高 諾 翟文文 楊玉娜

(山東建筑大學(xué)信息與電氣工程學(xué)院，山東濟(jì)南 250101)

1 引言

腦機(jī)接口(Brain Computer Interface, BCI)可以實(shí)現(xiàn)大腦與外界設(shè)備之間的交流控制，將使用者的腦電信號(electroencephalography，EEG)轉(zhuǎn)換為計(jì)算機(jī)指令，從而實(shí)現(xiàn)對外界設(shè)備的控制，是一種全新的信息交流和控制方式[1-2]。在現(xiàn)有腦信號成分中，穩(wěn)態(tài)視覺誘發(fā)電位(SSVEP)憑借較高的信噪比和較短的響應(yīng)時(shí)間，同時(shí)受試者不需要接受任何訓(xùn)練，深受相關(guān)研究學(xué)者的重視，成為BCI的一個(gè)關(guān)鍵分支[3]。

目前，典型相關(guān)分析普遍被用在SSVEP信號分類中。2009年，清華大學(xué)高小榕團(tuán)隊(duì)用CCA方法處理數(shù)據(jù)，提取左右視野區(qū)與刺激對應(yīng)的頻率成分，四名被試者的離線正確率均超過85%[4]。2013年，美國加利福尼亞大學(xué)測試在具有挑戰(zhàn)性(例如行走)記錄條件下的移動(dòng)腦電圖系統(tǒng)獲取的穩(wěn)態(tài)視覺誘發(fā)電位的信號質(zhì)量，證明了CCA對SSVEP檢測的運(yùn)動(dòng)偽影的魯棒性。該演示大大提高了移動(dòng)和無線BCI系統(tǒng)的實(shí)際應(yīng)用的實(shí)用性，以適應(yīng)積極行為并與其環(huán)境交互的用戶[5]。2016年德國慕尼黑工業(yè)大學(xué)提出了一種新的檢測方法是具有自回歸譜分析的典型變量(canonical variates with autoregressive spectral analysis，CVARS)，它結(jié)合了典型變量的功率和自回歸譜分析的功率來估計(jì)信號和噪聲功率水平，用于高信噪比的信號分析[6]。 2017年，南京郵電大學(xué)設(shè)計(jì)了一套采用CCA算法的SSVEP-BCI智能家居服務(wù)系統(tǒng)，準(zhǔn)確率最高可達(dá)87%[7]。顯然，CCA已經(jīng)受到廣大業(yè)界朋友的肯定，但是CCA對于多分類的頻率識別，正確率還有一定的提升空間。

多變量同步指數(shù)(MSI)是由電子科技大學(xué)的張楊松于2013年提出的[8]，并且用來對SSVEP信號進(jìn)行分類。2015年，巴西的圣埃斯皮里托聯(lián)邦大學(xué)運(yùn)用MSI算法完成了基于SSVEP-BCI的機(jī)器人輪椅的設(shè)計(jì)，其頻率分析正確率達(dá)到88%[9]。2017年，張揚(yáng)松提出一種改進(jìn)的MSI算法(the extension algorithm to MSI，EMSI)，利用時(shí)間延遲嵌入的方法，進(jìn)一步提高了基于SSVEP的BCI系統(tǒng)的性能[10]。

目前，穩(wěn)態(tài)視覺誘發(fā)電位腦機(jī)接口的方法主要有：功率譜密度分析、典型相關(guān)分析以及多變量同步指數(shù)。不過，功率譜密度分析方法對SSVEP信號分類的準(zhǔn)確率偏低，受噪聲影響波動(dòng)大且不穩(wěn)定。因此，本文利用MSI方法與CCA方法分別對SSVEP信號分類，分別探討了EEG數(shù)據(jù)長度、導(dǎo)聯(lián)的位置與數(shù)量、參考正余弦信號的諧波數(shù)量對MSI和CCA算法頻率識別正確率的影響，并且分析得出兩種方法最大發(fā)揮作用的最優(yōu)實(shí)驗(yàn)設(shè)置。

