基于稳态视觉诱发电位的脑电信号分类算法比较

李 新，吴迎年,2*，李 睿

(1.北京信息科技大学自动化学院，北京 100192；2.高端装备智能感知与控制北京市国际科技合作基地，北京 100192)

脑-机接口(brain computer interface, BCI)系统是指通过分析大脑活动的意图将其转换成计算机指令，建立起人或者其他动物与外在环境的沟通渠道[1]，进而达到控制外部设备的目的。BCI在运动恢复、用户训练、脑控轮椅[2-4]、自动驾驶[5]等方面有着广泛的应用。脑-机接口的主要实现方式可以分为主动和被动两种，主动的有基于运动想象[6]，而被动的主要有基于P300信号和稳态视觉诱发电位(steady-state visual evoked potential，SSVEP)信号[7-8]。其中，基于SSVEP的BCI以其高信噪比和高信息传输率(information transfer rate, ITR)以及用户不需要接受训练等优点而备受广大科研工作者的重视，成为BCI的一个关键分支。当前SSVEP脑电信号的分类算法中，比较典型且常用的就是典型相关分析(canonical correlation analysis, CCA)、滤波器组典型相关分析(filter bank canonical correlation analysis，FBCCA)和任务相关成分分析(task-related component analysis, TRCA)几种方法。

FBCCA是一种基于CCA的SSVEP频率检测方法，将基频和谐波频率分量结合起来，用以改善SSVEP的检测[9]。该方法采用基于频率编码的40个目标BCI拼写器进行性能评估。通过在目标识别中引入基波和谐波SSVEP分量，FBCCA方法显著提高了基于SSVEP的BCI的性能，促进了其在高速拼写等实际应用中的应用。Ge等[10]将FBCCA的无训练特征提取与波束形成(beamforming，BF)的数据驱动和自适应特征相结合的方式，构造 了一种新的解码算法，达到与BF方法相当的最新性能。该方法通过消除对专门培训过程的需求，降低了BCI系统的操作复杂性，可以实现一个高准确率和ITR的无训练BCI系统。文献[11]设计了增强现实(augmented reality,AR)和SSVEP相结合的实验范式，通过在真实环境下将闪烁块对物体识别、追踪并标记，采用FBCCA方法对脑电信号分析处理。达到了99.68%的脑电信号识别率，证实了基于增强AR和SSVEP的脑-机接口系统更适合复杂的现实环境。Wai等[12]提出了一种优化滤波器组典型相关分析的方法，该方法具有受试者的校准模板、特定的权重和多种参考类型。所提出的方法利用了多参考独立且明显的识别特征和受试者特定的权重调整特征来提高SSVEP的识别性能。

TRCA最早应用于近红外光谱(near-infrared spectroscopy, NIRS)的识别上，通过最大化每个任务中神经影像数据的复现性，从而提取任务相关成分。在脑电方面则是由Nakanishi等[13]率先将TRCA方法引入到SSVEP的识别上来，通过去除背景脑电活动，提高了SSVEP的信噪比。离线分析结果表明，该方法能显著提高分类准确度，并且线索引导拼写任务的在线ITR达到325 b/min，是基于EEG的BCIs中较高的ITR。王春慧等[14]使用TRCA的分类模型识别脑电数据的SSVEP成分，再运用基于Bayes估计的动态自适应策略评估分类结果的置信度。比传统的静态自适应策略的平均ITR提高了12%，进一步提升了基于SSVEP的BCI的性能。Tanaka等[15]提出了一种互相关任务相关成分分析(xTRCA)方法，提供了一个统一的框架来分析事件相关的诱发反应时间域，对实验时间进行优化提高了分类准确度，最大限度地提高实验的可重复性。Judith等[16]提出了一种提高SSVEP频率识别性能的多集任务相关成分分析方法(M-TRCA)。通过采集大量脑电数据集，提取数据集中的特征，生成参考信号，这些共同特征更精确地反映了SSVEP属性，可以提高频率识别的速度和精度。

