潘雋鍇，馬玉良，席旭剛，孫明旭，張建海

(1.杭州電子科技大學(xué)圣光機(jī)聯(lián)合學(xué)院，浙江 杭州 310018；2.杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州 310018；3.濟(jì)南大學(xué)自動(dòng)化與電氣工程學(xué)院，山東 濟(jì)南 250022；4.杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院，浙江 杭州 310018；5.浙江省腦機(jī)協(xié)同智能重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310018)

腦科學(xué)是研究腦部結(jié)構(gòu)與功能的學(xué)科，其核心是以大腦為認(rèn)知主體的神經(jīng)科學(xué)[1-2]。腦科學(xué)的發(fā)展是生命科學(xué)中的一個(gè)重要領(lǐng)域，是當(dāng)下最為前沿的研究領(lǐng)域之一。腦機(jī)接口(brain-computer interface，BCI)技術(shù)是指不依賴(lài)人體的外圍神經(jīng)和肌肉組織，通過(guò)解碼大腦的意識(shí)活動(dòng)而實(shí)現(xiàn)人腦與外部設(shè)備的通信交流[3]。目前腦機(jī)接口的發(fā)展受限于識(shí)別率低、通信速度慢等問(wèn)題[4]，而基于穩(wěn)態(tài)視覺(jué)誘發(fā)電位的腦機(jī)接口系統(tǒng)(steady-state visual evoked potential，SSVEPBCIs)由于具有較高的識(shí)別準(zhǔn)確率、信息傳輸率，以及實(shí)驗(yàn)環(huán)境配置簡(jiǎn)單、受試者僅需進(jìn)行少量的訓(xùn)練等優(yōu)點(diǎn)，近十年來(lái)備受關(guān)注[5-6]。

穩(wěn)態(tài)視覺(jué)誘發(fā)電位是指當(dāng)人持續(xù)注視某一以固定頻率閃爍的視覺(jué)刺激時(shí)，大腦視覺(jué)皮層會(huì)在刺激頻率或諧波頻率處產(chǎn)生明顯的電位變化。SSVEP的視覺(jué)刺激頻率范圍一般介于4到50 Hz之間，分為低頻段(4 Hz～15 Hz)、中頻段(15 Hz～30 Hz)和高頻段(30 Hz～50 Hz)，SSVEP響應(yīng)幅值的全局最大值大約在10 Hz出現(xiàn)[7]，高頻段的刺激頻率能誘發(fā)的響應(yīng)最小，目前大多數(shù)系統(tǒng)所采用的視覺(jué)刺激主要集中于中低頻段。

SSVEP-BCI系統(tǒng)的性能主要取決于以下三個(gè)主要因素:視覺(jué)刺激呈現(xiàn)、多目標(biāo)編碼方式和目標(biāo)識(shí)別算法[8]。與其他類(lèi)型的腦機(jī)接口類(lèi)似，信號(hào)處理方法、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法被廣泛應(yīng)用到SSVEP的檢測(cè)和識(shí)別?；诠β首V密度分析(power spectral density analysis，PSDA)的方法如快速傅里葉變換(fast Fourier transform，F(xiàn)FT)被應(yīng)用于單通道腦電信號(hào)(EEG)的頻率檢測(cè)[9]；基于最小能量組合(minimum energy combination，MEC)的頻率識(shí)別算法[10]通過(guò)尋找空間濾波器將原始EEG進(jìn)行投影，得到低維組合信號(hào)，以降低噪聲和其他偽跡信號(hào)的影響；基于多變量同步指數(shù)(multivariate synchronization index，MSI)的頻率識(shí)別算法[11]通過(guò)計(jì)算兩組多通道信號(hào)之間的同步指數(shù)，篩選最大同步指數(shù)對(duì)應(yīng)的頻率進(jìn)行目標(biāo)識(shí)別。Lin等人[12]首先將典型相關(guān)分析(canonical correlation analysis，CCA)用于SSVEP-BCI系統(tǒng)的頻率識(shí)別，由于其具有不需要參數(shù)優(yōu)化，識(shí)別率和信息傳輸率較高的優(yōu)勢(shì)，此后基于CCA的改進(jìn)算法被廣泛研究。Poryzala等人[13]提出了CCA的聚類(lèi)分析(cluster analysis of CCA，CACCA)；Pan等人[14]提出相位約束的CCA算法(phase-CCA)；Bin等人[15]提出了基于個(gè)體模板的CCA算法(individual template CCA，it-CCA)；Wang等人[16]提出了擴(kuò)展典型相關(guān)分析(eCCA)，利用個(gè)體訓(xùn)練數(shù)據(jù)增強(qiáng)SSVEP的檢測(cè)；Zhang等人[17]提出了多途徑CCA算法(Multiway CCA)以尋找合適的參考信號(hào)；Zhang等人[18]又提出了多集CCA(Multiset CCA)以?xún)?yōu)化來(lái)自參考信號(hào)的空間特征；Nakanishi等人[19]提出了任務(wù)相關(guān)成分分析(task related component analysis，TRCA)，通過(guò)在任務(wù)期間最大化復(fù)現(xiàn)性提取任務(wù)相關(guān)成分。

