基于穩(wěn)態(tài)視覺誘發(fā)電位的腦電信號分類算法比較

李 新，吳迎年,2*，李 睿

(1.北京信息科技大學自動化學院，北京 100192；2.高端裝備智能感知與控制北京市國際科技合作基地，北京 100192)

腦-機接口(brain computer interface, BCI)系統(tǒng)是指通過分析大腦活動的意圖將其轉(zhuǎn)換成計算機指令，建立起人或者其他動物與外在環(huán)境的溝通渠道[1]，進而達到控制外部設備的目的。BCI在運動恢復、用戶訓練、腦控輪椅[2-4]、自動駕駛[5]等方面有著廣泛的應用。腦-機接口的主要實現(xiàn)方式可以分為主動和被動兩種，主動的有基于運動想象[6]，而被動的主要有基于P300信號和穩(wěn)態(tài)視覺誘發(fā)電位(steady-state visual evoked potential，SSVEP)信號[7-8]。其中，基于SSVEP的BCI以其高信噪比和高信息傳輸率(information transfer rate, ITR)以及用戶不需要接受訓練等優(yōu)點而備受廣大科研工作者的重視，成為BCI的一個關鍵分支。當前SSVEP腦電信號的分類算法中，比較典型且常用的就是典型相關分析(canonical correlation analysis, CCA)、濾波器組典型相關分析(filter bank canonical correlation analysis，F(xiàn)BCCA)和任務相關成分分析(task-related component analysis, TRCA)幾種方法。

FBCCA是一種基于CCA的SSVEP頻率檢測方法，將基頻和諧波頻率分量結(jié)合起來，用以改善SSVEP的檢測[9]。該方法采用基于頻率編碼的40個目標BCI拼寫器進行性能評估。通過在目標識別中引入基波和諧波SSVEP分量，F(xiàn)BCCA方法顯著提高了基于SSVEP的BCI的性能，促進了其在高速拼寫等實際應用中的應用。Ge等[10]將FBCCA的無訓練特征提取與波束形成(beamforming，BF)的數(shù)據(jù)驅(qū)動和自適應特征相結(jié)合的方式，構(gòu)造 了一種新的解碼算法，達到與BF方法相當?shù)淖钚滦阅堋Ｔ摲椒ㄍㄟ^消除對專門培訓過程的需求，降低了BCI系統(tǒng)的操作復雜性，可以實現(xiàn)一個高準確率和ITR的無訓練BCI系統(tǒng)。文獻[11]設計了增強現(xiàn)實(augmented reality,AR)和SSVEP相結(jié)合的實驗范式，通過在真實環(huán)境下將閃爍塊對物體識別、追蹤并標記，采用FBCCA方法對腦電信號分析處理。達到了99.68%的腦電信號識別率，證實了基于增強AR和SSVEP的腦-機接口系統(tǒng)更適合復雜的現(xiàn)實環(huán)境。Wai等[12]提出了一種優(yōu)化濾波器組典型相關分析的方法，該方法具有受試者的校準模板、特定的權重和多種參考類型。所提出的方法利用了多參考獨立且明顯的識別特征和受試者特定的權重調(diào)整特征來提高SSVEP的識別性能。

TRCA最早應用于近紅外光譜(near-infrared spectroscopy, NIRS)的識別上，通過最大化每個任務中神經(jīng)影像數(shù)據(jù)的復現(xiàn)性，從而提取任務相關成分。在腦電方面則是由Nakanishi等[13]率先將TRCA方法引入到SSVEP的識別上來，通過去除背景腦電活動，提高了SSVEP的信噪比。離線分析結(jié)果表明，該方法能顯著提高分類準確度，并且線索引導拼寫任務的在線ITR達到325 b/min，是基于EEG的BCIs中較高的ITR。王春慧等[14]使用TRCA的分類模型識別腦電數(shù)據(jù)的SSVEP成分，再運用基于Bayes估計的動態(tài)自適應策略評估分類結(jié)果的置信度。比傳統(tǒng)的靜態(tài)自適應策略的平均ITR提高了12%，進一步提升了基于SSVEP的BCI的性能。Tanaka等[15]提出了一種互相關任務相關成分分析(xTRCA)方法，提供了一個統(tǒng)一的框架來分析事件相關的誘發(fā)反應時間域，對實驗時間進行優(yōu)化提高了分類準確度，最大限度地提高實驗的可重復性。Judith等[16]提出了一種提高SSVEP頻率識別性能的多集任務相關成分分析方法(M-TRCA)。通過采集大量腦電數(shù)據(jù)集，提取數(shù)據(jù)集中的特征，生成參考信號，這些共同特征更精確地反映了SSVEP屬性，可以提高頻率識別的速度和精度。

