劉福偉 童基均 李琳

摘 要：提出一個多頻率刺激源誘發(fā)的穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）腦—機接口系統(tǒng)，針對時域腦電信號特征維數(shù)過多等問題，采用一種局部線性嵌入算法（LLE）對經(jīng)過預處理的腦電數(shù)據(jù)進行降維。實驗結果表明，隨著分析時間窗的增大，經(jīng)典功率譜密度分析（PSDA）與典型相關分析（CCA）等方法相比，基于LLE的非線性數(shù)據(jù)降維方法具有一定優(yōu)勢。當時間窗為1.65s時，其分類準確率達92.92%，信息傳輸率達59.62 bits/min，遠遠優(yōu)于其它方法。

關鍵詞：腦—機接口;穩(wěn)態(tài)視覺誘發(fā)電位;局部線性嵌入算法

DOI：10. 11907/rjdk. 191831 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP303文獻標識碼：A 文章編號：1672-7800（2020）005-0014-05

0 引言

腦機接口被稱為大腦端口或者腦機融合感知，是動物大腦與外部設備建立的直接連接通路[1]。腦機接口技術（Brain-Computer Interfaces，BCI）是一種涉及神經(jīng)科學？、信號檢測、信號處理？、模式識別等多學科的交叉技術，是一種新型的人機交互技術，它通過不間斷地監(jiān)控大腦活動中與人意圖相關的腦部信息實現(xiàn)與外部交流[2-3]，實現(xiàn)了人類思維對外部設備的直接控制。目前，可用于BCI的人腦信號主要有：腦磁圖（Magnetoencephalogram，MEG）、腦電圖（Electroencephalography，EEG）和功能性核磁共振圖像（Functional Magnetic Resonance Imaging，F(xiàn)MRI）[4]。EEG技術由于安全、成本較低等優(yōu)點，其在BCI的研究中應用最為廣泛[5]。

誘發(fā)電位也稱誘發(fā)反應，是指給神經(jīng)系統(tǒng)某一部位特定刺激，相應部位產(chǎn)生的生物電反應[6]。目前，誘發(fā)電位方式主要分為視覺誘發(fā)電位、聽覺誘發(fā)電位和機體覺誘發(fā)電位[7-8]。而穩(wěn)態(tài)視覺誘發(fā)電位（Steady State Visual Evoked Potential，SSVEP）是指以大于6HZ頻率的閃光刺激眼睛視網(wǎng)膜時，大腦信號調制同時產(chǎn)生的節(jié)律性周期，其表現(xiàn)在EEG上是在對應刺激頻率或其諧波上出現(xiàn)譜峰[9-10]。換言之，穩(wěn)態(tài)視覺誘發(fā)電位（Steady State Visual Evoked Potential，SSVEP）是視覺部分對于高頻率刺激的物理反應，其具有明顯的特征信號、節(jié)律同化和周期性現(xiàn)象，而且信號噪聲比其它方式大[11-12]。由于SSVEP具有更高的信息傳輸率、系統(tǒng)和實驗設計更加簡便以及需要訓練的次數(shù)少等優(yōu)點[13]，因此許多腦電研究者將SSVEP應用于腦機接口系統(tǒng)中。

功率譜密度分析（Power Spectral-Density Analysis， PSDA）和典型相關分析法（Canonical Correlation Analysis，CCA）是目前SSVEP腦機接口系統(tǒng)中傳統(tǒng)頻率識別方法[14-15]。為了分析功率譜信息，PSDA通過傅里葉變換將原始信號從時域變換到頻域[16]。CCA是研究兩組變量相關關系的一種統(tǒng)計方法，這種方法相較于快速傅里葉變換的譜估方法無論時間長短，其都具有更強的抗噪性[17]。但是CCA不能完全構建出真實的電信號成分，導致提取效果不太理想，針對此問題，研究者大都熱衷于研究改進的CCA算法[18]。1996年，Tibshirani等[19]提出一種嘗試尋找稀疏解的最小絕對收縮和選擇算子（Least Absolute Shrinkage and Selection Operator，LASSO），其被首次運用于解決SSVEP的識別問題。這種算法比原始CCA具有更高的信息傳輸率，縮短了識別所需時間，從而提高了基于SSVEP的腦機接口系統(tǒng)實時性。

1 研究方法

1.1 實驗設計及數(shù)據(jù)采集

實驗中使用4個LED燈作為刺激源誘發(fā)SSVEP系統(tǒng)。實驗數(shù)據(jù)采集過程中的硬件擺放位置如圖1所示，左上、右上、左下、右下分別放置一個淺綠色燈光的LED燈作為刺激源，4個LED燈對應的中頻段分別是13Hz、15Hz、17Hz、19Hz。