當(dāng)需要考慮受試者校準(zhǔn)數(shù)據(jù)時(shí)，大多數(shù)相關(guān)算法如it-CCA、eCCA、MultisetCCA等選擇直接對(duì)訓(xùn)練數(shù)據(jù)平均化以得到包含特定受試者信息的模板信號(hào)，這種傳統(tǒng)的構(gòu)造方式可能稍顯粗略，從而導(dǎo)致得到的空間濾波器不夠十分準(zhǔn)確，影響算法的識(shí)別結(jié)果。因此本文針對(duì)電話撥號(hào)穩(wěn)態(tài)視覺(jué)誘發(fā)電位數(shù)據(jù)集重新選擇系數(shù)特征組合，在構(gòu)造個(gè)體模板過(guò)程中引入反映各訓(xùn)練數(shù)據(jù)信號(hào)質(zhì)量的權(quán)重系數(shù)，提出了一種新的方法即coef-eCCA，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

1 實(shí)驗(yàn)數(shù)據(jù)集與預(yù)處理

1.1 電話撥號(hào)系統(tǒng)數(shù)據(jù)集

本數(shù)據(jù)集由加州大學(xué)圣迭戈分校(UCSD)提供，所有實(shí)驗(yàn)參與者閱讀并簽署知情同意書(shū)[16]。視覺(jué)刺激的布局如圖1所示，12個(gè)目標(biāo)排列為4×3的矩陣，作為電話撥號(hào)系統(tǒng)的虛擬鍵盤(pán)，形狀為為6 cm×6 cm的正方形，兩兩之間水平和垂直間隔分別為5 cm和1.5 cm。實(shí)驗(yàn)采用了頻率和相位聯(lián)合編碼的方式，相鄰的兩個(gè)目標(biāo)同時(shí)設(shè)置不同的頻率與相位。刺激頻率設(shè)置為9.25 Hz到14.75 Hz，等差間隔0.5 Hz；相位設(shè)置為0到1.5π，等差間隔0.5π，各個(gè)目標(biāo)具體對(duì)應(yīng)的頻率和相位信息見(jiàn)圖1(b)。刺激界面程序在MATLAB下使用PsychToolbox(PTB)工具箱編寫(xiě)。

共有10名視力正常或矯正至正常的健康受試者(9名男性，1名女性)參與了本次實(shí)驗(yàn)，實(shí)驗(yàn)在昏暗的房間里展開(kāi)，受試者坐在距離顯示器60 cm的舒適椅子上。這項(xiàng)研究進(jìn)行了模擬在線BCI實(shí)驗(yàn)，記錄數(shù)據(jù)進(jìn)行離線分析，腦電數(shù)據(jù)由位于覆蓋受試者腦部枕葉區(qū)域的8個(gè)電極采集。對(duì)于每位受試者，實(shí)驗(yàn)由15個(gè)模塊組成，每個(gè)模塊中受試者被要求以隨機(jī)順序注視程序指示的一個(gè)視覺(jué)刺激4 s，完成對(duì)應(yīng)于12個(gè)目標(biāo)的12次試驗(yàn)。在每次試驗(yàn)開(kāi)始時(shí)，一個(gè)紅色方塊會(huì)出現(xiàn)在目標(biāo)刺激位置持續(xù)1 s，見(jiàn)圖1(a)，受試者需要在1 s內(nèi)將目光從上一個(gè)目標(biāo)轉(zhuǎn)移到本次試驗(yàn)的目標(biāo)上。為了減少眼動(dòng)偽跡信號(hào)，受試者被要求在刺激期間避免眨眼。所有數(shù)據(jù)被降采樣到256 Hz以減少數(shù)據(jù)量。

