改进的多变量同步指数脑机接口分类算法

马鹏飞，董朝轶*，马 爽，贾婷婷,肖志云，齐咏生，陈晓艳，林瑞静

(1.内蒙古工业大学电力学院，呼和浩特 010080；2.内蒙古自治区机电控制重点实验室，呼和浩特 010051)

近年来，随着信号与信息处理方法和技术同神经科学的融合。脑机接口(brain-computer interface,BCI)技术受到了广泛关注。脑机接口是指不需要常规的大脑输出通道，在人或者其他动物与外界环境之间建立一种沟通的环境[1],以实现意识控制机器设备。脑机接口在临床医学、生活娱乐和康复工程等多个领域具有较高的应用价值和广阔的应用前景[2]。

稳态视觉诱发电位(steady-state visual evoked potential，SSVEP)作为一种典型的BCI范式，是指当被试者注视某一特定的频率闪烁的视觉刺激时[3]，枕叶皮质区的神经元会产生对应的响应。SSVEP信号在脑电信号的频谱中会出现对应刺激的峰值，通过对频谱峰值的检测，就可以识别该诱发刺激的频率，从而识别受试者的意图。稳态视觉诱发电位范式相比于其他范式具有信噪比高，响应时间短的特点，因此受到了许多研究者的重视。对于少目标刺激范式的SSVEP-BCI系统在脑控轮椅，脑控无人机上应用较为广泛。刘明等[4]采用MATLAB环境搭建了基于SSVEP的脑控轮椅系统，实现97%的分类准确率，用于帮助运动障碍患者的日常出行。熊特等[5]采用SSVEP控制上肢康复机器人，达到98.33%的准确率，证明SSVEP的控制具有良好的生物医学应用前景。

目前，典型的稳态视觉诱发电位的解码算法有快速傅里叶变换、小波变换、典型相关分析(canonical correlation analysis,CCA)和多变量同步指数(multivariate synchronization index,MSI)。快速傅里叶变换是一种快速的离散傅里叶变换计算方法[6]。该算法具有运算时间短，计算简单的优点。通过把时域信号转变为频域信号得到其频谱分布，然后检测峰值，对应该峰值的频率为目标刺激频率。但是这种方法需要进行参数优化，例如电极选择和时间长度选择。小波变换是一种可调窗函数的傅里叶变换，具有较好的时频分辨率。其过程是把原始信号分解为不同频率范围的几个分量，提取刺激频率所在的分量进行进一步处理，利用小波系数作为特征来进行分类[7]。小波变换的关键在于母小波的选择，不同母小波会造成不同的结果[8]。CCA作为一种多变量统计方法，用于判断两组实验数据的相关性[9]。通过计算多通道脑电信号与正余弦参考信号之间的相关系数，求两个信号的最大相关性。CCA的优点在于其高效性和鲁棒性，但是忽略了信号的时间信息[10]。多变量同步指数与典型相关分析类似[11]，求两个信号之间的同步指数，来对刺激频率进行识别，在短时间内MSI的效果要优于CCA。以上方法各有特点，但也都存在一定的局限性,即在短时间内的目标识别准确率较低。为了解决此问题，张杨松等人对MSI加以改进提出TMSI算法[12]，Chen等[13]提出了滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)算法等。这些改进的算法有效地提高分类准确率，但提升程度不尽如人意。近年来，随着深度学习的兴起，神经网络算法也被应用于BCI系统中。卷积神经网络(convolutional neural network，CNN)由于其自动提取特征的优势也出现在SSVEP算法的研究中[14-15]。杜光景等[16]采用CNN算法使SSVEP的目标辨识率达到93.3%，深度神经网络(deep neural network，DNN)更是取得265.23 bit/min的信息传输率[17]。然而，深度学习算法模型复杂度高，训练时间长，难以应用于实时性要求比较高的外部环境设备。

基于此，现采用小波包变换同多变量同步指数相结合的方法来提取脑电信号的特征。利用小波包变换的特性来分解重构特定频段的脑电信号，再用多变量同步指数算法来计算频率识别的准确率。解决短时间内目标识别准确率低的问题，分类准确率得到明显提高。以期为MSI改进算法扩展了思路，也为后续的融合算法提供理论基础。

