SSVEP-BCI抗自由眨眼稳定性的ANFIS方法*

陆竹风， 张小栋,2， 张黎明， 李瀚哲， 李 睿,2

(1.西安交通大学机械工程学院 西安,710049) (2.西安交通大学现代设计及转子轴承系统教育部重点实验室 西安,710049)

引 言

自Berger首次使用非植入电极检测人脑表面脑电信号(electroencephalogram, 简称EEG)以来[1]，EEG分析领域迄今已历经近百年研究。依托EEG分析算法发展，研究人员将脑机接口(brain control interface，简称BCI)技术应用于假肢、轮椅和屏幕打字机等的控制[2]，均取得喜人成果[3]。尽管如此，BCI技术尚停留于实验室研究阶段。由于EEG本身的低信噪比和高个体差异性，作为微弱的人体生物电信号，EEG极易淹没于众多伪迹、噪声之中[4]。为增进BCI技术的实用价值，提高其稳定性，EEG去伪迹研究已成为必不可少的趋势[5]。

稳态视觉诱发(steady state visual evoked potentials, 简称SSVEP)脑机接口因其诱发机理，在现行BCI范式中具有较高稳定性。现有研究多基于受试者无眨眼动作的注视状态开展，自由眨眼动作的引入，造成了SSVEP识别正确率的明显下降，极大影响其应用价值。由于人眼处于人体头面部区域，距EEG采集点距离极近，易对EEG造成明显影响。眼电伪迹属于人体自身伪迹信号，易与EEG产生混淆，无法通过简单滤波处理轻易消除[4]。为增进SSVEP-BCI的实用价值，提高其抗自由眨眼动作下的稳定性，如何于包含眼电伪迹的EEG中提取纯净EEG，同时保留SSVEP有效信息、提高识别正确率，成为亟待解决的问题之一。

传统眼电伪迹消除方法一般基于独立成分分析完成：通过分离EEG中的独立成分，参考眼电电极信号确定眼电成分，将其置零重构以恢复纯净EEG。该方法在运算过程中易造成有效信息损失，无法保证BCI稳定性的提高。不少市售EEG采集设备缺少眼电电极，无法提供直接的眼电信号参考。

笔者从伪迹干扰下BCI的稳定性研究出发，以自由眨眼动作下的SSVEP-BCI为切入点，进行SSVEP去眼电伪迹研究，提高眼电伪迹干扰下SSVEP-BCI的稳定性。提出了一种基于自适应神经模糊推理系统的无参考电极下EEG眼电伪迹自适应消除方法，有效消除了SSVEP中的眼电伪迹，并通过自由眨眼动作下的稳态视觉刺激实验，验证该方法的有效性。

1 稳态视觉刺激下眼电伪迹表现

眼电伪迹由眼部活动产生，分为眼球竖直移动、水平移动及眨眼动作[5]。稳态视觉刺激下，由于受试者对视觉刺激源呈现注视状态，眼球竖直及水平移动较为细微，故SSVEP中的眼电伪迹主要由眨眼动作造成。

同时采集稳态视觉刺激时自由眨眼动作下前额叶区及枕叶区EEG，如图1所示。其中,虚线标记区域表现出强烈眼电伪迹特征。对比眼电伪迹区域内前额叶区与枕叶区信号，前额叶区信号呈上凸现象、枕叶区信号呈下凹现象，眨眼动作在前额叶区与枕叶区呈现相反表现，故眼电信号源在全脑EEG呈线性变换伪迹现象，无法通过滤波器直接消除。包含眼电伪迹与不含眼电伪迹的SSVEP频谱图如图2所示。其中，含眼电伪迹信号频谱在低频处存在较大增幅，故眼电伪迹多集中在信号低频部分。

图1 稳态视觉刺激时自由眨眼动作下前额叶区及枕叶区脑电信号Fig.1 Prefrontal and occipital EEG during steady-state visual stimulation

图2 含眼电伪迹与无眼电伪迹的稳态视觉诱发脑电信号频谱图Fig.2 Spectrum of SSVEP with and without ocular artefacts