圖1 電話撥號(hào)SSVEP-BCI刺激界面

1.2 數(shù)據(jù)預(yù)處理

有研究人員提出在人的視覺(jué)系統(tǒng)中存在140 ms的視覺(jué)延遲[20]，因此對(duì)于Tw s的時(shí)間窗，提取的數(shù)據(jù)段為[0.14 s，0.14＋Tw s]，時(shí)間0顯示刺激開(kāi)始。之后使用零相位切比雪夫無(wú)限脈沖響應(yīng)(infinite impulse response，ITR)濾波器對(duì)所有數(shù)據(jù)進(jìn)行帶通濾波，通帶頻率為6 Hz到80 Hz，刺激頻率為10.25 Hz時(shí)濾波前后腦電信號(hào)時(shí)、頻域波形如圖2所示，濾波后有效地去除了腦電信號(hào)中的基線漂移和刺激頻率外頻段的干擾。由于實(shí)驗(yàn)只記錄了位于腦皮層視覺(jué)區(qū)域的8個(gè)電極的腦電數(shù)據(jù)，所以無(wú)需進(jìn)行通道選擇操作。

圖2 濾波前后腦電信號(hào)時(shí)、頻域波形圖

2 目標(biāo)識(shí)別算法

2.1 典型相關(guān)分析

典型相關(guān)分析算法(CCA)是一種經(jīng)典的多元統(tǒng)計(jì)方法，用于測(cè)量?jī)山M變量之間的潛在相關(guān)性。其目標(biāo)是尋找一對(duì)線性組合，使得經(jīng)過(guò)變換后的兩組變量之間相關(guān)性最大[21]?？紤]兩組多維變量X，Y，X∈RC×Ns為一組多通道的腦電信號(hào)，Y∈R2Nh×Ns為一組人工正-余弦參考信號(hào)，其長(zhǎng)度與X相同，設(shè)置如下:

式中:fk為刺激頻率，fs為采樣率，Nh為諧波數(shù)量。將腦電信號(hào)與正-余弦參考信號(hào)進(jìn)行典型相關(guān)分析，通過(guò)尋找一對(duì)權(quán)重向量wx∈RC，wy∈R2Nh，使得映射后的兩組典型變量x＝wTx X和y＝wTy Y相關(guān)性最大，相關(guān)性由二者之間Pearson相關(guān)系數(shù)確定:

將多通道的時(shí)域腦電信號(hào)X與包含所有刺激頻率的正-余弦參考信號(hào)組Y＝[Y1，Y2，…，Yk]做典型相關(guān)分析，選擇相關(guān)系數(shù)最大值對(duì)應(yīng)的頻率作為SSVEP的目標(biāo)刺激頻率:

2.2 擴(kuò)展典型相關(guān)分析

典型相關(guān)分析是一種無(wú)監(jiān)督學(xué)習(xí)方法，它最初僅被用來(lái)檢測(cè)頻率，但隨著越來(lái)越多的實(shí)驗(yàn)范式采用聯(lián)合頻率相位的編碼方式，如何在識(shí)別過(guò)程中有效利用SSVEP的相位信息變得很重要，而CCA無(wú)法被用于區(qū)分不同的相位[8]。有學(xué)者將標(biāo)準(zhǔn)CCA與基于個(gè)體模板的CCA相結(jié)合，加入訓(xùn)練數(shù)據(jù)，提出了擴(kuò)展典型相關(guān)分析(eCCA)。除人工構(gòu)造的正-余弦參考信號(hào)外，對(duì)典型相關(guān)分析算法進(jìn)行計(jì)算結(jié)構(gòu)的調(diào)整，通過(guò)將受試者的訓(xùn)練數(shù)據(jù)平均化，構(gòu)造了個(gè)體模板信號(hào):

