穩態運動視覺誘發電位的誘發及在腦機接口中的應用進展

李 麗，陳梟宇，隨 力

（上海理工大學 健康科學與工程學院，上海 200093）

視覺誘發電位（visual evoked potential，VEP）是視覺刺激引起的枕部大腦皮層的電生理反應[1]。根據視覺刺激間隔時間的長短或者頻率的不同，VEP 分為瞬態視覺誘發電位（transient visual evoked potential，tVEP）和穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）[2]。tVEP 通常由低于6 Hz 的視覺刺激誘發，無法應用于腦機接口（brain-computer interface，BCI）系統，SSVEP 則由更高頻率的視覺刺激誘發，具有較強的抗干擾性[3]。SSVEP 是BCI 系統中一種較常使用的腦電信號。基于SSVEP 的BCI 系統具有平臺易于搭建、無需訓練及傳輸速率較高等優點[4]。傳統的SSVEP 通常采用重復的閃爍刺激來誘發，具有較高的信噪比。但是，重復的視覺閃爍刺激容易導致使用者視覺疲勞，從而降低BCI 的系統性能。人類的視覺系統不僅對物體的顏色、形狀等特征十分敏感，而且對物體的運動速度、方向等特征也非常敏感[5]，因此，研究人員采用運動的刺激來誘發VEP，發現運動起始階段即可誘導出VEP，并將其命名為運動啟動誘發電位（motion-onset visual evoked potentials，MVEP），MVEP 具有信噪比高、信號穩定及視覺疲勞度較低等優勢。MVEP對運動起始敏感，但持續時間短暫[6]。研究人員在MVEP 的基礎上繼而發現周期性的運動視覺刺激可以誘發出持續時間較長的SSVEP，這種由運動視覺刺激誘導出來的SSVEP 被命名為穩態運動視覺誘發電位（steady-state motion visual evoked potential，SSMVEP），目前基于SSMVEP 的BCI系統已成為BCI 研究的焦點之一[2]。現有的研究表明，基于SSMVEP 的BCI 系統性能和SSMVEP的誘導有著很大的關系，運動視覺刺激方式和刺激參數在SSMVEP 的誘導中起著重要的作用，因此，本文就SSMVEP 的運動視覺刺激方式、刺激參數以及SSMVEP 在BCI 中的應用等方面的研究進展進行了歸納和總結。

1 SSMVEP 的運動視覺刺激方式

傳統SSVEP 的誘發通常采用閃爍刺激模式，依據刺激硬件的不同，閃爍刺激方式又分為發光二極管（light emitting diode，LED）閃爍刺激和液晶顯示（liquid crystal display，LCD）閃爍刺激。LED閃爍刺激（如圖1(a)所示）誘發的SSVEP 通常需要搭建LED 硬件電路；LCD 閃爍刺激不需要額外的硬件電路，且依靠計算機的軟件系統來實現視覺刺激的呈現和刺激參數的變換[7]。目前常用來誘發SSVEP 的LCD 閃爍刺激方式有兩種：一是單個圖形刺激（如矩形、正方形或箭頭）在計算機屏幕上以指定的速度出現和消失（如圖1(b)所示）；二是黑白兩色的棋盤或柵格進行模式翻轉（如圖1(c)所示）。這些傳統的SSVEP 的誘發方式在BCI 系統中具有較好的使用價值，但這類刺激方式易造成視覺疲勞，甚至有誘發使用者癲癇發作的風險，最終影響BCI 系統的性能。

圖1 SSVEP 的基本刺激模式[8]Fig.1 Basic stimulation patterns of SSVEP[8]

SSMVEP 的誘導建立在傳統SSVEP 誘導的基礎上。它由一系列MVEP 疊加而成，既保留了傳統SSVEP 的刺激效果，又顯著地降低了眼睛對閃爍刺激的敏感性[9]，極大地緩解了視覺疲勞，符合目前BCI 系統以提高用戶舒適度為目標[10]的發展趨勢。學者在探索誘發SSMVEP 的視覺刺激模式上進行了研究，本文對這些誘導SSMVEP 的運動視覺刺激模式進行了歸納和總結，如表1 所示。

