一种基于听觉诱发电位的脑机接口实验研究

高海娟，韩金玉

（天津中德应用技术大学，天津 300350）

一种基于听觉诱发电位的脑机接口实验研究

高海娟，韩金玉

（天津中德应用技术大学，天津 300350）

脑机接口技术对脑电信号进行提取分析，将特定的脑电信号传递给外部设备执行某种功能，使大脑不用再借助于肢体去实现相应需求。基于空间选择注意的听觉BCI范式，通过相干平均和相关性分析对听觉诱发电位进行特征提取，用支持向量机（SVM）进行目标识别，取得了很好的分类效果。

脑机接口；听觉诱发；相关性分析；支持向量机

随着现代科技和医疗水平的进步，如何让肢体功能受损伤的残障人士提高生活质量、帮助其回归社会，成为医学领域的一大热点问题。BCI技术为该问题提供了一种良好的解决方案。许多处于严重闭锁状态的病患，不仅丧失了四肢活动能力，视觉能力也受到了一定程度的影响。对于这类人群，以视觉作为刺激的BCI技术效果欠佳。但是，绝大多数闭锁综合征患者的听觉能力并未受到影响，采用基于听觉刺激的BCI能有效的搭建起患者与外部世界沟通的桥梁。BCI技术的研究最初采用运动想象、皮层慢电位、稳态视觉诱发电位等，后来听觉刺激也被慢慢引入BCI的研究中。德国研究人员开发了分别以听觉和视觉刺激作为反馈的BCI系统［1］，视觉范式下的平均正确率为67%，而听觉范式下仅为59%。随着技术的不断发展，一些研究人员研制了基于经典P300范式的听觉BCI系统。如Furdea设计的听觉P300 的BCI打字机［2］，平均正确率为65%。国内对听觉BCI技术的研究起步较晚。清华大学研究人员在基于听觉范式的BCI研究中加入选择注意，实验中的靶刺激声音能够诱发出明显的脑电信号［3］。目前听觉BCI技术的发展还处于起步阶段，分类正确率和信息传输率低的问题，阻碍了听觉BCI技术向实际应用的迈进。为了提高基于听觉范式的BCI技术的实用性，需要设计简单高效的实验范式。本文设计了基于选择注意的听觉BCI范式，通过相干平均和相关性分析对听觉诱发电位进行特征提取，用支持向量机（support vector machine，SVM）进行目标识别，取得了很好的分类效果。

一、实验方法

1.被试及信号采集

以6名健康在校大学生（其中4名男生2名女生，年龄在22～26岁）作为被试。实验前进行适当训练，明确实验任务。实验采用Mipower-U脑电放大器及32导Quik-cap电极帽，按照国际10～20电极导联系统，对12个电极位置（Fz、Cz、Pz、Oz、F3、F4、T7、T8、P3、P4、O1、O2）的脑电信号进行记录，参考电极置于耳后双侧乳突处。实验期间被试保持舒服姿势坐在椅子上并戴上耳机，刺激期间被试者盯着屏幕中央的固定块，并且尽量克制吞咽口水、眨眼、眼球移动等动作。

2.实验设计

本文设计了两个单声道的声音序列，在左右耳同时播放。左耳声音序列中的一个声音周期由100 Hz纯音（3次）和火车鸣笛声（1次）组成；右耳声音序列由100 Hz纯音（3次）、竖琴声（1次）组成。每个声音片段均持续150ms，声音强度80dB，声音片段间隔300ms，所有声音片段随机出现。20个声音周期构成一个声音刺激序列。进行4组实验，把火车鸣笛声和竖琴声轮流作为靶刺激进行关注。听到靶刺激后默念计数，但不要引起肌肉运动。

3.数据处理

首先对脑电信号进行预处理，以达到去除干扰和分段的目的。由于听觉诱发电位主要是20Hz以下的低频信号，故本文对原始EEG数据首先进行20 Hz低通滤波。然后以每个靶刺激出现时刻为零点，截取-100～700ms时间段内的脑电信号作为分析对象，并以刺激出现前信号状态为基准进行基线校正。

首先对所有靶刺激及非靶刺激对应的800ms脑电信号数据段分别进行叠加平均，以此来消除噪声，提取特征信号。实验中每位被试者均选取了12个电极位置进行测量，特征信号最明显的电极位置作为特征电极，笔者采用特征可分性判据r2分析来确定特征电极的所在位置［4］。r2求取表达式如下：