2 基于ANFIS的无眼电电极下脑电信号眼电伪迹的自适应消除方法

眨眼动作对EEG的影响可视为由独立伪迹信号源经非线性变换后对纯净EEG的噪声。由于缺失该非线性变换函数，为达到在消除眼电伪迹同时避免有效信息损失的目的，设计自适应噪声消除器(adaptive noise cancellation, 简称ANC)，采用ANFIS自行逼近眼电信号源至眼电伪迹的非线性变换函数,可达到测量信号中消除眼电伪迹的目的，其原理如图3所示。

图3 算法原理图Fig.3 Algorithm schematic diagram

(1)

其中:M(t)为测量信号;E(t)为纯净信号;A(t)为测量信号中的伪迹信号;S(t)为伪迹信号源。

由于市售设备存在眼电电极缺失情况，为获得有效眼电信号源，设计基于FastICA及相关系数的眼电信号源提取与识别模块。考虑到受试者在单次实验中未眨眼情况，加入基于峰度系数的眨眼动作判断环节。算法整体结构如图4所示。

2.1 基于FastICA及相关系数的眼电信号源提取与识别方法

单个脑电电极可接受电极点周围18～32 cm2信号[6]。在眼电电极缺失情况下，选择位于前额叶区且不易受面部肌电干扰的F3和F4通道作为眼电信号源的参考通道。由于眼电伪迹属低频干扰，为体现眼电信号源特征并避免超低频杂波，将0.5～15 Hz滤波处理后的F3和F4通道信号作为眼电信号源参考信号，进行FastICA处理[7]，分离两路独立成分。

对分离后的两路独立成分进行眼电信号源成分的自动识别。考虑到眼电信号源形态应与眼电信号源参考信号形态较为一致，取数学统计量相关系数用于表征两变量间的线性相关程度。计算各独立成分与两路眼电信号源参考信号间的相关系数和，取其大者自动识别为眼电信号源，即

图4 算法整体结构图Fig.4 Algorithm structure diagram

Cori=(|r(ICi,xF3)|+|r(ICi,xF4)|)

(i=1,2)

(2)

其中：Cori表示第i个独立成分的相关系数和；ICi表示第i个独立成分；xF3，xF4表示F3,F4通道眼电信号源参考信号。

为避免对不存在眼电伪迹的测量信号进行过度处理，加入眨眼动作判断环节。由于眨眼时EEG表现出有别于非眨眼EEG的异常凸起，统计学中可利用峰度系数指标表征统计数据尖端尖翘程度[8]，故针对眼电信号源参考信号进行基于峰度系数指标的阈值判断，即

(3)

2.2 基于ANFIS的眼电伪迹自适应消除方法

眼电伪迹的自适应消除通过ANC实现：以眼电信号源作为输入，将输出与测量信号之差作为反馈，调整内部权值，拟合得到眼电伪迹；将测量信号减去眼电伪迹，得到无眼电伪迹的EEG。

图5 ANFIS典型结构Fig.5 Typical structure of ANFIS

ANC核心运算部分由ANFIS结构实现。ANFIS是模糊规则与神经网络学习规则结合的自适应系统，是一种宜于表达复杂系统动态特性的非线性模型。该模糊规则的推理由网络结构中若干节点各自对应规则完成，ANFIS可分为5层[9]，基本结构如图5所示。第1层，利用隶属度函数完成输入信号模糊化；第2层，选择与算子完成模糊规则预演；第3层，计算各节点各规则的归一化可信度；第4层，计算单个节点输出；第5层，系统整体输出。其中:节点个数由对输入数据进行减法聚类算法确定；隶属度函数选择高斯型隶属度函数；参数调整由逆向传递的最小二乘方误差方法确定。

考虑到人脑其他区域较前额叶区距人眼较远，故其他区域眼电伪迹相较前额叶区域提取的眼电信号源存在轻微延时现象。为提高眼电信号源对大脑其他区域眼电伪迹的适应性，在ANC前加入抽头延时(tapped delay line, 简称TDL)结构对眼电信号源进行延时处理。

