法，是大腦活動(dòng)時(shí)大量神經(jīng)元同步發(fā)生的突觸后電位經(jīng)總和后形成，由放置在頭皮表面的電極采集記錄的圖譜[1]。EEG記錄大腦活動(dòng)時(shí)的電波變化，是一種無創(chuàng)生理信號采集方法，具有良好的時(shí)間分辨率。

EEG作為腦機(jī)接口(brain-computer interface，BCI)的關(guān)鍵技術(shù)，其應(yīng)用方法可分為5個(gè)階段[2]。①腦電信號的采集；②腦電信號預(yù)處理，去除噪聲干擾，原始腦電信號包含眼電、心電及肌電的干擾信號，去除此干擾可簡化后續(xù)腦電信號的分析處理；③腦電信號特征提取，從預(yù)處理的腦電信號中提取特征量以區(qū)分不同的腦電信號，并實(shí)現(xiàn)信號的降維簡化計(jì)算過程；④選取分類器對提取的特征量進(jìn)行分類，特征量的選取是影響分類效果的重要因素；⑤將分類結(jié)果用于控制外部設(shè)備或給出判斷結(jié)果。腦電信號的預(yù)處理、特征提取和分類是腦電信號處理的重要內(nèi)容，并得到廣泛深入研究[3-4]。

1 腦電信號預(yù)處理

原始腦電信號含眼電、心電及肌電等噪聲，工頻干擾也是腦電偽跡的重要來源，會增加腦電信號處理的復(fù)雜度及運(yùn)算量，需在信號分析前剝離[5]。腦電信號預(yù)處理方法主要有共空間模式(common spatial patterns，CSP)、主成分分析(principle components analysis，PCA)、共同平均參考(common average referencing，CAR)、自適應(yīng)濾波(adaptive filtering，AF)、獨(dú)立成分分析(independent component analysis，ICA)以及數(shù)字濾波器(digital filter，DF)等。

1.1 共空間模式(CSP)

CSP濾波來源于共空域子空間分解(common spatial subspace decomposition，CSSD)。CSSD算法的基本思想是在高維空間中尋找方向，對2種情況分類時(shí)，使一類方差最大而另一類方差最小。CSP多用于處理基于BCI的運(yùn)動(dòng)想象想像腦電數(shù)據(jù)，其基本思想是設(shè)計(jì)一種空間濾波器，對腦電信號進(jìn)行處理得到新的時(shí)間系列，使一類信號方差最大而另一類信號方差最小，從而得到差異最大的特征。其優(yōu)點(diǎn)是無需提前選擇特異性頻帶，缺點(diǎn)是對噪聲敏感且依賴于多通道分析[6]。

1.2 主成分分析(PCA)

PCA是一種統(tǒng)計(jì)學(xué)方法，通過正交變換將一組相關(guān)自變量變換為線性不相關(guān)變量，變換后的變量即為“主成分”，其作用在于降低向量維度，減少信號特征提取和分類的復(fù)雜度。腦電EEG信號處理應(yīng)用中，PCA將腦電EEG信號分解為互不相關(guān)的成分，主成分具有最大方差，分離眼電、肌電等振幅較大的干擾成分，再重構(gòu)EEG信號，實(shí)現(xiàn)信號去噪[7]。

1.3 共同平均參考(CAR)

CAR是一種空間濾波算法，基本思想是濾除腦電EEG信號的共同部分的同時(shí)保留特定電極的特征信號，提高信噪比。CAR算法首先計(jì)算某一時(shí)間點(diǎn)所有通道的腦電電壓平均值，再用特定通道的腦電電壓值減去平均值即得該通道腦電電壓值。CAR算法為公式1:

1.4 自適應(yīng)濾波(AF)

AF是一種可自動(dòng)調(diào)整參數(shù)，無需預(yù)知輸入信號和噪聲的統(tǒng)計(jì)特性，在工作過程中逐步估計(jì)出所需統(tǒng)計(jì)特性，從而調(diào)整自身參數(shù)以達(dá)到最佳濾波效果的濾波方法。完整的AF含4部分:輸入信號、參考信號、濾波器和參數(shù)調(diào)整。AF示意見圖1。

圖1 自適應(yīng)濾波(AF)示意圖

圖1顯示，X(n)為輸入信號，通過可調(diào)參數(shù)DF后產(chǎn)生輸出信號y(n)，將y(n)與參考信號d(n)進(jìn)行比較，形成誤差信號e(n)，再通過自適應(yīng)算法對濾波器參數(shù)進(jìn)行調(diào)整使e(n)均方值最小，從而實(shí)現(xiàn)最優(yōu)濾波。

