群體廣泛適用的SSVEP腦機接口研究

張智超,劉彤軍,劉 琦,周麗麗

(黑龍江省科學院智能制造研究所,哈爾濱 150090)

0 引言

隨著軟硬件條件的發展,高精度采集技術日益成熟,伴隨神經動力學模型進一步豐富,腦機接口(Brain Computer Interface,BCI)的腦電采集得到了更多的理論支撐,并逐步實現了應用[1]。腦機接口技術是新一代人機交互的關鍵核心技術,腦機接口的研究將促進我國腦科學與類腦智能研究的進一步發展。國家“十四五”規劃部署了5項腦科學研究重點領域,其中腦機融合納入了重點技術研究范疇。在腦機接口研究中,SSVEP具有時間分辨率高、數據訓練快的特點,可快速得到有效特征,對于腦機接口技術的廣泛應用研究更具優勢[2]。在現有研究的基礎上發現,于相同的視覺刺激頻率下,不同個體的SSVEP響應存在差異,需規避針對個體的優化訓練,進一步改進信號處理網絡,實現可群體適用的信號處理分類算法[3]。

1 可群體適用的常用腦電信號對比

非侵入式腦機接口在群體使用上有著便攜的優勢[4]。血液動力學中的fMRI有很好的空間分辨率,但時間分辨率、便攜性及成本都不適用于群體應用。電動力學的EEG與MEG可有效解決此問題。EEG與MEG相比,MEG的信息素更全面精準,而EEG對使用環境要求低,便于群體應用[5]。

表1 常用腦電信號特點對比

EEG的生理學原理是神經元的傳導過程中會產生較大的電磁信號,腦電采集設備采集的是一群神經元的共同放電,實際上很難獲得單一神經元的情況,這類采集信號只是很多神經元信號的一個共同結果,空間上的分辨率很低,但時間分辨率較高,可以捕獲毫秒級別的神經沖動[6]。

在腦機接口研究中,EEG信號種類根據空間位置劃分為以下3種:穩定頻率的視覺誘導引發電位(Steady-State Visual EvokedPotential, SSVEP)、P300電位及運動想象電位(Motor Imagery, MI)[7]。前兩者通過外部刺激誘發后,在大腦皮層產生腦電信號,分別通過固定頻率視覺刺激及稀有事件刺激作為誘發因素,后者屬于內源性大腦神經元放電產生的電信號。內源自發腦電信號與外源誘發腦電信號相比,外援誘導引發的大腦自放電活動采集的腦電信號特征明顯利于解析,可減少分類過程中的數據訓練,快速得到有效特征,用于實際應用,對于腦機接口技術的廣泛應用更具優勢。

表2 EEG信號的優點

對應不同類型的腦電存在不同的腦機接口范式,如內源性的運動想象(Motor Imagery,MI),外源性的誘發腦電SSVEP、P300范式?；趦仍措娢环妒降哪X機接口系統往往需要對被試進行大量訓練,個體間模式差異大且識別率較低?；谕庠葱缘恼T發式電位范式的腦機接口系統,被試訓練難度低,其中SSVEP范式具有穩定、指令集豐富、信息傳輸速率高等優點[8-9]。

穩態視覺誘發電位(Steady-state VEP,SSVEP)是使用固定頻率快速穩定地對受試者進行視覺刺激,引起大腦枕葉皮層電位響應,這些響應的重疊產生穩態的振蕩(Steady-state oscillation)。這種信號是一種具有連續性及特異性的腦電信號,與誘發信號的刺激頻率有關。這種視覺誘發刺激的腦電信號的頻率特征與刺激信號頻率息息相關,不同被試者反應特征明顯,個體差異很小,在腦機接口技術中適合群體廣泛應用[10-11]。

2 基于相關成分分析提高SSVEP腦機接口的可移植性

穩態視覺誘發電位是對被試者施加一個固定頻率的視覺誘發刺激,要求被試者集中注意注視刺激源,在大腦枕葉皮層中產生響應,通過腦電BCI平臺將這種響應提取,進行信號處理,得到有效的信息輸出。過程原理如圖1所示。

圖1 穩態視覺腦機接口工作過程原理Fig.1 Principle of steady state visual BCI working process

在腦電信號的預處理方面,SSVEP原始信號通常包含來自于感官的生理電信號及雜波干擾信號。SSVEP的信號處理主要目的是去除信號干擾,提高信號的信噪比,常用方法是濾波去噪聲。本研究的BCI系統預處理除硬件層面的陷波濾波,還對采集數據進行了數據分割及優化。

在腦電信號的特征提取方面,針對群體廣泛適用性需具備的特點,結合任務相關成分分析TRCA及SSCOR分析方法的優點,特征提取算法采用高效、低訓練成本、通用可移植的分析方法解決BCI特征提取問題。新方法充分利用TRCA方法在不同數據長度下準確率高、可重復性高的特性及SSCOR個體校準數據優化,形成公共SSVEP表示空間、預定義的正弦-余弦信號及測試數據,獲得空間濾波器,以提高SSVEP的特征相關性。

