在卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，建立了腦電圖學(xué)習(xí)網(wǎng)絡(luò)模型(EEGNet)。由于EEGNet具有適應(yīng)腦電圖處理的優(yōu)點(diǎn)，可以應(yīng)用于腦電圖識(shí)別領(lǐng)域。但是，該應(yīng)用存在一個(gè)瓶頸問題，即特定腦機(jī)接口(BCI)的EEG選擇影響了EEGNet的識(shí)別精度。本研究開發(fā)了一個(gè)集成的EEGNet模型的人類視覺機(jī)制的光強(qiáng)度感知。首先、利用設(shè)計(jì)好的多路復(fù)用器、腦電采集電路、放大器和濾波器，構(gòu)造了專用腦機(jī)接口。其次，采用構(gòu)建的腦機(jī)接口，探討了環(huán)境光照對(duì)腦電的影響。另外，利用集成的EEGNet建立視覺機(jī)制模型，并通過實(shí)驗(yàn)表明，與多通道EEGNet和單通道EEGNet相比，集成EEGNet的光強(qiáng)識(shí)別精度分別提高了8.4%和3.9%。集成的EEGNet能夠有效感知和識(shí)別環(huán)境光照明強(qiáng)度。

1

材料和方法

1.1照明對(duì)腦電圖影響的視覺機(jī)制

在光強(qiáng)傳感方面，人類的視覺機(jī)制和大腦識(shí)別有望得到應(yīng)用。大量的研究表明環(huán)境因素影響人的腦電圖。特別是光照條件對(duì)腦電圖的影響較大，即光照對(duì)腦電圖的影響是存在的。根據(jù)光照強(qiáng)度對(duì)腦電圖的影響，人的視覺感知和建模如圖1所示。為了模擬人類視覺機(jī)制的光強(qiáng)度識(shí)別，本工作以人的腦電圖為輸入，以環(huán)境光強(qiáng)度為輸出。視覺機(jī)制的建模將實(shí)現(xiàn)光強(qiáng)傳感，光強(qiáng)類別將被識(shí)別為昏暗、溫和和明亮。

圖1.視覺機(jī)理與建模

1.2光強(qiáng)傳感原理及物理實(shí)現(xiàn)

其主要原理是人可以通過視覺器官感知和識(shí)別光強(qiáng)。圖2是光強(qiáng)分類器的原理和物理實(shí)現(xiàn)。為了實(shí)現(xiàn)光強(qiáng)感知，需要硬件模塊和軟件模塊。硬件部分主要包括專用BCI、多路復(fù)用電路、放大器和濾波器。軟件技術(shù)包括環(huán)境照明描述、專用BCI控制方法、腦電信號(hào)信息處理與特征提取、環(huán)境照明識(shí)別建模。另一方面，光強(qiáng)分類模塊包括模型構(gòu)建、模型訓(xùn)練、模型測(cè)試，以及利用集成的EEGnet模型對(duì)光照度進(jìn)行實(shí)時(shí)分類。光強(qiáng)度分類器的物理實(shí)現(xiàn)包括電極帽和16通道腦電采集電路、8通道腦電采集電路、安裝在3d打印頭盔上的腦電采集電路、安裝在頭盔上的光強(qiáng)分類器，如圖3所示。

圖2.光強(qiáng)分類器原理及物理實(shí)現(xiàn)

1.3專用腦機(jī)接口

針對(duì)專用腦機(jī)接口的核心功能，利用腦電傳感芯片TGAM設(shè)計(jì)了單通道腦機(jī)接口。硬件實(shí)現(xiàn)的邏輯結(jié)構(gòu)如圖4所示。在TGAM芯片的基礎(chǔ)上，采用HC05藍(lán)牙芯片進(jìn)行腦電信號(hào)的發(fā)送。控制器ARM NANOPI-DUO2控制這些電路。多通道腦電的物理結(jié)構(gòu)如圖5所示，多路復(fù)用器從原始腦電信號(hào)的多個(gè)通道中選擇腦電信號(hào)的一個(gè)通道。所選通道由ARM的控制器NANOPI-DUO2決定。與傳統(tǒng)BCI相比，特殊構(gòu)造的BCI處理的優(yōu)勢(shì)在于可以通過單個(gè)芯片TGAM從多個(gè)電極采集腦電圖，可以形成具有完整信息的腦腦電圖圖像。

圖4.專用BCI硬件邏輯結(jié)構(gòu)

圖5.多通道腦電圖感知

對(duì)于特殊的腦機(jī)接口，需要重新設(shè)計(jì)電源電路、腦電圖感知電路以及藍(lán)牙電路，如圖6所示：所有硬件芯片均使用(a)中的電源，腦電感知芯片TGAM和LED電路如(b)所示，此外，腦電感知芯片TGAM與控制器ARM之間的通信需要使用(c)中的藍(lán)牙芯片。