表1 SSMVEP 運動刺激模式總結Tab.1 Summary of stimulation patterns of SSMVEP

目前誘導SSMVEP 的研究中使用的運動視覺刺激呈現界面及刺激方式多樣，并不統一。依據刺激的基本運動方式，將SSMVEP 誘導中的視覺刺激的運動方式初步歸納為5 種方式：a.徑向收縮-擴張運動方式，具體包括牛頓環、環形棋盤；b.翻轉運動方式，如實線圓的翻轉[11]、類似硬幣翻轉、簡單圖標繞固定軸的翻轉[12]都可以歸為此類運動方式；c.移動，包括左右平移[13]、路徑不規律的移動[14]及結合閃爍的移動[15]等；d.步態序列，視頻中人的步態動作也可誘導出SSMVEP[16]；e.其他運動方式。學者在SSMVEP 誘導中的視覺刺激多種運動方式中，試圖探索出哪種運動刺激方式較好，如Yan 等[4]比較了螺旋、擺動、旋轉和收縮-擴張運動模式誘導的SSMVEP，研究結果表明，螺旋運動的視覺刺激效果較好。但由于運動方式多種多樣，并且不斷有新的運動刺激方式被提出，因此，哪種運動刺激方式誘導SSMVEP的效果最好，并沒有一個定論。研究表明，沿視軸改變距離的徑向擴張和收縮運動比無深度變化的運動能引起更強的SSMVEP 效果[4]。總體而言，SSMVEP 誘導研究中最常采用的運動刺激模式是基于徑向收縮-擴張運動方式（如牛頓環和棋盤格）。近年來，開發出了更多種運動方式來誘導出SSMVEP，如Wang 等[17]采用視覺錯覺運動來誘導SSMVEP，Karimi 等[18]采用基于增強現實（augmented reality，AR）的運動方式來誘導SSMVEP。在誘導SSMVEP 方面，不僅采用了不同的運動刺激模式，而且在探索運動視覺刺激參數方面也開展了一些研究，研究結果表明，運動視覺刺激參數對SSMVEP 的誘導效果也有一定的影響[6]。

2 影響SSMVEP 的運動視覺刺激參數

在SSMVEP 的誘導研究中，學者一直在致力于提高SSMVEP 的信噪比，增強SSMVEP 的信噪比的主要方法之一是運動刺激方式的改進和運動刺激參數的選擇。因此，運動視覺刺激參數對SSMVEP 的影響，對基于SSMVEP 的BCI 性能的影響也有了相關的研究報道。目前，SSMVEP 研究中涉及的運動刺激參數主要有運動刺激頻率、運動刺激頻率間隔、運動刺激的屏幕刷新率、運動刺激的大小、顏色、對比度、運動刺激界面的呈現間隔等。表2 歸納總結了這些運動刺激參數對SSMVEP 信號特性和主觀感受的影響。

表2 刺激參數對SSMVEP 的影響Tab.2 Influence of stimulation parameters on SSMVEP

總體而言，有關運動刺激參數對SSMVEP 信號特性的研究還十分有限，依舊處于探索階段。哪種刺激參數或者刺激參數的組合最有利于SSMVEP 的誘導、最有利于提高SSMVEP 的信噪比和識別精度尚缺少定論。基于現有的研究結果，有學者提出SSMVEP 運動刺激參數的選擇趨勢很可能集中在小型、綠色、高頻刺激上[6]。

3 SSMVEP 的信號處理方法

增強SSMVEP 的信噪比，提高基于SSMVEP的BCI 的性能不只是依靠運動刺激方式的改進和運動刺激參數的選擇，改進SSMVEP 的信號處理方法也是一個很重要的方面。SSMVEP 的峰值能量主要集中在運動方向變化率上，對2 個相反方向運動的視覺感知尤為突出[26]，因此，方向變化率或者稱為運動逆轉頻率是SSMVEP 的基頻，第一次諧波頻率就等于運動周期的頻率。總體說來，SSMVEP 的平均幅值雖然小于傳統SSVEP 的幅值，但SSMVEP 的能量集中，頻譜中只有1 個顯著的峰值，其對應于運動反轉頻率，SSMVEP這種頻率簡潔的特點使得SSMVEP 更易于從復雜的背景腦電信號中提取出來。SSMVEP 信號的識別準確率的提高對于基于SSMVEP 的BCI 系統性能的提升非常重要[6]。

SSMVEP 的信號處理和特征分析的核心思想就是基于刺激頻率的特征識別。目前，SSMVEP的信號特征分析方法有多種。功率譜密度分析[27]（power spectral density analysis，PSDA）是提取SSVEP響應頻率的傳統方法，也可以用來分析SSMVEP。PSDA[28]方法具有計算成本低、魯棒性強的優點，但當數據段未被截斷為相應激勵頻率的整數周期時，存在頻譜泄漏嚴重的缺點[29]。2006 年，Lin 等[30]將典型相關分析(canonical correlation analysis,CCA)應用于SSVEP，取得了較好的效果。后來此方法廣泛應用于SSVEP 的信號識別。CCA 是對2 個多變量矩陣進行線性變換，使變換后的2 個集合具有最大的線性相關性，是揭示2 組多變量矩陣之間線性相關性的非參數方法。與PSDA 相比，CCA 方法可以將多通道信號的數據進行組合，提高了SSVEP 的信噪比和目標識別精度。值得一提的是，CCA 的優勢在于分析高通量腦電記錄通道所采集的數據。當腦電記錄通道數量較少時，CCA 的識別精度可能會急劇下降[28]。SSMVEP 是SSVEP 的一種，因此，目前SSMVEP 信號的識別算法，絕大部分也都采用CCA。隨著機器學習和深度學習在信號處理領域的快速發展，各種深度學習算法也被用在了SSMVEP 的分類以及基于SSMVEP 的BCI 特征提取和模式識別上。Jia 等[31]在2017 年提出了一種基于分離特征學習的DBN（deep neural network）結構，用于SSMVEP 信號的分類，研究結果表明，與傳統的CCA 方法相比，此方法具有更強的魯棒性，能在較短的響應時間內實現較高的SSMVEP 判別精度和更低的主體間變異性，表明了DBN 結構在SSMVEP 檢測中的應用能力。目前，基于深度學習的數據處理算法能夠較好地提升基于SSMVEP 的BCI 的系統性能，但尚不能替代CCA，CCA 依然是SSMVEP 最常使用的信號處理方法。