實驗開始時，顯示器屏幕左下方深藍色小方塊上的白色箭頭提示將要移動的方向，之后屏幕上對應方向的綠色小方塊變紫色，并發(fā)出蜂鳴聲，顯示器外側的LED燈在兩秒后開始閃爍，持續(xù)時長為4s。

本實驗共有9名受試者，其中女性2位，男性7位。受試者視力均正常，年齡在22.4+3.1，受試者沒有精神方面的疾病且沒有家族遺傳史。在實驗過程中受試者不能有眨眼睛、移動、點頭等動作，要專心致志地注視LED燈，若在此過程中受試者有任何不適則立即停止實驗。

本實驗信號的采集設備為GES400，實驗環(huán)境：安靜、舒適;實驗地點：腦電信號研究實驗室。32個電極按照國際10-20標準放置，如圖2所示。頭皮與導聯(lián)電極之間的偏置電壓設置為50V以下，采樣頻率為2 048Hz。

1.2 數(shù)據(jù)預處理

因實驗環(huán)境問題在實驗過程中不可避免產(chǎn)生一些誤差噪聲而影響實驗結果。為解決此問題，需對原始腦電信號進行預處理。

高頻腦電信號在傳播過程中會受到顱骨抑制，造成SSVEP的能量只處于前期，因此本實驗的SSVEP能量只能從前3次的諧波中獲取，如圖3（a）所示。為了去除后期無用的頻率段，本實驗首先使用一個4階帶通為12～60 Hz的巴特沃斯濾波器濾除噪聲和直流漂移等頻段，然后使用公共平均參考法做電極參考，進而除去腦部公共活動成分。公共參考法如式（1）。

1.3 空間濾波

數(shù)據(jù)預處理可有效解決系統(tǒng)誤差對實驗結果造成的影響，但是獲取的腦電信號較為微弱、能量不集中[20]，其對噪音比的增強受到限制。因此，對預處理后的數(shù)據(jù)還需通過空間濾波增強噪音。關于空間濾波的研究較多，但這些方法應用在多頻率的SSVEP濾波上存在很多不足。例如PCA是建立在完全無關基礎上選擇最大值作為空間濾波器，但SSVEP信號與其它腦電信號具有一定關聯(lián);共空間模式的原理是利用矩陣對角化，找到最優(yōu)的空間濾波器進行投影，使兩類信號差異最大化，從而增強信噪比，但是共空間模式需事先構造刺激和非刺激腦電片段，過程較為繁瑣;ICA方法需事先知道頻率才能選擇濾波器。結合各種因素和情況，使用電極選擇和簡單加權融合方法雖沒有達到預期最佳效果，但適用性非常廣，沒有必要根據(jù)個體差異分別選擇空間濾波器。最常用的空間融合方法是拉普拉斯融合，其原理是使用式（3）的加權系數(shù)計算中間電極信號與周圍同距電極信號的差，去除局部共同噪聲達到增強SSVEP信噪比的目的。

1.4 局部線性嵌入算法

2000年，Roweis&Sa[21]提出了一種局部線性嵌入算法（Locally Linear Embedding，LLE），該算法主要針對非線性信號的優(yōu)化問題，通過線性逼近全局，將高維空間映射到低維空間，通過觀察小區(qū)域里點與點之間的關系，提取嵌入在高維空間里的低維子空間。

LLE算法是將數(shù)據(jù)集[X={x1，x2，x3，x4，？，xn}，xi∈Rd]映射到數(shù)據(jù)集[Y={y1，y2，y3，y4，？，yn}，yi∈Rm（m

Step1：局部近鄰點選取。對于上文提到的數(shù)據(jù)集[X={x1，x2，x3，x4，？，xn}，xi∈Rd]在高維空間尋找每個樣本點[xi]的[k][（k

將問題轉換為求[M]的[m]個最小非零特征值[Y]對應的特征向量問題，從小到大對[M]的特征值進行排序，一般情況下[M]的最小特征值都接近于零，因此取第2到[m+1]之間的特征值所對應的特征向量組成列向量，作為[N？m]（假設有[N]個數(shù)據(jù)點）的數(shù)據(jù)表達矩陣[Y]。

2 結果與分析

2.1 預處理效果

數(shù)據(jù)預處理效果如圖4所示，t表示時間（單位是s），U表示電壓（單位uv），圖4（a）是處理前的效果，圖4（b）是處理后的效果。圖4（a）的腦電信號由于噪聲的存在其波動幅度較大，頻率較高且分布散亂，沒有規(guī)律。經(jīng)過處理后的圖4（b）噪聲被消除，其信號波動幅度和頻率比較有規(guī)律，為后續(xù)實驗提供了一個標準輸入。