其中，CCA方法雖然由于其用戶變化小、易于設置且不需要信道選擇和參數(shù)優(yōu)化等優(yōu)點而被廣泛應用，但是信息傳輸率偏低，對于多目標分類準確率不高，所以該方法還需要進一步的改進提升。因此，利用分類效果更好的FBCCA方法與TRCA方法對基于SSVEP的信號進行分類比較，分別探討數(shù)據(jù)長度、子帶數(shù)以及通道數(shù)對分類識別準確率的影響，并且分析得出兩種方法分類效果更好的實驗參數(shù)設置，為以后的SSVEP信號分類識別方法研究提供一定的基礎支持。

1 研究方法

1.1 典型相關分析(CCA)

CCA是一種可以最大化兩組變量之間的相關性的多變量統(tǒng)計方法，已廣泛應用于基于SSVEP的BCI頻率檢測[17-18]。該方法主要通過計算多通道腦電信號與構(gòu)造的參考正余弦信號之間的相關系數(shù)來求得兩個信號的最大相關性。其流程圖如圖1所示。

圖1 CCA在腦電信號分析的流程圖

對于兩個多維變量X、Y及其線性組合x=XTWX和y=YTWY,CCA需要找到權重向量WX和WY，使x和y的相關性最大。

maxWX,WYρ(x,y)=

(1)

相對于WX和WY，ρ的最大值就是最大典型相關。在SSVEP的頻率檢測中，X表示多通道信號，Y表示參考信號。為了檢測頻率，用正弦信號作為參考信號Yk。

(2)

式(2)中：f為刺激頻率；Nh是諧波數(shù)量；t為時間。為了識別頻率，CCA計算多通道SSVEP與每個刺激頻率對應的參考信號之間的典型相關。相關性最大的參考信號的頻率即為SSVEP的頻率。

1.2 濾波器組典型相關分析(FBCCA)

FBCCA是基于CCA的無訓練的SSVEP頻率檢測方法。主要有以下三個步驟：①濾波器組分析；②SSVEP子帶分量與正余弦參考信號之間的典型相關分析；③目標識別，其流程圖如圖2所示。

圖2 SSVEP頻率檢測的FBCCA方法流程圖

濾波器組分析使用具有不同通帶的多個濾波器進行子帶分解。用零相位切比雪夫Ⅰ型無限脈沖濾波器從原始腦電信號X中提取子帶成分XSBn(n=1,2,…,N)。濾波器組分析之后，分別對每個子帶分量應用標準CCA過程，得到子帶分量與所有的刺激頻率Yfk(k=1,2,…,40)對應的預定義參考信號之間的相關值。對于第k個參考信號，由N個相關值組成的一個相關向量ρk定義為

(3)

式(3)中：ρ(x,y)表示x和y之間的相關系數(shù)。相對應的所有子帶分量的相關值的加權平方和計算為

(4)

式(4)中：n表示子帶的指數(shù)；w(n)是子帶分量的權重，計算式為

w(n)=n-a+b,n∈[1,N]

(5)

與標準CCA相比，F(xiàn)BCCA中的濾波組分析可以將SSVEP分解為多個子帶分量，從而提取出SSVEP諧波分量中的判別信息。因此，F(xiàn)BCCA為SSVEP目標識別提供了更豐富、更穩(wěn)健的諧波信息，具有更好的識別效果。

1.3 任務相關成分分析(TRCA)

TRCA是一種通過最大化任務期間的可重復性來有效提取任務相關成分的方法。在SSVEP中可以最大化多個trial之間的復現(xiàn)性，從而提高信噪比，抑制自發(fā)腦電活動。

假設一個多通道的EEG信號x(t)∈RNc是由任務相關信號s(t)∈R和任務無關信號n(t)∈R組合而成的，即

xj(t)=a1,js(t)+a2,jn(t),j=1,2,…,Nc

(6)

式(6)中：j為通道數(shù)；a1,j和a2,j為混合系數(shù)。關鍵是從EEG信號中僅得到任務相關的成分s(t)，這樣即能增加信號的信噪比。首先對多通道的EEG信號進行加權求和，表示為一個線性一維模型，即

(7)

Ch1 h2=Cov[y(h1)(t),y(h2)(t)]=

(8)

所有可能的trial組合總結(jié)為

(9)

定義矩陣S=(Sj1j2)1≤j1,j2≤Nc為

(10)

為了獲得有限解，y(t)的方差約束為

wTQw=1

(11)

式(11)中：Q=Cov[xj1(t),xj2(t)]。

約束優(yōu)化問題可以求解為

(12)

