基于脉冲神经网络的运动想象脑机接口分类研究 .pdfVIP

基于脉冲神经网络的运动想象脑机接

口分类研究

摘要

脑机接口（Brain-ComputerInterface,BCI）是一种直接将

大脑信号转换成计算机指令的技术，通过运动想象等神经活动，

使身体受限人群得以与外界进行交流与操作。本文采用基于脉

冲神经网络（SpikingNeuralNetwork,SNN）的方法对运动

想象信号进行分类研究。实验采用32通道脑电信号采集系统，

针对三个运动想象任务（左右手握拳、左右脚抬踩）进行试验，

共计36名被试参与。经过特征提取和分类器训练，得到的分

类结果表明，采用SNN方法对运动想象信号进行分类，可以较

好地实现分类任务，同时较常用的传统分类方法表现更优。本

文的研究结果为BCI技术在康复医学领域中的应用提供了新思

路和方法，有望为康复医学领域的进一步发展提供更好的服务。

关键词：脑机接口；运动想象；脉冲神经网络；分类器。

正文

1引言

脑机接口技术作为人机交互技术的重要分支，已经广泛应用于

康复医学、机器人控制、虚拟现实等领域。其中，应用最为广

泛的是基于运动想象的BCI系统。运动想象是指通过大脑皮层

神经元的放电活动模拟人类进行肌肉运动的场景，但是并没有

实际运动的过程，不需要任何外在的物理动作。相对于其他的

脑机接口方式，运动想象BCI不需要机械装置与人的肢体连接，

因此可以有效地避免使用者的肢体运动对信号的干扰。然而，

运动想象信号的提取和分类是BCI技术的关键问题之一。传统

的基于向量机（SupportVectorMachine,SVM）和人工神经

网络（ArtificialNeuralNetwork,ANN）的分类方法，虽然

精度比较高，但是计算复杂、耗时、占用存储空间大，限制了

BCI应用的推广。因此，如何使用更有效的算法分类器，成为

解决运动想象BCI技术瓶颈的一个重要问题。

近年来，脉冲神经网络（SpikingNeuralNetwork,SNN）方

法引起了学术界的广泛关注。SNN是一种基于脉冲（Spike）

的神经网络，通过神经元之间的脉冲传递信息，而非传统的神

经元激活函数随时间变化的方法。由于SNN的生物学基础，能

够更好地模拟人类神经系统的运作方式，因此被广泛用于神经

学、计算机视觉等领域。有学者认为，SNN有望成为一种更有

效的方法来处理和分析脑机接口信号。

本文采用SNN方法对运动想象信号进行分类研究。本研究采集

了32通道脑电信号，针对三个运动想象任务（左右手握拳、

左右脚抬踩）进行试验，共计36名被试参与。对采集到的脑

电信号进行特征提取，建立了基于SNN的分类器。最终，分类

的结果表明，本文的方法可以实现对运动想象信号的较好分类，

同时采用的SNN方法相比于传统的分类方法也表现更为优秀。

本研究的结果，为BCI技术的进一步发展提供了新思路和方法。

2实验方法

2.1受试者和数据采集

本研究共招募了36名健康志愿者（18男性和18女性），平

均年龄为28.5岁（标准差5.5岁）。前期需要每名受试者接

受医生检查，确保其没有任何精神或神经系统疾病。受试者需

要按照规定的运动想象任务进行想象，其中分为左右手握拳和

左右脚抬踩，每个任务分为15次试验，共计90次数据采集。

为了采集受试者的脑电信号，本研究采用了32通道脑电信号

采集系统（BrainAmp-32,BrainProductsGmbH,Germany)。

各通道的采样频率为1000Hz。受试者在采集脑电信号之前需

要先休息10分钟，保持安静状态。

2.2数据处理

采集到的脑电信号需要进行一系列的预处理步骤，最终得到可

以进行特征提取和分类的数据。

首先，需要对采集的原始脑电信号进行去噪处理。本研究将采

用电子伏特(V)为单位的信号，采用0.1hz高通滤波器和60Hz

带阻滤波器进行滤波处理，以去除可能由于生理或环境因素引

起的噪音。

随后，对信号进行特征提取。本研究选用了常用的时域和频域

特征参数进行提取，如平均能量、幅值标准差、频谱能量、功

率谱密度等。另外，本研究还采用了更为新颖的特征提取方法，

比如小波包分析、k-最近邻等。

2.3建立分类器

本研究采用SNN方法建立运动想象信号的分类器。SNN是一种

基于脉冲的神经网络模型，模拟了生物神经元之间的信息交流

过程，适用于模拟生物大脑中的神经机制。

SNN的基本结构包括：神经元、突触和