式中:Xk為訓(xùn)練數(shù)據(jù)，Ntrain為訓(xùn)練數(shù)據(jù)個(gè)數(shù)。由這3種信號(hào)可以得到6種空間濾波器的形式——①測(cè)試信號(hào)X與個(gè)體模板之間:wX()，w＾X()；②測(cè)試信號(hào)X與正-余弦參考Y之間:wX(XY)，wY(XY)；③個(gè)體模板信號(hào)與正-余弦參考信號(hào)Y之間:w＾X()，wY()。將這些空間濾波器映射到各種信號(hào)上可以得到多種特征。在Masaki等人的研究中，采用了如下5種相關(guān)系數(shù)的組合方式[16]:

ρ(a，b)即為兩組信號(hào)a和b的Pearson相關(guān)系數(shù)，計(jì)算方式同式(2)。采用一個(gè)集成分類(lèi)器用于組合這5種特征作為最終特征用于識(shí)別:

在計(jì)算測(cè)試信號(hào)與個(gè)體模板信號(hào)之間的相關(guān)系數(shù)過(guò)程中會(huì)產(chǎn)生負(fù)數(shù)，因此集成分類(lèi)器添加sign()項(xiàng)用于保留二者間的負(fù)相關(guān)信息。最后識(shí)別刺激目標(biāo)同式(3)。

2.3 本文提出的方法

2.3.1 特征系數(shù)選擇

除去擴(kuò)展典型相關(guān)分析中提出的5個(gè)相關(guān)系數(shù)，由6種空間濾波器與測(cè)試信號(hào)、正-余弦參考信號(hào)和模板信號(hào)分別映射，總共可以得到10個(gè)典型變量，見(jiàn)表1。由這10個(gè)典型變量?jī)蓛芍g進(jìn)行相關(guān)系數(shù)計(jì)算，可以得到45個(gè)系數(shù)特征。

表1 10個(gè)典型變量

為了減少算法在計(jì)算過(guò)程中消耗的時(shí)間，需要降低算法的計(jì)算復(fù)雜度。各實(shí)驗(yàn)數(shù)據(jù)進(jìn)行系數(shù)特征選擇，在保證識(shí)別正確率的同時(shí)，應(yīng)盡量減少特征數(shù)量。本文選擇了如下3個(gè)系數(shù)特征，為了與標(biāo)準(zhǔn)eCCA對(duì)比我們將其命名為pro-eCCA，圖3顯示了系數(shù)特征提取流程。

圖3 系數(shù)特征提取流程圖

2.3.2 重構(gòu)個(gè)體模板

與標(biāo)準(zhǔn)典型相關(guān)分析相比，引入個(gè)體模板信號(hào)后算法的識(shí)別性能得到顯著提高，這不僅與模板信號(hào)中包含重要的相位信息有關(guān)，還因?yàn)橥ㄟ^(guò)將訓(xùn)練數(shù)據(jù)平均化可以有效地消除噪聲影響[22]。本文在此操作的基礎(chǔ)上提出了一種更為細(xì)致的個(gè)體模板構(gòu)造方式，即在訓(xùn)練數(shù)據(jù)中引入各次試驗(yàn)權(quán)重系數(shù)，得到一種新的算法coef-eCCA。

在信號(hào)處理領(lǐng)域中，通常采用頻譜幅值和信噪比衡量信號(hào)質(zhì)量的好壞，信噪比(signal-noise ratio，SNR)即信號(hào)與背景噪聲之比。本文分別以訓(xùn)練數(shù)據(jù)的頻譜幅值與信噪比作為評(píng)價(jià)指標(biāo)，給予各次試驗(yàn)信號(hào)權(quán)重系數(shù)。定義頻率fk處的信噪比為幅頻響應(yīng)曲線中fk處的幅值與附近L個(gè)頻率的幅值均值之比[23]:

