基于共空间模式的运动想象脑电信号处理

摘要
摘要
脑-机接口技术使用计算机设备对人类大脑神经思维活动表现出来的脑电信号进行解读，通过解读出来的信息与外界环境进行沟通,从而绕过了人类原先的外周神经和肌肉系统。

脑-机接口技术作为一种全新的人机交互方式,它的出现在众多领域都显现出了实用价值。

因此，脑机接口技术成为众多交叉学科研究的热点。

目前在脑-机接口系统中常用的脑电信号有运动想象脑电信号、P300和稳态视觉诱发脑电信号等，其中P300和稳态视觉诱发脑电是基于外界环境刺激诱发模式产生的脑电信号，而运动想象则完全是自发形式的，所以运动想象的应用前景更加广泛，而算法和实现难度也相对比较高。

脑电信号的识别是脑-机接口技术的核心部分，因此本文主要针对运动想象脑电信号，详细地研究了脑电信号处理方法，包括：预处理方法、特征提取算法、分类算法，以及离线和在线的脑机接口系统的设计。

针对以上各方面，本文具体做了以下工作：
（1）实现了对脑电信号的获取，信号特征的提取；
（2）研究了运动想象脑电信号的多种特征提取和处理方法，包括：空间滤波，频带能量，傅里叶变换，小波包分解，共空间模式，自适应参数回归的方法；
（3）研究了线性分类器和支持向量机分类器，并对两种分类器的效果通过实验进行验证，找到了一种适合在线系统的分类方法；
（4）将小波分解和共空间模式方法结合对脑电信号进行特征提取，用实验数据进行验证这种方法的有效性，得到了一种高效的特征提取方法；
（5）基于四类运动想象的脑电信号能量在大脑皮层的分布特征，提出了特征重组和小波变换的多类运动想象脑电信号分类方法，并使用竞赛数据进行了验证；
（6）设计了一种新的试验范式，并与传统的经典范式进行试验结果的对比，发现了不同的视觉显示方式对受试者脑电信号的影响不同，所以对试验范式的改进研究也是很必要的；
（7）通过改进的CSP算法，监督学习方法，新实验范式等技术要素，实现了一种在线的运动想象脑机接口系统，并达到了较高的识别准确率。

