在卷積神經網絡模型的基礎上，建立了腦電圖學習網絡模型(EEGNet)。由于EEGNet具有適應腦電圖處理的優(yōu)點，可以應用于腦電圖識別領域。但是，該應用存在一個瓶頸問題，即特定腦機接口(BCI)的EEG選擇影響了EEGNet的識別精度。本研究開發(fā)了一個集成的EEGNet模型的人類視覺機制的光強度感知。首先、利用設計好的多路復用器、腦電采集電路、放大器和濾波器，構造了專用腦機接口。其次，采用構建的腦機接口，探討了環(huán)境光照對腦電的影響。另外，利用集成的EEGNet建立視覺機制模型，并通過實驗表明，與多通道EEGNet和單通道EEGNet相比，集成EEGNet的光強識別精度分別提高了8.4%和3.9%。集成的EEGNet能夠有效感知和識別環(huán)境光照明強度。

1

材料和方法

1.1照明對腦電圖影響的視覺機制

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

圖1.視覺機理與建模

1.2光強傳感原理及物理實現

其主要原理是人可以通過視覺器官感知和識別光強。圖2是光強分類器的原理和物理實現。為了實現光強感知，需要硬件模塊和軟件模塊。硬件部分主要包括專用BCI、多路復用電路、放大器和濾波器。軟件技術包括環(huán)境照明描述、專用BCI控制方法、腦電信號信息處理與特征提取、環(huán)境照明識別建模。另一方面，光強分類模塊包括模型構建、模型訓練、模型測試，以及利用集成的EEGnet模型對光照度進行實時分類。光強度分類器的物理實現包括電極帽和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分類器，如圖3所示。

圖2.光強分類器原理及物理實現

1.3專用腦機接口

針對專用腦機接口的核心功能，利用腦電傳感芯片TGAM設計了單通道腦機接口。硬件實現的邏輯結構如圖4所示。在TGAM芯片的基礎上，采用HC05藍牙芯片進行腦電信號的發(fā)送。控制器ARM NANOPI-DUO2控制這些電路。多通道腦電的物理結構如圖5所示，多路復用器從原始腦電信號的多個通道中選擇腦電信號的一個通道。所選通道由ARM的控制器NANOPI-DUO2決定。與傳統(tǒng)BCI相比，特殊構造的BCI處理的優(yōu)勢在于可以通過單個芯片TGAM從多個電極采集腦電圖，可以形成具有完整信息的腦腦電圖圖像。

圖4.專用BCI硬件邏輯結構

圖5.多通道腦電圖感知

對于特殊的腦機接口，需要重新設計電源電路、腦電圖感知電路以及藍牙電路，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)中的藍牙芯片。

圖6設計電路。a.電源芯片。b.腦電圖傳感芯片。c.專用BCI的藍牙芯片電路。

1.4腦電放大器的構造

由于腦電圖信號的弱噪聲特性，需要將其放大約100倍。圖7為常用的運算放大器和用于腦電圖放大的兩級運算放大器。首先，選擇了一種常用的運算放大器。運算放大器的放大系數、共模抑制比、輸入阻抗等參數直接影響運算放大器的放大性能。其次，設計了運算放大器，分析了各參數對運算放大器性能的影響。

圖7腦電圖放大器。a常用運算放大器。b腦電圖兩級運算放大器

1.5帶阻濾波器的構造

采集到的腦電圖經放大器處理后，工頻干擾不容忽視。這對腦電信號的分析有負面影響。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電路構成的有源帶阻濾波器。在有源帶阻濾波器的基礎上，增加了運算放大器和電位器。運算放大器U2有一個反饋功能，電位器Rw起調節(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

對于根據人眼視覺感知的光照強度，腦電圖信號作為模型的輸入。同時，光強的照明參數應該是模型的輸出。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光強傳感集成模型

卷積神經網絡(CNN)是近年來發(fā)展起來的一種高效的識別模型，在大型圖像處理方面表現良好，主要包含卷積層和池層結構的前饋神經網絡。由于EEGNet具有適應腦電圖處理的優(yōu)點，可以應用于腦電圖識別領域。但該應用存在一個瓶頸問題，即特定腦機接口的EEG選擇影響了EEGNet的識別精度。因此，本文開發(fā)了一種用于光強度感知的人類視覺機制的集成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。光強分類模型的輸出確定為常用的暗度和柔和度的光照強度以及亮度。多通道CNN的結構包括多通道輸入、卷積、池化和全連接。

圖11.光強傳感集成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)為徑向基函數網絡。該網絡是在前兩個并行EEGNets的基礎上，投影出光強類。將部分(1)與部分(2)并行的優(yōu)點是，新模型既能覆蓋時頻特征，又能覆蓋空間特征，得到的腦電圖信息比常用的時頻特征更豐富。該集成EEGnet模型將光強特征從低維投影到高維，RBF網絡將高維的線性不可分性轉化為低維的線性可分性，提高了識別精度。

本文利用所設計的BCI光感知系統(tǒng)探索視覺機制模型。設計并實現了多路腦機接口的多路復用電路、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。實驗表明，與SC-EEGnet模型和MC-EEGNet模型相比，所提出的集成EEGNet模型的光強識別精度分別提高了8.4%和3.9%。未來的工作是進一步提取腦連接矩陣的腦電圖特征。同時，通過減少腦葉數來優(yōu)化腦機接口結構。

編輯：黃飛

?