式中:amp(fk)為SSVEP在頻率fk處的頻譜幅值，L取值為16，相鄰頻率間隔Δf為0.125Hz。

之后在構(gòu)造個(gè)體模板中分別采用兩種計(jì)算方式確定權(quán)重系數(shù)——第一種為計(jì)算頻譜中所有12個(gè)刺激頻率對(duì)應(yīng)的評(píng)價(jià)指標(biāo)(evaluation index，EI)的平均值，見(jiàn)式(9)；第二種為針對(duì)各刺激頻率，計(jì)算其基頻與各諧波頻率所對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，見(jiàn)式(10):

式中:Nh為諧波個(gè)數(shù)，本文設(shè)置為5，即針對(duì)頻率為9.25Hz時(shí)計(jì)算9.25 Hz、18.5 Hz、27.75 Hz、37 Hz、46.25 Hz對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，其他頻率以此類(lèi)推。

最后對(duì)各次試驗(yàn)數(shù)據(jù)的評(píng)價(jià)指標(biāo)做歸一化處理，得到構(gòu)造個(gè)體模板中各試次所對(duì)應(yīng)的權(quán)重系數(shù):

∑EI為各次試驗(yàn)數(shù)據(jù)評(píng)價(jià)指標(biāo)之和，權(quán)重系數(shù)wtem∈RC×Ntrain，C為通道數(shù)，Ntrain為訓(xùn)練數(shù)據(jù)個(gè)數(shù)。重構(gòu)后的個(gè)體模板信號(hào)為:

3 實(shí)驗(yàn)結(jié)果與分析

交叉驗(yàn)證(Cross Validation)是在建立模型和驗(yàn)證模型參數(shù)時(shí)常用的方法[24]，將樣本數(shù)據(jù)切分組合成不同的訓(xùn)練集和測(cè)試集，用訓(xùn)練集訓(xùn)練模型，用測(cè)試集評(píng)估模型預(yù)測(cè)的好壞，交叉驗(yàn)證適用于樣本數(shù)據(jù)不充足的情況下。本文采用留一法交叉驗(yàn)證(Leave-one-out Cross Validation)，即將某一識(shí)別目標(biāo)15次試驗(yàn)中的14項(xiàng)作為訓(xùn)練數(shù)據(jù)用于構(gòu)造個(gè)體模板，剩下的1項(xiàng)作為測(cè)試數(shù)據(jù)用于驗(yàn)證，循環(huán)進(jìn)行直至每項(xiàng)數(shù)據(jù)都被當(dāng)做一次測(cè)試數(shù)據(jù)，以避免實(shí)驗(yàn)過(guò)程中的隨機(jī)因素影響識(shí)別結(jié)果。

一般將識(shí)別準(zhǔn)確率(accuracy)和信息傳輸率(information transmission rate，ITR)共同作為評(píng)估SSVEP-BCI的性能指標(biāo)。信息傳輸率的計(jì)算公式為[25]:

式中:N為識(shí)別的目標(biāo)個(gè)數(shù)，P為識(shí)別準(zhǔn)確率，T為單次實(shí)驗(yàn)?zāi)繕?biāo)選擇時(shí)間，通常為固定值(T＝Tw＋ts，ts＝0.5 s為兩次選擇之間的目光轉(zhuǎn)移時(shí)間)，ITR的單位為bits/min。

3.1 重新選擇系數(shù)特征

為了顯示重新選擇系數(shù)特征后的擴(kuò)展典型相關(guān)分析(pro-eCCA)的識(shí)別性能，將其與典型相關(guān)分析(CCA)、標(biāo)準(zhǔn)擴(kuò)展典型相關(guān)分析(eCCA)和任務(wù)相關(guān)成分分析(TRCA)作對(duì)比。Nakanishi等人認(rèn)為一組多通道腦電信號(hào)是由任務(wù)相關(guān)成分，即誘發(fā)信號(hào)和任務(wù)無(wú)關(guān)成分，即大腦自發(fā)信號(hào)，共同線性組合而成[19]。通過(guò)TRCA算法對(duì)原始EEG進(jìn)行線性加權(quán)，從中得到僅包含任務(wù)相關(guān)成分的信號(hào)，提高信號(hào)的信噪比。我們選擇了從0.5 s到2.5 s，5個(gè)不同的時(shí)間窗用于識(shí)別，圖4顯示了這4種方法的識(shí)別準(zhǔn)確率和信息傳輸率。

