基于SSVEP的无线脑-机接口系统研究与实现

吴正平 魏 欢 赵 靖 杨翔宇 仇 凯

1(三江学院创新创业学院，南京 210012)2(江苏博恩医疗科技有限公司，江苏 南通 226002)3(燕山大学电气工程学院，河北 秦皇岛 066004)4(东南大学生命科学研究院，南京 210009)5(南京伟思医疗科技股份有限公司，南京 210012)

引言

脑-机接口(brain-computer interface, BCI)，是指不需要通过常规的大脑输出通道，在人或者其他动物与外在环境之间建立一种沟通的环境[1]，达到意识控制设备的目的。德国神经生理学家Berger首先发现脑电信号的存在，并为脑-机接口技术的发展奠定基础。之后，研究人员一直致力于研发如何利用脑电信号来控制外部设备[2]，例如智能机器人、机械臂、智能轮椅、四旋翼无人机等。这种由脑机接口解析出脑信号中携带的信息，并由各种外部控制设备实时反馈的系统，是当今脑机接口研究的热点。美国Emory大学的Kennedy和Bakay最先在他们患有脑干中风导致的锁闭综合征的患者Ray身上植入了可获取高质量脑电信号的接口，使他存活了足够长的时间，并且学会了用脑信号控制电脑光标[3]。

脑机接口系统是涉及神经科学、信号处理、人工智能、机械控制等多个学科的交叉学科，具有重大科研价值和应用前景。如今脑机接口中信号获取的技术主要有以下几种:头皮脑电(EEG)、皮层脑电(ECoG)、植入式电极(Spike and LFP)、脑磁图(MEG)、功能磁共振成像(fMRI)、功能近红外成像(fNIR)等。本研究主要使用头皮脑电(EEG)技术来完成脑机接口系统信号获取部分。

脑-机接口的主要实现方式可以分为主动和被动两种，主动的有基于无能运动想象，而被动的主要有基于P300信号和SSVEP(steady-state visual evoked potential, SSVEP)信号[4]。本研究主要针对稳态视觉诱发电位(SSVEP)技术来完成脑机接口系统应用的实现方案，SSVEP是指当人体受到一个固定频率的视觉刺激时大脑视觉皮层产生的一个连续的与刺激频率有关(刺激频率的基频或倍频处)的响应[5]。

本研究开发的无线脑-机接口系统是由便携式多通道无线脑电信号采集器、视觉诱发程序、脑电信号分析处理程序三部分组成。基于SSVEP的程序设计可以将用户注意力集中于某个视觉激励，从而产生特定的脑电模态[6]，再使用典型相关分析(canonical correlation analysis, CCA)和小波变换(wavelet transform, WT)进行特征提取，这种基于WT-CCA的SSVEP的特征提取算法，相比最常用的CCA相关系数特征提取算法[7]，平均准确率提高了近8.5%。

1 方法

1.1 系统结构设计

系统结构如图1所示，包含4个模块：主控系统、视觉刺激器、脑电信号采集器、信号处理及指令输出[8]。

图1 系统结构Fig.1 System diagram

1.1.1视觉刺激器

视觉刺激器是基于LabVIEW开发平台实现的，在刺激源少的情况下，相对于LED对硬件电路的要求高和CRT的体积过大[9]，LCD显示器只需要通过软件操作即可，操作简单，更利于用户的使用。基于LCD显示器60 Hz的刷新特性，通过调整时间参数，可以实现图片以指定频率闪烁。刺激界面选用4个相同的黑色圆组成，整个操作界面简洁、方便、可控。

1.1.2脑电采集器

本研究自主研发了无线脑电信号采集器，具有使用方便、功能丰富、指标性能优良等特点，尺寸仅为56.7 mm×50.8 mm×19 mm，便于携带。采集器通过电极采集到的脑电信号经模数转换后，无线输出发送到上位机，由上位机程序进行信号分析和处理。图2所示为采集器的结构框图，包括电源供电模块、模拟前端模块、主控系统模块和WiFi无线传输模块。

