稳态视觉诱发电位的疲劳特性分析*

陈学强 谢云 刘家卓



稳态视觉诱发电位的疲劳特性分析*

陈学强 谢云 刘家卓

（广东工业大学自动化学院）

稳态视觉诱发电位；脑电功率谱；疲劳特性

0　引言

脑机接口技术在大脑和外部设备之间建立起一条连接通路，通过脑电信号直接控制外部设备[1]。在非侵入式脑机接口系统中，稳态视觉诱发电位（steady-state visual evoked potentials，SSVEP）以高信号传输率、少测量电极以及无需训练等特点，引起研究人员的广泛关注。在基于SSVEP的脑机接口系统中，使用者长期盯着闪烁源，会出现眼睛酸涩、大脑疼痛、注意力下降等症状。这些症状影响SSVEP的信号质量，进而降低脑机接口系统的性能[2]，因此，评价由SSVEP引发的视觉疲劳十分重要。

以往评价疲劳的实验一般通过问卷的方式记录被试者的疲劳程度，这种方式依赖于被试者的主观感受，容易出现被试者隐瞒主观感受的现象，无法准确地对疲劳进行评价。近年来，脑电信号被广泛应用于检测疲劳的实验中，成为较为可信和准确的疲劳判断标准。Teng C等对单通道的脑电数据进行分析，发现脑电信号频谱与视觉疲劳息息相关[3]。Dimitra Makri等人分析了由不同视觉刺激器产生的SSVEP的疲劳特性，发现随着疲劳的增加，主观疲劳评价和SSVEP的幅值都有显著性变化[4]。吴绍斌等通过分析特定频带的脑电信号和P80指标表征疲劳驾驶脑电特性[5]。本文基于多通道的EEG功率谱分析，引进典型相关分析方法提取SSVEP的频率特征，通过比较不同阶段的脑电指标变化，以及各脑电指标与SSVEP信噪比之间的相关系数，寻找评价SSVEP疲劳特性的有效性指标。

1　实验方案

1.1　实验流程

实验刺激器设计成4个棋盘格的小方块，位于屏幕的上下左右4个方位，如图1所示。每个格子随机闪烁，刺激频率分别为9 Hz，10 Hz，11 Hz，12 Hz。

图1　在线实验

实验流程如图2所示。实验开始前，被试者坐在离屏幕50 cm的地方，注视屏幕中心的注视点，保持舒适的坐姿。实验开始时，先对被试者进行主观疲劳程度评测。主观疲劳评测的调查问卷由14个问题组成，其中有8个精神疲劳的问题和6个视觉疲劳的问题。实验有4个阶段，每个阶段中不同闪烁频率随机出现3次，每次刺激要求被试者注视闪烁源30 s。在实验结束后，再次评测被试者的主观疲劳程度。

图2　实验流程图

选取10名被试者参加实验（2女，8男），年龄在22~26岁之间。被试者身体健康，都有正常或矫正正常的视力。脑电采集设备使用neuracle32导脑电放大器，电极放在O1，O2，Pz 3个位置，如图3所示。

图3　电极安放图

1.2　脑电信号的处理

对采集的脑电信号进行预处理，采用1 Hz~50 Hz的带通滤波器，得到低频段的脑电信号，借助独立成分分析，去除眼电和肌电等伪迹干扰。

为进一步确定视觉疲劳与所选指标之间的关系，引进了皮尔逊相关系数，分析比较10名被试者的各脑电指标与SSVEP信噪比之间的相关性。通过综合分析，确定一组能够评价SSVEP疲劳特性的指标。

2　实验结果及数据分析

2.1　SSVEP信噪比分析

SSVEP信噪比是评价基于SSVEP的脑机接口系统的一项指标[9]，它可以评测被试者能否诱发产生足够强的脑电信号。根据文献[10]SSVEP信噪比定义为

其中，为闪烁频率；()为闪烁频率的SSVEP经过Fourier变换得到的幅值；为采样点；的值从1至/2。

实验前后10名被试者的主观疲劳程度平均评测结果如图4所示。实验后的评测疲劳程度平均分数明显比实验前高（显著性<0.005）；SSVEP平均信噪比在疲劳状态时明显降低（显著性<0.005），说明疲劳状态对SSVEP的信号质量产生了影响。