圖4 四種方法在不同時(shí)間窗下的識(shí)別性能對(duì)比

傳統(tǒng)的標(biāo)準(zhǔn)CCA算法相對(duì)來(lái)說(shuō)識(shí)別效果最差，在短時(shí)間窗下(Tw＝0.5 s，1.0 s)識(shí)別準(zhǔn)確率僅為19.33%和53.94%；但隨著時(shí)間窗長(zhǎng)度的增加，算法的識(shí)別準(zhǔn)確率也會(huì)達(dá)到80%(Tw＝2.0 s，2.5 s)。針對(duì)本數(shù)據(jù)集重新選擇系數(shù)特征組合(pro-eCCA)后，識(shí)別準(zhǔn)確率較標(biāo)準(zhǔn)eCCA有了一定的提高，特別是在短時(shí)間窗(Tw＝0.5 s，1.0 s)的情況下，各提高了1.67%。TRCA作為目前SSVEP識(shí)別方面最流行的算法之一，識(shí)別正確率在短時(shí)間窗下有著較大的優(yōu)勢(shì)，時(shí)間窗為0.5 s時(shí)領(lǐng)先pro-eCCA5.78%；隨著時(shí)間窗長(zhǎng)度的增加其優(yōu)勢(shì)不斷減小，在2.0 s時(shí)TRCA為98.78%，pro-eCCA為98.67%幾乎可以與TRCA持平。信息傳輸率方面eCCA和TRCA在0.5 s時(shí)達(dá)到最大值，此后隨著時(shí)間窗長(zhǎng)度的增加不斷降低；而CCA在短時(shí)間窗下的識(shí)別率過(guò)低，隨著時(shí)間窗長(zhǎng)度增加，隨之提高的識(shí)別準(zhǔn)確率依然保證了信息傳輸率的提高，并在Tw＝1.5 s時(shí)達(dá)到最大值。

為了比較各算法之間的計(jì)算復(fù)雜度，我們計(jì)算了Tw＝2.0 s下每位受試者識(shí)別過(guò)程中消耗時(shí)間的總和，見(jiàn)表2。重新選擇系數(shù)特征后的eCCA，由于減少了系數(shù)特征的個(gè)數(shù)從而大大降低了計(jì)算成本，每位受試者平均消耗時(shí)間相比之前減少了41.1%。TRCA算法的計(jì)算時(shí)間普遍超過(guò)eCCA，這可能是由于TRCA在求解空間濾波器時(shí)需要計(jì)算以使各試次訓(xùn)練數(shù)據(jù)之間協(xié)方差最大化，而本文數(shù)據(jù)集有15個(gè)訓(xùn)練模塊，因此消耗了更多的計(jì)算時(shí)間。pro-eCCA的計(jì)算過(guò)程相對(duì)來(lái)說(shuō)更為簡(jiǎn)便，因此在保證了識(shí)別準(zhǔn)確率的同時(shí)，消耗的時(shí)間更少。

3.2 重構(gòu)個(gè)體模板

為了說(shuō)明重構(gòu)個(gè)體模板后算法的識(shí)別性能，分別用兩種計(jì)算方式和兩個(gè)評(píng)估指標(biāo)，在固定時(shí)間窗(Tw＝2.0 s)下進(jìn)行實(shí)驗(yàn)，每位受試者的具體結(jié)果見(jiàn)表3，表4。