图2 脑电采集器硬件结构Fig.2 Hardware structure diagram of collector

无线脑电采集器采用了内置可充电锂电池供电，通过外部USB接口充电，这样既能避免交流电信号带来的工频干扰，也能便携地供用户使用[10]。

由于脑电信号微弱(0.5～100 μV)的特性，传统的脑电信号采集前端通常在每个通道前配有放大电路和滤波电路。本研究的模拟前端模块选用TI公司生产的具有内置可编增益放大器(PGA)的芯片ADS1299，高输入阻抗和高共模抑制比，同步24位采样，三角积分(Δ-Σ)模数转换器(ADC)，可调PGA可以方便地确定信号的放大倍数。该系统抗干扰能力强，适合在各种复杂的环境中使用。通过MCU，可以灵活配置输入增益和参考偏置[11]。

微处理单元选用STM32F405R作为主控芯片，具有高性能、低功耗、快速运算力，在各类医疗和手持设备中得到广泛的运用。无线传输模块采用的是TI公司生产的CC3200，体积小，功耗低，支持802.11 b/g/n协议标准，可以实现将采集到的脑电信号实时地传输到上位机进行处理反馈。通过测试，采集器具有极低的失真和输入噪声。

1.1.3波形显示界面

本系统波形显示界面也由LabVIEW软件编写，与上面介绍的视觉刺激器软件环境相同，显示界面如图3所示，能够显示8个通道的脑电数据波形。

1.2 SSVEP特征提取算法

1.2.1信号预处理

由于环境噪声和自身的各种干扰(如眼电、肌电)，须对信号进行预处理，消除干扰信号的影响。在本研究中，上位机采用巴特沃斯滤波器组，对无线接收到的脑电信号进行滤波，该滤波器在通带内具有最大限度平坦的幅度响应，其频率响应模型为

(1)

式中，Ωc为截止频率，N为阶数，pk为归一化极点。

选取适合的截止频率和阶数的滤波器来滤除不需要的脑电信号，结合SSVEP在人体大脑枕部诱发的脑电信号频率，本次选取的刺激频率为4、8.57、15、20 Hz[12-13]，将通频带设置为40 Hz，这样既能去除干扰信号，又能保证谐波的存在，其滤波效果对比如图4所示。

1.2.2信号特征提取及处理

作为一种常用的数字信号分析处理方法，小波包算法能够把信号按频带进行分解,根据信号的特性与分析要求，匹配最佳的对应频带和信号频谱，小波包分解重构公式为

(2)

图3 前面板信号波形Fig.3 Signal waveform in front panel

图4 滤波前(上)和滤波后(下)信号Fig.4 Signals before (top) and after (bottom) filtering

其中j为小波包分解层数，un为

(3)

式中，hk、gk是尺度函数φ(x)和小波函数ψ(x)对应的滤波器函数。

小波包算法将SSVEP脑电信号中特定频点的信号分解重构出来，就本研究所选的频点，根据采样率选择分解层数。例如，对256 SPS采样率，选择对信号进行小波包6层分解，重构出SSVEP特定频点的信号，然后与参考信号做相关性CCA算法。 典型相关分析方法(CCA)是对SSVEP信号简单有效计算相关性的算法，可以结合多通道的特点，满足本研究所采用的8通道信号采集。此外，CCA在信号处理过程中能显著提高信噪比。

CCA是研究多个变量与多个变量之间的相关性的算法，其基本思想是找出两组变量X和Y在整体上的相关系数ρ并使其最大。定义多通道SSVEP信号为Xn，有

(4)

式中，n为通道编号，xnfm是原始SSVEP脑电信号经过小波包分解重构的fm频段的信号。建立相应的参考信号矩阵为

(5)

然后，求得最大的相关系数为

(6)

式中，cov(Xn,Y) 为Xn和Y的协方差，σXn和σY分别为Xn和Y的标准差。

由于单纯的CCA算法在识别SSVEP频率以参考信号为依据，其识别效果受SSVEP中存在的干扰信号影响，所以提出用WT-CCA算法对脑电信号进行特征提取及处理，提高了特征识别的准确率。