关键词：脑机接口，运动想象，脑电识别，共空间滤波，特征提取
ABSTRACT
ABSTRACT
Brain computer interfaces (BCIs) technology applys computer equipments to read electroencephalogram (EEG) when the human’s brain is thinking , then via the reading of EEG to communication with the external environment, evading the original human peripheral nerve and muscle system. BCIs, a new type of human-computer interaction, shows its practical value in many fields. Therefore, it has become a hot topic in many interdiscipline recently years.
At present, three types of EEGs，motor imagery EEG, P300 and steady-state visual evoked EEG，are commonly used in BCIs system. P300 and steady state visual evoked electroencephalograms are produced by the stimulus patterns of external environment, and motor imagery is entirely spontaneous, so the application prospect of motor imagery is more widely and the implementation difficulty are also relatively high. Recognition of EEG signals is the core part of brain computer interface technology, therefore this paper focuses on motor imagery EEG, showing a detailed study of the EEG signal processing methods, including preprocessing methods, feature extraction algorithm, classification algorithm, and design system of the offline and online BCIs. In view of the above aspects, this paper has done the following work:
(1)Realization of EEG signal acquisition, feature extraction and simple analysis ;
(2)The methods of extracting and processing the EEG signals of motor imagery are studied, including spatial filtering, frequency band energy, Fourier transform, wavelet packet decomposition, common spatial pattern and adaptive parameter regression method;
(3)I also study the linear classifier and support vector machine classifier, and verified the effectiveness of the two classifiers through experiments. A classification method suitable for on-line system is found;
(4)In this paper, wavelet decomposition and common spatial pattern are combined to extract the feature of EEG signals, and the validity of this method is verified by experiments . An
efficient feature extraction method is proposed;
(5)According to the EEG signal energy distribution in the cerebral cortex for four class motor imagery，I proposed the EEG signal recognition method of multi-class motor imagery based on feature reconstruction and wavelet transform, and this method is tested by competition data set;
(6)I designed a new type experimental paradigm, and compared it with classical paradigm’s result, found that different vi sual display have different effects on subjects EEG signals, so the research on improvement of experimental paradigm is also very necessary;
(7)Applying the improved CSP algorithm, supervised learning method, the new experimental paradigm and other technical factors, I brought about a on-line brain computer interface system for recognition of EEGs by programming, and achieved higher recognition accuracy.
Keywords: EEG, Motor Imagery, Brain-Computer Interface, Feature Extract, CSP
插图索引
插图索引
图2.1人脑的神经细胞 (5)
图2.2皮层功能分区 (6)
图2.3脑机接口系统框架 (8)
图2.4国际标准10-20系统的脑电导联 (8)
图2.5实验室脑电信号采集设备 (9)
图2.6事件相关电位计算示意图 (10)
图2.7运动想象电位的RED和ERS现象 (11)
图2.8运动想象试验范式时序图 (12)
图3.1三种空间滤波器方法对比 (14)
图3.2带通滤波后的脑电信号波形 (15)
图3.38~12H Z的范围内的能量点分布 (16)
图3.419~25H Z的频带内的能量点分布 (17)
图3.5频带能量特征 (17)
图3.6FFT信号功率谱 (18)
