基于Emotiv的脑机接口研究

陈 侃，张胜利，丁 凡

(深圳大学 信息工程学院 无线通信与网络实验室，广东 深圳 518000)

0 引言

大脑是人类控制自身思想和行为的神经中枢，它作为人体的管理者频繁地与外界进行各种交互与通信，在此基础上活动的脑区域会产生一种可由放置在头皮的电极捕捉到的生物电信号。脑电信号(electroencephalograph)是研究了解人类行为模式、认知过程和诊断各种疾病的有效手段，也是实现人体与外界设备进行直接通信的新手段。

近十年来，关于怎样在大脑和外部设备间建立一条直接沟通的高效路径引起了广泛的研究和关注，通过紧贴在头皮上的电极采集和处理脑电信号，就能建立起一种不依赖于大脑外周神经与肌肉的脑机接口(Brain-Computer Interface，BCI)系统。BCI作为一种全新的控制和通信方式具有重大的应用价值，它可以帮助思维正常但身体严重残疾的病人实现控制电脑鼠标的移动、轮椅行走、单词拼写等一系列功能[1]。此外，系统可拓展到机器人、无人机等设备的操作和控制，应用前景十分广阔。

1 系统组成

1.1 脑电采集设备

根据采集脑电信号的电极种类不同，BCI系统可分为植入式脑电图和非植入式脑电图。植入式电极的优点在于电极所受干扰小，能获得质量比较好的脑电信号，但通常需要进行外科开颅手术，风险极大且不利于设备的移动和灵活应用，多用于实验室研究。与之相较非植入式电极在近年来的研究中应用广泛，该方法具有优良的时间分辨率和灵活的应用场景，虽然信号的准确度容易受眼球转动、肌肉收缩等产生的其他生物电信号的干扰，但成本低廉且更容易被受试者接受。

本文用到的Emotiv EPOC+采用非植入式电极，由14个数据采集通道和2个参考电极组成(如图1所示)，采样率为128 Hz。

图1 Emotiv EPOC+电极分布

有研究表明属于消费级脑电设备的Emotiv EPOC+和科研级的脑电设备在BCI上的性能具有一定的差距[2]，但笔者通过实验得出，对于由稳态视觉刺激(Steady-State Visual Evoked Potential, SSVEP)引起的诱发脑电，Emotiv能够较好地采集和记录实时的特征信号，具有良好的精度和灵敏度。

1.2 视觉刺激器

视觉诱发电位[3](Visual Evoked Potentials,VEP)是指利用外部某些固定调制的闪烁频率来刺激眼球从而诱发特定的脑电信号，该信号可以通过位于枕骨的O1和O2两个电极采集得到。如图2所示，若目标闪烁频率高于特定频率，将会得到一段连续的受激励波形，称为稳态视觉刺激[4]。

图2 不同刺激频率下的VEPs和SSVEPs

通过P300诱发电位、事件相关电位、刺激慢皮层电位等方式也可获取相应特征的脑电信号[5]，但SSVEP的优势在于实现简单易行，同时具有很好的稳定性和抗干扰性能，受试者无需经过专门的训练。本文采用LCD显示屏作为视觉刺激器的载体[6]，如图3所示，具有方便操作和可灵活变更程序的优点。测试软件由Python编写，经过测试表明基于SSVEP的Emotiv脑机接口具有较高的信息传输率。

图3 脑机接口系统视觉刺激界面

2 信号处理

本文主要采用两种特征提取手段来探测EEG信号中的SSVEPs相关特性，分别是功率谱密度分析[7](Power Spectrum Density Analysis, PSDA)和典型相关性分析 (Canonical Correlation Analysis, CCA)。此外，为提高SSVEP的识别准确率，本文将两种特征提取手段相结合，并赋予每种方法不同权重，该参数可在实际使用中根据不同应用情景和不同测试受体进行灵活调整，大大提高了识别的速度和准确率。

2.1 功率谱密度分析法

功率谱密度分析在应用SSVEP的脑机接口系统中有着广泛的应用，其中有一些选取功率谱密度中最高值作为特征匹配点，另一些BCI首先通过对受试者的训练来确定一个阈值，只有当相应频率的幅值或功率超过该阈值时才作为被选定目标信号。

本文对PSDA的应用无需通过训练，通过计算相应目标频率的SNR(Signal-to-Noise Ratio)来确定受试者选择的对象，如式(1)所示：

(1)

