基于瞬態視覺誘發電位的識別算法研究*

吳海靜，何慶華，田逢春

(1.重慶大學通信工程學院，重慶400044;2.第三軍醫大學大坪醫院野戰外科研究所創傷、燒傷與復合傷國家重點實驗室，重慶400042)

0 引言

腦機接口［1］(brain-computer interface，BCI)是一種人機接口方式，目的是建立一種不依賴于腦的正常輸出通路(外周神經系統與肌肉組織)的腦—機通信系統，實現人腦與計算機或其他電子設備的通信和控制。BCI可以為那些思維正常，但不能通過說話或肢體運動來表達想法或操作設備的人提供一種新的通信與控制方式。

根據BCI利用的腦電信號和方式的不同，BCI研究方法［2］有以下幾類:事件相關電位P3000;視覺誘發電位(video evoked potential，VEP);事件相關同步或去同步(eventrelated synchronizations or desynchronizations，ERS/ERD);皮層慢電位(slow cortical potential，SCP);自發 EEG信號。VEP不需要訓練，由于誘發電位出現在特定時間，其信號檢測和處理方法較簡單，且正確率較高，但需要額外的刺激裝置提供刺激，并且依賴于人的視覺。當視覺刺激的頻率比較高(大于4 Hz或6 Hz)時，記錄到的VEP稱為穩態VEP，當視覺刺激頻率比較低，刺激的間隔時間大于VEP時程時，記錄到的VEP稱為瞬態VEP。瞬態反應和刺激之間呈一一對應的因果關系。

鑒于穩態視覺誘發電位在應用中存在一定的局限性，本文選擇瞬態視覺誘發電位作為研究對象。

BCI技術研究的關鍵是如何快速有效地提取誘發電位的特征和提高識別準確率。本文采用累加平均和小波分解對腦電信號做預處理，采用主成分分析(principal component analysis，PCA)法提取視覺誘發電位特征，采用K近鄰(K-nearest neighbor，KNN)法進行模式識別。

1 數據的獲得

本文數據來源于本課題組構建的腦—機接口系統［3］，受試者頭戴電極帽，距屏幕70 cm左右，在刺激界面開始閃爍后注視要選擇的目標。測試電極至于枕骨粗隆部位的Oz，參考電極置于頭頂Cz，右腿驅動置于耳后。在刺激界面上下左右共有4個刺激模塊，刺激方式采用同頻次復合刺激，即在單位時間內各個視覺刺激模塊閃爍的次數相同，但各個刺激模塊閃爍的開始時刻依次錯開。每次實驗，受試者注視其中一個要選擇的目標，4個刺激模塊閃爍一輪后，完成一次選擇。根據不同刺激模塊開始閃爍的時刻不同，將會得到分別與4個刺激模塊對應的腦電數據，受試者在實驗中注視的刺激模塊對應的腦電數據稱為目標樣本，其他3個刺激模塊對應的腦電數據稱為非目標樣本，這4個樣本稱為一組樣本。

2 特征提取與分類算法

2.1 累加平均和小波濾波

腦電信號十分微弱，幅值約為5～200μV，淹沒在很強的背景噪聲和干擾中，因此，要想提取出誘發電位，需要首先提高腦電信號的信噪比。本文采用電生理測量中常用的累加平均法［4］與小波分解相結合。

小波分析［5］是將時域和頻域結合起來的時頻分析方法，小波變換系數能反映信號在時域及頻域的局部信息，因此，適合處理視覺誘發腦電信號［6］。采用Mallat正交小波變換快速算法實現信號的小波變換，設原始輸入信號為f(x)，則 A0=f(x)，Mallat 算法可以描述為

信號 f(x)在第 j層的分解結果為［Aj，Dj，…，D1］。比如j=3時，分解結構樹如圖1所示。

圖1 多層分解結構樹Fig 1 Multi-level decomposition structure tree

由于五階Daubechies小波是在給定消失矩的條件下具有最小支集的小波，且具有一定的平滑性，與視覺誘發電位較相似，所以，采用db5小波對累加平均后的信號分解。實驗研究表明:瞬態視覺誘發電位信號主要集中在中低頻段，噪聲主要集中在高頻段和低頻段，故可選取誘發電位比較集中的頻段來提取信號。當采樣頻率為200 Hz時，誘發電位主要集中在小波分解第4～5尺度上的細節分量，對應頻段是3.125～12.5 Hz，所以，對腦電信號進行5 尺度小波分解。本文提取D5和D4兩層細節系數重構后的波形與累加平均后的信號波形對比圖如圖2。

圖2 重構信號對比Fig 2 Comparison of reconstructed signal

由上圖可以看出:D5和D4兩層系數包含識別瞬態視覺誘發電位的特征信息，信號的幅度是腦電信號放大后的結果。

2.2 PCA

PCA［7］是一種典型的統計分析方法，該方法將維數較高、彼此間存在一定相關性的原始特征變換成彼此相互獨立的但能反映原始特征信息的低維特征，起到數據降維作用，在模式識別中有著廣泛的應用。