表3 重構(gòu)個(gè)體模板后每位受試者的識(shí)別準(zhǔn)確率

表4 重構(gòu)個(gè)體模板后每位受試者的計(jì)算消耗時(shí)間

從四種方式與重新選擇系數(shù)特征組合后的pro-eCCA的識(shí)別準(zhǔn)確率對(duì)比上看，計(jì)算12個(gè)刺激頻率的頻譜幅值用于確定各試次訓(xùn)練數(shù)據(jù)權(quán)重系數(shù)的方式取得了最好的結(jié)果，共有4位受試者得到提升(S1，S2，S3，S10)，其中S2的提升幅度最大(1.67%)，而S3則提高至100%，但S7的結(jié)果有所下降。計(jì)算所有刺激頻率信噪比的方式使S2獲得了提高，S7的結(jié)果與用頻譜幅值一樣也下降了，在其他受試者沒(méi)有變化的情況下平均識(shí)別準(zhǔn)確率有略微提高。相比較而言，計(jì)算刺激頻率的基頻及諧波頻率的頻譜幅值的效果最差，雖然將S3提升至100%，但是S1，S2，S10的結(jié)果均有下降，平均準(zhǔn)確率也降低至98.33%。最后一種使用刺激基頻和諧波頻率信噪比的方式提升了S2和S3的準(zhǔn)確率，并且沒(méi)有受試者的結(jié)果下降，因此平均識(shí)別準(zhǔn)確率也有一定的提高，與第一種方式一樣均超過(guò)了同時(shí)間窗下TRCA(98.78%)的結(jié)果。為驗(yàn)證實(shí)驗(yàn)結(jié)果是否具有統(tǒng)計(jì)學(xué)意義，我們進(jìn)行了假設(shè)檢驗(yàn)，比較第一種方式和pro-eCCA的識(shí)別結(jié)果，除去二者中識(shí)別率始終保持100%的受試，剩下結(jié)果的p＜0.05，即表明實(shí)驗(yàn)結(jié)果存在顯著性差異。

從計(jì)算消耗的時(shí)間上看，使用頻率幅值作為評(píng)估指標(biāo)與pro-eCCA相比有了些許下降，這是由于計(jì)算復(fù)雜度的增加不可避免地提高了計(jì)算成本，但都依然保持在一個(gè)良好的水平，不會(huì)影響實(shí)際應(yīng)用。而使用信噪比作為評(píng)估指標(biāo)則大幅度提高了計(jì)算成本，嚴(yán)重消耗了計(jì)算時(shí)間，其原因?yàn)橛?jì)算信噪比是在計(jì)算頻譜幅值的基礎(chǔ)上進(jìn)行。兩種計(jì)算方式對(duì)比來(lái)看，第一種好于第二種，這是由于針對(duì)各刺激頻率的訓(xùn)練數(shù)據(jù)，第一種僅需計(jì)算所有12個(gè)實(shí)驗(yàn)刺激頻率的評(píng)估指標(biāo)；而第二種則需根據(jù)不同的刺激頻率選擇相應(yīng)的諧波頻率進(jìn)行計(jì)算，計(jì)算結(jié)構(gòu)上更為復(fù)雜，所以計(jì)算成本更高。

為了可視化重構(gòu)個(gè)體模板帶來(lái)的效果，圖5顯示了重構(gòu)前后兩種模板信號(hào)的頻譜波形圖，圖5(b)為計(jì)算所有刺激頻率對(duì)應(yīng)的頻譜幅值作為訓(xùn)練數(shù)據(jù)權(quán)重系數(shù)的構(gòu)造方式所得到的模板。對(duì)比二者的頻譜圖，重構(gòu)后基頻和諧波頻率外的成分被十分有效地抑制，增強(qiáng)了信號(hào)的SSVEP響應(yīng)，可以更為明顯地顯現(xiàn)出高頻諧波成分。平均化構(gòu)造模板后，除去6次諧波，基波和其他諧波的信噪比都低于40 dB；重新構(gòu)造模板后從基波到諧波的信噪比均高于前者。

圖5 重構(gòu)前后個(gè)體模板的頻譜波形圖

3.3 討論

為進(jìn)一步對(duì)比算法之間的性能，我們研究了在特定時(shí)間窗下(Tw＝2.0 s)，分別改變電極數(shù)目和實(shí)驗(yàn)試次數(shù)量對(duì)算法性能的變化情況，實(shí)驗(yàn)結(jié)果見(jiàn)圖6。