其中P代表功率谱密度方程，f1,…,fk,…,fm为依次递增的频率。因为SSVEP在目标频率会引起相同频率的脑电特征信号，所以只用选择信噪比最高的频率即可判断为受试者注视的闪烁目标。

2.2 典型相关性法

典型相关分析[8]是一种多变量统计方法，在多通道的EEG信号中具有更好的识别效果。记录大脑视觉刺激的相关区域位于枕骨，由位于O1和O2的电极采集到的一组EEG信号记为x(t)。第二组y(t)信号由与刺激频率个数相同的参考信号组成，因为任何周期信号都能分解为一系列傅里叶函数，所以对于特定的频率f有：

(2)

式中f为基频，T是采样点的数量，S为采样频率，人类大脑具有低通滤波器的特点，所以此处用了6组谐波作为参考信号进行分析。

假设两组样本信号为X=(x1,…,xn)，Y=(y1,…,ym)，构成的线性组合为x=XTWx，y=YTWy，CCA通过寻找系数Wx和Wy来使得x与y之间相关性ρ(x,y)最大。

(3)

将EEG信号与参考信号作为两组样本代入上式，分别计算出两者间的典型相关系数，计算结果最大的一组即为目标频率匹配项，过程如图4所示。

图4 CCA特征提取方法

3 实验设计及结果

3.1 系统设计及流程

基于Emotiv的脑机交互系统如图5所示。

图5 脑机交互系统框架

点击开始后，屏幕上4个白色方块按照设置的不同频率同时闪烁，系统随机选取一个作为目标，并在周围用4个白色小三角形标识，受试者需盯住该闪烁方块直至识别出目标(周围三角形变为绿色)。

系统的信号处理流程如图6所示。

图6 信号处理流程图

目标识别时，采用将两种方式结合并设置权重的方法。例如，将PSDA识别的权重设置为1，CCA识别权重设置为2，目标判别的阈值设置为2，则当CCA判定为某目标时，该值即被选定。若阈值为3，则需两种方法判断结果一致，才能作为目标被选择。阈值法具有很好的扩展性，可以将更多判断方法有效结合起来，从而实现不同脑机接口系统的应用需求。

3.2 实验结果

实验中共有3人接受测试，对每位实验对象的测试分为3组，每组测试时间为90 s，组间闭眼休息1 min，根据纪录相关的数据计算出BCI系统的信息传输速率[9](Information Transfer Rate,ITR)：

(4)

其中N为目标数，p为识别准确率，T表示识别出每个目标的平均用时。实验结果如表1所示。

表1 脑机接口性能比较

4 结论

本文利用Emotiv EPOC+对基于稳态视觉诱发电位的脑机接口进行了测试，结果表明Emotiv能够很好地胜任控制外部设备的脑机接口系统，此外采取多种特征提取相结合的方案能够大幅提升系统的准确率，更加准确地控制外部设备。然而，

系统中仍存在任务数少、通信速率低等问题，未来将在此基础上进一步研究特征分类算法，实现更多任务的选择，从而提升脑机接口系统的整体传输性能。

[1] 杨立才,李佰敏,李光林,等.脑-机接口技术综述[J].电子学报,2005,33(7):1234-1241.

[2] DUVINAGE M, CASTERMANS T, PETIEAU M, et al. Performance of the Emotiv EPOC headset for P300-based applications[J/OL].(2013-12-XX)[2018-08-01].http://link.springer.com/article/10.1186/1475-925X-12-56.

[3] 何庆华，彭承琳，吴宝明.基于视觉诱发电位的脑机接口实验研究[J].生物医学工程学杂志，2004,21(1):93-96.

[4] ZANI A, PROVERBIO A M, POSNER M I. The cognitive electrophysiology of mind and brain[M]. Academic Press, San Diego, 2003.

[5] 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.

[6] 何庆华，吴宝明，王禾．脑机接口视觉刺激器的研究[J].中国临床康复，2004，8(11)：2060-2061.

[7] 黄思娟,吴效明.基于能量特征的脑电信号特征提取与分类[J].传感技术学报,2010,23(6):782-785.

[8] 张莉,何传红,何为.典型相关分析去除脑电信号中眼电伪迹的研究[J].计算机工程与应用，2009,45(31):218-220.

[9] WOLPAW J R, RAMOSER H, MCFARLAND D J, et al. EEG-based communication: improved accuracy by response verification[J]. IEEE Transactions on Rehabilitation Engineering, 1998,6(3):326-333.