图4　被试者主观疲劳评价分数与SSVEP信噪比变化

2.2　疲劳指标分析

10名被试者在清醒和疲劳状态下所有脑电指标的变化情况如图5所示。

图5 清醒与疲劳状态下脑电指标变化情况

表1　EEG指标与SSVEP信噪比的相关性分析

*<0.005时显著

2.3　支持向量机分类

采用支持向量机对所选指标进行分类。选取每个被试者清醒和疲劳阶段的240个脑电片段作为样本，分别以筛选的3个指标及其组合为特征，随机把样本分量的7/10作为训练样本，3/10作为验证样本，利用支持向量机，以10次交叉验证正确率的平均值作为每个被试的正确率结果，最后取10个被试正确率的平均值作为最终表示3个脑电指标及其组合指标的分类结果。EEG指标及其组合指标的分类结果如表2所示。

表2　EEG指标及其组合指标的分类结果

3　结语

笔者下一步将根据疲劳脑电特性优化刺激器机制，达到提高基于SSVEP脑机接口稳定性和改善人机交互的友好性目的。

[1] 程明,高小榕.基于脑电信号的脑-计算机接口:2003年康复医学发展论坛暨庆祝中国康复医学会成立20周年学术大会论文集[C].北京:中国康复医学会,2003:113-118.

[2] Pinheiro CG, Naves EL, Pino P, et al. Alternative communication systems for people with severe motor disabilities: a survey[J]. BioMedical Engineering OnLine, 2011,10(1):31.

[3] Teng Cao, Feng Wan, Chi Man Wong, et al. Objective evaluation of fatigue by EEG spectral analysis in steady-state visual evoked potential-based brain-computer interfaces[J]. BioMedical Engineering OnLine, 2014,13(1):13-28.

[4] Makri Dimitra, Farmaki Christina, Sakkalis Vangelis. Visual fatigue effects on steady state visual evoked potential-based brain computer interfaces[J]. International IEEE /EMBS Conference on Neural Engineering, 2015:70-73.

[5] 吴绍斌,高利,王刘安.基于脑电信号的驾驶疲劳检测研究[J].北京理工大学学报,2009,29(12):1072-1075.

[6] Benjamin Blankertz, Claudia Sannelli, Sebastian Halder, et al. Neurophysiological predictor of SMR-based BCI performance[J]. NeuroImage, 2010, 51(4):1303-1309.

[7] 王磊,吴晓娟,俞梦孙.驾驶疲劳/磕睡检测方法的研究进展[J].生物医学工程学杂志,2007,24(1):245-248.

[8] Robert Becker, Petra Ritter, Arno Villringer. Influence of ongoing alpha rhythm on the visual evoked potential[J]. NeuroImage, 2007, 39(2):707-716.

[9] Shyu KK, Lee PL, Liu YJ, et al. Dual-frequency steady-state visual evoked potential for brain computer interface[J]. Neuroscience Letters,2010, 483(1):28–31.

[10] Wang Yijun, Wang Ruiping, Gao Xiaorong, et al. A practical VEP-based brain-computer interface[J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2006, 14(2):234-239.

Fatigue Characteristic Analysis in Steady-State Visual Evoked Potential

Chen Xueqiang Xie Yun Liu Jiazhuo

(School of Automation, Guangdong University of Technology)

In the steady state visual evoked potential (SSVEP) based BCIs, the user's visual fatigue is caused by a long period of stimulation, which affects the signal quality of SSVEP and restricts the application of BCI system. In order to measure and evaluate visual fatigue, we proposed a method based on electroencephalography(EEG) power spectrum analysis. The experimental results show that in the fatigue state, the quality of the SSVEP signal is affected; the signal-noise ratio(SNR) is significantly decreased; and the amplitude of the EEG index alpha, theta and (alpha+theta)/beta are significantly increased. There is a significant negative correlation between the SNR and SSVEP. The support vector machine classification(SVM) results show that they have good separability, and can be used as an index to evaluate the fatigue characteristics of SSVEP.

Steady-State Visual Evoked Potentials; EEG Spectrum; Fatigue Characteristics

陈学强，男，1992年生，硕士研究生，主要研究方向：脑机接口技术、信号处理。E-mail: 569503960@qq.com

谢云，女，1960年生，教授，博士研究生，主要研究方向：IC集成、脑机接口技术、无线通信。

刘家卓，男，1995年生，硕士研究生，主要研究方向：图像处理、脑机接口、信号处理。

广东省自然科学基金资助项目（2016A030313706）