新方法主要通過分析3組信號特征進行信號處理,根據訓練人員之間的信號特征,將相似度接近的5人劃分為一個群體,根據群體中5人的信號特征預定義正余弦信號。根據測試人員與預定義信號的匹配度選擇預定義信號,對被測人員采集的信號進行分類處理。該方法的優點是基于CCA的準確性通過對少量樣本的訓練得到預定義信號,防止訓練人員信號偏差大,預定義多組信號,達到預分類效果。對被測人員進行測試,匹配預定義信號,進行精準分類,以增強信號處理的高移植性,提高腦機接口的群體廣泛適用性。

圖2 信號處理原理Fig.2 Signal processing principles

腦電信號的分類識別為外部設備生成控制信號。分類與特征提取是緊密交織在一起的,分類主要完成刺激頻率的檢測。

3 評價指標及實驗設計

誘發信號為12幅圖片組成的頻閃圖片,由12幅圖片組成類9宮格漢字拼寫鍵盤,輸出漢字語句。由于漢字拼寫過程需要不同字母、不同個數的多字符組合,不能以漢字拼寫的成功率做為實驗評價指標,故以訓練次數、字符及字符選擇成功率做為評價指標。

圖3 誘發圖片Fig.3 Induced image

3.1 實驗設計

為了探究穩態視覺誘發下枕葉皮層電位的潛在變化,進行了一系列的實驗。訓練組人員過少會降低標準信號的廣泛適用性,訓練組人員過多會增加訓練時間,信號在廣泛適用過程中準確率提升不明顯,故在5名訓練組人員身上進行訓練,得到綜合標準信號,完成設備調試,再對被試組進行腦電采集,驗證該設備的群體適用性。

3.2 實驗步驟

實驗招募了25名年齡為20～45歲的健康被試者。所有被試者都接受了實驗前的健康檢查,且沒有任何神經系統疾病或其他健康問題。實驗使用8通道10電極的EEG采集裝置,按照常用的國際腦電10-20系統進行腦電極布置,采集位置為枕葉區O1、Oz、O2、P3、P1、Pz、P2、P4共8個點位,每個通道都記錄了不同點位的電位變化,另外兩個為參考電極。數據采集前對每個受試者進行詳細的實驗操作指導,以確保數據質量及一致性。

實驗過程中,被試者需要坐在舒適的座位上,在距離眼睛約1 m的距離觀看一塊屏幕,屏幕上不斷閃爍出現12幅不同的數字及符號,用來選擇所要輸入的字母,需通過看到的圖片按照試驗任務進行拼寫,如屏幕上出現1時會出現漢字,選擇想要的漢字,以此類推識別50張圖片。

參與者的EEG信號經過前置放大器放大,傳輸到計算機中進行記錄及分析。計算機分析軟件可輸出各通道波形,主屏幕由漢字拼寫器及完成語句實現。

4 實驗結果分析

實驗設計有時會影響基于SSVEP的腦機接口識別性能。對訓練組人員進行訓練,將5名腦電信號接近的人標記為一個群體,預定義標準信號,對25名被試者進行實驗,每個被試者需完成50個字符的采集,針對不同受試者進行3組實驗,結果如表3。

表3 建立標準模型后的測試結果

對上述數據進行分析:單人三次測試,字符識別成功次數均出現準確率下降的情況,原因可能與SSVEP會引起視覺疲勞有關。訓練組平均成功率可達89.33%～92.66%,去掉一名低于70%的腦機接口盲被試者,其他測試組成員成功率達到74.00%～87.33%。訓練組第一次測試平均成功率為95.60%,被試組第一次測試平均成功率為86.72%。對于成功率不超過70%的人員,將EEG特征數據標記,做為一個新的群體分類,當樣本數據量達到5人時,則預定義一組標準模型,加入分類數據庫。

5 結論

該方法結合現有研究成果改進分類思想與分類步驟,具有快速訓練樣本、廣泛適用等特點。采集過程中針對特殊腦機接口盲群體繼續搜集樣本,當該群體樣本量充足時,可增加群體預定義模型,提高群體適用性。該方法存在的問題是樣本受地域群體限制,一致性較高,為實現群體性廣泛應用,需增加更多的群體預定義標準模型。因采集工作具有高隨機性,形成新的群體模型在樣本數量低時,腦機群體盲群體個體的EEG信號差距較大,難以重新建立新的群體預定義標準模型。

腦機接口的群體適用需研究群體差異性,故設計通用性系統是未來的研究方向。未來腦機接口將廣泛應用于醫療康復、人機交互等領域,依托腦科學與高性能硬件的發展及算法的更新迭代,腦機接口研究將更關注群體適用特性,實現產業化落地,帶動全產業鏈的發展。