基于P300電位的目標探測新方法研究

丁成義

（中國電子科技集團公司 第二十七研究所，河南 鄭州 450047）

0 引言

隨著目標所處環(huán)境復(fù)雜性日益增加，以及目標主動隱身與反探測能力的提高，現(xiàn)有的計算機目標檢測識別方法（模板匹配、最近鄰和決策樹等）遇到較多技術(shù)瓶頸，亟待尋求新的目標探測方法。

人類長期進化的大腦對運動或者敏感目標，會誘發(fā)出一些特殊的神經(jīng)信息，這些神經(jīng)信息可通過腦電信號（EEG）來反映，其中最重要的是P300事件相關(guān)電位。P300是一種內(nèi)源性的與認知功能相關(guān)的特殊誘發(fā)電位，通過檢測腦電信號中的P300電位，可以快速實現(xiàn)對目標的探測分選，進而實現(xiàn)分類識別。

近些年來，腦-機接口(brain-computer interace，BCI)技術(shù)的研究在國際上引起了廣泛的關(guān)注并獲得了快速的研究進展。通過利用EEG等來實現(xiàn)人機交互，是一種新型的人機接口方式。BCI技術(shù)在助殘、康復(fù)、輔助控制、神經(jīng)機器人、特殊環(huán)境條件下的軍事應(yīng)用等領(lǐng)域有著廣泛的應(yīng)用前景[1]。利用人類的腦電波結(jié)合先進的認知處理算法，充分利用人的智能和現(xiàn)有機器的智能結(jié)合提高對目標的探測概率。

1 P300電位的形成及特點

人類在長期進化過程中形成的EEG中的事件相關(guān)P300電位是一種內(nèi)源性事件相關(guān)電位(event related potentials,ERP)，一般出現(xiàn)在刺激發(fā)生后300ms左右，具有時域波形特征，通常采用Oddball范式誘發(fā)。所謂Oddball范式，是指在標準刺激(大概率刺激)的序列中，偏差刺激或靶刺激(小概率刺激)誘發(fā)的ERP。偏差刺激或靶刺激出現(xiàn)的概率越小，誘發(fā)的P300振幅越大[2]。自1965年Sutton等人發(fā)現(xiàn)P300電位以來，P300電位一直是ERP研究的重要內(nèi)容，也是腦科學(xué)研究的重要途徑之一。Farewell和Donchin等最早將P300作為控制信號應(yīng)用于BCI[3]，他們設(shè)計了基于P300的虛擬打字機，這樣可以使癱患者通過拼寫單詞實現(xiàn)與外界交流[4]。此后基于P300的BCI研究大都建立在Farwell等的工作基礎(chǔ)之上。例如Hoffman等[5]將呈現(xiàn)的矩陣改為6張生活圖片，同樣通過閃爍摸一張圖片來誘發(fā)P300，6張圖片包含開燈、開窗和看電視等內(nèi)容。結(jié)果發(fā)現(xiàn)這一系統(tǒng)能滿足患者的某些活動需要。Perez-marcos等[6]用P300電位控制機器人，是機器人能夠?qū)崟r地寫出受試者所注視的字符。

P300電位的波形特點是位于刺激點后約300ms出現(xiàn)一個正向的峰值電位，其波形如圖1所示。

事件相關(guān)電位(ERP)是大腦對某種事件進行信息加工時誘發(fā)產(chǎn)生的一系列電活動，其中P300是一種內(nèi)源性的時間相關(guān)電位，與大腦注意力有關(guān)，是對發(fā)生概率相對較小的外界事件或刺激的反應(yīng)。P300一般出現(xiàn)在刺激發(fā)生后300ms左右，它也因此而得名。

圖1 P300電位的波形圖（PZ）

P300是一種內(nèi)源性的與認知功能相關(guān)的特殊誘發(fā)電位（Sutbn等人1965年發(fā)現(xiàn)），主要與心理因素相關(guān)。P300即為晚成分的第3個正波，也稱為P3。經(jīng)典的P300可在Oddball實驗范式下出現(xiàn)。該范式是指當(dāng)對同一感覺通路的一系列刺激由兩種刺激組成時，一種刺激出現(xiàn)的概率很大，如85%，通稱為標準刺激或背景刺激；另一種刺激出現(xiàn)的概率很小，如15%，稱為敏感刺激或偏差刺激。由于兩種刺激出現(xiàn)的順序隨機，所以，對受試者來說偏差刺激具有偶然性。當(dāng)要求受試者發(fā)現(xiàn)偏差刺激后盡快按鍵或記憶其數(shù)目時，此時偏差刺激也稱為靶刺激。在偏差刺激后約300ms就可觀察到P300。