Lu等[9]設(shè)計(jì)一種新的AF方法，叫做自適應(yīng)拉普拉斯濾波，可改善基于運(yùn)動(dòng)感覺的BCI性能，其在22名受試者的研究中證實(shí)，該方法可提高基于運(yùn)動(dòng)感覺的BCI準(zhǔn)確度和魯棒性。

1.5 獨(dú)立成分分析(ICA)

ICA是一種盲源分析方法，可根據(jù)數(shù)據(jù)特征將偽影作為獨(dú)立成分從腦電信號中分離出來。根據(jù)ICA算法理論，眼動(dòng)偽跡、心電偽跡、肌電偽跡和工頻干擾等皆由獨(dú)立的信號源產(chǎn)生，具有統(tǒng)計(jì)獨(dú)立性，通過ICA算法可將其分離，提取出有用的腦電信號。ICA算法提供了分離和去除腦電信號中眼動(dòng)偽跡的有效方法，Pontifex等[10]探討全自動(dòng)眼動(dòng)偽跡ICA成分分離辦法，可避免將頭皮EEG中類似于眼動(dòng)偽跡分布的信號成分錯(cuò)誤分離，減少人為確認(rèn)偽跡可能產(chǎn)生的錯(cuò)誤。Pontifex等[11]也探討了與ICA算法不確定性相關(guān)的變異性可能影響去除眼動(dòng)偽跡成分后的腦電信號的重構(gòu)，采用3種不同ICA算法對32名大學(xué)生的腦電信號數(shù)據(jù)做分析，重復(fù)30次。結(jié)果顯示，ICA算法在去除偽跡成分后重構(gòu)腦電信號的過程中可能引入其他偽跡，認(rèn)真選取ICA算法和參數(shù)可減少該影響[11]。

1.6 數(shù)字濾波器(DF)

腦電信號是隨機(jī)且非平穩(wěn)信號，具有非線性，DF從頻率域?qū)δX電信號進(jìn)行濾波，可分為低通濾波器、高通濾波器、帶通濾波器和帶阻濾波器。DF廣范應(yīng)用于腦電信號的偽影處理尤其是濾除肌電偽跡。但DF要求腦電信號和偽跡信號分別具有不同頻帶，在實(shí)際情況中很難實(shí)現(xiàn)，其使用受到限制[12]。腦電信號處理中常用的DF為帶通濾波器和陷波濾波器，陷波濾波器可用于濾除50 Hz工頻干擾。

1.7 預(yù)處理方法優(yōu)缺點(diǎn)

腦電信號預(yù)處理主要去除腦電信號中混雜的眼動(dòng)偽跡、心電偽跡、肌電偽跡和工頻干擾等，為接下來的腦電信號特征提取提供“干凈”的信號數(shù)據(jù)。腦電信號預(yù)處理方法多樣，上述CSP、PCA、CAR及ICA屬于空域?yàn)V波器，此外還存在時(shí)間域?yàn)V波器，如傅里葉分析、自回歸分析等。相同數(shù)據(jù)量下，空域?yàn)V波器比時(shí)間域?yàn)V波器在分析時(shí)效上有優(yōu)勢。6種腦電信號預(yù)處理方法的優(yōu)缺點(diǎn)對比見表1[2]。

表1 腦電信號預(yù)處理方法比較

2 腦電信號特征提取

預(yù)處理后的原始腦電信號成為較為純凈的腦電信號，但由于腦電信號數(shù)據(jù)量大，直接處理過于復(fù)雜，需做特征提取以降低數(shù)據(jù)維度[2]。目前，常用的信號特征提取方法為功率譜密度(power spectrum density，PSD)、PCA、ICA、自回歸分析(auto regressive，AR)、小波變換(wavelet transform，WT)、小波包變換(wavelet packet transform，WPT)及快速傅里葉變換(fast Fourier transform，F(xiàn)FT)等。

2.1 功率譜密度(PSD)

PSD定義了時(shí)間序列信號的功率如何隨頻率分布，是一種概率統(tǒng)計(jì)方法，是對隨機(jī)變量均方值的量度。Dea等[13]采用功率譜密度和分形維數(shù)評價(jià)兒童睡眠紡錘期“之前”“間期”及“之后”的差異，結(jié)果表明“間期”和“之前”“之后”期存在統(tǒng)計(jì)學(xué)差異，分形維數(shù)也顯著不同，此差異有助于理解睡眠紡錘波的變化。