2 研究方法

2.1 典型相關(guān)分析

典型相關(guān)分析(canonical correlation analysis，CCA)是通過計(jì)算多通道腦電(electroencephalography，EEG)信號與構(gòu)造的參考正余弦信號之間的相關(guān)系數(shù)，求兩個(gè)信號的最大相關(guān)性[11]。

用CCA算法對EEG信號分析時(shí)，假設(shè)有k個(gè)頻率刺激時(shí)，X為測得的EEG信號，Y為模擬刺激頻率的參考信號，如式(1)：

(1)

其中，Nh是諧波數(shù)量，fk是刺激頻率，F(xiàn)S是采樣率，M是信號樣本數(shù)。對兩個(gè)多維信號X，Y來說，CCA方法試圖找到一組矢量WX，WY，這一組矢量可以使向量x，y之間的相關(guān)系數(shù)達(dá)到最大，其中x=XTWX，y=YTWY。

(2)

在式(2)中對WX，WY，求得相關(guān)系數(shù)ρ的最大值，分別計(jì)算不同的fk下ρ，即最大的ρ對應(yīng)的頻率為SSVEP的響應(yīng)頻率。

2.2 多變量同步指數(shù)

多變量同步指數(shù)(multivariate synchronization index，MSI)是通過估計(jì)EEG信號與構(gòu)造的正余弦參考信號之間的同步指數(shù)來進(jìn)行刺激頻率的識別[8]。矩陣X設(shè)為一組維度為N×M的腦電信號，矩陣Y設(shè)為一組維度為2Nh×M的模擬刺激頻率的參考正余弦信號。N是通道數(shù)，M是數(shù)據(jù)長度，Nh是參考信號諧波數(shù)[12]。它們的相關(guān)矩陣C為[8]：

(3)

式(3)中:

(4)

(5)

(6)

(7)

為了減少X和Y自相關(guān)的影響，去除C中的自相關(guān)矩陣，進(jìn)行如下[9]：

(8)

則經(jīng)過變換后的新的相關(guān)矩陣R為：

(9)

設(shè)φ1，φ2，φ3，…，φp是R的特征值，將其標(biāo)準(zhǔn)化為：

(10)

其中p=N+2Nh。

X與Y之間的同步指數(shù)S可以表示為：

(11)

參考信號Y的構(gòu)造跟CCA類似，不做贅述。通過計(jì)算得到EEG信號與每個(gè)參考正余弦信號Y之間的同步指數(shù)，然后獲得k個(gè)模擬刺激頻率參考信號對應(yīng)的k個(gè)相關(guān)指數(shù)(S1，S2,...,Sk)。其中，最大的指數(shù)Smax對應(yīng)的參考信號的頻率就是所看頻閃刺激的頻率[8]。

3 實(shí)驗(yàn)設(shè)置

本文采集EEG數(shù)據(jù)所用的視覺刺激器采用液晶顯示器，刷新頻率為60幀/秒，基于MATLAB的Psychtoolbox (PTB)工具箱編程實(shí)現(xiàn)[13]。本文采用8 Hz、12 Hz、10 Hz、13 Hz作為刺激頻率，如圖1所示。 EEG信號采集設(shè)備使用博?？悼萍加邢薰?Neuracle)的無線EEG采集系統(tǒng)，采樣頻率設(shè)為250 Hz， 32個(gè)通道位置符合國際10-20系統(tǒng)標(biāo)準(zhǔn)如圖2。

圖1 視覺刺激器Fig.1 Visual stimulator

圖2 通道位置Fig.2 Channel location

本文選取7名年齡19～28周歲的被試者，視力均正常。本文的實(shí)驗(yàn)在噪聲較少，光線較暗的環(huán)境中進(jìn)行，受試者眼睛距離視覺刺激約0.5 m。實(shí)驗(yàn)前，受試者均不需要接受SSVEP的腦機(jī)接口的訓(xùn)練，液晶顯示屏的頻閃刺激依次閃爍，每個(gè)頻閃閃爍時(shí)間5 s,休息3 s，循環(huán)80次，由腦電信號采集設(shè)備記錄數(shù)據(jù)，并且采集到的EEG數(shù)據(jù)不做任何預(yù)處理。

