基于P300的脑机接口的数学模型与算法研究

摘 要：文章针对BCI Competition 2003的Data set IIb竞赛数据，取得了一个很高的字符分类识别准确率，文章突出在数据预处理阶段中，通过很多次程序验证比较不同频带域的测试准确率，得出了一个最佳的频带范围，用于原始数据的滤波过程。

关键词：脑机接口；P300；预处理；特征提取；分类算法

1 引言

脑机接口（BCI）是一个系统，允许用户与环境的沟通，只有通过大脑活动，而无需使用肌肉输出通道。它涉及了神经科学，信号检测，信号处理，模式识别等多种领域。要建立大脑和外界设备之间的联系，首先要测量大脑活动，然后进行处理分析信号数据，再进行机器学习（训练分类模型）实行分类，进而实现用户的意图。P300电位是当视觉受到外界特殊刺激时脑电信号出现一个波峰，其峰值大约出现在相关事件发生后的300ms。其优势特点是被试验之前不需要进行训练即可成功诱发出来。因此P300电位是脑-机接口常用的一种信号。文中所用数据是BCI Competition 2003的Data set IIb离线数据集。大致处理过程可以描述为：原始信号数据→预处理→特征选择与提取→选择并训练分类模型→分类结果→测试分类算法效果→根据效果调整分类模型→得出理想的分类结果。

2 处理数据的算法步骤

2.1 单次样本提取：因为P300电位一般出现在刺激后的300ms左右，所以通过分类精度验证后，本文截取从每次闪烁开始后100ms到700ms长度的数据作为一个单次样本，这样将训练集的前30个Trial的数据组成一个30×12×15×144×64维的原始特征空间。

2.2 数据预处理：由于采集到的原始数据中一般会含有眼电，肌肉以及外界干扰等因素（如测量仪器或环境干扰等）的噪音信号，以及P300电位的低频特性，所以需要对原始数据进行预处理，本文主要涉及数据精度的转化以及低通滤波。论文突出在打破了前人已有经验的限制，将P300电位的频带范围更加精确化，更是体现了P300电位的低频特征，文章选择采用Matlab自带的信号处理工具箱设计了一个合适的滤波器，以带通替代低通设计了10阶Butterworth（IIR）带通滤波器，带宽为0.05Hz～7.5Hz。不同频带域对应的实验准确率如表1。其中10阶可以通俗理解为过滤次数，一般来說过滤次数越多滤波效果就越好，但是同时也加重了程序运行负担，因此选择适当的滤波阶数也是很关键的一步。

表1

2.3 特征选择与提取：首先对电极进行筛选，因为并不是所有电极都能明显体现P300特征，所以需要把那些P300特征比较明显的电极筛选出来。通过多次准确率比较论文选择了22个导联（用Ne表示）作为特征电极，对应编号为：11，13，14，18，19，20，34，47，51-64。比较准确率时采用随机增加通道，能提高准确率的通道保留，反之舍弃的方法。其次，为了提高训练模型的速度，需要对特征空间进行降维处理，本文尝试过两种降维方式，一是将相邻6个采样点的平均值作为一个特征点，二是每隔6个采样点取一个特征点，事实证明后者的程序简单而且准确率并高于前者，所以采用后者的方法将预处理后的数据降维。再关于试验重复次数求平均，至此每个Trial只剩24个特征点（用Ne表示）。并将其特征电极与特征点结合考虑作为每个Trial的特征向量。这样将得到前30个训练数据的特征空间为（30·12）×（Ne·Nt）即为360×528维的特征空间。

2.4 规范化特征空间：就是将特征空间向量投射到特定的小范围内，如-1.0～1.0或0.0～1.0。文章采用向量单位化的方法将其投射到0.0～1.0范围内。规范化可以消除数值型属性因为大小不一而带来的特征分类偏差。这个过程对于提高脑机接口信息传递效率很重要。

2.5 训练分类模型：将特征提取得到的已知目标字符的数据作为训练集，利用C-SVC（C-支持向量分类）选择线性核函数u'*v对其进行训练，其中样本特征是属于二分类样本集，分别用-1和1标记两种样本类别。

3 分类结果

将训练出的分类器应用于等量的未知目标字符的测试数据集，推断出所选择的字符。并计算分类准确率：Accuracy=■×100%。论文通过上述算法得到的最高准确率达90.00%。相应不同重复次数文章分别测试了对应准确率，见图1。

图1

4 结束语

文中选择了22个通道数据进行处理得到了很好的分类效果，但是否这22个特征电极就适用任何群体的实验数据，本文并未明确给出。但至少文中所用的通道及其筛选方法可以为相关研究者提供参考。论文关于P300电位的低频特性到底低到什么程度也只是对文中所用数据作了验证，是不是普遍结论还有待这方面的研究者进一步探讨。总之本文所用的处理算法对提高整个BCI系统的总体数据传输率起了积极作用。

参考文献

[1]程明，高上凯，张琳.基于脑电信号的脑-计算机接口[J].北京生物医学工程，2000，19（2）：113-118.

[2]杨立才，李佰敏，李光林，等.脑-机接口技术综述[J].电子学报，2005.

[3]Lin Zhonglin，Zhang Changshui.Enhancing classification by perceptual characteristic for the P300 speller paradigm [A].In ：Proceedings of the 2nd International IEEE EMBS Conference on Neural Engineering，Arlington ： IEEE EMBS，2005，574 -576.

作者简介：林亚静（1985，11-），女，汉，陕西西安人，研究方向：信息理论与应用，硕士学历。