2.2 主成分分析(PCA)

PCA既可用于腦電數(shù)據(jù)預(yù)處理，也可用作腦電數(shù)據(jù)信號的特征提取。PCA從腦電信號的時(shí)間序列數(shù)據(jù)中提取出有用信號，同時(shí)去除偽影以達(dá)到降維的目的。P300字符拼寫B(tài)CI系統(tǒng)應(yīng)用于日常生活對殘疾人幫助很大，Kundu等[14]采用PCA和加權(quán)支持向量機(jī)對P300字符拼寫B(tài)CI系統(tǒng)做特征識別，PCA去除多余特征量。Jaiswal等[15]研究癲癇發(fā)作自動(dòng)監(jiān)測技術(shù)，采用基于子模式主成分分析(sub-pattern PCA，SpPCA)和基于交叉子模式相關(guān)性主成分分析(cross-subpattern based PCA，SubXPCA)做特征提取，建立腦電信號子模式相關(guān)性幫助模式識別。

2.3 獨(dú)立成分分析(ICA)

ICA將信號分解成相互獨(dú)立的成分并提取其有用成分。作為“盲源”分離技術(shù)，ICA有助于辨別獨(dú)立信號并將噪聲信號進(jìn)行分離，其運(yùn)算速度快且效率高，適合處理如腦電EEG信號一般的海量的數(shù)據(jù)。Stewart等[16]記錄視覺刺激腦電信號，判斷被試者是否熟悉所見物體。該研究采用ICA做特征提取，支持向量機(jī)做分類器，獲得87%的分類準(zhǔn)確率。

2.4 自回歸分析(AR)

AR是一種時(shí)域分析方法，通過建立數(shù)學(xué)模型對腦電信號數(shù)據(jù)進(jìn)行擬合，實(shí)現(xiàn)特征提取。AR模型可表述為線性預(yù)測問題，對于時(shí)間序列數(shù)據(jù)，當(dāng)前點(diǎn)的預(yù)測值可用最鄰近的前n個(gè)點(diǎn)的采樣值的線性加權(quán)和來近似。腦電信號分析中常用的AR模型可分為自適應(yīng)模型和非自適應(yīng)模型[17]。

2.5 小波變換(WT)和小波包變換(WPT)

(1)WT。WT是一種時(shí)頻變換方法，其繼承并發(fā)展了短時(shí)傅里葉變換局部化的思想，能夠提供一個(gè)隨頻率改變的“時(shí)間-頻率”窗口。WT突出信號特征，通過伸縮平移運(yùn)算對信號多尺度細(xì)化，實(shí)現(xiàn)信號高頻處時(shí)間分辨率提高和低頻處頻率分辨率提高，自動(dòng)適應(yīng)信號時(shí)頻分析要求。WT分解過程中只對信號低頻部分再分解，高頻部分不再分解，因此隨著信號頻率升高頻率分辨率降低，WPT對高頻信號的頻率分辨率比WT高，可自適應(yīng)選擇最優(yōu)小波包基函數(shù)，具有較強(qiáng)信號分析能力，得到廣泛應(yīng)用。

(2)WPT。Subasi等[18]對偏頭痛患者光刺激的腦電信號做離散小波變換(discrete wavelet transform，DWT)，每個(gè)通道信號提取23個(gè)特征量，經(jīng)過二次篩選全部用于模式識別。DWT小波基函數(shù)的品質(zhì)因素Q是固定的，可調(diào)品質(zhì)因子小波變換(tunable Q-factor wavelet transform，TQWT)的品質(zhì)因子Q是可調(diào)的，可調(diào)整小波振蕩特性與特征波形振蕩特性相匹配。TQWT一般根據(jù)品質(zhì)因素Q、冗余度R和分解層數(shù)J將腦電信號分解為不同的子頻帶，因?yàn)槟X電信號的隨機(jī)非平穩(wěn)特性，品質(zhì)因素Q取值較大，如Q取值14[19]。WPT對高頻信號的分辨率高于WT，是一種更精細(xì)的分析方法，在基于腦電信號的測謊、面部表情識別及駕駛意圖識別等研究中用于特征提取，獲得較好分類效果[20-22]。

