最近在看EEG数据处理相关的论文。为了更系统地学习，我现在做一个阅读和总结论文专栏，总结每篇经典论文的核心观点。

脑机接口运动意图和运动意象的脑电数据分析研究——庞亚杰（哈尔滨工业大学）

概括：
动作意图是在人即将进行动作时，调动与动作有关的脑资源，让肌肉骨骼完成指定动作而发出的指令。可以使用运动相关的皮层电位来研究运动意图，并且可以使用感觉运动节律来研究运动意象。运动脑机接口，不仅可以帮助患者控制身体，实现自我保健，还可以帮助患者恢复自身的运动能力；运动意图和运动意象的研究对运动脑机接口具有重要意义。
论文主要内容如下：
1. 运动相关脑活动研究。设计运动意图和运动想象实验范式，进行运动相关脑活动分析，研究运动相关皮层电位和感觉运动节律，分析运动相关皮层电位在不同动作上的实验现象和差异，分析感觉运动节律电位在左右侧肢体上的实验现象和差异，结合 ERP 分析和统计分析得出实验结论。
2. 针对不同动作的运动意图识别问题，大多数的研究在提取运动相关皮层电位特征时只提取时域特征，本文提取运动相关皮层电位的时频域特征，采用基于互信息的最佳个体特征选择算法特征选择，为每个被试选择最佳的特征选择维数，使用 SVM 分类，在本实验脑电数据上上下肢实验动作平均分类准确率为 84%，在上肢实验和下肢实验动作平均分类准确率为 73%。
3. 针对运动想象小样本脑电数据问题，在滤波器组共空间模式算法引入其他被试的通用实验生成正则化协方差矩阵，来降低因样本数少带来的偏差。在特征选择上，采用两次特征选择，一次选择合适的正则化参数对，另一次选择合适的频段特征，使用 SVM 分类。在本实验脑电数据上上下肢实验平均分类准确率为 83%，在上肢实验和下肢实验平均分类准确率为 74%。
4. 为了进行运动意图和运动想象分类识别，本文设计了基于脑电的运动脑机接口。根据第三章运动意图和第四章运动想象特征提取和分类方法设计了基于脑电的运动脑机接口，显示模块用 Spring Boot 构建后台，用前端技术构建系统页面，在后台调用脑电处理程序，在前端页面中显示分类识别结果。
关键词：运动意图；运动意象；运动脑机接口；运动相关皮层电位；滤波器组共空间模式

核心内容：

论文的框架如下：

2. 运动相关脑活动研究

在运动意图和运动想象研究中，使用到的脑电信号是 MRCP 电位和 SMR 电位，本章主要设计运动意图和运动想象的实验范式，做上肢脑电实验和下肢脑电实验，预处理脑电数据，使用 ERP 分析和统计分析方法分析运动相关脑电信号MRCP 电位和 SMR 电位，得出实验结论。
实验设计

实验过程中使用的是 10-20 国际标准导联系统，由 10-20 分割的区域组成，如下图 2-1 所示。要记录脑电信号就需要确定电极的位置，要使得电极均匀分布在大脑头皮上。把人的脑袋看成地球，要像地球一样，有等间距均匀的经纬线，因此要在脑袋上划定范围区域后均分该范围区域，使电极均匀分布在大脑表面上，各线的交叉点就是电极的位置。通过鼻根、枕骨隆突和左右耳前点的圆环定义为赤道。与赤道垂直的线是经线。用 10%和 20%的比例划分赤道，经线也按照同样的方法划分，形成了 10%和 20%的分界点。纬线是与赤道平行的并且经过经线 10%、20%分界点的圆圈，经纬线的交叉点就是产生的电极的位置。我们按照电极所在的脑区命名电极的名称，电极名称的第一个字母是所在脑区英文名称的首字母。电极名称的第二个字母表示和大脑头皮中心的距离远近，距离中心越近，数字越小，反之数字越大，大脑左侧电极用奇数表示，大脑右侧电极用偶数表示。中线的电极用字母“z”表示数字“0”，用来和字母“o”区别开来。

运动相关脑电数据预处理

在 EEG 信号甚至在所有的神经生理信号中，滤波是数据预处理中必不可少的一步，滤波有两个最大的功能：一是去除噪声，去除市电、直流，极低频干扰；二是选择特定的频段观察信号。

上图 2-4 是实验采集到的原始 EEG 信号及频谱，可以看出原始 EEG 信号主要集中在 0Hz ~ 50Hz 内，我们要使用的运动相关皮层电位和感觉运动节律信号主要集中在 0.5Hz ~ 30Hz 内，因此要将 EEG 信号滤波到 0.5Hz ~ 30Hz。图 2-5是滤波后的 EEG 信号及频谱。