图3.7STFT信号功率谱密度 (19)
图3.8共空间模式的特征向量 (23)
图3.9小波塔式分解示意图 (24)
图3.10信号进行小波分解和重构 (25)
图3.11自适应回归参数迭代曲线 (27)
图3.12AAR模型分类流程 (28)
图3.13线性判别低维空间的重叠现象 (29)
图3.14支持向量分类器的分类间隔和超平面 (32)
图4.1EEG信号分类流程 (35)
图4.2多维特征映射到二维空间视图 (36)
图4.3SVM分类和LDA分类器准确率对比 (37)
图4.4OVR训练过程结构图 (39)
图4.5OVR测试过程结构图 (40)
图4.6OVO训练过程结构图 (41)
图4.7四类运动想象不同区域ERD和ERS图示 (42)
图4.8多类运动想象脑电信号分类方法框图 (43)
图5.1在线脑机接口系统框图 (50)
图5.2在线系统电极放置位置图 (50)
图5.3运动想象试验时序图 (51)
图5.4运动想象经典范式刺激显示图 (51)
图5.5假反馈范式的训练显示方式 (52)
图5.6两种试验范式的结果对比 (53)
图5.7两种不同范式的数据特征向量对比 (54)
图5.8监督学习的模型训练 (54)
图5.9在线系统的数据窗口长度 (55)
图5.10在线测试的反馈试验范式 (56)
图5.11试验中使用到的魔术球 (57)
图5.12试验环境图示 (57)
表格索引
表4.1左右手运动想象数据SVM分类准确率 (36)
表4.2左右手运动想象数据LDA分类准确率 (37)
表4.3WCSP方法和CSP方法分类结果对比 (38)
表4.4运动想象不同区域ERD和ERS现象归纳 (42)
表4.5四类运动想象分类结果 (47)
表5.1在线测试结果 (56)
符号对照表
符号符号名称
* 乘法
/ 除法
| | 取绝对值trace（）求矩阵的迹uV微伏
Hz 赫兹
bit/min 比特每秒
缩略语对照表
缩略语英文全称中文对照
AAR Adaptive autoregressive model 自适应回归参数模型ALS Amyotrophic lateral sclerosis 肌萎缩侧索硬化症BCIs Brain-computer interfaces 脑机接口
BP band power 频带能量
CSP common spatial pattern 共空间模式
CWT Continuous Wavelet Transform 连续傅里叶变换DWT Discrete wavelet transform 离散傅里叶变换EEG Electroencephalogram 脑电信号图
EMG electromyography 肌电图
EOG electrooculogram 眼电图
ERD event-related desynchronization 事件相关去同步电位ERP event-related potential 时间相关电位
ERS event-related synchronization 事件相关同步电位EVP visual evoked potential 视觉诱发电位
FFT fast Fourier transform 快速傅里叶变换LDA linear discriminant analysis 线性判别分析
OVO one versus one 一对一
OVR one versus rest 一对其余
RBF radia basis function 径向基核函数
RLS recursive least squares 递归最小二乘
SCP slow cortical potential 皮层慢电位SSVEP steady state visual evoked potential 稳态视觉诱发电位STFT short-time Fourier transform 短时傅里叶变换SVM support vector machine 支持向量机
WT wavelet transform 小波变换
目录
目录
摘要 (I)
ABSTRACT (III)
插图索引 (V)
表格索引 ............................................................................................................... V II 符号对照表. (IX)
缩略语对照表 (XI)
目录 (XIII)
第一章绪论 (1)
1.1 脑机接口研究的背景和意义 (1)
1.2 脑机接口研究的现状和进展 (2)
1.3 本论文的主要内容和结构 (3)
第二章基于运动想象任务的脑机接口系统 (5)
2.1 脑电信号与BCI系统 (5)
2.1.1 人脑的构成及功能 (5)
2.1.2 脑电信号的划分 (6)
2.1.3 BCI系统构成 (7)
2.2 事件同步相关和事件去同步相关 (9)
2.2.1 运动想象脑电信号与事件去同步相关 (9)
2.2.2 基于频带能量的ERD检测方法 (10)
2.2.3 运动想象信号在μ节律的ERD/ERS现象 (11)
2.3 基于运动想象的脑机接口的经典实验范式 (12)
2.4 本章小结 (12)
第三章运动想象脑电信号的特征提取及分类方法 (13)
3.1 脑电信号的预处理 (13)
3.1.1 空间滤波的预处理方法 (13)
3.1.2 脑电信号的时频滤波预处理 (14)
3.2 脑电信号的特征提取方法 (15)
3.2.1 频带能量(Band power)特征提取方法 (15)
3.2.2 傅里叶变化和短时傅里叶变换方法 (18)
3.2.3 共空间模式滤波方法 (20)
3.2.4 基于小波变换和共空间模式的脑电信号特征提取方法 (23)
3.2.5 AAR模型参数估计方法 (25)
3.3 脑电信号的分类方法 (28)
3.3.1 线性判别分类 (28)
3.3.2 支持向量机分类 (31)
3.4 本章小结 (34)
第四章运动想象脑电信号处理 (35)
4.1 两类运动想象脑电信号的分类识别 (35)
4.1.1 CSP + LDA与CSP+SVM (35)
4.1.2 WaveletCSP + LDA (38)
4.2 多类运动想象脑电信号分类识别 (39)
4.2.1 OVO分类方法和OVR分类方法 (39)
4.2.2 特征重组和小波变换的多类运动想象脑电信号分类方法 (41)
4.3 本章小结 (47)
第五章基于运动想象的在线学习脑机接口 (49)
5.1 自适应共空间模式（ACSP）的在线学习方法 (49)
5.2 BCI 在线系统设计 (50)
5.3试验范式的设计 (51)
5.3.1 经典的试验范式和时序 (51)
5.3.2 不同的试验范式结果对比 (52)
5.4 在线系统的实现 (54)
5.4.1 基于监督学习的模型训练 (54)
5.4.2 在线测试和反馈的设计 (55)
5.5 在线测试结果和分析 (56)
5.6 本章小结 (57)
第六章总结与展望 (59)
6.1 完成的工作 (59)
6.2 未完成的工作和改进计划 (59)
参考文献 (61)
致谢 (65)
作者简介 (67)
1.基本情况 (67)
2.教育背景 (67)
3.攻读硕士期间的研究成果 (67)
第一章绪论
第一章绪论
1.1 脑机接口研究的背景和意义
临床上若患有神经病症或神经退行性症状，会扰乱大脑到脊髓的正常信息交流，进而影响人的行动能力，例如比较常见的肌萎缩性侧索硬化症（Amyotrophic lateral sclerosis，ALS），脊髓损伤、中风和许多其他疾病都会伤害或损害控制肌肉的神经路径，或者直接损害肌肉自身，对于病症比较严重的患者大多会丢失掉控制肌肉的基础能力。