圖6 不同電極數(shù)目和訓(xùn)練試次下算法的識(shí)別準(zhǔn)確率

在研究電極數(shù)目對(duì)識(shí)別結(jié)果影響的實(shí)驗(yàn)中，電極取值從3到8，每種條件下電極組合情況依次為:[PO3，POz，PO5](3個(gè)電極)，[PO3，POz，PO5，PO4](4個(gè)電極)，[PO3，POz，PO5，PO4，PO6](5個(gè)電極)，[PO3，POz，PO5，PO4，PO6，O1](6個(gè)電極)，[PO3，POz，PO5，PO4，PO6，O1，O2](7個(gè)電極)，[PO3，POz，PO5，PO4，PO6，O1，O2，Oz](8個(gè)電極)，具體電極分布位置如圖7所示。從圖6(a)中我們可以看到，提高電極數(shù)量，三種算法的性能都得到了提升，并且由于O1，O2，Oz三個(gè)電極位置更靠近腦皮層枕葉區(qū)域中央，因此增加的這幾個(gè)電極所采集的數(shù)據(jù)對(duì)于算法性能的提升更顯著(電極數(shù)由5變?yōu)?時(shí)，coef-eCCA識(shí)別率提升了4.11%)。

圖7 電極位置分布

研究試次數(shù)對(duì)識(shí)別影響的實(shí)驗(yàn)中，我們分別選取了3、6、9、12和15次(即訓(xùn)練數(shù)據(jù)試次為2、5、8、11、14)，結(jié)果見(jiàn)圖6(b)。提高實(shí)驗(yàn)試次數(shù)量均會(huì)提升coef-eCCA和TRCA算法的性能，而在CCA算法中由于各個(gè)試次是完全獨(dú)立的，它們僅用于交叉驗(yàn)證以提供更加可靠的結(jié)果，提高試次數(shù)沒(méi)有讓CCA算法性能得到提升。相比于eCCA，TRCA算法本身更加依賴(lài)試次數(shù)量，需要從盡可能多的訓(xùn)練數(shù)據(jù)中獲取有效信息，因此在試次數(shù)較少時(shí)算法性能明顯弱于coef-eCCA。

此外我們還進(jìn)行了實(shí)驗(yàn)，以研究刺激頻率范圍對(duì)算法識(shí)別性能的影響?？赡苡捎跀?shù)據(jù)集設(shè)置的刺激頻率范圍較小，從最小頻率9.25 Hz到最大頻率14.75 Hz中間只間隔了5.5 Hz。將其分為三個(gè)頻段范圍(9.25 Hz～10.75 Hz，11.25 Hz～12.75 Hz，13.25 Hz～14.75 Hz)，從結(jié)果上看并無(wú)明顯差異，因此沒(méi)有在論文中展示出來(lái)，在此作文字說(shuō)明。

4 總結(jié)

本文在擴(kuò)展典型相關(guān)分析算法傳統(tǒng)的個(gè)體模板構(gòu)造方式基礎(chǔ)上，提出了一種更為精細(xì)的構(gòu)造方法。首先針對(duì)電話撥號(hào)系統(tǒng)的SSVEP數(shù)據(jù)集重新選擇特征系數(shù)組合，從識(shí)別結(jié)果上看不同時(shí)間窗下的識(shí)別準(zhǔn)確率均獲得提高，并且在計(jì)算時(shí)間方面較其他對(duì)比方法取得了顯著的優(yōu)勢(shì)。之后提出了一種通過(guò)評(píng)估指標(biāo)在構(gòu)造個(gè)體模板過(guò)程中引入權(quán)重系數(shù)的方法coefeCCA，選擇兩種計(jì)算方式和兩種評(píng)估指標(biāo)分別進(jìn)行實(shí)驗(yàn)，在沒(méi)有大幅度影響計(jì)算成本的情況下將識(shí)別準(zhǔn)確率最高提升至99%，驗(yàn)證了改進(jìn)方法的有效性。未來(lái)的工作中針對(duì)不同的數(shù)據(jù)集，還可以嘗試不同的計(jì)算方式和其他信號(hào)評(píng)估指標(biāo)以提高實(shí)際識(shí)別效果。