廣東工業(yè)大學(xué) 盧芳安

腦機(jī)接口（BCI）系統(tǒng)旨在大腦和計(jì)算機(jī)之間建立直接連接，這可以幫助重度殘疾人表達(dá)其意圖或控制設(shè)備而無需肌肉運(yùn)動，從而摒棄了人類最初的肌肉系統(tǒng)和外周神經(jīng)。常見的腦機(jī)接口系統(tǒng)主要有基于運(yùn)動想象（MI）、基于P300以及基于穩(wěn)態(tài)視覺誘發(fā)（SSVEP）。由于SSVEP信號具有較好的信噪比，并且經(jīng)過較少的訓(xùn)練就能很好的進(jìn)行誘發(fā)，同時還能簡單的從大腦表皮采集到，因此已經(jīng)成為了BCI技術(shù)領(lǐng)域的研究的熱點(diǎn)。因此對SSVEP信號的檢測和分類也成為了研究者們研究的重點(diǎn)。

典型相關(guān)性分析（CCA）算法運(yùn)用到SSVEP信號檢測中，因?yàn)槠溥\(yùn)用到多通道分析，所以效果會比PSD單通道腦電信號分析有很大的提升。2018年，任務(wù)相關(guān)成分分析（TRCA）在SSVEP分類中的分類效果明顯。該方法是通過TRCA算法求投影濾波矩陣，然后將測試信號進(jìn)行濾波求相關(guān)系數(shù)。最近，基于廣義典型相關(guān)性分析（generalized canonical correlation，GCCA）的潛在共源提?。↙atent common source extraction，LCSE）框架被提出，該方法在分類精度和信息傳輸率上都優(yōu)于TRCA算法。我們在該框架的基礎(chǔ)上提出了一種擴(kuò)展廣義典型相關(guān)性分析（Extended canonical correlation analysis，Exd-GCCA）。Exd-GCCA在分類精度和信息傳輸率較LCSE都有所提升。

1 研究方法

1.1 潛在共源提取框架

LCSE是基于GCCA方法來實(shí)現(xiàn)的一種方法，GCCA基于MAXVAR公式求解模型表示如下：

式中G表示潛在的公共源向量，Wj表示每次試驗(yàn)對應(yīng)的空間濾波器，也是我們所要求的解，Xj表示每次試驗(yàn)得到的SSVEP信號。公式（1）最終的優(yōu)化解為：

其中，G的求解我們可以通過以下的方法求得：

rj I是為在求解過程中防止過擬合而加入的正則化參數(shù)，G的最終可以表示為矩陣M的前幾個最大特征值對應(yīng)的特征向量構(gòu)成的矩陣。本文中我們采用的是M矩陣的前三個最大特征值對應(yīng)的三個特征向量構(gòu)成的矩陣。最終W表示為：

1.2 擴(kuò)展的廣義典型相關(guān)分析

Exd-GCCA是基于LCSE框架進(jìn)行改進(jìn)的方法，主要是將每個刺激頻率對應(yīng)的參考模板和測試信號經(jīng)過該刺激頻率對應(yīng)的空間濾波器進(jìn)行投影之后求得最大相關(guān)系數(shù)，然后將這些相關(guān)系數(shù)通過公式（5）來求和作為測試信號的分類識別相關(guān)系數(shù)。Exd-GCCA模型的框架如圖1所示。

公式（7）中的使用sign（·）是直接調(diào)用MATLAB中的sign函數(shù)。

圖1 Exd-GCCA模型

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

這項(xiàng)研究是在清華大學(xué)開源SSVEP基準(zhǔn)數(shù)據(jù)集上進(jìn)行的，其中包含35名正常/矯正視力的受試者。數(shù)據(jù)是使用基于指導(dǎo)目標(biāo)選擇的BCI實(shí)驗(yàn)在40個目標(biāo)上收集的。標(biāo)有8Hz到15.8Hz之間均勻間隔的頻率的目標(biāo)。

每個受試者的實(shí)驗(yàn)數(shù)據(jù)由六個block組成，每個block包含了40次實(shí)驗(yàn)每個試驗(yàn)總共持續(xù)6s，其中包括視覺提示0.5s和刺激抵消0.5s，然后再進(jìn)行下一個試驗(yàn)。

2.2 數(shù)據(jù)預(yù)處理

采集到的數(shù)據(jù)最后被處理成mat格式的數(shù)據(jù)集，每個受試者的數(shù)據(jù)集是一個4維的數(shù)組（64,1000,40,6），這四維數(shù)組分別代表腦電通道、采樣點(diǎn)、刺激頻率和試驗(yàn)次數(shù)。本文所做實(shí)驗(yàn)的通道是選擇了Pz、PO5、PO3、Poz、PO4、PO6、O1、Oz、O2等9個通道進(jìn)行分析，采樣頻率為250Hz。在本文的實(shí)驗(yàn)中考慮到視覺潛伏期和分析中使用的EEG數(shù)據(jù)長度l，以間隔[0.14s，(0.14+l)s]提取數(shù)據(jù)。將提取到的實(shí)驗(yàn)數(shù)據(jù)用IIR型帶通濾波器進(jìn)行7-90Hz的帶通濾波。