在这种情况下，患者失去了这种通过神经控制与外界沟通的方式，成为自我密封的个体。

对于这种被动的自我密封患者，目前暂时有三种方法帮助其来实现神经通信和肌肉行为。

第一种方法是用尚存在的神经通路和肌肉代替损害的部位，显然可以看到这种替代方法虽然功能受到很大限制，但是依然是有效的。

例如，患者可以通过眼睛和外界交流[1,2]，或者用手部动作来合成语音进行对话[3,4,5]。

第二种方法是是通过检测受伤部位的神经或者肌肉活动来完成机体某些部位的功能恢复，例如，Freehand公司的神经假肢皆可以用来帮助恢复脊髓受损患者的手部功能[6,7]。

第三种方法就是为受损的神经患者的相关大脑神经区域提供一个全新的非肌肉的信号输出通路，即是目前非常热门的脑机接口（Brain-computer interfaces ，BCIs）通信方式，这种新的通信方式能够把用户的意图传递给外部世界。

BCI是一个非肌的信息通信系统，通过脑机接口可以使得患者的大脑意识和外界环境进行直接或者间接的交流，所以说脑机接口技术是利用计算机技术在大脑和外部环境之间创建一个新的沟通信道。

通过此信道，可以不依靠外周神经和肌肉组织而直接实现对外部设备的控制，直接从大脑获取与外界通讯的信息。

BCI为那些思维正常但是患有严重运动障碍的患病者提供了一种交流和环境控制的途径，提高其生存质量，是丧失语言功能和肢体活动能力的患者恢复对外交流的有效途径[8]。

此外，脑机接口还提供了一种新的人机交互方式，例如在特殊环境下，当用户不方便使用普通的控制方式时，可以尝试使用脑电信号控制外界设备。

无论是从学术意义，还是从未来的应用价值前景来说，在自动控制领域，医学康复领域，军事领域，其都有重要的理论价值及现实意义，它必将为人们开拓出一种全新的大脑信息输出方式，进而延伸人们对外界的控制能力，感知能力和交流能力。

但是就整体而言，由于受到大脑神经科学和生物科技技术发展的限制，脑电信号的特性和处理仍然存在许多长期未能解决的问题，甚至还不清楚脑机接口系统是线性还是非线性的，另外面临更多的是信号处理算法的发明，完善与改进方面的重要难题，因此目前要找到一种普遍适合EEG信号的识别方法还不太可能。

但是，相信随着各个学科的进步和融合，必将促进更高科学层次和更深技术内容的发展。

就目前而言，
BCI脑机接口的技术研究已然引起国际科学界的高度重视，成为科研领域的一个新的前沿热点。

1.2 脑机接口研究的现状和进展
由大脑皮层产生的脑电信号EEG(Electroencephalogram)能够客观地实时地记录大脑的变化状态，通过精密的信号处理设备能够实时地将EEG信号进行提取、分类，以及进行信息的深度解析。

这种非创伤性的BCI可以对大容量的信息进行记录，并且操作方式简单、无创，因此基于外部脑皮层的EEG 信号解析系统是目前研究比较深入和广泛的领域。

从20世纪70年代至今，BCI技术经历了近四十年的发展，90年代后，随着计算机技术和生物学技术的发展，大脑认知和思维成为全世界关注的热点问题，BCI技术研究也进入了一个全新的发展时期相继出现了一批代表性的研究成果，例如Sutter研究的视觉诱发电位脑机接口系统；Farwell和Don chin研究的基于P300的脑机接口系统[9]；Wolpaw等有关ｕ节律和事件相关同步/去同步脑机接口系统[10]；进入到21世纪，全世界各地研究机构都成立了相关的BCI研究小组，1999~2013年召开了6次国际脑机接口会议，有力的推动了脑机接口的研究和发展。