2.2 時間窗長度對分類準確率的影響

系統(tǒng)正確輸入指令占所有輸入指令的比例稱為分類準確率，是腦機接口系統(tǒng)常用的評價指標。圖5和表1是不同時間窗下PSDA、CCA和LLE三種方法的平均分類準確率。初始時間窗長度是0.25s，步長0.1，最大時間窗長度為1.6。結合圖6和表1可以看出，隨著時間窗長度的增加，3種方法的分類準確率都相應提升。當時間窗長度小于0.6s時，基于流形學習的非線性數(shù)據(jù)降維方法（LLE）的分類準確率最高，3種方法的平均分類準確率差異較大。當時間窗長度大于0.6s時，3種方法的平均分類準確率相差無幾。在最大時間窗下平均分類準確率最高的是基于流形學習的非線性數(shù)據(jù)降維方法（LLE）。

2.3 時間窗長度對信息傳輸率的影響

每分鐘系統(tǒng)傳輸?shù)男畔⒘慷x為信息傳輸速率（Information Transfer Rate，ITR），是腦—機接口中的一個重要評價指標。ITR的定義如式（10）和式（11）所示。

其中，[N]是腦機接口可執(zhí)行的指令總數(shù)，[P]為分類準確率，[V]為單位時間內執(zhí)行的指令個數(shù)，每個命令被執(zhí)行的概率相同。如圖6所示，ITR表示信息傳輸率，t表示時間窗長度，圖6是3種算法在不同時間窗長度下平均信息傳輸率變化情況。如表2所示，t表示時間窗長度，對應值為時間窗長度在增加0.2s情況下的平均信息傳輸率。

由圖5可以看出，隨著時間窗長度的增加，3種算法的分類準確率呈升高趨勢，圖6中隨著時間窗長度的增加平均信息傳輸率呈下降趨勢。信息傳輸率由時間窗長度和分類準確率共同決定，但綜合圖5和圖6可以看出，時間窗長度對平均信息傳輸率的影響更大。

綜合分析圖6和表2可知，3種算法平均信息傳輸率隨著時間窗長度的增加都呈現(xiàn)下降趨勢。在時間窗長度小于0.6s時，LLE的平均信息傳輸率最大，CCA的平均信息傳輸率大于PSDA。在最短時間窗下3種算法的平均信息傳輸率差距最大。當時間窗長大于0.6s時，3種算法的平均信息傳輸率基本相同，且下降都比較緩慢。

2.4 不同個體間差異

因環(huán)境、情緒不同會導致同一個體的腦電信號變化，這種變化在不同的個體間更加突出。如表3所示，t表示時間窗長度，對應值是不同個體在時間窗長度增加0.2s情況下的分類準確率，在0.25s窗口長度下，S1和S4的分類準確率都在80%以上，S6、S7、S8、和S9都在70%以下。在時間窗長度為1.05s情況下，所有個體的分類準確率都達到了80%以上。在時間窗長度為1.65s時，除S9外，其它個體的分類準確率甚至達到了90%以上。

綜合分析可知，隨著時間窗長度的增加，大部分個體分類準確率都呈上升趨勢，只有少數(shù)個體在某一時間窗長度下會出現(xiàn)下降趨勢。例如，在時間窗長度為1.25s時，S1、S5、S7和S8的分類準確率比時間窗長度為1.05s情況下的分類準確率低。標準差隨著時間窗長度的增加不斷縮小。

不同個體同一時間窗長度下的分類準確率不同，主要是因為：一是不同個體間的心理活動和生理結構不相同;二是每個受試者的參與專注度不同。

3 結語

隨著IT技術的快速發(fā)展，腦機接口技術相關研究也越來越多。以往研究中所運用的腦機接口技術都有很大缺陷，如一些技術需要經(jīng)過大量訓練，可能因數(shù)據(jù)不足導致訓練結果不理想等。為解決此問題，出現(xiàn)了一些不需要訓練的技術，如本實驗所用的SSVEP。SSVEP具有響應強度高、誘發(fā)速度快、不需要訓練等優(yōu)點，但也存在腦電信號微弱、隨機性強等缺點，若直接使用SSVEP信號波形作為腦—機接口輸入，則無法有效識別視覺刺激頻率。針對此問題，本文使用拉普拉斯融合方法，先對多通道腦電信號運用空間濾波增強信噪比，再用局部線性嵌入算法對空間濾波處理后的信號進行降維，將原始空間不可分的腦電數(shù)據(jù)投影到高維空間，使其變得線性可分，經(jīng)過降維后，腦電數(shù)據(jù)特征減小，數(shù)據(jù)復雜度降低，分類準確率提升。實驗結果表明，運用此方法在多頻率識別的SSVEP腦—機接口系統(tǒng)中是可行的。在短時間窗長度下，LLE的分類準確率比CCA和PSDA的分類準確率高。綜合分析可知，隨著時間窗長度的增加，分類準確率呈上升趨勢，但在時間窗長度達到某一特定值時，3種方法的分類準確率基本相同。在短時間窗下LLE的平均信息傳輸率最高，隨著時間窗長度的增加，3種方法的平均信息傳輸率均呈下降趨勢。對于離線的腦機接口系統(tǒng)，一般只考慮分類準確率對系統(tǒng)性能的影響，對于平均信息傳輸率一般都會忽略不計。因此，大部分研究者都會通過提高分類準確率優(yōu)化和改善系統(tǒng)性能。真正做好一個腦機接口系統(tǒng)需要考慮的因素極其復雜，如系統(tǒng)高效性、便捷性等，應選擇最佳時間窗長度，均衡其對分類準確率和平均信息傳輸率的影響，提高腦機接口系統(tǒng)性能。

