不同灰度值刺激產生的穩態視覺誘發電位比較

李東閣

1.認知科學國家民委重點實驗室，湖北武漢430074；2.醫學信息分析及腫瘤診療湖北省重點實驗室，湖北武漢430074

前言

當人眼受到固定頻率超過4 Hz的視覺刺激時，大腦皮質活動將被調節，導致類似于刺激的周期性節律，這就是穩態視覺誘發電位（Steady-State Visual Evoked Potential,SSVEP），而SSVEP主要出現在大腦皮層枕區［1］。人們設計出基于SSVEP的腦-機接口系統，通過識別大腦中的腦電信號的頻率成分來檢測目標指令［2］。目前，基于SSVEP的腦-機接口系統得到廣泛關注和研究，其中有關SSVEP的識別準確率問題的研究居多。Regan等［3］證明在不同頻段，SSVEP有不同的諧振峰，這些頻段分別為：低頻段（5～12 Hz）、中頻段（12～25 Hz）和高頻段（30～50 Hz）。隨著頻率的升高，諧振強度減弱。

SSVEP是通過固定頻率的閃爍刺激誘發的，而誘發產生SSVEP信號的視覺刺激源通常包括光刺激源、圖形刺激源以及模式翻轉刺激源［4-6］。其中，光刺激源主要是用受到一定頻率調制的LED、熒光燈等光源作為視覺刺激。以LED作為光源誘發視覺刺激為例，利用LED可以實現不同顏色光的閃爍刺激來誘發SSVEP，而不同顏色光的LED閃爍會影響SSVEP的響應。

Regan等［3］首先研究不同顏色（紅色、黃色、藍色）閃爍刺激對SSVEP在不同頻段的響應的影響。研究表明：在11 Hz處紅光可以誘發最強的SSVEP響應；在13 Hz處藍光可以誘發最強的SSVEP響應；黃光誘發出的響應最弱，且對頻率不敏感［7］。也有研究者對不同顏色單色光刺激產生的穩態視覺誘發電位進行比較。結果表明紅、綠、藍3種顏色中，藍光的效果最好［8］。在對SSVEP的研究中，使用過紅色、綠色、白色、黑色、灰色。

本研究旨在探討影響SSVEP識別準確率的因素。采用圖形刺激源，在計算機屏幕上設置一個單一的簡單方塊，讓該方塊以一定頻率閃爍作為誘發SSVEP的視覺刺激。刺激界面背景為白色，通過改變刺激方塊的灰度值，研究不同灰度值的刺激產生的SSVEP，分析不同灰度值的刺激對頻率識別準確率的影響。

1 實驗設計

1.1 受試者選擇

選擇5位在讀研究生參加本實驗，受試者年齡均在24歲左右并且均自愿參加實驗，視力矯正后正常。在實驗開始前，受試者需要做5 min的預備刺激，本實驗要求受試者端坐在刺激屏幕前，身體不能有大的移動，眼睛要一直注視刺激屏幕上的閃爍方塊。

1.2 實驗刺激

實驗中使用的視覺刺激是15寸的LCD顯示器（分辨率1 366×768），刷新頻率設為60 Hz。很多研究表明，在6～20 Hz內誘發的SSVEP頻率特性相較于其他頻率度要好，而且周期頻率刺激還能誘發出倍頻頻率的信號，因此要避免存在倍頻關系的頻率。本實驗設置了4個目標頻率，分別為7.7、8.1、8.5和8.9 Hz。影響SSVEP識別準確率的因素有很多，如刺激的時間窗長度［9］、占空比［10］等。本實驗研究不同灰度值的刺激對SSVEP識別準確率的影響，灰度值范圍是0～255，設置5種灰度值，分別為0、64、128、160和192（背景為白色，改變閃爍方塊的灰度值）。圖1為灰度值為0的刺激界面。

圖1 刺激界面（灰度值是0）Fig.1 Stimulation interface(gray value of 0)

刺激屏幕位于受試者的正前方，距離受試者60 cm，受試者在實驗過程中要一直關注閃爍方塊，身體不能有大的移動，避免眨眼。

1.3 實驗記錄

4個頻率的閃爍方塊依次開始閃爍，每個刺激頻率閃爍時間設置為4 s，休息1 s，下一個刺激頻率開始，即每個試次時間為5 s，4 s為刺激時間，1 s為休息時間。每組實驗采集28個試次的數據，每個受試者采集3組數據。數據采樣頻率為1 kHz。在進行典型相關分析時，允許頻率誤差范圍為0.1 Hz。

2 方法

本實驗中選用的4個頻率均在7～10 Hz內，在預處理過程中，需要對數據進行帶通濾波。本實驗確定了帶通濾波范圍為2.5～30.0 Hz。

2.1 空間濾波

預處理能有效避免系統誤差對實驗結果的影響，但是由于腦電信號微弱、能量不集中，預處理對信噪比的增強有限。而且不同個體的SSVEP存在差異性［11-12］，單個電極的信號特征不能很好地反映整個枕區對外界刺激的反應特性。故本實驗采用空間濾波的方法來融合多個電極的信號。