国内的浙江大学求是高等研究院在2012年，使用猴子做实验，成功让猴子用“意念”通过大脑控制机械臂，完成抓、勾、握、捏四种不同动作；清华大学高上凯团队则开发出基于SSVEP的电话拨号试验系统，准确率达到了85%；我国也在2016年启动了“脑科学计划”项目，预计在未来10年内投入数十亿元以上的经费，以“脑健康”为主题，主要研究大脑工作原理和与脑相关的重大疾病。

虽然EEG信号的处理算法、BCI系统的构建都有了比较长远的发展，但是目前仍然存在许多问题需要不断的去解决。

EEG信号是一种时变的、非平稳并且噪声背景很强的随机信号，加之其信号微弱，一般是微伏级别，因此研究起来还是具有很大的困难。

这些问题，归纳起来主要有以下几种问题：
噪声和伪迹问题：信号采集和处理过程中夹杂着许多伪迹，如眼电信号（electromyography，EMG）和肌电信号（electrooculogram，EOG），影响了最终的信号识别的结果；
普适性问题：由于个体的差异、时间和环境差异的原因，对于EEG信号的处理没有一种高效，普遍适用的方法，很多方法都是具有特殊性，所以信号处理算法上需要加强研究；
传输速率低的问题：BCI系统中的信息传输率一般在30bit/min以下，对实际应用还有很远的距离。

即使是目前最快的BCI系统，也不能完成实时控制和交流；
系统稳定性不高：系统的稳定性随着研究方法、受试者和控制系统的不同变化比较
第一章绪论
大，缺乏自适应能力。

大多数BCI系统还只能在安静的实验室环境里进行测试，可是实际应用一定会面临更多复杂变化的场景，所以必须要加强系统稳定性方面的研究。

1.3 本论文的主要内容和结构
本文主要章节分为5个，第一章为绪论，介绍目前国内和国外脑机接口研究的现状和取得的成果；第二章重点介绍脑机接口系统和脑电信号的关系，在2.2小节里，重点介绍运动想象脑电信号的ERD和ERS现象；第三章，运动想象脑电信号特征提取及分类方法，重点介绍了几种常用的运动想象脑电信号特征提取的方法，包括频带能量，空间滤波，短时傅里叶变换，小波变换等方法，同时在本章的最后小节，对线性分类器和支持向量机分类器从原理上进行了介绍和研究；第四章，运动想象脑电识别算法研究，主要介绍了针对两类和四类的脑电信号的处理和分类方法，针对两类的脑电信号，作者使用了小波变换和共空间模式的方法结合进行处理，取得了良好效果；对于四类的运动想象信号的分类，提出了一种特征加强的方法，达到了分类的目的；第五章基于运动想象的在线学习脑机接口系统，主要介绍作者构建的实验室在线脑电识别系统，包括在线训练学习和在线测试，以及高准确率的脑电信号处理。

第二章基于运动想象任务的脑机接口系统
第二章基于运动想象任务的脑机接口系统
2.1 脑电信号与BCI系统
2.1.1 人脑的构成及功能
1924年，德国医学研究人员Hans Berger在人的大脑脑皮层区域采集到电压信号[11]；1875年，英国科学家Canton发现，在大脑或者肢体进行活动时，人类的外部脑皮层的电位信号会随之发生变化，并且这种变化比较容易检测和获取[12]，由此脑电信号Electroencephalography(EEG)被发现并开始了长达几十年的研究。