圖6設(shè)計(jì)電路。a.電源芯片。b.腦電圖傳感芯片。c.專用BCI的藍(lán)牙芯片電路。

1.4腦電放大器的構(gòu)造

由于腦電圖信號(hào)的弱噪聲特性，需要將其放大約100倍。圖7為常用的運(yùn)算放大器和用于腦電圖放大的兩級(jí)運(yùn)算放大器。首先，選擇了一種常用的運(yùn)算放大器。運(yùn)算放大器的放大系數(shù)、共模抑制比、輸入阻抗等參數(shù)直接影響運(yùn)算放大器的放大性能。其次，設(shè)計(jì)了運(yùn)算放大器，分析了各參數(shù)對(duì)運(yùn)算放大器性能的影響。

圖7腦電圖放大器。a常用運(yùn)算放大器。b腦電圖兩級(jí)運(yùn)算放大器

1.5帶阻濾波器的構(gòu)造

采集到的腦電圖經(jīng)放大器處理后，工頻干擾不容忽視。這對(duì)腦電信號(hào)的分析有負(fù)面影響。因此，需要帶阻濾波器。該濾波器通過大量的頻率信息并衰減較窄的節(jié)律分量。圖8是由雙t電路構(gòu)成的有源帶阻濾波器。在有源帶阻濾波器的基礎(chǔ)上，增加了運(yùn)算放大器和電位器。運(yùn)算放大器U2有一個(gè)反饋功能，電位器Rw起調(diào)節(jié)作用。

圖8.腦電圖有源帶阻濾波器

圖9.環(huán)境光誘發(fā)腦電節(jié)律分量μβ、μα、μθ、μδ和原始μο

1.6腦電圖特征提取

對(duì)于根據(jù)人眼視覺感知的光照強(qiáng)度，腦電圖信號(hào)作為模型的輸入。同時(shí)，光強(qiáng)的照明參數(shù)應(yīng)該是模型的輸出。從腦電圖中提取節(jié)律分量和近似熵作為腦電圖特征。圖9為原始腦電圖信號(hào)μο及其節(jié)律分量μβ、μα、μθ和μδ。通過小波變換得到腦電信號(hào)節(jié)律分量Eβ、Eα、Eθ和Eδ的能量分布如圖10所示。

圖10.腦電圖節(jié)律分量的能量特征分布

1.7光強(qiáng)傳感集成模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是近年來發(fā)展起來的一種高效的識(shí)別模型，在大型圖像處理方面表現(xiàn)良好，主要包含卷積層和池層結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。由于EEGNet具有適應(yīng)腦電圖處理的優(yōu)點(diǎn)，可以應(yīng)用于腦電圖識(shí)別領(lǐng)域。但該應(yīng)用存在一個(gè)瓶頸問題，即特定腦機(jī)接口的EEG選擇影響了EEGNet的識(shí)別精度。因此，本文開發(fā)了一種用于光強(qiáng)度感知的人類視覺機(jī)制的集成EEGNet模型，如圖11所示，其中多通道CNN和單通道EEGNet并行提取原始EEG特征。首先，要確定光強(qiáng)傳感模型的輸入和輸出。在腦電圖特征提取中，多通道CNN的輸入確定為原始腦電圖的節(jié)律分量，EEGNet的輸入確定為腦電圖的連接矩陣。光強(qiáng)分類模型的輸出確定為常用的暗度和柔和度的光照強(qiáng)度以及亮度。多通道CNN的結(jié)構(gòu)包括多通道輸入、卷積、池化和全連接。

圖11.光強(qiáng)傳感集成EEGNet模型

圖11的第(1)部分是多通道CNN模型，包含節(jié)律分量和腦電圖能量的輸入特征。圖11的(2)部分是具有腦EEG連接矩陣輸入特征的單通道EEGnet模型。圖11的(3)為徑向基函數(shù)網(wǎng)絡(luò)。該網(wǎng)絡(luò)是在前兩個(gè)并行EEGNets的基礎(chǔ)上，投影出光強(qiáng)類。將部分(1)與部分(2)并行的優(yōu)點(diǎn)是，新模型既能覆蓋時(shí)頻特征，又能覆蓋空間特征，得到的腦電圖信息比常用的時(shí)頻特征更豐富。該集成EEGnet模型將光強(qiáng)特征從低維投影到高維，RBF網(wǎng)絡(luò)將高維的線性不可分性轉(zhuǎn)化為低維的線性可分性，提高了識(shí)別精度。

本文利用所設(shè)計(jì)的BCI光感知系統(tǒng)探索視覺機(jī)制模型。設(shè)計(jì)并實(shí)現(xiàn)了多路腦機(jī)接口的多路復(fù)用電路、腦電采集電路、放大器、濾波器和控制器。環(huán)境照度的多重區(qū)間特征確定為0 ~ 60 Lx、61 ~ 120 Lx、121 ~ 350 Lx。提取腦電節(jié)律分量的能量和熵作為腦電特征。實(shí)驗(yàn)表明，與SC-EEGnet模型和MC-EEGNet模型相比，所提出的集成EEGNet模型的光強(qiáng)識(shí)別精度分別提高了8.4%和3.9%。未來的工作是進(jìn)一步提取腦連接矩陣的腦電圖特征。同時(shí)，通過減少腦葉數(shù)來優(yōu)化腦機(jī)接口結(jié)構(gòu)。

編輯：黃飛

?