基于稳态视觉诱发脑电信号的频率特征提取方法研究

张立煌 谢云

（广东工业大学自动化学院）

基于稳态视觉诱发脑电信号的频率特征提取方法研究

张立煌 谢云

（广东工业大学自动化学院）

脑电信号分析与处理是脑-机接口技术的关键环节，视觉诱发电位是脑-机接口技术较为常用的一种方法。采用功率谱估计中的自相关法、Welch法和AR模型法对稳态视觉诱发脑电信号进行频率特征提取，根据Fisher线性分类对3种方法提取的特征量进行分类判别。结果表明，AR模型法提取频率特征量的准确率最高。

脑电信号；频率特征；自相关法；Welch法；AR模型法

0 引言

脑-机接口（brain-computer interface，BCI）是一种将具有意图的脑电信号转换成计算机指令的系统。它不同于人体大脑与肌肉组织的通讯方式，利用可识别的脑电信号实现人脑直接与外部设备通讯，在医学康复、智能控制、娱乐等领域具有广泛的应用前景[1-2]。

视觉诱发电位是脑-机接口技术较为常用的一种方法，它是眼睛受到视觉刺激后在大脑皮质枕叶区产生特定的电活动，可分为瞬态诱发电位和稳态诱发电位。瞬态诱发的刺激所需的时长较长，各次刺激诱发电位间不交叠，刺激频率通常低于4 Hz；稳态诱发的刺激所需的时长较短，各次刺激诱发电位间会交叠，刺激频率通常情况高于6 Hz[3-4]。稳态诱发电位具有刺激时间较短、特征易于提取等优点，在频谱中由与刺激频率成整数倍的频率成分组成。本文通过自相关法、Welch法和AR模型法对视觉诱发脑电信号进行特征提取，并根据Fisher线性分类验证3种方法的准确性。

1 实验平台

脑电波是μV量级微弱生物医学信号，正常人的脑电频率范围为0.5 Hz ～100 Hz。人体表面有各种干扰信号，为了从脑电波中准确提取淹没在自发脑电的诱发电位，需要对脑电波进行放大和滤波。

整个实验在远离电磁干扰的环境中进行。受试者头戴橡胶电极帽，将银盘电极置于大脑枕叶区的 O1处，双耳接参考电极，坐在距离刺激器50 cm处，双眼平视LED灯刺激器。视觉刺激器由PsoC单片机实现3个LED灯同时闪烁，LED灯的刺激频率分别为12 Hz、15 Hz、18 Hz。脑电信号的数据来自于NeuroTOP UEA-16B脑电放大设备，经过相应的去噪和滤波，可提取频率特征。

2 视觉诱发脑电信号的频率特征提取

脑电信号是一种随机的功率信号，在对诱发脑电信号的分析中，功率谱估计是较为常用的频域分析方法[5]。功率谱估计分为经典谱估计和现代谱估计两大类，它在数字信号处理领域中占有重要地位，广泛运用于分析随机信号。本文采用功率谱估计中的自相关法、Welch法和AR模型法对稳态视觉诱发脑电信号进行频率特征提取。

2.1 自相关法提取诱发脑电信号的频率特征此方法具有原理简单、计算量较小、便于得到功率谱的优点。

采用的实验数据是实验室提取的2组视觉诱发脑电信号数据。这些数据是通过NeuroTOP UEA-16B脑电放大设备获得，经过了相应的去噪和滤波，可用来提取频率特征。在 Matlab中实现自相关法提取视觉诱发脑电信号的不同频率特征。2组数据的功率谱如图1、图2所示。从图中可以看出，两组数据的功率谱在诱发脑电信号的频率处都有一极大峰值。

图1 第一组自相关法实现诱发脑电信号的功率谱

图2 第二组自相关法实现诱发脑电信号的功率谱

2.2 Welch法提取诱发脑电信号的频率特征

因为每段数据间有交叉部分，当段数L增大时，改善了方差性能。在Matlab中实现Welch法提取2组稳态视觉诱发脑电信号的频率特征，设置汉宁窗的长度为150，交叠点数为85。两组数据的功率谱如图3、图4所示。从图中可以看出，Welch法的功率谱分辨率比自相关法高，两组数据的功率谱在诱发脑电信号的频率处都有一极大峰值。