P300的測量指標和其他一般誘發(fā)電位一樣，主要為潛伏期和波幅。 P300 的頭皮分布廣泛，相對集中在中線部位（Fz，Cz，Pz，Oz），如圖2所示。其波幅在頂后部（Pz）最大，中央頂部（Cz）次之，主要特點是具有穩(wěn)定的時間窗，對特征識別敏感等，成分較大易于測量。

圖2 P300電位測量電極分布圖

綜上所述，P300電位的優(yōu)勢特點如下：

（1）P300是完全可以通過視覺刺激誘發(fā)的，所以可以用于目標探測；

（2）P300是與注意相關(guān)的信號，對于新異性目標的出現(xiàn)有較強的反應(yīng)幅度。而且新異性越強幅度越高，有利于模式識別算法對信號的處理。能夠很好的保證識別準確率和識別時間。

（3）P300由于信號幅度較大，可以避免傳統(tǒng)ERP數(shù)據(jù)處理過程中大量的疊加平均。只需要少次疊加，甚至單次即可實現(xiàn)對P300信號可靠穩(wěn)定的提取。

基于P300電位的特點，我們設(shè)計了P300電位的目標探測系統(tǒng)進行目標的快速精準探測，使用該系統(tǒng)可以很好地提高目標探測的準確率和降低虛警率。

2 基于P300電位的目標探測系統(tǒng)設(shè)計

2.1 系統(tǒng)構(gòu)成

基于P300電位的目標探測系統(tǒng)主要由八個互相通信的主要模塊構(gòu)成。每個功能模塊通過一些可選的過程和算法完成一部分相對獨立的工作，系統(tǒng)的硬件架構(gòu)組成模塊及關(guān)系如圖3所示。

圖3 目標探測系統(tǒng)的組成框圖

2.2 實驗系統(tǒng)搭建

實驗系統(tǒng)搭建的示意圖如圖4。

圖4 目標探測系統(tǒng)搭建示意圖

2.3 系統(tǒng)工作流程

系統(tǒng)通過圖像采集與處理分析模塊為BCI系統(tǒng)提供足以誘發(fā)出P300的圖像序列（如圖5所示），然后每次圖像出現(xiàn)在顯示器上時，都會將該圖像所對應(yīng)的EEG信號打一個時間開始標簽。在模式識別時，對標簽后250ms～350ms的一段數(shù)據(jù)利用訓(xùn)練好的SVM(支持向量機，Support Vector Machine)[7-10]進行識別。對分類識別出的P300信號，依據(jù)時間關(guān)系，反推追溯出引起該P300的圖像，從而達到對特定目標探測的功能。

圖5 刺激時序圖

2.4 EEG信號處理

在EEG腦電信號采集過程中，極易受到各種偽跡噪聲的干擾，因此在預(yù)處理模塊中，要對腦電數(shù)據(jù)進行濾波，一方面是為了去除腦電中存在的大量噪聲，另一方面可以提取重要成分進行后續(xù)處理。這里我們采用空間變換方法[11]，去除各種偽跡干擾。

在特征提取模塊中，小波和時頻譜分析[12]、相干平均、小波包分解分析、Hilbert-Huang變換、公共空間模式(CSP)[13-15]方法被用于提取預(yù)處理后的EEG信號特征；最后，在模式分類模塊中，一個SVM被訓(xùn)練來分類從每段EEG中提取出的特征向量。

3 目標探測系統(tǒng)實驗測試

本實驗具體過程分為訓(xùn)練和測試。訓(xùn)練過程用來得到一個分類效果較好的分類器。測試過程，也就是對目標識別探測的過程。

圖6 目標探測系統(tǒng)實驗圖

實驗設(shè)置：基于Oddball范式，標準刺激為緩慢變化的沙漠背景圖像和海洋圖像（如圖6所示），偏差刺激為沙漠或海洋背景中出現(xiàn)飛機、坦克、軍艦等圖像，刺激過程中每幅圖像呈現(xiàn)的時間為600ms，且偏差圖像出現(xiàn)的概率為16.7%，P300成分采用在線單次提取方法獲取，原始信號波形圖和主要特征如圖7和圖8所示，其中訓(xùn)練時采用十五導(dǎo)聯(lián)（采集受試者大腦的頂部、枕部）數(shù)據(jù)，橫坐標為樣本點數(shù)目，縱坐標為EEG信號的幅度（μV）。

