在卷积神经网络模型的基础上，研究者构建了一个脑电图学习网络模型——EEGNet。由于EEGNet天然适配脑电图处理的特性，它在脑电图识别领域有着广阔的应用前景。不过，这里面一直卡着一个关键问题：特定脑机接口（BCI）的EEG信号选择，直接影响着EEGNet的识别精度。为了解决这个瓶颈，本研究开发了一个集成EEGNet模型，专门用于模拟人类视觉机制的光强度感知。具体来说，研究团队先是用设计好的多路复用器、脑电采集电路、放大器和滤波器，搭建了一台专用脑机接口。接着，借助这个接口，深入探讨了环境光照对脑电信号的影响。更重要的是，他们利用集成EEGNet建立了视觉机制模型，实验结果表明——相比多通道EEGNet和单通道EEGNet，这个集成模型的光强识别精度分别提升了8.4%和3.9%。换句话说，集成EEGNet在感知和识别环境光照强度方面，确实更胜一筹。

材料和方法

1.1 照明对脑电图影响的视觉机制

在光强感知领域，人的视觉机制和大脑识别能力有望被直接利用。大量研究已经表明，环境因素对脑电图的影响是真实存在的——特别是光照条件，可以说是脑电信号的一大“干扰源”。也就是说，光照对脑电图的影响，是板上钉钉的事。基于光照强度对脑电图的这种影响，研究人员对人类的视觉感知过程进行了建模，如图1所示。为了模拟人类视觉机制对光强的识别能力，本研究以人脑的脑电图作为输入，以环境光强度作为输出。这样建模的目的很明确：实现光强感知，并将光照强度划分为三个类别——昏暗、温和、明亮。

图1. 视觉机理与建模

1.2 光强传感原理及物理实现

核心原理其实很简单：人可以通过视觉器官感知和识别光强。图2展示了光强分类器的工作原理和物理实现方式。要实现光强感知，硬件和软件两方面的支持缺一不可。硬件部分主要包括专用BCI、多路复用电路、放大器和滤波器；软件技术则覆盖了环境照明描述、专用BCI控制方法、脑电信号信息处理与特征提取，以及环境照明识别建模。另一方面，光强分类模块本身涵盖了模型构建、模型训练、模型测试，以及利用集成EEGNet模型对光照度进行实时分类。图3展示了光强分类器的物理实现——包括电极帽、16通道脑电采集电路、8通道脑电采集电路，以及安装在3D打印头盔上的脑电采集电路和光强分类器。

图2. 光强分类器原理及物理实现

图3. 光强分类器的物理实现（为保持原文信息，此处保留原图标记，但原文中图3引用位置与图2相同，疑为笔误，按原文保留）

1.3 专用脑机接口

针对专用脑机接口的核心功能，研究团队利用脑电传感芯片TGAM设计了单通道脑机接口。硬件实现的逻辑结构如图4所示。在TGAM芯片的基础上，采用HC05蓝牙芯片进行脑电信号的发送，由控制器ARM NANOPI-DUO2统一调度这些电路。多通道脑电的物理结构如图5所示——多路复用器的作用是从原始脑电信号的多个通道中选出一个特定通道，具体选哪个通道由ARM控制器NANOPI-DUO2决定。与传统BCI相比，这种特殊构造的脑机接口有一个明显的优势：它可以通过单芯片TGAM从多个电极采集脑电图，从而形成信息更完整的脑电图图像。

图4. 专用BCI硬件逻辑结构

图5. 多通道脑电图感知

对于这个特殊的脑机接口，还需要重新设计电源电路、脑电图感知电路以及蓝牙电路，如图6所示：所有硬件芯片使用(a)中的电源，脑电感知芯片TGAM和LED电路如(b)所示，而脑电感知芯片TGAM与控制器ARM之间的通信则依赖于(c)中的蓝牙芯片。