4 性能分析

4.1 數(shù)據(jù)長度對分析性能的影響

實(shí)驗(yàn)分別對6名受試者的SSVEP信號分類，其中，參考正余弦信號的諧波數(shù)量為2，通道數(shù)量為1(O2通道)，數(shù)據(jù)長度分別為300、550、800、1050和1250(點(diǎn)數(shù))，對應(yīng)截取時(shí)間分別為0～1.2 s，0～2.2 s，0～3.2 s，0～4.2 s，0～5 s。圖3是MSI和CCA的平均正確率隨EEG數(shù)據(jù)長度而變化的折線圖。顯然，平均正確率隨數(shù)據(jù)長度的增加而逐步增大，且趨向穩(wěn)定。數(shù)據(jù)長度在300到800之間時(shí)，MSI正確率明顯高于CCA。但是隨著數(shù)據(jù)長度的增加，CCA的正確率逐漸接近MSI。上述結(jié)果說明，CCA算法對數(shù)據(jù)長度更加敏感，因此在數(shù)據(jù)長度較小的情況下，MSI算法的性能較CCA算法要好。

圖3 EEG數(shù)據(jù)長度與平均正確率的關(guān)系Fig.3 The relationship between the length of EEG data and the average correct rate

4.2 導(dǎo)聯(lián)位置與數(shù)量

SSVEP是人腦枕葉區(qū)皮層受到固定頻率的視覺刺激而產(chǎn)生的電壓變化[14-15]。圖4是人腦對視覺刺激的腦地形圖。地形圖利用顏色代表強(qiáng)弱，把復(fù)雜的腦電反應(yīng)變得更加直觀易懂。由圖可得，枕葉區(qū)顏色最深，說明大腦的枕葉區(qū)是對固定閃爍的刺激最為敏感的區(qū)域[16]。人腦地形圖可以很清楚的表現(xiàn)出人腦不同位置對固定視覺刺激的敏感情況。人腦枕葉區(qū)對應(yīng)圖2通道位置為P3、P4、PO3、PO4、O1、O2、PZ、OZ、T5、T6，所以本文主要采用枕葉區(qū)的相關(guān)通道，其中，通道數(shù)量分別采用1導(dǎo)(O2)，2導(dǎo)(O1、O2),3導(dǎo)(O1，O2，OZ)，4導(dǎo)(PO4、O1、O2、PZ)，6導(dǎo)(P3、P4、O1、O2、PZ、OZ)，8導(dǎo)(P3、P4、PO3、PO4、O1、O2、PZ、OZ)和10導(dǎo)(P3、P4、PO3、PO4、O1、O2、PZ、OZ、T5、T6)。

圖4 腦地形圖Fig.4 Human brain topographic map

本文采用不同通道數(shù)量進(jìn)行實(shí)驗(yàn)，在參考正余弦信號的諧波數(shù)量為2，數(shù)據(jù)長度為1000(點(diǎn)數(shù))的情況下，分別采用1導(dǎo)、2導(dǎo)、3導(dǎo)、4導(dǎo)、6導(dǎo)、8導(dǎo)和10導(dǎo)利用MSI算法和CCA算法進(jìn)行頻率識別的準(zhǔn)確率如表1與表2。圖5描繪出平均正確率與通道數(shù)的之間的關(guān)系，可以看出，僅使用O2導(dǎo)聯(lián)時(shí)，兩種方法的識別正確率都是最高的，分別為91.04%(MSI)和88.96%(CCA)，其次是使用10個(gè)導(dǎo)聯(lián)，兩個(gè)導(dǎo)聯(lián)時(shí)(O1、O2)正確率最低。上述結(jié)果說明，對SSVEP信號來說，導(dǎo)聯(lián)數(shù)量不是越多越好，而是位置越準(zhǔn)確，其準(zhǔn)確率就越高。

表1 不同通道數(shù)下MSI算法進(jìn)行頻率識別的正確率

表2 不同通道數(shù)下CCA算法進(jìn)行頻率識別的正確率

圖5 通道數(shù)對平均正確率的影響Fig.5 The effect of the number of channels on the average accuracy