其中，CCA方法虽然由于其用户变化小、易于设置且不需要信道选择和参数优化等优点而被广泛应用，但是信息传输率偏低，对于多目标分类准确率不高，所以该方法还需要进一步的改进提升。因此，利用分类效果更好的FBCCA方法与TRCA方法对基于SSVEP的信号进行分类比较，分别探讨数据长度、子带数以及通道数对分类识别准确率的影响，并且分析得出两种方法分类效果更好的实验参数设置，为以后的SSVEP信号分类识别方法研究提供一定的基础支持。

1 研究方法

1.1 典型相关分析(CCA)

CCA是一种可以最大化两组变量之间的相关性的多变量统计方法，已广泛应用于基于SSVEP的BCI频率检测[17-18]。该方法主要通过计算多通道脑电信号与构造的参考正余弦信号之间的相关系数来求得两个信号的最大相关性。其流程图如图1所示。

图1 CCA在脑电信号分析的流程图

对于两个多维变量X、Y及其线性组合x=XTWX和y=YTWY,CCA需要找到权重向量WX和WY，使x和y的相关性最大。

maxWX,WYρ(x,y)=

(1)

相对于WX和WY，ρ的最大值就是最大典型相关。在SSVEP的频率检测中，X表示多通道信号，Y表示参考信号。为了检测频率，用正弦信号作为参考信号Yk。

(2)

式(2)中：f为刺激频率；Nh是谐波数量；t为时间。为了识别频率，CCA计算多通道SSVEP与每个刺激频率对应的参考信号之间的典型相关。相关性最大的参考信号的频率即为SSVEP的频率。

1.2 滤波器组典型相关分析(FBCCA)

FBCCA是基于CCA的无训练的SSVEP频率检测方法。主要有以下三个步骤：①滤波器组分析；②SSVEP子带分量与正余弦参考信号之间的典型相关分析；③目标识别，其流程图如图2所示。

图2 SSVEP频率检测的FBCCA方法流程图

滤波器组分析使用具有不同通带的多个滤波器进行子带分解。用零相位切比雪夫Ⅰ型无限脉冲滤波器从原始脑电信号X中提取子带成分XSBn(n=1,2,…,N)。滤波器组分析之后，分别对每个子带分量应用标准CCA过程，得到子带分量与所有的刺激频率Yfk(k=1,2,…,40)对应的预定义参考信号之间的相关值。对于第k个参考信号，由N个相关值组成的一个相关向量ρk定义为

(3)

式(3)中：ρ(x,y)表示x和y之间的相关系数。相对应的所有子带分量的相关值的加权平方和计算为

(4)

式(4)中：n表示子带的指数；w(n)是子带分量的权重，计算式为

w(n)=n-a+b,n∈[1,N]

(5)

与标准CCA相比，FBCCA中的滤波组分析可以将SSVEP分解为多个子带分量，从而提取出SSVEP谐波分量中的判别信息。因此，FBCCA为SSVEP目标识别提供了更丰富、更稳健的谐波信息，具有更好的识别效果。

1.3 任务相关成分分析(TRCA)

TRCA是一种通过最大化任务期间的可重复性来有效提取任务相关成分的方法。在SSVEP中可以最大化多个trial之间的复现性，从而提高信噪比，抑制自发脑电活动。

假设一个多通道的EEG信号x(t)∈RNc是由任务相关信号s(t)∈R和任务无关信号n(t)∈R组合而成的，即

xj(t)=a1,js(t)+a2,jn(t),j=1,2,…,Nc

(6)

式(6)中：j为通道数；a1,j和a2,j为混合系数。关键是从EEG信号中仅得到任务相关的成分s(t)，这样即能增加信号的信噪比。首先对多通道的EEG信号进行加权求和，表示为一个线性一维模型，即

(7)

Ch1 h2=Cov[y(h1)(t),y(h2)(t)]=

(8)

所有可能的trial组合总结为

(9)