2.6 快速傅里葉變換(FFT)

FFT是離散傅里葉變換的快速算法，在腦電信號特征提取中，F(xiàn)FT將腦電信號從時(shí)間域變換到頻率域并做頻譜分析或者計(jì)算功率譜密度。Ansari等[23]研究BCI電動(dòng)輪椅操作控制，受試者腦電數(shù)據(jù)經(jīng)帶通濾波后做FFT獲得δ、θ、α和β波，計(jì)算每個(gè)特征量的平均值、標(biāo)準(zhǔn)差和熵值，再將所有特征量輸入分類器做分類識別。FFT還被用于疲勞駕駛腦電信號分析及無人駕駛系統(tǒng)駕駛行為模擬實(shí)驗(yàn)中駕駛員腦電信號分析等研究[24-25]。

2.7 特征提取方法優(yōu)缺點(diǎn)

腦電EEG信號是大腦各種電生理活動(dòng)形成的電位在頭皮表面的疊加，具有隨機(jī)非平穩(wěn)特性，如何從復(fù)雜的EEG信號中提取有用的特征量是腦電信號分析的關(guān)鍵。單純按照腦電信號的頻率分布做帶通濾波不足以體現(xiàn)其特征，而高維特征向量會給后續(xù)的分類算法帶來十分復(fù)雜的運(yùn)算量，需要做降維處理，一般采用PCA或ICA降維。7種腦電信號特征[2]提取方法的優(yōu)缺點(diǎn)比較見表2。

表2 腦電信號特征提取方法比較

3 腦電信號的分類

腦電信號經(jīng)過預(yù)處理和特征提取后，所提取的特征向量由分類器進(jìn)行分類，實(shí)現(xiàn)對腦電信號的分析和預(yù)測。常用腦電信號分類器有K最近鄰算法(k-nearest neighbour，K-NN)、線性判別分析(linear discriminant analysis，LDA)、支持向量機(jī)(support vector machine，SVM)、樸素貝葉斯(naive Bayes，NB)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)與深度學(xué)習(xí)(deep learning，DL)等。

3.1 K最近鄰算法(K-NN)

K-NN算法是一種基于樣本實(shí)例的分類算法，其核心思想是為:如1個(gè)樣本在特征空間中的k個(gè)最相鄰的樣本中大多數(shù)屬于某個(gè)類別，則該樣本也屬于該類別，并具有該類別樣本的特性。K-NN算法首先確定1個(gè)訓(xùn)練樣本集，樣本集中所有樣本類別均為已知，對于待分類的樣本，計(jì)算該樣本與訓(xùn)練樣本集中樣本的相似度，選擇相似度最高的k個(gè)樣本，根據(jù)選擇的k個(gè)樣本的類別確定待分類樣本的類別。近年來，K-NN算法得到較大改進(jìn)，并在人臉識別、文字識別和醫(yī)學(xué)圖像處理等領(lǐng)域廣為應(yīng)用[26-28]。Li等[29]利用EEG將K-NN算法用于人臉表情識別，結(jié)果顯示，EEG腦波γ頻帶分類識別準(zhǔn)確率隨著EEG通道數(shù)的增多而提高，而EEG腦波γ頻帶、β頻帶、α頻帶及θ頻帶數(shù)據(jù)的分類準(zhǔn)確率依次降低。同樣用于人臉表情識別領(lǐng)域，Awan等[30]利用分段選擇均方根(segmentation and selection-root mean square，S-RMS)特征向量提取方法結(jié)合K-NN分類識別算法使分類準(zhǔn)確率達(dá)到96.1%。

3.2 線性判別分析(LDA)

LDA是Fisher于1936年提出的一種線性學(xué)習(xí)方法，其主要思想是對于給定的訓(xùn)練樣本集，找到恰當(dāng)?shù)耐队胺较驅(qū)颖就队暗揭粭l直線上，使同類投影點(diǎn)盡量集中，不同類投影點(diǎn)盡量遠(yuǎn)離[31]。用相同方法對新樣本進(jìn)行分類，根據(jù)新樣本投影點(diǎn)在直線上的位置確定新樣本類別[32]。LDA計(jì)算量不大，易于使用，是一種較好的分類方法[2]。LDA用于模式識別時(shí)通常將樣本集分為兩類[33]。

3.3 支持向量機(jī)(SVM)