1 实验方法

1.1 信号预处理

由于脑电信号容易受到环境噪声和人脑系统自身因素的干扰，必须对采集到的脑电信号进行预处理。采用EEGLAB(electroencephalography lab)软件中的带通滤波器组对采集到的脑电信号进行滤波[18]，保留6～30 Hz的频率成分。图1给出了O1导联脑电信号滤波前和滤波后的时域图。

图1 滤波前和滤波后信号Fig.1 Pre filtering and post filtering signals

1.2 信号特征提取与分类

1.2.1 小波包变换

小波包变换是小波变换的推广[19]。小波包分解相比于小波分解的优点在于可以对低频部分与高频部分一同进行分解。这种分解没有冗余，提高了时频分辨率。典型的2层小波包分解树如图2所示，将信号分为4个子频带。其中低频部分为A，高频部分为D。

小波包算法把SSVEP的脑电信号中刺激频率所在频点的信号进行分解重构[20]。由于本实验采样频率为500 Hz，刺激频率为8、10、12、15 Hz。所以选择对采集到的信号进行7层分解，分解之后各个节点所对应的子频带如表1所示。重构出刺激频率所对应的信号，然后再进行MSI算法的运算。

图2 2层小波包分解树Fig.2 Two level wavelet packet decomposition tree

表1 7层小波包节点所对应的频带Table 1 The frequency bands of 7-level wavelet packet node

1.2.2 多变量同步指数

多变量同步指数用于对SSVEP信号进行分类[21]。用MSI算法分析SSVEP信号时要先构造一个参考信号。

(1)

式(1)中：Y为参考信号；Fs为采样频率；Nh为谐波数量[22]；t为采样时间；fk为刺激频率；N为通道数；M为采样点数。Y的维度为2Nh×M；X为采集到的一组维度是N×M的脑电信号。它们的相关矩阵C为

(2)

式(2)中：

(3)

(4)

(5)

(6)

为了减少X和Y自相关的影响，去除C中的自相关矩阵[23]，得

(7)

则经过变换后的新的相关矩阵R为

(8)

式(8)中：I为单位矩阵。

设φ1,φ2,…，φp是R的特征值，将其标准化为

(9)

式(9)中：p为特征值的个数，p=N+2Nh；tr(R)为相关矩阵R的迹；φi为第i个特征值。

X与Y之间的同步指数S可以表示为

(10)

如果两组信号完全不相关，则C21=C12=0，可以看出φ′i=1/p，S=0；如果两组信号完全相关,则φ′i=1，其他标准化的特征值都为0，S=1;其他情况时S在0～1变化[11]。

1.2.3 改进算法

单纯的MSI算法在识别SSVEP频率时容易受到噪声及环境干扰影响。对于MSI的改进算法中，MSI结合支持向量机(support vector machine,SVM)算法取得了不错的效果。将MSI方法得到的同步指数输入到SVM中进行目标频率的识别。一般SVM的分类器选择线性核函数，为减少分类正确率的偶然性，选择采用十折交叉验证的方法，将数据集分为10个子集，每1个子集均作为测试集，剩下的9个作为训练集。取10次十折交叉验证的均值作为分类的准确率。

FBCCA是当前脑电解码算法中较为主流的算法之一。它在CCA基础之上的改进，利用基波与谐波的特点，来进行目标识别。它的原理是设计滤波器组，然后对SSVEP的子频带与参考信号进行CCA分析。

(11)

式(11)中：Z为X和Y构成的多元信号矩阵；D为W所有行元素之和构成的对角线矩阵；W为邻接矩阵，通过Tukeys tricube加权函数[24]进行构造。

针对少目标刺激的SSVEP范式，提出WPT-MSI算法对SSVEP信号进行特征提取及处理，提高了频率识别的准确率。过程如图3所示。为了验证算法的有效性，将主流的脑电信号解码算法FBCCA、TMSI和MSI结合SVM算法与WPT-MSI进行比较。

图3 WPT-MSI识别方法Fig.3 WPT-MSI identification method

2 实验设置

所用的刺激屏幕为60 帧/s刷新率的戴尔液晶显示器，基于MATLAB的Psych-toolbox (PTB)工具箱编程实现[25]。刺激频率选择为8、10、12、15 Hz。视觉刺激器的界面如图4所示。其中闪烁的黑白色块的规格为200 pixel×200 pixel(pixel为像素)。采集EEG信号的设备为德国BP公司的32通道脑电设备，采样频率为500 Hz，导联分布如图5所示。数据采集之前先将脑电帽注入导电膏，使电阻降低至5 kΩ左右。

