群体广泛适用的SSVEP脑机接口研究

张智超,刘彤军,刘 琦,周丽丽

(黑龙江省科学院智能制造研究所,哈尔滨 150090)

0 引言

随着软硬件条件的发展,高精度采集技术日益成熟,伴随神经动力学模型进一步丰富,脑机接口(Brain Computer Interface,BCI)的脑电采集得到了更多的理论支撑,并逐步实现了应用[1]。脑机接口技术是新一代人机交互的关键核心技术,脑机接口的研究将促进我国脑科学与类脑智能研究的进一步发展。国家“十四五”规划部署了5项脑科学研究重点领域,其中脑机融合纳入了重点技术研究范畴。在脑机接口研究中,SSVEP具有时间分辨率高、数据训练快的特点,可快速得到有效特征,对于脑机接口技术的广泛应用研究更具优势[2]。在现有研究的基础上发现,于相同的视觉刺激频率下,不同个体的SSVEP响应存在差异,需规避针对个体的优化训练,进一步改进信号处理网络,实现可群体适用的信号处理分类算法[3]。

1 可群体适用的常用脑电信号对比

非侵入式脑机接口在群体使用上有着便携的优势[4]。血液动力学中的fMRI有很好的空间分辨率,但时间分辨率、便携性及成本都不适用于群体应用。电动力学的EEG与MEG可有效解决此问题。EEG与MEG相比,MEG的信息素更全面精准,而EEG对使用环境要求低,便于群体应用[5]。

表1 常用脑电信号特点对比

EEG的生理学原理是神经元的传导过程中会产生较大的电磁信号,脑电采集设备采集的是一群神经元的共同放电,实际上很难获得单一神经元的情况,这类采集信号只是很多神经元信号的一个共同结果,空间上的分辨率很低,但时间分辨率较高,可以捕获毫秒级别的神经冲动[6]。

在脑机接口研究中,EEG信号种类根据空间位置划分为以下3种:稳定频率的视觉诱导引发电位(Steady-State Visual EvokedPotential, SSVEP)、P300电位及运动想象电位(Motor Imagery, MI)[7]。前两者通过外部刺激诱发后,在大脑皮层产生脑电信号,分别通过固定频率视觉刺激及稀有事件刺激作为诱发因素,后者属于内源性大脑神经元放电产生的电信号。内源自发脑电信号与外源诱发脑电信号相比,外援诱导引发的大脑自放电活动采集的脑电信号特征明显利于解析,可减少分类过程中的数据训练,快速得到有效特征,用于实际应用,对于脑机接口技术的广泛应用更具优势。

表2 EEG信号的优点

对应不同类型的脑电存在不同的脑机接口范式,如内源性的运动想象(Motor Imagery,MI),外源性的诱发脑电SSVEP、P300范式。基于内源电位范式的脑机接口系统往往需要对被试进行大量训练,个体间模式差异大且识别率较低。基于外源性的诱发式电位范式的脑机接口系统,被试训练难度低,其中SSVEP范式具有稳定、指令集丰富、信息传输速率高等优点[8-9]。

稳态视觉诱发电位(Steady-state VEP,SSVEP)是使用固定频率快速稳定地对受试者进行视觉刺激,引起大脑枕叶皮层电位响应,这些响应的重叠产生稳态的振荡(Steady-state oscillation)。这种信号是一种具有连续性及特异性的脑电信号,与诱发信号的刺激频率有关。这种视觉诱发刺激的脑电信号的频率特征与刺激信号频率息息相关,不同被试者反应特征明显,个体差异很小,在脑机接口技术中适合群体广泛应用[10-11]。

2 基于相关成分分析提高SSVEP脑机接口的可移植性

稳态视觉诱发电位是对被试者施加一个固定频率的视觉诱发刺激,要求被试者集中注意注视刺激源,在大脑枕叶皮层中产生响应,通过脑电BCI平台将这种响应提取,进行信号处理,得到有效的信息输出。过程原理如图1所示。

图1 稳态视觉脑机接口工作过程原理Fig.1 Principle of steady state visual BCI working process

在脑电信号的预处理方面,SSVEP原始信号通常包含来自于感官的生理电信号及杂波干扰信号。SSVEP的信号处理主要目的是去除信号干扰,提高信号的信噪比,常用方法是滤波去噪声。本研究的BCI系统预处理除硬件层面的陷波滤波,还对采集数据进行了数据分割及优化。

在脑电信号的特征提取方面,针对群体广泛适用性需具备的特点,结合任务相关成分分析TRCA及SSCOR分析方法的优点,特征提取算法采用高效、低训练成本、通用可移植的分析方法解决BCI特征提取问题。新方法充分利用TRCA方法在不同数据长度下准确率高、可重复性高的特性及SSCOR个体校准数据优化,形成公共SSVEP表示空间、预定义的正弦-余弦信号及测试数据,获得空间滤波器,以提高SSVEP的特征相关性。

