BCI脑电信号分析

BCI（脑机接口）作为一个人脑与计算机之间的交流系统。它允许其用户控制外部设备独立于周围神经和肌肉大脑活动。BCI系统允许主体发送通过使用大脑信号向外部设备发出命令。脑机接口渠道可以被认为是唯一的途径受运动障碍影响的人可以交流他们的想法。对帮助患者非常有帮助运动功能受损，例如完全瘫痪肌萎缩侧索硬化症患者。目的BCI是将大脑活动解释为数字形式充当计算机的命令。一项关键挑战目前的BCI研究是如何提取随机特征随时间变化的脑电信号并将信号分类为尽可能准确。这种方法的成功取决于处理大脑的方法的选择每个阶段的信号。

汉斯·伯杰在1929年记录了第一个人类大脑脑电图。以前，它的分析仅限于视觉仅检查。目视检查非常主观并且几乎不允许任何标准化或统计分析。传统方法非常繁琐且耗时消耗。因此提出了几种技术为了量化大脑信号的信息。

EEG信号的性质是高度非线性的、随机的。脑部受伤，任何此类疾病或症状都可以使用脑电图（EEG）。它也用于检测许多与神经病学相关的疾病，例如癫痫发作癫痫等疾病，嗜睡症等睡眠障碍，肿瘤、抑郁症和相关的各种问题有创伤（压力）。的痕迹是不同的不同的大脑活动。使用信号处理技术正常和异常人的大脑活动可以很容易区分。

神经元之间通过电脉冲。电极放置在头皮上测量电脉冲的幅度。频率正常EG信号的范围是1Hz-100Hz，但100Hz非常罕见，幅度范围在10μV-100μV之间。

通常，信号的空间差任何分辨率和低信噪比(SNR)引发的反应嵌入在进行中背景活动。在记录信号时，各种伪影和干扰与信息相结合信号[6]。不同种类的工件影响信号在信号采集过程中眨眼程序、肌肉活动和正在发生的活动在后台。因此，脑电信号被提取来自高度安全、降噪的实验室和复杂的没有干扰、伪影和其他几种形式的噪音。

尽管空间分辨率较差，但脑电图具有出色的时间分辨率小于一毫秒。信号分析时具有非常低的频率范围（以赫兹为单位）。这些信号可以根据频率进行分类乐队。大脑的不同节律是delta，theta阿尔法、贝塔和伽马。这些节奏连同他们的频率范围、幅度和各自的心理状态在表I中给出。这些节奏的波形如图1所示。

EEG信号的性质非常复杂、不相关和随机。特点/特点脑电图取决于几个因素，例如个体本人、年龄和受试者的精神状态[5]。因此，了解脑细胞的行为和动力学涉及许多线性和非线性信号处理其结果与生理相关的方法对象正在经历的事件。有几种方法文献中建议诊断隐藏的动态特征和可能发生的突变。

信号的解释意味着三个重要的方面。信号的频谱分析决定了脑电图中的主导频率。时间分析脑电图记录正常和异常波信号中的形状以及这些形状的存在和不存在节奏。空间分析估计分布这些节律在不同的大脑区域。

在脑机接口中，绕过了正常的皮质肌肉通路，并采用了替代通路。建议的。记录脑细胞的神经活动并这些信号作为驱动器提供给应用程序。它是一个研究他的非高斯、非线性和EEG信号的随机性。特征的多种方法提取已被研究和选择适当的特征和电极的位置通常是基于神经科学发现。许多线性和存在用于特征提取的非线性方法。

在BCI中，数据收集和过滤在初期。数据记录收集（EEG信号）与放置在受试者头皮上的电极的帮助。

信号中的伪影和噪声需要高效检测和清除。获取的信号然后充当输入到过滤器。滤波器滤除来自的噪声信号信号并防止信号失真。具有截止的高通滤波器低于0.5Hz的频率用于剔除组件具有非常低的频率，例如呼吸组件。同时，高频噪声分量被去除具有40–70Hz截止频率的低通滤波器的帮助频率。不同的窗口技术，例如汉明、汉宁、空间滤波可用于信号开窗。提高手部动作的质量Hoodgar等人使用了汉明检测技术。空间过滤是使用共同平均值应用的使用窗口长度为4s的参考(CAR)过滤器重叠3.75s。