人类的大脑具有丰富的神经元细胞，成年人大约有1000亿个左右，这其中有140亿个神经元细胞分布在脑皮层。

人脑在进行思维活动时，信息的传输是通过在这些神经元之间发送一定的电流和电压脉冲信号，这种生物电信号通过一个个神经细胞不断进行传导，最后到达由大脑控制的各个肢体部位的感觉器官。

由于人脑有如此庞大的神经元细胞，而神经元细胞之间又通过自身细胞的突出（轴突和树突）与其他多个细胞相互连接[13]，每个神经细胞最终可能会与数千甚至数万个其他神经元连接，这就形成了庞大的神经元网络，这种神经网络生成的信号复杂且难于分析。

神经细胞相互之间通过突触传递生物递质信息，神经元细胞活动时就会在神经系统中产生有微弱的电流,当大量神经元细胞同步放电时，就会在脑皮层产生微弱的脑电信号，这种脑电信号大约100uV左右。

图2.1人脑的神经细胞
人的脑部由大脑，小脑和脑干三部分组成，大脑又可以分为左半球和右半球，根据各层神经元的机能以及大脑各个区域处理的不同信息，可以把脑电信号密切相关的大脑皮层分为以下5个区域，如图2.2所示：
图2.2 皮层功能分区
其中，视觉联络区域位于人脑的后脑勺部位，与视觉刺激产生的脑电信号有直接关联；躯体感觉区和躯体运动区主要位于人脑皮层的顶部和中部，主要和人的肢体运动有关，当人在做运动想象动作时，这两个区域被明显激活[14]。

2.1.2 脑电信号的划分
（1）基于频率特征划分的脑电信号
数亿的大脑神经元产生的电流电压信号，幅度值不同，产生的电压频率也不同，这些不同的生物电信号，在神经元之间传输时相互叠加，最后产生了震荡的有节律特性的脑电信号。

这种节律信号，在大脑皮层可以被轻易检测到，按照频率范围的不同，可以划分成以下几种[15]：
delta(0.5–4 Hz)：这是大脑皮层产生的频率变化最慢的节律信号，幅度值大约为20~200uV，每个人都会有这种节律信号的产生，当人睡眠时，delta信号就会出现并且加强。

theta(4~8Hz):这个频率的信号幅度值约为100~150uV，当人处于放松或者困倦时，Theta节律脑电信号出现；在某些成年人脑皮层，有时检测不到theta节律，因此这个节律的信号并不是人人都有的。

alpha（8~13Hz）：在人脑清醒，注意力集中时，这个节律信号就会显著增强，幅度值约为20~100uV，这种波形的幅度由小变大，而后有大变小，不断往复，看起来像“梭子波”。

在脑电皮层的枕部曲，运动区和视觉区域，经常可以检测到Alpha节律信号。

beta（13~30Hz）：幅度值约为5~20uV，这个频率的波段，在大脑处于兴奋和警觉时最为明显；主要分布在额叶和脑皮层中央区域。

gamma（30~50Hz）：幅度值约为2uV，在人的大脑处于高度兴奋时才会出现的波形，不常见。

（2）基于产生方式不同划分的脑电信号
第二章基于运动想象任务的脑机接口系统
大脑皮层信号对不同的视觉或者听觉刺激会产生不同的信号，根据刺激方式和产生机理的不同，可以将脑电信号划分为以下4种[16]：
P300—P300事件相关电位，在受试者视觉或者听觉受到某种刺激以后，大脑皮层的脑电信号峰值大约会出现在刺激事件发生后的300~500毫秒，此类相关事件发生的概率越小，所引起的P300事件相关电位就会越显著。

伊利诺伊州州立大学的Farewell和Don chin在1998年利用P300事件相关电位设计了一套虚拟打字机，而后又经过两年的不断的改进和优化，最后的打字准确率达到了80%[9]。

