[MI-BCI论文札记]基于Morse电码的多类运动想象BCI系统设

本文主要的贡献是将传统MI-BCI仅有二类运动想象识别(左手、右手)增加到了六类，用来控制六种运动想象的结果，但是实际上人的想象只有传统的三种，文中的办法是采用莫斯电码，用运动想象序列进行编码，可以得到更多的运动想象结果。
长度为N的二类运动想象（左手、右手）可以看出是0和1，按照式1可以计算CN个结果，通过CN个结果进行编码就可以得到多类运动想象的分类结果。

反过来，若需要M个类别的多类分类问题，则可以计算出需要的莫斯电码长度。

文中的实验是产生六种运动想象结果来控制机器手臂抓取目标。所以根据式(2)(3)可以计算出需要长度为2的运动想象序列即可。下图就是编码情况。下表给出了每个类别需要机器手臂的作用情况

实验情况：
1、实验人员：4个正常25岁左右年轻人，2个有BCI控制经验，2个没有。
2、EEG信号处理：处理C3和C4电极的数据，电极帽的点击应保证阻抗低于10k欧姆
3、EEG信号处理过程：提取长度为2000ms的EEG信号进行一次分类，每次分类之间保证100ms的间隔时间，按以下流程进行：
1 ）对C3 C4电极记录的信号采用大型拉普拉斯滤波器进行滤波
2 ）使用带通滤波器将频率集中在（1-50Hz）的信号滤波出来
3 ）使用固定参数为16的Yule-Walker自回归模型从上述滤波结果中提取PSD（功率谱密度）
4 ）从PSD中提取8-30Hz的节律信号，（由于mu节律在8-14Hz, beta节律在18-25Hz），并将提取到的节律信号按1Hz的单位进行切分，切分后组成特征向量。
5 ）采用MDA（最小距离分析）分类器，马氏距离，进行分类，得到分类的左手、右手和空闲状态结果。
6 ）对MDA的分类结果采用dwell time（给定一段时间进行持续的运动想象结果，只有在一定年时间内能够被稳定检测出分类结果，该结果才是有效结果，否则视为空闲状态）将空闲状态剔除保留下有意义的结果，优化性能。
4、实验过程：实验过程训练和首先屏幕给出开始，经过6秒的准备时间，当线索在屏幕上给出时，进行相应的运动想象，分为两个epoch（时间阶段），第一阶段进行第一个长度的运动想象，进行2000ms，中间停顿1000ms作为休息和准备第二个长度的运动想象时间，第二阶段进行第二个长度的运动想象，在3000ms内作为第二阶段。每个实验者在一天内做56组实验。
测试采用相同的流程，流程如下图

首先进行6秒的准备时间，然后在6s-12ms之间作为两个长度的运动想象测试，在epoch1和epoch2之间随机出现屏幕上的六种运动详细结果。
5、控制机器手臂：控制机器手臂进行小球的抓取，每个测试者进行两组实验，一组使用MI-BCI进行，另一组用键盘进行，结果作为对比，控制机器臂抓取如下

实验结果
1、采用经典的Kappa系数和bpm作为性能的衡量标准。

下图给出六种MI的C3和C4电极的变化，C3和C4的电极变化（黄红色为高，ERS，蓝色为低，ERD）

下图给出随着时间的推移，左右手的MI识别率，正坐标为右手，负坐标为左手。

文中还给出了用MI-BCI和键盘分别控制机器手抓取物体的实验结果比较，如下表所示

总结
1、首创使用MI-BCI控制多自由度的实际运动，之前都是控制虚拟屏幕上的箭头
2、使用MI的序列，并用莫斯编码，将EEG信号由二维提升到三维，为分类提供了更充分的信息
3、嵌入了反馈机制到机器臂中，可以直接反馈是否正确，而不需要通过屏幕
展望
1、增加了MI的序列，使得将MI识别成运动命令过程，时间消耗更多
2、BCI系统需要大量信息和时间的反馈，不是完全的异步系统，需要一些反馈的是同步过程。