SVM是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，基本原理是在空間尋找最優(yōu)決策面，使不同類別數(shù)據(jù)分布在決策面兩側(cè)，從而實(shí)現(xiàn)分類[34]。SVM按其構(gòu)建模型由簡至繁可分為線性可分支持向量機(jī)、線性支持向量機(jī)和非線性支持向量機(jī)。Yun[35]采用SVM分類方法對駕駛疲勞程度進(jìn)行分類，得出區(qū)分駕駛員輕度疲勞和重度疲勞的關(guān)鍵節(jié)點(diǎn)在于連續(xù)駕駛時(shí)間是否滿2 h，且該算法對重度疲勞的識別效果更好。Siuly等[36]對癲癇EEG數(shù)據(jù)進(jìn)行最優(yōu)配置并采用PCA做特征提取，在此基礎(chǔ)上分別采用NB、K-NN、LDA和最小二乘支持向量機(jī)(least squares-support vector machine，LS-SVM)對特征向量做分類，結(jié)果顯示，LS-SVM的分類準(zhǔn)確率最高達(dá)100%，比現(xiàn)有癲癇腦電數(shù)據(jù)分類算法準(zhǔn)確度高7.10%。

3.4 樸素貝葉斯(NB)

NB分類器是基于貝葉斯定理的一種簡單實(shí)用的分類器，在一些領(lǐng)域其效率與其他分類器效率相當(dāng)[37-39]。NB的主要思想是:對于給定的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，待分類項(xiàng)就屬于概率最大的類別，該算法假定樣本之間相互獨(dú)立無關(guān)聯(lián)[40]。NB分類器在處理高維數(shù)據(jù)時(shí)具有速度快、效率高和算法結(jié)構(gòu)簡單的突出特點(diǎn)[41]。在NB算法基礎(chǔ)上，研究人員提出樹增強(qiáng)NB算法、網(wǎng)絡(luò)增強(qiáng)NB算法等改進(jìn)算法，其目的是改善算法性能，提高分類準(zhǔn)確率[37]。

3.5 人工神經(jīng)網(wǎng)絡(luò)(ANN)

ANN是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)，從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象模擬，建立相應(yīng)模型，按不同連接方式組成不同網(wǎng)絡(luò)。ANN從人腦和各生物神經(jīng)網(wǎng)絡(luò)中獲得啟發(fā)，主要用于同時(shí)處理海量數(shù)據(jù)[42]，解決分類和回歸問題，屬機(jī)器學(xué)習(xí)方法的一個(gè)分支。

ANN模擬腦神經(jīng)的結(jié)構(gòu)和功能建立模型，其基本的神經(jīng)網(wǎng)絡(luò)類型有兩種:前向神經(jīng)網(wǎng)絡(luò)(feedforward neural network，F(xiàn)NN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)。前向神經(jīng)網(wǎng)絡(luò)又分為單層前向神經(jīng)網(wǎng)絡(luò)(single-layered feed forward neural network，SFNN)和多層前向神經(jīng)網(wǎng)絡(luò)(multilayered feed forward neural network，MFNN)。SFNN輸入層和輸出層直接相連，MFNN輸入層和輸出層之間包含隱藏層，RNN在MFNN的基礎(chǔ)上包含反饋回路，即輸出層神經(jīng)元反饋回自身輸入神經(jīng)元。神經(jīng)元是ANN的基本單元，它由輸入變量、輸入變量權(quán)重、激活函數(shù)、偏離值和輸出變量等要素組成。

ANN在醫(yī)學(xué)診斷尤其是生物醫(yī)學(xué)信號的檢測與分析領(lǐng)域應(yīng)用廣泛，可解決生物醫(yī)學(xué)信號處理中常規(guī)方法難以解決或無法解決的問題，在EEG、心電圖、腫瘤和精神病學(xué)等方面應(yīng)用廣泛，通過先驗(yàn)數(shù)據(jù)的訓(xùn)練獲得“經(jīng)驗(yàn)”，無需對疾病細(xì)節(jié)和特征過多關(guān)注[42-43]。Dande等[42]介紹經(jīng)過訓(xùn)練和學(xué)習(xí)的ANN用于肺結(jié)核診斷，其靈敏度和特異度分別達(dá)100%和72%。Grossi等[44]采用基于ANN的以隱函數(shù)作為壓縮時(shí)間的多尺度排序組織圖(multi-scale ranked organizing map coupled with implicit function as squashing time，MS-ROM/I-FAST)系統(tǒng)從EEG提取感興趣的特征，對兒童自閉癥的鑒別診斷效果良好，所需EEG數(shù)據(jù)量僅需采數(shù)分鐘EEG數(shù)據(jù)即可滿足，且無需做任何數(shù)據(jù)預(yù)處理。