拉普拉斯融合是一種常用的空間融合方法［13］，通過去除局部共同噪聲來達到加強SSVEP信噪比的目的：

式中，W表示3個電極進行空間濾波的系數矩陣。

由于SSVEP在枕區響應更為明顯，選擇OZ作為中間電極，PO3和PO4電極為同距電極。經融合后的腦電信號(t)可以用式（2）表示：

其中，表示PO3、OZ、PO4這 3 個電極采集的腦電數據組成的矩陣。

下面給出一名受試者在注視目標頻率為8.1 Hz的刺激時誘發的SSVEP數據，并對比該數據空間濾波前后的頻譜圖，圖中只表示一個試次的數據。圖2為空間濾波前的頻譜圖，圖3為空間濾波后的頻譜圖。兩張圖對比可以看出，拉普拉斯融合算法有效地去除了噪聲信號的干擾。在進行空間濾波之前雖然能看出目標頻率，但是由于其他頻率的干擾太大，無法方便的將目標頻率識別出來。

2.2 典型相關分析（Canonical Correlation Analysis,CCA）

CCA 是由 Lin等［14］于 2006年提出用于解決SSVEP的識別問題的。與其它算法相比，CCA能更好地識別SSVEP。

CCA是一種多變量統計算法，試圖揭示兩組數據之間的潛在相關性［15-16］。假設有兩個隨機變量X∈RI1×J和Y∈RI2×J，CCA 就是尋找一對線性變換Wx∈RI1和Wy∈RI2，這樣一來線性組合x=WTxX和y=WTyY的最大相關性系數可以描述為：

其中，Cxx=XXT和Cyy=YYT分別表示隨機變量X和Y的自協方差矩陣；Cxy=XYT表示兩個隨機變量X和Y之間的協方差矩陣；x和y為典型變量；ρ為最大相關系數，表示Wx和Wy最大的典型相關性。由于關于Wx和Wy的任何調整都不會影響最大化相關性，因此式（3）等價于：

圖2 空間濾波前的頻譜圖（目標頻率8.1 Hz）Fig.2 Spectrogram before spatial filtering(target frequency of 8.1 Hz)

圖3 空間濾波后的頻譜圖（目標頻率8.1 Hz）Fig.3 Spectrogram after spatial filtering(target frequency of 8.1 Hz)

約束條件為：

由拉格朗日乘子方法可知，求特征值的問題相當于上式的最大化問題：

由于WX和Wy的線性變換，x和y之間的最大典型相關性由最大廣義特征值的相應特征向量給出［17］。

CCA［18］是最大化腦電信號與不同頻率下的參考模板信號（即正余弦信號）之間相關性，由此來識別并檢測目標刺激頻率。假設我們要將目標頻率（即SSVEP信號的頻率）從M個刺激頻率中找出。X∈RC×P，其中C是腦電采集時通道的個數表，P是每個通道采樣的點數［17-19］。Ym∈R2H×P是事先構建好的參考信號，設為第M個刺激頻率fm(m=1,2,…,M)，它的數學表達式是由一系列的正弦-余弦波組成：

其中，H是信號的諧波數；F為信號的采樣率。X與Ym(m=1,2,…,M)之間的最大相關系數ρm可由前面求最大典型相關系數的公式得到，從而識別得到SSVEP信號的頻率［20］，即有：

本實驗中共設置了4個刺激頻率，將空間濾波融合后的腦電信號進行典型相關分析，分析過程中將腦電信號分別與4個刺激頻率的參考信號進行相關性分析，得到4個相關性系數，相關性系數最大的值所對應的參考信號的頻率即為這組采集的腦電信號中的目標頻率。

3 結果與討論

在不同灰度值刺激下，5名受試者的頻率識別準確率隨灰度值的變化情況如表1所示。

從實驗結果可以看出不同灰度值所對應的頻率識別準確率不同，受試者S1和S4隨著灰度值的增加，頻率識別準確率下降。S2、S3、S5在灰度值從64增加為128的過程中頻率識別正確率增加，灰度值繼續增加，頻率識別準確率出現大幅下降。由此可見，SSVEP的識別準確率并不是隨灰度值的升高不斷減小的，而是根據不同的受試者在灰度值由64增加到128過程中識別準確率有增高趨勢，但是灰度值為0的刺激產生的SSVEP的頻率識別準確率對于所有受試者來說都是最高的。S3和S5的整體頻率識別準確率明顯比其他幾名受試者的低。S1、S2和S4在灰度值為0的刺激下識別準確率均在90%以上，而S3和S5的識別準確率只有75%和65%，其中，S5在灰度值由0到192的變化過程中，識別準確率只有10%左右的波動。由此，我們可以發現對于SSVEP識別準確率低的受試者來說，灰度值并不能作為提高他們的識別準確率的影響因素。

本實驗設定刺激背景為白色，設置刺激方塊的灰度值，證實產生的不同灰度值刺激對SSVEP有影響，灰度值為0的刺激產生的SSVEP是最強的，頻率識別準確率也最高。但是不同受試者產生的SSVEP的識別準確率有較大的區別，說明個體之間存在差異性。

表1 不同灰度值下的頻率識別準確率（%）Tab.1 Accuracy of frequency recognition under different gray levels(%)

4 結論

本實驗采集并分析了5名受試者的數據，其中有兩名受試者識別準確率低于80%，在以后的研究中，可以嘗試增加受試者，驗證SSVEP腦-機接口在人群中的適用范圍。本實驗采用拉普拉斯空間濾波的方法，將3個信道的數據進行了融合，并將融合后的數據進行CCA。如果嘗試融合更多枕區電極，信噪比將得到更好的提高，SSVEP的識別準確率可能會有所提高。