基于Emotiv的腦機接口研究

陳 侃，張勝利，丁 凡

(深圳大學 信息工程學院 無線通信與網絡實驗室，廣東 深圳 518000)

0 引言

大腦是人類控制自身思想和行為的神經中樞，它作為人體的管理者頻繁地與外界進行各種交互與通信，在此基礎上活動的腦區域會產生一種可由放置在頭皮的電極捕捉到的生物電信號。腦電信號(electroencephalograph)是研究了解人類行為模式、認知過程和診斷各種疾病的有效手段，也是實現人體與外界設備進行直接通信的新手段。

近十年來，關于怎樣在大腦和外部設備間建立一條直接溝通的高效路徑引起了廣泛的研究和關注，通過緊貼在頭皮上的電極采集和處理腦電信號，就能建立起一種不依賴于大腦外周神經與肌肉的腦機接口(Brain-Computer Interface，BCI)系統。BCI作為一種全新的控制和通信方式具有重大的應用價值，它可以幫助思維正常但身體嚴重殘疾的病人實現控制電腦鼠標的移動、輪椅行走、單詞拼寫等一系列功能[1]。此外，系統可拓展到機器人、無人機等設備的操作和控制，應用前景十分廣闊。

1 系統組成

1.1 腦電采集設備

根據采集腦電信號的電極種類不同，BCI系統可分為植入式腦電圖和非植入式腦電圖。植入式電極的優點在于電極所受干擾小，能獲得質量比較好的腦電信號，但通常需要進行外科開顱手術，風險極大且不利于設備的移動和靈活應用，多用于實驗室研究。與之相較非植入式電極在近年來的研究中應用廣泛，該方法具有優良的時間分辨率和靈活的應用場景，雖然信號的準確度容易受眼球轉動、肌肉收縮等產生的其他生物電信號的干擾，但成本低廉且更容易被受試者接受。

本文用到的Emotiv EPOC+采用非植入式電極，由14個數據采集通道和2個參考電極組成(如圖1所示)，采樣率為128 Hz。

圖1 Emotiv EPOC+電極分布

有研究表明屬于消費級腦電設備的Emotiv EPOC+和科研級的腦電設備在BCI上的性能具有一定的差距[2]，但筆者通過實驗得出，對于由穩態視覺刺激(Steady-State Visual Evoked Potential, SSVEP)引起的誘發腦電，Emotiv能夠較好地采集和記錄實時的特征信號，具有良好的精度和靈敏度。

1.2 視覺刺激器

視覺誘發電位[3](Visual Evoked Potentials,VEP)是指利用外部某些固定調制的閃爍頻率來刺激眼球從而誘發特定的腦電信號，該信號可以通過位于枕骨的O1和O2兩個電極采集得到。如圖2所示，若目標閃爍頻率高于特定頻率，將會得到一段連續的受激勵波形，稱為穩態視覺刺激[4]。

圖2 不同刺激頻率下的VEPs和SSVEPs

通過P300誘發電位、事件相關電位、刺激慢皮層電位等方式也可獲取相應特征的腦電信號[5]，但SSVEP的優勢在于實現簡單易行，同時具有很好的穩定性和抗干擾性能，受試者無需經過專門的訓練。本文采用LCD顯示屏作為視覺刺激器的載體[6]，如圖3所示，具有方便操作和可靈活變更程序的優點。測試軟件由Python編寫，經過測試表明基于SSVEP的Emotiv腦機接口具有較高的信息傳輸率。

圖3 腦機接口系統視覺刺激界面

2 信號處理

本文主要采用兩種特征提取手段來探測EEG信號中的SSVEPs相關特性，分別是功率譜密度分析[7](Power Spectrum Density Analysis, PSDA)和典型相關性分析 (Canonical Correlation Analysis, CCA)。此外，為提高SSVEP的識別準確率，本文將兩種特征提取手段相結合，并賦予每種方法不同權重，該參數可在實際使用中根據不同應用情景和不同測試受體進行靈活調整，大大提高了識別的速度和準確率。

2.1 功率譜密度分析法

功率譜密度分析在應用SSVEP的腦機接口系統中有著廣泛的應用，其中有一些選取功率譜密度中最高值作為特征匹配點，另一些BCI首先通過對受試者的訓練來確定一個閾值，只有當相應頻率的幅值或功率超過該閾值時才作為被選定目標信號。

本文對PSDA的應用無需通過訓練，通過計算相應目標頻率的SNR(Signal-to-Noise Ratio)來確定受試者選擇的對象，如式(1)所示：

(1)