下一步涉及信号的预处理包括信号滤波、信号切割、幅度缩放、和专家标记验证，伪影检测，平均技术和信号分割。这脑电信号的采集基本上是在时域中完成的。信号特征、特征及信息所需的信号被噪声抑制。为了为了提取相同的，进行信号处理以提取作为时间函数的信号特征或/和频率。

一个特征代表一个独特的属性。感情从EEG信号中识别允许直接评估人的“内在”状态，被认为是脑机接口中的重要参数。一些研究了特征提取方法电极的适当特征和位置的选择通常基于神经科学发现。用于特征提取的许多线性和非线性方法已有文献报道。线性方法包括独立分量分析(ICA)，快速傅里叶变换(FFT)、特征向量、自回归(AR)、小波变换（WT），小波包分解（WPD），主成分分析（PCA）。非线性方法包括相关维度（CD）、Hurst指数(H)，最大李雅普诺夫指数(LLE)，不同熵、高阶谱(HOS)、分形维数(FD)、递归图和相空间图。

根据 Heisenberg 推测，有很难在时间和频率上测量信号同时域，即及时提高准确性域导致频域精度降低，反之亦然。时间和特征的组合频域可能会产生更好的结果，当分别与每个域中的特征进行比较。图4显示了可以进行分析的各个领域完毕。

时频域结合了时间和频域分析。它们代表分布时频平面上的信号能量（t-f飞机）。时频分析有利于澄清EEG信号中的节律信息。连贯性也可以使用技术。谱协方差或相干性涉及相位规律性的测量每个频段的信号对之间。作为连贯性无法分离幅度信息和相位信息同时关联两个信号，它测量仅环岛锁相。同步技术是被使用而不是具有光谱或相干性分析。它是锁相度的量化在不同的窄带信号之间。

毫无疑问，通过使用t-f域分析准确结果已经找到。对于多通道脑电图，其中空间维度由几何位置计算电极的时空频率(stf)为被认为是流行的。Suleiman等人使用多电极上的时空频率法。头皮的广阔区域被用来收集数据区分不同的任务。根据研究，时空频率分析显示更好的结果比时频域。表二中的各种特征及其在各个领域的提取技术是总结。

对脑电信号的非常翔实和详细的调查检测和特征提取技术优点和缺点已被审查。Alexandros等人分析了时频方法癫痫检测和评估频率分析（FFT），多个电极上的时频分析（STFT）。发现分类结果对于STFT是最好的。另一篇论文将FFT、AR、TF和WT与它们的局限性，根据作者的说法，WPD方法产生信号的冗余表示并实现更好的准确性。基于DWT和SVM的专家模型是为癫痫发作检测而开发的。这研究了改进特征提取的问题。

本文还回顾了自适应功能提取方法，即自适应公共空间模式（ACSP）。研究表明，判别特征可以使用以下方法提取与大脑状态相关的多类公共空间模式（CSP）方法。至评估分类在测谎中的表现脑电图特征提取的新方法已被报道。根据不同的特征进行分析应用需求和各种方法进行分析。使用WT方法实现了最大精度。经过使用线性WT方法进行特征提取，对情绪进行分类。新的高级方法例如FS用于特征提取，显示更好的结果。多元特征选择技术表现略好于单变量方法，通常平均需要少于100个特征。作者还调查了各种最有前途的特性以及最适合它们的电极。高级特征提取方法，如HOC、HOS、和HHS被发现优于常用的频谱功率带。有人建议更喜欢在顶叶和中央顶叶上的位置更好结果。还报告了一个主要限制，即没有存在系统的特征比较。