新方法主要通过分析3组信号特征进行信号处理,根据训练人员之间的信号特征,将相似度接近的5人划分为一个群体,根据群体中5人的信号特征预定义正余弦信号。根据测试人员与预定义信号的匹配度选择预定义信号,对被测人员采集的信号进行分类处理。该方法的优点是基于CCA的准确性通过对少量样本的训练得到预定义信号,防止训练人员信号偏差大,预定义多组信号,达到预分类效果。对被测人员进行测试,匹配预定义信号,进行精准分类,以增强信号处理的高移植性,提高脑机接口的群体广泛适用性。

图2 信号处理原理Fig.2 Signal processing principles

脑电信号的分类识别为外部设备生成控制信号。分类与特征提取是紧密交织在一起的,分类主要完成刺激频率的检测。

3 评价指标及实验设计

诱发信号为12幅图片组成的频闪图片,由12幅图片组成类9宫格汉字拼写键盘,输出汉字语句。由于汉字拼写过程需要不同字母、不同个数的多字符组合,不能以汉字拼写的成功率做为实验评价指标,故以训练次数、字符及字符选择成功率做为评价指标。

图3 诱发图片Fig.3 Induced image

3.1 实验设计

为了探究稳态视觉诱发下枕叶皮层电位的潜在变化,进行了一系列的实验。训练组人员过少会降低标准信号的广泛适用性,训练组人员过多会增加训练时间,信号在广泛适用过程中准确率提升不明显,故在5名训练组人员身上进行训练,得到综合标准信号,完成设备调试,再对被试组进行脑电采集,验证该设备的群体适用性。

3.2 实验步骤

实验招募了25名年龄为20～45岁的健康被试者。所有被试者都接受了实验前的健康检查,且没有任何神经系统疾病或其他健康问题。实验使用8通道10电极的EEG采集装置,按照常用的国际脑电10-20系统进行脑电极布置,采集位置为枕叶区O1、Oz、O2、P3、P1、Pz、P2、P4共8个点位,每个通道都记录了不同点位的电位变化,另外两个为参考电极。数据采集前对每个受试者进行详细的实验操作指导,以确保数据质量及一致性。

实验过程中,被试者需要坐在舒适的座位上,在距离眼睛约1 m的距离观看一块屏幕,屏幕上不断闪烁出现12幅不同的数字及符号,用来选择所要输入的字母,需通过看到的图片按照试验任务进行拼写,如屏幕上出现1时会出现汉字,选择想要的汉字,以此类推识别50张图片。

参与者的EEG信号经过前置放大器放大,传输到计算机中进行记录及分析。计算机分析软件可输出各通道波形,主屏幕由汉字拼写器及完成语句实现。

4 实验结果分析

实验设计有时会影响基于SSVEP的脑机接口识别性能。对训练组人员进行训练,将5名脑电信号接近的人标记为一个群体,预定义标准信号,对25名被试者进行实验,每个被试者需完成50个字符的采集,针对不同受试者进行3组实验,结果如表3。

表3 建立标准模型后的测试结果

对上述数据进行分析:单人三次测试,字符识别成功次数均出现准确率下降的情况,原因可能与SSVEP会引起视觉疲劳有关。训练组平均成功率可达89.33%～92.66%,去掉一名低于70%的脑机接口盲被试者,其他测试组成员成功率达到74.00%～87.33%。训练组第一次测试平均成功率为95.60%,被试组第一次测试平均成功率为86.72%。对于成功率不超过70%的人员,将EEG特征数据标记,做为一个新的群体分类,当样本数据量达到5人时,则预定义一组标准模型,加入分类数据库。

5 结论

该方法结合现有研究成果改进分类思想与分类步骤,具有快速训练样本、广泛适用等特点。采集过程中针对特殊脑机接口盲群体继续搜集样本,当该群体样本量充足时,可增加群体预定义模型,提高群体适用性。该方法存在的问题是样本受地域群体限制,一致性较高,为实现群体性广泛应用,需增加更多的群体预定义标准模型。因采集工作具有高随机性,形成新的群体模型在样本数量低时,脑机群体盲群体个体的EEG信号差距较大,难以重新建立新的群体预定义标准模型。

脑机接口的群体适用需研究群体差异性,故设计通用性系统是未来的研究方向。未来脑机接口将广泛应用于医疗康复、人机交互等领域,依托脑科学与高性能硬件的发展及算法的更新迭代,脑机接口研究将更关注群体适用特性,实现产业化落地,带动全产业链的发展。