图4 视觉刺激器Fig.4 Visual stimulator

数字和字母为导联位置图5 32导联分布图Fig.5 The figure of 32 lead distribution

选取10名被试者参加实验，年龄在23～25岁，视力矫正后均为正常，实验在噪声较少的环境下进行。实验过程中，被试者的眼睛要与刺激屏幕的距离保持为60 cm左右，尽量保持良好的精神状态。实验开始时，刺激屏幕上的黑白色块以定制的频率进行闪烁。每个色块闪烁6 s，休息4 s。被试者应依次注视每个色块10次，进行4组实验，得到400组实验数据。

3 结果分析

采取平均准确率和离线信息传输率来进行验证WPT-MSI算法的有效性。从数据长度和导联数量这两个方面来分析影响WPT-MSI有效性的因素。为比较WPT-MSI算法的性能，将其与以上提及的算法做了对比分析。在探究数据长度对WPT-MSI算法的影响时，将谐波的数量设置为3，导联选择枕区附近的7个导联(P3、P4、O1、O2、PZ、P7、P8)。5种算法下的平均准确率和信息传输率如图6所示。

由图6可看出，TMSI、MSI-SVM和FBCCA得出的准确率比MSI有所提升，但是不明显。WPT-MSI算法在短时间内(1～1.5 s)准确率得到显著提高，并且在任何数据长度时都要优于传统的MSI算法和改进的MSI等算法。数据长度为1.5 s时，准确率达到98.94%，比MSI提高30.94%。随着数据长度的增加，这5种算法的准确率都在逐步上升，并且最后都趋近于最高准确率。信息传输率随数据长度的增加而增长，当数据长度达到1.5～2 s时，信息传输率达到最大值。当数据长度大于2秒时信息传输率缓慢下降。在1.5 s数据长度时WPT-MSI算法的信息传输率达到76.24 bit/min，要明显优于其他算法。

在探究导联数量对算法的影响时，数据长度选择为1.5 s，谐波数量设置为3。导联数量选择3种组合分别为2导(O1、O2)、4导(P3、P4、O1、O2)和7导(P3、P4、O1、O2、PZ、P7、P8)。5种算法的平均准确率和平均信息传输率如表2和表3所示。

图6 不同数据长度下各类算法性能的比较Fig.6 Performance comparison of various algorithms under different data lengths

表2 5种算法在1.5 s时的平均准确率Table 2 The average accuracy of the five algorithms in 1.5 s

表3 5种算法在1.5 s时的平均信息传输率Table 3 The average information transmission rate of five algorithms in 1.5 s

从表2可以看出，随着导联数量的增加，目标识别的准确率也在增加。WPT-MSI算法的准确率在导联数为7时达到98.94%的准确率，比2导高出4%。对比主流的脑电解码算法FBCCA，WPT-MSI比其高出18.37%。由表3可以看出，平均信息传输率与导联数量成正比，在7导时信息传输率达到最大，WPT-MSI算法比传统的MSI算法高出50.23 bit/min。

4 结论

利用SSVEP脑电的生理特性，选取枕区附近的7个导联(P3、P4、O1、O2、PZ、P7、P8)来分析脑电信号的特征。利用MATLAB软件制作4个刺激目标的视觉刺激屏幕。通过MSI算法、MSI结合SVM算法、WPT-MSI算法、FBCCA算法和TMSI算法来对4个目标频率的脑电刺激信号进行特征提取和分类，并计算了分类的准确率和离线的信息传输率。通过对数据长度和导联数量这两个方面的分析，得到以下结论。

(1)实验结果表明在短时间内(数据长度为1.5 s)WPT-MSI算法得到的准确率相比其他4种算法的准确率具有显著提高的趋势。

(2)WPT-MSI算法得到的信息传输率要优于传统的脑电解码算法，可用于提高脑机接口系统的性能。

(3)对于枕区的导联组合而言，导联数量越多，捕捉数据的能力就越强，从而得到较高的准确率。

实验结果验证了增加小波包变换对于信号处理的有效性。上述实验结果及分析为少目标刺激的SSVEP范式的脑机接口应用者提供了实验经验，也对MSI算法后续的性能研究提供了理论参考。