在基于SSVEP的腦-機接口系統(tǒng)中，TRCA可以用來設計空間濾波器去除頭皮記錄中的背景腦電活動。基于TRCA的方法的流程圖如圖3所示。

圖3 TRCA方法流程圖

2 實驗設置

2.1 受試者

采用Wang等[19]Benchmark Dataset來測試所提出的方法。共有35名視力正常或矯正正常的健康受試者，在所有的受試者中，有8名受試者有使用基于SSVEP-BCI拼寫器的經(jīng)驗，另外27名受試者均是初次參與此類實驗。

2.2 實驗設計和流程

該用戶界面是一個有40個目標的BCI拼寫器，即5×8的刺激矩陣。共包含40個字符(26個英文字母、10個數(shù)字和4個字符)。該矩陣顯示在23.6英寸液晶顯示器上，屏幕縱橫比為16∶9，分辨率為1 920×1 080像素，刷新頻率為60 Hz。整個矩陣區(qū)域的大小為1 510×1 037像素，刺激為140×140像素的正方形，字符嵌于刺激中間32×32像素的方塊中。每兩個相鄰刺激的水平和垂直距離均為50像素。刺激按照從上到下、從左到右的方式依此排列，相應的頻率和相位以0.2 Hz和0.5π的步長遞增，第一個刺激的頻率和相位為8 Hz和0π，最后一個刺激的頻率和相位為15.8 Hz和1.5π。在該實驗中，采用正弦采樣的刺激方法，40個字符使用聯(lián)合頻率相位調(diào)制(joint frequency and phase modulation,JFPM)[20]方法進行視覺閃爍編碼。刺激程序是使用在MATLAB環(huán)境下開發(fā)的Psychophysics Toolbox Version 3編寫。

實驗分為6輪，每輪包含40個試次，分別對應40個字符。每次試次前，有0.5 s時間提示目標字符的紅框，要求受試者在0.5 s的提示時間內(nèi)，盡快將視線轉(zhuǎn)移到屏幕上的目標字符。在提示時間結(jié)束時，所有字符對應的方框以相應的頻率閃爍5 s，然后屏幕出現(xiàn)0.5 s的空白，需要受試者在刺激閃爍期間盡量避免眨眼。為了減少視覺疲勞，相鄰輪次之間會有幾分鐘的休息時間。

2.3 數(shù)據(jù)采集和信號處理

腦電放大器使用的是Synamps2腦電系統(tǒng)64導聯(lián)，采樣率為1 000 Hz。由于SSVEP的響應信號主要出現(xiàn)在腦部的后枕區(qū)，枕葉是視覺的高級中樞所在地，對視覺影響最大，因此本次實驗主要采用Pz、POz、PO3、PO4、PO5、PO6、Oz、O1、O2等9個通道的腦電數(shù)據(jù)來進行SSVEP的頻率分類。參考電極位于頭部頂端，接地電極位于前額葉。所有數(shù)據(jù)先被降采樣到250 Hz,再根據(jù)時間觸發(fā)器進行提取。采用50 Hz的陷波濾波器去除電源工頻噪聲干擾。除此之外，還用到了濾波器組分析，所用到的濾波器ChebyshevΙ型無限脈沖響應濾波器。對于第n個頻帶，上、下截止頻率分別為90 Hz和n×8 Hz(n=1,2,…,5),并且使用MATLAB中的filifilt()函數(shù)來進行正向和反向濾波。

3 性能評估

除了分類準確率外，ITR也是目前最常用的評估BCI性能的參數(shù)之一，它需要同時考慮3個指標：分類準確率、刺激目標數(shù)和時間，公式為

(13)

式(13)中：N是目標數(shù)；Ac是分類準確率；T是檢測時間，包括目標注視時間以及本文中額外的用于實際應用的視線轉(zhuǎn)移時間。對所有的模擬在線測試的試次，可以計算出最優(yōu)的平均數(shù)據(jù)長度、準確率，進而計算出理論ITR。

3.1 數(shù)據(jù)長度對性能的影響

為了判斷數(shù)據(jù)長度對SSVEP性能的影響，兩種方法中子帶數(shù)都設置為5，分別取0.25、0.5、0.75、1、1.25、1.5、1.75、2 s的數(shù)據(jù)長度，比較其分類準確率Ac和ITR。圖4為TRCA和FBCCA的分類準確率和信息傳輸率隨數(shù)據(jù)長度變化的折線圖。