4 SSMVEP 在BCI 中的應用

基于SSMVEP 的BCI 系統在醫療及娛樂等領域已有了廣泛的應用。SSMVEP 是在SSVEP 的基礎上發展起來的，因此，基于SSMVEP 的BCI 系統類似于基于SSVEP 的BCI 系統，其最為廣泛的應用是拼寫器[10-11,20,32]，基于SSMVEP 的拼寫器系統可以實現癱瘓患者利用腦電信號與外界交流。國內的學者不僅實現了較常見的基于SSMVEP 的英文拼寫系統，并且于2017 年提出了一個基于SSMVEP 的80 個目標的中文拼寫系統[20]，系統中采用振蕩棋盤格來誘導SSMVEP，視覺刺激無閃爍，在線實驗取得了良好的BCI 效果。基于SSMVEP的BCI 系統還可以應用于神經康復訓練[33]，SSMVEP誘導中的運動視覺刺激可以有效激活大腦中的鏡像神經元系統，提高了腦可塑性能力，有助于患者的神經康復[34]。基于SSMVEP 的BCI 系統也有助于臨床眼科疾病的診斷或輔助診斷，2019 年Zheng 等[35]采用同心圓環的振蕩擴張-收縮運動誘發的SSMVEP 來評估眼科檢查項目中的視力和視敏感度，通過改變SSMVEP 誘導中的視覺刺激參數，使運動視覺刺激具有不同的頻率和對比度，用來評估不同的視敏度，使SSMVEP 的誘導成為一種定量測量視敏度的方法。同樣，基于SSMVEP的特性，Nakanishi 等[36]設計了一個可以檢測出青光眼的設備，即nGoggle 設備；徐光華等[37]通過收縮-擴張的棋盤格誘發的SSMVEP，設計了一種可以檢測弱視的裝置。

基于SSMVEP 的BCI 系統也可應用于娛樂領域，例如，2019 年Perez-Valero 等[38]在游戲設計時，將游戲人物的行動軌跡轉化為一定頻率的可以收縮-擴張的環形棋盤，從而誘發出了SSMVEP。

5 SSMVEP 的發展趨勢

SSMVEP 和基于SSMVEP 的BCI 系統必將隨著腦科學和BCI 系統的快速發展而發展，未來SSMVEP 可能朝著以下幾個方面發展：

在SSMVEP 的誘導模式方面，除了進一步深入研究較常使用的運動刺激模式，如徑向收縮-擴張運動方式中的牛頓環和棋盤格，探索新的運動刺激模式或者將常規刺激模式偶聯新的刺激參數將是SSMVEP 的未來發展方向之一。近年來，國內外的科研人員都在圍繞這一方向展開研究，例如，Han 等[39]采用立體運動刺激來誘導SSMVEP，立體三維顯示器可以呈現出具有雙目視差的圖像，這些雙目視差圖像大小的周期性變化即可產生往復性的立體運動刺激，研究結果進一步表明，立體運動刺激誘導的SSMVEP 的幅值和信噪比更大、穩態視覺感知反應更為強烈。建立在3D 技術上的立體運動刺激來誘導SSMVEP，基于SSMVEP 的BCI 系統與虛擬現實或增強現實的融合都是值得進一步深入研究的課題方向。

在SSMVEP 的信號處理方面，現有的深度學習算法雖不能取代最常使用的CCA 方法，但不可否認的是，隨著各種框架的深度學習算法的提出，SSMVEP 識別精度和基于SSMVEP 的BCI 性能都在提高。因此，探索更加強大的深度學習算法來處理SSMVEP 信號將是未來的發展方向。

在SSMVEP 的BCI 應用方面，無閃爍刺激誘導的SSMVEP 在用戶舒適度方面相比于SSVEP 前進了一大步，進一步挖掘基于SSMVEP 的BCI 系統在醫療、娛樂等領域的應用將是未來的研究目標。SSMVEP 聯合其他腦電信號或者其他人體生理信號，如心電信號、肌電信號及眼電信號等。建立多模態的BCI 系統不僅是SSMVEP 的發展需求，而且也是整個BCI 系統的發展需求。SSMVEP 多模態BCI 系統的發展將進一步增強基于SSMVEP的BCI 系統的性能，提高BCI 在復雜現實環境中的準確性和可靠性，最終實現基于SSMVEP 的BCI 系統的便攜性、實用性和大眾化。