本文研究還采用了濾波器組分析進(jìn)行預(yù)處理，該方法可以分成兩個步驟進(jìn)行處理以提高整體性能。在訓(xùn)練數(shù)據(jù)上應(yīng)用濾波器組的第m個子帶后，測試數(shù)據(jù)在模板中，針對第m個子帶和第n個刺激計(jì)算目標(biāo)檢測的相關(guān)特征。所有子帶的相關(guān)特征的加權(quán)平方和用于目標(biāo)分類：

公式（7）中，m是子帶的索引，M是子帶的數(shù)量。為了補(bǔ)償諧波分量隨目標(biāo)頻率的增加而降低的信噪比，將子帶權(quán)重設(shè)置為最后識別的公式為：

其中，T(n)就是公式（5）中求得的相關(guān)系數(shù)經(jīng)過公式（7）的計(jì)算得出來的系數(shù)向量。

2.3 性能評價

使用分類精度準(zhǔn)確性和ITR來比較本研究中三種方法的性能。分類任務(wù)是通過使用留一法的交叉驗(yàn)證方法進(jìn)行評估的（五次試驗(yàn)用于訓(xùn)練，一次試驗(yàn)用于測試，并且該過程重復(fù)六次）。通過將凝視移動時間設(shè)置為0.5s估算所有受試者的模擬ITR。ITR的求解如公式（9）所示：

其中：P是分類精度，而T是選擇的平均時間。這項(xiàng)研究使用不同的T（目標(biāo)注視時間：0.2s至1.4s，間隔為0.2s；注視移位時間：0.5s）計(jì)算了分類性能。當(dāng)P為1時，公式（9）中的為0的項(xiàng)可以去掉。

圖2 分類精度和信息傳輸率

2.4 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)使用了TRCA、LSCE兩種方法和Exd-GCCA進(jìn)行了對比。時間窗口從0.2s取到1.4s，間隔是0.2s，總共取了7個時間段的實(shí)驗(yàn)數(shù)據(jù)。對SSVEP基準(zhǔn)數(shù)據(jù)集的35個受試者都進(jìn)行了實(shí)驗(yàn)，分別計(jì)算他們的分類精度和信息傳輸率。35個受試者在7個時間段的平均分類精度和平均信息傳輸率如圖2所示。

從圖2中可以看到Exd-GCCA方法在分類精度和信息傳輸率上都比其他兩個方法要好，尤其是我們的方法在時間窗口較短時效果更加明顯，在時間窗口長度較低時獲得更高的分類精度可以獲得更高的信息傳輸率，我們平均信息傳輸率在0.8s的時候最高。

當(dāng)提取的數(shù)據(jù)長度較低的時候，我們所獲得的采樣的數(shù)據(jù)就比較少，這就導(dǎo)致在計(jì)算測試數(shù)據(jù)和參考模板的相關(guān)性時，兩者的相關(guān)性不強(qiáng)，這可能會使得最后的分類識別結(jié)果不準(zhǔn)確，從而使得分類精度在時間窗口長度較低時分類精度較低。而我們提出的Exd-GCCA方法是把多個相關(guān)系數(shù)特征結(jié)合起來，這就彌補(bǔ)了時間窗口較低的時候，數(shù)據(jù)不足的問題，這也就很好的解釋了我們的方法在時間窗口較低時的效果會比其他兩個方法要好。而在時間窗口較長時，對單個受試者來說，分類精度已經(jīng)接近了100%，所以提升的不是很多。這也就是圖2中1.4s時間窗口的平均分類精度提高不多的原因。

結(jié)論：這項(xiàng)研究引入并評估了一種新穎的SSVEP信號識別方法Exd-GCCA，以增強(qiáng)對SSVEP的檢測能力。實(shí)驗(yàn)結(jié)果表明，Exd-GCCA明顯優(yōu)于現(xiàn)有的特定于主題的算法TRCA和LCSE。Exd-GCCA方法是將來自多個刺激頻率的最大皮爾遜相關(guān)系數(shù)進(jìn)行組合，獲得更多目標(biāo)檢測的信息。同時也有論文證明了論文中對于GCCA的最大化方差方法用于SSVEP信號檢測中，效果是最佳的。從SSVEP基準(zhǔn)數(shù)據(jù)的評估中獲得的結(jié)果表明，與現(xiàn)有方法相比，該方法在檢測準(zhǔn)確度和ITR方面具有更高的性能。