其中P代表功率譜密度方程，f1,…,fk,…,fm為依次遞增的頻率。因為SSVEP在目標頻率會引起相同頻率的腦電特征信號，所以只用選擇信噪比最高的頻率即可判斷為受試者注視的閃爍目標。

2.2 典型相關性法

典型相關分析[8]是一種多變量統計方法，在多通道的EEG信號中具有更好的識別效果。記錄大腦視覺刺激的相關區域位于枕骨，由位于O1和O2的電極采集到的一組EEG信號記為x(t)。第二組y(t)信號由與刺激頻率個數相同的參考信號組成，因為任何周期信號都能分解為一系列傅里葉函數，所以對于特定的頻率f有：

(2)

式中f為基頻，T是采樣點的數量，S為采樣頻率，人類大腦具有低通濾波器的特點，所以此處用了6組諧波作為參考信號進行分析。

假設兩組樣本信號為X=(x1,…,xn)，Y=(y1,…,ym)，構成的線性組合為x=XTWx，y=YTWy，CCA通過尋找系數Wx和Wy來使得x與y之間相關性ρ(x,y)最大。

(3)

將EEG信號與參考信號作為兩組樣本代入上式，分別計算出兩者間的典型相關系數，計算結果最大的一組即為目標頻率匹配項，過程如圖4所示。

圖4 CCA特征提取方法

3 實驗設計及結果

3.1 系統設計及流程

基于Emotiv的腦機交互系統如圖5所示。

圖5 腦機交互系統框架

點擊開始后，屏幕上4個白色方塊按照設置的不同頻率同時閃爍，系統隨機選取一個作為目標，并在周圍用4個白色小三角形標識，受試者需盯住該閃爍方塊直至識別出目標(周圍三角形變為綠色)。

系統的信號處理流程如圖6所示。

圖6 信號處理流程圖

目標識別時，采用將兩種方式結合并設置權重的方法。例如，將PSDA識別的權重設置為1，CCA識別權重設置為2，目標判別的閾值設置為2，則當CCA判定為某目標時，該值即被選定。若閾值為3，則需兩種方法判斷結果一致，才能作為目標被選擇。閾值法具有很好的擴展性，可以將更多判斷方法有效結合起來，從而實現不同腦機接口系統的應用需求。

3.2 實驗結果

實驗中共有3人接受測試，對每位實驗對象的測試分為3組，每組測試時間為90 s，組間閉眼休息1 min，根據紀錄相關的數據計算出BCI系統的信息傳輸速率[9](Information Transfer Rate,ITR)：

(4)

其中N為目標數，p為識別準確率，T表示識別出每個目標的平均用時。實驗結果如表1所示。

表1 腦機接口性能比較

4 結論

本文利用Emotiv EPOC+對基于穩態視覺誘發電位的腦機接口進行了測試，結果表明Emotiv能夠很好地勝任控制外部設備的腦機接口系統，此外采取多種特征提取相結合的方案能夠大幅提升系統的準確率，更加準確地控制外部設備。然而，

系統中仍存在任務數少、通信速率低等問題，未來將在此基礎上進一步研究特征分類算法，實現更多任務的選擇，從而提升腦機接口系統的整體傳輸性能。

[1] 楊立才,李佰敏,李光林,等.腦-機接口技術綜述[J].電子學報,2005,33(7):1234-1241.

[2] DUVINAGE M, CASTERMANS T, PETIEAU M, et al. Performance of the Emotiv EPOC headset for P300-based applications[J/OL].(2013-12-XX)[2018-08-01].http://link.springer.com/article/10.1186/1475-925X-12-56.

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

[4] ZANI A, PROVERBIO A M, POSNER M I. The cognitive electrophysiology of mind and brain[M]. Academic Press, San Diego, 2003.

[5] 程明，高上凱，張琳.基于腦電信號的腦-計算機接口[J].北京生物醫學工程，2000，19(2)：113-118.

[6] 何慶華，吳寶明，王禾．腦機接口視覺刺激器的研究[J].中國臨床康復，2004，8(11)：2060-2061.

[7] 黃思娟,吳效明.基于能量特征的腦電信號特征提取與分類[J].傳感技術學報,2010,23(6):782-785.

[8] 張莉,何傳紅,何為.典型相關分析去除腦電信號中眼電偽跡的研究[J].計算機工程與應用，2009,45(31):218-220.

[9] WOLPAW J R, RAMOSER H, MCFARLAND D J, et al. EEG-based communication: improved accuracy by response verification[J]. IEEE Transactions on Rehabilitation Engineering, 1998,6(3):326-333.