P300事件相关电位的优点是经过简单训练，大多数人都可以产生，并且相对比较一致。

VEP/SSVEP—瞬态/稳态视觉诱发事件电位，是一种特定频率信号对受试者进行视觉刺激时，在其大脑皮层会产生与刺激信号频率典型相关性的脑电信号，根据大脑皮层脑电信号的处理结果就可以判定视觉刺激的频率范围[17]。

美国空军研究室的ACT （alternative control technology）就是利用稳态视觉诱发电位SSVEP设计了一个BCI在线控制系统，受试者通过训练学习控制SSVEP的电位幅度来控制飞行器的左右方向飞行；视觉诱发电位还有一个优点就是不需要对受试者进行训练，一般人眼受到特定频率光线刺激时就会马上产生，可以利用特定部位的脑电频率和视觉刺激频率的相关性进行判定、控制，例如清华大学的高上凯团队设计的SSVEP的光标控制系统就可以直接让受试者参与在线控制，而不需要特意的训练受试者。

SCP—皮层慢电位方法，在事件发生时，脑皮层电位幅度发生会变化，持续时间为几百毫秒到几秒不等，这种特定区域电位的变换能反映I层和II层的兴奋度。

健康人和瘫痪者通过反馈学习，可以使SCP幅度发生正向或者负向的偏移。

基于SCP的通信设备[18,19]，用户可以通过控制SCP电位大小来实现字母拼写。

事件相关同步/去同步：在人脑特定事件发生时，大脑皮层某些相关区域的特定频段的信号能量增加或者减少，这些能量的变化有明显的规律性，这就给出了同步相关和去相关的识别方法。

奥地利Graz科技大学的Pfurtscheller等开展的事件相关同步和去同步的研究表明[20,21]：单边的肢体运动和单侧的运动想象，大脑对侧皮层会产生事件相关去同步电位（ERD），大脑同侧产生事件相关同步电位或者去同步电位（ERS）。

2.1.3 BCI系统构成
（1）整体框架
当人在进行意识任务时，在大脑皮层的相关区域产生生物电信号，通过硬件设备对脑电信号进行采集、处理，分析后可以实现对意识任务的解读，使用解读的结果，可以控制外部设备完成指定的任务，这样就实现了不通过人的肌肉以及神经回路完成大脑指令。

BCI就是这样的技术装备，通过外部的控制装置可实现大脑命令的直接输出[22,23,24]。

一般的脑机接口系统由信号采集、信号预处理、信号特征提取、脑电信号模式分类部分
和应用接口系统部分组成，其整体框图如下：
大脑EEG 获取信号采集
预处理特征提取信号处理信号分类
屏幕输出设备控制
控制信号
图2.3 脑机接口系统框架
来自外界的刺激信号会使大脑产生相应的脑电信号（EEG ），经过信号采集设备从大脑皮层采集EEG 信号后，EEG 信号经过放大、滤波和模数转换等处理后转化为带通的数字信号，利用信号处理的算法对该带通信号进行特征提取，并将这些特征放入分类识别系统进行模式识别，将识别后的信号模式作为外部控制设备的具体指令，就能通过外部的机器人或者智能设备完成实际动作和任务，实现人脑意识与外界的交流。

（2）国际导联 10-20系统标准
对于脑电信号的采集，目前有侵入式脑电信号采集，也有在脑皮层外放置电极的方式，比较常用并且安全便捷的是第二种方式。

为了规范不同EEG 采集设备记录的脑电信号，方便行业交流，国际脑电和临床神经委员会（the International Federation of Societes for Electroencephalography and Clinical Neurophysiology ），制定了现在常用的 10-20系统的电极摆放标准，这个标准制定了基本电极的摆放位置和数量；现在比较主流的电极摆放方式有64个导联，32导联，由于运动想象信号，主要分布在运动感觉区和视觉皮层区，所以使用这两个区域的20个左右的电极就可以获得比较好的效果[21]。

图2.4 国际标准10-20系统的脑电导联
将鼻根(Nasion)部位和枕外粗隆(Inion)部位的连接线分为10等份，并且将奇数电极。