定义矩阵S=(Sj1j2)1≤j1,j2≤Nc为

(10)

为了获得有限解，y(t)的方差约束为

wTQw=1

(11)

式(11)中：Q=Cov[xj1(t),xj2(t)]。

约束优化问题可以求解为

(12)

在基于SSVEP的脑-机接口系统中，TRCA可以用来设计空间滤波器去除头皮记录中的背景脑电活动。基于TRCA的方法的流程图如图3所示。

图3 TRCA方法流程图

2 实验设置

2.1 受试者

采用Wang等[19]Benchmark Dataset来测试所提出的方法。共有35名视力正常或矫正正常的健康受试者，在所有的受试者中，有8名受试者有使用基于SSVEP-BCI拼写器的经验，另外27名受试者均是初次参与此类实验。

2.2 实验设计和流程

该用户界面是一个有40个目标的BCI拼写器，即5×8的刺激矩阵。共包含40个字符(26个英文字母、10个数字和4个字符)。该矩阵显示在23.6英寸液晶显示器上，屏幕纵横比为16∶9，分辨率为1 920×1 080像素，刷新频率为60 Hz。整个矩阵区域的大小为1 510×1 037像素，刺激为140×140像素的正方形，字符嵌于刺激中间32×32像素的方块中。每两个相邻刺激的水平和垂直距离均为50像素。刺激按照从上到下、从左到右的方式依此排列，相应的频率和相位以0.2 Hz和0.5π的步长递增，第一个刺激的频率和相位为8 Hz和0π，最后一个刺激的频率和相位为15.8 Hz和1.5π。在该实验中，采用正弦采样的刺激方法，40个字符使用联合频率相位调制(joint frequency and phase modulation,JFPM)[20]方法进行视觉闪烁编码。刺激程序是使用在MATLAB环境下开发的Psychophysics Toolbox Version 3编写。

实验分为6轮，每轮包含40个试次，分别对应40个字符。每次试次前，有0.5 s时间提示目标字符的红框，要求受试者在0.5 s的提示时间内，尽快将视线转移到屏幕上的目标字符。在提示时间结束时，所有字符对应的方框以相应的频率闪烁5 s，然后屏幕出现0.5 s的空白，需要受试者在刺激闪烁期间尽量避免眨眼。为了减少视觉疲劳，相邻轮次之间会有几分钟的休息时间。

2.3 数据采集和信号处理

脑电放大器使用的是Synamps2脑电系统64导联，采样率为1 000 Hz。由于SSVEP的响应信号主要出现在脑部的后枕区，枕叶是视觉的高级中枢所在地，对视觉影响最大，因此本次实验主要采用Pz、POz、PO3、PO4、PO5、PO6、Oz、O1、O2等9个通道的脑电数据来进行SSVEP的频率分类。参考电极位于头部顶端，接地电极位于前额叶。所有数据先被降采样到250 Hz,再根据时间触发器进行提取。采用50 Hz的陷波滤波器去除电源工频噪声干扰。除此之外，还用到了滤波器组分析，所用到的滤波器ChebyshevΙ型无限脉冲响应滤波器。对于第n个频带，上、下截止频率分别为90 Hz和n×8 Hz(n=1,2,…,5),并且使用MATLAB中的filifilt()函数来进行正向和反向滤波。

3 性能评估

除了分类准确率外，ITR也是目前最常用的评估BCI性能的参数之一，它需要同时考虑3个指标：分类准确率、刺激目标数和时间，公式为

(13)

式(13)中：N是目标数；Ac是分类准确率；T是检测时间，包括目标注视时间以及本文中额外的用于实际应用的视线转移时间。对所有的模拟在线测试的试次，可以计算出最优的平均数据长度、准确率，进而计算出理论ITR。

3.1 数据长度对性能的影响

为了判断数据长度对SSVEP性能的影响，两种方法中子带数都设置为5，分别取0.25、0.5、0.75、1、1.25、1.5、1.75、2 s的数据长度，比较其分类准确率Ac和ITR。图4为TRCA和FBCCA的分类准确率和信息传输率随数据长度变化的折线图。