3.6 深度學(xué)習(xí)(DL)

DL是機(jī)器學(xué)習(xí)的一種類型，是ANN的拓展。DL指ANN中包含的大量隱藏層神經(jīng)元的學(xué)習(xí)、分析和處理。早期ANN多是淺層模型，DL基本結(jié)構(gòu)是深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)，隱藏層數(shù)多，包含神經(jīng)元數(shù)量大，需調(diào)整參數(shù)多。DL是機(jī)器學(xué)習(xí)的一個(gè)重要分支，是近些年的研究熱點(diǎn)，在生理信號的分析處理方面得到廣泛應(yīng)用。近年來，DL在腦電信號分析分類方面的應(yīng)用得到廣泛深入研究，采用DL開展腦電信號分類研究的內(nèi)容主要有情感識別、運(yùn)動(dòng)想像象識別、心理負(fù)荷檢測、癲癇檢測、事件相關(guān)電位檢測和睡眠評分，采用的DNN主要有卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)和深度置信網(wǎng)絡(luò)(deep belief networks，DBN)，還包括棧式自編碼器(stacked auto encoder，SAE)和多層感知機(jī)(multilayer perceptron，MLP)等[45]。

CNN是一種前向神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層組成。卷積層做特征提取，池化層減少網(wǎng)絡(luò)訓(xùn)練參數(shù)降低模型過擬合程度，深度卷積神經(jīng)網(wǎng)絡(luò)含有多層卷積層和池化層，全連接層所有神經(jīng)元與最后一個(gè)池化層連接，輸出層包含2個(gè)神經(jīng)元做二分類輸出[46]。

RNN用以處理序列數(shù)據(jù)，其結(jié)構(gòu)中神經(jīng)元的輸入受輸入神經(jīng)元和之前節(jié)點(diǎn)神經(jīng)元輸出影響。最常用的RNN是長短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)是含3個(gè)門控的記憶模塊，分別是輸入門、輸出門和遺忘門，決定信息的輸入、輸出與移除。LSTM的隱含層數(shù)及隱含層中的神經(jīng)元數(shù)可手動(dòng)調(diào)節(jié)，使訓(xùn)練得到的LSTM模型預(yù)測效果最佳。Craik等[45]總結(jié)90項(xiàng)基于深度學(xué)習(xí)的腦電信號研究后認(rèn)為，CNN、RNN和DBN在腦電信號分類準(zhǔn)確性上優(yōu)于SAE和MLP。

基于DL的腦電信號分類研究主要集中在下述6個(gè)方面。

(1)Zhang等[47]提出一種時(shí)空循環(huán)神經(jīng)網(wǎng)絡(luò)的DL算法用于情感識別，將腦電信號的時(shí)間和空間特征信息集成建立時(shí)空依賴模型，實(shí)驗(yàn)結(jié)果表明，其與目前最先進(jìn)的分類算法相比更有優(yōu)勢。

(2)Hauke等[48]開發(fā)一種深度學(xué)習(xí)算法用于基于腦電信號的運(yùn)動(dòng)想像BCI系統(tǒng)，可提高腦卒中康復(fù)效果。該算法采用CNN做特征提取和數(shù)據(jù)降維，采用CNN的全連接層做分類識別。

(3)精神負(fù)荷分類識別是研究工作記憶的核心內(nèi)容。Jiao等[49]針對單通道腦電信號和多通道腦電信號分別建立了不同的CNN模型，一種含時(shí)間和空間信息，另一種只含時(shí)間信息。在用于精神負(fù)荷分類時(shí)，既有兩種模型的單獨(dú)運(yùn)用又有兩種模型的聯(lián)合運(yùn)用，并引入點(diǎn)門限玻爾茲曼機(jī)以提高分類性能。目前，醫(yī)生根據(jù)EEG診斷癲癇樣放電的準(zhǔn)確率比機(jī)器診斷高，但隨著DL的應(yīng)用，未來十年該優(yōu)勢可能消失。

(4)Tjepkema-Cloostermans等[50]基于EEG，聯(lián)合運(yùn)用CNN和RNN探測癲癇樣放電，其靈敏度和特異性分別為47.4%和98.0%，該研究認(rèn)為DL將使人工智能探測癲癇樣放電的準(zhǔn)確度與人類專家不相上下。