3 实验研究

3.1 数据采集

图6 Neuracle脑电信号采集系统及其电极位置Fig.6 Neuracle EEG acquisition and electrode position

为验证上述算法的有效性，笔者基于稳态视觉刺激实验，引入受试者在刺激过程中的自由眨眼动作，研究该伪迹消除方法对自由眨眼动作下SSVEP识别准确率的影响。实验采用中国博瑞康公司(Neuracle)开发的8通道EEG采集系统，如图6(a)所示，其采样频率为1 000 Hz，通过无线路由与电脑相连；电极分布位置如图6(b)所示。以AFz和CPz为参考电极，除用于提取眼电信号源参考信号的F3和F4位置外，其余电极均分布在枕叶区PO3，PO4，Pz，Oz，O1和O2位置用于SSVEP刺激频率的识别。

本次实验共有7名受试者(标记为S1～S7，其中2名为女性)，年龄均在22～24岁，无精神疾病史。实验过程中要求受试者静坐在稳态视觉刺激屏幕前，注视屏幕上的稳态视觉刺激源，刺激源基于场景动画的SSVEP范式开发[10]。刺激源翻转频率为60/15 Hz，60/13 Hz，60/11 Hz和60/10 Hz。各频率完成6组实验，每组实验进行5次刺激，共计120次视觉刺激实验。单次刺激时间为4s，期间受试者可进行自由眨眼动作。实验场景如图7所示。

图7 自由眨眼动作下稳态视觉刺激实验场景Fig.7 Experimental scene diagram of steady state visual stimulation under random blinking

3.2 参数选择

3.2.1 FastICA算法二次型函数和优化函数选择

在FastICA算法中，非二次型函数及优化函数的选择直接影响了独立成分的计算结果[7]。在非二次型函数和优化函数选择方面存在如式(4)所示的4种常见类型，可依次简易表述为pow3,tanh，gauss和skew型。

(4)

经FastICA处理后的两路独立成分呈现出一路眼电信号源成分、一路纯EEG成分的强烈差异性，以两独立成分间峰度系数差为衡量指标，进行函数组合选择。FastICA算法4种非二次型函数及4种优化函数组合下独立成分峰度系数差均值及方差如表1所示。其中：第1行表示非二次型函数；第1列表示优化函数，数值均保留至小数点后5位。

表1数据显示，独立成分峰度系数差均值最大的前3组为pow3 & skew > tanh & gauss > tanh & pow3，表明该3种函数组合在16种函数组合间呈现眼电信号源成分和纯EEG成分差异最大化。由于函数组合对所有数据的普适性，增加独立成分峰态系数差方差作为评价指标，数据方差较小表明该函数组合对所有数据具有相对一致的效果。以上3种函数组合独立成分峰态系数差方差排序为tanh & pow3 < tanh & gauss < pow3 & skew。综合考虑两种指标，选择独立成分峰度系数差均值大而方差较小的tanh & gauss组合为FastICA运算函数组合。

3.2.2 眼电信号源成分自动识别方法比较

为选择合适的眼电信号源成分自动识别方法，对基于峰度系数和相关系数的两种指标进行对比。峰度系数如式(3)所示，相关系数如式(2)所示，均选择两独立成分间指标更大者为眼电信号源。4例峰态系数法与相关系数法眼电信号源成分识别差异如图8所示。

在识别有差异的数据组别中，基于相关系数指标识别的眼电信号源成分较基于峰度系数指标识别的眼电信号源成分表现出更为符合眼电信号源的异常凸起特征，因此选择基于相关系数的指标作为眼电信号源成分自动识别的依据。

3.2.3 TDL延时时间确定

TDL结构因大脑其他区域较前额叶区距离人眼较远而引入，其眼电信号源延时时间通过计算不同延时时间下眼电信号源与枕叶区6通道SSVEP间的相关系数确定。该相关系数变化曲线如图9所示，其中:+表示延时,-表示提前。

图9表明，眼电信号源与SSVEP间的相关系数随延时时间呈现先增大后减小的关系。峰值数据出现在延时0～20/1 000 s之间，各通道最佳延时时间如虚线框细节图所示。由于PO3和PO4通道、Oz和O1通道最佳延时时间相差较近，比较该两处延时时间下6通道SSVEP与眼电信号源相关系数，取其中较大者确定为延时时间。因此，最终选择+4/1 000 s，+8/1 000 s，+13/1 000 s，+18/1 000 s 4组延时时间用于眼电信号源TDL设计。