图4 不同数据长度的分类准确率和信息传输率

由图4可知，随着数据长度的增加，分类准确率也逐渐增大，且趋向于稳定。ITR随着数据长度的增加，先增大再减小，由式(13)可知ITR受三个因素影响，当分类准确率随着数据长度的增加而逐渐增大时，必然导致ITR的降低。数据长度在1 s之前时，TRCA的分类正确率和ITR明显高于FBCCA，但随着数据长度的持续增加，FBCCA的分类准确率逐渐和ITR接近TRCA。该结果表明，相比于TRCA算法，FBCCA算法对数据长度更加敏感，所以当数据长度较小时，TRCA算法性能明显好于FBCCA算法。

3.2 子带数对性能的影响

由上图可知，当数据长度在1 s以内时，分类准确率和ITR都较高。子带的个数并非越大越好，过大可能会影响信号的强度甚至会降低准确度，在这里对子带数进行1～7个的取值，数据长度取1 s，两种方法的分类准确率如图5所示。

图5 不同子带数的分类准确率

从图5可以看出，当数据长度固定时，子带个数对分类准确率的变化并不大。TRCA的分类效果明显好于FBCCA，分类准确率提升了近30%，最高达到87.25%，而FBCCA最高仅为61.73%。随着子带个数的增加，分类准确率也小幅度提高，在5个子带数达到最高。大于5时，分类准确率会有一定程度的降低，故实际子带数应该以5个为准。

3.3 通道个数对性能的影响

实际上在做SSVEP的时候，响应信号主要出现在脑部的后枕区，主要的通道有Pz、POz、PO3、PO4、PO5、PO6、Oz、O1、O2，所以本文主要用这9个通道进行SSVEP的信号分类。对通道数取分别取3～9个不同的值，数据长度固定为1 s，子带数取5个，比较两种方法的分类准确率，如图6所示。

图6 不同通道数的分类准确率

可以看出，两种方法的分类准确率都随通道数的增加而增大，且最后趋于稳定，都在9个通道时达到最大，分别为89.51%(TRCA)和80.19%(FBCCA)。在通道数少的情况下，二者性能差距较大，通道数取3时，分类准确率差距近20%。说明在数据长度小、子带数一定时，通道数越少，TRCA算法性能越优于FBCCA。

以上实验对比研究了影响FBCCA与 TRCA分类准确率的三个因素: EEG数据长度、子带数与通道个数。实验结果显示：FBCCA与TRCA 的分类准确率和信息传输率均随数据长度的增加而增加，而在数据长度较小的情况下，TRCA算法对SSVEP信号分类的效果优于FBCCA算法。数据长度固定时，子带个数对分类准确率的变化很小，但TRCA的分类准确率仍显著高于FBCCA。在其他相同的实验设置下，TRCA算法对SSVEP 信号分类的准确率普遍高于 FBCCA 算法，尤其是在数据长度小、数据量少的情况下，这种特性表现得更为明显。

4 结论

SSVEP已成为脑电信号研究的主流方向之一。当前，针对SSVEP信号频率分类的算法中，滤波器组典型相关分析(FBCCA)和任务相关成分分析(TRCA)是较为新颖的频率识别方法。结合Benchmark Dataset 35位受试者的数据，利用MATLAB对比分析了TRCA与FBCCA方法影响SSVEP信号分类准确率的三个主要因素，结果表明，在数据长度小、时间短的情况下，相比于FBCCA方法，TRCA方法具有更高的分类准确率。且子带数设置为5时，分类准确率达到最大。通常来说，通道数越多分类准确率越大，但在通道个数较少时，TRCA分类效果明显优于FBCCA。上述分析结果为脑机接口系统应用者在对SSVEP的分类方法选择上提供了比较清晰的理论方法及系统的实验参考，也为后续的性能提升奠定了实验基础，具有较好的参考价值。