參考文獻：

[1] 邱詩元. 基于腦機接口的機械臂遙操作控制[D]. 廣州：華南理工大學，2017.

[2] KOSMYNA N，TaARPIN-BERNARD F，RIVET B. Adding human learning in brain——computer interfaces （BCIs）[J]. ACM Transactions on Computer-Human Interaction， 2015， 22（3）：1-37.

[3] 優(yōu)化思維任務模式的MI-BCI技術研究[D]. 天津：天津理工大學，2016.

[4] 基于視覺誘發(fā)電位的腦—機接口分析算法優(yōu)化及實時控制系統(tǒng)構建[D]. 上海：華東理工大學， 2013.

[5] 楊幫華，李博. 基于腦機接口的康復訓練系統(tǒng)[J]. 系統(tǒng)仿真學報， 2019，31（2）：12-18.

[6] 楊健，王昕. 誘發(fā)電位在兒科臨床的應用[J]. 國際兒科學雜志，2009，36（6）：658-660.

[7] 師娟. 腦干聽覺誘發(fā)電位在眩暈中的應用價值[J]. 中外醫(yī)療，2017，36（36）：96-97.

[8] 丁佳，張娟，王索剛. 基于視覺雙特征的并行聯(lián)合腦-機接口范式的研究[J]. 科學技術與工程， 2015， 15（10）：37-41.

[9] 郭湛超，覃玉榮，趙隆. 視覺通路下閃光刺激對SSVEP影響的仿真研究[J]. 電子測量與儀器學報，2016， 30（4）：653-659.

[10] 張振昊，張智君. 視覺穩(wěn)態(tài)電位的基頻和諧波對注意的響應機制[C]. 第二十屆全國心理學學術會議——心理學與國民心理健康摘要集，2017.

[11] 李東閣. 不同灰度值刺激產(chǎn)生的穩(wěn)態(tài)視覺誘發(fā)電位比較[J]. 中國醫(yī)學物理學雜志， 2019（3）：340-343.

[12] FERNANDEZ-FRAGA S M，ACEVES-FERNANDEZ M A，RODRíGUEZ-RESENDíZ J， et al. Steady-state visual evoked potential （SSEVP） from EEG signal modeling based upon recurrence plots[J]. ?Evolving Systems， 2017，10（2）：97-109.

[13] 楊俊宇. 基于SSVEP的腦機接口系統(tǒng)研究與設計[D]. 南京：南京郵電大學，2015.

[14] WANG R，WEN W，IRAMINA K，et al. The combination of CCA and PSDA detection methods in a SSVEP-BCI system[C]. Shenyang：Intelligent Control & Automation，2015.

[15] 楊紅粉. 頻域技術應用于點云配準研究[D]. 地理信息世界，2015，22（3）：78-82.

[16] YU Z，ZHOU G，ZHAO Q，et al. Multiway canonical correlation analysis for frequency components recognition in SSVEP-based BCIs[C]. International Conference on Neural Information Processing，2011：287-295.

[17] 笪鋮璐，陳志陽，黃麗亞. 基于CCA的SSVEP性能研究[J]. 計算機技術與發(fā)展， 2015（5）：52-55.

[18] 李明愛，梅意城，孫炎珺，等. 眼電偽跡自動去除方法的研究與分析[J]. 儀器儀表學報， 2014（11）：2515-2523.

[19] 王瑞敏. 基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口的研究[D]. 南京：南京理工大學，2015.

[20] 康莎莎. 多類運動想象腦電信號的識別及其在BCI中的應用[D]. 合肥：安徽大學，2016.

[21] ROWEIS S. T.Nonlinear Dimensionality reduction by locally linear embedding[J]. Science， 2000， 290（5500）：2323-2326.

（責任編輯：孫 娟）