图3 第一组Welch法实现诱发脑电信号的功率谱

图4 第二组Welch法实现诱发脑电信号的功率谱

2.3 AR模型法提取诱发脑电信号的频率特征

在Matlab中仿真AR模型法提取两组稳态视觉诱发脑电信号的频率特征。AR模型的阶数存在不确定性，在保持其他参数不变的前提下，通过改变阶数，然后观察所得的频谱效果确定合适AR模型阶数范围。本文选取AR模型的阶数为100。两组数据的功率谱如图5、图6所示。从图中可以看出，AR模型法的频谱清晰、谱分辨率高、两组数据的功率谱在诱发脑电信号的频率处都有一极大峰值。

图5 第一组AR模型法实现诱发脑电信号的功率谱

图6 第二组AR模型法实现诱发脑电信号的功率谱

3 Fisher分类器验证3种频率特征提取方法

Fisher线性判别法是常用的线性分类法之一，它具有原理简单、需要的计算量较少、容易在计算机上实现的优势。本文采用功率谱估计中的自相关法、Welch法和AR模型法对视觉诱发脑电信号进行频率特征提取，并运用Fisher分类器对3种方法提取的频率特征进行分类比较。通过对第一组数据进行相关处理，比较结果如表1～表3所示。从3种方法实现诱发脑电信号的功率谱中可以看出，AR模型法的谱分辨率高、方差性能较好。

从分类的比较结果中也可以看出，AR模型法的识别准确率在 86%～92%之间，明显高于自相关法和Welch法的识别准确率。

表1 基于自相关法提取频率特征向量的Fisher分类结果

表2 基于Welch法提取频率特征向量的Fisher分类结果

表3 基于AR模型法提取频率特征向量的Fisher分类结果

4 结语

本文采用功率谱估计中的自相关法、Welch法和AR模型法对稳态视觉诱发脑电信号进行频率特征提取，比较和分析3种方法在Matlab中实现的功率谱曲线。通过Fisher线性分类对3种方法提取的特征量进行分类判别。综合上述分析可得：AR模型功率谱估计具有方差性能好、谱分辨率高、频率特征提取准确率高的优点，在对视觉诱发脑电信号进行频率特征提取的方法中，AR模型法是一个合适的选择。

[1] Siuly S, Li Yan. Improving the separability of motor imagery EEG signals using a cross correlation-based least square support vector machine for brain–computer interface[J]. IEEE Trans. Neural Syst. Rehab.Eng, 2012,20: 19-24.

[2] Lebedev M A, Nicolelis M A. Brain-machine interfaces: past, present and future[J]. Trends in Neurosciences, 2006,29(9): 536-546.

[3] 郑军.基于稳态视觉诱发电位的脑-机接口实现与研究[D].广州:华南理工大学,2012:8-9.

[4] 黄日辉,李霆,阜艳,等.诱发脑电提取方法的研究进展[J].现代电子技术,2008, 25(22):139-141,144.

[5] 王凤瑛,张丽丽.功率谱估计及其 MATLAB仿真[J].微计算机信息,2006,22(11):287-289.

[6] 储彬彬,王琛,漆德宁.AR模型功率谱估计的典型算法比较及MATLAB实现[J].中国新通信,2008,20(17):76-79.

The Study of Feature Extraction for Steady State Visual Evoked Potential Based on Electroencephalograph

Zhang Lihuang Xie Yun
(Dept. of Automation，Guangdong University of Technology )

EEG analysis and processing is the key part of brain-computer interface technology. In this paper, the steady-state visual evoked EEG, feature extraction of evoked potentials with applying power spectrum estimation like correlation method, Welch method and the AR model method is processed. The three methods for extracting characteristic quantities are classified based on Fisher linear classification. The results show that AR model method to extract the frequency characteristics has the highest accuracy rate.

EEG Signal; Feature Extraction; Correlation Method; Welch Method; AR Model Method

张立煌，男，1989年生，在校硕士研究生，研究方向：数字信号处理、脑机接口、嵌入式系统。E-mail: 407881068@qq.com

谢云，女，1964年生，博士，教授，硕士研究生导师，副院长，研究方向：IC设计、信息与通信技术、脑机接口、智能机器人技术等。