基于SSVEP的無線腦-機接口系統研究與實現

吳正平 魏 歡 趙 靖 楊翔宇 仇 凱

1(三江學院創新創業學院，南京 210012)2(江蘇博恩醫療科技有限公司，江蘇 南通 226002)3(燕山大學電氣工程學院，河北 秦皇島 066004)4(東南大學生命科學研究院，南京 210009)5(南京偉思醫療科技股份有限公司，南京 210012)

引言

腦-機接口(brain-computer interface, BCI)，是指不需要通過常規的大腦輸出通道，在人或者其他動物與外在環境之間建立一種溝通的環境[1]，達到意識控制設備的目的。德國神經生理學家Berger首先發現腦電信號的存在，并為腦-機接口技術的發展奠定基礎。之后，研究人員一直致力于研發如何利用腦電信號來控制外部設備[2]，例如智能機器人、機械臂、智能輪椅、四旋翼無人機等。這種由腦機接口解析出腦信號中攜帶的信息，并由各種外部控制設備實時反饋的系統，是當今腦機接口研究的熱點。美國Emory大學的Kennedy和Bakay最先在他們患有腦干中風導致的鎖閉綜合征的患者Ray身上植入了可獲取高質量腦電信號的接口，使他存活了足夠長的時間，并且學會了用腦信號控制電腦光標[3]。

腦機接口系統是涉及神經科學、信號處理、人工智能、機械控制等多個學科的交叉學科，具有重大科研價值和應用前景。如今腦機接口中信號獲取的技術主要有以下幾種:頭皮腦電(EEG)、皮層腦電(ECoG)、植入式電極(Spike and LFP)、腦磁圖(MEG)、功能磁共振成像(fMRI)、功能近紅外成像(fNIR)等。本研究主要使用頭皮腦電(EEG)技術來完成腦機接口系統信號獲取部分。

腦-機接口的主要實現方式可以分為主動和被動兩種，主動的有基于無能運動想象，而被動的主要有基于P300信號和SSVEP(steady-state visual evoked potential, SSVEP)信號[4]。本研究主要針對穩態視覺誘發電位(SSVEP)技術來完成腦機接口系統應用的實現方案，SSVEP是指當人體受到一個固定頻率的視覺刺激時大腦視覺皮層產生的一個連續的與刺激頻率有關(刺激頻率的基頻或倍頻處)的響應[5]。

本研究開發的無線腦-機接口系統是由便攜式多通道無線腦電信號采集器、視覺誘發程序、腦電信號分析處理程序三部分組成。基于SSVEP的程序設計可以將用戶注意力集中于某個視覺激勵，從而產生特定的腦電模態[6]，再使用典型相關分析(canonical correlation analysis, CCA)和小波變換(wavelet transform, WT)進行特征提取，這種基于WT-CCA的SSVEP的特征提取算法，相比最常用的CCA相關系數特征提取算法[7]，平均準確率提高了近8.5%。

1 方法

1.1 系統結構設計

系統結構如圖1所示，包含4個模塊：主控系統、視覺刺激器、腦電信號采集器、信號處理及指令輸出[8]。

圖1 系統結構Fig.1 System diagram

1.1.1視覺刺激器

視覺刺激器是基于LabVIEW開發平臺實現的，在刺激源少的情況下，相對于LED對硬件電路的要求高和CRT的體積過大[9]，LCD顯示器只需要通過軟件操作即可，操作簡單，更利于用戶的使用。基于LCD顯示器60 Hz的刷新特性，通過調整時間參數，可以實現圖片以指定頻率閃爍。刺激界面選用4個相同的黑色圓組成，整個操作界面簡潔、方便、可控。

1.1.2腦電采集器

本研究自主研發了無線腦電信號采集器，具有使用方便、功能豐富、指標性能優良等特點，尺寸僅為56.7 mm×50.8 mm×19 mm，便于攜帶。采集器通過電極采集到的腦電信號經模數轉換后，無線輸出發送到上位機，由上位機程序進行信號分析和處理。圖2所示為采集器的結構框圖，包括電源供電模塊、模擬前端模塊、主控系統模塊和WiFi無線傳輸模塊。