运动相关大脑活动分析

在本节主要研究了与运动意图相关的 MRCP 电位，分析了 MRCP 电位在不同动作上时域波形的显著性差异、峰值时和反应时的显著性差异。（1）MRCP 电位在手臂抬高和握拳动作上时域波形的显著性差异下图 2-9（a）、图 2-9（b）分别为在 FCZ 和 CZ 通道上所有被试手臂抬高和握拳动作 MRCP 叠加出的 ERP 曲线，可以看出从提示结束时刻开始，幅值由正转负，在 400ms 左右达到最大负峰值，之后幅值上升趋于平稳；在达到最大负峰值的时候，手臂抬高和握拳动作的最大负峰值的大小有差异。

将单个被试的手臂抬高、握拳动作上所有 trials 叠加出 ERP 曲线，分别得到12 条 ERP 曲线，在 0 ~ 1s 内对 24 条 ERP 曲线做配对 t 检验，下图 2-10（b）、图 2-10（a）分别为在 FCZ 和 CZ 通道上所有被试手臂抬高和握拳动作的配对 t检验，可以看出在最大负峰值处有显著性差异（配对 t 检验，p<0.05）。

与运动意象相关的大脑活动分析

本小节主要研究与运动想象相关的 SMR，当进行单侧肢体运动想象时，在SMR 会出现事件相关去同步（ERD）/同步（ERS）现象。想象左手时，处于对侧脑的电极能量降低，出现 ERD 现象；而同侧脑的电极能量升高，出现 ERS 现象。想象右手时则相反。图 2-15（a）、2-15（b）分别为想象左手和想象右手的ERD/ERS 现象。

当进行左右肢体的运动想象时，功率谱在 mu 节律（8~13Hz）和 beta 节律（14~30Hz）也可以看出 ERD/ERS 现象。在想象左手时 C3 电极能量在 mu 节律和 beta 节律能量高，C4 电极能量较低；在想象右手时 C4 电极能量高，C3 电极能量较低。图 2-16（a）、2-16（b）分别为想象左手和想象右手的功率谱。

综上所述：

运动脑机接口不仅帮助病患控制身体，实现自理，还可以帮助病患恢复自身的运动能力；利用与运动相关脑电信号提取大脑运动信息逐渐成为运动脑机接口的研究热点。在与运动相关的脑电信号中，运动相关皮层电位可用来研究运动意图，感觉运动节律可用来研究运动想象。本文的主要研究内容如下：（1）进行了运动相关脑活动研究。设计运动意图和运动想象实验范式，研究与运动相关脑电信号 MRCP 和 SMR，分析 MRCP 电位在不同动作上的实验现象和差异，分析 SMR 电位在左右侧肢体上的实验现象和差异，结合 ERP 分析和统计分析得出实验结论。（2）研究了 MRCP 电位的时频域特征的特征提取方法，共提取了五类特征，同时在特征选择上采用基于互信息的最佳个体特征选择算法，在特征维数确定问题上，比较不同特征维数的分类准确率，选择最佳的特征维数；在上下肢实验动作平均分类准确率为 84%，在上肢实验手臂抬高和握拳动作上平均分类准确率为72%，在下肢实验抬腿和踢腿动作上平均分类准确率为 73%。（3）针对小样本脑电数据问题，由于 CSP 算法是基于样本的协方差矩阵估计，如果训练集很小，估计的精度会受到很大的影响；因此在滤波器组共空间模式算法FBCSP）引入正则化共空间模式的思想，引入其他被试的通用实验生成正则化协方差矩阵，来降低因样本数少带来的偏差。在特征选择上，采用两次特征选择，一次选择合适的正则化参数对，另一次选择合适的频段特征。提高在左右侧肢体动作上的分类准确率。在上下肢实验分类左右侧肢体动作平均分类准确率为 83%，在上肢实验分类左右手动作上平均分类准确率为 73%，在下肢实验分类左右腿动作上平均分类准确率为 75%。（4）为了进行运动意图和运动想象分类识别，本文设计了基于脑电的运动脑机接口。在第三章运动意图和第四章运动想象特征提取和分类方法设计了基于脑电的运动脑机接口，显示模块用 Spring Boot 构建后台，用前端技术构建系统页面，在后台调用脑电处理程序，在前端页面中显示分类识别结果。运动意图和运动想象的研究逐渐成为运动脑机接口的研究热点，受到运动领域研究人员的广泛关注。可以预见，在未来的生活中，运动脑机接口的研究也会成为重要的组成部分，本文针对 MRCP 电位和 SMR 电位提出了特征提取和分类识别方法，但是仍然存在许多的不足之处：（1）算法复杂度的优化。在本文提出的针对小样本问题基于正则化的滤波器组共空间模式算法（R-FBCSP）中，使用到的通道数目为 57，希望可以深入研究各通道与运动意图相关脑电信号的关系，来达到减少通道数目优化算法复杂度的目的。