算法的具體過程如下:

1)樣本經過小波濾波后維數從60降到22，作為PCA的輸入。設訓練樣本為T1，T2，T3……TM，其中，M為偶數，序號為1－M/2的樣本為目標樣本，序號為(1+M/2)－M的樣本為非目標樣本。在一組樣本中有一個目標樣本和3個非目標樣本，為減少由于訓練樣本不均衡可能帶來的誤差，本文將目標樣本重復使用3次，以使目標樣本與非目標樣本數量相等。則協方差矩陣為

協方差矩陣S包含了所有變量之間的相關性度量，對角線上的元素越大，表明變量的重要性越高，越小則表明可能是存在的噪聲或是次要變量。

2)接下來尋找一組正交向量，使其可以很好地描述數據的分布，這組向量應滿足式(3)和式(4)

其中，λk和uk是協方差矩陣S的特征值和特征向量。

3)將步驟2得到的特征值按照降序排列，取前m個最大的特征值，λ1＞λ2＞…＞λm，特征向量也對應排序，于是得到特征空間［u1，u2，…，um］。ωk=uTk(T－Ψ)即為樣本T的第k個主成分。

4)將訓練樣本和測試樣本分別投影到特征空間

圖3為取前2個主成分的樣本分布圖。

圖3 主成分分布圖Fig 3 Distribution diagram of principal component

為提高識別準確率，本文保留90%的主要成分，樣本特征維數降到5～6維，明顯小于22，因此，達到降維的目的。相同比例主成分的維數存在細小差別，這是由不同的受試者腦電存在差異導致的。

2.3 KNN 算法

KNN算法［8］是一種非常有效的非參數化分類器，主要思想是訓練樣本為n維時，每個樣本代表n維空間的一個點，所有樣本都位于此n維空間中。給定一個未知樣本X，在這個n維空間內，找出與X距離最近的k個訓練樣本作為X的k個近鄰，這k個近鄰中多數屬于哪一類，就把未知樣本X歸于哪一類。本文中k取7，判斷閾值取6，即1個測試樣本的7個近鄰中有大于等于6個近鄰屬于目標樣本，則判斷該測試樣本屬于目標樣本。例如:圖3所示情況，測試樣本的7個近鄰都是目標樣本，因此，判斷改測試樣本為目標樣本。

本文的最終目的是從一組樣本中識別出受試者的選擇，首先對一組中的4個測試樣本分別進行提取誘發電位和模式識別，判斷是否屬于目標樣本，如果通過識別只有1個測試樣本屬于目標樣本，則該測試樣本對應的刺激模塊即為受試者的選擇;如果識別出有多個測試樣本屬于目標樣本，則取k個近鄰中屬于目標樣本數最多的測試樣本作為最終選擇;如果仍有多個測試樣本的k個近鄰中屬于目標樣本的數量相同，則取其中與目標訓練樣本距離最小的測試樣本作為最終選擇。

3 實驗結果

由于每個人的腦電信號都存在著差異，為提高識別率，本文為每個受試者建立一個數據庫，訓練樣本和測試樣本均來自各自的數據庫。本文取16組腦電數據樣本作為訓練樣本，20組作為測試樣本。受試者為三名健康男性，實驗結果見表1。

表1 實驗結果對比Tab 1 Comparison of experimental results

通過實驗結果對比可以驗證選用小波分解的必要性，同時也證明了KNN比最近鄰效果更好，減少了由單個最近鄰點決定結果可能引起的誤差。

4 結論

在本文中，小波分解的目的在于提取出可識別的誘發電位信號，而不要求對信號進行精確的重構，因此，小波濾波器的頻帶設得比較窄，信號存在一定程度的失真，但這種失真不影響對腦電信號的識別。實驗結果證明:采用少量次累加平均和小波分解濾波相結合提高信噪比，采用PCA提取誘發電位特征，采用KNN算法進行模式識別，對于識別瞬態視覺誘發電位具有較好的效果。

［1］高上凱.淺談腦—機接口的發展現狀與挑戰［J］.中國生物醫學工程學報，2007，26(6):801－809.

［2］何慶華.基于視覺誘發電位的腦機接口實驗研究［J］.生物醫學工程雜志，2004，21(1):93－96.

［3］王 永，何慶華，田逢春，等.基于FPGA的腦機接口實時系統［J］.電子技術應用，2009(4):133－136.

［4］吳寶明，廖維宏.誘發電位檢測信號處理技術進展［J］.創傷外科雜志，2001，3(1):67－68.

［5］葛哲學，沙 威.小波分析理論與Matlab R2007實現［M］.北京:電子工業出版社，2007:10.

［6］何慶華，吳寶明，彭承琳，等.基于小波和神經網絡的視覺誘發電位識別方法［J］.儀器儀表學報，2007，28(6):1003－1006.

［7］Jin Jing，Wang Xingyu，Wang Bei.Classification of direction perception EEG based on PCA-SVM［J］.Natural Compulation，2007，2:116－120.

［8］邊肇祺，張學工.模式識別［M］.2版.北京:清華大學出版社，2000.