圖2 腦電采集器硬件結構Fig.2 Hardware structure diagram of collector

無線腦電采集器采用了內置可充電鋰電池供電，通過外部USB接口充電，這樣既能避免交流電信號帶來的工頻干擾，也能便攜地供用戶使用[10]。

由于腦電信號微弱(0.5～100 μV)的特性，傳統的腦電信號采集前端通常在每個通道前配有放大電路和濾波電路。本研究的模擬前端模塊選用TI公司生產的具有內置可編增益放大器(PGA)的芯片ADS1299，高輸入阻抗和高共模抑制比，同步24位采樣，三角積分(Δ-Σ)模數轉換器(ADC)，可調PGA可以方便地確定信號的放大倍數。該系統抗干擾能力強，適合在各種復雜的環境中使用。通過MCU，可以靈活配置輸入增益和參考偏置[11]。

微處理單元選用STM32F405R作為主控芯片，具有高性能、低功耗、快速運算力，在各類醫療和手持設備中得到廣泛的運用。無線傳輸模塊采用的是TI公司生產的CC3200，體積小，功耗低，支持802.11 b/g/n協議標準，可以實現將采集到的腦電信號實時地傳輸到上位機進行處理反饋。通過測試，采集器具有極低的失真和輸入噪聲。

1.1.3波形顯示界面

本系統波形顯示界面也由LabVIEW軟件編寫，與上面介紹的視覺刺激器軟件環境相同，顯示界面如圖3所示，能夠顯示8個通道的腦電數據波形。

1.2 SSVEP特征提取算法

1.2.1信號預處理

由于環境噪聲和自身的各種干擾(如眼電、肌電)，須對信號進行預處理，消除干擾信號的影響。在本研究中，上位機采用巴特沃斯濾波器組，對無線接收到的腦電信號進行濾波，該濾波器在通帶內具有最大限度平坦的幅度響應，其頻率響應模型為

(1)

式中，Ωc為截止頻率，N為階數，pk為歸一化極點。

選取適合的截止頻率和階數的濾波器來濾除不需要的腦電信號，結合SSVEP在人體大腦枕部誘發的腦電信號頻率，本次選取的刺激頻率為4、8.57、15、20 Hz[12-13]，將通頻帶設置為40 Hz，這樣既能去除干擾信號，又能保證諧波的存在，其濾波效果對比如圖4所示。

1.2.2信號特征提取及處理

作為一種常用的數字信號分析處理方法，小波包算法能夠把信號按頻帶進行分解,根據信號的特性與分析要求，匹配最佳的對應頻帶和信號頻譜，小波包分解重構公式為

(2)

圖3 前面板信號波形Fig.3 Signal waveform in front panel

圖4 濾波前(上)和濾波后(下)信號Fig.4 Signals before (top) and after (bottom) filtering

其中j為小波包分解層數，un為

(3)

式中，hk、gk是尺度函數φ(x)和小波函數ψ(x)對應的濾波器函數。

小波包算法將SSVEP腦電信號中特定頻點的信號分解重構出來，就本研究所選的頻點，根據采樣率選擇分解層數。例如，對256 SPS采樣率，選擇對信號進行小波包6層分解，重構出SSVEP特定頻點的信號，然后與參考信號做相關性CCA算法。 典型相關分析方法(CCA)是對SSVEP信號簡單有效計算相關性的算法，可以結合多通道的特點，滿足本研究所采用的8通道信號采集。此外，CCA在信號處理過程中能顯著提高信噪比。

CCA是研究多個變量與多個變量之間的相關性的算法，其基本思想是找出兩組變量X和Y在整體上的相關系數ρ并使其最大。定義多通道SSVEP信號為Xn，有

(4)

式中，n為通道編號，xnfm是原始SSVEP腦電信號經過小波包分解重構的fm頻段的信號。建立相應的參考信號矩陣為

(5)

然后，求得最大的相關系數為

(6)

式中，cov(Xn,Y) 為Xn和Y的協方差，σXn和σY分別為Xn和Y的標準差。

由于單純的CCA算法在識別SSVEP頻率以參考信號為依據，其識別效果受SSVEP中存在的干擾信號影響，所以提出用WT-CCA算法對腦電信號進行特征提取及處理，提高了特征識別的準確率。