圖4 不同數(shù)據(jù)長度的分類準確率和信息傳輸率

由圖4可知，隨著數(shù)據(jù)長度的增加，分類準確率也逐漸增大，且趨向于穩(wěn)定。ITR隨著數(shù)據(jù)長度的增加，先增大再減小，由式(13)可知ITR受三個因素影響，當分類準確率隨著數(shù)據(jù)長度的增加而逐漸增大時，必然導致ITR的降低。數(shù)據(jù)長度在1 s之前時，TRCA的分類正確率和ITR明顯高于FBCCA，但隨著數(shù)據(jù)長度的持續(xù)增加，F(xiàn)BCCA的分類準確率逐漸和ITR接近TRCA。該結(jié)果表明，相比于TRCA算法，F(xiàn)BCCA算法對數(shù)據(jù)長度更加敏感，所以當數(shù)據(jù)長度較小時，TRCA算法性能明顯好于FBCCA算法。

3.2 子帶數(shù)對性能的影響

由上圖可知，當數(shù)據(jù)長度在1 s以內(nèi)時，分類準確率和ITR都較高。子帶的個數(shù)并非越大越好，過大可能會影響信號的強度甚至會降低準確度，在這里對子帶數(shù)進行1～7個的取值，數(shù)據(jù)長度取1 s，兩種方法的分類準確率如圖5所示。

圖5 不同子帶數(shù)的分類準確率

從圖5可以看出，當數(shù)據(jù)長度固定時，子帶個數(shù)對分類準確率的變化并不大。TRCA的分類效果明顯好于FBCCA，分類準確率提升了近30%，最高達到87.25%，而FBCCA最高僅為61.73%。隨著子帶個數(shù)的增加，分類準確率也小幅度提高，在5個子帶數(shù)達到最高。大于5時，分類準確率會有一定程度的降低，故實際子帶數(shù)應該以5個為準。

3.3 通道個數(shù)對性能的影響

實際上在做SSVEP的時候，響應信號主要出現(xiàn)在腦部的后枕區(qū)，主要的通道有Pz、POz、PO3、PO4、PO5、PO6、Oz、O1、O2，所以本文主要用這9個通道進行SSVEP的信號分類。對通道數(shù)取分別取3～9個不同的值，數(shù)據(jù)長度固定為1 s，子帶數(shù)取5個，比較兩種方法的分類準確率，如圖6所示。

圖6 不同通道數(shù)的分類準確率

可以看出，兩種方法的分類準確率都隨通道數(shù)的增加而增大，且最后趨于穩(wěn)定，都在9個通道時達到最大，分別為89.51%(TRCA)和80.19%(FBCCA)。在通道數(shù)少的情況下，二者性能差距較大，通道數(shù)取3時，分類準確率差距近20%。說明在數(shù)據(jù)長度小、子帶數(shù)一定時，通道數(shù)越少，TRCA算法性能越優(yōu)于FBCCA。

以上實驗對比研究了影響FBCCA與 TRCA分類準確率的三個因素: EEG數(shù)據(jù)長度、子帶數(shù)與通道個數(shù)。實驗結(jié)果顯示：FBCCA與TRCA 的分類準確率和信息傳輸率均隨數(shù)據(jù)長度的增加而增加，而在數(shù)據(jù)長度較小的情況下，TRCA算法對SSVEP信號分類的效果優(yōu)于FBCCA算法。數(shù)據(jù)長度固定時，子帶個數(shù)對分類準確率的變化很小，但TRCA的分類準確率仍顯著高于FBCCA。在其他相同的實驗設置下，TRCA算法對SSVEP 信號分類的準確率普遍高于 FBCCA 算法，尤其是在數(shù)據(jù)長度小、數(shù)據(jù)量少的情況下，這種特性表現(xiàn)得更為明顯。

4 結(jié)論

SSVEP已成為腦電信號研究的主流方向之一。當前，針對SSVEP信號頻率分類的算法中，濾波器組典型相關分析(FBCCA)和任務相關成分分析(TRCA)是較為新穎的頻率識別方法。結(jié)合Benchmark Dataset 35位受試者的數(shù)據(jù)，利用MATLAB對比分析了TRCA與FBCCA方法影響SSVEP信號分類準確率的三個主要因素，結(jié)果表明，在數(shù)據(jù)長度小、時間短的情況下，相比于FBCCA方法，TRCA方法具有更高的分類準確率。且子帶數(shù)設置為5時，分類準確率達到最大。通常來說，通道數(shù)越多分類準確率越大，但在通道個數(shù)較少時，TRCA分類效果明顯優(yōu)于FBCCA。上述分析結(jié)果為腦機接口系統(tǒng)應用者在對SSVEP的分類方法選擇上提供了比較清晰的理論方法及系統(tǒng)的實驗參考，也為后續(xù)的性能提升奠定了實驗基礎，具有較好的參考價值。