表1 FastICA算法4种非二次型函数及4种优化函数组合下独立成分峰度系数差均值及方差

Tab.1 Mean and variance of independent components′ kurtosis coefficient difference under combination of 4 non-quadratic form functions and 4 optimization functions in FastICA

pow3tanhgaussskewpow34.992 34±9.295 385.006 91±9.106 154.979 10±9.002 854.947 22±9.209 01tanh5.000 71±9.193 905.003 94±9.144 034.984 10±9.000 794.943 11±9.267 99gauss5.006 71±9.145 935.008 3±9.144 024.980 07±9.013 664.960 71±9.258 78skew5.018 37±9.224 034.995 37±9.191 264.984 37±9.053 154.936 03±9.215 48

图8 峰态系数法与相关系数法眼电信号源成分识别差异Fig.8 Difference of kurtosis coefficient method vs correlation coefficient method in EOG source component recognition

图9 不同延时时间下眼电信号源与各通道SSVEP相关系数变化图Fig.9 Variation of correlation coefficients between SSVEP and EOG source under varying delay time

3.3 结果分析

应用该伪迹消除方法对自由眨眼动作下SSVEP进行处理，60/13 Hz翻转刺激下O2通道原始信号与经ANFIS伪迹消除处理信号的时域及频域对比如图10所示。经该伪迹消除方法处理后，SSVEP中眼电伪迹得到有效消除。为保证以上算法在消除眼电伪迹的同时保留了SSVEP频率刺激的有效信息，对处理后的SSVEP进行识别正确率计算。同时，选择经典5～45 Hz带通滤波方法、传统ICA方法与笔者提出的方法进行对比，比较各类方法下SSVEP识别正确率的改变，如表2所示。其中，SSVEP刺激频率识别正确率由CCA算法完成[10]，准则函数为

(5)

其中：X为待识别信号；Y为与刺激频率相关的参考信号；WX，WY为系数矩阵。

以上3种方法中，基于ANFIS的眼电伪迹自适应消除方法对受试者S1～S7的识别正确率均有提高，达到了在去除眼电伪迹的情况下保留脑电信号有效信息的目的。该ANFIS方法平均识别正确率较经典5～45 Hz带通滤波方法平均提高3.6%、较传统ICA方法平均提高4.8%。在7位受试者中，以受试者S2提高最为显著，经过该ANFIS眼电伪迹自适应消除方法后识别正确率较经典5～45 Hz带通滤波方法最高提高6.25%,较传统ICA方法最高提高10%，极大提高了SSVEP-BCI在眼电伪迹干扰下的稳定性。

图10 60/13 Hz翻转刺激下O2通道原始信号与经ANFIS伪迹消除处理信号的时域及频域对比Fig.10 Original EEG vs after-ANFIS under 60/13 Hz visual stimulation in O2

表2 经典5～45 Hz带通滤波方法、传统ICA方法及ANFIS方法下SSVEP识别正确率Tab.2 SSVEP recognition accuracy rate among classical 5～45 Hz band pass filter vs traditional ICA vs ANFIS %

4 结束语

笔者以伪迹干扰下BCI的稳定性为出发点，将自由眨眼动作下的SSVEP-BCI作为切入点，针对SSVEP中眼电伪迹问题，提出一种基于ANFIS的无眼电电极下EEG眼电伪迹自适应消除方法。基于CCA方法比较了经典滤波、传统ICA和本研究方法下SSVEP识别正确率的改变。该方法规避了市售脑电信号采集设备缺乏眼电电极的情况，根据前额叶区脑电信号替代性提取了眼电信号源，并有效去除了SSVEP信号中的眼电伪迹成分。将该方法与经典滤波、传统ICA方法处理后的SSVEP进行识别正确率对比，验证该方法在消除眼电伪迹的同时保留了稳态视觉刺激的有效信息，提高了SSVEP识别正确率，改善了SSVEP-BCI在自由眨眼动作下的稳定性。