圖5 WT-CCA識別方法Fig.5 Recognition of WT-CC

本研究提出的WT-CCA算法，能對低頻和高頻部分進行分解，避免了參考信號中存在的干擾，有效提高了信號的識別率，過程如圖5所示。將SSVEP信號進行小波包分解后得到重構信號，根據CCA算法計算出各個通道的Xn和Y的最大相關系數ρn，然后比照判斷SSVEP刺激信號的頻點fm。

1.3 系統測試方法

本次測試選了10位精神狀態良好的志愿者進行實驗。采集的背景光線不宜過亮，時間不宜過長，以免造成被測試者的不適。

實驗準備階段，將8通道信號采集器戴在待測試者頭部上，并適當調整以確保接觸良好，在阻抗測試時調試各個通道(一般阻抗不高于1000 kΩ)，SSVEP誘發電位主要發生在人體大腦枕部，根據10-20國際標準導聯(見圖6所示)，將采集腦電信號的電極放置在Fp1、Fp2、F3、F4、Cz、Pz、O1、O2位置[14-15]，參考電極放置在人體耳后乳突，接地電極接AFz的位置。

圖6 導聯分布Fig.6 Lead distribution

調節被試與顯示器之間的距離，規定在60 cm左右(可根據被試最舒適的距離進行調整)。每組實驗有50個block，每個block的流程為：屏幕隨機閃爍一種頻率1.5 s，并伴隨一聲提示音提示被試觀看，閃爍1.5 s后，顯示屏進入睡眠，不會有閃頻信息，持續2.5 s，此時被試進入休息狀態。每個被試進行15組實驗，每組實驗大約3 min 20 s，每組實驗間隔5 min，用來給被試休息。所有數據完成后，系統會自動記錄采集到的數據，并上傳到上位機進行數據的特征提取及分類。

2 結果

采用本研究所完成的腦機接口分別進行了兩次測試實驗，主要驗證所提出的WT-CCA算法對目標頻率識別正確率和與普通常用的CCA算法的對比。

表1WT-CCA目標頻率特征識別正確率

Tab.1WT-CCAtargetfrequencyfeaturerecognitionaccuracy%

表1列取了10名被試使用WT-CCA算法對目標頻率特征識別并計算識別正確率，第一列1～10代表被試的編號信息，第一行為目標頻率，表格中的其他值代表了被試編號在某個目標頻率下的識別正確率，最后一行為各目標頻率下的平均識別正確率。從實驗中得出的數據可以看出，本系統和算法對SSVEP的識別率很高，達到90%。同一個測試者對不同頻率的目標刺激產生不同的響應，而同一刺激頻率對不同的測試者則產生不同的響應，這也體現了個體之間的差異性，與生物學人體各異的觀點相符。

表2 目標頻率特征識別正確率對比Tab.2 Target frequency feature recognition accuracy %

在同樣的實驗環境下，選取10名被試，使用本研究設計的腦機接口進行數據獲取，采用傳統的CCA識別算法對目標頻率進行識別，并計算相應的識別正確率。如表2所示，采用CCA算法與本系統提出的WT-CCA算法對比，第一行為目標頻率，第一列為算法，其他數據為在各個目標頻率下算法的正確識別率。從測試結果上得出對SSVEP信號的識別，WT-CCA算法的識別率要明顯高于CCA算法的識別率。

3 結論

本研究的主要目標是實現基于SSVEP無線腦-機接口系統的設計。設計了基于LabVIEW的LCD視覺刺激器，根據顯示器60 Hz的特性設定需要閃爍的頻率，通過軟件控制刺激源的個數和閃爍的頻率，這是不同于其他刺激器的一個特點。自主研發的腦電信號采集器成功采集到8個通道腦電信號，提出的WT-CCA算法能對采集到的腦電信號進行特征提取和分類甄別。經試驗論證，證實WT-CCA算法在識別分類上要優于CCA算法，識別率達90%以上。

(致謝：本研究得到江蘇省高校“青藍工程”的資助，在此表示感謝)