4.3 參考信號諧波數(shù)

在運(yùn)用MSI與CCA算法進(jìn)行分析時(shí)，都要構(gòu)造參考信號。為了檢測參考信號數(shù)量對算法識別率的影響，本文在1導(dǎo)(O2)，取EEG信號數(shù)據(jù)長度為1000(點(diǎn)數(shù))，使用不同參考信號數(shù)量分別進(jìn)行MSI與CCA的SSVEP信號分類實(shí)驗(yàn)。圖6是正確率隨參考信號數(shù)量變化的折線圖，當(dāng)參考數(shù)量由1增加到2時(shí)，兩種方法的識別正確率均得到大幅度提升，而參考數(shù)量為2、3、4、5時(shí)，識別正確率波動(dòng)較小。由此可以得到結(jié)論，最佳的參考信號數(shù)量為2，繼續(xù)增加參考信號數(shù)量對正確率提升不大。同時(shí)，在其他相同的實(shí)驗(yàn)設(shè)置下，MSI方法的準(zhǔn)確率普遍高于CCA方法。

圖6 諧波數(shù)對平均正確率的影響Fig.6 Effect of harmonic number on average accuracy

4.4 小結(jié)

以上實(shí)驗(yàn)對比研究了影響MSI與CCA正確率的三個(gè)因素：EEG數(shù)據(jù)長度、導(dǎo)聯(lián)位置與數(shù)量及參考正余弦信號的諧波數(shù)。實(shí)驗(yàn)結(jié)果顯示：

(1)MSI與CCA頻率識別的正確率均隨數(shù)據(jù)長度的增加而增加，而在數(shù)據(jù)長度較小的情況下，MSI算法的對SSVEP信號分類的結(jié)果優(yōu)于CCA算法。

(2)對SSVEP信號來說，導(dǎo)聯(lián)位置對分析結(jié)果的影響要遠(yuǎn)遠(yuǎn)大于導(dǎo)聯(lián)數(shù)量，其中O2導(dǎo)聯(lián)是對SSVEP信號貢獻(xiàn)最大的導(dǎo)聯(lián)信號。

(3)參考信號的數(shù)量為2時(shí)兩種方法的識別率達(dá)到最佳。隨著參考信號的增加，MSI與CCA對SSVEP信號分類的準(zhǔn)確率沒有顯著改善。

(4)在其他相同的實(shí)驗(yàn)設(shè)置下，MSI算法對SSVEP信號分類的準(zhǔn)確率普遍高于CCA算法，尤其是在時(shí)間窗較小、數(shù)據(jù)量較小的情況下，這種特性表現(xiàn)得更為明顯。

5 結(jié)論

SSVEP是大腦皮層受到頻閃刺激而在產(chǎn)生的特定反應(yīng)。目前，對SSVEP信號分類的方法也層出不窮，其中典型相關(guān)分析(CCA)和多變量同步指數(shù)(MSI)是兩個(gè)被普遍用來頻率識別的方法。本文利用MATLAB對比分析了影響MSI與CCA方法對SSVEP信號分類正確率的三個(gè)主要因素，實(shí)驗(yàn)結(jié)果說明，在時(shí)間窗較小、數(shù)據(jù)長度較短的情況下，與CCA方法相比，MSI方法具有較好的識別正確率。而對SSVEP信號來說，導(dǎo)聯(lián)位置對識別正確率的影響要遠(yuǎn)遠(yuǎn)大于導(dǎo)聯(lián)數(shù)量的影響，而O2導(dǎo)聯(lián)是包含SSVEP信號信息量最大的導(dǎo)聯(lián)。對兩種方法而言，兩個(gè)參考諧波就能滿足響應(yīng)頻率提取的要求。上述實(shí)驗(yàn)結(jié)果及分析為BCI系統(tǒng)應(yīng)用者在方法選擇上提供了較為系統(tǒng)的理論及實(shí)驗(yàn)參考，同時(shí)為兩種方法后續(xù)的性能提高提供了理論及實(shí)驗(yàn)基礎(chǔ)，具有較好的參考價(jià)值。