公式中x1是靶刺激特征向量，x2是非靶刺激特征向量，Ex1和Ex2分别为x1和x2的均值，分别为x1和x2的标准差。r2值的大小能够反映特征成分对分类正确率的贡献，其数值越大贡献程度越高。r2的取值范围处于0～1之间，r2为0时表示该特征是无效的，r2为1时则代表该特征向量和任务种类完全对应。笔者采用基于径向基核函数的SVM分类器进行二分类。为了进一步缩小数据量，对提取的特征信号进行50 Hz重采样。对重采样后的数据进行交叉验证，从而得到数据分类的正确率。

二、结果及分析

1.特征提取

将6名被试者每一导脑电信号中目标刺激响应和非目标刺激响应分别进行叠加平均，波形如图1所示。在靶刺激波形中，100～200 ms及300～500 ms间分别出现了明显的负波N200和正波P300，而在非靶刺激波形中则没有出现。

对每次刺激出现以后各个电极上的脑电信号进行r2分析，以求取该电极上特定刺激时刻的r2特征向量。将所有刺激出现时r2特征向量平均，得到该电极上的平均r2结果，取平均r2最大的电极位置为特征电极。由于特征成分N200及P300的作用，在r2波形图中出现了两个较为明显的波峰，两个波峰依次出现在0～300 ms和300～600 ms的时间范围内。为缩小数据范围，进一步提取两个特征信号的时间窗，分别把以上两个波峰值的60%设为阈值，高于阈值点的特征时间窗内对应的脑电数据可作为反映N200和P300信号的特征值。图2为在一位被试的特征电极上提取其特征时间窗的示意图。采用以上分析方法对所有被试进行分析，得到每位被试的特征电极及特征时间窗。

图1　所有被试所有电极位置叠加平均波形图

图2　某位被试的特征时间窗提取图

2.分类结果

在以往的BCI技术研究中，事件相关电位中的P300信号是得到最多关注的特征信号。笔者通过叠加平均分析，在诱发电位中除了经典特征信号P300以外，还出现了N200成分。尝试将两个特征成分相结合参与对靶刺激和非靶刺激的分类预测。通过采用特征可分性判据的分析方法，确定了每位被试的特征电极并确定了特征电极上N200及P300成分所对应的时间窗口。采用SVM对N200和P300相结合的特征成分（记为N200/P300）进行二分类预测，并将该结果与单独对P300进行分类的结果进行比较，结果如表2所示。通过对比发现，以N200/ P300作为特征的分类正确率要略高于仅采用P300作为特征向量的分类正确率。基于以上结果，可以说明本文设计的听觉实验诱发的N200以及P300两个特征成分可以用于作为特征信号参与特征分类，离线分析的分类正确率能够达到80%以上。

表1　r2分析方法确定特征电极和特征时间窗结果表

表2　特征成分N200/P300与P300分类正确率对比表

［1］Hinterberger T，Hill J，Birbaumer N.An auditory brain-computer communication device.proceedings of the IEEE International Workshop on Biomedical Circuits&Systems，Singapore F，2004 S3/6-15-18.

［2］Furdea A，Halder S，Krusienski D J.An auditory oddball（P300）spelling system for rain-computer interfaces.Psychophysiology，2009，46（3）：617-625

［3］Guo Jing，Gao Shangkai，Hong Bo.An Auditory Brain-Computer Interface Using Active Mental Response［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2010，18：230-235.

［4］张岐龙，单甘霖，段修生，等.基于特征空间中类别可分性判据的特征选择［J］.火力与指挥控制，2010，35（6）：118-120.

编辑郑晶

A Brain-computer Interface Based on Auditory Evoked Potential

GAO Hai-juan，HAN Jin-yu
（Tianjin Sino-German University of Applied Sciences，Tianjin 300350，China）

The Brain-computer interface extracts and discusses electroencephalogram signals and conveys specific signals of brain activities to external devices，which makes people implement the corresponding requirements instead using their bodies.An auditory BCI based on spatial selective attention is proposed，coherent average and relevance analysis are used to extract features from auditory evoked potential and support vector machine（SVM）is used to assess the target classification accuracy which contribute to the good classification results.

Brain-computer Interface（BCI）；Auditory evoked potential；Relevance analysis；support vector machine（SVM）

TP

A

2095-8528（2016）04-035-03

2016-03-17

高海娟（1986），女，河北承德人，硕士，研究方向为信号处理、电磁场。