图6 设计电路。a.电源芯片。b.脑电图传感芯片。c.专用BCI的蓝牙芯片电路。

1.4 脑电放大器的构造

脑电图信号的噪声特性非常微弱，因此需要将其放大约100倍。图7展示了常用的运算放大器和专门用于脑电图放大的两级运算放大器。首先，研究团队选择了一种常用的运算放大器——它的放大系数、共模抑制比、输入阻抗等参数直接影响着放大性能。在此基础上，他们进一步设计并分析了各参数对运算放大器性能的影响。

图7 脑电图放大器。a.常用运算放大器。b.脑电图两级运算放大器

1.5 带阻滤波器的构造

采集到的脑电图经过放大器处理后，工频干扰仍然是一个不容忽视的问题，这会对脑电信号的分析产生负面影响。因此，带阻滤波器就成了必需品。这种滤波器能够让大量频率信息通过，同时衰减较窄的节律分量。图8展示的是由双T电路构成的有源带阻滤波器——它在有源带阻滤波器的基础上，增加了运算放大器和电位器。其中，运算放大器U2具备反馈功能，电位器Rw则起调节作用。

图8. 脑电图有源带阻滤波器

图9. 环境光诱发脑电节律分量μβ、μα、μθ、μδ和原始μο

1.6 脑电图特征提取

在基于人眼视觉感知的光照强度识别中，脑电图信号是模型的输入，而光照强度参数则是模型的输出。研究人员从脑电图中提取了节律分量和近似熵作为脑电图特征。图9展示了原始脑电图信号μο及其节律分量μβ、μα、μθ和μδ。通过小波变换，进一步得到了脑电信号节律分量Eβ、Eα、Eθ和Eδ的能量分布，如图10所示。

图10. 脑电图节律分量的能量特征分布

1.7 光强传感集成模型

卷积神经网络（CNN）是近年来发展起来的一种高效识别模型，在大型图像处理方面表现尤为出色，本质上是一种包含卷积层和池化层结构的前馈神经网络。由于EEGNet具有适应脑电图处理的优点，它被广泛应用于脑电图识别领域。但正如前面提到的，它的应用一直卡在一个瓶颈上：特定脑机接口的EEG选择影响了EEGNet的识别精度。为此，本研究开发了一种用于光强度感知的集成EEGNet模型，其结构如图11所示——多通道CNN和单通道EEGNet并行工作，共同提取原始EEG特征。首先需要确定光强传感模型的输入和输出。在脑电图特征提取中，多通道CNN的输入被确定为原始脑电图的节律分量，EEGNet的输入被确定为脑电图的连接矩阵。光强分类模型的输出则被确定为常用的昏暗度、柔和度以及亮度这三类光照强度。多通道CNN的结构包括多通道输入、卷积、池化和全连接。

图11. 光强传感集成EEGNet模型

图11的第(1)部分是多通道CNN模型，包含节律分量和脑电图能量的输入特征；第(2)部分则是具有脑EEG连接矩阵输入特征的单通道EEGNet模型；第(3)部分为径向基函数网络（RBF网络），它在前两个并行EEGNet的基础上，最终输出光强类别。将部分(1)与部分(2)并行处理的巧妙之处在于——新模型既能覆盖时频特征，又能覆盖空间特征，得到的脑电图信息比常用的时频特征更丰富。这个集成EEGNet模型将光强特征从低维投影到高维，而RBF网络则将高维的线性不可分问题转化为低维的线性可分问题，从而显著提高了识别精度。

本研究利用所设计的BCI光感知系统探索视觉机制模型，设计并实现了多路脑机接口的多路复用电路、脑电采集电路、放大器、滤波器和控制器。环境照度的多重区间特征被确定为0~60 Lx、61~120 Lx、121~350 Lx。研究人员提取了脑电节律分量的能量和熵作为脑电特征。实验结果表明，与SC-EEGNet模型和MC-EEGNet模型相比，所提出的集成EEGNet模型在光强识别精度上分别提升了8.4%和3.9%。未来的工作方向是进一步提取脑连接矩阵的脑电图特征，同时通过减少脑叶数来优化脑机接口结构。