图5 WT-CCA识别方法Fig.5 Recognition of WT-CC

本研究提出的WT-CCA算法，能对低频和高频部分进行分解，避免了参考信号中存在的干扰，有效提高了信号的识别率，过程如图5所示。将SSVEP信号进行小波包分解后得到重构信号，根据CCA算法计算出各个通道的Xn和Y的最大相关系数ρn，然后比照判断SSVEP刺激信号的频点fm。

1.3 系统测试方法

本次测试选了10位精神状态良好的志愿者进行实验。采集的背景光线不宜过亮，时间不宜过长，以免造成被测试者的不适。

实验准备阶段，将8通道信号采集器戴在待测试者头部上，并适当调整以确保接触良好，在阻抗测试时调试各个通道(一般阻抗不高于1000 kΩ)，SSVEP诱发电位主要发生在人体大脑枕部，根据10-20国际标准导联(见图6所示)，将采集脑电信号的电极放置在Fp1、Fp2、F3、F4、Cz、Pz、O1、O2位置[14-15]，参考电极放置在人体耳后乳突，接地电极接AFz的位置。

图6 导联分布Fig.6 Lead distribution

调节被试与显示器之间的距离，规定在60 cm左右(可根据被试最舒适的距离进行调整)。每组实验有50个block，每个block的流程为：屏幕随机闪烁一种频率1.5 s，并伴随一声提示音提示被试观看，闪烁1.5 s后，显示屏进入睡眠，不会有闪频信息，持续2.5 s，此时被试进入休息状态。每个被试进行15组实验，每组实验大约3 min 20 s，每组实验间隔5 min，用来给被试休息。所有数据完成后，系统会自动记录采集到的数据，并上传到上位机进行数据的特征提取及分类。

2 结果

采用本研究所完成的脑机接口分别进行了两次测试实验，主要验证所提出的WT-CCA算法对目标频率识别正确率和与普通常用的CCA算法的对比。

表1WT-CCA目标频率特征识别正确率

Tab.1WT-CCAtargetfrequencyfeaturerecognitionaccuracy%

表1列取了10名被试使用WT-CCA算法对目标频率特征识别并计算识别正确率，第一列1～10代表被试的编号信息，第一行为目标频率，表格中的其他值代表了被试编号在某个目标频率下的识别正确率，最后一行为各目标频率下的平均识别正确率。从实验中得出的数据可以看出，本系统和算法对SSVEP的识别率很高，达到90%。同一个测试者对不同频率的目标刺激产生不同的响应，而同一刺激频率对不同的测试者则产生不同的响应，这也体现了个体之间的差异性，与生物学人体各异的观点相符。

表2 目标频率特征识别正确率对比Tab.2 Target frequency feature recognition accuracy %

在同样的实验环境下，选取10名被试，使用本研究设计的脑机接口进行数据获取，采用传统的CCA识别算法对目标频率进行识别，并计算相应的识别正确率。如表2所示，采用CCA算法与本系统提出的WT-CCA算法对比，第一行为目标频率，第一列为算法，其他数据为在各个目标频率下算法的正确识别率。从测试结果上得出对SSVEP信号的识别，WT-CCA算法的识别率要明显高于CCA算法的识别率。

3 结论

本研究的主要目标是实现基于SSVEP无线脑-机接口系统的设计。设计了基于LabVIEW的LCD视觉刺激器，根据显示器60 Hz的特性设定需要闪烁的频率，通过软件控制刺激源的个数和闪烁的频率，这是不同于其他刺激器的一个特点。自主研发的脑电信号采集器成功采集到8个通道脑电信号，提出的WT-CCA算法能对采集到的脑电信号进行特征提取和分类甄别。经试验论证，证实WT-CCA算法在识别分类上要优于CCA算法，识别率达90%以上。

(致谢：本研究得到江苏省高校“青蓝工程”的资助，在此表示感谢)