(5)CNN探測P300腦電信號性能優(yōu)越，Liu等[51]在標(biāo)準(zhǔn)CNN基礎(chǔ)上引入批量歸一化(batch normalization，BN)方法減少過擬合，線性整流函數(shù)(rectified linear unit，ReLU)避免梯度消失提高運(yùn)算效率，研究表明，改進(jìn)的算法提高了P300腦電信號特征識別率。

(6)Bresch等[52]融合CNN和LSTM做睡眠分期，其分期結(jié)果與專家人工判讀一致性Kappa系數(shù)為0.73，具有良好的魯棒性。

3.7 腦電信號分類器算法優(yōu)缺點(diǎn)

腦電數(shù)據(jù)分類算法多樣，但沒有一種算法具有絕對優(yōu)勢，只有針對具體樣本數(shù)據(jù)選擇合適的分類算法才能達(dá)到最佳分類效果。選擇分類器時(shí)需考慮數(shù)據(jù)維數(shù)和偏差方差平衡兩種因素。特征向量的維數(shù)越高，所需訓(xùn)練數(shù)據(jù)量相應(yīng)呈幾何倍數(shù)增長。而分類器在偏差方差的取舍上傾向于高偏差低方差。

目前，分類器算法的發(fā)展趨勢是各種分類器算法的綜合運(yùn)用[2]。6種腦電信號分類器算法優(yōu)缺點(diǎn)比較見表3。

表3 腦電信號分類器算法比較

4 討論與展望

BCI在人腦與外部設(shè)備之間建立直接連接通路，實(shí)現(xiàn)這一連接的設(shè)備主要有EEG和皮層腦電圖(electrocorticography，ECoG)等，其中，EEG作為一種無創(chuàng)生理信號檢測方法得到廣泛研究和應(yīng)用。BCI系統(tǒng)依賴EEG判斷人腦發(fā)出的指令，EEG信號的采集、數(shù)據(jù)處理和模式分類決定BCI的系統(tǒng)性能，其中，EEG數(shù)據(jù)處理包括數(shù)據(jù)預(yù)處理和特征提取:數(shù)據(jù)處理影響后續(xù)模式分類的速度和準(zhǔn)確率；分類器的選擇決定模式分類結(jié)果。

腦電信號是復(fù)雜的非平穩(wěn)隨機(jī)信號，腦電數(shù)據(jù)的分析和處理是BCI系統(tǒng)的關(guān)鍵技術(shù)，也是研究的重難點(diǎn)，決定了BCI系統(tǒng)的的發(fā)展前景。近年來，腦電數(shù)據(jù)的預(yù)處理、特征提取和分類識別方法得到廣泛深入研究，多種腦電數(shù)據(jù)處理方法被應(yīng)用于BCI系統(tǒng)。在實(shí)踐中選擇何種數(shù)據(jù)處理方法由研究對象決定，即根據(jù)研究所需腦電數(shù)據(jù)的特征和數(shù)據(jù)量的大小決定采用的數(shù)據(jù)預(yù)處理和特征提取方法，多種分類識別方法的綜合運(yùn)用是腦電信號模式識別的發(fā)展趨勢。

DL算法是機(jī)器學(xué)習(xí)的新領(lǐng)域，在腦電信號的分類識別中優(yōu)勢明顯。傳統(tǒng)機(jī)器學(xué)習(xí)方法需耗費(fèi)大量時(shí)間做特征提取和選擇，損失部分有用信息。DL直接采用原始腦電數(shù)據(jù)作為輸入，無需做特征提取和選擇，實(shí)現(xiàn)在最大程度上保留原始腦電信息。同時(shí)，DNN架構(gòu)多樣，需根據(jù)具體研究對象選擇合適的神經(jīng)網(wǎng)絡(luò)，確認(rèn)網(wǎng)絡(luò)架構(gòu)后需大量原始數(shù)據(jù)進(jìn)行訓(xùn)練和調(diào)參，涉及大量復(fù)雜運(yùn)算，如何縮短DL模型訓(xùn)練時(shí)間是DNN的研究方向之一。作為腦電數(shù)據(jù)分析分類的研究熱點(diǎn)，隨著臨床大量電生理數(shù)據(jù)的獲取，DL將得到更為廣泛的研究和應(yīng)用。