圖7 原始信號波形圖特征

圖8 在線實驗中各導(dǎo)EEG數(shù)據(jù)的P300特征圖

在這里，我們以目標探測率和虛警率作為衡量系統(tǒng)的兩個標準，這里虛警包括誤警和漏警。實驗選取了6名年齡25～29歲的健康男性受試者。在安靜，光照略低的室內(nèi)環(huán)境中進行。首先要對受試者進行訓(xùn)練。實驗測試結(jié)果如表1所示，每個測試者的測試結(jié)果為多次測試，取平均值作為最終結(jié)果。

表1 實驗測試結(jié)果

4 結(jié)論

搭建基于P300電位的目標探測系統(tǒng)，通過Oddball刺激圖像序列，誘發(fā)受試者產(chǎn)生P300電位。再對產(chǎn)生的P300電位進行預(yù)處理、特征提取和模式識別分類，實現(xiàn)系統(tǒng)連續(xù)的在線目標探測。經(jīng)過對多個受試者的多次實驗表明，該P300目標探測系統(tǒng)能夠很好地實現(xiàn)對圖像目標的識別，極大地提高了敏感圖像目標識別的效率。盡管如此，實驗中仍然存在一些問題：實驗前需要涂腦電膏等準備工作和實驗后的清潔工作，圖像采集分析處理階段如何能夠更快地產(chǎn)生符合產(chǎn)生P300的刺激圖像序列等。未來，隨著非接觸式的腦電波探測技術(shù)研究的深入，能夠極大地縮短實驗的準備時間和不必要的麻煩，從而能夠更好地使該系統(tǒng)在目標探測和情報分析判讀等領(lǐng)域得到應(yīng)用和推廣。

［1］WOLPAW JR,BIRBAUMER N， HEETDERKS WJ,et al.Brain-computer interface technology∶a review of the first interaction meeting[J].IEEE Transaction on rehabilitation Engineering,2000,8(2)∶164-173.

［2］趙均榜，張智君.基于皮層誘發(fā)電位的腦機接口研究進展[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程.

［3］Donchin E,Spencer K M,Wijesinghe R.The mental prosthesis Assessing the speed of a P300-based brain-computer interface[J].IEEE Transaction on Rehabilitation Engineering,2000,8(2)∶174-179.

［4］馬忠偉，高上凱.基于P300的腦-機接口：視覺刺激強度對性能的影響[J].清華大學(xué)學(xué)報：自然科學(xué)版，2008,48(3)∶417-420.

［5］Hoffman U,Vesin J M,Ebrahimi T,et al.An efficient P300-based braincomputer interface for disabled subjects[J].J Neurosci Methods,2008,167(1)∶115-125.

［6］Perez-Marcos D,Buitrago J A,Velasquez F D.Writing through a robot∶A proof of concept for a brain-machine interface[J].Med Eng Phys,2011,33(10)∶1314-1317.

［7］Duncan-Johnson C C,Donchin E.On quantifying surprise∶the variation of event-related potentials with subjective probability[J].Psychophysiology,1977,14(5)∶456-467.

［8］葛瑜，劉楊，周宗潭，胡德文.用于腦-機接口P300實驗的支持向量機分類方法[J].計算機工程與設(shè)計，2008，29(11)：2860-2862.

［9］楊淑瑩.模式識別與智能計算：Matlab技術(shù)實現(xiàn)[M].北京：電子工業(yè)出版社，2008.

［10］Vapnik V N.Statistical learning theory[M].New York∶Jone Wiley&Sons,1998.

［11］計瑜，沈繼忠，施錦河.基于BSS的EEG信號中眼電偽跡的自動去除方法[J].浙江大學(xué)學(xué)報：工學(xué)版.

［12］Mensh B D,Werfel J,Sung H S.BCI Competition 2003—Data set Ia∶combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals[J].IEEE Transactions on Biomedical Engineering,2004.

［13］Ramoser H,Muller-Gerking J,Pfurtscheller G.Optimal spatial filtering of single trial EEG during imagined hand movement[J].IEEE Transaction on Rehabilitation Engineering，2000,8(4)∶441-446.

［14］Tang Y,Tang J T,Gong A D.Multi-Class EEG Classification for Brain Computer Interface based on CSP[C]//Proceedings of the 1st International Conference on Biomedical Engineering Informatics,Sanya,China,2008,2∶469-472.

［15］李明愛，劉凈瑜，郝冬梅.基于改進CSP算法的運動想象腦電信號識別方法[J].中國生物醫(yī)學(xué)工程學(xué)報，2009，28(2)：161-165.